一、引言：从数据智能热潮到工业系统认知问题

随着深度学习、大模型与数据驱动方法在多个领域取得显著成功，工程实践中逐渐形成一种技术倾向，即认为复杂系统的智能能力可以主要依赖隐式模型的统计学习能力来实现。在某些以感知、分类与推荐为主的应用场景中，这一倾向具有一定合理性。

然而，在现代智能制造系统这一典型的复杂工程领域中，上述技术直觉存在根本性局限。制造系统并非以静态任务为核心，而是一个高度过程化、时序化、受物理约束并具有高风险特征的动态系统。在此背景下，显式模型与状态机不仅未因数据智能的发展而失去意义，反而构成了智能制造系统中不可替代的基础性结构。

二、问题界定：智能制造系统的本体特征

智能制造系统具有以下几个不可回避的本体特征：

1. 强时序性：生产过程必须遵循严格的阶段顺序；

2. 强物理约束：能量、材料、设备能力均存在不可违背的物理边界；

3. 高安全与合规要求：系统失效可能导致人身安全、设备损毁或质量事故；

4. 多主体协同特征：系统运行涉及人、设备、控制系统、信息系统及组织结构的协同。

这些特征决定了智能制造系统并非一个可以完全“黑箱化”的问题空间，而是一个必须显式表达过程结构与状态边界的工程系统。

三、认知科学视角：显式状态表征的必要性

从认知科学角度看，智能并非仅体现为输入与输出之间的高精度映射，而更重要的是系统是否具备对自身行为过程的显式表征与调控能力。

隐式模型（如神经网络或大模型）本质上是高维函数逼近器，其内部状态难以直接映射为：

• 系统当前所处的操作阶段；

• 行为之间的因果与约束关系；

• 可执行、可禁止或必须执行的动作集合。

大量认知科学研究表明，缺乏显式状态表征的系统难以实现可反思、可校正与可协同的智能行为。在这一意义上，状态机并非传统自动化技术的历史遗产，而是一种对“系统正在发生什么”与“系统接下来允许发生什么”的形式化认知表达。

四、工程现实：制造过程对显式结构的内在需求

在制造系统中，控制对象并非抽象任务，而是现实世界中的设备、材料与能量流动。若系统缺乏显式状态机与过程模型，将不可避免地产生以下问题：

• 行为建议可能违反设备互锁或安全规则；

• 参数优化结果可能不符合当前工艺阶段的允许范围；

• 系统在异常情况下无法准确定位所处阶段；

• 行为责任与决策依据难以追溯。

这些问题并非源于算法能力不足，而是由于系统缺乏对过程结构的形式化认知。因此，在制造系统中，显式模型承担的是一种不可被统计学习方法替代的结构性角色。

五、显式模型的五项不可替代功能

1. 过程认知的形式化载体

显式过程模型（如 S88中的配方、IEC 62264 中的 Process Segment 等）将连续的物理过程离散化为可理解、可管理、可验证的阶段结构，是系统具备过程认知能力的前提。

2. 跨角色协同的公共语义基础

显式模型构成了工艺工程、自动化控制、信息系统与智能算法之间的共享语义空间。没有统一的显式模型，跨层级、跨专业的协同只能停留在接口对接而非认知一致。

3. 安全与合规的形式化保障

状态机（PackML）通过显式定义合法状态、非法状态与状态转移条件，为系统提供可验证的安全边界，这是任何基于经验统计的模型都无法可靠承担的功能。

4. 系统稳定性的结构性来源

复杂系统的稳定性并非来自更复杂的算法，而来自清晰的阶段划分与状态约束。状态机在此意义上构成了工业系统的结构稳定器。

5. AI 能力嵌入的承重结构

随着 AI 在制造系统中承担的职责不断增强，其对显式模型的依赖反而更加突出。AI 更适合作为优化器、预测器与决策建议生成器，而非过程主控与状态裁决的主体。

六、显式模型与状态机不可被大模型替代的根本原因

大模型在意义生成、模式归纳与语言理解方面具有显著优势，但其内在机制并不天然遵守：

• 不变量约束；

• 强制性顺序；

• 严格的禁止规则。

而制造系统中的关键控制结构恰恰属于不可压缩的形式化认知结构。这些结构的存在目的并非效率最大化，而是系统在极端情况下仍具备不可失败性。

七、面向未来的判断

智能制造系统的发展分水岭，并不在于是否引入更先进的人工智能技术，而在于是否建立起：

可计算、可验证、可演进的显式认知结构体系。

显式模型与状态机正是这一体系的核心组成部分。

---

八、结论

综上所述，在现代智能制造系统中，显式模型与状态机并非对数据智能的保守延续，而是智能能力得以安全、可信、规模化落地的必要前提。任何试图以隐式模型全面取代显式结构的方案，最终都将因缺乏过程认知与形式化约束而在工程实践中失效。