智能制造的实现需要一个5层的金字塔结构

　　所有的优化算法有四大类：

　　一是建模，不确定性比较小，我们可以用传统优化或者是很多算法。

　　二是机器学习，主要基于统计方法。

　　三是增强学习，用于不确定性大到无法用统计的方法处理数据的情况。

　　四是进化计算。

　　常用算法各有各的特点，越下面的算法越准确，越上面的算法越不精确，用这种算法的时候往往是要结合的，所谓的上层算法必须要依靠下面的做法，我们人最终有很复杂的决策，具体还是需要人去做。所以人工智能面对真正问题的时候，必须要根据这一系列的问题特点去设计，这是很大的挑战。我们要把问题转化成计算机面对的问题，因为人毕竟跟计算机有很大的差异。

　　有了数据以后，我们要提取知识，然后模型只有两类，一类是数据模型，然后机器去控制，只要确定就可以控制了，还有一类有那么不确定性，就是语言规则，比较模糊的，那么就用于决策，数据信息所有都要经过数据学习来做，比如说信息回归、函数很多很多，包括深入学习也是一种应用网络的学习，这是直接从数据转化为信息。

　　控制最低级就是设计，最高层就是逻辑控制，就是决策判断，人能够做决策判断，因为不确定性有随机不确定性和模糊不确定性。如果知识是很模糊的话，所有的知识确定两种不确定性。

　　比如说，香港城市大学是一所好大学，这个信息是很模糊，说这句话的时候有多少自信呢?这个是随机的，我们人可以处理，但是对于机器来讲是比较难的。因为现在的模糊系统是有规则的，很难提取精确的信息，有模糊的记忆推理和反模糊化这种知识表达，但是不能处理随机过度的东西。

　　因此，我们做的工作就是增加第三维的随机信息，建立了三个维度的逻辑关系。

　　智能制造系统是多尺度的问题，因此智能制造是多尺度的集群，集成了各个学科。目前，在全球范围内，还没有一个教授的研究能够涵盖智能制造的所有领域，只能专注于某个方面。打个不太恰当的比方，如果说工业界是修车的，教授就是研究工具的，而企业界则是生产工具的，教授们的任务就是尽量提供更多的工具。

　　★李涵雄，博士，香港城市大学系统工程及工程管理系，和中南大学特聘教授。先后入选国家杰出青年基金(海外)获得者(2004)，教育部长江学者(2006)，国家“千人计划”专家(2010)和IEEE Fellow (2010)。长期担任国际权威期刊 IEEE Transactions on Cybernetics (2002 - 至今)和 IEEE Transactions on Industrial Electronics (2009 - 2015)的副主编和国内多个核心刊物的编委。出版系统建模和系统设计方面的英文专著 2本;在国际权威学术期刊上发表 SCI 论文 180 多篇。连续两年(2014，2015)被国际权威出版社 Elsevier 评为中国高被引学者。最近二十多年来一直从事智能制造方面的研究，侧重于工业过程的智能建模、设计与控制，和基于数据学习的智能决策。