在現(xiàn)代世界，我們認(rèn)為自動(dòng)化是理所當(dāng)然的，每天都從遍布全球的供應(yīng)鏈中受益，將大量商品送到我們的貨架上。但在幕后，貨物的生產(chǎn)和運(yùn)輸會(huì)產(chǎn)生許多優(yōu)化挑戰(zhàn)，例如包裝、調(diào)度、路線和裝配線自動(dòng)化。這些優(yōu)化挑戰(zhàn)是動(dòng)態(tài)的，并且隨著現(xiàn)實(shí)世界不斷變化。例如，由于不可預(yù)見的情況，預(yù)期的供應(yīng)路線可能會(huì)突然受到影響——例如，蘇伊士運(yùn)河可能被封鎖；由于火山爆發(fā)，航線可能會(huì)發(fā)生變化；由于沖突，整個(gè)國(guó)家都可能無法進(jìn)入。立法變化、貨幣崩潰和稀缺資源也是供應(yīng)方變量不斷變化的例子。

再舉一個(gè)例子，有時(shí)必須將新組件整合到機(jī)器或工作流程中（例如，用戶可能需要不同的材料或顏色）。目前，需要專業(yè)的人力來對(duì)系統(tǒng)進(jìn)行更改，或者在機(jī)器學(xué)習(xí)的情況下，額外重新訓(xùn)練和重新部署解決方案。以類似的方式，工業(yè) 4.0 的“數(shù)字雙胞胎”仍然嚴(yán)重依賴于問題描述和輸入分配可以在初始系統(tǒng)設(shè)計(jì)時(shí)一次性指定的概念。

最近的大流行凸顯了“及時(shí)”供應(yīng)鏈計(jì)劃的脆弱性。越來越明顯的是，在一個(gè)日益復(fù)雜和不確定的世界中，工業(yè)再也無法承受這種僵化。目前，制造業(yè)不得不在“Low-Mix High-Volume”（LMHV）和“High-Mix Low-Volume”（HMLV）之間做出固定選擇。工業(yè) 5.0 預(yù)期“高混合高容量”（HMHV）的前景，其中可以以低成本重新配置工作流程以滿足流體需求。為了實(shí)現(xiàn)這一點(diǎn)，需要“自動(dòng)化自動(dòng)化”，以便在問題或環(huán)境發(fā)生變化時(shí)消除人為干預(yù)和/或系統(tǒng)停機(jī)的需要。這需要系統(tǒng)“按命令工作”，對(duì)這些變化做出反應(yīng)，同時(shí)仍有合理的前景在現(xiàn)實(shí)世界的時(shí)間限制內(nèi)完成分配的任務(wù)。

“立即停止組裝 X：這是 Y 的規(guī)格，這是您的大部分舊效果器和一些新效果器。現(xiàn)在開始組裝 Y，避免這樣那樣的缺陷和浪費(fèi)。”

盡管最近廣泛談?wù)?ldquo;通用人工智能”（AGI）即將通過所謂的大型語言模型（如 GPT-3）到來，但所提出的方法都沒有真正能夠“按命令工作”。也就是說，如果沒有離線重新訓(xùn)練、驗(yàn)證和重新部署的停機(jī)時(shí)間，他們就無法承擔(dān)完全超出其訓(xùn)練集的任務(wù)。

很明顯，任何現(xiàn)實(shí)世界的智能概念都與對(duì)變化的反應(yīng)密不可分。一個(gè)保持不變的系統(tǒng)——無論它暴露了多少意外事件——既不是自主的也不是智能的。這并不是要貶低這種深度學(xué)習(xí) (DL) 方法的無可置疑的優(yōu)勢(shì)，這些方法作為一種針對(duì)難以明確指定的問題的綜合程序的手段已經(jīng)取得了巨大的成功。

那么什么樣的系統(tǒng)功能可以讓人工智能超越這種訓(xùn)練、凍結(jié)和部署范式，走向能夠不間斷的自適應(yīng)學(xué)習(xí)？考慮在制造工作流程中用來自不同供應(yīng)商的部件更換有缺陷的部件的需要，這可能具有不同的容差。隨著當(dāng)代人工智能的端到端黑盒建模，數(shù)字孿生過程必須重新進(jìn)行。為了解決當(dāng)代方法的局限性，需要進(jìn)行徹底的改變：一個(gè)可以直接推理組件更改后果的模型——實(shí)際上是更普遍的反事實(shí)“假設(shè)”場(chǎng)景。將工作流分解為具有已知屬性的組件并根據(jù)需要重新組合它們需要所謂的“組合性”。

