人工智慧這麼火熱,控制工程看得到未來嗎?

剛考上碩士,師兄師姐們一股腦都鑽進了人工智慧的領域,不管是控制工程的還是模式識別的,都在學深度學習,機器學習,市場上也看得出,這方面的崗位給的待遇確實高,,,可我們畢竟都是自動化出身,控制才是核心。很想在碩士階段繼續學控制,但是一對比,看不到未來啊,畢竟得找工作掙錢啊。


我覺得這個問題下的答案可以回答這個問題:

大數據時代下數學建模還有作用嗎?

簡單補充一下:

在研究領域,一直存在著兩個派別「model-based」和「data-based」。

model-based 方法,目的就是從機理角度解釋問題,通過數學、物理等規則建立對象的模型,然後基於這個模型進行分析、判斷與處理。

data-based 方法,就是認為一個固定的系統,是強貝葉斯屬性的,也即未來的表現與歷史的數據擁有相同的概率分布。於是,這類方法就是利用機器學習的手段來擬合歷史數據,以此模擬系統響應。

我認為兩種方法各有優缺點

model-based 方法,① 由於是從機理出發,所以可以比較準確地描述系統的響應原理,一旦系統出現問題,也方便排查問題;② 另外,通過建模,可以限制模型複雜度,在參數辨識的時候可以防止過擬合;③ 但是,由於建模方法無法綜合考慮所有情況,(例如作動力學建模的時候,一般不會把電機溫度作為參數,但是,這個參數會影響到關節動力學特性),簡化的模型有時候無法涵蓋所有情況;④ 有時候對象模型過於複雜、或者說行成機理尚未了解(如摩擦力、物體識別),那麼基於模型的方法就比較不太好處理了。

data-based 方法,① 一方面類似一個黑盒子,我們給一個輸入,就能得到一個輸出,但是,我們無法判斷這個輸出是否正確;② 另一方面,如果發現系統輸出錯誤,我們也不太好排查問題,只能盲目地提供更多數據;③ 還有,data-based 方法對於混沌系統(對初值敏感等、如天氣預報)可能效果就很差了;④ 最後,如果缺乏對系統的機理研究,我們甚至無法確定應該提供哪些數據,例如我前兩天就聽到一個例子,某車廠要預測汽車的出庫量,只有歷史每個月出庫數據,卻沒有其他數據,這就是一個很經典的「亂預測」案例了(類似預測股價)。

我個人的觀點是這樣的:

對於研究者來說,必須先從 model-based 方法入手,了解所研究對象的機理,這樣才能對所研究系統有一個比較清晰的理解,才有可能真正解決一些問題。與此同時,不要拒絕 data-based 的方法,畢竟 DNN 在很多領域已經展現出了其強大的擬合與泛化能力,而且 model-based 方法在很多領域已經到了一定瓶頸。

通過對 model-based 方法的理解,我們才能知道應該給機器學習演算法提供哪些數據;另外,model-based 方法也有利於指導新的機器學習演算法的提出,例如卷積網路就是基於圖像特徵的位置無關等屬性(參見 SIFT 運算元)。

所以,我不太建議初學者在未完全熟悉自己研究領域前太早投入到機器學習的坑裡:fly qq:自動控制、機器人等領域都有哪些牛逼閃閃的「禁術」?

關注我的小夥伴應該清楚,兩類方法我都一直在做,也一直想整理好好聊一下,之後有空了會在公眾號寫一篇文章系統說一下。


本科 - 碩士 - 博士我經歷了專業方向從電氣工程及其自動化 - 系統與控制 - 機器人控制的轉化。

本科因為對電力系統並不是特別感興趣,而對現代控制論很感興趣所以畢業論文選擇了控制方向,而後在荷蘭代爾夫特理工大學學習系統與控制。

@fly qq 講的系統建模,確實是控制中非常重要的一個研究方向,但是控制不止於此,建立模型只是控制的開始。代爾夫特的系統控制碩士的課程規劃對於一個想做控制的人來說真的非常好,廣度和深度都有了,我學習了現代控制論,基於least-square的系統辨識,卡爾曼濾波,數字控制論,非線性控制,模型預測控制,優化和魯棒控制。

