硅谷風險投資家馬克·安德森（Marc Andreessen）曾說過，軟件正在蠶食這個世界。這是因為軟件正在取代硬件，逐步成為大部分經濟流程價值的代表。不久前，軟件還只是一個複雜流程的微小組成部分，而該流程需要大量人類輸入和精密的非數字化系統，如今它卻蘊含著巨大的智能與附加值。想一想在特斯拉之前的汽車：化油器、噴油系統、火花塞、複雜的機械變速箱系統、散熱格柵、泵等。而在電動汽車中，所有這些複雜的設備都被電動機所取代。大部分機械子系統也被取代了，加速、制動、增壓和導航都由軟件負責。在車內，與許多其他高價值的經濟商品和流程一樣，價值從硬件轉移到了軟件上。數字化的進步，即「軟件不斷蠶食世界」的過程將繼續。在未來，軟件將變得越來越聰明，它將自己做出決定、解釋數據並在不需要人工輸入的情況下設計出複雜的流程，使用超出人類感知範圍的信息。即便是在今天，軟件產生的數據量已經如此之大，我們的解釋和分析技能已經不足，其短缺程度很少有人知曉，談論這一點的人更是寥寥無幾。
美國人民的日常生活和商業活動需要物理基礎設施的支持，而這些物理基礎設施的維護和運營面臨著極大的技術工人缺口。據美國未來能源工作專項小組近期開展的一項研究估算，在40萬名能源行業員工中，近一半（約40%）在2013年前退休。45這一代技術工人退休後，留下的崗位空缺令人震驚，而目前的問題不只是缺少技術型人才，這些基礎設施還面臨著個人、恐怖組織和國家的網絡威脅。和許多其他致力於解決工業物聯網挑戰的企業家和工程師一樣，我知道通過訓練更多人員或者採取傳統的方法無法解決這個幾萬億美元級的問題，這會延誤時機、收效甚微。人工智能是面對這一巨大挑戰的唯一可行的解決方案。
想一想，在大型公用事業公司，一台發電機或渦輪機的價格高達5 000萬美元，而在美國，最大的公用事業公司有超過700台這樣的渦輪機。無論是惡意軟件還是系統故障，這些資產中的任何一台出現問題都會帶來巨大的風險。這些大型系統的轉速可以達到每分鐘數千次。如果系統失控，它所釋放出的能量足以帶來災難。任何類型的災難性故障都等同於一顆炸彈的爆炸。
那麼人工智能如何提供幫助？我將用親身經歷來回答這個問題。Flowserve是全球最大的泵、閥門和各種油氣設施製造商之一，它無法僅依靠人類的智能對其巨大的基礎設施進行監控。對這些公司而言，與人工智能連接的傳感器可以大大擴展產品的「故障提前預警窗口」，或者延長泵故障前的預測時間。使用傳統的數據科學技術，可以提前4~5小時預測故障，但在使用了被稱為「自動模型生成」的先進的人工智能技術後，他們能夠提前5天收到警報。最有意思的是，在他們的測試案例中，面對設備遇到實際負載以及維護和使用方式方面的差異，該算法能夠自我調整並優化特定泵或閥門的檢測方式。通過該技術，泵本身就如同有了生命，可以根據具體情況進行改變和學習了。
「自動模型生成」體現的是數據科學家和能源分析師腦中的流程。讓我們瞭解一下。相比於目前更常見的做法，即利用行業專家開發機器學習模型，這兩者有何不同？目前，瞭解金融、製造或能源等方面問題的專家常常可以獲得大量關於問題的數據，他們憑借自身知識，判斷將哪些變量或特徵加入模型，哪些應該被排除。之後，機器學習專家可以確定使用哪些算法以及如何建立算法。專家可能會說：「好吧，你正在對這些數據進行分類，這是我們可以使用的所有算法。支持向量機（SVM）是否精確而高效？神經網絡又如何？或者可以使用決策樹？」當確定最佳算法時，機器學習從業人員將會訓練數據（至少用於受監視的應用），以生成模型。
問題在於，最初部署的機器學習是知識密集型的。對商業相關的問題，你一般需要行業專家與機器學習專家合作。此外，在這一背景下的學習，僅限於選擇算法和在流程一開始所建立的特徵集。換言之，如果你要將10個數據或10個特徵輸入該模型中，這些就是要輸入模型中的特徵。之後，你可以找到讓該模型變得更精確的附加數據，但生成該模型的算法不會發生變化。如果你發現能夠使用密集性較低的算法更有效地建立該數據，或者如果數據增加，該精度會下降，這樣你可能就只能從頭再來了。比如你希望從支持向量機轉移到神經網絡，那麼你就需要人類專家重新介入並完成這項工作。這不只是關閉整個算法，你可能需要監控一個有更多種傳感器數據的工業裝備。如果使用傳統的機器學習解決方案開發方法，加入這種更豐富的數據集將會十分費力，遠不及一鍵操作便捷，也不如自動過程高效。
