在美国再工业化的讨论中，自动化将拯救美国制造业是一个很流行的说法。自动化、机器人将取代熟练劳动力，节约劳动力成本，提高生产率，从而振兴美国制造业。当然，自动化和机器人无法解决美国的就业问题，不能解决再工业化最主要的目标：通过大量就业使美国经济重新走上正循环，但这是另外一个问题。这里的问题是：自动化能救美国制造业吗？

一般认为，自动化能做到几件事：

1、 提高产品质量

2、 节约生产线上的劳动力

3、 降低对熟练劳动力或者技术人员的需求

4、 理想的全自动生产方式中，系统还具有自学习功能

在实际上，前两件事是有条件的，后两条在很大程度上不是人们想象的那回事。

自动化的生产方式可以达到非常高的可重复性，所以产品的一致性较好。但原料品质不是绝对一致的，生产设备也有磨损和状态的变化，在实际使用中，全自动的生产线也是需要经常调整的。自动化生产的产品可以达到相当高的产品一致性，但不能达到最高质量。最高质量只有根据原料和设备的情况实时做出最优调整，这只有手工才能做到。这不是低级劳动力的手工，而是熟练技工的手工。这不是锉刀、钻头的手工，是借用精密机床甚至是数控精密机床的手工，但在熟练的熟练技工手里，根据每一件产品的材质精细加工，这才是质量的极致。

罗尔斯•罗伊斯轿车和百黛翡丽手表不是用自动化生产线制造的，这里面有传统工艺的原因，但更大原因正在于此：只有手工才能达到最高质量。但对于大宗产品和普通用户来说，自动化生产达到的质量足够好了。

节约生产线上劳动力就不这么简单。在劳动密集型产业里，生产线上的劳动力是劳动力的主体，自动化生产无疑可以大大降低对劳动密集型产业的劳动力要求，这不是问题。问题在于自动化生产的设备维修、加工设计和生产改进本身带来了新的劳动力要求。广义的设备包括硬件和软件。

以典型的大型化工厂为例，精馏塔、泵、管道、容器、反应器这些不因为自动化生产还是人工控制而改变，但计算机控制系统（简称DCS）及相关的仪表、阀门是自动化的产物。围绕着DCS，化工厂“多”出来一整条支援链，一般仪表工、专职的DCS仪表工（负责DCS硬件）、专职的PLC（专用于程序逻辑控制和安全连锁保护）仪表工、专职的分析仪表工，控制工程师、DCS工程师（负责系统软件、升级和系统整合）、控制系统IT工程师（负责DCS到商务/管理网络中的过渡层和通过OPC等软件接口协议与DCS连接的先进控制、数据管理系统），这只是在化工厂里的这一部分。相关系统厂商还有一整套技术支援体系，从硬件到软件到全面应用支援，他们当然还有他们的上游支援体系。这样一整条产业链的人力是很可观的，尽管系统厂商及上游厂商的支援体系是在全行业共享的，而不是化工厂专用的。

到这里为止，自动化对拯救美国制造业的作用还是正面的。但接下来的事情就不那么清晰了。

自动化能降低对熟练技工的需求吗？从表面上看，一切都自动了，人的存在都是多余的，当然能降低对熟练技工的要求。实际上没有那么简单。

自动控制系统可以控制正常生产条件，并处理有限的、已知的非正常情况。但只要在现实世界中生活过的人都知道，未知的非正常情况不仅可能出现，而且总是在最要命的时候出现，只有训练有素和善于应变的熟练技工才能对付，所以人的存在不仅是必要的，而且是救命的。

但正是在这一点上，自动化的发展造成了新的问题。自动化系统通常自动处理绝大多数正常和低度异常的情况，容易使操作工产生麻痹和懈怠，并忽视潜移默化的重大异常征兆。一旦出现明显异常的情况的时候，通常已经很紧急了。这时首先要经过一个惊讶和反应阶段，然后需要判别现状，回忆起或者翻出种种应急操作规程。

