2016年底的一天，当百度地图召开发布会，宣布每日位置服务突破720亿次时，百度地图事业部总经理李东旻不禁想起十多年前自己第一次听到吕本富做互联网经济演讲时的感受。正在读研的他，形容自己仿佛在迷茫中看见了光，不久就抓住一个机会来到初生的百度实习。
2000年，堪称当时网红级学者的吕本富到处宣讲新生的互联网，在一个论坛上遭到一位上市公司老总的质疑，他回答：“您是一位成功人士。为什么成功？因为在20世纪70年代短缺经济时期，您是第一批注重质量的；在20世纪80年代市场经济初期，您是第一个搞品牌营销的；在20世纪90年代过剩经济时期，您是第一个搞连锁、抓运作的。您的成功是因为总站在时代的前列。但2000年以后的潮流是什么您知道吗？”那位老总仿佛醍醐灌顶，当时就表示要投资互联网。
随着互联网经济的兴起，互联网思想市场也空前繁荣，大大小小的互联网财富宣讲师口吐莲花，吕本富的观点早已被掩盖。可是，这些意见当中有多少能把握住下一个浪潮？
人工智能是新的光，讨论它对总体社会的影响，只靠与互联网经济相关联恐怕还不够。这是一场漫长的社会进化过程的最前沿的变革，不仅经济、科技总体面貌将会改变，国家社会治理层面乃至文化、个人层面也将因为人工智能浸润而发生变革，由此，经济基础与上层建筑的共同变化将使文明样态发生改变。人工智能可以助力大同社会理想吗？可以有助于和而不同的社会秩序吗？回答这些问题，需要努力，更需要想象力。
从勤劳革命到智能革命
费孝通、杉原熏、阿瑞吉等学者在考察中国近现代图强历史中，渐渐描述出一条可以称作“勤劳革命”的道路。“勤劳革命”与西方工业革命重资本投入不同，其表现为：相对廉价但受过基础教育的熟练劳动力在相对小规模的单位工作；劳动密集型产业；推崇勤劳致富的工作伦理等。这条道路并非和工业革命对立，而是工业革命冲击下的一种应对。依靠“勤劳革命”，中国在一穷二白、资本稀缺的条件下完成了工业时代的逆袭，成为世界头号制造业大国，拥有全球罕见的完整产业链，GDP（国内生产总值）增速常年高居世界榜首。
过去三十多年里，中国几乎抓住了所有“崛起”的机遇。在第三次工业革命时期，中国初步完成工业化，补上欠了100多年的功课。20世纪80年代，西方国家纷纷去工业化，中国承接产业转移，成为世界工厂。20世纪90年代末互联网起飞，中国终于和美国站在同一起跑线上。如今移动互联网的发展中国甚至稍胜半筹。中国重新崛起的辉煌一部分要归功于全球化。加入世贸组织让中国商品更容易销售到全世界。在各个产业领域，中国人学习、消化先进国家的先进产业技术的速度很快。凡是中国人学会制造的商品，很快在全球范围内该商品的价格就会降下来。因此中国也会常常被指为“搭便车”。但是现在，当中国已经成为全球第二大经济体，越来越多的人认为中国无法再完全延续过去的韬光养晦式跟随战略，中国也需要担当引领者的责任，不仅要为全世界创造经济高速列车，也要提供技术指引乃至文明典范。
同时，“勤劳革命”自身也遭遇危机。人口老龄化、用工成本上升、大城市病、新兴中产阶级对环境污染的焦虑、国际竞争加剧、贫富差距扩大引发的不满等都在困扰这个国家……如果方向不对，“勤劳”也无法引领潮流。中国人渴望找到新的高速发展路径，如果方向明确，中国人愿意再一次发挥“勤劳”禀赋去学习、追赶。归结到产业角度，整个国家需要淘汰和转移落后产能，升级产业和消费层次。
在升级方面，中国也并非像一些舆论渲染的那样缺少创新能力，只能聚焦低端产业。“勤劳革命”的表述本身也多少掩盖了中国人技术革命的能力。中国的科技实力在大幅度提升，即便在高精尖领域也紧随为数不多的先进国家。2015年8月，中国科技大学的袁岚峰博士撰文，从《自然》杂志指数、全球五大专利局数据、科研投入数量、先进项目状况等多方面论证，中国整体科技水平正在以加速度逼近头号大国美国，稳居世界第二位。此文被多方转载刷屏，引发科技界和民间热议。
2016年10月，中科院与Clarivate Analytics公司（原汤森路透知识产权与科技事业部）联合发布了基于论文大数据分析的《2016研究前沿》，指出：“中国在前沿引领度方面与美国差距较大，与英国竞争激烈。潜在引领度方面，中国全面超越英国，位居世界第二，显示出强劲的后续发展能力。中国共参与68个前沿方向，其中30个领跑全球，与第一名美国总体上还有较大差距，但是在很多领域已经反超。”
