大體來說，從眼前的現實，來想象未來的圖景可能并不困難。但落實到具體的制造行業，需要解決的問題“成如容易卻艱辛”。就智能汽車的發展愿景，從人工智能與數據分析的角度，能看到什么呢？

汽車開發已經使用了“模塊化系統”，允許在多個模型系列中使用功能組件。與此同時，整車的開發周期也越來越短。然而，虛擬汽車開發領域，尚未看到以機器學習方法來促進自主學習的有效嘗試，如在建立歷史知識的基礎上提取相關知識，或建立適用于多種車型系列的知識，以協助未來的項目發展和更有效的組織。車輛研發知識的相關數據管理與仿真和優化數據挖掘的復雜性等緊密契合。此外，這種方法又受到車輛開發過程中組織框架的限制，通常只針對正在開發的模型。同時，由于數據的異構性（有數字數據、圖像、視頻文件等）復雜、數據量（單一仿真便有兆兆字節）巨大，導致“模擬數據中的數據挖掘”問題困難重重。就目前的情形來說，充其量只能算是在進行試探性研究。

而由于使用了預測性維護，新的服務正在成為可能。有關個人駕駛行為知識的自動學習，可非常準確地預測所需的維修時間周期。車主可以使用這些信息來及時安排汽車維修預約，車載電腦可以將維修預約時間的安排與車主的工作計劃進行匹配，目前實現這一愿景比實現冷庫自動對雜貨進行盤點要更容易。本地授權維修店利用自動化系統可以實時地安排最佳服務預約，并考慮員工的在崗情況，盡可能均衡地分配工作。

車輛的學習和適應能力實際上有無限的潛力。車輛可以識別和分類駕駛員的駕駛行為，將他們確認為特定的駕駛員類型?；诖?，車輛本身可以對電子用戶界面系統進行調整，換句話說，它們可以提供遠遠超出汽車特性的個性化及自適應的驅動程序選項。當消費者購買一輛新車時，該消費者作為駕駛者的相關信息，可以順利轉移到一輛新車上，確保消費者在熟悉的使用環境中立即可以駕駛新車。

實現自動駕駛超級智能體

由于越來越多的汽車企業積極投身自動駕駛汽車的研究，使得汽車作為“移動客廳”的描繪，不再是一個令人難以置信的場景。目前，發展的重點是完全自動駕駛。選擇自動駕駛作為發展方向的理由很充分：在世界大部分地區不允許自動駕駛汽車上路，如果允許的話也是鳳毛麟角。這意味著，作為智能體的汽車不能與其他車輛進行通信，由人駕駛的車輛依舊根據駕駛者的觀察調整駕駛行為。駕駛者依靠導航系統獲得交通擁堵信息和替代路線建議。然而，我們假設現在每輛車都是一個完全智能體，那么將實現兩個目標：優化交通流量；預防交通事故。

在這種情況下，智能體之間通過交流和協商，如協調各自行駛線路、速度、交流路況等，將路程時間最小化。不可預見的情況，如天氣變化導致的道路損壞和擁堵，雖然不能完全避免，但遭遇的可能性會降到最低。這類信息會被立即傳遞到周邊的所有車輛，然后啟動一輪新的優化周期。此外，預測性維護將最大程度地減少車輛的損壞。歷史數據被分析和用來預測故障可能發生的時間，智能體在不需要通知車主的情況下，自動依據車主的工作日歷預約維修服務，并自動駕駛車輛到維修店。萬一在行駛中遇到事故導致車輛無法繼續行駛，智能體將立即通過“故障頻道”與相關服務機構或控制中心進行聯系，自動駕駛拖車立即出發提供援助，理想的情況是再由一輛自動駕駛汽車作為備用。

因此，自動駕駛智能體將達到：自執行、自適應與社會化。自執行，即自動駕駛汽車遵循通往目的地的路線行駛；自適應，即對無法預見的情況，如道路關閉或出現事故，做出及時反應；社會化，即與其他自動駕駛車輛一起實現交通流量優化并避免交通事故。

結合出租車業務，出租車公司也可以組建無人駕駛出租車隊，依據以往客戶使用出租車的數據，預先派遣無人駕駛車輛到達指定地點提前等待客戶。另外，也可以依據使用數據，來提供特定時間段或特定事件的服務，如球賽、大型會議等。

如果道路也實現了數字化，即瀝青路面被載有OLED技術的玻璃路面替代，那么交通的動態管理極有可能實現。從材料工程的角度看，這一方案是可行的：玻璃表面結構也可以做成防滑方式，即使在雨中也可以防滑；對玻璃路面進行柔性設計，也能做到卡車駛于其上也堅不可破；顯示屏散發的余熱可以用來加熱路面，防止冬季路面結冰。

