自動化的迷思-晨楓

在美國再工業化的討論中，自動化將拯救美國製造業是一個很流行的説法。自動化、機器人將取代熟練勞動力，節約勞動力成本，提高生產率，從而振興美國製造業。當然，自動化和機器人無法解決美國的就業問題，不能解決再工業化最主要的目標：通過大量就業使美國經濟重新走上正循環，但這是另外一個問題。這裏的問題是：自動化能救美國製造業嗎？

一般認為，自動化能做到幾件事：

1、 提高產品質量

2、 節約生產線上的勞動力

3、 降低對熟練勞動力或者技術人員的需求

4、 理想的全自動生產方式中，系統還具有自學習功能

在實際上，前兩件事是有條件的，後兩條在很大程度上不是人們想象的那回事。

自動化的生產方式可以達到非常高的可重複性，所以產品的一致性較好。但原料品質不是絕對一致的，生產設備也有磨損和狀態的變化，在實際使用中，全自動的生產線也是需要經常調整的。自動化生產的產品可以達到相當高的產品一致性，但不能達到最高質量。最高質量只有根據原料和設備的情況實時做出最優調整，這隻有手工才能做到。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、鑽頭的手工，是借用精密機牀甚至是數控精密機牀的手工，但在熟練的熟練技工手裏，根據每一件產品的材質精細加工，這才是質量的極致。

羅爾斯•羅伊斯轎車和百黛翡麗手錶不是用自動化生產線製造的，這裏面有傳統工藝的原因，但更大原因正在於此：只有手工才能達到最高質量。但對於大宗產品和普通用户來説，自動化生產達到的質量足夠好了。

節約生產線上勞動力就不這麼簡單。在勞動密集型產業裏，生產線上的勞動力是勞動力的主體，自動化生產無疑可以大大降低對勞動密集型產業的勞動力要求，這不是問題。問題在於自動化生產的設備維修、加工設計和生產改進本身帶來了新的勞動力要求。廣義的設備包括硬件和軟件。

以典型的大型化工廠為例，精餾塔、泵、管道、容器、反應器這些不因為自動化生產還是人工控制而改變，但計算機控制系統（簡稱DCS）及相關的儀表、閥門是自動化的產物。圍繞着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（負責DCS硬件）、專職的PLC（專用於程序邏輯控制和安全連鎖保護）儀表工、專職的分析儀表工，控制工程師、DCS工程師（負責系統軟件、升級和系統整合）、控制系統IT工程師（負責DCS到商務/管理網絡中的過渡層和通過OPC等軟件接口協議與DCS連接的先進控制、數據管理系統），這只是在化工廠裏的這一部分。相關係統廠商還有一整套技術支援體系，從硬件到軟件到全面應用支援，他們當然還有他們的上游支援體系。這樣一整條產業鏈的人力是很可觀的，儘管系統廠商及上游廠商的支援體系是在全行業共享的，而不是化工廠專用的。

到這裏為止，自動化對拯救美國製造業的作用還是正面的。但接下來的事情就不那麼清晰了。

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，人的存在都是多餘的，當然能降低對熟練技工的要求。實際上沒有那麼簡單。

自動控制系統可以控制正常生產條件，並處理有限的、已知的非正常情況。但只要在現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，而且總是在最要命的時候出現，只有訓練有素和善於應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，自動化的發展造成了新的問題。自動化系統通常自動處理絕大多數正常和低度異常的情況，容易使操作工產生麻痹和懈怠，並忽視潛移默化的重大異常徵兆。一旦出現明顯異常的情況的時候，通常已經很緊急了。這時首先要經過一個驚訝和反應階段，然後需要判別現狀，回憶起或者翻出種種應急操作規程。

由於這樣的異常情況很少見，和平時正常情況的反差太大，心理素質不特別好的操作工常常不能正確處理，像平常一樣繼續依賴自動化系統替他解圍，無法正確判定這已經超出自動化系統的能力範圍，從而造成故障升級，甚至演變成災難性的事故。2010年4月20日墨西哥灣裏英國石油公司“深水地平線”平台事故中，事故升級和人員傷亡擴大的一個原因，就是操作工驚慌失措、當斷不斷。

