从人工智能与数据分析的角度，能看到什么呢？

大体来说，从眼前的现实，来想象未来的图景可能并不困难。但落实到具体的制造行业，需要解决的问题“成如容易却艰辛”。就智能汽车的发展愿景，从人工智能与数据分析的角度，能看到什么呢？

汽车开发已经使用了“模块化系统”，允许在多个模型系列中使用功能组件。与此同时，整车的开发周期也越来越短。然而，虚拟汽车开发领域，尚未看到以机器学习方法来促进自主学习的有效尝试，如在建立历史知识的基础上提取相关知识，或建立适用于多种车型系列的知识，以协助未来的项目发展和更有效的组织。车辆研发知识的相关数据管理与仿真和优化数据挖掘的复杂性等紧密契合。此外，这种方法又受到车辆开发过程中组织框架的限制，通常只针对正在开发的模型。同时，由于数据的异构性（有数字数据、图像、视频文件等）复杂、数据量（单一仿真便有兆兆字节）巨大，导致“模拟数据中的数据挖掘”问题困难重重。就目前的情形来说，充其量只能算是在进行试探性研究。

而由于使用了预测性维护，新的服务正在成为可能。有关个人驾驶行为知识的自动学习，可非常准确地预测所需的维修时间周期。车主可以使用这些信息来及时安排汽车维修预约，车载电脑可以将维修预约时间的安排与车主的工作计划进行匹配，目前实现这一愿景比实现冷库自动对杂货进行盘点要更容易。本地授权维修店利用自动化系统可以实时地安排最佳服务预约，并考虑员工的在岗情况，尽可能均衡地分配工作。

车辆的学习和适应能力实际上有无限的潜力。车辆可以识别和分类驾驶员的驾驶行为，将他们确认为特定的驾驶员类型。基于此，车辆本身可以对电子用户界面系统进行调整，换句话说，它们可以提供远远超出汽车特性的个性化及自适应的驱动程序选项。当消费者购买一辆新车时，该消费者作为驾驶者的相关信息，可以顺利转移到一辆新车上，确保消费者在熟悉的使用环境中立即可以驾驶新车。

实现自动驾驶超级智能体

由于越来越多的汽车企业积极投身自动驾驶汽车的研究，使得汽车作为“移动客厅”的描绘，不再是一个令人难以置信的场景。目前，发展的重点是完全自动驾驶。选择自动驾驶作为发展方向的理由很充分：在世界大部分地区不允许自动驾驶汽车上路，如果允许的话也是凤毛麟角。这意味着，作为智能体的汽车不能与其他车辆进行通信，由人驾驶的车辆依旧根据驾驶者的观察调整驾驶行为。驾驶者依靠导航系统获得交通拥堵信息和替代路线建议。然而，我们假设现在每辆车都是一个完全智能体，那么将实现两个目标：优化交通流量；预防交通事故。

在这种情况下，智能体之间通过交流和协商，如协调各自行驶线路、速度、交流路况等，将路程时间最小化。不可预见的情况，如天气变化导致的道路损坏和拥堵，虽然不能完全避免，但遭遇的可能性会降到最低。这类信息会被立即传递到周边的所有车辆，然后启动一轮新的优化周期。此外，预测性维护将最大程度地减少车辆的损坏。历史数据被分析和用来预测故障可能发生的时间，智能体在不需要通知车主的情况下，自动依据车主的工作日历预约维修服务，并自动驾驶车辆到维修店。万一在行驶中遇到事故导致车辆无法继续行驶，智能体将立即通过“故障频道”与相关服务机构或控制中心进行联系，自动驾驶拖车立即出发提供援助，理想的情况是再由一辆自动驾驶汽车作为备用。

因此，自动驾驶智能体将达到：自执行、自适应与社会化。自执行，即自动驾驶汽车遵循通往目的地的路线行驶；自适应，即对无法预见的情况，如道路关闭或出现事故，做出及时反应；社会化，即与其他自动驾驶车辆一起实现交通流量优化并避免交通事故。

结合出租车业务，出租车公司也可以组建无人驾驶出租车队，依据以往客户使用出租车的数据，预先派遣无人驾驶车辆到达指定地点提前等待客户。另外，也可以依据使用数据，来提供特定时间段或特定事件的服务，如球赛、大型会议等。

如果道路也实现了数字化，即沥青路面被载有OLED技术的玻璃路面替代，那么交通的动态管理极有可能实现。从材料工程的角度看，这一方案是可行的：玻璃表面结构也可以做成防滑方式，即使在雨中也可以防滑；对玻璃路面进行柔性设计，也能做到卡车驶于其上也坚不可破；显示屏散发的余热可以用来加热路面，防止冬季路面结冰。

