控制工程中的人工智能

就像我们工程生涯中的许多其他时候一样，朴茨茅斯大学研究团队的成员昨天发现自己在控制工程中遇到了两个常见问题。像往常一样，一些内部控制回路必须以一种可预测的和期望的方式进行严格的计时，但外部循环必须决定那些可预测的内部循环要做什么;它们必须为内环中的控制器提供设定值(或参考点)或参考配置文件，以用作输入。可以人工智能(人工智能)在这类控制工程问题上有用吗?

- - -
编者按:这个在线版本大大扩展了印刷版的摘要，增加了人工智能工具的部分;模拟与数字;无界与有定义;智能机器，到目前为止;12个关键人工智能应用;人工智能提高计算机能力的4个方面;人工智能会背叛我们吗?提高决策质量;在人工智能变得可怕之前，更多的是人工智能;更聪明，有好处; Right tools for the right task; and Virtual world. Also see references and related links.
- - -

内部控制回路

控制工程就是让各种各样的动态系统(例如，机械系统)做你想让它们做的事情。这涉及到设计控制器。昨天我们面临的内环问题是为被控制的系统或设备创建合适的控制器。这就是将系统连接到传感器和执行器(在这种情况下，轮椅马达和用于避障的超声波传感器)，这些问题可以通过计算机中断、定时器电路、附加微控制器或简单的开环控制来解决。

内部控制回路类似于动物的自主神经系统。它们往往是控制系统，在很大程度上无意识地发挥作用，如调节心脏和呼吸频率、瞳孔反应和其他自然功能。

这个系统也是控制战斗或逃跑反应的主要机制，由沃尔特·坎农(1929 & 1932)首次描述;它使动物准备战斗或逃跑(Jansen et al.， 1995;Schmidt & Thews, 1989)。自主神经系统有两个分支:交感神经系统和副交感神经系统(Pocock, 2006)。交感神经系统是一个快速反应动员系统，副交感神经系统是一个较慢激活的抑制系统。在我们的案例中，这类似于快速控制动力轮椅电机，更缓慢地监控传感器系统，以紧急原因快速改变电机输入。

自动控制

当一个设备被设计成不需要有意识的人类输入来进行修正时，它被称为自动控制。自动控制系统最早在2000多年前被开发出来，一个例子是古埃及Ktesibios的水钟(公元前3世纪)。从那时起，许多自动控制设备在几个世纪中被使用，旧的通常是开环的，而最近的通常是闭合的。

相对早期的例子闭环自动控制在内部回路中使用传感器反馈的设备包括大约1620年由德雷贝尔发明的熔炉温度调节器和1788年由詹姆斯·瓦特发明的用于调节蒸汽机速度的离心式飞球调节器。当时的大多数控制系统使用调速器机构，麦克斯韦尔(1868)使用微分方程来研究系统的控制系统动力学。Routh(1874)和Hurwitz(1895)随后研究了系统的稳定性条件。这个想法是使用传感器来测量被控制设备的输出性能，这样这些测量结果就可以用来向输入执行器提供反馈，从而可以对某些期望的性能进行修正。

反馈控制器

反馈控制器开始作为独立的多用途设备被创建，Minorsky(1922)在通用电气研究实验室发明了三项PID控制，同时帮助安装和测试船上的一些自动转向。自那以后，PID控制器经常被用于内环，这些反馈控制器在20世纪50年代和60年代被用于开发关于最优控制的想法。最大原理在1956年(Pontryagin et al.， 1962)发展起来，动态规划(Bellman 1952 & 1957)奠定了最优控制理论的基础。随后在20世纪70年代，随机和鲁棒控制技术取得了进展。当时的设计方法是针对线性单输入单输出系统，并倾向于基于频率响应技术或微分方程的拉普拉斯变换解。计算机的出现和控制弹道物体的需要导致了状态空间方法的出现，这种方法倾向于用一阶微分方程系统取代一般的微分方程。这导致了现代系统和控制理论的发展，强调数学公式。

自适应控制

最近的控制器传统上是电动的，或者至少是机电的，但在1969年至1970年期间，泰德霍夫(Ted Hoff)发明了英特尔(Intel)微处理器，从那时起，微处理器(和内存)的价格大致符合摩尔定律，即集成电路上的晶体管数量大约每两年翻一番。所有这些都使得在内环中实现基本反馈控制系统变得更加简单，而最近的系统已经使用了鲁棒控制和自适应控制。自适应控制不需要先验信息，具有变化的参数，或者最初是不确定的。例如，当飞机飞行时，它的质量会随着燃料消耗而慢慢减少，或者在我们的例子中，一个电动轮椅的使用者可能会随着时间的推移变得越来越累。在这些情况下，需要一种低水平的控制律，它能随着条件的变化而自适应。

外部控制回路

内部控制回路需要输入。他们需要参考点或概况。这些最初只是一个设定值。例如，Ktesibios的水钟的输入是期望的水位，Drebbel的温度调节器的输入是特定的温度值。随着内部循环变得更加可靠，并且在很大程度上可以无人看管(尽管经常受到监控)，人们的注意力转向了位于内部循环之外的控制循环。

内部控制回路类似于动物的自主神经系统，外部控制回路类似于动物的大脑(Kandel, 2012)。也就是说，他们倾向于更有意识，更少自动预测。即使是扁虫也有一个简单而明确的神经系统，包括一个中央系统和一个外围系统，其中包括一个简单的自主神经系统(Cleveland et al.， 2008)。