另一方面，借助「自動模型生成」可以大大減少目前領域專家和數據科學家投入的大量精力。這對能源行業而言是一個巨大的利好，因為該行業近一半的維護專家和分析師即將退休，而且它還面臨巨大的結構性變化。
這樣，「自動模型生成」只是數百個新「智能層」之一，這些「智能層」被用於增強基礎設施點內部和周圍的關鍵決策。這種技術為磚、鋼和混凝土組成的靜態世界注入了可自我調整的敏銳智能。
毫無疑問，許多人已經熟悉了這些智能產品的物聯網理念，比如亞馬遜的Alexa，該款數字助理將所選擇的數據流整合進了家庭環境中。最先進的傳感器技術正在快速增強數字助理的功能。卡內基 –梅隆大學的工程師最近推出了合成傳感器，該設備能整合家庭環境數據。46當用戶安裝該設備後，其傳感器可以使用機器學習算法追蹤聲音、濕度和電磁噪聲等變量。該算法的精密度足以將此類數據轉換成與環境相關的洞察，從而使用戶可以獲得具有真正價值的信息：我的廁所有沒有漏水？我的門口是不是有沒人簽收的包裹？車庫門是不是開著？
普適傳感器產品已面市。谷歌在2014年花費32億美元收購了智能溫控器公司Nest，自動化技術因而引起了主流媒體的關注。47然而目前很少有在一個設備上使用多種傳感功能的例子。合成傳感器推動了聯網建築或智能家居遠程控制時代的發展。
這類集成智能必定會隨著數據流的增加而增加。比如，谷歌和Nest對Dropcam的收購為谷歌的自動化能力組合增加了監控、紅外成像和更精密的圖像識別警告能力。48麻省理工學院教授、人工智能的堅定擁護者羅德尼·布魯克斯（Rodney Brooks）創建的iRobot等製造商以及Miele、AirCraft和Neato等許多其他企業提供種類繁多的各式機器人，有的機器人可以清潔地板，有的可以做基礎的房屋清掃工作。49雖然目前這些系統的應用環境有限，但該技術正在快速發展，不久後，未來清潔機器人便可以實現聯合控制以及清潔機器人團隊作業。WINBOT等洗窗機器人，或iRobot Mirra和Aquabot等自動泳池清潔系統，若配以真空清潔和地板清洗功能，其日常維護能力將更加實用。目前市場上已經出現了草坪修整機器人和除雪機器人。
在安全與遠程呈現領域，Double Robotics的產品已經被廣泛應用，甚至被Reddit等前衛的公司大量使用。另一方面，iRobot和Inspectorbots的服務更加傾向於在建築外圍巡邏和運行。
我們很快就能看到與更加智能的家居和建築聯網的機器人隊伍了，到那時中樞人工智能就可以感知到情況並派遣自動機器人小隊前往解決問題了。相反，監控機器人也能作為傳感器使用。當它們在住宅或者大酒店底樓周圍巡邏時，可以覆蓋到僅憑監控攝像頭無法覆蓋到的範圍。
越來越多的建築機器人將與建築數據以及整個環境中的傳感器集成，測量從溫度、濕度到入住率和人流量等各種指標。隨著傳感器部署成本的降低和越來越開放的設計，在「建築區域網絡」內集成此類設備變得越來越可行。這一廣泛而分散的數據集，可以被想像成疊加在建築物理地圖上的傳感數據「場」，它使得認知引擎能夠發現問題和異常並提交給人類員工。在大部分情況下，系統將直接與建築集成系統以及自主系統合作，在無須向人類發出提醒的情況下對安全和安保系統做出響應。
當人類管理人員和監控人員不再參與時，如何進行監視、維護和保證安全？這一點我們暫且不論。我們先來複習機器學習流程與人類專家在解決複雜問題時的巨大差異。機器思考自己面臨的問題時，不會使用保安或門衛解決問題的方法。保安無法考慮到所有可能性，因此他會根據職業偏見、摸索和直覺刪除一些可能性，從而減少自己的選擇。機器卻不需要刪除任何選擇。它們會處理所有可用數據並始終將數據保留在可搜索的數據庫中，這也被稱為「全面回憶」。因此，即便機器得出的結論不太可能會發生，但依然合乎情理。在大部分情況下，它們所得出的異常解釋都是不相關的，但也有少數例外。
