第一部分 当自动化不起作用时

我最近参加了美国国家科学基金会组织的研究AI在制造业中应用的工作组（https://oreil.ly/liAFY）。在工作坊2的圆桌会议4中，我们大约有20个人开始思索为什么“软件没有对制造业产生更大的影响”。与我们在制造业看到的相比，金融等一些行业以更重要的方式拥抱软件和数据科学。我们得出了两个结论。首先，大量的算法如果没有通过程序的训练和使用，就无法用来解决问题。我曾多次与软件工程师谈论行业问题，他们会问：“难道该行业不知道这个算法吗？”不，他们不知道。即使这个行业知悉该算法，也不能像软件工程师那样巧妙地使用它。更难的是，由于制造业的复杂性，在不熟知相关流程的情况下，谁都无法保证这个算法能解决现实生活中的所有问题。

其次，制造业的运作是靠技能的交流而非算法。在制造业中，操作员、监督员和工程师为能控制设备和流程而练习构建、优化和传授高价值技能。就在几周前，一位制造业高管告诉我，这家市值数十亿美元的公司最重要的资产是操作员和流程控制员的专业知识（技能）。这使我联想到，制造过程中的任何流程改进机制都必须与技能交换相兼容。在工作组中，我们讨论了许多可能的资产，这些资产可以被积累和沉淀以加速制造业的改进。像零件蓝图和制造配方这样的资产是独特且可以有专利的。而技能（其实在相似的流程中都是共享的）可以被保留并根据特定的公司、生产线和产品类型进行定制。

那么，如何通过软件来积累和存储技能呢？这就是自主AI的一个实例，一个可以获得并执行特定技能的智能体。机器教学为这些技能提供了组织结构。这些技能可以被存储下来，也许需要连同专门的虚拟环境一起被存储下来以便能在特定的场景中练习技能。想象一下，在机器教学方面培训组织中最优秀的专家，这会使他们将其最有价值的技能撰写下来，并设计出能够实践和掌握这些技能的AI。这对于许多因专家退休而面临大量专业知识流失风险的组织来说尤为重要。

在本部分中，我认为技能不是算法、规则或配方，而是抽象高阶问题的解决方法。在第1章中，我将讨论自动化的局限性。在第2章中，我将讨论自主AI在寻求更像人类的决策方面的潜在贡献。

• 第1章机器有时会做出错误的决策

• 第2章追寻更类人的决策