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，我有些惊异。
「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，移动机器人四处奔忙，机器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。
我被震荡到了。
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弘大工人群体而有名的制造商（富士康拥有超过 100 万名员工），会寻求自动化呢？此举背后有很多缘故原由。

大多数"大众年夜众认为制造商方向于利用廉价劳动力，但事实却正好相反，它们更方向于在无需人力的情形下完成事情。
这不仅仅是为了降落本钱。
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，工人疲倦、缺点和身体侵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。

批量生产须要标准化。
生产循环中的工人越少，就可以实现越多的质量掌握。
生产标准电子产品的公司则须要高精度和质量掌握。
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，就不须要对机器进行重复演习，而对新工人或忘却流程的工人还须要进行重复培训。
换句话说，对付大略的制造过程，机器拥有的知识是终生的。
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，并扩展其利用范围。

更低的机器本钱和机器人本钱进一步推动了自动化的发展。
当所怀孕分聚拢在一起时，我们将看到不可逆转的工业自动化浪潮。

但是这一过程存在寻衅。
一旦我们在工厂安装机器来承担过去由人类完成的事情，那么新的问题将会涌现：机器可能会出错，因此机器须要人力进行监控（虽然你无需担心机器会缺少事情动力）。
此外，机器也会感到疲倦（零件磨损），乃至会发生故障。
这时候就须要利用监控、非常检测和掩护等手段了。

过去一贯是人类扮演着监视和掌握的角色：用肉眼进行检测、审查数据或决定何时进行掩护。
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、压力和振动丈量等数据，打算做事器上充斥着数据。
事实上，对付一个拥有 1000 个传感器（传感器每 10 秒发送一次旗子暗记）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期。

对付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 事情时，我们每天要处理数以 TB 计的数据。
但对付制造商来说，大数据是一种新征象，也是他们刚开始节制的东西。
首先，构建一个网络、存储和处理数据的数据根本架构至关主要。

在数据网络方面，我们拥有和互联网（或局域网）互联的传感器和机器。
这些设备将向做事器发送温度、湿度、压力、机器状况、运行韶光、振动等丈量值信息。
该系统还网络半成品的数据，并在处理结束时网络产品毛病数据。

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打算能力有关。
其次，公司必须决定数据存储的办法：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相应的速率。

在数据处理方面，该当将更多的数据发送到做事器中还是保存在本地？这一决定直接影响打算的发生地。
有些人提倡边缘打算。
这究竟是一时的风潮还是大势所趋？将数据发送到做事器后，我们须要数据工程师清理数据并进行聚合。

一旦完成数据根本架构的构建之后，我们须要进行下一步：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相应、实时监控和预测性掩护等功能。
例如，非常检测有助于快速检测问题并进行持续监测，从而减少摧残浪费蹂躏和系统中断。
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痕），并及时调度步骤。
它减少了歇工韶光，为制造商省了一大笔钱。

另一个主要的方面是预测性掩护。
通过剖析数据，我们知道机器何时以及如何发生故障。
西门子已经支配了一个名为 MindSphere 的系统，该系统网络运行数据和传感器丈量值，以进行预测性掩护。

通过理解在哪个阶段或在什么条件下会造成产品毛病，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掌握：在涌现问题或情形发生变革时采纳行动。
这意味着剖析数据、检测导致毛病或生产减缓的缘故原由，以及利用数据来提高效率。

凭借强大的能力，人工智能可以减少机器故障、生产韶光丢失以及延期交付等问题的涌现，从而帮助制造商节省数百万美元。

另一个须要人工智能的领域是生产方案。
人工智能的一个研究领域是方案和调度：如何使智能体遵照一系列步骤并终极实现目标。
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，须要折衷任务。
工厂在生产许多零件并须要折衷生产时，智能方案就非常有用了。
方案系统可以调度每个组件并使其可用于下一个生产阶段。

终极，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，机器人还须要打算机视觉、推理、方案、学习等能力。
自动化工厂须要的是能够处理繁芜任务、像人类一样机动的机器人或机器臂。

因此，完全的工业人工智能系统包括：传感器网络、大数据、机器学习、方案和调度，以及机器人。

现在，很多制造商离这些完全能力还很迢遥。
安装传感器、使机器发送数据是第一步。
这也是 IoT（物联网）现在变得盛行的缘故原由。
自适应系统的集成——基于组件情形调度生产过程的系统仍旧是新玩意。

机器人并不像我们希望的那样万能。
机器臂远不如人手灵巧。
在涌现繁芜图案的情形下，打算机视觉可能会失落败。

公司之间的人才争夺战也进行的风起云涌。
鉴于人工智能工程师和科学家的短缺，大型互联网和做事公司正在大量引入所有他们能够得到的候选人。
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比较，制造商这里的干系事情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？随着大数据根本举动步伐和机器学习逐渐趋于成熟，工厂将会对这些「新事物」洞开大门，以帮助提高工厂效率、降落本钱。
每一个工厂都将采取大数据和机器学习方法来网络、处理和剖析所有数据。
我们将看到物联网在工厂中的遍及，以及机器人、无人机乃至是机器语音接口等技能日益广泛的利用。
人工智能已成为制造过程中不可或缺的一部分。

末了一个问题：制造工人将何去何从？人类并非为重复性的事情而生。
永劫光的重复劳动会使工人损失把稳力、感到疲倦、须要安歇。
重复性的流水线事情不利于工人的身心康健。
人工智能将把人们从这种束缚中解放出来，让他们有机会从事做事、创意艺术和打算机工程方面的事情。
工业岗位的流失落只是技能迁移的另一波浪潮。
类似于从地皮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逝预示着做事业的崛起，这完成了 Tofler 曾经不雅观察到的第三次浪潮。
生活在这样一个时期其实令人愉快！