如果了解這些課程,其實會發現,我的碩士課程其實非常的理論,這也是控制工程本身的軟肋所在,控制本身更偏嚮應用數學,而非工程。所有的系統,無論電氣,機械,生物,化學系統在控制工程師眼裡,就是一堆differential equations。這也使我在做碩士畢業論文的時候,決定要找到一個實際存在系統作為背景來做控制,而不僅僅在純數學裡研究各種控制演算法。我選擇了機器人領域,可能因為本身控制的背景很強,加上歐洲有很多做控制方向的機器人研究所,我最終拿到了德國航空航天中心(DLR)機器人機電一體化研究所的碩士論文機會,從此也從純控制轉到了機器人領域。

有關人工智慧,我最近也是剛剛上完Andrew Ng的機器學習並且正在學習深度學習,看完機器學習最深的感受就是,這個也就是優化而已吧,只是整體的structure不太一樣,使用了神經網路或者是SVM,然後gradient用backprop來計算,但是其根本也就是在做優化啊。

我覺得,是否轉入人工智慧(其實我不太喜歡這個詞,因為覺得太寬泛了)並不重要,如果想了解這方面的知識,因為控制本身所要求的數學背景,應該也不會太難。但是如果要做控制,就要好好想想,自己要在哪一個實際的系統上做控制演算法。

控制本身也有機器學習不具有的優勢,就是系統的穩定性可利用數學的方式判定,這也意味著在某一些特定的領域,機器學習(暫時)還並不適用

說了這麼多,我現在也會後悔當時沒有進入robotics + machine learning這個領域,我在Delft的準備做碩士畢業論文的時候,正是我的導師Prof. Jens Kober剛剛來Delft的時候,那時候還沒有人選擇和他做畢業論文,而我因為要做robotics,所以聯繫了他,並且他也同意做我的導師,結果當時拿到了DLR的這個offer,因為DLR號稱歐洲最好的機器人研究所,被虛名所蒙蔽,選擇了去DLR,然後遇到了 @王珂 ,聊了一下發現,Jens Kober師從歐洲machine learning/robotics大牛Jan Peters,在業內小有名氣,可惜這個時候後悔已經來不及了,後來申請機器人+機器學習的PhD也全被reject。

但是在歐洲依然有很多很有名氣的組在做control + robotics,這個方向也大有可為。


浮躁的社會一直有.

01年的互聯網, 08年物聯網雲計算, 11年的大數據, 15年的機器人, 16年的人工智慧.

---- 我們來分析一下為什麼會有這一波, 然後再看看自己要不要參加:

--為什麼有這一波?

阿里巴巴的寶藏, 芝麻開門之後, 一群人進去, 拿著寶貝出來了. 我們乾瞪眼看著.

花生開門之後, 又一群人進去了, 拿著寶貝出來了, 我們乾瞪眼看著.

這時候, 香蕉開門, 黃豆開門, 大米開門..... 我們不浮躁才奇怪呢!!!

這時候, 提出大眾創新萬眾創業, 寧可過多人進來有泡沫空手而歸, 也不能去少人了, 被別人搬走.

代價是, 很多人創新創業重複, 沒分到多少; 收穫是, 我們中國是這一輪 balabala都開門 的科技大突破之後的組合創新的最大的受益者.

---- balabala都開門.

---然後看自己要不要參與?

我99年在大三, 被互聯網忽悠到一愣一愣的, 但是因為沒有積累, 而且沒有學校保留學籍這麼一說, 選擇繼續好好讀本專業. 但是肯定是多在互聯網, 軟體方面, 多點了幾個技能點.