在产业方面，中国的技术型大企业崛起，从工程机械制造到电信领域，顶尖企业具备较强的竞争力，能在全球范围与跨国巨头们一较高下。从劳动密集型产业向技术、资本密集型产业转化，虽然大有进步，但与先进国家差距仍然明显。以工业机器人为例，据国际机器人联合会（IFR）统计，2013年，中国制造业从业人员机器人保有量仅为25台/万人，而世界平均水平为58台/万人，其中韩国是396台/万人、日本是332台/万人、德国是273台/万人。对于机器人应用最多的汽车行业，先进汽车生产国的工业机器人使用密度均已达到1000台/万人，而中国仅为213台/万人。不过，也是从2013年开始，中国工业机器人销量在全球占比达20.52%，首次超越日本成为全球第一大工业机器人销售国。根据2016年的数据，中国的工业机器人使用密度已经达到49台/ 万人。
中国在人工智能领域的突飞猛进令世界瞩目，据《华盛顿邮报》称，中国在深度学习领域发表的论文数量已经超过美国，质量也不落后。在应用领域更是丰富多彩，2017年美国CES（International Consumer Electronics Show，国际消费类电子产品展览会）上，中国企业数量超过参展企业总数量的1/3，多项中国人工智能产品获得展会官方最佳创新产品奖。
在美国，资本主导下的高新技术产业在奥巴马任内高速发展，为全世界输送了技术，却也加大了本国分裂。制造业空心化使得人工智能等高新技术无法在本国充分落地消化。而中国遍地成规模的制造业、服务业，加上每年高校培养出的百万级工程师与海归人才，使得人工智能的原力正在获得释放。
三次技术浪潮冲击下的第一制造大国
焦虑已经持续了很多年。在20世纪90年代末，业界就开始流传这样的顺口溜：“如今冰箱都能制冷，彩电都有影儿，PC都能定制，ERP谁都不太懂。”几句话言简意赅。前两句反映了工业化的困境。家电是中国制造的标志性产业，先后经历消费和产能的井喷。企业在早期都曾被质量问题困扰。少数企业致力于提升技术和管理，脱颖而出。当“制冷”和“有影儿”这样标准化的功能需求趋于饱和，质量过硬意味着生命周期长、替换率低，市场也就陷入停滞。
PC虽然都能定制，但仅限于CPU主频、内存、硬盘容量等性能，这由传统PC模块化的结构所决定，是一种相当初级的定制。与后来的智能手机支持应用、内容定制，支持数据生产、分享和反馈相比，不可同日而语。而未来的人工智能终端，其开放性又将远超智能手机。
ERP曾经被视为企业信息系统的核心，如今也已看见衰落的景象。尽管ERP的模板开发相当于对大量企业的数据进行了人工的深度学习，找出基本模式，还可以针对每个用户的特点进行二次开发。但本质上仍然是一种集中开发的模式，弹性不足，部署周期长，和业务有脱节，这是造成“谁都不太懂”的根源。ERP跟不上近年商业环境的变化，逐渐被云计算所替代。云计算不只是一种技术，同时也代表一种理念。对应着云（分布式）计算，企业也要从传统的集中管理转变为分布式管理。
在宏观层面，制造业正在边缘化。约翰·奈斯比在1982年写下《大趋势》，其中指出：“日本已经取代美国成为世界工业领导国……日本是第一，但只是一项衰退的赛事的新任世界冠军。”奈斯比认为日本也受到一些新兴市场的挑战，当时中国处于改革开放初期，还没有进入他的视野。20年后，中国成为工业化竞赛中最新、也可能是最后一任世界冠军。
就在三百多年前，世界上绝大多数人口都在田里耕作。没有人能想象得到，很快人们将涌入城市和工厂。今天的美国，农民数量已经不足劳动人口的1%。一百多年前，相似的一幕在更高层次上演，人们开始涌入写字楼。七十多年前，美国办公室白领数量超过了流水线上的蓝领工人。二十多年前，美国企业界大量裁撤白领岗位，很多人主动离开了朝九晚五的办公室。传统产业的组织模式正在发生巨变。
人们常说，美国的今天就是中国的明天。阳关三叠的长周期也正在中国发生，区别在于时间大为压缩。三十多年前，中国大部分人口还在田里耕作。二十多年前，中国才开始形成白领阶层。最近几年，白领群体的职业前景达到某种瓶颈。
这是新的不平衡规律。时间压缩更突出的表现是，在美国按时间展开的进程，在中国是同时发生并按空间展开。在互联网创业大规模展开的同时，大批的新工厂和新办公室投入运营，招募了大批农民工、蓝领和白领。这种情况造成的局面错综复杂、波澜壮阔，处理起来更考验举国上下的智慧。
另一位未来学家，《第三次浪潮》的作者阿尔文·托夫勒在2001年的中国之行中评价：中国包含三个世界，第一次浪潮覆盖大约9亿农民，第二次浪潮覆盖大约3亿市民，而第三次浪潮，据托夫勒当时获得的国家计划委员会（后来重组为国家发展和改革委员会）数据，只有1000万人。中国的发展主题就是改变三次浪潮人口之间的关系。
