幾年前，我參加了富士康 CTO 的一次演講。當他提到富士康是當時第三大機器人製造商時，我有些驚訝。「事實上，」他補充道，「我們已經建造了一個全自動化的工廠」。他向我們展示了一個視訊片段：工廠中，移動機器人四處奔走，機械臂在各個元件上忙得熱火朝天，傳送帶流暢執行。工廠裡一個人都沒有。我被震驚到了。時至今日，富士康擁有 6 家全自動化工廠、超過 50000 臺機器人。
為什麼像富士康這樣以龐大工人群體而聞名的製造商（富士康擁有超過 100 萬名員工），會尋求自動化呢？此舉背後有很多原因。
大多數公眾認為製造商傾向於使用廉價勞動力，但事實卻恰恰相反，它們更傾向於在無需人力的情況下完成工作。這不僅僅是為了降低成本。在製造業中，人類的效率要遠低於機器。在機器取代人力的每一步過程中，工人疲勞、錯誤和身體傷害造成的影響逐漸減少。此外，生產精度也在上升，生產過程可以得到標準化。
批量生產需要標準化。生產迴圈中的工人越少，就可以實現越多的質量控制。生產標準電子產品的公司則需要高精度和質量控制。這是機器優於人類的地方。此外，機器流程是可重複的。一旦完成程式設計，就不需要對機器進行重複訓練，而對新工人或忘記流程的工人還需要進行重複培訓。換句話說，對於簡單的製造過程，機器擁有的知識是終身的。此外，假設機器成本相對較低，那麼我們可以輕鬆複製程式設計機器，並擴充套件其使用範圍。
更低的機器成本和機器人成本進一步推動了自動化的發展。當所有因素聚集在一起時，我們將看到不可逆轉的工業自動化浪潮。
但是這一過程存在挑戰。一旦我們在工廠安裝機器來承擔過去由人類完成的工作，那麼新的問題將會出現：機器可能會出錯，因此機器需要人力進行監控（雖然你無需擔心機器會缺乏工作動力）。此外，機器也會感到疲倦（零件磨損），甚至會發生故障。這時候就需要使用監控、異常檢測和維護等手段了。
過去一直是人類扮演著監視和控制的角色：用肉眼進行檢測、審查資料或決定何時進行維護。但是，當資料量顯著增加時，人類無法勝任這項任務。在機器上安裝數以千計的感測器，傳送實時溫度、壓力和振動測量等資料，計算伺服器上充斥著資料。事實上，對於一個擁有 1000 個感測器（感測器每 10 秒傳送一次訊號）的工廠來說，每小時就有超過 360,000 條資料流入。1 天內就有超過 100 萬條資料。製造商已進入大資料時代。
對於從事網際網路和移動業務的人來說，大資料已經成為日常。我在 eBay 工作時，我們每天要處理數以 TB 計的資料。但對於製造商來說，大資料是一種新現象，也是他們剛開始掌握的東西。首先，構建一個收集、儲存和處理資料的資料基礎架構至關重要。
在資料收集方面，我們擁有和網際網路（或區域網）互聯的感測器和機器。這些裝置將向伺服器傳送溫度、溼度、壓力、機器狀況、執行時間、振動等測量值資訊。該系統還收集半成品的資料，並在處理結束時收集產品缺陷資料。
在資料儲存方面，首先，公司必須決定資料儲存的位置：雲端還是本地？這一決定與公司擁有的儲存空間以及資料需求的計算能力有關。其次，公司必須決定資料儲存的方式：將資料放在資料庫（什麼樣的資料庫）還是非資料庫中，比如高度分散式檔案系統（比如 Hadoop）？這種考量涉及到處理資料的頻率以及響應的速度。
在資料處理方面，應該將更多的資料傳送到伺服器中還是儲存在本地？這一決定直接影響計算的發生地。有些人提倡邊緣計算。這究竟是一時的風潮還是大勢所趨？將資料傳送到伺服器後，我們需要資料工程師清理資料並進行聚合。
