人工智能会取代无损检测工作者吗?

科技工作因其高度的创新性，因此科技工作者很难被人工智能取代。但日前，国际学术期刊《自然》发表的一篇论文吸引了大家的眼球。科学家们改造了一种汽车装配线上常见的机器人，让它可以在化学实验室内工作。通过与机器学习算法相连，这种机器人可以使用和人类化学家一样的标准分析仪器，相当于使研究人员而非仪器变得自动化。同时，由于它和人类体积相当，可以在传统实验室内工作，而无须建立或改造新实验室。在提高一种聚合光催化剂性能的实验中，这款机器人在2～3天内便优化了反应条件，而人类要几个月的时间才能做到。原因之一，就是这种机器人采取了激光扫描和触觉反馈相结合的方式实现定位，而不是视觉系统——不用“看”的机器人无须光亮，因此极大地提高了光催化实验的效率。研究者认为，这个机器人将在传统实验室有更多应用。那么，人工智能会取代化学家吗?会取代其他行业的专家吗?会取代我们无损检测工作者吗?

为此，《光明日报》特邀请到兰州大学化学化工学院王为教授，中国科学院自动化研究所侯增广研究员，和中国科学院物理研究所王磊研究员来谈谈这个话题。

01 人工智能已成为科研人员的好帮手

侯增广(中国科学院自动化研究所研究员)：简单地说，《自然》刊登的论文在技术方面有两个亮点。一是采用机器人代替传统实验室的实验员，克服了光催化实验人工操作过程中的一些问题。这个实验应用的就是常见的具有机械臂的移动机器人平台，它连续运行了8天，做了688个实验。第二个亮点是采用了贝叶斯算法，这是一种基于概率统计的分类算法，使实验效率大大提升。

机器人最早在制造和生产领域得到应用。目前，在科学发现领域，机器人在精度要求比较高的场景中，如时间精度、位置精度、操作精度等，有了很多应用。例如，人工授精要求把精子准确地送入卵子中，精度要求比较高，这类任务如果采用机器人将比人工操作的效率高很多。

人工智能的应用给科研带来很多新变化，增加了新可能。比如，采用人工智能方法对数据的采集更客观、分析更准确。同时，人工智能有强大的计算能力，能够发现人容易忽略的小样本事件、罕见样本事件，可能给科学研究带来意想不到的发现。

王为(兰州大学化学化工学院教授)：人工智能如何帮助化学家?我们首先要理解“化学学科”和“人工智能”的内涵和外延，判断它们各自面临的瓶颈和发展的方向，再分析它们可能采用什么方式交汇融通。新一代人工智能的核心是在大数据基础上将智能问题转化为数据问题，其发展需要三个核心要素的支撑：计算能力、海量数据、数学算法。人工智能的基本层级是智能放大和综合，包括信息的采集、录入和分析。进阶层级是智能预测，即在大数据基础上预测特定事物的发生概率。高级层级是智能学习，即通过算法上的革新，突破人类的思考模式，在基本规律下自主地创造机器的思考模式，从而输出全局最优的结果。人工智能在化学领域中的应用初见端倪。其对于化学家的帮助可能表现在以下几个层级：一是辅助动手，高效获得数据。二是辅助动脑。通过对海量数据的分析，人工智能可能预测出新的物质合成途径、发现物质的新功能、建立新的逻辑连接(构效关系)等。三是针对化学领域的核心问题，通过深度学习(算法创新)和深度自动化，实现动手和动脑的深度结合，完成自主创新。以此标准衡量，人工智能在化学领域中的应用还处在起步阶段。《自然》这篇工作的核心亮点是提供了高效获取数据的深度自动化研究平台，为将来动脑和动手的有效结合起到示范作用。

王磊(中国科学院物理所研究员)：今天的人工智能已经在科研领域给科学家带来很多帮助。我们可以想象，爱迪生发明灯芯，要对各种材料不停试错，如果有这种机器人的帮助，那可能提早电灯的发明。其实，在科研领域有很多类似的应用。比如我们中科院物理所，在晶体材料的合成和生长上，就使用人工智能作为辅助。我们所几辈科研人员在这个行业深耕几十年，留下了丰富的实验数据，但都是写在纸上的。我们把这些实验记录数字化，再“训练”一个识别程序，就能用来预测晶体能不能长成等。再比如，在材料科学中，很多时候科学家们要从材料微观组成，例如原子排列顺序等，来推测材料可能具备的宏观功能，例如亲水性等。通常这个计算是很复杂的，需要耗费大量时间。现在，人工智能通过“学习”之前的计算结果，已经可以完成这部分工作。当然，其准确性还有很大提升空间。