今天，人口格局已经大为改变。国家发布的数据显示，2016中国城镇化率已达57.35%。城镇常住人口达到7.7亿。“十二五”时期，城镇化率年均提高1.23个百分点，每年城镇人口增加2000万人。
第三次浪潮吸纳了大量就业，但和第二次浪潮的边界是模糊的。互联网产业本身就同时包括本属三个浪潮的世界，以百度外卖为例，公司拥有大量外卖配送员，相当于传统蓝领；其次是运维人员，相当于传统白领；还有一个小而精的技术部门，包括人工智能团队，相当于顶层。就公司内部来说，管理文化差异如此悬殊的三个员工群体，是个不小的挑战。从外部来说，这正是中国发展道路的特点，需要勉力平衡这种反差与混合。
中国从第一次浪潮到第二次浪潮的跃迁过程，在2010年前后已经迈过“刘易斯拐点”。[1]
中国的部分低端制造业已经转移至越南等人工成本更低的国家。印度也雄心勃勃地计划“成为全球制造中心”。莫迪政府于2014年9月向全世界发布印度制造新政，包括提供一站式服务，改革劳动法和税收，简化审批程序，以吸引各国在印度投资设厂，增加当地就业机会。印度的多时空混合特质比中国更严重，英语理工精英与落后种姓制度比肩继踵，能否成为中国制造的有力对手，尚需拭目以待。
另外，欧美等老牌制造业强国也在努力，希望能够百尺竿头，更进一步。德国联邦教研部与联邦经济技术部在2013年4月的汉诺威工业博览会上提出工业4.0（第四次工业革命）的概念，得到官产学各界广泛认同。工业4.0已经上升为德国的国家战略，在全球范围内引发新一轮工业竞赛。工业4.0旨在提升制造业的智能化水平，利用物联信息系统（Cyber-Physical System，CPS）将生产中的供应、制造、销售信息数据化、智能化，在价值流程中整合客户及合作伙伴，实现快速、有效、个性化的产品供应。
美国正在试图逆转战后去工业化的趋势，让部分工厂回流本土。作为大国，局势错综复杂，存在各种力量博弈，如特斯拉这样的无人汽车工厂无助于就业，美国中下层人均收入缩减，很多回流的工厂没有回到铁锈地带[2]，而是部署在人力成本更低的南部等。新总统特朗普连续在推特上炮轰丰田、通用和福特，威胁它们把汽车工厂搬回美国，更加凸显了某种时空错乱的怪异特性。但无论如何，美国重振制造业的行动势必对中国制造业形成压力。
美国制造业提出的主要创新亮点在于3D打印。虽然一度以黑科技的面目出现，但3D打印的关键不在于技术，而是反映了制造业从大规模标准化生产转向大规模定制生产的趋势，最终反映了客户需求个性化、自组织化的趋势。
图5-1 特朗普在推特上炮轰汽车制造商
面对这样的上下夹击，中国制造业的地位略显尴尬。尽管人力成本还有向中西部转移的空间，但中国整体正在逐渐告别低成本优势，迫切需要将竞争力转移到生产率和知识经济上。
张亚勤因为负责百度云计算工作，经常要和企业打交道。他认为，在工业互联网和智能制造方面，中国落后美国比较多。这么多年来，美国大的行业基本都实现了流程化，垂直行业的大部分公司都用上了ERP，为此投入了上万亿美元，使得流程变得IT化、软件化。制造业不管是高精机械也好，流水线也好，自动化开始得都很早。中国在这个方面整体上相对落后。中国企业，尤其是很多小企业，没有统一的工作流程，IT程度比较低。
第二次浪潮到第三次浪潮的跃迁，即使是最前沿的美国也才刚刚起步。某种程度上硅谷的创新仍然以技术为主，与第二次浪潮中诞生的产业相对独立，互相的结合程度可能还不如中国。“物联网”概念的发明者凯文·艾什顿就极其看好中国的互联网与物联网的发展。张亚勤认为，就像消费互联网刚兴起时一样，各国都处在同一起跑线上，美国可以做，中国也可以做，中国甚至能比美国做得更好。现在当人工智能来了之后，原先的一些领先优势就不太重要了，甚至由优势变成了劣势。如传统企业花很多钱买Oracle的数据库，买IBM的ERP和数据库。这么多年来，基于传统IT技术的公司，产品越做越重，硬件也好，软件也好，越来越复杂。IT的投资、运营成本和人力成本越来越高，很多企业不堪重负。云计算是新的平等起跑线。云做的事情是把复杂性移走，让做云的公司帮企业做IT，不是像传统的ICP（互联网内容提供商）服务公司，派几百个人到你公司去做，而是提供虚拟化服务。例如，过去是在家里建电站、打水井。现在是提供电网、水网，企业只要打开水龙头就可以得到水。企业不再需要部署那么多服务器，不再需要那么重的ERP系统，只需要接入网络，就可以连接所有的服务——计算、存储、数据库。于是商业端服务也消费者化了，方便快捷。
