在美國再工業(yè)化的討論中，自動化將拯救美國制造業(yè)是一個很流行的說法。自動化、機(jī)器人將取代熟練勞動力，節(jié)約勞動力成本，提高生產(chǎn)率，從而振興美國制造業(yè)。當(dāng)然，自動化和機(jī)器人無法解決美國的就業(yè)問題，不能解決再工業(yè)化最主要的目標(biāo)：通過大量就業(yè)使美國經(jīng)濟(jì)重新走上正循環(huán)，但這是另外一個問題。這里的問題是：自動化能救美國制造業(yè)嗎?

　　一般認(rèn)為，自動化能做到幾件事：

　　1、 提高產(chǎn)品質(zhì)量

　　2、 節(jié)約生產(chǎn)線上的勞動力

　　3、 降低對熟練勞動力或者技術(shù)人員的需求

　　4、 理想的全自動生產(chǎn)方式中，系統(tǒng)還具有自學(xué)習(xí)功能

　　在實際上，前兩件事是有條件的，后兩條在很大程度上不是人們想象的那回事。

　　自動化的生產(chǎn)方式可以達(dá)到非常高的可重復(fù)性，所以產(chǎn)品的一致性較好。但原料品質(zhì)不是絕對一致的，生產(chǎn)設(shè)備也有磨損和狀態(tài)的變化，在實際使用中，全自動的生產(chǎn)線也是需要經(jīng)常調(diào)整的。自動化生產(chǎn)的產(chǎn)品可以達(dá)到相當(dāng)高的產(chǎn)品一致性，但不能達(dá)到最高質(zhì)量。最高質(zhì)量只有根據(jù)原料和設(shè)備的情況實時做出最優(yōu)調(diào)整，這只有手工才能做到。這不是低級勞動力的手工，而是熟練技工的手工。這不是銼刀、鉆頭的手工，是借用精密機(jī)床甚至是數(shù)控精密機(jī)床的手工，但在熟練的熟練技工手里，根據(jù)每一件產(chǎn)品的材質(zhì)精細(xì)加工，這才是質(zhì)量的極致。

　　羅爾斯•羅伊斯轎車和百黛翡麗手表不是用自動化生產(chǎn)線制造的，這里面有傳統(tǒng)工藝的原因，但更大原因正在于此：只有手工才能達(dá)到最高質(zhì)量。但對于大宗產(chǎn)品和普通用戶來說，自動化生產(chǎn)達(dá)到的質(zhì)量足夠好了。

　　節(jié)約生產(chǎn)線上勞動力就不這么簡單。在勞動密集型產(chǎn)業(yè)里，生產(chǎn)線上的勞動力是勞動力的主體，自動化生產(chǎn)無疑可以大大降低對勞動密集型產(chǎn)業(yè)的勞動力要求，這不是問題。問題在于自動化生產(chǎn)的設(shè)備維修、加工設(shè)計和生產(chǎn)改進(jìn)本身帶來了新的勞動力要求。廣義的設(shè)備包括硬件和軟件。

　　以典型的大型化工廠為例，精餾塔、泵、管道、容器、反應(yīng)器這些不因為自動化生產(chǎn)還是人工控制而改變，但計算機(jī)控制系統(tǒng)(簡稱DCS)及相關(guān)的儀表、閥門是自動化的產(chǎn)物。圍繞著DCS，化工廠“多”出來一整條支援鏈，一般儀表工、專職的DCS儀表工(負(fù)責(zé)DCS硬件)、專職的PLC(專用于程序邏輯控制和安全連鎖保護(hù))儀表工、專職的分析儀表工，控制工程師、DCS工程師(負(fù)責(zé)系統(tǒng)軟件、升級和系統(tǒng)整合)、控制系統(tǒng)IT工程師(負(fù)責(zé)DCS到商務(wù)/管理網(wǎng)絡(luò)中的過渡層和通過OPC等軟件接口協(xié)議與DCS連接的先進(jìn)控制、數(shù)據(jù)管理系統(tǒng))，這只是在化工廠里的這一部分。相關(guān)系統(tǒng)廠商還有一整套技術(shù)支援體系，從硬件到軟件到全面應(yīng)用支援，他們當(dāng)然還有他們的上游支援體系。這樣一整條產(chǎn)業(yè)鏈的人力是很可觀的，盡管系統(tǒng)廠商及上游廠商的支援體系是在全行業(yè)共享的，而不是化工廠專用的。