大脑是行走、说话和吞咽等功能的高级控制中心。它控制着我们的思维功能，我们的行为方式，以及我们所有的智力(认知)活动，比如我们如何处理事物，我们如何感知和理解我们的世界及其物理环境，我们如何学习和记忆，等等。在我们的例子中，这类似于决定轮椅使用者想去哪里，用户可能想做什么，以及是否应该因此调整控制参数。在这两种情况下，外部循环中更复杂的高级控制只有在内部循环中的低级控制以合理可预测和可重复的方式起作用时才能起作用。

最初，控制工程都是关于连续系统的。计算机和微控制器的发展导致了离散控制系统工程，因为基于计算机的数字控制器和物理系统之间的通信由时钟控制。现在许多控制系统都是由计算机控制的，由数字和模拟组件组成，推进其成功的关键是无监督和自适应学习。

但是，计算机除了控制外部循环来为一些内部循环产生所需的输入之外，还可以做许多事情。许多人认为大脑可以被机器模拟，因为大脑是智能的，被模拟的大脑也一定是智能的;因此，机器可以是智能的。将大脑直接复制到硬件和软件中在技术上可能是可行的，这样的模拟将与原始的基本相同(Russell & Norvig, 2003;Crevier, 1993)。

计算机程序具有足够的速度和内存，但它们的能力只与程序设计者充分了解并放入其中的智力机制相对应。一些孩子通常在青少年时期才会发展的能力可能已经具备，而一些两岁孩子拥有的能力仍然没有(基本问题，2015)。事情变得更加复杂，因为认知科学仍然没有成功地确定人类的能力究竟是什么。智能控制的智能机制的组织可能与人类的不同。每当人们在某些任务上比计算机做得更好，或者计算机使用大量的计算来做得和人一样好，这就表明程序设计者缺乏对有效完成任务所需的智力机制的理解。或者，也许用另一种方式可以做得更好。

虽然控制工程师已经从传统的机电和模拟电子控制技术迁移到结合计算机化分析和决策算法的数字机电控制系统，但新的计算机技术已经出现在地平线上，可能会改变更多的事情(Masi, 2007)。随着微控制器和计算机在过去几十年里的发展，外循环变得更加复杂和难以预测，自John McCarthy在1955年创造了这个术语以来，它们开始被视为人工智能系统(Skillings, 2006)。

人工智能工具

人工智能是机器或软件表现出来的智能。控制工程中的人工智能通常不是模拟人类智能。我们可以通过观察其他人来了解如何让机器解决问题，但大多数智能控制方面的工作涉及研究世界上的实际问题，而不是研究人类或动物。

人工智能可以是技术性的和专门化的，并且通常被深入划分为相互之间通常根本不交流的子领域(McCorduck, 2004)，因为不同的子领域专注于解决特定问题。但一般智能仍然是长期目标之一(Kurzweil, 2005)，人工智能的核心问题(或目标)包括推理、知识、计划、学习、沟通和感知。目前控制工程中流行的实现方法包括统计方法、计算智能和传统的符号人工智能。整个领域是跨学科的，包括控制工程师、计算机科学家、数学家、心理学家、语言学家、哲学家和神经科学家。

人工智能中使用了大量的工具，包括搜索和数学优化、逻辑、基于概率的方法等等。我看过一篇关于七个人工智能工具的文章控制工程已被证明是有用的控制和传感器系统(桑德斯，2013);它们是基于知识的系统、模糊逻辑、自动知识获取、神经网络、遗传算法、基于案例的推理和环境智能。由于当今计算机的功能强大和价格低廉，这些工具的应用已经变得更加广泛，混合工具可能会得到更多的应用，这种混合工具结合了两种或两种以上的优势。与其他AI应用程序相比，控制工程工具和方法的计算复杂度往往更低，而且它们通常可以用低功能微控制器实现。适当部署新的人工智能工具将有助于创建更强大的控制系统和应用程序。其他影响控制工程的人工智能技术发展包括数据挖掘技术、多智能体系统和分布式自组织系统。

人工智能认为，至少有些类似人类智能的东西可以被如此精确地描述，以至于可以制造出一台机器来模拟它。这引发了关于思想本质的哲学问题，以及创造具有类似人类智能的人工智能的伦理问题，这些问题自古以来就在神话、小说和哲学中得到解决(McCorduck, 2004)。但是我们该怎么做呢?自古以来，哲学家和数学家就发展了机械推理或形式推理，对逻辑的研究直接导致了可编程数字电子计算机的发明。图灵的计算理论表明，一台机器，通过变换像“0”和“1”这样简单的符号，就可以模拟任何可以想象的数学演绎行为(Berlinski, 2000)。

这与神经学、信息论和控制论的发现一起，激发了研究人员考虑构建电子大脑的可能性(McCorduck, 2004)。

计算机现在可以在跳棋和国际象棋中获胜，解决代数中的一些应用题，证明逻辑定理，并说话，但一些问题所面临的难度，让社区中的每个人都感到惊讶。1974年，为了应对莱特希尔(1973)的批评和美国国会的持续压力，美国和英国政府都切断了AI领域所有无导向的探索性研究，只留下控制工程等领域的具体研究。

模拟与数字;无界与有定义

人脑(人类或果蝇)是一台模拟计算机(Dyson, 2014)。它不是数字计算机，智能也可能不是任何一种算法。是否有证据表明，可编程的数字计算机进化出了主动行动的能力，或者做出了不在人类编程选项列表上的选择?有什么理由认为数字计算机是大脑活动的一个很好的模型吗?我们不是数字机器。图灵机是离散状态/离散时间机器，而我们是连续状态/连续时间生物。

我们已经把神经系统作为非线性动力系统的连续模型取得了进展，但在所有这些情况下，系统的当前状态往往决定系统的下一个状态，因此下一个状态是由编程到计算机中的规律所决定的。在数字控制系统中，意识没有什么可做的，因为系统的当前状态完全足以应付下一个状态。

在未来的几十年里，人类可能会创造出强大的人工智能，但在1999年，我认为机器智能就在眼前(Sanders, 1999)。这一切所花费的时间比我想象的要长——一路上也有挫折(Sanders 2008)——但到目前为止发生了什么?