現在人工智慧這麼火, 你能看清楚方向?? 如果你都能, 那些專門干這個的公司在吃什麼??

我們只要相信我們自己不是最聰明的就可以做很多正確決策.

我的建議是: 其興也勃, 其亡也忽.

翻譯成人話, 就是"讓子彈飛一會".

深度學習, RNN, DL, GAN, 這兩天的刷屏膠囊, 當時硬學, 累死人. 概念一堆.

等上半年, google API開源; 再過半年, BAT出平台, 再半年, 專業公司出現, API文檔齊全, 這時用幾天時間把過去一年多的東西整理好, 系統學會. 而不要"跟劇".

跟劇, 是一種效率很低的學習方法.

結論: 人工智慧, 要學, 不緊跟, 不掉隊.

----

下面說控制的未來:

畢竟自控專業畢業, 做製造業10多年了, 做機器人也有4年了, 說說感覺.

自動化, 包括機器人, 冷了20年, 大部分人才都跑到金融, 投資,IT 領域去了.

所以, 控制本身, 不和被控對象結合, 就沒意思; 結合了呢, 就隨人家姓了.

聽明白了么? -- 自動化不像化工, 機械, 環境, 熱能, 建築, 汽車這些專業, 有自己的領地.

把控制理解為邏輯控制的, 請靠邊;

做控制, 不理解PID, 不理解動力學, 不理解系統穩定性的, 請靠邊.

這種"流程"是可以不以控制理論為基礎的, 高中生經過良好職業培訓就可以做. -- 大部分公司招控制工程師, 電控工程師, 其實要的是這種.

純控制的人, 需求量小; 還是把電控加進來, 然後學一些PLC, DCS, 物聯網, 嵌入式編程, 成為一個實用者吧. 至於純控制, 真的遇到的時候, 能想到PID, 自適應, 就可以了.


提供一個折中的可能,僅供參考。

ETH 的 Optimal Learning Control for Autonomous Robots 課程:

adrl:education:lecture [LAB]

Lecture Notes:

[1708.09342] Optimal and Learning Control for Autonomous Robots

兩個相關提問:

有哪些傳統自動控制、機器人等與人工智慧、機器學習結合的相關資料(包括書、課程、Notes、論文等)?

傳統自動控制、機器人等與人工智慧、機器學習的結合點(包括已有的和可能的)有哪些?如何結合?


現在搞傳統控制(比如過程式控制制和電機控制)的就業市場就是遠不如cs和機器學習類的,這個客觀事實要承認。機器人類的待遇還不錯,但是崗位數量絕對比不過。

自動化專業算是和cs也靠的上,轉去做機器學習無論是什麼動機都無可厚非。換個角度想,人工智慧和信號,通信,嵌入式等等,不也是廣義的自動化的一部分么。

至於堅持留下做控制的希望是真正的出於興趣和熱愛,但絕對不要出於虛無縹緲的情懷。

-舉個例子,就比如說自動化的一定就要搞控制,不搞控制的就是異端,就是叛徒-這完全不make sense


有人曾經說過,「一個人的命運啊,當然要靠自我奮鬥,但是也要考慮到歷史的進程。」

  1. Hyper-cycle

    每一種技術會經歷一個hyper-cycle,隨著GPU、CNN、GAN、AlphaGo這些trigger的誕生,人工智慧的快速爆發期,市場對AI的期望很高,資本也大量流入,資本流入的目的是培養人才、培養市場、培養技術、炒作股值吸引新的投資。

    AI的期望何時達到peak我不清楚,但是很明顯,已經投身AI領域的人肯定是受益者,工資相比其它領域相當的高。這裡頭我認為投資燒錢的成分很明顯,並不是說AI從業者創造的價值就那麼高,而是資本家有足夠的錢去拿給開發者們燒,只要AI的市場期望能保持高漲,投向AI領域的錢就不會停。