　　到這里為止，自動化對拯救美國制造業(yè)的作用還是正面的。但接下來的事情就不那么清晰了。

　　自動化能降低對熟練技工的需求嗎?從表面上看，一切都自動了，人的存在都是多余的，當(dāng)然能降低對熟練技工的要求。實際上沒有那么簡單。

　　自動控制系統(tǒng)可以控制正常生產(chǎn)條件，并處理有限的、已知的非正常情況。但只要在現(xiàn)實世界中生活過的人都知道，未知的非正常情況不僅可能出現(xiàn)，而且總是在最要命的時候出現(xiàn)，只有訓(xùn)練有素和善于應(yīng)變的熟練技工才能對付，所以人的存在不僅是必要的，而且是救命的。

　　但正是在這一點上，自動化的發(fā)展造成了新的問題。自動化系統(tǒng)通常自動處理絕大多數(shù)正常和低度異常的情況，容易使操作工產(chǎn)生麻痹和懈怠，并忽視潛移默化的重大異常征兆。一旦出現(xiàn)明顯異常的情況的時候，通常已經(jīng)很緊急了。這時首先要經(jīng)過一個驚訝和反應(yīng)階段，然后需要判別現(xiàn)狀，回憶起或者翻出種種應(yīng)急操作規(guī)程。

　　由于這樣的異常情況很少見，和平時正常情況的反差太大，心理素質(zhì)不特別好的操作工常常不能正確處理，像平常一樣繼續(xù)依賴自動化系統(tǒng)替他解圍，無法正確判定這已經(jīng)超出自動化系統(tǒng)的能力范圍，從而造成故障升級，甚至演變成災(zāi)難性的事故。2010年4月20日墨西哥灣里英國石油公司“深水地平線”平臺事故中，事故升級和人員傷亡擴(kuò)大的一個原因，就是操作工驚慌失措、當(dāng)斷不斷。

　　2011年5月27日，法航447航班從里約熱內(nèi)盧飛往巴黎途中，空速管凍結(jié)，失去飛行速度讀數(shù)，飛行控制系統(tǒng)自動增加飛行高度和速度，為飛行員爭取反應(yīng)的時間和空間，但最終造成失速。飛行員接過手動控制后，在13000多米的高空，本來適當(dāng)淺俯沖就可以改出失速，但飛行員機(jī)械地搬用低空失速時的標(biāo)準(zhǔn)操作規(guī)范，繼續(xù)增加推力和爬高，非但沒有改出失速，反而進(jìn)入深度失速，最終墜機(jī)。

　　相反，自動化程度不高的話，操作工時時刻刻需要對過程“把脈”，容易察覺異?，F(xiàn)象的蛛絲馬跡，反而不容易出現(xiàn)故障升級現(xiàn)象。對自動化系統(tǒng)過度依賴、不能正確判別和處理自動化系統(tǒng)失控的狀態(tài)，這已經(jīng)成為工業(yè)界普通感到頭疼的問題。工業(yè)上通常使用仿真系統(tǒng)(也稱模擬器)訓(xùn)練操作工的異常情況處理，但訓(xùn)練的成功與否取決于是否能正確預(yù)測典型異常情況，超出訓(xùn)練課程的異常情況依然要靠操作工隨機(jī)應(yīng)變，但高度自動化系統(tǒng)非常容易鈍化人的隨機(jī)應(yīng)變能力。

　　還有一個問題是高度自動化后工作負(fù)荷高度集中。在手動操作時代，很多操作工分兵把守，各自為陣。自動化之后，很多機(jī)械的、重復(fù)的工作被自動化系統(tǒng)取代了，操作工在更高的層次監(jiān)控自動化系統(tǒng)。在體力上，這更加輕松;但信息量實際上大大增加，需要關(guān)注的事情多得多。

　　這好比交通警察。在一個交通警管一個路口的時候，他要根據(jù)車流情況開關(guān)紅綠燈，指揮這個路口的交通。交通控制自動化后，他的工作崗位轉(zhuǎn)到交通控制中心，具體路口的紅綠燈控制轉(zhuǎn)為自動控制。在正常情況下，他要眼觀六路、耳聽八方，從確保一個路口交通暢通變?yōu)榇_保一大片路口交通暢通。一旦自動控制不力，出現(xiàn)交通受阻，他需要在短時間內(nèi)作出大量的人工干預(yù)，正確疏導(dǎo)，而不是加劇堵塞，峰值工作負(fù)擔(dān)大大增加，對心理素質(zhì)和專業(yè)技能的要求也大大提高了。