智能机器，到目前为止

机器智能研究的开端可能是制造一个“儿童机器”的想法，它可以通过阅读和学习经验来自我改进。第一次提出是在20世纪40年代，第二次世界大战后，许多人开始独立地研究智能机器。艾伦·图灵是第一批人之一，在他1947年的演讲之后，图灵预测到本世纪末将会有智能计算机。Zadeh(1950)发表了一篇题为“思考机器——电气工程的一个新领域”的论文，同年，图灵(1950)讨论了考虑机器智能的条件。他提出了现在著名的论点，即如果一台机器能够成功地在知识渊博的观察者面前伪装成人类，那么它就应该被认为是智能的。

1956年，一群计算机科学家聚集在新罕布什尔州的达特茅斯学院(Dartmouth College)，讨论一个全新的话题:人工智能。就在那次会议之前，约翰·麦卡锡(John McCarthy，现为斯坦福大学教授)创造了“人工智能”这个名字。这场辩论为进一步讨论机器如何模拟人类认知的各个方面提供了跳板。早期讨论的一个基本假设是，学习(以及人类智力的其他方面)可以被精确描述。麦卡锡将人工智能定义为“制造智能机器的科学和工程”(麦卡锡，2007;Russell & Norvig, 2003)。达特茅斯的与会者包括约翰·麦卡锡、马文·明斯基、艾伦·纽维尔和赫伯特·西蒙，他们后来成为数十年来人工智能研究的领导者。

到20世纪50年代末，该领域有许多研究人员，其中大多数人的工作都是基于计算机编程。明斯基(麻省理工学院实验室负责人)在1967年预测，“在一代人的时间内，创造‘人工智能’的问题将得到实质性解决”(Dreyfus, 2008)。1970年左右，这一领域遇到了意想不到的困难，因为任何机器都无法理解哪怕是最基本的儿童故事。机器智能程序缺乏四岁孩子的直觉常识，德雷福斯仍然认为没有人知道该怎么做。

现在(距离第一次会议已经过去近60年了)，我们仍然没有创造出“子机器”。程序仍然不能学到很多孩子从物理经验中自然学到的东西。

但是，在许多工业环境中，我们似乎正处于一个历史的节点上，我们的人类生物学显得过于脆弱、缓慢和复杂(桑德斯，2008)。我们正在转向强大的新控制技术来克服这些弱点，我们使用这种技术的时间越长，我们得到的就越多。我们的机器在更多的任务上超越了人类。随着它们与我们更加紧密地融合在一起，我们将我们的脑力与计算机能力结合起来，进行思考、分析、推断、交流和发明，许多科学家预测，技术变革的步伐将如此迅速和深远，以至于我们的生活将发生不可逆转的改变。

然而，一个根本的问题是，似乎没有人知道智力是什么。人、许多动物以及现在的一些机器都有不同种类和不同程度的智能。一个问题是，我们无法就我们想要称之为智能的计算类型达成一致。有些人似乎认为，人类水平的智能可以通过编写大量现在人们正在编写的那种程序，或者用现在用来表达知识的语言汇编大量的事实知识库来实现。然而，大多数人工智能研究人员现在似乎认为需要新的基本思想，因此无法预测何时才能实现人类水平的智能(McCarthy, 2008)。

12个关键的人工智能应用

机器智能确实结合了各种各样的先进技术，赋予机器学习、适应、决策和展示新行为的能力。这是通过神经网络(Sanders et al.， 1996)、专家系统(Hudson, 1997)、自组织地图(Burn, 2008)、模糊逻辑(Dingle, 2011)和遗传算法(Manikas, 2007)等技术实现的，我们已经将机器智能技术应用到许多领域。12种人工智能应用包括:

1. 组装(Gupta等人，2001;Schraft and Ledermann, 2003;古鲁等人，2004)
2. 建筑建模(Gegov, 2004;黄,2008)
3. 计算机视觉(Bertozzi, 2008;Bouganis, 2007)
4. 环境工程(桑德斯，2000;智利2008)
5. 人机交互(Sanders, 2005;赵2008)
6. 互联网使用(Bergasa-Suso, 2005;克雷斯,2008)
7. 医疗系统(Pransky, 2001;Cardso, 2007)
8. 机器人操作(Tegin, 2005;Sreekumar, 2007)
9. 机器人编程(图克斯伯里，1999;金正日,2008)
10. 传感(桑德斯，2007;Trivedi 2007)
11. 行走机器人(Capi et al.， 2001;Urwin-Wright 2003)
12. 轮椅辅助(斯托特，2000;裴,2007)。

人工智能提高计算机能力的4个方面

似乎有一些技术可以显著提高计算机在这些领域的实际能力(Brackenbury, 2002;桑德斯,2008)。人工智能帮助计算的四个方面。

1. 自然语言理解，提高沟通能力。
2. 机器推理提供推理，定理证明，合作，和相关的解决方案。
3. 用于感知、路径规划、建模和问题解决的知识表示。
4. 知识获取使用传感器自动学习导航和解决问题。