2011年5月27日，法航447航班從里約熱內盧飛往巴黎途中，空速管凍結，失去飛行速度讀數，飛行控制系統自動增加飛行高度和速度，為飛行員爭取反應的時間和空間，但最終造成失速。飛行員接過手動控制後，在13000多米的高空，本來適當淺俯衝就可以改出失速，但飛行員機械地搬用低空失速時的標準操作規範，繼續增加推力和爬高，非但沒有改出失速，反而進入深度失速，最終墜機。

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”，容易察覺異常現象的蛛絲馬跡，反而不容易出現故障升級現象。對自動化系統過度依賴、不能正確判別和處理自動化系統失控的狀態，這已經成為工業界普通感到頭疼的問題。工業上通常使用仿真系統（也稱模擬器）訓練操作工的異常情況處理，但訓練的成功與否取決於是否能正確預測典型異常情況，超出訓練課程的異常情況依然要靠操作工隨機應變，但高度自動化系統非常容易鈍化人的隨機應變能力。

還有一個問題是高度自動化後工作負荷高度集中。在手動操作時代，很多操作工分兵把守，各自為陣。自動化之後，很多機械的、重複的工作被自動化系統取代了，操作工在更高的層次監控自動化系統。在體力上，這更加輕鬆；但信息量實際上大大增加，需要關注的事情多得多。

這好比交通警察。在一個交通警管一個路口的時候，他要根據車流情況開關紅綠燈，指揮這個路口的交通。交通控制自動化後，他的工作崗位轉到交通控制中心，具體路口的紅綠燈控制轉為自動控制。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為確保一大片路口交通暢通。一旦自動控制不力，出現交通受阻，他需要在短時間內作出大量的人工干預，正確疏導，而不是加劇堵塞，峯值工作負擔大大增加，對心理素質和專業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驗的流失。隨着人員流動，有經驗的老資格操作工被缺乏經驗的新操作工取代。新操作工從一開始就依賴自動化系統，缺乏實際經驗，甚至對超越自控系統的人工干預產生畏懼，到時候想隨機應變都無從入手。

這就好比用GPS導航自動駕駛的汽車，在正常情況下不需要人的干預，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，不把車開到溝裏才怪。

操作經驗流失的另一個壞處在於未來自動化系統的研發。自動化系統不是天上掉下來的，更不是紙上談兵拍腦袋出來的，而是豐富操作經驗的物化。熟練技工的經驗不僅對於現有生產過程十分重要，對於把改進後或者全新的生產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鍵過程或者動作的自動化，而在於異常情況的處理、人機交互處理、不同狀態之間的無縫轉換，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進步難以為繼，因為生產技術和產品技術是不斷進步的，但熟練技工成了無源之水之後，下一步的自動化就難以為繼了。換句話説，過度依賴自動化的製造業振興可能是一次性的。

這個問題在工程技術人員中也存在。美國製造業公司中技術工作大量外包，一般性設計和工程管理都承包給EPC公司（Engineering Procurement Construction），以降低公司的負擔。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一支隊伍，更沒有福利、養老等長期負擔。外包公司裏都是資深專業人士，經驗和見識比公司裏的人還廣。問題是EPC公司對用户公司的工程標準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的人馬從哪裏來？這種“我死後哪管他洪水滔天”的短視做法和試圖片面依賴自動化振興製造業一樣成問題。

不過，計算機技術、人工智能的高速發展給人們以新的希望，説不定以後高度智能的系統可以自學習了，那就徹底擺脱對熟練技工的依賴了。摩爾定律依然在發光，計算機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，計算機甚至戰敗了國際象棋冠軍，“你怎麼知道以後計算機就不能比人聰明呢？”

人工智能的極限是一個哲學問題，在這個問題沒有解決之前，計算機是否可能比人聰明都是空談。人類智能的另一個説法就是智慧，智慧到現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、轉移和儲存都是遠遠沒有解決的問題。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，複製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，更談不上覆制或者超越。

智慧不是知識的堆積，具有海量的數據庫和閃電般的快速檢索並不能繞過知識的堆積不等於智慧這個障礙。面對同樣的數據，不同的人會做出不同的反應，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，人類智能的一大特點就是會有階躍性的突變，每一個科技發明和人文概念都是人類智能突變的結果，理解和認識這種突變機制本身就需要人類智能的一個突變。人工智能要複製和超越人類智能，就像兔子要吃懸吊在鼻子前的胡蘿蔔一樣。

