导论 正确地运用大脑（为什么我们需要自主AI）

尽管不同行业要求我通过自主AI解决的问题各不相同，但是仍然可以将这些问题分为三类。我将在下文详细解释。

我曾为一家使用计算机数控（Computer Numerical Control，CNC）机器制作手机壳的公司提供咨询。旋转刀具将金属材料切割成手机的形状。每个手机壳切割完成后，数控机门打开。机械臂将完成的零件装载到传送带上，然后从夹具中抓取下一个零件，并将其放入CNC机器中进行切割。如果零件在夹具中的定位角度不准确，则要么机械臂将无法抓住零件，要么零件在到达CNC机器之前就会掉落。如果完成的外壳比预期的更宽或更薄，那么即使只是一点点差异，机械臂也会再次无法抓住零件或将零件掉落。

这个自动化系统缺乏灵活性。自动化系统指通过计算、搜索或查找来做出决策的系统。机械臂控制器通过手动编程从一个固定点移动到另一个固定点，并以一种非常特定的方式执行任务。只有当手机壳具有完美的宽度并以完美的角度放置在夹具上时，机械臂才能成功完成任务，如图I-1所示。

这家公司需要更灵活、适应性更强的自动化系统来控制机械臂成功抓取各种宽度的手机壳，并适应从不同角度抓取手机壳。这种情况就很适合应用自主AI。自主AI具有灵活性，可以适应其感知到的情况。例如，它可以练习抓取不同宽度的、以不同角度放置的手机壳，并学会在更多种情况下成功完成任务，如图I-2所示。

不断变化的世界要求技能具有可适应性

一家国际化钢铁公司的高管请我前往印第安纳州考察他们的部分炼钢业务，确定哪些地方可以运用人工智能，并设计AI大脑。我们一大早就到钢厂和首席技术官见了面。他把我们带到了他希望我们关注的工艺所在的大楼，给了我们一些指导，然后我们穿上防护鞋，戴上安全帽，戴上金属袖，开始参观。主管迎接了我们，并带我们参观了一栋内部可以容纳许多高大建筑，并且长宽都有几个街区的“大楼”（见图I-3）。这是炼钢过程的最后阶段，在这个阶段，一条钢带被卷在两个看起来像纸巾卷的东西之间，然后被送进熔炉进行回火，最后将钢材浸入熔融锌液来保护它不生锈（这被称为“镀锌”）。

我们与每个控制室（在钢铁厂中被称为“指挥台”）的操作员都进行了交流。我采访了他们如何做出决策来运行机器（他们使用什么信息来做出决策，以及在不同情况下如何操作机器）。随后，主管带我去了一个研究中心，在那里，我向首席数字官（CDO）和一群研究人员报告了关于如何使用AI来改进钢厂决策的建议。我建议在整个炼钢过程的最后一步，也就是“镀锌”过程中使用AI。

操作员实时控制镀膜设备，确保锌镀层均匀、厚度正确。过去，当工厂主要为美国三大汽车制造商生产相同的厚度、宽度和相同镀层厚度的钢材时，这项工作要容易得多。现在有越来越多的客户要求各种不同厚度和宽度的钢材用于加热管道、建筑等。在这种多样化的要求下，操作员很难保持镀层均匀且厚度正确。一些客户要求宽而薄且镀层薄的钢材；另一些客户则要求窄而厚且涂层厚的钢材。钢铁制造业的世界已经发生了变化，这家公司正在寻求自主AI作为解决方案。

这家公司正面临困境，其商业环境（客户、市场、流程、设备和员工）正在发生变化，公司正在艰难地调整自己的决策。通常情况下，公司的自动化系统是为了自动化可重复的、可预测的过程而建立的，无法根据环境变化改变其已经编程的行为。随着条件的变化，它会做出更糟糕的决策，有时甚至会被完全停用，因为做出的决策不再相关或质量不够高。

解决方案才能解决问题，而不是AI

人类和自动化系统对工业流程的改进已经达到了极限。现在，企业正在寻求人工智能的帮助来解决问题。不幸的是，大部分关于AI的讨论都集中于AI小说（过度炒作和过度吹嘘的能力）或科幻小说（AI是否会达到超级智能，如果达到，又会有哪些哲学和伦理问题）上。这些讨论都无助于企业改善运营。相反，企业需要的是一本如何将有用的AI设计成自主系统的指南，使自主AI系统能够比人类或自动化系统更有效地做出决策。

当我第一次开始设计自主AI时，我提出了一种不同于其他类型的AI和机器学习的“新型人工智能”。我很快意识到，我提供过咨询服务的公司并不关心AI。这些公司寻求的是具有独特能力的技术，与现有的解决方案相比，能更好地控制和优化高风险业务流程。这些公司关心的是操作员和自动化控制系统的能效，但难以实现进一步的流程改进。这些公司明白控制和优化技术总是在不断发展，而自主AI只是具有独特的差异化特征的控制和优化技术的演进。

在现实生活中，AI能为我们做些什么

人工智能指数报告（https://aiindex.stanford.edu/report/）指出，2019年有超过12万篇与人工智能相关的同行评审学术论文发表，其中一些论文在媒体上受到了广泛关注。有些人称之为“从科研领域转战到公关领域”，因为公司直接将研究突破从实验室转移到媒体公告上。虽然能够获得尖端研究成果是件好事，但这种研究转化为公关的方式使人们认为每个新的算法似乎都已经准备好解决实际问题。然而，挑战在于对人和过程的考虑，再加上现实生产过程的不确定性，许多在受控实验室环境下看似很有前景的算法在现实生活中几乎一无是处。下面是一个例子。