由于这样的异常情况很少见，和平时正常情况的反差太大，心理素质不特别好的操作工常常不能正确处理，像平常一样继续依赖自动化系统替他解围，无法正确判定这已经超出自动化系统的能力范围，从而造成故障升级，甚至演变成灾难性的事故。2010年4月20日墨西哥湾里英国石油公司“深水地平线”平台事故中，事故升级和人员伤亡扩大的一个原因，就是操作工惊慌失措、当断不断。

2011年5月27日，法航447航班从里约热内卢飞往巴黎途中，空速管冻结，失去飞行速度读数，飞行控制系统自动增加飞行高度和速度，为飞行员争取反应的时间和空间，但最终造成失速。飞行员接过手动控制后，在13000多米的高空，本来适当浅俯冲就可以改出失速，但飞行员机械地搬用低空失速时的标准操作规范，继续增加推力和爬高，非但没有改出失速，反而进入深度失速，最终坠机。

相反，自动化程度不高的话，操作工时时刻刻需要对过程“把脉”，容易察觉异常现象的蛛丝马迹，反而不容易出现故障升级现象。对自动化系统过度依赖、不能正确判别和处理自动化系统失控的状态，这已经成为工业界普通感到头疼的问题。工业上通常使用仿真系统（也称模拟器）训练操作工的异常情况处理，但训练的成功与否取决于是否能正确预测典型异常情况，超出训练课程的异常情况依然要靠操作工随机应变，但高度自动化系统非常容易钝化人的随机应变能力。

还有一个问题是高度自动化后工作负荷高度集中。在手动操作时代，很多操作工分兵把守，各自为阵。自动化之后，很多机械的、重复的工作被自动化系统取代了，操作工在更高的层次监控自动化系统。在体力上，这更加轻松；但信息量实际上大大增加，需要关注的事情多得多。

这好比交通警察。在一个交通警管一个路口的时候，他要根据车流情况开关红绿灯，指挥这个路口的交通。交通控制自动化后，他的工作岗位转到交通控制中心，具体路口的红绿灯控制转为自动控制。在正常情况下，他要眼观六路、耳听八方，从确保一个路口交通畅通变为确保一大片路口交通畅通。一旦自动控制不力，出现交通受阻，他需要在短时间内作出大量的人工干预，正确疏导，而不是加剧堵塞，峰值工作负担大大增加，对心理素质和专业技能的要求也大大提高了。

高度自动化的另一个问题是操作经验的流失。随着人员流动，有经验的老资格操作工被缺乏经验的新操作工取代。新操作工从一开始就依赖自动化系统，缺乏实际经验，甚至对超越自控系统的人工干预产生畏惧，到时候想随机应变都无从入手。

这就好比用GPS导航自动驾驶的汽车，在正常情况下不需要人的干预，可以安全自动地从A开到B。车上的人在原则上是可以手动超越驾驶的，但在正常情况下没有这个必要。问题是久而久之驾驶技术和对路况的判读就生疏了，或者只有理论上的能力，真的到了GPS或者自动驾驶失灵的时候，驾车人临时抱佛脚，不把车开到沟里才怪。

操作经验流失的另一个坏处在于未来自动化系统的研发。自动化系统不是天上掉下来的，更不是纸上谈兵拍脑袋出来的，而是丰富操作经验的物化。熟练技工的经验不仅对于现有生产过程十分重要，对于把改进后或者全新的生产过程开出来更加重要。只有通过他们把新过程摸出来了，才谈得上高度自动化。自动化的难点通常不在关键过程或者动作的自动化，而在于异常情况的处理、人机交互处理、不同状态之间的无缝转换，这些都不是理论或者空想可以解决的，必须要靠高度的经验。所以自动化降低了对不熟练技工的需求，但不降低对熟练技工的需求。