    控制學科本身沒有問題,只是它目前並不在歷史進程的快速增長期。

    當然AI技術,也是技術,剝掉了媒體給它的光環,還是一些數學、計算機的方法和實現。

    所以,AI在達到市場期望的peak之後,該燒的錢都燒了,該嘗試的業務都嘗試了,不靠譜的想法也被驗證出來了,必定也會進入幻滅期,很多錢跑了,不給你燒了,只有真正產生價值的公司和個人,才能繼續玩,產生多少價值決定了賺多少。

    一旦AI領域的實現平台標準化、通用演算法壟斷化、前期湧入人才飽和化,AI領域的也會進入平穩發展期。當然什麼時候到就不清楚了。但是千萬別信大CEO的大餅,比爾蓋茨還說21世紀是生物的世紀呢。

    控制目前就是平穩發展期,PLC、機械臂、數控機床、化工執行器這些東西都是很成熟的但很需要積累的東西,投資這些東西周期長回報率低。控制演算法就更別提了。
  2. 歷史的進程

    計算機有了,互聯網有了,移動終端有了,移動互聯網有了,

    下一步是啥?就是運行在海量終端和雲端上的演算法,說的好聽一點叫AI。

    所以布局AI是互聯網公司不可避免的下一步。

    互聯網想炒紅AI,那AI肯定會紅,楊冪、鹿晗哪個不知道流量才是王道。
  3. AI+Control

    有些答案在強調model based和data based的區別。很明顯,data和model本身就不是割裂的,模型需要數據來辨識,數據是用來訓練模型的,本質區別在於,model based是針對特定任務的模型,具有可解釋性,辨識高效,而data based追求的是通用模型,不一定具有可解釋性,學習依賴數據完備性。

    強調模型收斂性是很有道理的,可是,理論上的收斂性證明和模擬上的收斂性驗證,我認為說白了都是模擬,最終還是要歸結到實驗上。控制理論里的收斂和ML里的測試集效果,我認為都是在一定假設/測試集下的結論。拿到實際環境下,誰也說不準,但是如果模型具有可解釋性,我們就可以方便地對模型參數直接進行調參,而ML只能對超參數進行調參。

    很明顯,AI在底層控制完全沒有用武之地,底層控制器本身就成本很低、運算能力很差。但是在決策規劃層,AI還是有很大的用武之地的。你可以想想你目前看到的產品,有沒有可以自主決策規劃的實體系統?
  4. 戰略上重視AI,戰術上輕視AI

    AI作為在算力提高的前提下的一門新興技術,其潛在價值不可小覷,深度學習由於對計算機和數學的雙重重度依賴,難度也非常的大。但是哪門技術難度不大?英偉達的GPU好做嗎?波士頓動力仿生機器人的控制好做嗎?機械里的高精度機床好做嗎?生物製藥和強生公司的化學產品好做嗎?

    得益於現在的開源,很多實習生、本科生都可以上手AI,所以戰術上不必覺得AI有多高大上,你要想學而且有編程基礎,也可以在比較短的時間內入門。當然,就算你入門了AI,你仍然面臨每個領域的問題,你是調參俠呢還是頂會俠?你控制的是直流電機呢還是四足大狗?

    很明顯,大家都是普通人。但是調參俠的收入和崗位量,優於直流電機俠。
  5. 控制工程是平穩增長期的傳統行業

    假設不打仗、製造業不復興、無人系統不出現革命性技術,控制工程看不到火熱的未來,只有踏踏實實地做系統,爭取成為尖端人才。
  6. 最後請問題主,「我們畢竟都是自動化出身,控制才是核心。」控制的核心是什麼?


