硅谷风险投资家马克·安德森（Marc Andreessen）曾说过，软件正在蚕食这个世界。这是因为软件正在取代硬件，逐步成为大部分经济流程价值的代表。不久前，软件还只是一个复杂流程的微小组成部分，而该流程需要大量人类输入和精密的非数字化系统，如今它却蕴含着巨大的智能与附加值。想一想在特斯拉之前的汽车：化油器、喷油系统、火花塞、复杂的机械变速箱系统、散热格栅、泵等。而在电动汽车中，所有这些复杂的设备都被电动机所取代。大部分机械子系统也被取代了，加速、制动、增压和导航都由软件负责。在车内，与许多其他高价值的经济商品和流程一样，价值从硬件转移到了软件上。数字化的进步，即“软件不断蚕食世界”的过程将继续。在未来，软件将变得越来越聪明，它将自己做出决定、解释数据并在不需要人工输入的情况下设计出复杂的流程，使用超出人类感知范围的信息。即便是在今天，软件产生的数据量已经如此之大，我们的解释和分析技能已经不足，其短缺程度很少有人知晓，谈论这一点的人更是寥寥无几。
美国人民的日常生活和商业活动需要物理基础设施的支持，而这些物理基础设施的维护和运营面临着极大的技术工人缺口。据美国未来能源工作专项小组近期开展的一项研究估算，在40万名能源行业员工中，近一半（约40%）在2013年前退休。45这一代技术工人退休后，留下的岗位空缺令人震惊，而目前的问题不只是缺少技术型人才，这些基础设施还面临着个人、恐怖组织和国家的网络威胁。和许多其他致力于解决工业物联网挑战的企业家和工程师一样，我知道通过训练更多人员或者采取传统的方法无法解决这个几万亿美元级的问题，这会延误时机、收效甚微。人工智能是面对这一巨大挑战的唯一可行的解决方案。
想一想，在大型公用事业公司，一台发电机或涡轮机的价格高达5 000万美元，而在美国，最大的公用事业公司有超过700台这样的涡轮机。无论是恶意软件还是系统故障，这些资产中的任何一台出现问题都会带来巨大的风险。这些大型系统的转速可以达到每分钟数千次。如果系统失控，它所释放出的能量足以带来灾难。任何类型的灾难性故障都等同于一颗炸弹的爆炸。
那么人工智能如何提供帮助？我将用亲身经历来回答这个问题。Flowserve是全球最大的泵、阀门和各种油气设施制造商之一，它无法仅依靠人类的智能对其巨大的基础设施进行监控。对这些公司而言，与人工智能连接的传感器可以大大扩展产品的“故障提前预警窗口”，或者延长泵故障前的预测时间。使用传统的数据科学技术，可以提前4~5小时预测故障，但在使用了被称为“自动模型生成”的先进的人工智能技术后，他们能够提前5天收到警报。最有意思的是，在他们的测试案例中，面对设备遇到实际负载以及维护和使用方式方面的差异，该算法能够自我调整并优化特定泵或阀门的检测方式。通过该技术，泵本身就如同有了生命，可以根据具体情况进行改变和学习了。
“自动模型生成”体现的是数据科学家和能源分析师脑中的流程。让我们了解一下。相比于目前更常见的做法，即利用行业专家开发机器学习模型，这两者有何不同？目前，了解金融、制造或能源等方面问题的专家常常可以获得大量关于问题的数据，他们凭借自身知识，判断将哪些变量或特征加入模型，哪些应该被排除。之后，机器学习专家可以确定使用哪些算法以及如何建立算法。专家可能会说：“好吧，你正在对这些数据进行分类，这是我们可以使用的所有算法。支持向量机（SVM）是否精确而高效？神经网络又如何？或者可以使用决策树？”当确定最佳算法时，机器学习从业人员将会训练数据（至少用于受监视的应用），以生成模型。
问题在于，最初部署的机器学习是知识密集型的。对商业相关的问题，你一般需要行业专家与机器学习专家合作。此外，在这一背景下的学习，仅限于选择算法和在流程一开始所建立的特征集。换言之，如果你要将10个数据或10个特征输入该模型中，这些就是要输入模型中的特征。之后，你可以找到让该模型变得更精确的附加数据，但生成该模型的算法不会发生变化。如果你发现能够使用密集性较低的算法更有效地建立该数据，或者如果数据增加，该精度会下降，这样你可能就只能从头再来了。比如你希望从支持向量机转移到神经网络，那么你就需要人类专家重新介入并完成这项工作。这不只是关闭整个算法，你可能需要监控一个有更多种传感器数据的工业装备。如果使用传统的机器学习解决方案开发方法，加入这种更丰富的数据集将会十分费力，远不及一键操作便捷，也不如自动过程高效。