實現工廠優化集成

通過使用軟件分析客戶和維修廠的報告，以及生產現場出現的缺陷數據，就可以自動地分析出特定車型或零部件是否會再次出現缺陷，以便及早發現并消除潛在的問題，避免大規模召回。制造缺陷的成因是多方面的，如采用了有質量缺陷的零部件或在生產過程中出現錯誤等。對一家規模化的汽車制造商來說，每天有上千臺車下線，因此搞清楚原因并快速行動是最重要的。假設2017年10月份對客戶報告和維修店報告的文本分析表明，從2017年7月起交付的某款車型的一側泊車燈故障顯著增加，“顯著”意味從2017年1月到10月該款車的銷售呈上升趨勢。通過分析故障鏈和修復鏈，可以確定造成故障或缺陷的成因，或者是否其他車型也存在同樣的問題。如果缺陷是由生產機器人造成的生產中的錯誤，則可以追溯到是硬件故障還是軟件錯誤，是不正確還是不完整的配置造成的。在最壞的情況下，甚至需要更新控制系統以消除錯誤。但是，因為打補丁的工作只能在制造商收到并審查問題報告之后才開始，所以不可能立即更新軟件。同樣，由于多軸機械手可以自由支配的自由度非常高，重新配置機器人是一個高度復雜的任務。簡言之，做出這樣的修正費時、費力，而且即使在所有理想情況下，都會存在后遺癥。

但使用人工智能方法可以在多個點優化這一過程。

人工智能研究涉及的領域之一是使系統能夠自動從數據中提取和解釋知識（見圖一），盡管目前這種程度仍然很低。

與數據相比，知識是構成行動的基礎，而行動的結果可以反饋到數據中，從而形成新的知識的基礎。

如果一個具有學習和理解數據能力的智能體獲得了自我行動或其他智能體行動的結果，并能夠自由采取行動達到目標，那么該智能體將自執行實現目標。生物智能體，如人或動物，都能在無需其他控制或無需在數據轉化為知識這一過程的監督下直接做到這一點。例如，如果在DIY活動中由于角度過大，將一個釘子釘入木板時發生劈裂，我們的大腦會將角度、木材的特性、擊錘的力量等知識和經驗轉化成意識，減少我們犯同樣錯誤的幾率。

人工智能“機器學習”研究的重點就是模仿這種行為。使用機器學習軟件能夠從特定問題域中的數據中學習，并根據過去的事件推斷如何解決新事件，這為我們打開了一個通往新世界的大門。機器學習在數據分析領域并不是什么新鮮事，它已經存在了很多年，但現在新的研究有所不同，它是在特定的時間內，計算一個擁有兆兆級數據量的高度復雜模型。如果我們把生產廠當作一個追求生產出無缺陷汽車的有機體，那么，很明顯，賦予這一有機體獲得相關數據的能力，將有助于有機體自身的發展和改進。

這一過程將經歷兩個階段。

第一個階段是數據學習和應用經驗

數據學習意味著機器人不能僅僅根據靜態編程操作，它也必須能夠使用機器學習方法自主地實現可定義的學習目標。對于可能發生的任何生產錯誤，最重要的是機器人要首先學習導致這些錯誤的操作，而不是基于流程圖或工程圖進行編程。例如，假設上述泊車燈問題不僅被識別出來，而且其原因也可以追溯到生產中的一個問題，可能是把泊車燈推到插座里的機器人操作過硬。現在所需要的就是確定糾正措施的學習目標。讓我們假設其他生產廠的機器人沒有發生錯誤，而且泊車燈被正確安裝，我們作為人類能夠在視覺上識別和解釋正確工作的機器人和不正確機器人之間的區別，那么犯錯誤的機器人也應該能夠以類似的方式去學習。這里的區別在于所涉及的感知類型，數字系統在同樣的情景下，可以比我們看得更多更清楚。

盡管通過軟件實現機器學習方法的內部工作方式在學習過程中很少完全透明，甚至對學習系統的開發人員來說也一樣，但是由于組件的隨機性和復雜性，操作本身應該是透明的，也就是說，不必關心系統是怎么做的，而要關心它做了什么。機器人需要適應其控制系統的信號來重新啟動學習過程，其應該是機器人的機械手和執行器正確工作的運動信號，并可以通過現今能達到的精度值來進行定義和測量。這并不需要任何人為干預，因為系統的完整透明性是通過持續地分析生產過程中積累的數據來保證的。在現場缺陷識別和傳輸過程中，也不需要任何人為分析?；趯S修店和客戶報告的語言分析，再加上維修數據，我們已經能很快識別出哪些問題是由生產引起的。將這些數據相應地傳遞給相關的智能體并允許這些智能體從缺陷中學習并糾正自己。

第二個階段是智慧工廠

如果生產廠需要進行學習，而智能體使用的機器學習方法靈活性不夠，可以將工廠作為一個由子系統組成的完整生物有機體，像人一樣使用自然語言表達，理解語境，并有能力進行解釋。對語境的理解和解釋一直是人工智能研究領域的一大挑戰。人工智能理論把語境看作是對一種狀態的共同解釋，包括狀態本身和其相關的整體情境。與生產工廠相關的語境包括能用自然語言表達或能用其他方式表達的與生產相關的任何事情。下面的簡化場景有助于理解這個概念：讓我們假設一家汽車企業管理委員會正在開會對一款汽車的車身做最終設計評審。