昔日制造大国：人为物役
伴随人工智能产业的热潮，乐观和悲观的观点再次交锋。20世纪人工智能刚在想象和理论中成形时，争议就开始了。人们的恐惧和希望都来自现实，反映了贯穿三次浪潮的人与技术的纠结关系。简略回顾一番技术与工具的历史有助于我们反思制造业与人工智能的关系。
商品的个性化定制背后站着生物进化的历史。进化论告诉我们，生物通过改变性状来适应环境。这个迭代过程非常缓慢，并且后天习得不能写入程序（DNA）。但是在工具领域，人类可以超越生理的进化，通过工具的改进、迭代来融合后天习得的知识和本领，改造环境、改变自己。
制造工具甚至成为人的本质定义。虽然有些动物能在某种程度上使用“工具”，如人类的近亲灵长类，但这些动物使用工具仍然属于条件反射。人制造工具并非回应眼前的挑战，而是包含了对过往经验的“深度学习”以及对未来的预测。如石器中常见的一类石斧，有砍、削等多种功能，适用不同的情境，成为我们祖先随身携带的工具。
人工智能目前刚刚走到自己的石器时代，如果说以前的计算机工作模式是条件反射，只能完成程序预设的任务，今后人类则致力于教会它自己开发“工具”。
我们就以汽车制造业来展开说明。科学管理学派的祖师泰勒对装卸工种经过反复试验(深度学习），得出单人的最优负重为21.5磅(9.75千克），因此为每种物料设计专门的铲子，以保持这一容量。可想而知，每个工人的力量和耐力存在差异，这个最优负重是泰勒生活的时代工人平均身体素质的体现。这时在技术上，铲子仍然是工人的工具，但在管理上，管理者通过标准化的铲子，把所有工人组成一个巨人，单个工人是这个巨人的人肉工具，也就成为铲子的工具，正所谓“人为物役”。
在汽车工业早期，由每个工人独立完成一辆整车装配，采用自己最习惯的方式。经过长期学习，工人们也能达到相当熟练的程度，但这并不是效率最高的方式。进化的下一步是流水线。
据说福特公司高管有一次参观屠宰场，受到启发，也采用流水线装配汽车，将整车装配分割成最小、最简单的单元，每个工人只负责一道工序。1913年福特公司开发出世界上第一条流水线。汽车底盘和零件分别通过传送带送到工人面前，工人无须走动，节省了取零件的时间。手工生产一辆汽车需要728工时，流水线缩短至12.5工时以下。汽车价格大幅下降，让平民可以消费得起。T型车从1908年投产到1927年共生产了1500万辆。
图5-2 福特公司早期的汽车流水线
早期汽车生产流水线共划分为7852个工种，其中949种需要身体强壮；3338种只需普通体格；3595种可在正常体力以下，其中又有715种可由独臂者完成，2637种可由独腿者完成，10种可由盲人完成，2种甚至可由双手残疾者完成。这种详细划分的标准我们可以理解为较为原始的特征化和数据化，蕴含着今天的数据标签化技术，而标签化数据正是人工智能的燃料，可这毕竟还是工业时代的产物，无法挣脱人为物役的锁链，也无法满足更高层级的人类需求。它首先将遭遇“多样性”的瓶颈。
只有新工业自动化才能契合人类多样性
多样性是生物的基本特征。普通生物的多样性一般表现在物种之间，即同一物种的性状趋同。但在进化的高级阶段，在智慧生命身上，多样性表现在个体之间，尤其是表现在与智慧相关的器官脑和手。
可以想象人类基因中有个骰子，随机掷出不同的DNA代码。非孪生的兄弟姐妹，天赋也会有显著差异。人们从来都能感受到彼此的不同，只是囿于手段限制，无法淋漓尽致地表达这些不同。过去人们想出众多的性格分类法，以星座学最为流行，就是渴望表达区分的尝试。生物体的个性区分曾令达尔文非常困惑，但却为经济的分工协作和消费的多样化奠定了生物学基础。
传统工业是如何满足多样性需求的？关于产品个性，工业先驱亨利·福特有三句话，昭示了旧工业范式下企业与消费者的关系：
“我问人们想要什么，他们总是说更快的马。”
“顾客可以喜欢任何颜色，只要是黑色。”
“汽车价格下降1美元，增加1000名顾客。”
用户对汽车有什么具体需求呢？薛成曾在《中国企业家》撰文分析这个问题。在汽车问世之前，除了少数工程师，普通民众对此一无所知，工程师只能就已知需求(马)来增加数量(更快）。按马斯洛的需求层级理论，越低级的需求，越容易量化，共性越大，相应市场规模越大。亚当·斯密在《国富论》中指出，规模是分工协作的前提。越高级的需求，如果要增加产品，相应的分工协作就越复杂，会降低效率，损失规模效应。对于汽车生产来说，首先是为容易满足的需求扩大生产。“价格每下降1美元，增加1000名顾客”。如果为增加色彩价值每投入1美元只能增加200名顾客，将损失800名潜在顾客。所以福特只提供黑色轿车，却优先提高产量，降低成本。