另一方面，借助“自动模型生成”可以大大减少目前领域专家和数据科学家投入的大量精力。这对能源行业而言是一个巨大的利好，因为该行业近一半的维护专家和分析师即将退休，而且它还面临巨大的结构性变化。
这样，“自动模型生成”只是数百个新“智能层”之一，这些“智能层”被用于增强基础设施点内部和周围的关键决策。这种技术为砖、钢和混凝土组成的静态世界注入了可自我调整的敏锐智能。
毫无疑问，许多人已经熟悉了这些智能产品的物联网理念，比如亚马逊的Alexa，该款数字助理将所选择的数据流整合进了家庭环境中。最先进的传感器技术正在快速增强数字助理的功能。卡内基 –梅隆大学的工程师最近推出了合成传感器，该设备能整合家庭环境数据。46当用户安装该设备后，其传感器可以使用机器学习算法追踪声音、湿度和电磁噪声等变量。该算法的精密度足以将此类数据转换成与环境相关的洞察，从而使用户可以获得具有真正价值的信息：我的厕所有没有漏水？我的门口是不是有没人签收的包裹？车库门是不是开着？
普适传感器产品已面市。谷歌在2014年花费32亿美元收购了智能温控器公司Nest，自动化技术因而引起了主流媒体的关注。47然而目前很少有在一个设备上使用多种传感功能的例子。合成传感器推动了联网建筑或智能家居远程控制时代的发展。
这类集成智能必定会随着数据流的增加而增加。比如，谷歌和Nest对Dropcam的收购为谷歌的自动化能力组合增加了监控、红外成像和更精密的图像识别警告能力。48麻省理工学院教授、人工智能的坚定拥护者罗德尼·布鲁克斯（Rodney Brooks）创建的iRobot等制造商以及Miele、AirCraft和Neato等许多其他企业提供种类繁多的各式机器人，有的机器人可以清洁地板，有的可以做基础的房屋清扫工作。49虽然目前这些系统的应用环境有限，但该技术正在快速发展，不久后，未来清洁机器人便可以实现联合控制以及清洁机器人团队作业。WINBOT等洗窗机器人，或iRobot Mirra和Aquabot等自动泳池清洁系统，若配以真空清洁和地板清洗功能，其日常维护能力将更加实用。目前市场上已经出现了草坪修整机器人和除雪机器人。
在安全与远程呈现领域，Double Robotics的产品已经被广泛应用，甚至被Reddit等前卫的公司大量使用。另一方面，iRobot和Inspectorbots的服务更加倾向于在建筑外围巡逻和运行。
我们很快就能看到与更加智能的家居和建筑联网的机器人队伍了，到那时中枢人工智能就可以感知到情况并派遣自动机器人小队前往解决问题了。相反，监控机器人也能作为传感器使用。当它们在住宅或者大酒店底楼周围巡逻时，可以覆盖到仅凭监控摄像头无法覆盖到的范围。
越来越多的建筑机器人将与建筑数据以及整个环境中的传感器集成，测量从温度、湿度到入住率和人流量等各种指标。随着传感器部署成本的降低和越来越开放的设计，在“建筑区域网络”内集成此类设备变得越来越可行。这一广泛而分散的数据集，可以被想象成叠加在建筑物理地图上的传感数据“场”，它使得认知引擎能够发现问题和异常并提交给人类员工。在大部分情况下，系统将直接与建筑集成系统以及自主系统合作，在无须向人类发出提醒的情况下对安全和安保系统做出响应。
当人类管理人员和监控人员不再参与时，如何进行监视、维护和保证安全？这一点我们暂且不论。我们先来复习机器学习流程与人类专家在解决复杂问题时的巨大差异。机器思考自己面临的问题时，不会使用保安或门卫解决问题的方法。保安无法考虑到所有可能性，因此他会根据职业偏见、摸索和直觉删除一些可能性，从而减少自己的选择。机器却不需要删除任何选择。它们会处理所有可用数据并始终将数据保留在可搜索的数据库中，这也被称为“全面回忆”。因此，即便机器得出的结论不太可能会发生，但依然合乎情理。在大部分情况下，它们所得出的异常解释都是不相关的，但也有少数例外。
