活在洗衣机里的模糊控制理论，会从神经网络手中拿到AI接力棒吗？

现在一提起人工智能，我们首先想到的一定是神经网络。神经网络实践应用的迅速发展，已经让它成为了人工智能中最当红的技术。其实就在上世纪40年代相关的理论被提出后，神经网络也经历过几十年跌宕起伏的发展，在50年代末进行了一次失败的工程化实验后，神经网络的研究陷入低谷，还在研究它的学者曾一度被视为异端。

神经网络的“逆袭故事”告诉我们，要用更长远的发展眼光看待技术。今天被视作荒谬的理论，或许明天就能引领一个行业的发展。

今天我们讨论的，就是一项和曾经的神经网络一样，拥有颇多争议的技术类别——模糊控制。

提到模糊控制，要从它的理论来源模糊数学开始。

模糊数学，光是看这四个字就让人觉得难以信任。在大部分人的印象里，数学应该是一门严谨的学科，毕竟在考试的时候，模模糊糊的答案是不能得分的……

不过，当数学应用到日常生活中后，我们开始发现人类世界中的很多概念是没法用精确的数字表示的。比如冷和热、美和丑这些概念，很难精确到多少摄氏度或者是一个评分，而是人类的一种模糊的感觉。

可在计算机的数学世界中，只有0和1——非热即冷、非美既丑，人们一直在发愁，要如何让计算机理解人类世界中的这些模糊概念呢？

在1965年，美国控制论专家查德发表了一篇描述模糊控制的论文，正式开启了模糊数学这一学科。

模糊数学的核心理念就是，用精确的数学手段对现实世界中大量存在的模糊概念和模糊现象进行描述、建模，从而实现对问题的控制和解决。

比如-10°是“冷”，30°是“热”，那么20°就是介于1和0之间的0.75。

模糊数学乍一听是提出了一个很牛X的问题解决方式，但对数学稍有了解的人就会在两秒钟之后反应过来……这玩意和概率论有啥区别啊？？？

这也是模糊数学争议最大的一点，由控制论学者提出，在理论基础上相对薄弱，所谓的“模糊”概念也和概率论略有接近。当然，直到今天模糊数学在理论上还在不断发展，各国研究学者，尤其是我国学者都做出了很多贡献。模糊数学作为一门学科，正在逐渐站稳脚跟。

我们所关注的当然不是学术问题，而是模糊控制的应用发展。模糊数学最大的特点，就是它是由应用领域范畴发展到理论范畴，拥有大量的实践经验。

模糊控制最早是应用于自动化控制方面，为的是能够让专家经验量化，实现更加专业的自动化控制。

比如我想研发一个全自动烤地瓜炉，就需要知道如何调节地瓜机的火候。这时候我向一位资深烤地瓜老大爷咨询，他告诉我说：先开大火，地瓜熟了转小火。这时候，我就需要把“大小火”、“生地瓜熟地瓜”这种概念教会给计算机。

模糊控制的解决方案，是把设定一个值域，把烧烤温度设置为100°到250°，把地瓜成熟度设置为0-1。通过对地瓜成熟度的监测，随之调节地瓜炉的温度设置。

要是没有模糊控制理论，计算机可能只能得到一个精确的“食谱”，当地瓜达到某一确切状态，立刻改变烤炉温度。可实际应用时，地瓜达到完全成熟可能就是一瞬间的事，同一烤炉中的不同地瓜也常常有着不同的状态，除非有非常精确的传感器，否则很难捕捉到这一瞬间的变化。

但在模糊控制系统中，地瓜成熟度被分成0到1，传感器可以每隔五分钟对地瓜的成熟度进行检测，第一次检测时，地瓜们的成熟度可能是0.2、0.5和0.6。第二次检测时，地瓜们的成熟度达到了0.45、0.7和0.9，这时烤炉就会变化温度。

在模糊控制下，自动化控制可以在尽量低的成本下实现更高的受益。在上个世纪的航天、工业领域，计算机的智能程度、传感器密度和信息回传速度都没今天这么高，模糊控制成了一种很好的解决方案。

到了90年代，模糊控制逐渐进入了民用产品领域。比如空调、洗衣机等等产品，通过自动识别室温、衣物重量等等，对产品功率进行智能调节，达到节能的目的。现在我们看到的很多人工智能空调和人工智能洗衣机，都是应用了这种90年代就有了的技术。

虽然来自上个世纪的模糊控制理论听起很过时，但它的确从属于人工智能的一项分支，只是很多以往需要模糊控制才能实现的功能，今天都直接可以通过机器学习来实现。

还是前面的那个烤地瓜的问题，利用模糊控制理论我们需要自己为地瓜设置一个成熟度划分，但在机器学习中，只需要把老大爷烤地瓜时产生的数据记录下来，就能训练出一个和老大爷一样专业的算法模型，应用在各种各样的智能地瓜炉中。

模糊控制理论的应用，更适用于上个世纪硬件和算法不分家的情况。每种大型机械都有自己的微电脑系统，通过对状态与数据之间的调整来实现从人操纵机械到机械自我控制的转变。

到了四处都有传感器、算力变得强大又廉价的今天，模糊算法的高性价比优势开始变得不复存在。

但这并不意味着模糊控制从此就失去了研究意义，在今天模糊控制依然有很多利用价值。

第一，模糊控制依然可以利用于家用电器这类数据难以量化的领域。比如可以智能调整温度的空调，研究个人用户的历史操作数据的确可以得出个性化的温度调节算法，但这样的做法和用模糊控制研究专家意见得出的结果不会有太大差别。

第二，模糊控制在对感情倾向的研究中有着绝对优势。机器学习主要还是对大量数据进行挖掘，但很多时候用户的感性决策是不一定会表现在数据中的。

有一篇论文就表述了如何用模糊控制理论智能调节酒店房价，其中提到，当房价价格达到一个值域时，或许不会影响到消费者决策，但会影响到消费者对于酒店的印象，长期看来会影响到酒店发展。这时对消费者进行样本调查，再挖掘调查数据得出智能调价范围就是一个很好的解决方案。

现在由于机器学习的火热，一些研究方向已经开始走向了极端。像有团队曾经利用对脑电波、心率等等的监测，向实验对象展示一些负面文字和图画，从而去研究他们的自杀倾向。其实心理医生只要问几个问题，就能得出更准确的判断。如果模糊控制能实现对心理医生专家经验的量化，就能得出机器学习花大量时间和金钱才能找到的“公式”。而当机器学习对数据问题研究到一定地步时，人们一定会把目光转移到无法直接捕捉到数据的感性概念中。这时模糊控制理论就会展示出自己的优势。

就像文章开头说的，神经网络也是经历过几十年的波折发展才实现今天的成果。谁能说下一个站上学术风口的，不会是模糊控制理论呢？