但是在消费层面，当汽车的顾客被创造出来，他们的新需求就同时产生了。德鲁克的《管理的实践》开宗明义，企业的目的是创造顾客。当生产力扩张，消费需求将被释放或者创造出来。
泰勒相信工人为钱工作，福特也说过：“工资解决了9/10的精神问题。”但从1924—1932年，由梅奥为首的心理学家（而不是管理学家），通过霍桑工厂的实验发现，工人的工作动机要复杂得多。1960年心理学家道格拉斯·麦格雷戈提出X理论和Y理论，前者把工人看作懒惰的经济理性人，需要鞭子+酬劳来激励，后者认为人有劳动的需求和创造力。
整个旧工业经济体系就像太阳系，消费者和员工环绕企业运转，企业再环绕金融（太阳）运行。这套体系可以对人的多样性需求做出反应，但是以一种中心化的方式运作。
直到今天，技术还在进步，除非创造新物种，产品多样化方向已经趋近感知的极限。一个新的循环往复将要形成。新工业范式将把旧工业范式颠倒过来，不再是技术的突变引导需求的渐变，而是无限地拓展需求层级和种类，以需求的突变引导技术的渐变。扩大内需不应该被理解成旧需求层面上的扩张，而是前所未有的多样化需求被开发出来。在旧工业范式下，依靠的参照系只有已知技术和已知需求两条小路，人类凭着自己的计算和洞察摸着石头过河。而今天，人类无穷多样性的细分需求，需要依靠人工智能深度学习系统才能捕捉。
曙光在于大数据和人工智能。今天，人类的多样性需求、反馈越来越被数据化，可以无限地产生并被传感器记录。也只有建立在概率和分布式计算方法上的深度学习与智能经济系统，才能从这无限的数据中感知未来的方向。
还是以汽车的例子将这个问题具体化。沃顿商学院的马歇尔·费舍曾拜访汽车经销商，得知综合颜色、内饰、发动机等功能，汽车制造商实际上可以提供2000万种型号。定制需要8周，而90%以上的顾客要购买现货，而且并不知道存在那么多的可能型号。这家经销商只有两种型号现货，本地有10家经销商，假定经销商的型号规模相等，那么在本地市场上只能提供20种型号。费舍因此将渠道比作沙漏的颈部。
这项调查发表于1997年的《哈佛商业评论》。同年亚马逊上市，提供了解决方案——网络货架无限长。除了存储空间，更重要的是信息匹配，通过计算机网络即时记录和分析用户的行为，推测其兴趣，这就是所谓的“用户画像”。有了这个方法，就可以把无限多的产品型号与无限多的用户需求精准匹配。
复旦大学中国研究院的余亮在虎嗅撰文认为，“用户画像”被很多人误解为是对用户群体的描述，比如90后群体的消费特征等，甚至一些互联网商业公司也在宣传中如此使用“用户画像”。然而正相反，基于人工智能的“用户画像”恰恰是对个人的描述，可以为每个人贴上无数标签，精细追踪个人的需求。比如所有以算法推荐资讯的应用程序，都是“伪装”成新闻客户端的用户个性收集器，以此向用户推送个性化的信息和广告。这种方法同样运用在实业领域，物联网与人工智能可以给生产工序和消费用户两方面都贴上天文数字的标签，满足最精细化的需求。比如3D打印，实质是可以根据多种多样的需求而灵活变化工序，不再依靠实物模型，仅仅根据计算机建模就可以“打印”出新产品。
工业自动化的内涵因此被改变，不再是针对固定需求的自动生产，而是自动根据需求变化调节生产、流通和分配。控制论领域大奖诺伯特·维纳奖的首位华人获得者，中科院自动化研究所副所长王飞跃指出：“工业自动化将向知识自动化转移。”新的生产过程将具备如下特性：对人类生活多样性的自动跟踪；知识的自动化习得；工具的自我复用和进化；对社会管理的自动优化；生产流程根据知识进行自动调整并生产出新知识……以此形成新的循环往复规律，革新工业经济范式。这个过程将挑战过去生产方式的一切环节，从生产布局、设计流程、渠道建设直到科层制的企业权力结构。“中国制造”也将因此而蝶化为“中国智造”。
走向物联网与精细化生产
知识化、自动化、精细化的生产方式的基础在于物联网。
