物理人工智能帮助我们理解世界，而不只是实现自动化

• 通过传感器数据解读世界的物理人工智能，有助于应对供应链中断和劳动力短缺等全球挑战。

• 当前关于物理人工智能的大量讨论已将其与机器人技术画上等号，并过度关注自动化，而非增强人的能力。

• 我们需要构建能够帮助小型团队管理日益复杂环境的物理人工智能系统，而不是制造机器人取代人类。
  

我们能否真正理解物理现实？几个世纪以来，哲学家和科学家一直在探讨这个问题。如今，这已不只是理论问题，而是关乎生存。

极端天气事件的发生频率和强度不断上升，工业系统在前所未有的负荷下失灵，供应链也以难以预测的方式崩溃。与此同时，由于严重的劳动力短缺，能够应对这些复杂挑战的熟练工人越来越少。

人工智能领域的讨论一直被聊天机器人和人形机器人主导，但物理人工智能——通过传感器数据解读世界的人工智能——为应对人类最紧迫的挑战带来了新机遇。问题在于，我们对它的理解完全走偏了。

对物理人工智能的狭隘认知

当前关于物理人工智能的讨论已将其与机器人技术画上等号：人们把机器设计成自动执行叠衣服、组装产品或配送包裹等任务。波士顿动力公司的 Atlas能够做后空翻，特斯拉的 Optimus有望承担家务，而亚马逊的仓储机器人已经在处理包裹。

这些应用场景很重要，但它们侧重于自动化，而非增强人的能力。鉴于各实体行业面临严重的劳动力短缺，我们需要能够提升人类能力、而不是简单取而代之的解决方案。

这款机器人可以胜任建筑工地上的高风险工作。

01:35

如果把物理人工智能等同于机器人技术，我们就可能错失一个更有前景的机遇：利用人工智能帮助较少的工人理解并大规模管理复杂的物理系统。

事关重大，远不止提升效率。制造业、能源、建筑、交通运输和农业都因气候变化、基础设施老化和供应链波动而承受压力。这些行业都面临严重的劳动力短缺，亟须以更少的人手完成更多工作。

当今的“万亿传感器经济”

我们已经生活在一个专家所说的“万亿传感器经济”之中，数以万亿计的传感器构成了所谓的物联网或万物互联。

物理世界遍布监测设备：追踪天气模式的雷达系统、监测设备健康状况的热传感器、识别结构应力的振动探测器，以及测量空气质量的化学传感器。

这类技术产生的数据量惊人。单辆自动驾驶汽车每天会生成 25 GB 的传感器数据，现代飞机则每小时产生20 TB 的发动机数据，涉及数十万个参数。

然而，这些来自车辆、飞机、工厂等的数据大多都未得到利用。问题不在于数据匮乏，而在于我们无法及时整合彼此分散的传感器数据流，并将其转化为足以带来改变的可操作信息。能够解读这些信号的资深工人越来越少，这让问题变得更加严峻。

物理人工智能助力提升人类能力

我们需要能够帮助小型团队管理日益复杂环境的人工智能系统，而不是构建机器人取代人类。

以能源行业为例，该行业劳动力队伍日渐老龄化，退休速度更快，新员工的培训速度却跟不上。在这一行业，物理人工智能可以整合天气数据、管道压力读数和其他关键数据，实时为操作人员提供情境感知能力，并针对易受影响的系统组件发出预测性警报，确保不会发生重大中断。

其他行业也有类似潜力：

制造业：物理人工智能可以融合传感器数据，在设备故障发生前数周进行预测，使规模较小的维护团队能够主动应对，而非被动处理。它不会取代技术人员，而是为他们提供诊断见解，让一位专家能够监督过去需要整个团队管理的系统。

建筑业：人工智能可以实时分析工地摄像头、天气传感器数据和工人安全风险。随着建筑安全检查员短缺日益严峻，这项技术有助于让较少的安全专业人员监控大型工地。

更智能的环境：物理人工智能能够实现自适应系统，例如减少驾驶分心的驾驶员感知车辆、根据居住者行为进行调节的智能家居，以及主动应对洪水或暴风雪的城市基础设施。

物理人工智能赋能人类劳动者

物理人工智能的最大价值不在于取代人类劳动者，而在于赋予他们超人的分析能力。

随着物理世界变得日益复杂，我们需要能够实时处理传感器数据、识别模式，并向一线决策者提供可操作见解的人工智能工具。

这意味着要超越狭隘的自动化。新一代人工智能模型即将问世，能够解读各种类型的物理数据、理解空间关系，并结合情境采取行动。

我们的目标不只是实现任务自动化，而是为人类配备智能工具，让他们能够快速、大规模地理解物理世界并作出响应。