我写这个专栏的初衷是讨论最近很火的一个词，人工智能 (AI)。无论以何种标准衡量，人们对 AI 的兴趣都呈指数级增长，无论是人们可以阅读的有关该主题的文章数量，还是根据 Google 趋势，这些文章的搜索数量。
还有其他形式的人工智能，例如设计和形状优化、生成式设计和预测分析——仅举几例——人们可能会觉得聪明的员工应该感到受到威胁。一些专家说，人工智能很可能会取代我们所有人。
我认为它不会。我确实认为它会极大地帮助我们，增强而不是取代我们。
要理解原因，请考虑人们所说的 AI 只是数学。是的，你没听错，它只是数字和一些非常复杂的函数和计算的结合。我在这方面有一些经验。我涉足了这个领域ea在我职业生涯的早期，我编写了一个简单的神经网络，这是当今许多形式的人工智能背后的基础之一，得到了更广泛的接受。我这样做是为了更好地理解如何在图像分析中使用 AI，并且我开始意识到一些事情。
首先是使用大量数据来复制“人类”动作的 AI 形式只是统计建模和回归分析的一种形式——尽管是一种难以置信的极端形式。训练算法需要大量数据。对于优化或生成设计，使用不同的数学也是如此。 AI 只是以更易于使用的形式包装的非常复杂的数学。
另一个认识是 20 年前我们不得不等待多长时间才能得到一个 OK 答案。这与今天由于强大的计算能力而轻松解决更困难的问题形成鲜明对比。廉价、无处不在的传感器提供了大量的数据集。你也不必像我一样编写 AI 函数。您可以购买或租用模组els，比如“深度神经网络”。 IBM 的 Watson 和 MathWorks 神经网络工具箱只是两个例子。您提供数据并获得自己独特的 AI 解决方案。今天，AI 正在使车间的机器人更加通用，并通过优化帮助工程师设计零件。
但数学、传感器和数据仍然是根据工程师和工人的愿望塑造的工具。他们可能比人类更好地执行单个任务，但执行哪些任务以及为什么执行这些任务将始终保留在人类的范围内。人工智能毫无意义。这将永远是我们的工作。
并不总是正确的工具
最后，各种形式的 AI 等奇特数学并不总是正确的工具。这是我们到达本专栏标题的“旧”部分的地方。当我正在为本月的 ME 研究一篇关于光学比较器的文章时，这一点很重要，光学比较器是一种计量技术，其历史可以追溯到 1920 年代。虽然莫斯尽管今天的模型已更新为基本的数字电子设备，但基本思想保持不变——在大屏幕上放大零件的阴影并让人类进行测量。你会发现这些机器在制造业中随处可见，对基本理念进行了不同程度的数字化改进，包括机器视觉。我的一位消息人士告诉我，他公司的服务最近翻新了一个有 50 年历史的模型。
正是这种未来技术（如 AI）与久经考验的技术共存，这是制造和制造的持续现实。工程。也许部分原因是工程师不愿意完全接受新技术。正如同一消息人士告诉我的那样，他有时需要强调更新的技术，即使是光学比较器，也是可用的。尽管如此，光学比较器、千分尺和卡尺等技术以及使用它们的人类不太可能被更先进的东西完全取代。