大量實驗數據經由牛頓神經網路學習,升級為牛頓第三定律。現在若是用卷積或其他神經網路訓練那些實驗數據,很難想像會出現這麼漂亮的定律。放著那些偉大人物的神經網路作結果不用,而一頭扎進混亂的新型網路中,對控制來說就是本末倒置。


本來就沒有…

現在一波深度學習浪潮反而帶來了一條生路…


控制發展了這麼多年,說不好聽一點,好吃的肉早就沒有了,湯都不剩多少了,大概剩的都是難啃的骨頭了吧。

人工智慧現在確實是火熱,但也是這幾年新的方法引入,政府站台,資本熱炒的結果。人工智慧里的部分方向作為控制領域的一個分支學科,縱向地看它的發展,具有浪潮式的特點,一個新方法的提出,一大波人蜂擁而上,很快到瓶頸以後就開始冷卻,一直到下一個打破僵局的方法出現,又會循環往複這樣的過程。

正如之前有的答主提到的那樣,控制的核心和精華在於建模(模型),目前人工智慧機器學習的演算法在數據(大數據)。那麼如何能很好地利用這些新的處理數據的方法來更好的為控制建模服務,如何將控制模型很多的思想引入現在的人工智慧,而不像現在這樣大部分還是依靠數據的優勢。都是值得思考和認真研究的問題。

這東西一割裂了看,好像是半江瑟瑟半江紅,但為什麼不把人工智慧的發展看成是控制學科迎來的新的發展機遇呢?

以上,個人淺見,不喜勿噴。


我本科也是學控制的,現在已經入門機器學習和深度學習4個多月了。

記得大三學自控的時候,上課怎麼也聽不明白。後來,期末考試前再學了一遍,出國考研的時候又學了一遍,研一上專業課又學一遍。一共四遍,自我感覺學得還算不錯了。

而這裡我想說一說自控和機器學習的關係,就用《倚天屠龍記》里的武功來打個比方。

自控本身包含了很多高數和數學建模的知識,它給我們帶來的是深厚的數學基礎和數學思維。就像《倚天屠龍記》中張無忌練的《九陽神功》,給他打了一個無敵的內功底子。

而機器學習就像《乾坤大挪移》。很多人像楊逍練了多年也只得其形,不見其髓。而張無忌修鍊《乾坤大挪移》卻很快。

當然機器學習還有概率論等數學知識,但總歸不算難。現在機器學習又這麼火,既然不算難,學的人自然就多了。


傳統控制的地位是永遠也不能被取代的

數學上可以證明傳統控制的穩定性

在工業機器人機械臂中肯定少不了傳統控制

在結構環境中的移動還會以傳統控制為主

但是到了非結構環境中一定要學習的方法

對數學功底要求沒那麼高,要求有大量的數據


以後會機器學習的一大堆,但會控制論,會robotics的只有你啊,找準定位最關鍵。


繼續學好控制,然後再學點機器學習、深度學習,你就是唯一。


認為現在製造業很多自動化產品說到底核心和難點還是演算法問題。工業上的控制和學術上的控制概念是不一樣的,還是建議學學PLC和演算法一類。


現在工資高,不代表你畢業時工資還高,現在人才稀缺,不代表你畢業時人才還稀缺。

得益於GPU的發展,運算能力突飛猛進,讓之前不可能在合理時間完成的演算法變成了可能。

這波人工智慧、機器學習的得益者,大多數還是之前就在默默無聞的從事這個冷門專業研究的人,是他們讓這個方向變得火熱,自然他們賺的也最多,人家在吃肉,比如吳恩達、李飛飛這種。

跟風的,運氣好能喝湯,也就是現在畢業的這個方向的博士碩士們。

再晚入行的,估計只能聞聞味兒了。這幾年學這個的人太多了。如果是碩士,競爭力一般,博士又要5年吧,等出來了,黃花菜都涼了。

之前我遇到過一個做控制的人,他是做火箭方面的,聊過天。他的觀點是,人工智慧目前的理論基礎下,不可能用於關鍵控制,因為不具有可解釋性,也就是說,你不知道演算法到底是靠什麼來作出的判斷,它學到了什麼。

舉個例子,假如你要控制車速,一個PID就能做到,因為你可以證明,這個演算法最終會收斂,會穩定,你甚至可以給出在某個情況下,收斂需要的最長時間是多少。

如果用人工智慧的演算法,比如深度學習,你不能保證見過所有樣本,你也不知道機器學到了什麼,是根據什麼規則判斷出來的。如果我的直覺很准,你讓我做1000次判斷,我對了999次。但是我不告訴你我根據什麼判斷的,只說一句,直覺,你敢不敢讓我開車帶你出去玩兒?


