光學傳感器和機器學習系統的結合，可以比因為流水線工作而已經出現精神疲勞的工人更準確地監控組件質量。

社會分工正讓人類變得越來越“愚蠢”。幾百年前，一車車煤炭被運進遮天蔽日的巨大工廠，從機器發出的震耳欲聾的轟鳴聲中，人們能非常直觀地感知到社會的發展。但在今天，對于一些正在改變世界的技術(大數據、數據分析、機器學習)的重要性，大多數人一無所知，甚至將它們當作傳統的商業噱頭。

事實上，這些越來越流行的詞匯反映了一個事實——我們日常生活中接觸到的許多技術正在發生巨大變化。其中一部分朝好的方向發展，使人類與機器的信息交互更加自然，更加強大。但也有一部分出現了令人不安的征兆，比如被用來搜集普通人的關系、行為、地點，甚至精確挖掘出他內心深處的想法。無論怎么說，科技在每件事情上都留下了印記。

按照公認的說法，從上世紀60年代開始，人類社會已經進入了信息時代。數十年間，對信息價值的挖掘徹底顛覆了和日常生活相關的消費品領域。自然而然地，隨著技術的進一步發展，“關于一切的信息”的概念開始向制造業滲透。智能、廉價、配備傳感器的設備加上強大的分析算法，過去10年一直在改變著工業世界。

如今，“物聯網”的雛形已經在許多地方出現。而按照公認的“工業4.0”，也就是“第4次工業革命”的定義，物聯網是其出現的前兆之一。事實上，這次革命的準備工作早在過去十余年中就緩緩鋪開，但由于位于工業自動化核心位置的“可操作技術”一直受到巨大文化差異和結構性沖突的影響，相關技術一直在磨合中，始終未能脫離起步階段。

當然，“萬物互聯”本質上只是提高了信息的傳遞效率，單靠這個無法撐起一場工業革命。同樣重要的是如何提高信息處理效率，在這方面，當前火熱的人工智能(AI)技術將有廣闊的發揮空間。

事情非常明顯：即使是在現在這個人工智能還時常被稱為“人工智障”的階段，用上相關技術的公司也能通過更精確、更高質量的制造降低運營成本。此外，依托于AI的預見性維護和智能化，供應鏈中停工時間減少；由于設備適應性更強，工廠車間人員受傷人數減少。

在制造業外，其他行業也感受到了這種由神經傳感器網絡、“數據池”分析技術以及緊急事件實時反饋技術組成的系統的益處，尤其是航空、能源、物流等依賴可靠、可預測信息的行業。

但正如前文所說，新技術帶來了重大挑戰，同時也別忘了，“機器人正在竊取我們工作崗位”的聲音從未消失。

傳感器組成的世界

“工業4.0”是德國政府工程科學院在2011年的國家嵌入式系統技術使用路線圖中創造的術語，作為描述工業“數字化”的一種方式，其內容主要是從簡單的自動化(主要是獨立的工業機器人)向網絡化的“網絡物理系統”(基于各種傳感器和人類輸入的系統與人類之間的信息協調)的轉變。

德國聯邦教育研究部將這份路線圖納入了宣傳文件當中，該部表示：“機器相互溝通，相互通報生產過程中的缺陷，識別和重新訂購稀缺材料庫存……這就是工業4.0的愿景。”

在工業4.0時代，智能工廠里多種多樣的新技術、新設備將無需笨拙的人類操控。可以設想，使用傳感器替代人類跟蹤所需的組件，并根據需求模式和其他算法決策樹對其進行排序，可以將生產的及時性提高到一個新的優化水平；光學傳感器和機器學習系統的結合，可以比因為流水線工作而已經出現精神疲勞的工人更準確地監控組件質量；工業機器人的效率和低公差將工人逼向更精細的崗位，或完全取而代之。

在許多情況下，模塊化的供應鏈比起人工更加靈活，可以隨著新產品的引進、消費趨勢的變化和經濟波動而及時調整配置。在大數據和大量傳感器的幫助下，機器可以在損壞之前告訴人們何時需要修理，或者告訴人們更好的方法來組織生產線。

為了實現這一愿景，歐盟已經在被稱為“未來研究協會歐洲工廠”的項目上投資了11.4億歐元。類似的“未來工廠”項目也得到了多個國家機構的資助。

其中最有名的當屬美國國防部高級研究計劃局，也就是DARPA。該機構以層出不窮的“黑科技”聞名，在工業4.0方面，他們公開的立項包括適應性車輛制造項目、有效的人機協作(使機器成為人的合作伙伴而非工具)和基于AI技術的智能供應鏈系統(稱為LogX)等。

