最近朋友圈AI刷屏，我在這裡拋磚引玉，隨便說說為什麼我看好模型預測控制(MPC)在工業上的應用前景。

首先，神經網路和MPC都是80年代成熟起來的技術。說起神經網路，據我從各種網路野史考證，它在50年代的時候就火過一次，但是因為當時計算能力的計算能力限制，不能實現承諾的功能，被很多學者攻擊，如過街老鼠，大家避之不及。後來Stanford有個叫Widrow做了一個分類器，因為神經網路當時名聲不好，Widrow又是EE出身，就不提神經網路了。為了硬體實現方便，Widrow乾脆把Sigmoid函數改寫成了y=x，做成線性系統，只保存學習辦法。這是第一個在商業上運用的神經網路，用來消除電話里的回聲。這就是EE裡面著名的自適應數字濾波器 (Adaptive filter)，直到今天大家還在使用。

其實數字濾波器的源頭就是神經網路，但是受當時條件的限制，沒法大規模的使用，後來有了大規模集成電路，可以學習了。數據科學，沒數據，再好的演算法都沒用。

故事說道這裡，相信熟悉控制論的同學都會一拍大腿，神經網路就是線性系統+激活函數+MSE求梯度嘛！原來天下武功出少林，大家都是從一個理論演化出來，只是後來流派不同，差不多的招式，各有各的名字。你的自適應濾波就是我的神經網路。MPC控制的基礎LQR (Linear–quadratic regulator)跟這也差不多，一個線性系統加個Quadratic 優化方程。只不過神經網路的系統是通過數據學出來的，LQR的系統是線性化求R2倒出來了。

現在神經網路為什麼又火了，還得從2012年說起，Geoffrey Hinton大神的學生Alex在那一年做出AlexNet，一下子在ImageNet大賽上把各路機器學習演算法流派打的落花流水，一戰封神。這個演算法就是現在大名鼎鼎的CNN，這一下子深度學習開始火了。後來2015年的時候有個叫DeepMind的英國小公司把CNN和強化學習Q-learning結合起來了，將CNN+ Q-learning作為決策網路和蒙特卡羅樹相結合，開發出來了一個叫Alpha Go的模型，後來的故事大家都知道了。

這一波人工智慧熱潮就被帶起來了，神經網路最大的特點就是簡單粗暴，知道點python，會調用三方的庫，分分鐘訓練出一個模型。於是乎各行各業，不管有沒有用，都得有個神經網路模型，不然你就不是大數據，人工智慧，跟不上時代。魯迅說過，「世上本沒有路，走的人多了，也就成了路。」神經網路特點就是簡單，不費腦子，費硬體。本來MPC最大的瓶頸就是硬體太貴，我們這小眾領域姥姥不疼，舅舅不愛。沒人給你的演算法優化硬體。這波神經網路熱一起來，大家開始對矩陣運輸優化處理器了，不管是CPU, GPU還是TPU。都得是生物晶元的，為神經網路設計，不然就不是先進技術，沒人要。

感謝人工智慧的東風，一直以來制約MPC或者LQR的計算瓶頸有望解決的。但是既然叫模型預測控制，那還得預測是不，一直以來感測器也是個問題。這裡感謝人工智慧帶來的另一個熱點：無人駕駛。這波無人駕駛車火起來以後，不管是不是泡沫，有沒有真車，激光雷達的價格倒是大跳樓了。每個試驗車頂上都得放幾個雷達轉來轉去，不然顯得不夠專業。反正現在買激光雷達就跟買白菜一樣。

這下子制約MPC技術的兩大瓶頸都有解決的希望了，有了為矩陣優化的處理器和便宜的雷達，模型預測控制MPC的春天可能就不遠了！由於deep Q-learning還不靠譜 (總不能靠撞人來學習駕駛吧？) 如果不存在硬體制約，MPC在控制上當對PID的優勢就大了。因為PID本質上一個沒有模型的單輸入單輸出系統，比如現在飛機的飛控系統，汽車的自動巡航和風機的槳葉控制。以前硬體貴，這種簡單可靠的技術非常受歡迎。後來大家以PID為核心，用軟體工程的思路設計控制系統，開發了一些列先進功能。但是核心思想還是必須簡化成單輸入單輸出系統。因為基礎差，各個系統必須解耦，在上面改來改去非常不方便。MPC本身就是個模型預測系統，這個模型可以是物理模型，也可以是神經網路，或者深學+物理模型。反正都是矩陣的表現形式，輸入輸出也沒有限制，向加多少個就加多少個(前提是優化方程得有梯度)。再加個感測器預測，把預測周期加上，上優化方程每個步長算出最優的解。以後在不同的環境下也不用人去調試了，MPC本身具有自適應的能力。

最後，推薦一篇deep MPC的好文：Ian Lenz et la, DeepMPC: Learning Deep Latent Features for Model Predictive Control, 2015.