PID调节：AI经验时代的工业答案

2026世界人工智能大会在上海开幕，图灵奖得主、“强化学习之父”理查德·萨顿在主论坛上说了一段话，人类数据时代即将走到尽头，AI 正迈入真正的 "经验时代"。

虽然我们一直在喊人类已经进入了人工智能时代，但其实没有人能说清楚人工智能到底是什么？对大多数人来讲，大家与人工智能打交道最多的就是办公使用豆包、元宝这些产品，然而他们的工作能力还不全面，想预测一下世界杯的赛事就有点难为人工智能了。

无论是豆包还是元宝，其实工作并不是依靠的主动思考，虽然在出结果的过程中会说自己正在思考。在我看来，真正的思考应该包含两个方面，首先是对既有数据的汇总，然后是对数据的重新组合、补充、推算然后得出一个更加确定性的结论。人工智能对数据的汇总能力是足够强大的，已经超出了正常人的范畴，但是创造力显然不足，没有创造力的思考，显然还不算真正的思考。

萨顿还点出了另一个问题—现有大模型没有目标，没有奖惩反馈，没法自己校验，而经验型智能体可以靠环境反馈持续校正自己的认知，他说这是不可逆的技术大势。

读到这里我愣了一下，目标、反馈、能跟环境交互、能持续自我校正，这不就是咱们电厂里天天打交道的东西吗？这不就是PID吗？

看过我的文章或者视频讲解的朋友应该比较清楚，讲PID有三个要素，也就是比例、积分和微分。我们经常用到的PID调节基本都是反馈调节，它需要有个目标值，有个调节的给定值，需要有个过程值，得出一个过程值和给定值之间的偏差运算，从而输出调节的参数。

在电厂里，汽轮机转速调节、汽包水位调节、炉膛负压调节，都是采用的PID调节。测一个偏差，然后比例项看现在偏差有多大，积分项把过去的偏差攒起来，微分项看偏差往哪个方向跑。P看现在，I记过去，D算未来，说白了就是调节的幅度、速率和加速度，三者共同作用，最终消除偏差，达到目标值。

萨顿说AI下一步要走"经验驱动"，要靠智能体和环境的交互产生动态数据。

PID的使用历史有一百年了，一百年来很多人都希望能够彻底搞懂PID的运行规律，也产生过很多的争议。甚至有人拿着一些滞后调节的案例否定PID调节的作用，但这一百年来，没有任何一种新的调节方式能够像PID一样在工业场景中如此得心应手的解决问题。

几年前我在工作的一家生物质电厂，水冷振动炉排的控制我希望增加一个大数据计算模型，通过炉膛温度来控制振动的频率和幅度，但终究没有实现。后来很多做工业自动化的模式，采用所谓的大数据模式，其实效果并不明显，因为运行稳定的机组不需要大数据的控制，运行不稳定的机组大数据也没参考意义。

所以很多时候，我们努力半生，终究还是回到了最初的样子。大家在数字化的道路上走的越深，回头才发现这其实就是PID调节的模样。

萨顿说大模型缺少目标，PID天然有目标，设定值就是它的北极星，所有的动作都朝着那个方向去。萨顿说大模型缺少奖惩反馈，

偏差信号就是奖惩——偏得越远"罚"得越重，回来了就趋于安静。这跟强化学习里的奖励函数，本质上是一回事。

此外，萨顿说大模型没法自主校验信息真伪，

PID每时每刻都在校验——实测值和设定值一比对就知道自己偏了没偏，从来不会"一本正经地胡说八道"，因为它每个控制周期都在拿实测值跟目标比。

萨顿说经验型智能体可以靠环境反馈持续校正认知，自主进化，

闭环控制本身就是"反馈—校正—再反馈"，一直在纠偏，一直在进化。你调一台PID调了二十年，里面沉淀的那套参数不是谁写进去的，是二十年的经验长出来的。

萨顿担忧的，PID从来不存在；萨顿期盼的，PID一直在做。

十几年前我在电厂工作的时候就研究过大数据模型，当时主要是为了给PID调节整定参数使用。现在所谓的数字化、大模型，其实就是经验的汇总，希望通过一些经验数据的验证，来得到一个可靠的计算结果。PID不需要你去汇总这些数据，它在运算的过程中会自我感知偏差的大小，从而决定是否持续输出还是维持现状。

现在很多企业都在数字化或者人工智能上下功夫，其实对于传统的电厂来讲，现有的计算模式、模型、工具已经足够，数字化改革的过程中要量力而行，不能成为数字化的傀儡，为了数字化而数字化。

本届世界人工智能大会就要落下帷幕，我在上海能够深切感受到科技带来的活力与冲击。昨晚我在写这篇文章的时候，我就在想，一座人工智能与一家传统电厂会有多大差距，答案我想就在PID调节里：有偏差我们就去改进，但对一些无效的扰动，也要学会置之不理。

今早世界杯决赛，央视解说员贺炜说，每个时代都有伟大的叙事，人工智能就是这个时代的伟大叙事！