本文从富士康的自动化生产入手，介绍了人工智能在制造业中的「用武之地」和可能对制造业造成的改变。作者提出完整的工业人工智能系统包括：传感器网络、大数据、机器学习、规划和调度，以及机器人。
几年前，我参加了富士康 CTO 的一次演讲。当他提到富士康是当时第三大机器人制造商时，我有些惊讶。「事实上，」他补充道，「我们已经建造了一个全自动化的工厂」。他向我们展示了一个视频片段：工厂中，移动机器人四处奔走，机械臂在各个组件上忙得热火朝天，传送带流畅运行。工厂里一个人都没有。我被震惊到了。时至今日，富士康拥有 6 家全自动化工厂、超过 50000 台机器人。
为什么像富士康这样以庞大工人群体而闻名的制造商（富士康拥有超过 100 万名员工），会寻求自动化呢？此举背后有很多原因。
大多数公众认为制造商倾向于使用廉价劳动力，但事实却恰恰相反，它们更倾向于在无需人力的情况下完成工作。这不仅仅是为了降低成本。在制造业中，人类的效率要远低于机器。在机器取代人力的每一步过程中，工人疲劳、错误和身体伤害造成的影响逐渐减少。此外，生产精度也在上升，生产过程可以得到标准化。
批量生产需要标准化。生产循环中的工人越少，就可以实现越多的质量控制。生产标准电子产品的公司则需要高精度和质量控制。这是机器优于人类的地方。此外，机器流程是可重复的。一旦完成编程，就不需要对机器进行重复训练，而对新工人或忘记流程的工人还需要进行重复培训。换句话说，对于简单的制造过程，机器拥有的知识是终身的。此外，假设机器成本相对较低，那么我们可以轻松复制编程机器，并扩展其使用范围。
更低的机器成本和机器人成本进一步推动了自动化的发展。当所有因素聚集在一起时，我们将看到不可逆转的工业自动化浪潮。
但是这一过程存在挑战。一旦我们在工厂安装机器来承担过去由人类完成的工作，那么新的问题将会出现：机器可能会出错，因此机器需要人力进行监控（虽然你无需担心机器会缺乏工作动力）。此外，机器也会感到疲倦（零件磨损），甚至会发生故障。这时候就需要使用监控、异常检测和维护等手段了。
过去一直是人类扮演着监视和控制的角色：用肉眼进行检测、审查数据或决定何时进行维护。但是，当数据量显著增加时，人类无法胜任这项任务。在机器上安装数以千计的传感器，发送实时温度、压力和振动测量等数据，计算服务器上充斥着数据。事实上，对于一个拥有 1000 个传感器（传感器每 10 秒发送一次信号）的工厂来说，每小时就有超过 360,000 条数据流入。1 天内就有超过 100 万条数据。制造商已进入大数据时代。
对于从事互联网和移动业务的人来说，大数据已经成为日常。我在 eBay 工作时，我们每天要处理数以 TB 计的数据。但对于制造商来说，大数据是一种新现象，也是他们刚开始掌握的东西。首先，构建一个收集、存储和处理数据的数据基础架构至关重要。
在数据收集方面，我们拥有和互联网（或局域网）互联的传感器和机器。这些设备将向服务器发送温度、湿度、压力、机器状况、运行时间、振动等测量值信息。该系统还收集半成品的数据，并在处理结束时收集产品缺陷数据。
在数据存储方面，首先，公司必须决定数据存储的位置：云端还是本地？这一决定与公司拥有的存储空间以及数据需求的计算能力有关。其次，公司必须决定数据存储的方式：将数据放在数据库（什么样的数据库）还是非数据库中，比如高度分布式文件系统（比如 Hadoop）？这种考量涉及到处理数据的频率以及响应的速度。
在数据处理方面，应该将更多的数据发送到服务器中还是保存在本地？这一决定直接影响计算的发生地。有些人提倡边缘计算。这究竟是一时的风潮还是大势所趋？将数据发送到服务器后，我们需要数据工程师清理数据并进行聚合。