讓我們以一個非常荒謬的例子來說明這一點。比如一名保安看到一個女人推著一輛童車走進大樓。保安看不到寶寶，但他聽到了啼哭聲，所以認為裡面有嬰兒。而機器智能會做出所有可能的假設，包括其他來源產生啼哭聲的假設。通過比較過去進入大樓的童車的視頻，該系統會發現異常：該童車的底部有非常明顯的、被系統標出的凸起。然後，系統對童車進行檢查並發現裡面有一顆炸彈。一輛傳出啼哭聲的童車中沒有嬰兒的可能性小到可以忽略不計，因此人腦會輕易地忽視這種可能性，但機器學習會調查這些統計結果，而且這不會影響其記憶和處理能力。在未來的安保領域，它們甚至可能會提供人類大腦無法理解的卻具有說服力的數據點。
當我們將種類豐富的智能與低成本傳感器的性能相結合時，我們就來到了物聯網第三階段。我們曾在本章第一節中討論過這一概念。很快，精密的系統將會使我們所建立的環境根據傳感器採集的數據進行推斷和洞察，實現自我思考，並預測和診斷技術問題，這些技術將產生認知空間。它們的「思考」將包括整合那些為特定結果預設的算法，同時在沒有人類監督的情況下「匯總」輸入數據並進行解釋。其人造「大腦」將生成假設、確認或否定假設，然後根據實驗進行創新。換言之，智能基礎設施會對所在環境的許多方面使用科學的方法。
當然，如今的住宅和建築所採用的仍是簡單的自動化技術，而且局限於安全、舒適和效率領域。在這些有限的問題中，我們可以把所有問題交給智能建築，讓它來觀察並設計解決方案。雖然像恆溫器或自動門這樣安裝在建築中進行測量並做出響應的獨立系統已不是什麼新鮮事，但所有這些數據會融合成一個中央建築「大腦皮層」。它在我們這個時代是一個全新的概念。這就是物聯網第三階段在單一結構中的體現。
為了更好地解釋為何這個概念十分重要，以及它在理念方面和實際應用方面的重大影響，我們需要瞭解物理世界的一些基本的概念，尤其是點測量，以及物理上「場」的概念。什麼是「場」？「場」是一個想像中的由網格組成的網，每個網格包含一個向量。如果向量代表磁場力，整個網就是磁場。如果向量代表重力，那麼整個網就是重力場。
人類生活在物理世界中，我們的生物感官能夠為我們提供部分現象的信息，但由於我們無法獲得感知到力的許多屬性所帶來的影響，因此我們會遺漏它們。這些力對我們的安全、生產、效率有巨大的影響。合成傳感器可以增強人類的感知並顯示出我們所無法意識到的力和現象。這些價格低廉的傳感器使我們現在能夠對更大的區域進行多種測量，同時保持各種讀數的精確性。它們讓我們能夠測量存在於我們的生活、工作和娛樂空間中的各種場。
未來的智能建築將能夠測量各個時間和空間中的相關場，從而獲得全新的洞察。比如，目前的被動式紅外傳感器主要用於探測人類的存在。這些常被稱為「運動傳感器」的設備通過身體熱量識別個人，但在不久的未來，此類傳感器將可以聯網，將能夠監控身體熱量並探測可能存在的健康問題。之後，建築將提醒現場員工或本人對可能的醫療緊急情況做出響應。當與無線射頻識別（RFID）和智能標籤等個人身份識別技術一起使用時，建築將可以記錄個人體溫歷史，以此作為未來的醫療數據以及用來確認身份信息。
不久之後，作為控制冷氣和暖氣的恆溫系統的一部分所安裝的溫度和壓力傳感器將集成到場測量中，以指示洩漏和其他系統壓力與故障。視覺數據捕捉或實時視頻監控也將被用於健康甚至效率方面的應用。想像一下，你可以問建築昨晚離開時你是否帶著筆記本電腦。如果走廊裡有孩子出現異常的行走行為時，建築可以告知學校護士，因為這可能是嚴重受傷的跡象。音頻與視頻數據的結合可以用於安保，作為發生盜竊或其他犯罪活動時的證據。除了目前的應用之外，音頻傳感器還可以「聽到」電弧或放電，並且在保護認知空間的電氣子系統方面起到不可估量的作用。音頻場還可提供普通住宅中的實用數據。比如，前門可以「知道」槍響發生在多遠的地方並據此採取主動安保措施。