　　高度自動化的另一個問題是操作經(jīng)驗的流失。隨著人員流動，有經(jīng)驗的老資格操作工被缺乏經(jīng)驗的新操作工取代。新操作工從一開始就依賴自動化系統(tǒng)，缺乏實際經(jīng)驗，甚至對超越自控系統(tǒng)的人工干預(yù)產(chǎn)生畏懼，到時候想隨機(jī)應(yīng)變都無從入手。

　　這就好比用GPS導(dǎo)航自動駕駛的汽車，在正常情況下不需要人的干預(yù)，可以安全自動地從A開到B。車上的人在原則上是可以手動超越駕駛的，但在正常情況下沒有這個必要。問題是久而久之駕駛技術(shù)和對路況的判讀就生疏了，或者只有理論上的能力，真的到了GPS或者自動駕駛失靈的時候，駕車人臨時抱佛腳，不把車開到溝里才怪。

　　操作經(jīng)驗流失的另一個壞處在于未來自動化系統(tǒng)的研發(fā)。自動化系統(tǒng)不是天上掉下來的，更不是紙上談兵拍腦袋出來的，而是豐富操作經(jīng)驗的物化。熟練技工的經(jīng)驗不僅對于現(xiàn)有生產(chǎn)過程十分重要，對于把改進(jìn)后或者全新的生產(chǎn)過程開出來更加重要。只有通過他們把新過程摸出來了，才談得上高度自動化。自動化的難點通常不在關(guān)鍵過程或者動作的自動化，而在于異常情況的處理、人機(jī)交互處理、不同狀態(tài)之間的無縫轉(zhuǎn)換，這些都不是理論或者空想可以解決的，必須要靠高度的經(jīng)驗。所以自動化降低了對不熟練技工的需求，但不降低對熟練技工的需求。

　　問題是熟練技工不是天上掉下來的，也是從不熟練技工中成長出來的。自動化使得不熟練技工隊伍縮小，這使得自動化帶來的技術(shù)進(jìn)步難以為繼，因為生產(chǎn)技術(shù)和產(chǎn)品技術(shù)是不斷進(jìn)步的，但熟練技工成了無源之水之后，下一步的自動化就難以為繼了。換句話說，過度依賴自動化的制造業(yè)振興可能是一次性的。

　　這個問題在工程技術(shù)人員中也存在。美國制造業(yè)公司中技術(shù)工作大量外包，一般性設(shè)計和工程管理都承包給EPC公司(Engineering Procurement Construction)，以降低公司的負(fù)擔(dān)。這對公司是有利的，有項目的時候請人來做，沒項目的時候不需要養(yǎng)一支隊伍，更沒有福利、養(yǎng)老等長期負(fù)擔(dān)。外包公司里都是資深專業(yè)人士，經(jīng)驗和見識比公司里的人還廣。問題是EPC公司對用戶公司的工程標(biāo)準(zhǔn)和項目程序有一個熟悉過程，這中間的磨合常常令人抓狂。更要命的是，現(xiàn)在可以依靠EPC公司，但大家都沒有從第一線出來的工程師了，下一代EPC的人馬從哪里來?這種“我死后哪管他洪水滔天”的短視做法和試圖片面依賴自動化振興制造業(yè)一樣成問題。

　　不過，計算機(jī)技術(shù)、人工智能的高速發(fā)展給人們以新的希望，說不定以后高度智能的系統(tǒng)可以自學(xué)習(xí)了，那就徹底擺脫對熟練技工的依賴了。摩爾定律依然在發(fā)光，計算機(jī)的速度依然在以不可思議的速度增長，種種人工智能實驗也爆出喜人的成功，計算機(jī)甚至戰(zhàn)敗了國際象棋冠軍，“你怎么知道以后計算機(jī)就不能比人聰明呢?”

