2016年是人工智能特別的一年，60年前，人工智能劃破星空降臨世界，60年后，AlphaGo則引爆世人眼球，強勢宣告它的時代已經到來。人工智能不單改變普通人的生活，也在以大家意想不到的方式改變工廠和制造商。
要想明白背后的原因，你就不應該把AI想成人類智能在機器里的復制品，而應該把它想成自動化的下一個階段。沒有哪個領域的自動化會比工廠更先進。因為有了AI，未來的工廠可能會和今天的工廠截然不同。
為了找到原因，我們應該研究自動化技術在過去的引入方式。當一種技術最初被引入時，人們自然而然地會把其看成他們熟知的某樣東西的直接替代品。但是隨著人們對新技術的理解的加深，他們就會意識到解鎖這種技術真正力量的方式是重新設計其周圍的流程，并且充分利用該技術的潛能。
不用馬拉的馬車
讓我們先回顧下汽車的發展史，當汽車在1900年左右首次進入美國時，這些非凡的機器被稱作“不用馬拉的馬車”。為什么?因為我們熟悉馬拉的馬車，把汽車理解為馬車的直接替代品是最簡單的，區別僅僅是馬像被施了魔法一樣不知去向。
去除掉馬匹有著明顯的優勢。當汽車不運轉時，你不需要給汽車喂食。汽車不會生病或者拒絕工作，或者把馬糞弄得到處都是——對于城市來說，你可能想不到這是一個大問題。
但是把汽車簡單地看作沒有馬的馬車卻是對新技術真正力量的錯誤理解。汽車對我們的交通系統進行了革命。汽車減少了除船舶和火車以外的運輸商品的成本，并且創造了大量的新興市場。汽車創造了郊區這個全新的概念，因為現在你可以住在離你工作地點更遠的地方了。而且你可能不知道，哪怕是早期的汽車也比用馬旅行安全得多。馬會踢、咬，并且踩人。
但是如果不對周圍的基礎設施進行大規模的改造，這些優勢就無法體現。在汽車之前，街道不僅僅是一條從一個地方通往另一個地方的路。街道是社交場所，就像今天的公園一樣，孩子們在上面玩耍，人們在上面社交。部分原因是因為行人和馬匹都行進得很慢。所以早期的汽車只是被簡單地加入到了馬匹和行人當中。
但是，很快大家就明白過來，如果劃分出專屬于新機器的特點區域，這些機器就會變得更有價值，旅行和商務都加速了。沒過多久，就有了車道和尾燈，對于街道的其他使用，包括馬匹，就被限制或者禁止了。
現在，你可能認為我們在科技方面比以前聰明得多，但是也許我們并沒有。
無人又無馬的馬車?
我們正在無人駕駛汽車上重復相同的錯誤，而這是一種幾乎會改變一切的技術。我們旅行的方式、我們運輸商品的方式，以及我們的生活方式。但是直到我們為它們劃定和人類駕駛汽車區別開來的特殊區域之前，這些優勢都無法完全展現。但這是另外一個話題了。也許我們應該把這些新機器稱為無人無馬的馬車。
那么我們再回到人工智能上來。因為AI的真正意義和影響并沒有被充分理解，人們自然而然就會把AI看作簡單的替代品，就像是人們看待無馬的馬車一樣。大多數人把AI看作構建電子大腦的技術，這種大腦會取代思考的人類，特別是人類工作者。就像人類智能一樣，只是沒有人類而已。
但就像是汽車的引入一樣，這種理解不得要領。事實上，人工智能并不像人類智能。AI向我們提供了再造制造設施甚至公共空間的機會，這種再造的方式是出其不意、令人興奮的，而且還具有潛在的巨大經濟收益。
機器學習，開啟未來工廠之路
想一想我們的自動化工廠今天的運作方式。除了個別例外，機器都在工廠精心控制的環境中從事簡單的重復性操作。如果一個組成零件沒有在正確的時間出現在規定的位置上，結果將是災難性的。起背后的原因很簡單：大部分機器無法感知環境或者適應改變。
可能現在最重要的AI新發展就是所謂的“機器學習”了。但是機器學習并不像大部分人所想的那樣。它和人類學習非常不同。機器學習其實是從大型數據池中提取非常細微的模式的一系列技術。