2016年7月，软银公司斥资243亿英镑收购微芯片巨头ARM公司。软银总裁孙正义认为物联网将会引领下一轮技术爆炸。2018年，物联网设备的数量将会超过移动设备；2021年，全球将拥有18亿台PC、86亿台移动设备、157亿台物联网设备；2035年，数据量将会增长2400倍，从1EB增长到2.3ZB；在未来20年，物联网设备的数量将会超过1万亿台。孙正义指出：“物联网与人工智能的关系，正如同眼睛与大脑配合使生物得到进化的关系。物联网爆发即将来临。”
物联网让人与万物接入同一张网络，让人与机器随时互动，人的一切可以数据化的行为、反应，都会引起机器和生产线的波动，各种数据在云端交汇，大量计算通过云服务器完成，再通过产品与服务反馈于人，循环上升，从而把人的多样性与物质世界联系在一起，彼此催生，共同进化。
《奇点临近》的作者雷蒙德·库兹韦尔认为，人类正处于物联网引领的工业革命时代。3D打印技术是2020年前创新型工业革命的主要推动技术。到2020年，我们的衣服都可能被开源设计，可以直接从云端免费下载。3D打印技术的发展前景目前尚不明朗，不过库兹韦尔的话呼应了前面说的新工业范式对多样化需求的满足。除此之外，从食物到音乐，都可以通过物联网精细化生产，云计算是其内在逻辑。
凯文·阿什顿的观点更为深远，他认为：
我们要区分大众说法中的智能穿戴设备与物联网。能侦测防晒指数的比基尼和能感知是否口渴的智能水杯都不是物联网。物联网不是终端设备，而是一套可以自主学习、自主做出决策的机器体系。
物联网的优势在于计算机拥有各种传感器，能自主收集数据。正如我们的智能手机有GPS或者北斗导航系统，有地图，还有距离、方向、重力、惯性甚至心率传感器，可以把所有信息搜集起来进行处理。快速发展的RFID芯片可以在不耗电的情况下提供数据。RFID的产量早已超过了手机的产量，赋予每部手机、每个设备独一无二的编码，或者说“名字”。通过这种不耗电的RFID系统，订酒店、订车位、吃饭支付都可以完成，这也是物联网的构成部分。未来物联网设备的功耗将极小，手机甚至可以在风中自己充电。
人脑将直接与云端进行连接，从而成为物联网的一部分。这将促进对大脑思维方式的逆向工程解析，不仅能够加深对人脑的理解，还可以反向提高机器智能，更加深刻地体会人的多样性细节。
以往工业自动化仰赖的工业机器人，在物联网时代也将发生形态变革。工业机器人将从物理形态的硬件化向软件化发展，云端虚拟状态与物理端实体结合。机器人软件化和物联网是同一件事情在两个方向上的发展。机器智能无形化，遁入物体，与云计算结合，无所不在，成为一个巨大的社会机器人。这正是人工智能与物联网追求的境界。
物联网系统与传统的机器系统在知识上有根本区别，在运作逻辑上，是从机械的牛顿机器向智能的默顿机器的升华。所谓牛顿机器就是根据因果规律程序运行的机器，而默顿机器则是根据相关性思维自主学习规律的机器。牛顿机器遵循“大定律，小数据”逻辑，而默顿机器遵循“小定律，大数据”规律，不追求终极大定律，与人脑工作方式更接近，更能呼应大千世界的瞬息万变。
物联网自主收集数据只是基础任务，更高的境界是自主决策。人类提供了算法和训练模型，给机器装上传感器，让机器在各自的场景下做出判断和交流，并做出决策。决策会影响世界，从而又收集到新的数据，如此形成循环。
举个例子，百度云计算已经支持多个第三方智能照明项目投入使用。今天的城市户外照明系统虽然灯火通明，但大部分时候都只是寂寞地照射着空旷的马路和天空。物联网照明系统可以在初期收集数据，自动学习照明规律，然后自主优化管理，比如在交通低谷期对路灯进行自主调光后关闭部分路灯。系统实时监控路灯的运行情况，通过“机器学习”对设备的寿命进行预测，精准统计需要更新的部件，从而降低零部件的库存，节省维护费用高达40%。最终把电力消耗降低到传统标准的40%并延长设备寿命。这样，以往的灯火通明变成了生物体呼吸般的灯光节律。
经济效益只是系统收益的一部分。上述照明系统集成了智能灯控、环境感应、无线城市和安防等功能群，开放了众多的API，以供更多的应用接入。由于百度云平台的计算能力和存储能力可以弹性扩展，系统获得了极大的“灵活性”。可以对热数据进行即时分析，并对冷数据做大数据挖掘。这样的系统绝不只是为了照明，而是智慧城市的一部分。它们通过收集数据、自我学习和自我运作，提升机器智能，促生城市大脑。
物联网将覆盖人类的所有生存空间。在某种意义上，我们可以把智能农业也理解为物联网。在一些先进示范农场，每一棵植株都安装了传感器，比如系统会根据每棵植株反馈的信息，因材施“浇”，有的放“施”，大大提高效率、节约资源。每棵植株的传感器更是与系统相连接，把大面积的农作物传感信息汇总到云上，就可以计算出以往单纯依靠农民经验无法把握的农业规律，实现农业革命。