　　人工智能的極限是一個哲學(xué)問題，在這個問題沒有解決之前，計算機(jī)是否可能比人聰明都是空談。人類智能的另一個說法就是智慧，智慧到現(xiàn)在為止依然是一個無法定性和計量的東西，智慧的生成、演進(jìn)、轉(zhuǎn)移和儲存都是遠(yuǎn)遠(yuǎn)沒有解決的問題。智慧更有顯性和隱性兩部分，顯性智慧由各種成文的知識和思想方法組成，復(fù)制顯性智慧至少在理論上是可能的。但隱性的智慧充滿的“只可意會不可言傳”的東西，連描述都困難，更談不上復(fù)制或者超越。

　　智慧不是知識的堆積，具有海量的數(shù)據(jù)庫和閃電般的快速檢索并不能繞過知識的堆積不等于智慧這個障礙。面對同樣的數(shù)據(jù)，不同的人會做出不同的反應(yīng)，人工智能要超越的是誰的智能?另外，人類智能本身也在不斷演進(jìn)，人類智能的一大特點就是會有階躍性的突變，每一個科技發(fā)明和人文概念都是人類智能突變的結(jié)果，理解和認(rèn)識這種突變機(jī)制本身就需要人類智能的一個突變。人工智能要復(fù)制和超越人類智能，就像兔子要吃懸吊在鼻子前的胡蘿卜一樣。

　　如果人工智能極限是一個哲學(xué)問題，在實踐中是否可以不去理睬它，直接用越來越快的計算機(jī)挑戰(zhàn)人工智能極限呢?換句話說，哲學(xué)問題對人工智能實踐沒有實質(zhì)性的指導(dǎo)意義呢?自動控制理論比計算機(jī)和人工智能先行，很多東西可以借鑒。早期控制理論使用輸入-輸出模型，但60年代卡爾曼提出狀態(tài)空間理論，用狀態(tài)方程建立全新的模型，更加深刻地揭示了動態(tài)系統(tǒng)的本質(zhì)，并且把線性/非線性、定常/時變、確定性/隨機(jī)、單變量/多變量理論放到統(tǒng)一的架構(gòu)之下。同時，狀態(tài)空間也第一次觸及可控性概念。

　　如果用舞龍作比方，龍頭和龍尾好比系統(tǒng)的輸出和輸入，龍身里的每一個人好比系統(tǒng)的狀態(tài)變量。龍尾的人可以通過搭在前一個人身上的手傳遞控制信息，最終使得龍頭擺到規(guī)定的位置。但如果龍身中間有幾個人偷懶，手沒有搭在前一個人的身上，那這個“斷鏈”再往龍頭方向的所有狀態(tài)就不可控，不管后面的人如何軟硬兼施。換句話說，對于不完全可控的系統(tǒng)，控制系統(tǒng)設(shè)計得多精巧都不可能控制所有的狀態(tài)?？煽匦允且粋€跨不過去的坎。人工智能的極限是什么?這個問題最終是繞不過去的。這不是茶余飯后啜牙花的談資，而是和永動機(jī)一樣，關(guān)系到有意義的科學(xué)突破還是無意義的沖撞南墻。

　　就更具體的自學(xué)習(xí)系統(tǒng)而言，自動控制理論里也有比照，這就是早就出現(xiàn)的模型參考尤其是自校正控制。這可以說是入門級的自學(xué)習(xí)系統(tǒng)。這些概念在60、70年代就提出，也曾經(jīng)使人們大為振奮。自動控制理論的一個關(guān)鍵難點在于擁有形式合適而且精確可靠的動態(tài)數(shù)學(xué)模型，但對于大多數(shù)工業(yè)過程，這個模型難以獲得，所以早期的控制理論常常停留在空談的層次。自校正控制把在線辨識和最優(yōu)控制相結(jié)合，一面實時校正數(shù)學(xué)模型，一面根據(jù)最新更新的數(shù)學(xué)模型實時調(diào)整控制策略，這不解決了缺乏數(shù)學(xué)模型的問題了嗎?實際上沒有，這只是把問題的復(fù)雜性轉(zhuǎn)移到另一個層面上去了。