“我們決定對下一代車型進行‘改款’，請在原車型基礎上建立一個模型”，當委員會成員說的時候，一個3D模型就漂浮在參加會議的每個成員佩戴的增強現實眼鏡里。

在這種情況下，使用進化算法進行建模是可以想象的，但僅限于可以實際構建的可能組合。只要所涉及的參數已經減少，所需的計算能力有效，就可以將仿真時間從幾小時縮短到幾分鐘，從而在會議期間對組件或組件組合進行動態變形。

“根據該模型，我決定用26分鐘來調整我的機器人的程序。為了組裝新汽車底盤，工具x1、y1必須用工具x2、y2在機器人x、y工位進行替換。樣車的生產將在6小時37分鐘內完成?！惫S智能體說。

這一場景我們已經在科幻電影《鋼鐵俠》系列中看到，但其實際上離我們并不遙遠。

當然，智慧工廠被上面的案例大大簡化了，但它仍然能夠清晰揭示工廠未來發展的可能性。為了了解需要做什么，生產工廠必須了解車身是什么，什么是“改款”等，并從模型中理解參數并輸出，從而可以將它們轉換為生產步驟。轉化為生產步驟的過程需要對機器人的個體機器學習組件進行訓練，或者根據模型數據對其程序進行編制或改進，這樣就可以實現所有的步驟，從切割金屬板材到裝配和實現車型變臉。雖然這包括了各種各樣的方法，從自然語言的理解和語言的生成、規劃、優化，自主生成模型等，但它絕對可以實現。

實現企業自運行

企業在策劃營銷活動或響應消費者需求時，必須進行全盤考慮，如監測銷售隨時間推移是如何變化的；預測市場將如何發展和哪些客戶可能會流失；應對金融危機；對災難或政局的潛在影響迅速做出解讀等。今天我們已經能夠做到，但需要相應的數據支持。我們對某一個人的數據并不在意，但對能從眾多個體數據中提取什么十分關注。例如只要通過分析1600個以上的指標，我們就可以預測市場的某些財務指標將如何變化，并做出應對措施；或者我們可以非常準確地預測哪些客戶群體對正在研發的車型感興趣及其訴求所在，然后據此策劃營銷活動。事實上，我們能夠完全準確地配置出適合特定消費者群體品位的車型。我們依據獲得的知識做出決策，調整生產水平，準備營銷計劃，推出適合特定消費群體的車型。

準備營銷計劃是一個靜態的過程，即做什么事是確定的，但是怎么做仍然是可變的。一旦能夠向其他人解釋清楚如何做和為什么做這件事，這些信息就可以提供給算法。例如在“我們”汽車生產廠附近競爭對手又開了一家新生產廠，“我們”可以預測這將導致預期銷售量下降，甚至能預測出預期銷售量下降的幅度，在這里，“我們”指為這個特定案例中開發的算法。由于這種情況不止一次發生，而且每次都要求幾乎相同的輸入參數，我們可以使用相同的算法來預測其他地區類似的事件。這使得利用過去的營銷活動知識來組織未來的活動成為可能?？傊惴▽⒅贫I銷計劃。

例如，要實現考慮成本效益的同時，實現客戶利益最大化，算法可以采取內部數據（如銷售數據）和外部數據（如股票市場趨勢、財務指標）自動生成輸出一個“營銷計劃”。如果企業被允許使用自己的資源并自主行動，那么它就能夠自主應對市場波動，補貼脆弱的供應商。任何可能性都存在，這一設想今天已經在技術上構思過。連續監測股票價格，理解和解釋新聞，考慮人口結構變化等，這只涉及企業自運行較少的相關領域，其可以綜合運用自然語言理解、專家系統和邏輯推理來實現。在人工智能研究領域中，語言和視覺信息經常作為理解事物的基礎，因為我們人類也使用語言和視覺刺激進行學習和領悟。

實際上，人工智能已經走進我們的日常生活，不再僅僅是科幻小說的主題。目前，人工智能主要用于以下領域：處理分析數據；在大量異構數據的基礎上快速做出合理的決策域；需要保持警覺的單調活動。

在處理分析數據方面，現在我們只能使用決策支持系統，不過未來幾年，我們將能夠使用更多獨立的決策系統。特別是在數據分析方面，我們正在開發針對特定問題的獨立分析解決方案，盡管這些解決方案還不能在不同的場景中使用。例如，為檢測股票價格異常變動而開發的解決方案，不能用來解讀圖像的內容。人工智能系統需要集成各個相互作用的組件，從而能夠處理目前只有人類能夠勝任的日益復雜的任務，即便未來還是如此，但是這已經足夠了。