与你为邻丨铁疙瘩和黑盒子告诉我的事

与90年的撒博士聊天前，我还在想一位现代机械工程的博士平时都会干些什么呢，是不是一直闷在实验室里？

童年的爱好让他选择了从事机械有关的工作，并且这么多年对机械的热爱和执着也始终没变。本期《与你为邻》，看绿城业主撒国栋的“机械”世界。

主人翁

我们聊天的地点约在春月锦庐的售楼处，最近依旧处于宁波、杭州两头赶的撒老师刚好要去售楼处拿抽中的太阳马戏的票。见面时，觉得他不像山东人那么身形魁梧，中等身材，一身运动装束，握手有力。

我们的聊天一点都不枯燥难懂，他的语速和反应都很快，能够第一时间给出比较清晰明了的答案，还能照顾到我的接受度，尽可能通俗易懂。这大概就是身兼工科博士和大学老师双重身份的人所拥有的基本能力。

他说，童年的爱好让他的选择始终未变，但这个行业却在时代滚滚车轮中变化得让人无法想象，也充满着诱人的吸引力。

小时候拆过的手表

他说自己对于机械的兴趣来源于手表。

“小时候看到机械手表时很纳闷，心想这个东西它怎么就能咔咔咔地走，一下跳一格， 而且三个针的转动还是不同的速度。”按捺不住好奇，他把爸妈结婚时买的手表给拆了，结果是看到了里面的一堆齿轮，还有一顿打。

从小就喜欢捣鼓这些玩意儿，到了初中， 这种兴趣就更强烈了，老家街头那些修车的地方，常常能看到他的身影。别的小孩喜欢认车标，可以在小伙伴里炫耀，而他只是盯着修理厂工人的拆解过程，就想看看汽车里面是什么样子的。那些拆出来的发动机活塞、齿轮以及各种各样的零件，油腻腻脏兮兮，但是在他看来一件件都那么有趣奇妙。

“其实后来选择机械也是兴趣在引导着我。浙大的机械学院还是不错的，就想把自己的职业和兴趣结合起来。”

我很好奇传统的机械未来会是什么样？撒博士感叹道，选了机械工程后最大的感受就是，人们脑海中的机械行业和现在的差别太大了。

以前的机器就是一个“铁疙瘩”， 它的运转全靠人的手工操作；而现在，这个“铁疙瘩”是一个能进行思考、判断、操作的信息物理系统，融入了很多高科技，比如计算机科学、人工智能。

一说到机械，就是满脑子的机床、设备， 那么机械专业博士的研究室里会是什么样的？“虽然我是研究机械工程的，但我们实验室里的设备可不是机床，都是各种高性能的计算机，我们研究出来的模型和方法会对接给相应的企业，在他们的顶级设备上做测试看结果，再返回实验室进行微调。”

撒国栋的教学任务并不算多，一周上一天课，给本科生们上一些与数学相关的课程，剩下的时间都埋头扎在实验室里。因为妻子在宁波上班，他一直处于两头跑的状态，这边上几天课，然后回去宁波，刚好浙大在宁波也有学院，正好两边都不落下。“再过一段时间，等她调回杭州后，就不用这么来回折腾了。”

“以前空下来的时候，还能和大学同学们一起约着几周聚一聚，去网吧一起打一盘Dota，现在是没时间了。”撒国栋说，做了爸爸没多久的他，最近都在带娃，初为奶爸， 并不比他做科研的压力小。

“大学时还喜欢打篮球，现在打不动了，只能偶尔看看比赛。”空下来，一般会约上同事学生一起去学校后面爬一下山，然后聚餐吃吃饭，或许聊工作，更多时间是在闲聊放松。

选择绿城·杭州春月锦庐的最大原因也是在于孩子要落户，为未来上学做准备，加上还是希望能有一个后期服务更好的楼盘。从杭州春月锦庐到浙大紫金港校区，也就是一条高架的距离， 通勤时间也不过40分钟。

杭州春月锦庐洋房展示样板房实景图

妻子和他是高中同学，但上了大学后， 一个来了杭州，一个去了武汉，不过倒也没阻碍两人的感情发展，从同学变成了情侣最后成为一家人，并选择在杭州定居生活。

“我们在一起后，她才告诉我，其实高中时就对我有好感了，只不过男生成熟得晚， 那时候一门心思都在学习上，哪里会顾得上这些。”