让我们以一个非常荒谬的例子来说明这一点。比如一名保安看到一个女人推着一辆童车走进大楼。保安看不到宝宝，但他听到了啼哭声，所以认为里面有婴儿。而机器智能会做出所有可能的假设，包括其他来源产生啼哭声的假设。通过比较过去进入大楼的童车的视频，该系统会发现异常：该童车的底部有非常明显的、被系统标出的凸起。然后，系统对童车进行检查并发现里面有一颗炸弹。一辆传出啼哭声的童车中没有婴儿的可能性小到可以忽略不计，因此人脑会轻易地忽视这种可能性，但机器学习会调查这些统计结果，而且这不会影响其记忆和处理能力。在未来的安保领域，它们甚至可能会提供人类大脑无法理解的却具有说服力的数据点。
当我们将种类丰富的智能与低成本传感器的性能相结合时，我们就来到了物联网第三阶段。我们曾在本章第一节中讨论过这一概念。很快，精密的系统将会使我们所建立的环境根据传感器采集的数据进行推断和洞察，实现自我思考，并预测和诊断技术问题，这些技术将产生认知空间。它们的“思考”将包括整合那些为特定结果预设的算法，同时在没有人类监督的情况下“汇总”输入数据并进行解释。其人造“大脑”将生成假设、确认或否定假设，然后根据实验进行创新。换言之，智能基础设施会对所在环境的许多方面使用科学的方法。
当然，如今的住宅和建筑所采用的仍是简单的自动化技术，而且局限于安全、舒适和效率领域。在这些有限的问题中，我们可以把所有问题交给智能建筑，让它来观察并设计解决方案。虽然像恒温器或自动门这样安装在建筑中进行测量并做出响应的独立系统已不是什么新鲜事，但所有这些数据会融合成一个中央建筑“大脑皮层”。它在我们这个时代是一个全新的概念。这就是物联网第三阶段在单一结构中的体现。
为了更好地解释为何这个概念十分重要，以及它在理念方面和实际应用方面的重大影响，我们需要了解物理世界的一些基本的概念，尤其是点测量，以及物理上“场”的概念。什么是“场”？“场”是一个想象中的由网格组成的网，每个网格包含一个向量。如果向量代表磁场力，整个网就是磁场。如果向量代表重力，那么整个网就是重力场。
人类生活在物理世界中，我们的生物感官能够为我们提供部分现象的信息，但由于我们无法获得感知到力的许多属性所带来的影响，因此我们会遗漏它们。这些力对我们的安全、生产、效率有巨大的影响。合成传感器可以增强人类的感知并显示出我们所无法意识到的力和现象。这些价格低廉的传感器使我们现在能够对更大的区域进行多种测量，同时保持各种读数的精确性。它们让我们能够测量存在于我们的生活、工作和娱乐空间中的各种场。
未来的智能建筑将能够测量各个时间和空间中的相关场，从而获得全新的洞察。比如，目前的被动式红外传感器主要用于探测人类的存在。这些常被称为“运动传感器”的设备通过身体热量识别个人，但在不久的未来，此类传感器将可以联网，将能够监控身体热量并探测可能存在的健康问题。之后，建筑将提醒现场员工或本人对可能的医疗紧急情况做出响应。当与无线射频识别（RFID）和智能标签等个人身份识别技术一起使用时，建筑将可以记录个人体温历史，以此作为未来的医疗数据以及用来确认身份信息。
不久之后，作为控制冷气和暖气的恒温系统的一部分所安装的温度和压力传感器将集成到场测量中，以指示泄漏和其他系统压力与故障。视觉数据捕捉或实时视频监控也将被用于健康甚至效率方面的应用。想象一下，你可以问建筑昨晚离开时你是否带着笔记本电脑。如果走廊里有孩子出现异常的行走行为时，建筑可以告知学校护士，因为这可能是严重受伤的迹象。音频与视频数据的结合可以用于安保，作为发生盗窃或其他犯罪活动时的证据。除了目前的应用之外，音频传感器还可以“听到”电弧或放电，并且在保护认知空间的电气子系统方面起到不可估量的作用。音频场还可提供普通住宅中的实用数据。比如，前门可以“知道”枪响发生在多远的地方并据此采取主动安保措施。