值得一提的是，人機協作和智能供應鏈在美國是個熱度頗高的領域，比如MITRE就在和包括“美國機器人”公司在內的多家創業公司合作，完善農業無人機全自動作業技術。他們目前已經推出了一個命名為“偵察機”的系統。該系統部署于農田附近，只需要簡單編程，無人機的AI就能自動制定飛行計劃和管理飛行過程，做好圖像數據的收集和處理工作，并將所有東西上傳到云端。

然后農民要做的只是查看相關數據，然后選一下要用的農藥、除草劑、肥料等等，就可以到一旁休息了。這就是人機協作的初級階段。

預測性維護系統

或許大部分美國人不知道也不關心，工業4.0在現實世界最大規模的實踐就在他們身邊：過去，超市員工需要逐個掃描清點倉庫中的庫存水平，然后挑出需要備貨的產品，再用拖車之類的工具送到卡車上，發往各個門店。

而在沃爾瑪，這部分物流環節中所有需要人參與的部分都已被機器替代——清點庫存的變成了機器人，選取備貨使用的是傳感器和傳送帶，再由快速卸貨機裝載到卡車上。隨著自動駕駛技術的發展，運輸過程也將無人插手。

當然，如果被稱為“第四次工業革命”的技術只能用在超市物流中，那絕對是名不副實的。

計算機化維護管理系統(CMMS)的概念自20世紀60年代以來一直以某種形式存在，但早期通常只有大型機構建設，因為CMMS早期依賴于維護報告和由人類收集并輸入計算機的數據，是一個非常耗費人力的過程。

時至今日，據統計，目前用于工業維護的時間中，約80%是反應性而非預見性的。在工業系統中，近一半的非計劃停機是由于設備在生命周期末段發生故障造成的。利用這些數據準確預測故障并在影響較小的情況下維護或更換硬件，變得越來越重要。又因為“資產和設備中的電子元件越來越復雜，軟件數量也越來越多”，靠人力已經無法完成如此巨量的工作了。

進一步說，現代工業對CMMS的需求不僅在于預測何時需要進行維護，更要其根據海量數據，提出優化設備運行的方案，這也超出了人力極限。

因此，IBM開發了Maximo，通用開發了Predix和Matlab預測性維護工具箱，都試圖利用機器學習和仿真模型實現上述效果，相關技術也被稱為“預測性維護系統”。

這項技術尚未大規模鋪開，主要原因是對于設備制造商來說，這是一個很難做到的事情，尤其是在某些情況下，因為實現這一概念通常需要為他們的產品提供詳細的(因此是專有的和有深度保護的)建模數據。還有部分廠商從維修業務中獲利頗豐，自然不愿意主動讓出這部分利益。

此外，許多預測模型也存在另一個問題：雖然有大量可用數據，但大多數數據都是關于正常運行的，故障數據不多。如何沒有足夠的故障數據，機器該如何學習預測故障的算法？部分壕氣的廠商會專門提供設備用作失敗測試，但有目的地破壞昂貴而復雜的硬件，并非人人都負擔得起的行為。這是現有AI技術的固有缺陷。

數字化的危險

盡管信息技術和操作技術的結合具有巨大的潛力，使工業4.0概念(如預測性維護)成為可能，但要認識到，風險往往和收益結伴而行，尤其是在顛覆性變化的情況下，行業內部很難意識到新威脅的到來。比如說，過往的工業系統幾乎無法攻擊，但數字化程度的加深給了網絡攻擊可乘之機。

2017年，施耐德電氣Triconex安全儀表控制系統遭到TRITON病毒攻擊，以及更早之前烏克蘭電網遭到的“黑能源”木馬攻擊，都是其中典型案例。

與工業控制系統相比，預測建模系統的風險較小，但仍有理由擔心黑客從工廠訪問原始分析數據。這些數據不一定會直接泄露關鍵信息，但結合大數據，可能會給對手提供大量有關制造操作模式、工廠效率和制造過程細節的信息，這些信息可用于其他目的。

德國聯邦教育研究部在工業4.0報告中指出，“最普遍的擔憂，工業4.0的數據不安全，商業機密無法保護，需要謹慎防止企業的信息被披露給競爭對手”。

通用電氣和其他公司試圖通過將控制系統與傳感器數據網絡隔離，并在舊系統前面放置防火墻以阻止不需要的網絡流量來保護網絡。工業云計算通常通過虛擬專用網絡和其他措施與互聯網分開。但最好的方法還是在將更多的工作移交給自主軟件和硬件機器人之前，對數據和命令的安全性進行全面評估。