见面前在网上捜过撒国栋的信息，有一条是他的母校山东德州二中的知名校友页面，说起这个他还有点不好意思，“虽然山东的教育资源挺好的，但考上清华北大的都集中在青岛附近，所以我高考前就知道考上北大清华的可能性很小。”

撒国栋说，当时是在浙大、中科大、复旦和上海交大之间选择， 浙大招生组老师来约他面谈，聊得还挺好的， 因为喜欢杭州就选择了浙大。

这话里面还是有自谦的成分，他考上浙大时是工科实验班，这在浙大体系里的“顶尖” 度仅次于竺可桢学院。

“工科实验班的压力比不上竺可桢学院，但还是很大的，特别是到了大学基本上也没人管你，爱咋咋地， 学的行你就往上走，不行就拉倒。”

研究生期间，他也做过助教，见过很多辛辛苦苦考到浙大，然后不好好上学，甚至连考试都不考，最后只能退学了之的学生，心里觉得太可惜了。所以，他现在一直对自己的学生说，进了大学，就要为自己的选择负责。

从铁疙瘩到黑盒子

今年春节档热映的电影《你好，李焕英》讲述的亲情让人动容，但我却被里面那个工厂给吸引了——标准的七八十年代工厂大院的样子。那是我所熟悉的与机械有关的场景。

记得我父亲是九级钳工，受人尊敬，可我小时候特别不乐意去厂里玩，总觉得脏兮兮的，只要一进车间大门，就感觉自己的脚像是被粘在了地上，多年的机油、污垢、铁屑把地面抹得黑黢黢的，你根本分不清下一脚踩的到底是地面还是一摊机油。

父亲的日常工作就是维修机床，在我的眼里就是这里敲敲那里打打，靠肉眼“毛估估”，靠经验判断。

印象中的工厂车间总是黑乎乎的，好像太阳永远照不进来，车床也是一个个黑黑的铁疙瘩，从车间头排到尾，仿佛没有尽头。直到20世纪90年代中期前，大多数的工厂里都是这样的场景，条件是困难的，意志是高昂的，人是最值得仰仗的。

听了我上面这些描述后，撒国栋笑了，“其实这就是早期中国工厂的样子。别说那个时候了， 我们读本科的时候，都有金工实习，就在浙大里面。那个厂子里的样子就和你说的一样， 脏乱差，设备比较落伍，还满地机油。”

但等他真正走出学校去哈尔滨的工厂实习时，就见识到了第二代中国工厂。“那个工厂在当时是比较高端的了，专门给三峡工程做水轮机的。工厂管理得很好，因为它的加工精度非常高，环境脏了会导致产品不合格， 整个车间很干净，温度湿度包括灰尘都控制在一定范围内。”

撒国栋说，这个阶段传统的机床开始逐步被数控机床所代替。而数控机床带来的最大变化，就是车间里的人少了。以往可能一个机床需要3个人，运用数控机床后，一个机床只需要一个人，零件图纸都通过电脑传给数字机床，加工过程严格按照图纸自动进行，人要做的就是解决机器以外的问题，比如机器过热，投料不足。

几年后，他读博士、毕业做老师，再和这些高端制造业合作时发现，我们的工厂在快速变化，开始升级到了下一代——全数字车间逐步出现，科幻小说中的情形不再是想象， 人不再成为主角，机器替代了人工。

撒国栋参观过一些高端的航天类企业， 在现在的无人工厂中，所有工作都由计算机控制的机器人、CNC （数控机床）设备、无人运输小车和自动化仓库设备来实现。

人，不再需要直接参与产品的制造过程，人成了“指挥员”和“医生”。白天，工厂内只有少数工作人员做一些核查，修改一些指令；夜里， 只留两三名监视员。

原材料供应环节，也不需要工人拉着拖板车四处转，机械手会自动将原料放在物流车上，根据事先编好的程序，顺利抵达了指定生产线，再按照编好的程序，将原料交给CNC设备，每台CNC设备上都安 装了机械手，这些机械手替代了之前的工人，将他们彻底解放出来。