如果人工智能極限是一個哲學問題，在實踐中是否可以不去理睬它，直接用越來越快的計算機挑戰人工智能極限呢？換句話説，哲學問題對人工智能實踐沒有實質性的指導意義呢？自動控制理論比計算機和人工智能先行，很多東西可以借鑑。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空間理論，用狀態方程建立全新的模型，更加深刻地揭示了動態系統的本質，並且把線性/非線性、定常/時變、確定性/隨機、單變量/多變量理論放到統一的架構之下。同時，狀態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的輸出和輸入，龍身裏的每一個人好比系統的狀態變量。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就不可控，不管後面的人如何軟硬兼施。換句話説，對於不完全可控的系統，控制系統設計得多精巧都不可能控制所有的狀態。可控性是一個跨不過去的坎。人工智能的極限是什麼？這個問題最終是繞不過去的。這不是茶餘飯後啜牙花的談資，而是和永動機一樣，關係到有意義的科學突破還是無意義的衝撞南牆。

就更具體的自學習系統而言，自動控制理論裏也有比照，這就是早就出現的模型參考尤其是自校正控制。這可以説是入門級的自學習系統。這些概念在60、70年代就提出，也曾經使人們大為振奮。自動控制理論的一個關鍵難點在於擁有形式合適而且精確可靠的動態數學模型，但對於大多數工業過程，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控制相結合，一面實時校正數學模型，一面根據最新更新的數學模型實時調整控制策略，這不解決了缺乏數學模型的問題了嗎？實際上沒有，這只是把問題的複雜性轉移到另一個層面上去了。

在線辨識需要過程處於動態中，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控制，也就是最終把牛鬼蛇神統統鎮壓下去。但是牛鬼蛇神都鎮壓之後，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，導致模型失真，真有牛鬼蛇神再露頭的時候，就容易發生過程失控。這個問題有很多就事論事的辦法，但沒有能從本質上解決的，最終導致又一個美好理論喪生於實踐的巖壁腳下。

人工智能的自學習是否會遇上同樣的問題，但可以肯定的是，自學習在學習實際過程的時候，本身也需要人們對自學習的理論和應用進行學習。這就像自動控制避免了學習簡單勞動的必要，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。對於複雜過程的控制，最終取決於對過程本質的實質性理解，而不是用投機取巧的數學方法繞過學習關。自學習不僅不能降低人類學習的要求，實際上還增加了人類學習的要求，因為自學習的成功取決於工具的正確應用，這隻有來自對實際過程的深入理解。另一方面，對自學習和工具本身的學習成為額外的學習要求。這就是自學習不可能成為懶人福音的道理。

數學救不了懶人還有另一個例子。傳統數學模型有一個公式，形式可以很複雜，可以有很多方程聯立，可以是代數方程和微分方程的混合，並加入隨機等其他複雜性因素，但這種傳統數學模型能夠描述的現象受到具體方程形式的限制。在研究人類智能的過程中，人們提出神經元的數學模型。這是一個簡化的模型，但把很多這樣的簡化模型組網連接起來，可以描述高度複雜的現象。然而，神經元網絡本身依然在數學或者計算上相對簡單。神經元網絡出現後，很多人以為這是終極數學模型，只要有足夠多的數據，包括進所有的變量，從此可以把世界上所有複雜現象一網打盡。

在學究們還在顫顫巍巍地刺探神經元網絡的數學特徵的時候，已經有人把它用於股票預測、市場預測和其他來錢的名堂，結果沒有懸念：沒戲。數學模型的生命力不在於對過去的解釋，而是在於對未來的預測。社會經濟系統是一個複雜反饋系統，人類行為在歷史和現狀影響下會有所調整，而調整的方式不是對過去類似現象的簡單重複，而是會因人因時因事而異。在沒有理解人類行為的本質之前，歷史的分析可以作為借鑑，但不能由歷史簡單預測未來，這是人們早已熟知的道理，用眼花繚亂的數學模型也不能改變這一事實。自學習是數學的一個分支，數學是對現實的抽象，但不下功夫理解現實，抽象就成了無源之水、無本之木，必定要誤入歧途。

那麼自動化可以救美國的再工業化嗎？自動化是一個工具，這個工具是要人來使用的。換句話説，這是一個力量倍增器，但基數是人。美國再工業化的關鍵還是人。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實，用自動化來創造奇蹟，這條路是走不通的。這是一個無法迴避的事實。