02 什么样的科技工作者会被替代

王为：我的基本观点是人工智能在未来会替代重复性的实验和测试工作，有可能改变甚至变革研究的范式，但从根本上无法替代科研人员。

就获取数据而言，人工智能在预先设计的实验中表现得更加高效。相较于人的操作，其标准化程度更高、误差更小，能帮助科研人员获得更大量的、标准化的、可对比的数据。就数据分析而言，相比于人类记忆以及理解数据的局限性，人工智能可以更为精准、有效地收集、分析、整合数据，并可能寻找到相应的规律。因此，人工智能有可能在化学领域的应用中率先取得突破，从而改变甚至变革化学研究的基本模式。

而取得突破的先决条件至少有两点。一是获取海量数据。人工智能的基础是大数据。就机器学习的需求而言，目前化学领域所能提供的数据数量非常有限、可对比度极低。二是实现算法创新。基于化学领域提出的特定科学问题，在海量数据存在的前提下，通过算法创新，突破化学领域现有的思考模式和理论框架，锁定多参数复杂体系的最优解。就此而言，人工智能在化学领域中的应用还有很长的道路要走。

侯增广：人工智能很可能给实验室带来巨大变革，甚至出现无人实验室。但我认为，短时间内，人工智能和机器人不能替代科学家。我们看《自然》刊登的这个实验中，进行实验顶层设计的，比如实验架构等，还是科研人员，机器人和人工智能只不过是人的手和眼的延伸。我认为，即便深度学习等人工智能方法发展起来，也不太可能替代科研人员。因为人工智能是建立在算法之上，它的能力的获取是基于大量数据得来的，强大的基于数据的计算能力是人工智能的核心能力。但人工智能和真实的生物智能还有很大差距，人从来就不是这么思考的，人类的智能是基于知识、而非基于数据的。而这点，人工智能还做不到。比如我们课题组在研究手术机器人。在某些方面，它的精准度比普通医生要高。但是人体是非常复杂的，每个人的情况也千差万别，遇到复杂病灶、复杂障碍如何处理?这点机器人还不行，比不上经验丰富的医生。因为这些能力和判断都是基于经验知识的，而非简单数据。

王磊：科研中，那些重复性高的、有固定流程的工作可能被替代。但对于是否能替代科学家这个问题，我的看法是比较保守的。比如我们物理学，最重要的是在现象中发现新的物理定律。但目前的人工智能算法，还看不到能发现新物理定律的可能，作出创新性发现的可能性比较小。我现在做的深度学习与计算物理交叉的研究，起码目前还没有看到人工智能能够取代科学家的证据。虽然现在也有很多实验模拟一个环境，看看人工智能是否能取得重新发现。比如给人工智能万有引力定律发现之前的各种数据，看人工智能能不能像牛顿一样发现万有引力定律。有些实验声称获得了很好的结果，但仔细研究这些实验，会发现其中有很多可控的空间。因此，我总体认为，目前的人工智能做出创造性发现的可能性比较小。

03 人工智能是否会引发与人争工作的伦理隐忧

侯增广：我觉得这方面担忧是不必要的。我们借助人工智能和机器人可以提高工作效率，把人从重复性的、危险性的工作中解放出来。这是一种社会的进步。当然，人工智能的发展也面临很多伦理问题，这不可能在一个访谈中尽谈。我只能从我所在的这个领域谈一个伦理问题的例子：目前的人工智能方法是不能够保证计算结果百分百正确，我们应该把什么样问题的决定权交给人工智能?如果出现失误，这个责任应该由谁来承担?我们再以手术机器人为例。之前说过，人体是十分复杂的，手术中会遇到各种各样的状况。如果是人做手术，他很清楚自己能力或技术的边界在哪里，什么样的问题是他不能解决的。因此，可以及时向老师、前辈请教，或者邀请其他科室的大夫来会诊。但如果是机器人自主做手术，它是按照程序来运行的，这个程序不可能包含所有可能发生的情况，机器人也不会清楚自己能力和技术的边界。那么，在某些程序交由机器人来判断和决定的情况下，一旦手术失败，这个责任由谁来承担?是算法的研究者，是机器人的制造商，还是按下操作键的医护人员?这是一个值得大家关注的伦理问题。