图5-3 Prospera公司使用人工智能和机器学习技术监控农作物的情况
资料来源：http://www.mobilemag.com/2012/09/28/wall-ye-robot-helps-in spect-vineyards-for-bugs-and-other-issues/
人们从传统思维出发，可能会把无人车理解为交通领域的革新。而无人车系统的抱负是超越交通领域，成为城市和城际物联网的载体。无人汽车绝不是以个体形态出现，而是一个庞大的自主系统，像血管和神经一样连接着其他所有城市系统。无人车本身就是人工智能技术的集大成者，视觉识别、语音识别、自主决策、机械控制等集于一身，是一台运动的数据收集和处理器。在这个基础上，无人车网络把人、车、环境联系在一起，把个人目的和整体管理联系在一起。一旦无人车成规模运行，又会反过来带动技术发展和物联网的发展。无人车上的每一个部件传感器和乘客感应器都联系着生产商、消费者、管理者甚至第三方。设想一下未来，以无人车为主体的陆上交通会与航空、航海交通打通信息，那将是怎样一张上天入地的巨大的物联网。
如果C端（消费者）的精细化生产可以呼应人的多样性需求，那么B端（企业）的物联网则可以精细化掌控社会总体需求。人工智能与物联网同时丰富了生产、提升了效率、减少了外部成本。比如智能农业大大节约水和化肥，无人车系统将减少车辆事故，满足基本出行，减少污染。
智慧能源、智慧交通、智慧生产等，将给世界文明带来史无前例的变化。
呼唤智能政府与智能社会
人类社会在经历过工业革命、两次世界大战和无数次变革与动荡之后，越来越认识到个人的自由、安定和发展离不开政府与社会的高效、公正。随着经济、社会的发展，人类的组织越来越复杂，复杂社会需要新的手段加以治理，政府和社会组织的作用尤为重要。
现代社会通过法律来维持和调节社会关系。但技术尤其是人工智能的发展，使得算法的地位上升，各种自动化管理工具通过算法潜移默化地调节人类的交往、消费、交通、金融等。在未来社会，律法可能将融合于算法之内。
大规模的数据治理起源于20世纪以来的政府信息化管理。比如1929年由胡佛倡导，在美国建立的非电子化犯罪信息记录系统。20世纪60年代，美国开始建立全国统一的犯罪信息系统，这些数据的用途超出了犯罪记录查询，对劳动力市场甄选工作、福利计划执行都有巨大帮助，从而成为政府治理手段的基石。
而在未来，随着人工智能技术的发展，政府治理模式和法治结构都可能发生重大改变。上海交通大学法学教授郑戈认为：“（目前）法律总体上还是假定责任源自过错，过错损害了法律确定要保护的权利和利益，导致了损害结果，有损害就要有法律救济。基于这种原理，法律总是滞后于损害的，只有当主观过错促生了具体行为，行为造成了实际损害之后，法律才能介入，介入的目的也是恢复此前的状态。互联网的出现和普及改变了人们之间的交流方式和互动方式，而大数据技术的发展则使互联网的潜能发挥到了一个新的量级。大数据科技与认知科学和人工智能的结合使行为主义很可能变为明日黄花。预测性和引导性数据分析可以通过个人化的识别、分析和干预‘植入’意向和行为动机，从而改变法律的作用场域。”[3]
形象一点说，这就是美国电影《少数派报告》中展现的未来景象：政府机构有可能通过数据预测犯罪并提前制止，而非事后追凶。我们可以想到，未来政府的很多管理方式都有必要从追逐式管理变成预测性管理。
英美两国关于人工智能发展的报告都已经提到人工智能对政府治理带来的这类帮助或者挑战。
英国政府报告提出：政府已经在使用机器学习等数据科学技术，这些技术提供了对一系列数据的洞察，从提供数字服务反馈到分析卫星图像。例如，政府可以做到以下几个方面：
通过预测需求和更准确的定制服务，使现有服务（如健康、社保、紧急服务）更有效率，使资源得到最大限度的分配。
使政府官员更容易使用更多数据进行决策，并减少欺诈和出错的概率。
使决策更加透明（可以通过采集过程背后的数字记录，或通过数据可视化支持决策）。
帮助政府各部门更好地了解他们所服务的人群，确保向每个人提供适当的支持和机会。
美国白宫的报告则提出人工智能可以被用于改善刑事司法系统，政府应该推动执法数据和公众数据的充分应用，以便算法系统更好地帮助人类在犯罪报告、治安、保释、量刑和假释决定等各方面减少偏见，做出高效、公正的决策。