迄今為止，組合性在當(dāng)代 AI 中一直存在，它經(jīng)常與較弱的模塊化概念相混淆。模塊化涉及將組件“粘合”在一起的能力，但這未能抓住組合性的本質(zhì)，即推理結(jié)果工作流的行為以確定并確保保留某些所需屬性的能力。這種能力對(duì)于驗(yàn)證和安全性至關(guān)重要：例如，系統(tǒng)能夠推理“采用替代制造商的發(fā)動(dòng)機(jī)將增加整個(gè)工廠的功率輸出，而其所有其他組件都保持在溫度范圍內(nèi)”。

盡管當(dāng)代神經(jīng)網(wǎng)絡(luò)方法擅長(zhǎng)從數(shù)據(jù)中學(xué)習(xí)規(guī)則，但它們?nèi)狈M合推理。作為希望從神經(jīng)網(wǎng)絡(luò)架構(gòu)中出現(xiàn)組合推理的替代方法，可以直接利用范疇論的結(jié)構(gòu)，即組合性的數(shù)學(xué)研究。特別是，它的子領(lǐng)域分類控制論關(guān)注雙向控制器作為基本的表示元素。雙向性是執(zhí)行正向和反向推理的能力：從原因到結(jié)果的預(yù)測(cè)，反之亦然。組合逆推特別重要，因?yàn)樗试S在任何規(guī)模的結(jié)構(gòu)表示中結(jié)合來自環(huán)境的反饋——這有助于從少量示例中快速學(xué)習(xí)。

給定一些期望的系統(tǒng)行為，然后學(xué)習(xí)任務(wù)是建立一個(gè)滿足它的聚合控制結(jié)構(gòu)。最初學(xué)習(xí)的結(jié)構(gòu)充當(dāng)后續(xù)學(xué)習(xí)的骨架。

隨著系統(tǒng)知識(shí)的增加，這個(gè)骨架可以用學(xué)習(xí)到的成分特性來裝飾，類似于如何確定 H2O 分子具有與其組成原子不同的特性。此外，正如“扔球”和“揮動(dòng)網(wǎng)球拍”可以被視為人類相關(guān)的肌肉骨骼動(dòng)作，相關(guān)任務(wù)可以共享一個(gè)骨骼控制器結(jié)構(gòu)，該控制器結(jié)構(gòu)通過來自任務(wù)的反饋以特定任務(wù)的方式進(jìn)行修飾。環(huán)境。這種因果結(jié)構(gòu)與特定任務(wù)的脫鉤可以促進(jìn)學(xué)習(xí)新任務(wù)，而不會(huì)出現(xiàn)困擾當(dāng)代方法的災(zāi)難性遺忘。因此，上述形式的混合數(shù)字符號(hào)方法可以結(jié)合神經(jīng)和符號(hào)方法的優(yōu)勢(shì)，通過具有明確的結(jié)構(gòu)概念和自適應(yīng)學(xué)習(xí)屬性如何組成的能力。關(guān)于成分屬性的推理基于系統(tǒng)當(dāng)前被命令執(zhí)行的工作。

總之，很明顯需要一種新方法來創(chuàng)建真正的自治系統(tǒng)：能夠適應(yīng)重大變化和/或在未知環(huán)境中運(yùn)行的系統(tǒng)。這需要不間斷的自適應(yīng)學(xué)習(xí)和對(duì)已知知識(shí)的概括。盡管有它們的名字，深度學(xué)習(xí)方法只是對(duì)世界的膚淺表示，無法通過學(xué)習(xí)過程在高層次上進(jìn)行操作。相比之下，我們建議下一代出現(xiàn)的 AGI 系統(tǒng)將在更廣泛的架構(gòu)中結(jié)合深度學(xué)習(xí)，具備直接推理其所知道的能力的能力。

系統(tǒng)對(duì)自己的表示進(jìn)行象征性推理的能力為行業(yè)帶來了顯著的好處：通過明確的組合表示，可以對(duì)系統(tǒng)進(jìn)行審計(jì)——無論是由人還是由系統(tǒng)本身在內(nèi)部進(jìn)行審計(jì)——以滿足安全和公平的重要要求。雖然學(xué)術(shù)上對(duì)所謂的 AGI 的x 風(fēng)險(xiǎn)有很多關(guān)注，但適當(dāng)?shù)闹攸c(diǎn)是在保留這些重要要求的同時(shí)重新分配控制系統(tǒng)任務(wù)的具體工程問題，我們稱之為交互式對(duì)齊的過程。只有通過采用這種值得信賴且高效的持續(xù)學(xué)習(xí)的控制系統(tǒng)，我們才能實(shí)現(xiàn)工業(yè) 5.0 所設(shè)想的下一代自主性。