实现工厂优化集成

通过使用软件分析客户和维修厂的报告，以及生产现场出现的缺陷数据，就可以自动地分析出特定车型或零部件是否会再次出现缺陷，以便及早发现并消除潜在的问题，避免大规模召回。制造缺陷的成因是多方面的，如采用了有质量缺陷的零部件或在生产过程中出现错误等。对一家规模化的汽车制造商来说，每天有上千台车下线，因此搞清楚原因并快速行动是最重要的。假设2017年10月份对客户报告和维修店报告的文本分析表明，从2017年7月起交付的某款车型的一侧泊车灯故障显著增加，“显著”意味从2017年1月到10月该款车的销售呈上升趋势。通过分析故障链和修复链，可以确定造成故障或缺陷的成因，或者是否其他车型也存在同样的问题。如果缺陷是由生产机器人造成的生产中的错误，则可以追溯到是硬件故障还是软件错误，是不正确还是不完整的配置造成的。在最坏的情况下，甚至需要更新控制系统以消除错误。但是，因为打补丁的工作只能在制造商收到并审查问题报告之后才开始，所以不可能立即更新软件。同样，由于多轴机械手可以自由支配的自由度非常高，重新配置机器人是一个高度复杂的任务。简言之，做出这样的修正费时、费力，而且即使在所有理想情况下，都会存在后遗症。

但使用人工智能方法可以在多个点优化这一过程。

人工智能研究涉及的领域之一是使系统能够自动从数据中提取和解释知识（见图一），尽管目前这种程度仍然很低。

与数据相比，知识是构成行动的基础，而行动的结果可以反馈到数据中，从而形成新的知识的基础。

如果一个具有学习和理解数据能力的智能体获得了自我行动或其他智能体行动的结果，并能够自由采取行动达到目标，那么该智能体将自执行实现目标。生物智能体，如人或动物，都能在无需其他控制或无需在数据转化为知识这一过程的监督下直接做到这一点。例如，如果在DIY活动中由于角度过大，将一个钉子钉入木板时发生劈裂，我们的大脑会将角度、木材的特性、击锤的力量等知识和经验转化成意识，减少我们犯同样错误的几率。

人工智能“机器学习”研究的重点就是模仿这种行为。使用机器学习软件能够从特定问题域中的数据中学习，并根据过去的事件推断如何解决新事件，这为我们打开了一个通往新世界的大门。机器学习在数据分析领域并不是什么新鲜事，它已经存在了很多年，但现在新的研究有所不同，它是在特定的时间内，计算一个拥有兆兆级数据量的高度复杂模型。如果我们把生产厂当作一个追求生产出无缺陷汽车的有机体，那么，很明显，赋予这一有机体获得相关数据的能力，将有助于有机体自身的发展和改进。

这一过程将经历两个阶段。

第一个阶段是数据学习和应用经验

数据学习意味着机器人不能仅仅根据静态编程操作，它也必须能够使用机器学习方法自主地实现可定义的学习目标。对于可能发生的任何生产错误，最重要的是机器人要首先学习导致这些错误的操作，而不是基于流程图或工程图进行编程。例如，假设上述泊车灯问题不仅被识别出来，而且其原因也可以追溯到生产中的一个问题，可能是把泊车灯推到插座里的机器人操作过硬。现在所需要的就是确定纠正措施的学习目标。让我们假设其他生产厂的机器人没有发生错误，而且泊车灯被正确安装，我们作为人类能够在视觉上识别和解释正确工作的机器人和不正确机器人之间的区别，那么犯错误的机器人也应该能够以类似的方式去学习。这里的区别在于所涉及的感知类型，数字系统在同样的情景下，可以比我们看得更多更清楚。

尽管通过软件实现机器学习方法的内部工作方式在学习过程中很少完全透明，甚至对学习系统的开发人员来说也一样，但是由于组件的随机性和复杂性，操作本身应该是透明的，也就是说，不必关心系统是怎么做的，而要关心它做了什么。机器人需要适应其控制系统的信号来重新启动学习过程，其应该是机器人的机械手和执行器正确工作的运动信号，并可以通过现今能达到的精度值来进行定义和测量。这并不需要任何人为干预，因为系统的完整透明性是通过持续地分析生产过程中积累的数据来保证的。在现场缺陷识别和传输过程中，也不需要任何人为分析。基于对维修店和客户报告的语言分析，再加上维修数据，我们已经能很快识别出哪些问题是由生产引起的。将这些数据相应地传递给相关的智能体并允许这些智能体从缺陷中学习并纠正自己。