美国的科学研究机构正在尝试利用人工智能来解决经济和社会问题，比如利用数据挖掘和人工智能改善失业问题、辍学问题，帮助无家可归者。斯坦福大学的研究人员正通过人工智能技术分析卫星图像，以此为援助贫困地区提供指南。
英国报告提出政府部门可以借助人工智能来预警城市中可能发生的火险。这一点在美国已经实现：
纽约市大约有100万栋建筑物，过去平均每年有3000栋会发生严重火灾。既然每年都会发生，那么与其事后救火，能否事先预测呢？
华裔数据科学家Jeff Chen（杰夫·陈）曾是纽约市消防局的数据分析师。他认为每栋建筑物拥有独特的属性，通过分析就能得知哪些建筑物容易着火。比如低收入家庭的房子更容易发生火灾，而且因为人群居住密度较高，火灾的危害性更大。其他易火因素有：建筑物新旧程度、电路老化程度、消防设施配套情况（消防栓的数量和位置）、有无电梯等。Chen说空置的或者没有安保的建筑着火的概率是其他建筑的两倍。这些听起来都显而易见，但要作为数据因素全部消化也不容易。
他牵头开发了预测火警风险引擎，利用数理统计方法把建筑物和住户的各种数据加以分析，辅以机器学习技术，用市政数据来驱动引擎，预测不同建筑的火灾风险。这套系统在2013年部署，整合了当地近7500个实时风险因素。纽约消防局利用该系统给出了33万栋可审查建筑的火警危险系数（消防局不检查独栋或者双拼别墅）。
在此之前，消防检查都是随机的。现在，当消防员进行每周例行检查时，系统会生成一份按危险系数排序的建筑清单，指引消防员优先检查容易着火的建筑，大大节省了人力并提高了效率。此外，数据智能分析系统还参与垃圾处理、解决社会治安问题等。
在美国国家层面，智能治理项目比较突出地用于安全工作。除了已成众矢之的的棱镜系统，美国中央情报局亲自投资了很多数据领域的独角兽企业，包括彼得·蒂尔参与投资的Palantir Technologies，另外还有Dataminr、TransVoyant、Geo- feedia、Pathar等。
这些公司产品的原理大同小异，通过社交媒体、地图、传感器和其他各类渠道自动采集社会数据，并整合各类交通、金融公开信息，打通分离的数据库，提供各种数据透视方案而无须用户编写代码。
Palantir Technologies旗下的Palantir Gotham主要用于反恐，这缘于PayPal对欺诈的对抗。它们开发大数据工具，通过匹配用户过去的交易记录和现在的资金转移情况等数据来查找可疑账户并进行冻结。随后它们想到这一技术可以为政府提供服务。CIA、FBI（美国联邦调查局）、DIA（国际情报局）、海陆空三军以及警局等情报机构掌握着成千上万个数据库，包括财务数据、DNA样本、语音资料、录像片段以及世界各地的地图，但要在这些数据之间建立联系并发掘有价值的情报，却相当麻烦。Palantir的创始团队认为，如果由它们建立一个数据分析库，整合相互分离的数据来进行搜索和分析，以提升数据分析效率，就可以向政府“推销”这项技术。Palantir的主要客户也正是美国情报机构。
Geofeedia可以迅速挖掘新闻发生地点的各类信息。Trans Voyant服务于物流和政府业务，通过各类交通传感器和地图技术收集数据情报，同时整合各地新闻、社交媒体信息、天气报告、卫星云图、旅行警告、犯罪活动信息等，为政府人员提供预测，帮助管理人员运营资产，实时完成数据决策。
科技公司的数据智能服务理念延续了商业逻辑，比如甄选目标客户、抢时间、抢收益、抢在公众前面获得情报并对未来做出预判，这跟用于金融投机、战斗决策和股票市场上的高频交易是一个道理。这是自由市场的丛林模式，而非统筹社会全局的治理主义模式。后者是政府层面必须考虑的事情。
中国具有相对有利的条件。陆奇认为，“中国越来越成为新兴工业的创新大国，有很多创新的地方，而美国保守力量比较强。大变革时代中国反而创新空间大，提供了更好的创新环境。”中国由于政府部门强有力的带头作用，智能地图、安防摄像头、数据管理系统覆盖城乡，中国的智慧城市将成为社会智能治理的先锋。
[1] 诺贝尔经济学奖得主、发展经济学领军人物阿瑟·刘易斯分析发展中国家的二元经济，认为当农村剩余劳动力转移殆尽，城乡形成统一的劳动力市场，工资水平将开始持续上升。
[2] 铁锈地带（Rust Belt）最初是指美国中西部—五大湖附近传统工业衰退的地区，现可泛指工业衰退的地区。
[3] 郑戈。在鼓励创新与保护人权之间——法律如何回应大数据技术革新的挑战［J］.探索与争鸣，2016（7）.