現在最大的、不斷增長的電子形式數據源來自各式各樣的傳感器。攝像頭和麥克風是最為明顯的，因為它們反映了我們自身看和聽的能力，但是還有很多其他的類型。例如，可以度量熱、震動、磁、電阻、重量、機械應力等的傳感器。
機器學習讓我們可以分析來自這些傳感器的大量的數據流，從而構建出一個本地環境實時情況的完整圖景。今天，很多普通的機器需要人類來引導和控制它們，比如升降機和吸塵器。但是如果你仔細思考的話，會發現人類的作用只是機器的感知和控制系統。把今天最先進的機器學習和傳感器的實時數據相結合，我們就可以填補這份空白并且去掉人類。
在不遠的未來，我們的工廠和倉庫將會充滿揀選和包裝訂單的機器;進貨和整理貨架的機器;分類、切割、檢查，并且組裝隨意放置的組件的機器。它們甚至還能夠診斷并且修理其他機器人設備。
重新定義人工智能時代制造業
但是所有這些只是使用人工智能的第一步。只是簡單地把人類換成機器的初始階段。在此之后，AI將會開始對工廠和公共空間進行整體重新設計。為了充分利用AI，我們需要做兩件事。
分布式傳感器和效果器
首先是對機器的解構。傳感器沒有任何理由非要和實際完成工作的設備進行物理上的連接。你的眼鏡和耳朵可能跟手腳一樣，都長在同一個身體上，而且我無法通過你的眼睛看東西。但是機器的設計方式可以是非常不同的。傳感器可以在環境中分散放置并且被很多不同的機器或設備共享，而未來的工廠可以利用這一點。
對于機器來說，道理也是同樣的。有能力完成不同功能的不同效果器也可以分散在整個工廠中，然后快速從一個地方移動到另一個地方，并且根據眼下的任務進行重新配置，這樣，在生產過程中它們就不會無所事事地呆在一個特定地點上等待召喚了。
顛覆傳統裝配線
當我們不再通過假想人類的工作方式來設計機器時，工廠的第二個重要轉變就會發生。
一個現代的汽車裝配線可能是高度自動化的，但是其基本的組織遵循的卻是亨利·福特將近100年前的設計，作為福特汽車公司的創始人，這是他為自己的汽車工廠所設計的。每輛車都從一個裝配站轉移到另一個裝配站，處于不同裝配階段的專家會在不同位置完成他們的任務。今天，我們已經用機器替換了大部分人類專家，但是裝配線的概念卻一成不變。
我們使用這種格式的原因和亨利·福特完全相同:這樣人類就能把制造工序的每一步和一個特定地點相聯。例如，一個工人需要知道在汽車上安裝輪子的時間和地點。一個經理必須有能力監督裝配線并尋找問題。這意味著這個流程必須被分割成任何人都能夠看到和理解的任務或工作站。
但是有了人工智能，新型的靈活機器人就不需要遵循這條原則了。制造工序可以變得更加錯綜復雜，以至于人類根本無法輕易理解。每輛汽車都可以根據零件的位置和各種工具和傳感器的可用性進行不同方式的裝配。
亞馬遜的自動化倉庫
如果要舉一個更加復雜而且高效的組織原則實例，不妨想想亞馬遜這家美國最大的電子零售商，亞馬遜一直都在調整其庫房的倉儲模式。對于一家普通倉庫來說，相同哪個的物品都存放在一起，這樣當你需要尋找某樣東西時，你就知道它在哪。
但是最新的亞馬遜倉庫中的物品卻可能存放在經常和它一起發出的東西旁邊。對于人類肉眼來說，這情景就是一團混亂——不同大小和形狀的產品被隨意堆放在各處。這個過程在人類看來可能會有些雜亂無章。但是我懷疑觀看AI計算機管理這場瘋狂機械芭蕾的場面也會有一些特殊的美感。
對于制造業的人工智能來說。如果要解鎖技術的完整價值，我們就要摒棄某一些人類偏見并且采用新的設計原則。雖然我們可能會對未來工廠奇特而復雜的外表感到驚奇，有一樣東西卻是肯定的：未來工廠會以今天工廠無法比擬的速度和效率制造產品。
