“神經網絡”之后，“模糊控制”會成為AI領域的下一個引領理論嗎？

模糊控制會站到下一個學術風口上嗎？

現在一提起人工智能，我們首先想到的一定是神經網絡。神經網絡實踐應用的迅速發展，已經讓它成為了人工智能中當紅的技術。其實就在上世紀40年代相關的理論被提出后，神經網絡也經歷過幾十年跌宕起伏的發展，在50年代末進行了一次失敗的工程化實驗后，神經網絡的研究陷入低谷，還在研究它的學者曾一度被視為異端。

神經網絡的“逆襲故事”告訴我們，要用更長遠的發展眼光看待技術。今天被視作荒謬的理論，或許明天就能引領一個行業的發展。

今天我們討論的，就是一項和曾經的神經網絡一樣，擁有頗多爭議的技術類別——模糊控制。

當工程專家搞起數學

提到模糊控制，要從它的理論來源模糊數學開始。

模糊數學，光是看這4個字就讓人覺得難以信任。在大部分人的印象里，數學應該是一門嚴謹的學科，畢竟在考試的時候，模模糊糊的答案是不能得分的……

不過，當數學應用到日常生活中后，我們開始發現人類世界中的很多概念是沒法用精確的數字表示的。比如冷和熱、美和丑這些概念，很難精確到多少攝氏度或者是一個評分，而是人類的一種模糊的感覺。

可在計算機的數學世界中，只有0和1——非熱即冷、非美既丑，人們一直在發愁，要如何讓計算機理解人類世界中的這些模糊概念呢？

在1965年，美國控制論專家查德發表了一篇描述模糊控制的論文，正式開啟了模糊數學這一學科。

模糊數學的核心理念就是，用精確的數學手段對現實世界中大量存在的模糊概念和模糊現象進行描述、建模，從而實現對問題的控制和解決。

比如-10℃是“冷”，30℃是“熱”，那么20℃就是介于1和0之間的0.75。

模糊數學乍一聽是提出了一個很棒的問題解決方式，但對數學稍有了解的人就會在兩秒鐘之后反應過來……這玩意兒是和概率論有啥區別?。?/p>

這也是模糊數學爭議最大的一點，由控制論學者提出，在理論基礎上相對薄弱，所謂的“模糊“概念也和概率論略有接近。當然，直到今天，模糊數學在理論上還在不斷發展，各國研究學者，尤其是我國學者都做出了很多貢獻。模糊數學作為一門學科，正在逐漸站穩腳跟。

人工智能洗衣機，竟然有一顆90后的大腦？

我們所關注的當然不是學術問題，而是模糊控制的應用發展。模糊數學最大的特點，就是它是由應用領域范疇發展到理論范疇，擁有大量的實踐經驗。

模糊控制最早是應用于自動化控制方面，為的是能夠讓專家經驗量化，實現更加專業的自動化控制。

比如我想研發一個全自動烤地瓜爐，就需要知道如何調節地瓜機的火候。這時候我向一位資深烤地瓜老大爺咨詢，他告訴我說：“先開大火，地瓜熟了轉小火?！边@時候，我就需要把“大小火”“生地瓜熟地瓜”這種概念教會給計算機。

模糊控制的解決方案，是把設定一個值域，把燒烤溫度設置為100℃到250℃，把地瓜成熟度設置為0-1。通過對地瓜成熟度的監測，隨之調節地瓜爐的溫度設置。

要是沒有模糊控制理論，計算機可能只能得到一個精確的“食譜”，當地瓜達到某一確切狀態，立刻改變烤爐溫度。可實際應用時，地瓜達到完全成熟可能就是一瞬間的事，同一烤爐中的不同地瓜也常常有著不同的狀態，除非有非常精確的傳感器，否則很難捕捉到這一瞬間的變化。

但在模糊控制系統中，地瓜成熟度被分成0到1，傳感器可以每隔5分鐘對地瓜的成熟度進行檢測，第一次檢測時，地瓜們的成熟度可能是0.2、0.5和0.6。第二次檢測時，地瓜們的成熟度達到了0.45、0.7和0.9，這時烤爐就會變化溫度。

在模糊控制下，自動化控制可以在盡量低的成本下實現更高的受益。在上個世紀的航天、工業領域，計算機的智能程度、傳感器密度和信息回傳速度都沒今天這么高，模糊控制成了一種很好的解決方案。

到了20世紀90年代，模糊控制逐漸進入了民用產品領域。比如空調、洗衣機等等產品，通過自動識別室溫、衣物重量等等，對產品功率進行智能調節，達到節能的目的。現在我們看到的很多人工智能空調和人工智能洗衣機，都是應用了這種90年代就有了的技術。

神經網絡實踐應用的迅速發展，已經讓它成為了人工智能中當紅的技術。

風水輪流轉，模糊控制會站到下一個學術風口上嗎？

雖然來自上個世紀的模糊控制理論聽起來很過時，但它的確從屬于人工智能的一項分支，只是很多以往需要模糊控制才能實現的功能，今天都直接可以通過機器學習來實現。

還是前面的那個烤地瓜的問題，利用模糊控制理論我們需要自己為地瓜設置一個成熟度劃分，但在機器學習中，只需要把老大爺烤地瓜時產生的數據記錄下來，就能訓練出一個和老大爺一樣專業的算法模型，應用在各種各樣的智能地瓜爐中。

模糊控制理論的應用，更適用于上個世紀硬件和算法不分家的情況。每種大型機械都有自己的微電腦系統，通過對狀態與數據之間的調整來實現從人操縱機械到機械自我控制的轉變。

到了四處都有傳感器、算力變得強大又廉價的今天，模糊算法的高性價比優勢開始變得不復存在。

但這并不意味著模糊控制從此就失去了研究意義，在今天模糊控制依然有很多利用價值。

第一，模糊控制依然可以利用于家用電器這類數據難以量化的領域。比如可以智能調整溫度的空調，研究個人用戶的歷史操作數據的確可以得出個性化的溫度調節算法，但這樣的做法和用模糊控制研究專家意見得出的結果不會有太大差別。

第二，模糊控制在對感情傾向的研究中有著絕對優勢。機器學習主要還是對大量數據進行挖掘，但很多時候用戶的感性決策是不一定會表現在數據中的。

有一篇論文就表述了如何用模糊控制理論智能調節酒店房價，其中提到，當房價價格達到一個值域時，或許不會影響到消費者決策，但會影響到消費者對于酒店的印象，長期看來會影響到酒店發展。這時對消費者進行樣本調查，再挖掘調查數據得出智能調價范圍就是一個很好的解決方案。

現在由于機器學習的火熱，一些研究方向已經開始走向了極端。像有團隊曾經利用對腦電波、心率等等的監測，向實驗對象展示一些負面文字和圖畫，從而去研究他們的自殺傾向。其實心理醫生只要問幾個問題，就能得出更準確的判斷。

如果模糊控制能實現對心理醫生專家經驗的量化，就能得出機器學習花大量時間和金錢才能找到的“公式”。而當機器學習對數據問題研究到一定地步時，人們一定會把目光轉移到無法直接捕捉到數據的感性概念中。這時模糊控制理論就會展示出自己的優勢。

就像文章開頭說的，神經網絡也是經歷過幾十年的波折發展才實現今天的成果。誰能說下一個站上學術風口的，不會是模糊控制理論呢？