问题是熟练技工不是天上掉下来的，也是从不熟练技工中成长出来的。自动化使得不熟练技工队伍缩小，这使得自动化带来的技术进步难以为继，因为生产技术和产品技术是不断进步的，但熟练技工成了无源之水之后，下一步的自动化就难以为继了。换句话说，过度依赖自动化的制造业振兴可能是一次性的。

这个问题在工程技术人员中也存在。美国制造业公司中技术工作大量外包，一般性设计和工程管理都承包给EPC公司（Engineering Procurement Construction），以降低公司的负担。这对公司是有利的，有项目的时候请人来做，没项目的时候不需要养一支队伍，更没有福利、养老等长期负担。外包公司里都是资深专业人士，经验和见识比公司里的人还广。问题是EPC公司对用户公司的工程标准和项目程序有一个熟悉过程，这中间的磨合常常令人抓狂。更要命的是，现在可以依靠EPC公司，但大家都没有从第一线出来的工程师了，下一代EPC的人马从哪里来？这种“我死后哪管他洪水滔天”的短视做法和试图片面依赖自动化振兴制造业一样成问题。

不过，计算机技术、人工智能的高速发展给人们以新的希望，说不定以后高度智能的系统可以自学习了，那就彻底摆脱对熟练技工的依赖了。摩尔定律依然在发光，计算机的速度依然在以不可思议的速度增长，种种人工智能实验也爆出喜人的成功，计算机甚至战败了国际象棋冠军，“你怎么知道以后计算机就不能比人聪明呢？”

人工智能的极限是一个哲学问题，在这个问题没有解决之前，计算机是否可能比人聪明都是空谈。人类智能的另一个说法就是智慧，智慧到现在为止依然是一个无法定性和计量的东西，智慧的生成、演进、转移和储存都是远远没有解决的问题。智慧更有显性和隐性两部分，显性智慧由各种成文的知识和思想方法组成，复制显性智慧至少在理论上是可能的。但隐性的智慧充满的“只可意会不可言传”的东西，连描述都困难，更谈不上复制或者超越。

智慧不是知识的堆积，具有海量的数据库和闪电般的快速检索并不能绕过知识的堆积不等于智慧这个障碍。面对同样的数据，不同的人会做出不同的反应，人工智能要超越的是谁的智能？另外，人类智能本身也在不断演进，人类智能的一大特点就是会有阶跃性的突变，每一个科技发明和人文概念都是人类智能突变的结果，理解和认识这种突变机制本身就需要人类智能的一个突变。人工智能要复制和超越人类智能，就像兔子要吃悬吊在鼻子前的胡萝卜一样。

如果人工智能极限是一个哲学问题，在实践中是否可以不去理睬它，直接用越来越快的计算机挑战人工智能极限呢？换句话说，哲学问题对人工智能实践没有实质性的指导意义呢？自动控制理论比计算机和人工智能先行，很多东西可以借鉴。早期控制理论使用输入-输出模型，但60年代卡尔曼提出状态空间理论，用状态方程建立全新的模型，更加深刻地揭示了动态系统的本质，并且把线性/非线性、定常/时变、确定性/随机、单变量/多变量理论放到统一的架构之下。同时，状态空间也第一次触及可控性概念。

如果用舞龙作比方，龙头和龙尾好比系统的输出和输入，龙身里的每一个人好比系统的状态变量。龙尾的人可以通过搭在前一个人身上的手传递控制信息，最终使得龙头摆到规定的位置。但如果龙身中间有几个人偷懒，手没有搭在前一个人的身上，那这个“断链”再往龙头方向的所有状态就不可控，不管后面的人如何软硬兼施。换句话说，对于不完全可控的系统，控制系统设计得多精巧都不可能控制所有的状态。可控性是一个跨不过去的坎。人工智能的极限是什么？这个问题最终是绕不过去的。这不是茶余饭后啜牙花的谈资，而是和永动机一样，关系到有意义的科学突破还是无意义的冲撞南墙。

