这和人工智能用于医学一样，人工智能辅助诊断喜闻乐见，但自学习人工智能疗法？您先请。

影响神经元网络用于控制算法大发展的关键可能在于缺乏一个统一、有效的数学分析架构。PID控制的概念很早就有了，但提高到理论高度是在微分方程稳定性理论发展起来之后。微分方程是数学里很重要的一个分支，稳定性又是微分方程里的一个分支。从这里用拉普拉斯变换发展出频域分析，建立了经典控制理论。在60年代，卡尔曼引入线性代数，建立状态空间方法，控制理论进入了单变量和多变量统一架构甚至可以包容非线性系统的现代控制理论阶段。随着计算机的发展，曾经只能纸上谈兵的控制理论可以工程实现了，各种严格、不严格但管用的控制方法（如模型预估控制）如雨后春笋般地涌现，但基本上都是在微分方程的架构下，计算机实现中使用的差分方程也可看作微分方程离散化的结果，很多结论和方法可以通过映射搬过来用。

但神经元的S曲线尽管威力无穷，很难用已知的数学方法进行分析和综合。换句话说，即使建立了神经元网络的被控对象和控制器的模型结构，除了用数字仿真一遍一遍试错，没法确保回路性能，连给出有意义的指导性设计原则（如经典控制理论里的“闭环极点必须在左半平面才能保证稳定，离虚轴的距离代表收敛速率，离实轴的距离代表振荡频率“）都做不到。

能试错的场景永远是有限的，以此为系统稳定性的依据是不够的，因为在已经测试的有限场景之间（内插）或者之外（外推），谁也不知道系统会如何反应，所以仿真几百几千次也不一定能说明问题。这与按照传统控制理论（包括经典和现代）截然不同，那里在完成设计计算后，数字仿真只是验证用的，验算几个点就足够了。

人工智能在实用中已经出现了这个问题。“阿尔法狗”（不管是1.0还是2.0）都在棋局中走出令人类匪夷所思的步子，事后看来是走对的，但对于如何走出这样的步子依然百思不得其解。这样的人工智能正在成为应用中的最大阻碍：人类不能接受无法理解因而不能xinlai的人工智能决策，对于实时性要求很高的控制领域，人类又不可能查验人工智能的每一步决策。在做到对人工智能的行为能严格数学分析和预测之前，这个坎很难迈过去，因此在可预见的将来，人工智能决策的直接应用必定是有限的。

但人工智能用于自控层之上的“指挥层”则几乎是必然的，就像前面提到的智能用水调度系统指挥自动控制的水泵一样。在这个场景下，自控的要求其实是高了，不是低了。

在模型预估控制时代，很有一些人为PID的未来担忧，但很快发现，要使得模型预估控制有效工作，PID层需要更加精细地整定到最优状态。这和串级控制是一个道理。主回路好比小领导，副回路好比干活的。要是干活的手脚麻利，办事精准，小领导则有条不紊、指挥若定，那这配合就如鱼得水了，指哪打哪。要是反过来，小领导是个事儿妈，干活的懒懒散散，这就肯定要砸。

在人工智能时代，这还是一个道理。指挥层的人工智能要从长计议，不能事儿妈；自控层则要更加敏捷、精准。指挥层与自控层zuihao还要有深度沟通，指挥层不仅发布下一步的指令，还把预期的未来指令一起发下去，自控层好预做安排。

这就好像开汽车过弯一样。看着车头前3米的地方，一点一点过，是可以安全过弯的，就是慢一点。但要是早早看到前面完整的弯道，可以预先计划好，在入弯的时候晚一点刹车，在中间的时候甩一点尾，然后加速出弯，这就快多了。但这要求预先就看到整个弯道，预作准备。

这样的预估控制是典型PID做不到的，模型预估控制就可以做到，但各种PID依然是模型预估控制的腿脚，不仅不能弱化，还要极大强化。

在人工智能时代，自动化不仅不需要瑟瑟发抖，还要打起精神，锻炼新本事。本来端坐的金字塔尖的位置被人工智能坐掉了，但自动化其实还是坐在原来的位置，只是金字塔长高了。