　　在線辨識需要過程處于動態(tài)中，死水一潭是無法辨識過程特性的，只有牛鬼蛇神紛紛出動，才能辨識出過程的真實特性。但辨識的目的是形成最優(yōu)控制，也就是最終把牛鬼蛇神統(tǒng)統(tǒng)鎮(zhèn)壓下去。但是牛鬼蛇神都鎮(zhèn)壓之后，在線辨識就要瞪大眼睛無事生非，沒有牛鬼蛇神也草木皆兵造出幾個來，導(dǎo)致模型失真，真有牛鬼蛇神再露頭的時候，就容易發(fā)生過程失控。這個問題有很多就事論事的辦法，但沒有能從本質(zhì)上解決的，最終導(dǎo)致又一個美好理論喪生于實踐的巖壁腳下。

　　人工智能的自學(xué)習(xí)是否會遇上同樣的問題，但可以肯定的是，自學(xué)習(xí)在學(xué)習(xí)實際過程的時候，本身也需要人們對自學(xué)習(xí)的理論和應(yīng)用進(jìn)行學(xué)習(xí)。這就像自動控制避免了學(xué)習(xí)簡單勞動的必要，但增加了理解、掌握和支持自動控制硬件、軟件和控制算法的要求。對于復(fù)雜過程的控制，最終取決于對過程本質(zhì)的實質(zhì)性理解，而不是用投機(jī)取巧的數(shù)學(xué)方法繞過學(xué)習(xí)關(guān)。自學(xué)習(xí)不僅不能降低人類學(xué)習(xí)的要求，實際上還增加了人類學(xué)習(xí)的要求，因為自學(xué)習(xí)的成功取決于工具的正確應(yīng)用，這只有來自對實際過程的深入理解。另一方面，對自學(xué)習(xí)和工具本身的學(xué)習(xí)成為額外的學(xué)習(xí)要求。這就是自學(xué)習(xí)不可能成為懶人福音的道理。

　　數(shù)學(xué)救不了懶人還有另一個例子。傳統(tǒng)數(shù)學(xué)模型有一個公式，形式可以很復(fù)雜，可以有很多方程聯(lián)立，可以是代數(shù)方程和微分方程的混合，并加入隨機(jī)等其他復(fù)雜性因素，但這種傳統(tǒng)數(shù)學(xué)模型能夠描述的現(xiàn)象受到具體方程形式的限制。在研究人類智能的過程中，人們提出神經(jīng)元的數(shù)學(xué)模型。這是一個簡化的模型，但把很多這樣的簡化模型組網(wǎng)連接起來，可以描述高度復(fù)雜的現(xiàn)象。然而，神經(jīng)元網(wǎng)絡(luò)本身依然在數(shù)學(xué)或者計算上相對簡單。神經(jīng)元網(wǎng)絡(luò)出現(xiàn)后，很多人以為這是終極數(shù)學(xué)模型，只要有足夠多的數(shù)據(jù)，包括進(jìn)所有的變量，從此可以把世界上所有復(fù)雜現(xiàn)象一網(wǎng)打盡。

　　在學(xué)究們還在顫顫巍巍地刺探神經(jīng)元網(wǎng)絡(luò)的數(shù)學(xué)特征的時候，已經(jīng)有人把它用于股票預(yù)測、市場預(yù)測和其他來錢的名堂，結(jié)果沒有懸念：沒戲。數(shù)學(xué)模型的生命力不在于對過去的解釋，而是在于對未來的預(yù)測。社會經(jīng)濟(jì)系統(tǒng)是一個復(fù)雜反饋系統(tǒng)，人類行為在歷史和現(xiàn)狀影響下會有所調(diào)整，而調(diào)整的方式不是對過去類似現(xiàn)象的簡單重復(fù)，而是會因人因時因事而異。在沒有理解人類行為的本質(zhì)之前，歷史的分析可以作為借鑒，但不能由歷史簡單預(yù)測未來，這是人們早已熟知的道理，用眼花繚亂的數(shù)學(xué)模型也不能改變這一事實。自學(xué)習(xí)是數(shù)學(xué)的一個分支，數(shù)學(xué)是對現(xiàn)實的抽象，但不下功夫理解現(xiàn)實，抽象就成了無源之水、無本之木，必定要誤入歧途。

　　那么自動化可以救美國的再工業(yè)化嗎?自動化是一個工具，這個工具是要人來使用的。換句話說，這是一個力量倍增器，但基數(shù)是人。美國再工業(yè)化的關(guān)鍵還是人。美國的人力資源問題是另外一個話題，但想繞過美國人力資源的現(xiàn)實，用自動化來創(chuàng)造奇跡，這條路是走不通的。這是一個無法回避的事實。