特斯拉的教訓：機器人沒有錯，只是還不夠智能

特斯拉計劃在2018年實現每周生產5000輛新Model 3，然而到目前為止，產量還達不到該數字的一半。外界質疑此事時，特斯拉CEO馬斯克聲稱「過度自動化是一個錯誤」，並且「人類被低估」。

事實上，他說的沒錯，最近力推的全自動化忽略了適應性的重要性。人類仍然比人工智慧（AI）更能適應變化。從長遠來看，人工智慧或許會取代人類工作者，但現在領導者需要確定正確的變化速度。

矽谷的特斯拉工廠已經實現高度自動化。早些時候，馬斯克了解到，任何遵循一系列預定義步驟並在相當受控制的環境（例如工廠車間）上進行的過程都可以通過人工智慧和機器人實現自動化。這是他一直堅信的。

但是，儘管自治系統發展迅速，但人類在適應不可預見的變化方面仍然要好得多。當談到複雜的工廠工作時，這是不應低估的。回顧特斯拉的生產力問題，馬斯克無疑忽略了了製造業適應性的重要性。小錯誤和無法預料的情況發生的概率與過程的複雜程度成正比，特別是當這個過程發生在物理世界時。

自適應智能

人類以及其他形式的智能生命在不斷變化的世界中得以生存。出於這個原因，他們可以很好地應對預料不到的情況以及預期事件和實際事件之間的差異。正如認知科學家Gary Marcus所強調的那樣，「人類智能有很多東西機器人暫時還無法學會，比如我們同時關注正確事物的能力，推理他們建立正在發生的模型以預測下一步可能會發生什麼等等。」

人類和動物也可以使自己的身體適應完全不同的情況，以完成目標。例如，我們可以通過步行、游泳、跳躍、攀爬和爬行向前走，即使我們失去了肢體，我們也可以這樣做。生物系統的這些動態方面有助於他們應對高度複雜情況下的激進變化。

另一方面，機器學習尚未達到人類智能和適應能力的水平。當然，我們已經取得了很大的進展。今天，受神經系統啟發的先進人工智慧演算法可以學習識別類似的情況，比如交通信號燈變紅燈或落在街上，這方面做得甚至比人類更好。機器人技術的發展也意味著由軟材料製成的新型機器人可以物理地適應物理環境中不可預見的物體。但是在這兩種情況下，適應性都局限於物體或事件受限範疇內的變化。

事實是，我們還沒有掌握足夠靈活的機器人和AI設計來應對不可預測的環境。以包裝行業中使用的機器人為例。智能有限的AGV只能遵循簡單的編程指令，在規定的環境中沿著固定路線行駛。下圖這些機器人可能能夠拿起產品並將其放入紙箱中，其他更更複雜的事情就做不了。當工作改變時，機器人將不得不進行替換。

更複雜的移動機器人也已經投入使用。他們有內置的感測器和掃描儀，以及允許他們檢測周圍環境並選擇最有效路線的軟體，因為產品不一定每次都放置在同一位置。這些更複雜的機器人更加靈活並且適應性更強，但它們離生物系統所能做的也還有很遠的距離。

對於過度自動化的工廠來說，這可能是一個問題，因為小的物理差異（輪胎磨損、地面上的磨損和非精確定位的零件）可能迅速累積並導致不可預知的情況（組件不在預定的位置，機器人是下落不明）。當一個過程發生變化或工廠開始生產新產品時，需要重新配置設備並找到不同的解決方案。這還不是人工智慧和機器人技術所能達到的。

全自動化

馬斯克曾公開表示他希望建立一個全自動化的工廠，其基本目標是克服人類速度的限制，以更快的速度，可以實現更高的產量。但是在複雜的環境中，比如高度自動化的工廠，需要高度適應性的機器人，以應對不可預見的情況，並像生物系統一樣對彼此進行響應。在機器人和人工智慧中引入這種生物彈性需要進一步的研究。

第一階段涉及在定義的一組過程中測試機器人自動化，例如拾取原材料並將其放置在裝配線上。第二階段涉及將該測試擴展到多個功能和流程，例如將原材料和產品包裝在一起。第三階段是部署機器人同事和自適應人工智慧作為人工助理。這是我們目前所能達到的最好目標。

目前尚不清楚何時我們將擁有無需人工干預的完全自動化（第四階段），以及採取何種形式，但馬斯克的嘗試應該受到讚揚。他可能低估了人類，但他所得到的經驗教訓是寶貴的，將來會幫助他超越其他人。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！