但就这些还是抢不了自动化的饭碗的。人脸识别对标的是传感器，自动化的核心还是在于控制器。

自控有两大路：一路是参数化控制（parametriccontrol），另一路是非参数化控制（non-parametriccontrol）。非参数化控制不需要被控过程的数学模型，只要了解大概的定性行为就可以了，比如“加水导致水位升高，撤火导致降温”，这个不能搞反了，剩下的靠一定形式的控制算法和参数整定来Zui终调试出一个稳定、满意的系统，传统的PID就是这样的。参数化控制则是以数学模型为基础的，数学模型的作用是jingque预测被控过程在给定输入时的响应，然后可以根据需要的响应，反推需要给出的控制输入。当然，模型不可能完全jingque，剩下的就靠反馈和参数微调来“磨”了。

人工智能用于非参数化控制的话，参数整定太恐怖。一个简单的单回路神经元网络控制器可能有一个决策层，不超过10个神经元，加上输入层和输出层，随随便便就有30-50个可调参数，这是不可能像PID那样整定的。PID一共只有3个参数，大部分人都嫌麻烦，不碰微分，只动比例和积分。要动那么多参数，这是不可能的。但把大量参数都锁定，神经元网络的高度可塑性就没有了，也就不需要费那个事了。

像“阿尔法狗1.0”那样，用现有数据训练神经元网络控制器，这在理论上是可能的，问题是实用中不可能有那样海量的输入-输出的静态数据和动态数据。要真有这些数据，非神经元网络的控制器也已经在手了，而且行为可预测，还费那个事干什么？直接观察人类操作的常年数据也不行，那是闭环的，输入-输出的因果关系已经打乱了，直接拿来训练肯定是不行的，这就和闭环辨识一样。

那像“阿尔法狗2.0”那样自学习呢？更不行了。“阿尔法狗2.0”自我训练的前提是有清晰的规则和游戏空间。更重要的是，自学习需要大量的试错。不可能在实际工业过程上这样试错，人家还要不要生产啦？更何况无限制的试错可能造成各种安全问题。用高度jingque的仿真系统大量试错倒是不会造成危险或者生产损失，“阿尔法狗2.0”实际上就是这样做的，但围棋和实际工业工程的差别太大了，“阿尔法狗2.0”可以左右手互博，也可以与“阿尔法狗1.0”互博，每一步在棋盘上清清楚楚，结果判定也一目了然，实际工业过程就需要高精度动态仿真系统了，还要考虑各种不定性情况，这样的高精度动态仿真在工业上是特例，可遇而不可求的。事实上，有了高度jingque的动态仿真模型，本身就可以成为模型预估控制或者其他现代控制方法的基础，不需要舍近求远搞神经元网络控制器。