数控加工车间里还会有增强现实装备 （AR/VR）、智能工具箱、摄影测量系统等 设备，维修人员和操作人员戴上AR眼镜，通过指尖的操作，就可以对机床和刀具加工状态快速进行判断和调整……这样的工厂解放了相对低端的体力劳动工人，但需要更多从事技术工作、脑力劳动的技术型工人。

“在工业技术得到极大发展后，人往往成为了这条产业链中最不可控的因素，要尽量减少人的参与度，保证零件的加工精度。”

撒国栋以博士的严谨描述着新的行业景象，“以前完全是靠人的经验，但人的个体经验是不可控的，也是不可传承的。从一个新人培养成熟练工，需要花费很长时间，要投入很多资源，但机器的好处之一就是知识是完全可以快速复制的，只要把这套设备搞定了， 就可以快速进行大规模复制。”

这正是撒国栋从本科读到博士，然后继续科研的重要内容之一。

头发丝与人工智能

机械行业似乎与我们关系不大，其实生活中多多少少都有些关联，比如汽车。

我们老吐槽国产车质量不行，比如开着开着发动机都抖起来了。撒国栋说：“为什么会抖？ 就是组装起来不严丝合缝。我看过一个视频， 国外某工厂加工两个零件，装配完成后表面完全看不到缝，和镜面一样。这在以前国内的制造业里根本想象不了。”

机械产品都是由许多零件组装而成，而零件之间配合的精密度如何决定了它的工作状况。

零件之间配合的精度有个概念叫公差， 假设公差是1微米（人的头发直径大概在60微米左右），在加工过程中，有的孔大了1微米，有的轴小了1微米，单独来看，这在技术上是符合要求的，但装配后，一进一出有可能就会有两个微米的误差，就导致不合格。撒国栋深入浅出地给我解释道。

传统解决方法不外乎就是刻苦攻关，提高精准度，缩小公差。但加工的越精细，成本就越高，可能在数值上提升1%的精度，付出的成本将增加100%。

“这样性价比就很低，我们换个思路，看看能不能利用公差。”

他一直研究的公差优化设计就是在为此努力。这项设计利用专门的结构光扫描，好像机场安检一样，投射特定的光对零件进行全方位扫描，快速得到每个零件的尺寸数据并与三维数模进行比对，不仅使得零件检测分析速度大幅加快，提升产品的入库效率，更重要的是可以快速选择匹配的零件。

“如果这一组孔的加工大了1微米，我就去仓库里找到同样大了1微米的轴，确保精准还降低了成本。”说到自己的研究他滔滔不绝，眼睛里闪着光。

他另一个研究方向是利用人工智能把不确定性优化。假设发动机有100个设计参数，这么多参数和最后发动机输出的功率之间关系是不清楚的，这就是不确定性。

“以前我们用的都是传统的数学模型和公式，构建出一个函数，帮你寻找到彼此间的关系。现在人工智能好像是一个黑盒子，别管里面是什么，只需要在这头把参数组合丢进去，它就会告诉你发动机的功率曲线会是如何。”

看我一脸懵的样子他笑了，“其实这个黑盒子是怎么运转的，别说人不知道了，就连机器本身也不知道。”在撒国栋看来，人工智能目前的本质是一套数学方法，在某些方面它的确可以发挥很大作用，比如自动驾驶。但它的学习需要人给它投喂大量信息，否则数据对它而言只是0。

“现在很流行的用户画像就是人工智能的常见应用，但背后还是人在起作用。它根据大数据抽取到了关键词，但对机器而言，这些关键词代表什么，只有人告诉它，才可以去画像。 就像Alpha Go，你让它去下象棋，那肯定不行，如果在训练时混入一些象棋棋谱，那也会让它判断错乱。”

人工智能现在基本上没有因果推理能力， 只是在统计意义上“觉得”某两个东西是相关的，但两者之间到底有没有逻辑关系，却浑然不知。

比如，目前深度学习的人工智能最擅长处理的是关联性：当输入“公鸡打鸣” 这个词语时，它会自动联想到“太阳升起来了” 这句话——小学生也不会做出这样必然关系的判断。

“这个黑盒子的确很神秘，但别怕，它并不是潘多拉魔盒，我们现在需要做的不是惊恐，而是尽力利用它为我们的生活提供服务。” 撒国栋说。