王磊：每一次技术的更新换代，都会带来产业的变化，某些工种可能被替代，从而引导劳动力向不同的方向分流。我觉得从人类整体的发展而言，与人争工作这个伦理问题可能不是最急迫的。我们目前讨论更多的伦理问题，是如何让机器不“染上”人类的偏见。我们知道，人工智能是基于大数据的，这些数据集的标签的制备过程都需要人。特别是，原来数据集是由人写的，可能会进行克制。现在数据集都是互联网搜集的，偏见很难避免，比如基于肤色的偏见、基于性别的偏见等。那么，在人工智能的应用中，如何在算法中去除这些偏见，是我们要面对的比较紧迫的伦理问题。

04 人工智能对无损检测行业的影响

无损检测属于交叉学科，实施过程中涉及激励源、仪器参数、材料性质、缺陷特征、信号响应机理、显示模式、信号分析与处理、特征提取与选择、图像解释等一系列内容，检测人员经常面临较差的图像显示质量、多类型交叠的缺陷识别以及非线性材料特性预测等挑战，依据专业检测人员的知识和经验往往难以应对，从而会在一定程度上降低无损检测技术的准确性与可靠性。随着大数据时代的到来，数据采集和存储能力不断发展提高，各领域工程师们所拥有的数据量越来越庞大，为人们利用数据进行进一步研发提供了基础条件和实 施可能。在这种形势下，尝试将人工智能应用于无损检测技术，进而提高检测效率、检测精度及可靠性的研究工作越来越活跃，并已在检测的多个环节取得不俗的成果。这些技术和仪器以高精度的计算、控制和逻辑判断功能来取代大量人的体力和脑力劳动，减少人为因素导致的误判，提高准确性，并且较好地解决了记录存档等问题。

以射线无损检测与评价(NDT&E)为例，射线探伤底片评判是射线无损检测评价的关键步骤，而射线探伤底片评定准确程度完全取决于评判人员知识技术水平，经验丰富的评片人员准确判定缺陷的本质即是评片人员大脑经过长期的过程被大量数据训练出来的结果，而从业时间的长短不同意味着所接受的信息量不同，那如果一台机器学习了比评片人员多得多的案例或者图片从而达到或者超过了评片人员的知识技术水平，它就能对底片上的缺陷进行准确的无损检测评价，实现评片智能化，从而大大解放评片人员，同时还可以对缺陷进行更为具体的深入分析，预估工件使用寿命，从而推动射线检测与评价技术的发展。从这方面来说，人工智能在射线无损检测领域大有可为，因为具有专家级水平的评片人员毕竟还为数不多。

从上述介绍可以看出，人工智能有望使传统依赖检测人员专业知识和经验的图像分析、缺陷识别与性能预测等任务交给机器完成，不但能够提高检测结果的客观性和准确性，更重要的是，它为实现自动化、智能化无损检测提供了更有力的技术支撑。另一方面，基于人工智能的无损检测可以提供接近实时的检测，进而减少生产时间，提高生产效率。总之，人工智能已经在提高无损检测结果的客观性、准确性、检测效率等方面显现优势。

05 面对越来越强大的人工智能，我们应该做些什么?

随着新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，人工智能在无损检测领域的应用深度和广度必将进一步拓展。面对新形势新需求，无损检测人员不应该忧虑是否“饭碗不保”，而应主动求变应变，学懂用好先进的人工智能核心技术，降低重复劳动和机械劳动强度，着眼于如何提高自身的工作水平和经验，开发更先进的无损检测方法和技术，推动我国无损检测技术整体水平实现跨越式发展。几点建议如下：

(1)目前无损检测领域对数据的采集、存储、管理和分析等尚没有统一标准，致使基于无损检测大数据的机器学习人工智能方法发展受限。统一数据信息化标准、搭建数据共享平台、形成共享数据库是无损检测工作者亟待关注的首要任务;

(2)围绕无损检测与人工智能的交叉融合，未来应重点关注基础理论、核心算法以及关键设备、重大产品与系统等的研发，取得更多原创成果;

(3)基于国家提倡的“人工智能+X”复合专业培养新模式，积极推进“无损检测+人工智能”的复合型人才培养。