就更具体的自学习系统而言，自动控制理论里也有比照，这就是早就出现的模型参考尤其是自校正控制。这可以说是入门级的自学习系统。这些概念在60、70年代就提出，也曾经使人们大为振奋。自动控制理论的一个关键难点在于拥有形式合适而且精确可靠的动态数学模型，但对于大多数工业过程，这个模型难以获得，所以早期的控制理论常常停留在空谈的层次。自校正控制把在线辨识和最优控制相结合，一面实时校正数学模型，一面根据最新更新的数学模型实时调整控制策略，这不解决了缺乏数学模型的问题了吗？实际上没有，这只是把问题的复杂性转移到另一个层面上去了。

在线辨识需要过程处于动态中，死水一潭是无法辨识过程特性的，只有牛鬼蛇神纷纷出动，才能辨识出过程的真实特性。但辨识的目的是形成最优控制，也就是最终把牛鬼蛇神统统镇压下去。但是牛鬼蛇神都镇压之后，在线辨识就要瞪大眼睛无事生非，没有牛鬼蛇神也草木皆兵造出几个来，导致模型失真，真有牛鬼蛇神再露头的时候，就容易发生过程失控。这个问题有很多就事论事的办法，但没有能从本质上解决的，最终导致又一个美好理论丧生于实践的岩壁脚下。

人工智能的自学习是否会遇上同样的问题，但可以肯定的是，自学习在学习实际过程的时候，本身也需要人们对自学习的理论和应用进行学习。这就像自动控制避免了学习简单劳动的必要，但增加了理解、掌握和支持自动控制硬件、软件和控制算法的要求。对于复杂过程的控制，最终取决于对过程本质的实质性理解，而不是用投机取巧的数学方法绕过学习关。自学习不仅不能降低人类学习的要求，实际上还增加了人类学习的要求，因为自学习的成功取决于工具的正确应用，这只有来自对实际过程的深入理解。另一方面，对自学习和工具本身的学习成为额外的学习要求。这就是自学习不可能成为懒人福音的道理。

数学救不了懒人还有另一个例子。传统数学模型有一个公式，形式可以很复杂，可以有很多方程联立，可以是代数方程和微分方程的混合，并加入随机等其他复杂性因素，但这种传统数学模型能够描述的现象受到具体方程形式的限制。在研究人类智能的过程中，人们提出神经元的数学模型。这是一个简化的模型，但把很多这样的简化模型组网连接起来，可以描述高度复杂的现象。然而，神经元网络本身依然在数学或者计算上相对简单。神经元网络出现后，很多人以为这是终极数学模型，只要有足够多的数据，包括进所有的变量，从此可以把世界上所有复杂现象一网打尽。

在学究们还在颤颤巍巍地刺探神经元网络的数学特征的时候，已经有人把它用于股票预测、市场预测和其他来钱的名堂，结果没有悬念：没戏。数学模型的生命力不在于对过去的解释，而是在于对未来的预测。社会经济系统是一个复杂反馈系统，人类行为在历史和现状影响下会有所调整，而调整的方式不是对过去类似现象的简单重复，而是会因人因时因事而异。在没有理解人类行为的本质之前，历史的分析可以作为借鉴，但不能由历史简单预测未来，这是人们早已熟知的道理，用眼花缭乱的数学模型也不能改变这一事实。自学习是数学的一个分支，数学是对现实的抽象，但不下功夫理解现实，抽象就成了无源之水、无本之木，必定要误入歧途。

那么自动化可以救美国的再工业化吗？自动化是一个工具，这个工具是要人来使用的。换句话说，这是一个力量倍增器，但基数是人。美国再工业化的关键还是人。美国的人力资源问题是另外一个话题，但想绕过美国人力资源的现实，用自动化来创造奇迹，这条路是走不通的。这是一个无法回避的事实。