第二个阶段是智慧工厂

如果生产厂需要进行学习，而智能体使用的机器学习方法灵活性不够，可以将工厂作为一个由子系统组成的完整生物有机体，像人一样使用自然语言表达，理解语境，并有能力进行解释。对语境的理解和解释一直是人工智能研究领域的一大挑战。人工智能理论把语境看作是对一种状态的共同解释，包括状态本身和其相关的整体情境。与生产工厂相关的语境包括能用自然语言表达或能用其他方式表达的与生产相关的任何事情。下面的简化场景有助于理解这个概念：让我们假设一家汽车企业管理委员会正在开会对一款汽车的车身做最终设计评审。

“我们决定对下一代车型进行‘改款’，请在原车型基础上建立一个模型”，当委员会成员说的时候，一个3D模型就漂浮在参加会议的每个成员佩戴的增强现实眼镜里。

在这种情况下，使用进化算法进行建模是可以想象的，但仅限于可以实际构建的可能组合。只要所涉及的参数已经减少，所需的计算能力有效，就可以将仿真时间从几小时缩短到几分钟，从而在会议期间对组件或组件组合进行动态变形。

“根据该模型，我决定用26分钟来调整我的机器人的程序。为了组装新汽车底盘，工具x1、y1必须用工具x2、y2在机器人x、y工位进行替换。样车的生产将在6小时37分钟内完成。”工厂智能体说。

这一场景我们已经在科幻电影《钢铁侠》系列中看到，但其实际上离我们并不遥远。

当然，智慧工厂被上面的案例大大简化了，但它仍然能够清晰揭示工厂未来发展的可能性。为了了解需要做什么，生产工厂必须了解车身是什么，什么是“改款”等，并从模型中理解参数并输出，从而可以将它们转换为生产步骤。转化为生产步骤的过程需要对机器人的个体机器学习组件进行训练，或者根据模型数据对其程序进行编制或改进，这样就可以实现所有的步骤，从切割金属板材到装配和实现车型变脸。虽然这包括了各种各样的方法，从自然语言的理解和语言的生成、规划、优化，自主生成模型等，但它绝对可以实现。

实现企业自运行

企业在策划营销活动或响应消费者需求时，必须进行全盘考虑，如监测销售随时间推移是如何变化的；预测市场将如何发展和哪些客户可能会流失；应对金融危机；对灾难或政局的潜在影响迅速做出解读等。今天我们已经能够做到，但需要相应的数据支持。我们对某一个人的数据并不在意，但对能从众多个体数据中提取什么十分关注。例如只要通过分析1600个以上的指标，我们就可以预测市场的某些财务指标将如何变化，并做出应对措施；或者我们可以非常准确地预测哪些客户群体对正在研发的车型感兴趣及其诉求所在，然后据此策划营销活动。事实上，我们能够完全准确地配置出适合特定消费者群体品位的车型。我们依据获得的知识做出决策，调整生产水平，准备营销计划，推出适合特定消费群体的车型。

准备营销计划是一个静态的过程，即做什么事是确定的，但是怎么做仍然是可变的。一旦能够向其他人解释清楚如何做和为什么做这件事，这些信息就可以提供给算法。例如在“我们”汽车生产厂附近竞争对手又开了一家新生产厂，“我们”可以预测这将导致预期销售量下降，甚至能预测出预期销售量下降的幅度，在这里，“我们”指为这个特定案例中开发的算法。由于这种情况不止一次发生，而且每次都要求几乎相同的输入参数，我们可以使用相同的算法来预测其他地区类似的事件。这使得利用过去的营销活动知识来组织未来的活动成为可能。总之，算法将制定营销计划。

例如，要实现考虑成本效益的同时，实现客户利益最大化，算法可以采取内部数据（如销售数据）和外部数据（如股票市场趋势、财务指标）自动生成输出一个“营销计划”。如果企业被允许使用自己的资源并自主行动，那么它就能够自主应对市场波动，补贴脆弱的供应商。任何可能性都存在，这一设想今天已经在技术上构思过。连续监测股票价格，理解和解释新闻，考虑人口结构变化等，这只涉及企业自运行较少的相关领域，其可以综合运用自然语言理解、专家系统和逻辑推理来实现。在人工智能研究领域中，语言和视觉信息经常作为理解事物的基础，因为我们人类也使用语言和视觉刺激进行学习和领悟。

实际上，人工智能已经走进我们的日常生活，不再仅仅是科幻小说的主题。目前，人工智能主要用于以下领域：处理分析数据；在大量异构数据的基础上快速做出合理的决策域；需要保持警觉的单调活动。

在处理分析数据方面，现在我们只能使用决策支持系统，不过未来几年，我们将能够使用更多独立的决策系统。特别是在数据分析方面，我们正在开发针对特定问题的独立分析解决方案，尽管这些解决方案还不能在不同的场景中使用。例如，为检测股票价格异常变动而开发的解决方案，不能用来解读图像的内容。人工智能系统需要集成各个相互作用的组件，从而能够处理目前只有人类能够胜任的日益复杂的任务，即便未来还是如此，但是这已经足够了。