机器智能的发展方向是什么?在研究范围的一端，有方便的机器人设备，如iRobot公司的Roomba真空吸尘器，以及更个性化的机器人，如Hanson Robotics公司的对话角色机器人和机器人男孩Zeno，以及Ugobe公司的Pleo。这些新的“玩具”机器人可能是新一代无处不在、具有新功能的廉价机器人的开始。另一方面，研究实验室正在考虑直接的脑机接口和大脑的生物增强(以及随后的计算机模拟的超高分辨率大脑扫描)。

其中一些研究表明，在某些特定的应用领域，可能存在比人类更聪明的智能。然而，更聪明的大脑比更快的大脑或更大的大脑更难描述和讨论，那么“比人类聪明”到底是什么意思呢?我们可能还不够聪明，不知道(至少现在还不知道)。

人工智能会背叛我们吗?

让我们直接解决人工智能是否会毁灭我们所有人的问题(拉尼尔，2014)。在未来的几十年里，人类可能会创造出强大的人工智能，但这一切所花费的时间都比预期的要长，而且一路上都有挫折。到20世纪60年代中期，美国的研究得到了国防部的大量资助，世界各地都建立了实验室。研究人员很乐观，赫伯特·西蒙预测“机器将在20年内能够做人类能做的任何工作”，马文·明斯基也同意这一点，他写道:“在一代人的时间内……创造‘人工智能’的问题将基本上得到解决。”这些都没有发生，很多资金都枯竭了。

就在2014年12月，一份呼吁谨慎行事，确保智能机器不会超出我们控制范围的公开信得到了大量(而且还在不断增加)人的签名，其中包括人工智能领域的一些领军人物。对我们的创造物攻击我们的恐惧至少可以追溯到科学怪人时期，但随着计算机开始驾驶我们的汽车(和动力轮椅)，我们可能不得不解决这些问题。

斯蒂芬·霍金在信中指出:“随着这些领域和其他领域的能力跨越了从实验室研究到具有经济价值的技术的门槛，一个良性循环开始了，即使是性能上的微小改进也值得大量的资金，从而推动了对研究的更多投资。现在人们普遍认为，人工智能研究正在稳步发展，其对社会的影响可能会增加。潜在的好处是巨大的，因为文明所提供的一切都是人类智慧的产物;我们无法预测，当这种智能被人工智能可能提供的工具放大时，我们会取得什么成就，但消除疾病和贫困并非遥不可及。由于人工智能的巨大潜力，研究如何在获得其收益的同时避免潜在的陷阱非常重要。”

其他作者补充说，“我们的人工智能系统必须做我们想让它们做的事情”，他们已经制定了研究重点，他们认为这将有助于“最大化社会效益”。最主要的担忧不是幽灵般的涌现意识，而只是做出符合我们价值观的高质量决策的能力(拉尼尔，2014)，这是另一种难以确定的东西。

一个优化变量函数的系统，其目标取决于变量的子集，通常会将剩余的无约束变量设置为极端值，例如0 (Russel, 2014)。但如果这些不受约束的变量中有一个是我们真正关心的，那么任何解都可能是非常不可取的。

提高决策质量

这本质上是关于灯里的精灵的古老故事;你得到的正是你想要的，而不是你想要的。随着高级控制系统成为更有能力的决策者，并通过互联网进行连接，那么它们可能会产生意想不到的影响。

这不是一个小困难。提高决策质量一直是人工智能在控制工程中的一个目标。随着概念框架的逐步到位，以及构建模块在数量、大小和强度上的增加，研究一直在加速。与几年前相比，高级人工智能研究人员明显更加乐观，但对潜在风险的担忧也相应增加。

我们需要构建有用的智能，而不仅仅是创造纯粹的智能。人工智能是一种工具，而不是威胁(Brooks, 2014)。他说:“放松;因为这一切都来自于对正在取得的进步的本质的根本性误解，来自于对我们距离拥有人工智能生命还有多远的误解。担心我们很快就会开发出恶意的人工智能是错误的，这种担忧源于没有区分控制工程的真实最新进展，以及构建有感知的人工智能的巨大复杂性。

机器学习允许我们教授诸如如何区分输入类别以及如何将曲线与时间数据拟合等内容。这让我们的机器知道动力轮椅何时会与障碍物相撞。但这只是问题的一小部分。这种学习并不能帮助机器了解人类轮椅司机或他的意图或需求。任何恶意的人工智能都需要这些能力。

我们正在创造的智能动力轮椅系统无法将他们的理解与更大的世界联系起来。他们不知道人类的存在(Brooks, 2014)。如果它们即将遇到障碍物，它们也不会区分人类和其他障碍物。系统甚至不知道动力轮椅的存在，尽管人们训练这个系统，这个系统就是为我们服务的。但他们对世界了解不多，而控制者只有一点点常识。例如，他们知道，如果他们正在驾驶马达，但由于某种原因不再移动，那么继续运动就没有任何意义了。但它们在障碍物或被检测到的人与训练它们的人之间没有任何语义上的联系。

在云机器人技术中有一些有趣的工作，将许多机器人学习的语义知识连接到一个共同的共享表示中。这意味着一个人学到的任何东西都会很快被分享，对所有人都有用，但这只会让机器学习问题变得更大。它实际上是在应用中找出方程和问题，这将使我们在控制工程中取得有用的进展。这不仅仅是在问题上投入更多的计算。让我们继续发明更好、更有用的人工智能。这将需要很长时间，但在这一过程中，控制工程将会得到回报。