一旦完成資料基礎架構的構建之後，我們需要進行下一步：理解資料。人工智慧在這一步將大展拳腳。人工智慧的核心是機器學習，智慧系統從資料中學習並從更新的資料中獲取新模式。雖然人類也可以讀取資料，但卻無法在一秒鐘內處理數百萬個資料點。機器學習可以做到這一點，並且可以重複進行。
因此，人工智慧可實現快速響應、實時監控和預測性維護等功能。例如，異常檢測有助於快速檢測問題並進行持續監測，從而減少浪費和系統中斷。自適應系統可以更早地檢測到問題（比如某個玻璃瓶存在裂縫），並及時調整步驟。它減少了停工時間，為製造商省了一大筆錢。
另一個重要的方面是預測性維護。通過分析資料，我們知道機器何時以及如何發生故障。西門子已經部署了一個名為 MindSphere 的系統，該系統收集執行資料和感測器測量值，以進行預測性維護。
通過了解在哪個階段或在什麼條件下會造成產品缺陷，人工智慧可以幫助改進生產過程。機器學習模型可以幫助我們檢測這種模式。
人工智慧有助於自適應控制：在出現問題或情況發生變化時採取行動。這意味著分析資料、檢測導致缺陷或生產減緩的原因，以及使用資料來提高效率。
憑藉強大的能力，人工智慧可以減少機器故障、生產時間損失以及延期交付等問題的出現，從而幫助製造商節省數百萬美元。
另一個需要人工智慧的領域是生產規劃。人工智慧的一個研究領域是規劃和排程：如何使智慧體遵循一系列步驟並最終實現目標。人工智慧排程被用於 Kiva 機器人中，這些機器人在亞馬遜的倉庫中四處移動，需要協調任務。工廠在生產許多零件並需要協調生產時，智慧規劃就非常有用了。規劃系統可以排程每個元件並使其可用於下一個生產階段。
最終，人工智慧是機器人不可或缺的一部分。除了抓取和移動能力之外，機器人還需要計算機視覺、推理、規劃、學習等能力。自動化工廠需要的是能夠處理複雜任務、像人類一樣靈巧的機器人或機械臂。
因此，完整的工業人工智慧系統包括：感測器網路、大資料、機器學習、規劃和排程，以及機器人。
現在，很多製造商離這些完整能力還很遙遠。安裝感測器、使機器傳送資料是第一步。這也是 IoT（物聯網）現在變得流行的原因。自適應系統的整合——基於元件情況調整生產過程的系統仍然是新玩意。
機器人並不像我們希望的那樣萬能。機械臂遠不如人手靈活。在出現複雜圖案的情況下，計算機視覺可能會失敗。
公司之間的人才爭奪戰也進行的如火如荼。鑑於人工智慧工程師和科學家的短缺，大型網際網路和服務公司正在大量引入所有他們能夠獲得的候選人。基本上沒給製造商留下多少可用之才，與設計 app、增加點選量或通過更好的定位來提高廣告收入相比，製造商這裡的相關工作並不是那麼有吸引力。製造商如何吸引人才是一個大問題。
工業人工智慧的未來是什麼？隨著大資料基礎設施和機器學習逐漸趨於成熟，工廠將會對這些「新事物」敞開大門，以幫助提高工廠效率、降低成本。每一個工廠都將採用大資料和機器學習方法來收集、處理和分析所有資料。我們將看到物聯網在工廠中的普及，以及機器人、無人機甚至是機器語音介面等技術日益廣泛的使用。人工智慧已成為製造過程中不可或缺的一部分。
最後一個問題：製造工人將何去何從？人類並非為重複性的工作而生。長時間的重複勞動會使工人喪失注意力、感到疲倦、需要休息。重複性的流水線工作不利於工人的身心健康。人工智慧將把人們從這種束縛中解放出來，讓他們有機會從事服務、創意藝術和計算機工程方面的工作。工業崗位的流失只是技術遷移的另一波浪潮。類似於從土地遷移到工廠的農場工人，我們將看到一波製造業工人的遷徙浪潮——從工廠遷進辦公室。製造業崗位的逐漸消失預示著服務業的崛起，這完成了 Tofler 曾經觀察到的第三次浪潮。生活在這樣一個時代著實令人興奮！