控制有控制的未來。高端的部分,數學好了,那是維度上的碾壓。現在所謂的人工智慧也好大數據也好啊,這些東西呢,主流都是盲人摸象,也就是近些年趁著電費便宜,瞎搞一搞。早些年,谷歌預測流感的系統不穩定到直接就讓流感疫苗斷貨了。也就是谷歌能這麼不要臉的玩。而實際上很多領域如果你找不到穩定解就不用玩兒了。

低端的部分,PID估計再過二十年也不會被取代,因為這玩意便宜啊。比那些什麼,人工智慧啊大數據啊,這個那個的便宜多了好嗎?

當然,如果你想賺點快錢,轉行也可以。我這麼多年的經驗就是:走掉的人有新的成就,留下的人有堅持的收穫,唯有舉棋不定的人最後什麼都沒有。


硬體是個坑,什麼控制不控制,說白都是寫程序,為啥不寫些高價值的?

軟體是普通人能發揮較大價值的領域,會是幾十年的藍海。模式識別是現在就有實實在在的需求,跟生物那種腦洞未來的需求不一樣。

還記得本世紀初高考一窩蜂的報考CS,互聯網,現在來看這行業過熱了嗎?學CS的被坑了嗎?千萬別覺得你師兄師姐傻!


如果只想當一名搬磚工,調的一手好參數,我建議趁早放棄控制工程,投入Computer Science 巨大而充滿資本氣息的懷抱。

如果想要做出點屬於自己的東西,我可以負責任的說,控制出身的人絕對是自帶優勢的,不論是對入門級的researcher還是大牛。控制系對 系統 這一概念的理解絕對強於計算姬。而在進行接觸和學習的過程中,對於信號處理,各種控制方法,優化策略,以及這裡面每一方面所包含的數學知識,不說熟練掌握吧,至少在對系統和模型的認知上走在了前列。可以說控制系的人就算從頭接觸人工智慧,其良好的數學功底也使得他們很容易理解和吸收人工智慧的方法和思想。而我認為將來對人工智慧進一步發展,離不開模型的優化和革新,這對於控制工程來說絕對是得心應手的事。

當然,我這麼說是有點針對計算姬了,不過限於答主目前的水平和所處的環境,周圍大部分從事人工智慧領域的或者至少說是很火熱的都是投入在了計算姬系,所以我只是將控制系同計算姬系做一些對比,談談我的一些理解。實際上我認為二者最大的區別是前者精於Algorithm 而在Project 上比較不熟練,而後者Coding 能力爆表但是有些人根本不問演算法,甚至連一些基本的數學知識都一無所知。總而言之,我對控制工程的未來還是充滿信心的!


一窩蜂扎堆。Hinton幾十年如一日那叫初心,你幾年寒窗最後把自己局限在DL那叫跟風沒有主見對自己不負責。問問自己,學DL的目的是什麼。如果答案是改變世界,那我勸你趕緊找准方向,不要在某一特定數學工具上浪費寶貴青春。如果答案是眼下一分滿意的收入,當我沒說,只是十年後你還能否滿意今天的選擇那就不好說了。


非常有未來,control和learning結合還是很重要的


推薦閱讀:

怎樣確定滑模變結構系統滑模面的參數?
在生產線上給工業機器人編程是怎樣的體驗?
lqr控制的權重函數要如何定量選取?
自動控制、機器人等領域有沒有類似《數學之美》之類的書?
控制中有哪些亟待解決的問題?

TAG:互聯網 | 人工智慧 | 自動控制 |