世界上有很多不好的事情，但很少与人工智能有关。有这么多人为的潜在灾难，我们可能更明智地担心恐怖主义和气候变化(斯莫林，2014)。如果我们要作为一个工业文明生存下来，并解决气候变化等问题，那么地球上必须有一个自然和人工控制系统的综合。就控制地球上碳循环的反馈系统具有基本智能而言，这就是自然和人工智能的融合可能对人类产生决定性影响的地方。

在人工智能变得可怕之前，更多的是人工智能

人工智能可能只是一个假的东西(Myhrvold, 2014)。它可能只是给原本应该是技术领域的东西增加了一个不必要的哲学层面。如果我们谈论人工智能研究人员可能感兴趣的特定技术挑战，我们最终会得到一些乏味的东西，但这更有意义。例如，我们可以讨论控制系统中分类之间的模糊逻辑决策。我们的程序能识别出一个坐轮椅的人想要靠墙很近(比如开灯)之类的事情吗?控制工程中那种智能解决问题的方法并不能创造出任何生命，当然也不能创造出比我们优越的生命。如果你把人工智能作为一套技术，作为数学或控制工程的一个研究领域，它会带来好处。如果我们把它当作神话来谈，那我们就浪费时间和精力了。

如果人工智能工作得如此之好，以至于它即将变得可怕，那将是令人兴奋的(Wastler, 2014)，但给人类和世界带来真正问题的部分是执行器，因为它是改变物理的界面。控制它的是我们的控制系统。把这个问题看作某种流氓自治算法，而不是考虑执行器，是错误的。真正造成危害的是控制系统控制的执行器。一些人工智能神话似乎类似于一些关于宗教的传统观念，但应用于技术世界。阈值的概念(有时被称为奇点或超级智能等)类似于某种关于神性的迷信观念(Lanier, 2014)。

也就是说，作为控制工程师，我们可能需要更加关注两岁或三岁的人工智能儿童版本。两岁和三岁的孩子不明白他们什么时候是破坏性的，但如果他们的错误导致了更多的监管，那就很难了。如果我们的轮椅为了避免撞到猫而行驶在一辆巴士下面，那么就会有有趣的问题需要回答，但监管只是把工作送到海外，阻碍了“受信任的”玩家，而黑客仍然在继续。

更聪明，有好处

机器和控制算法正在变得越来越智能，我们正在努力实现这一点，以便我们能够享受真正的好处，但这些智能机器应该做什么，不应该做什么?他们应该决定在战场上还是在医疗领域杀死谁?的人工智能发展协会已经正式详细讨论了这些伦理问题，有一系列的小组讨论，并且正在计划扩大努力(Muehlhauser, 2014)。

不过，也有负面意见。哲学家约翰•塞尔(John Searle)表示，非生物机器具有智能的观点是不连贯的;休伯特·德雷福斯说，这是不可能的。计算机科学家约瑟夫·韦岑鲍姆(Joseph Weizenbaum)表示，这种想法是淫秽的、反人类的、不道德的。很多人都说，既然人工智能到目前为止还没有达到人类的水平，它可能永远也达不到。还有一些人对他们投资的公司破产感到失望(基本问题，2015)。

人工智能的7大突破

最近的七大突破可能会推动人工智能的发展:

1. 廉价的并行计算可以提供相当于数十亿神经元同时放电的效果。
2. 大数据可以帮助使用存储在服务器上的大量数据进行分类。
3. 更好的算法，如堆叠层中的神经网络，每层都有优化的结果，将允许学习的积累更快。
4. 越来越多的低成本计算能力，以及计算机科学和工程的进步，正在影响控制工程的发展。
5. 控制问题的递归算法解现在是可能的，而不是寻找封闭形式的解(Kucera, 2014)。
6. 控制系统是决策系统，这导致了跨学科研究和交叉施肥。新兴的控制领域包括混合控制系统(由顺序机器控制的连续动态系统)、模糊逻辑控制、并行处理、神经网络和学习。控制系统理论也有利于信号处理、通信、数值分析、运输和经济学。
7. 模拟计算正在卷土重来，尤其是在控制工程领域。机器最终可以像人类一样思考甚至更好的想法是受欢迎的(Myhrvold, 2014)，但我们的大脑是一个模拟设备，如果我们要担心人工智能，我们可能需要模拟计算机，而不是数字计算机。也就是说，模型永远不是现实，如果我们的模型有一天超越了它们所建模的现象，我们就会有一个一次性的新奇之处。

人们似乎害怕的主要事情是，人工智能可能会接管他们认为应该由人类做出的决定，例如驾驶汽车或电动轮椅，瞄准和发射导弹。这些可能是生死攸关的决定，它们既是工程问题，也是伦理问题。

如果一个人工智能系统做出了一个让我们后悔的决定，那么我们就会改变它的算法。如果人工智能系统做出了我们的社会或法律不认可的决定，那么我们将修改管理它们的原则或创造更好的原则。当然，人类工程师会犯错，智能机器也会犯错，甚至是大错误。像人类一样，我们需要不断地监控、教导和纠正它们。人工系统的行为将受到大量审查，但更广泛的问题是，我们对什么是合适的还没有达成共识。