一旦完成数据基础架构的构建之后，我们需要进行下一步：理解数据。人工智能在这一步将大展拳脚。人工智能的核心是机器学习，智能系统从数据中学习并从更新的数据中获取新模式。虽然人类也可以读取数据，但却无法在一秒钟内处理数百万个数据点。机器学习可以做到这一点，并且可以重复进行。
因此，人工智能可实现快速响应、实时监控和预测性维护等功能。例如，异常检测有助于快速检测问题并进行持续监测，从而减少浪费和系统中断。自适应系统可以更早地检测到问题（比如某个玻璃瓶存在裂缝），并及时调整步骤。它减少了停工时间，为制造商省了一大笔钱。
另一个重要的方面是预测性维护。通过分析数据，我们知道机器何时以及如何发生故障。西门子已经部署了一个名为 MindSphere 的系统，该系统收集运行数据和传感器测量值，以进行预测性维护。
通过了解在哪个阶段或在什么条件下会造成产品缺陷，人工智能可以帮助改进生产过程。机器学习模型可以帮助我们检测这种模式。
人工智能有助于自适应控制：在出现问题或情况发生变化时采取行动。这意味着分析数据、检测导致缺陷或生产减缓的原因，以及使用数据来提高效率。
凭借强大的能力，人工智能可以减少机器故障、生产时间损失以及延期交付等问题的出现，从而帮助制造商节省数百万美元。
另一个需要人工智能的领域是生产规划。人工智能的一个研究领域是规划和调度：如何使智能体遵循一系列步骤并最终实现目标。人工智能调度被用于 Kiva 机器人中，这些机器人在亚马逊的仓库中四处移动，需要协调任务。工厂在生产许多零件并需要协调生产时，智能规划就非常有用了。规划系统可以调度每个组件并使其可用于下一个生产阶段。
最终，人工智能是机器人不可或缺的一部分。除了抓取和移动能力之外，机器人还需要计算机视觉、推理、规划、学习等能力。自动化工厂需要的是能够处理复杂任务、像人类一样灵巧的机器人或机械臂。
因此，完整的工业人工智能系统包括：传感器网络、大数据、机器学习、规划和调度，以及机器人。
现在，很多制造商离这些完整能力还很遥远。安装传感器、使机器发送数据是第一步。这也是 IoT（物联网）现在变得流行的原因。自适应系统的集成——基于组件情况调整生产过程的系统仍然是新玩意。
机器人并不像我们希望的那样万能。机械臂远不如人手灵活。在出现复杂图案的情况下，计算机视觉可能会失败。
公司之间的人才争夺战也进行的如火如荼。鉴于人工智能工程师和科学家的短缺，大型互联网和服务公司正在大量引入所有他们能够获得的候选人。基本上没给制造商留下多少可用之才，与设计 app、增加点击量或通过更好的定位来提高广告收入相比，制造商这里的相关工作并不是那么有吸引力。制造商如何吸引人才是一个大问题。
工业人工智能的未来是什么？随着大数据基础设施和机器学习逐渐趋于成熟，工厂将会对这些「新事物」敞开大门，以帮助提高工厂效率、降低成本。每一个工厂都将采用大数据和机器学习方法来收集、处理和分析所有数据。我们将看到物联网在工厂中的普及，以及机器人、无人机甚至是机器语音接口等技术日益广泛的使用。人工智能已成为制造过程中不可或缺的一部分。
最后一个问题：制造工人将何去何从？人类并非为重复性的工作而生。长时间的重复劳动会使工人丧失注意力、感到疲倦、需要休息。重复性的流水线工作不利于工人的身心健康。人工智能将把人们从这种束缚中解放出来，让他们有机会从事服务、创意艺术和计算机工程方面的工作。工业岗位的流失只是技术迁移的另一波浪潮。类似于从土地迁移到工厂的农场工人，我们将看到一波制造业工人的迁徙浪潮——从工厂迁进办公室。制造业岗位的逐渐消失预示着服务业的崛起，这完成了 Tofler 曾经观察到的第三次浪潮。生活在这样一个时代着实令人兴奋！