人工智能：从自动化迈向自主化

AI：从自动化走向自主化

人工智能领域的快速发展为多种可能性铺平了道路。其中一种可能性，是将人工智能与自动化技术相融合，创造一个“智能自动化”的新世界。围绕生成式人工智能的热议声势浩大且无处不在。关于这一人工智能分支，人们已经谈论了很多。然而，在关键任务型制造设施的世界中，应用自动化必须是“确定性的”。所有需要发生的事情都必须明确且非概率化。因此，人工智能技术必须发展得更加成熟，也更加值得信赖。输入到自动化系统中的人工智能算法结果必须可靠且无误，否则后果可能会不成比例地严重，有时甚至会是灾难性的。为确保这一点，许多企业正在完善人工智能中更具难度的分支——机器学习。机器学习是人工智能的一个子集，它使基于计算机的系统能够在没有被明确“编程”的情况下学习和改进。它利用算法分析大量数据，从洞察中学习，然后作出有依据的决策。由于机器学习模型能够在不依赖基于规则的编程的情况下从数据中学习（也称为无监督学习），在经过充分“训练”并拥有海量数据后，它可以变得具有确定性。机器学习作为一门科学学科形成于20世纪90年代末，当时数字化的稳步推进和廉价计算能力的发展，使数据科学家能够不再构建完成版模型，而是训练计算机去完成这一工作。

变化来得如此之快，以至于让人类参与所有决策环节正迅速变得不切实际。展望未来三到五年，我们预计将看到更高水平的人工智能，以及分布式自主系统（DAS）的发展。

这些以企业形式构成的自我驱动、自我封闭的主体，将能够在没有任何直接人类监督的情况下自主执行既定目标。一些分布式自主系统必然会变得能够自我学习和自我提升。有一种观点认为，分布式自主系统是一种具有威胁性的设想。4 但等到这些系统完全演进成熟时，机器学习将会像20世纪的技术发明一样隐入背景。旧技术会在不断演进的新技术中得到精炼并扎根其中。随着它们走向成熟，人们会把它们视为理所当然。成熟之后，人们会期望它们被利用起来并用于适当的用途。当自动化走向自主化时，人类的角色将是在后台引导和指导这类基于机器学习的算法，去追求更加高度复杂、多维度的目标和任务，而这些目标和任务若靠人工实现则极其困难。

无论这类分布式自主系统带来什么新的洞察，只有人类管理者才能决定那些本质且相关的问题，例如一家公司或一座制造设施究竟试图解决哪些未来的商业问题。正如人类需要定期审查和评估一样，这些“智能系统”也同样需要。它们的工作也需要由具备人工智能意识、拥有现实经验、长期积累的智慧以及工业领域专业知识的高管定期评估、完善，甚至可能被“解雇”或转移去承担完全不同的“角色”。解决方案既不是单靠机器，也不是单靠人类，而是二者有效协同工作。

在我们到达完全成熟的分布式自主系统之前，还有一个阶段——智能流程自动化（IPA）。简单来说，智能流程自动化就是“把机器人从人类身上释放出来”。智能流程自动化利用一组新技术，将基础性的流程再设计与机器人流程自动化和机器学习相结合。它是一套业务流程改进方法和下一代工具，通过去除重复性、可复制性和例行性任务来辅助知识工作者。它可以通过简化交互和加快流程，从根本上改善制造业。智能流程自动化会模仿人类执行的活动，并随着时间推移学会把这些活动做得更好。得益于深度学习和认知技术的进步，传统基于规则的自动化手段得到了决策能力的增强。智能流程自动化承诺带来大幅提升的效率、更高的员工绩效、更低的运营风险，以及更快的响应时间和更好的客户旅程体验。5