用正确的工具完成正确的任务

机器智能和机器决策是有区别的。我们不应该害怕智能机器，而应该害怕机器做出它们不具备智能的决定。对于人类来说，危险的是机器的愚蠢，而不是机器的智能(Bishop, 2014)。一个问题是，智能控制算法可以做出很多好的决定，然后有一天会做出一个非常愚蠢的决定，并因为一些从未出现在训练数据中的事件而失败。这就是有限智力的问题。我们应该对自己的愚蠢感到恐惧，而不是对尚待发明的算法假想的聪明或愚蠢感到恐惧。人工智能机器没有情感，也永远不会有，因为它们不受自然选择的影响(Ingham & Mollard, 2014)。

对于特定类型的学习和聪明，没有智力的衡量标准或基准，因此很难知道我们是否在提高(Kelly, 2014)。我们绝对没有任何尺子来衡量智力的连续性。我们甚至没有对智力的统一定义。不过，人工智能在控制工程中似乎变得越来越有用，部分原因是通过反复试验和排除无法工作的控制算法和机器。当人工智能系统犯错时，我们可以决定什么是可以接受的。由于人工智能系统正在承担人类所做的一些任务，我们有很多东西可以教它们。如果没有这种教学和指导，它们将是可怕的(就像许多工程系统一样)，但作为控制工程师，我们可以提供这种教学和指导。

虚拟世界

作为人类，我们只能通过神经系统生成的虚拟模型来了解物理世界，我们认为这个虚拟模型就是现实。甚至我们的生活历史和记忆都是一种神经结构。我们的大脑创造了我们赖以生存的故事。这些叙述并不精确，但也足以让我们随波逐流。虽然我们可能在特定的任务上更胜一筹，但总的来说，我们在与机器的竞争中往往表现良好。机器远远不能模拟我们的灵活性、狡猾、欺骗、愤怒、恐惧、复仇、攻击和团队合作(Brockman, 2014)。

在尊重深蓝有限的下棋能力的同时，我们不应该被它吓倒。事实上，智能机器已经帮助人类成为更好的棋手。随着人工智能的发展，我们可能不得不设计方法来防止它们产生意识，就像我们设计控制系统以确保安全一样。毕竟，即使有沃森或深蓝，任何人都可以拔出插头，用锤子把它打成碎片(普罗文，2014)……我们可以吗?

- David A. Sanders(工程)和Alexander Gegov(计算机科学)，朴茨茅斯大学，英国;由内容经理马克·霍斯克编辑，控制工程，mhoske@cfemedia.com．

在线

考虑一下这个

更频繁的控制软件升级可能更有利，因为程序使用了更多有用的人工智能原理。

网上临时演员

这篇长达15页(大致相当于纸质文章)的在线文章总结在控制工程2015年2月号。

相关链接和参考资料请参见下面，其中包括桑德斯2013年12月的一篇文章，“人工智能工具可以辅助传感器系统。”

人工智能发展协会

www.aaai.org

人工智能工具可以辅助传感器系统

当应用于传感器系统时，至少有七种人工智能(AI)工具是有用的:基于知识的系统、模糊逻辑、自动知识获取、神经网络、遗传算法、基于案例的推理和环境智能。见图。

人工智能:模糊逻辑解释

对于我们大多数人来说，模糊逻辑:它并不像你想象的那么模糊，多年来一直在幕后默默地工作。模糊逻辑是一种基于规则的系统，它可以依赖于操作人员的实际经验，对于获取有经验的操作人员知识特别有用。以下是你需要知道的。

参考文献

Bar-Cohen Y(2003)。使用人工肌肉驱动生物智能机器人。工业机器人:国际期刊。卷30 (4)，pp 331-337。

基本问题(2015)。基本问题:什么是人工智能?斯坦福大学。https://www-formal.stanford.edu/jmc/whatisai/node1.html。2015年1月15日访问。

贝尔曼R(1952)。关于动态规划理论，国家科学院学报。贝尔曼RE(1957)。动态规划。普林斯顿大学出版社，美国新泽西州普林斯顿。再版2003:Dover, ISBN 0-486-42809-5。

Bergasa-Suso J, Sanders DA, Tewkesbury GE(2005)。基于浏览器的智能系统，以协助互联网用户。《电子工程学报》(4)，pp 580-585。

Berlinski D(2000)。算法的出现。哈考特书。ISBN 0-15-601391-6。

李文杰，李志刚，李志刚，李志刚(2008)。GOLD:开发智能汽车视觉应用的框架。IEEE智能系统。卷23 (1)，pp 69-71。

M主教(2014)。害怕人工愚蠢，而不是人工智能。《新科学家》。https://www.newscientist.com/article/dn26716-fear-artificial-stupidity-not-artificial-intelligence.html#.VLlxA6P4vK0．2015年1月15日访问。

Bouganis A, Shanahan M(2007)。基于视觉的二维不规则形状包装智能系统。IEEE自动化科学与工程学报。卷4 (3)，pp 382-394。

(2002)。机器智能和图灵测试。IBM系统期刊。卷41 (3)，pp 524-529。

Brockman J(2014)。人工智能的神话——与杰伦·拉尼尔的对话。边缘。https://edge.org/conversation/the-myth-of-ai。2015年1月15日访问。

布鲁克斯R(2014)。人工智能是一种工具，而不是威胁(https://www.rethinkrobotics.com/artificial-intelligence-tool-threat)中的“反思机器人”https://www.rethinkrobotics.com/category/rethinking-robotics访问2015年1月14日。

坎农W(1932)。身体的智慧。美国:W.W.诺顿公司。ISBN 0393002055。加农WB(1929)。身体在疼痛、饥饿、恐惧和愤怒时发生变化。纽约:Appleton-Century-Crofts。