這些傳感器都是信息的源泉，能夠生成有關設施內部維護、電能管理、安保和健康方面的深入的、有意義的洞察。想像一下，你的辦公樓或住宅能夠確定每個經常進出的人在每季度的訪問模式。這一信息可以用於確認異常的安全事件。如果你的大樓可以通過紅外圖像分析追蹤每個內部人員的監控指標並根據不同人的需求調節區域溫度，或者你的大樓可以在外圍使用音頻簽名匹配技術區分惡意威脅和無害的意外事件，你覺得如何？
在未來，此類情景能夠為建築和其他脆弱的基礎設施提供外圍保護。有了這一層防護措施，桑迪·胡克小學事件或2015年巴黎炸彈攻擊的結果是否會有所不同？
這些例子說明了我們身邊的建築和住宅正在發生改變，它們正在從我們居住的被動結構變成與我們協作的主動結構。未來的人與建築的協作，其主要渠道是增強現實。隨著與人工智能的融合程度越來越高，我們的建築將成為可以根據我們的需求不斷進行智能且謹慎的調整的居住空間。
增強現實與人工智能在未來建築中的融合
增強現實是一項在真實圖像上建立數字構件層的技術。這項技術有多種實現方式，比如在手機相機拍攝的圖像上疊加卡通角色，或者通過穿戴式耳機或眼鏡將現實圖像與合成對像混合。正在閱讀本書的讀者們可能都知道谷歌眼鏡或微軟的全息眼鏡HoloLens，這兩款正在開發的產品就以實現增強現實體驗為目標。一度流行的《精靈寶可夢》遊戲也證明了增強現實的傳播速度有多快。和動畫片一樣，在《精靈寶可夢》遊戲中，玩家的目標是收集出現在現實世界中的虛擬口袋妖怪，玩家可以通過手機攝像頭看到它們。這種技術很早就已出現，我自己就親身體驗過。微軟全息眼鏡和谷歌眼鏡企業版的技術只是為這些系統開發軟件的開發者和公司提供了希望。高質量和足夠真實的增強現實技術進入主流市場尚需時日，一旦實現，它將產生深遠的影響。我們已經很難分辨什麼是客觀現實，也難以確定它是否真實存在了，因為我們獲得的所有體驗可能只是一個關於我們如何感知事物的公式。增強現實會進一步將這一客觀現實 /感知現實二分法的觀點推上風口浪尖，因為這項技術將為我們每個人創造一個自定義的世界景象。
那麼，這一切與人工智能又有什麼關係？關係非常密切。增強現實將成為實現人工智能並將它融入我們的「真實」現實中的途徑。當增強現實打破感知的壁壘並使我們的大腦無法區分數字世界與現實世界時，人工智能的進步將以這些無法描述的流暢體驗為基礎，將所產生的混合現實與人、生物、物體、地點和人工智能或它所創造的體驗相融合。
需要注意的是，增強現實不需要特定的設備。這個擁有各種真實度的概念適用於手機攝像頭和屏幕、穿戴式耳機、眼鏡、投影表面以及大腦植入物。我們在未來將可以通過多種方式體驗增強現實，比如體驗智能建築內的表面。其可能性幾乎是無限的：根據我們的喜好將我們最喜歡的藝術作品投射到牆上的人工智能系統、使用燈光增強甚至改變房間的感知結構等。組成天花板的燈可以讓房間從西斯廷教堂變成後現代舞廳。織物或裝飾物的外觀也可以發生變化，因為它們都是投射在一塊白板上的影像。
包括微軟在內的許多高科技公司發佈了一系列概念視頻，展示智能顯示和先進的高分辨率、高亮度投影設備如何使整個房間和大樓成為完全可配置和可變換的顯示表面。在其中一些視頻中，建築可以感知到住戶、評估他們的意圖並投射完全定制化的導航標識，比如地板上的箭頭或牆上的文字等，來指引行動。當然，並非這些視頻中的所有內容都會在未來成為現實。未來建築將不僅能夠感知到住戶，而且還能同時察覺數千名住戶的個人意圖，從而優化決策以平衡各住戶的優先性和重要性，然後通過圖像與個別住戶進行私下交流。
人工智能不僅關注機器人和虛擬化身，而且致力於將人類的住宅等大型建築變成「有機生命體」。未來的建築，包括橋樑、道路、大壩、管道和運河，除了需要鋼筋混凝土等建材，還需要增強現實和先進的自動化技術的支持。在未來幾年內，建築美學可能不僅限於靜態美，還將包括智能性和適配性。
● ○ ●
隨著人造環境連接性的增加，環境中的漏洞也越來越多。在之前的章節中，我們探討了網絡黑客以及各種善意和惡意滲透計算機系統的方式，但我們自己的身體也同樣脆弱。人類的大腦在進化過程中通過產生漏洞幫助人類生存，而這些漏洞現在正在社交網絡上被利用。為何我們人類的思想如此容易受到外界力量的影響？我們如何保護自己？