这些传感器都是信息的源泉，能够生成有关设施内部维护、电能管理、安保和健康方面的深入的、有意义的洞察。想象一下，你的办公楼或住宅能够确定每个经常进出的人在每季度的访问模式。这一信息可以用于确认异常的安全事件。如果你的大楼可以通过红外图像分析追踪每个内部人员的监控指标并根据不同人的需求调节区域温度，或者你的大楼可以在外围使用音频签名匹配技术区分恶意威胁和无害的意外事件，你觉得如何？
在未来，此类情景能够为建筑和其他脆弱的基础设施提供外围保护。有了这一层防护措施，桑迪·胡克小学事件或2015年巴黎炸弹攻击的结果是否会有所不同？
这些例子说明了我们身边的建筑和住宅正在发生改变，它们正在从我们居住的被动结构变成与我们协作的主动结构。未来的人与建筑的协作，其主要渠道是增强现实。随着与人工智能的融合程度越来越高，我们的建筑将成为可以根据我们的需求不断进行智能且谨慎的调整的居住空间。
增强现实与人工智能在未来建筑中的融合
增强现实是一项在真实图像上建立数字构件层的技术。这项技术有多种实现方式，比如在手机相机拍摄的图像上叠加卡通角色，或者通过穿戴式耳机或眼镜将现实图像与合成对象混合。正在阅读本书的读者们可能都知道谷歌眼镜或微软的全息眼镜HoloLens，这两款正在开发的产品就以实现增强现实体验为目标。一度流行的《精灵宝可梦》游戏也证明了增强现实的传播速度有多快。和动画片一样，在《精灵宝可梦》游戏中，玩家的目标是收集出现在现实世界中的虚拟口袋妖怪，玩家可以通过手机摄像头看到它们。这种技术很早就已出现，我自己就亲身体验过。微软全息眼镜和谷歌眼镜企业版的技术只是为这些系统开发软件的开发者和公司提供了希望。高质量和足够真实的增强现实技术进入主流市场尚需时日，一旦实现，它将产生深远的影响。我们已经很难分辨什么是客观现实，也难以确定它是否真实存在了，因为我们获得的所有体验可能只是一个关于我们如何感知事物的公式。增强现实会进一步将这一客观现实 /感知现实二分法的观点推上风口浪尖，因为这项技术将为我们每个人创造一个自定义的世界景象。
那么，这一切与人工智能又有什么关系？关系非常密切。增强现实将成为实现人工智能并将它融入我们的“真实”现实中的途径。当增强现实打破感知的壁垒并使我们的大脑无法区分数字世界与现实世界时，人工智能的进步将以这些无法描述的流畅体验为基础，将所产生的混合现实与人、生物、物体、地点和人工智能或它所创造的体验相融合。
需要注意的是，增强现实不需要特定的设备。这个拥有各种真实度的概念适用于手机摄像头和屏幕、穿戴式耳机、眼镜、投影表面以及大脑植入物。我们在未来将可以通过多种方式体验增强现实，比如体验智能建筑内的表面。其可能性几乎是无限的：根据我们的喜好将我们最喜欢的艺术作品投射到墙上的人工智能系统、使用灯光增强甚至改变房间的感知结构等。组成天花板的灯可以让房间从西斯廷教堂变成后现代舞厅。织物或装饰物的外观也可以发生变化，因为它们都是投射在一块白板上的影像。
包括微软在内的许多高科技公司发布了一系列概念视频，展示智能显示和先进的高分辨率、高亮度投影设备如何使整个房间和大楼成为完全可配置和可变换的显示表面。在其中一些视频中，建筑可以感知到住户、评估他们的意图并投射完全定制化的导航标识，比如地板上的箭头或墙上的文字等，来指引行动。当然，并非这些视频中的所有内容都会在未来成为现实。未来建筑将不仅能够感知到住户，而且还能同时察觉数千名住户的个人意图，从而优化决策以平衡各住户的优先性和重要性，然后通过图像与个别住户进行私下交流。
人工智能不仅关注机器人和虚拟化身，而且致力于将人类的住宅等大型建筑变成“有机生命体”。未来的建筑，包括桥梁、道路、大坝、管道和运河，除了需要钢筋混凝土等建材，还需要增强现实和先进的自动化技术的支持。在未来几年内，建筑美学可能不仅限于静态美，还将包括智能性和适配性。
● ○ ●
随着人造环境连接性的增加，环境中的漏洞也越来越多。在之前的章节中，我们探讨了网络黑客以及各种善意和恶意渗透计算机系统的方式，但我们自己的身体也同样脆弱。人类的大脑在进化过程中通过产生漏洞帮助人类生存，而这些漏洞现在正在社交网络上被利用。为何我们人类的思想如此容易受到外界力量的影响？我们如何保护自己？