王志刚，王志刚，王志刚(2001)。利用智能算法实时生成人形机器人最优上楼步态。工业机器人:国际期刊。第二十八卷第六期;页489 - 497。

卡索JS和卡多斯MJ(2007)。面向乳腺癌保守治疗美学评价的智能医疗系统。人工智能在医学领域。卷40(2)，第115-126页。

克利夫兰HP Jr，罗伯茨LS，基恩SL，拉尔森A, L 'Anson H，艾森豪DJ(2008)。《动物学综合原理》第十四版。美国纽约州纽约州:麦格劳-希尔高等教育。p。733。ISBN 978-0-07-297004-3。

Crevier D(1993)。人工智能:人工智能的混乱搜索，纽约，纽约，美国:BasicBooks, ISBN 0-465-02997-3。

丁格尔N(2011)。《人工智能:模糊逻辑解释》控制工程。//www.globalelove.com/single-article/artificial-intelligence-fuzzy-logic-explained/8f3478c13384a2771ddb7e93a2b6243d.html。2015年1月15日访问。

Dreyfus HL和Dreyfus SE(2008)。从苏格拉底到专家系统:计算理性的限制和危险。伯克利研究生院的WWW页面(2015年1月15日访问)。https://garnet.berkeley.edu/~hdreyfus/html/paper_socrates.html

戴森G(2014)。当然，人工智能大脑将成为模拟计算机。空间河马。
https://space-hippo.net/ai-brains-analog-computers。2015年1月15日访问。

Feigenbaum E(1990)。知识处理——从文件服务器到知识服务器。《智能机器时代》，麻省理工学院出版社。

Gegov A(2004)。计算智能方法在建筑智能建模中的应用。软计算中的应用与科学。ISSN: 1615-3871(软计算进展ISBN: 3-540-40856-8编辑:Loffi A, Garobaldi J)， Springer-Verlag，柏林，pp 263-270。

古普塔SK, Paredis CJJ，辛哈R，布朗PF(2001)。智能装配建模与仿真，装配自动化。ISSN: 0144-5154，第21卷第3期，第215-235页。

大师SM, Fernando S, Halgamuge S，和Chan K(2004)。智能紧固采用A-BOLT技术和传感器网络。装配自动化。ISSN: 0144 - 5154。卷24(4)，页386-393。

赫德森AD，桑德斯DA，戈尔丁H等(1997)。污水处理行业专家设计系统的几个方面。系统架构学报43(1-5):59-65。

赫维茨(1895)。"我死于别丁根根，我死于欢乐，我死于不幸"数学年鉴第46期，莱比锡:273-284。

林志伟，张志伟(2014)。人工智能:霍金的恐惧引发争论。https://phys.org/news/2014-12-artificial-intelligence-hawking-debate.html。2015年1月15日访问。

Jansen A, Nguyen X, Karpitsky V, Mettenleiter M(1995年10月27日)。交感神经系统的中枢指挥神经元:战斗或逃跑反应的基础。科学杂志5236(270)。

Kandel ER(2012)。神经科学原理(编者:Kandel ER, Schwartz JH和Jessell TM)。Appleton and Lange: McGraw Hill, pp 338-343。ISBN 978-0-07-139011-8。

Kelly K(2014)。无标题的。边缘。https://edge.org/conversation/the-myth-of-ai。2015年1月15日访问。

金俊，崔敏，金敏，金松，金敏，朴松，李俊，金斌(2008)。智能机器人软件架构。第十三届先进机器人国际会议。发表于《控制与信息科学》讲座讲稿，第370卷，第385-397页。

克雷斯M(2008)。智能互联网知识网络:概念与智慧的加工。信息处理与管理。卷44(2)，第983-984页。

Kucera V(1997)。控制理论与IFAC四十年:个人观点。IFAC通讯特刊:IFAC成立40周年，第5页。https://web.dit.upm.es/~jpuente/ifac/newsletter40a/kucera.html．2015年1月15日访问。

库兹韦尔R(2005)。奇点即将来临。企鹅出版社。ISBN 0-670-03384-7。

拉尼尔J(2014)。人工智能的神话——与杰伦·拉尼尔的对话。边缘。https://edge.org/conversation/the-myth-of-ai。2015年1月15日访问。

李国强，李国强(2007)。通用智能:机器智能的定义。《思想与机器》。第17卷，391-444页。

詹姆斯·莱特希尔(1973)。《人工智能:概览》人工智能:论文研讨会。科学研究委员会。

Masi CG(2007)。模糊神经控制系统-解释。控制工程。//www.globalelove.com/single-article/fuzzy-neural-control-systems-explained/5c059c54afe9fbc0b7428ac58af007b6.html。2015年1月15日访问。

麦克斯韦(1868)。“关于管理者”:关于反馈机制的阐述。选自《英国皇家学会学报》第100期。

McCarthy J(2008)。“什么是人工智能?”斯坦福大学计算机科学系WWW网页(2008年6月19日检索)。https://www-formal.stanford.edu/jmc/whatisai/whatisai.html。2015年1月14日检索。

McCorduck P(2004)。会思考的机器:对人工智能历史和前景的个人探究。纽约，AK Peters报道。ISBN-10: 1568812051

米诺尔斯基(1922)。"自动转向体的方向稳定性"美国海军工程学会学报，34:280-309。doi: 10.1111 / j.1559-3584.1922.tb04958.x

米尔豪瑟M(2014)。Edge.org关于“人工智能的神话”的对话中的三个误解。机器智能研究所。https://intelligence.org/2014/11/18/misconceptions-edge-orgs-conversation-myth-ai。2015年1月15日访问。

Myhrvold N(2014)。无标题的。边缘。https://edge.org/conversation/the-myth-of-ai。2015年1月15日访问。

王志刚，王志刚，王志刚。(2008)。使用计算效率高的切比雪夫神经网络的智能传感器。科学测量与技术。卷2 (2)，pp 68-75。

裴俊，洪霍生，吕涛，颜奎(2007)。智能轮椅免提控制的头部手势识别。工业机器人:国际期刊。卷34(1)，页60-68。

Pocock G(2006)。人体生理学(第三版)。牛津大学出版社。页63 - 64。ISBN 978-0-19-856878-0。

庞特里亚金LS, Boltyanskii VG, Gamkrelidze RV, Mishchenko EF(1962)。最优过程的数学理论“，”英文翻译。跨学科。ISBN 2-88124-077-1。

Pransky J(2001)。未来的智能手术室——加州大学洛杉矶医学中心访谈工业机器人:国际期刊。第28卷第5期，第376-382页。

普罗文R(2014)。无标题的。边缘。https://edge.org/conversation/the-myth-of-ai。2015年1月15日访问。

罗斯EJ(1874)。关于给定运动状态的稳定性的论述，特别是，稳定运动，麦克米伦，伦敦，包括在罗斯，EJ(1877)。论给定运动状态的稳定性。麦克米伦。转载于“运动的稳定性”(编辑。AT富勒)伦敦1975年(泰勒和弗朗西斯)。

罗素S(2014)。神话和私酿烈酒。边缘。https://edge.org/conversation/the-myth-of-ai。2015年1月15日访问。

Russell & Norvig(2003)。《人工智能:现代方法》培生教育。ISBN: 0137903952。

桑德斯D(1999)。机器人的感知。工业机器人:国际期刊。卷26(2)，页90-91。

桑德斯D(2007)。力传感。工业机器人:国际期刊。卷34(3)，页177。Issn 0143-991x 10.1108/01439910738791。

桑德斯D(2008)。机器智能的进步。工业机器人:国际期刊。卷35 (6)，pp 485-487。ISSN 0143 - 991 x。

桑德斯D(2013)。人工智能工具可以辅助传感器系统。控制工程，12月13日，pp 44-48。ISSN 0010 - 8049。

桑德斯DA和哈德森AD(2000)。一个专门的黑板专家系统来模拟和自动化高再循环气升反应器的设计。数学与计算机在模拟53 (1-2)，pp 41-65。

Sanders DA, Urwin-Wright SD, Tewkesbury GE等(2005)。用于薄膜晶体管和阴极射线管计算机屏幕的指针装置。电子通讯41 (16)，pp 894-896。

Sanders DA, Haynes BP, Tewkesbury GE等(1996)。将神经网络添加到内部反馈路径，以改进预先训练的前馈估计器的使用。数学和计算机在模拟41 (5-6)，pp 461-472。

施密特A和修斯G(1989)。“自主神经系统。”在Janig, W.人体生理学(2版)。纽约州纽约:斯普林格-威拉格出版社。页333 - 370。

Schraft RD和Ledermann T(2003)。智能挑选混乱存储的对象。装配自动化，ISSN: 0144-5154。Vol. 23 (1)， pp 38-42。

Searle JR(1990)。意识，解释反转与认知科学。行为与脑科学13(4)，(12月)，第585-696页。

斯基林斯J(2006)。“让机器像我们一样思考。”“https://news.i.com.com。2012年3月10日检索。

斯莫林L(2014)。无标题的。边缘。https://edge.org/conversation/the-myth-of-ai。2015年1月15日访问。

Sreekumar M, Nagarajan T, Singaperumal M, Zoppi M, Molfino R(2007)。智能机器人形状记忆合金驱动器的当前趋势。工业机器人:国际期刊。卷34(4)，页285-294。

斯托特I，桑德斯D(2000)。新型动力轮椅系统用于一些严重残疾用户的康复。国际康复研究杂志。Vol. 23 (3)， pp 149-153。

张志刚(2005)。智能机器人操作中的触觉传感研究综述。工业机器人:国际期刊。卷32 (1)，pp 64-70。

杨建民，陈建民(1999)。一个新的机器人命令库，包括仿真。工业机器人:国际期刊。Vol. 26 (1)， pp 39-48。

程毅(2007)。智能驾驶员支持系统的整体传感和主动显示。电脑。卷40(5)，页60-62。

图灵A(1950)。计算机和智能。看来,1950年。

陈世峰，陈志强(2003)。使用前馈神经网络预测地形轮廓。人工智能工程应用“，”卷16(5-6)，第465-472页。

王勇(2007)。主题演讲。第六届IEEE认知信息学国际会议，CA，第3-12页。

沃斯勒A(2014)。埃隆·马斯克，斯蒂芬·霍金以及对机器的恐惧。CBN技术。https://www.cnbc.com/id/101774267#．2015年1月15日访问。

王军，李华，赖军(2008)。智能建筑系统的系统智能化评估。建筑自动化。卷17 (3)，pp 303-321。

枝。(1950)。思考的机器。电气工程的一个新领域。哥伦比亚工程季刊3:第12-13页和第30-31页。

赵敏，卢涛，刘志强(2008)。使用手势识别的智能非接触式外科-计算机接口。三维图像捕获与应用2008，电子成像技术研究进展。卷6805，页U8050-U8050。

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。