美国一家汽车租赁公司找到我们，询问AI能否帮助其安排每天车辆在不同租车点之间的交付时间。每天，在几个主要的城市间，大约有十几名司机将汽车从租车点送到取车点。人工调度员为每名司机规划路线，将正确的车辆送到正确的地方。熟悉运筹学领域的人可能会称之为“车辆路径问题”（运筹学在解决物流和配送问题方面非常活跃）。然后，他们可能会告诉你，有各种各样的优化算法可以搜索并找到每名司机的“最优”路线解决方案，使得司机的总行驶路径最短。那么，问题是什么呢？为什么这家公司还在使用人工调度的方式？难道该公司不知道迪杰斯特拉算法（Dijkstra Algorithm）可以找到总距离最短的路线吗？等一下，事情没那么简单。

迪杰斯特拉的最短路径算法会搜索可能的路线，并为每名司机安排尽可能相近的站点。因此，如果你所在的城市的最佳策略是尽可能地安排近的站点，那么迪杰斯特拉算法每次都会给出最佳答案。问题在于，对于大多数大城市来说，决定每段行程所需时间的因素是交通状况，而不是距离。但运筹学定义的车辆路线问题并没有考虑交通状况。在很多情况下，由于糟糕的交通状况，下一个最好的站点未必是举例最近的站点。这在交通高峰期尤其明显。每个城市都有独特的交通模式，但交通状况会因多种因素而有所变化。迪杰斯特拉算法根本不考虑交通状况，也不会根据任何决定交通模式的因素改变其调度行为。因此，即使每家租车公司都知道如何编程和利用这个算法，它也无法有效取代人类路线调度员。迪杰斯特拉算法在培训经验不丰富的调度员或增强有经验的调度员的专业知识方面也能力有限。

相反，一个大脑可能比迪杰斯特拉算法更能适应交通模式，这个大脑还可以用来培训没有经验的调度员或为有经验的调度员提供建议。图I-4是一个假想的AI大脑的例子，不是为真实的公司设计的。但使用本书中的技术，你可以轻松设计出类似的大脑，并为类似的应用修改这种大脑设计。

图I-4中的示例大脑的工作原理类似于出租车调度。每次司机送来一辆车时，它就会决定司机应该把下一辆车送到哪个位置。目标是在最短的时间内将所有汽车送到需要它们的地方。

下面是阅读大脑设计图的方法。椭圆代表大脑的输入和输出。大脑接收有关交通、待交付的车辆和交付地点的信息。例如，大脑可能会通过输入节点接收到的信息：今天是周三的早高峰通勤时间，到目前为止已经交付了5辆汽车，并且目前为止当天还有98辆汽车等待交付。模块代表大脑为做出调度决策而学习的技能。我们在大脑中设计了一个机器学习模块（用六边形表示），以根据该城市的交通模式预测到每个可能目的地的行程长度。这个模块的工作原理很像谷歌和苹果地图中的算法，它们预测每段行程需要多长时间。矩形代表AI决策模块，用于决定将车辆送到哪个目的地。有关如何以可视化方式表示大脑设计的更多详细信息，请参见4.6节。大脑学会做出更适应交通模式的调度决策，并创建比迪杰斯特拉算法每日更快交付稳定车辆的日程安排。

这个例子并不是说软件算法不能解决现实生活中的问题。这是一个警示，提醒人们不要仅根据清单上展示的软件算法或研究中展示的技术来解决现实世界的问题，而忽视了要解决问题中的需求。早些时候，我提出了这样一个问题：“为什么软件没有解决制造业中的更多问题？”我的回答是，如果你从“软件算法清单”中进行选择，而没有深入了解试图改进的操作和过程，那么你将无法有效地解决实际问题。

与其简化决策过程，直到特定的算法能够很好地做出决策，不如增加决策能力的细腻度，直到它能够很好地解决现实问题。

AI决策正变得更加自主

Thomas Kuhn在他1970年出版的The Structure of Scientific Revolutions一书中，将研究突破描述为长期渐进式改进和实验之间的标志。例如，在1687年，艾萨克·牛顿爵士提出了关于引力的重要发现。在1915年，阿尔伯特·爱因斯坦取得了突破性进展，为引力提供了更细致、更准确的描述（https://oreil.ly/MMK5g）。爱因斯坦的突破与牛顿定律并不矛盾，但就引力如何工作提供了一个更全面、更细致的观点。以同样的方式，在已有范式中长期渐进式改进和实验之间，自主决策能力的巨大飞跃成为突破点。Stephen Jay Gould在他关于间断平衡的讨论中也观察到了同样的现象^[1]。图I-5展示了随着时间的推移，科学革命和主流大众化如何推动科学的进步。¹

纵观人工智能和其他研究技术的历史，这些难题解决和增量变化期间的研究突破增加了更多细致入微的决策能力，这些决策能力从研究中衍生出来，对解决工业中的实际问题很有用。例如，喷气式战斗机引擎在二战期间由德国研究实验室开发，并首次用于量产战斗机“梅塞施密特Me 262”。战争推动了喷气式飞机的创新，在二战后的几年里，喷气式飞机也成了商用飞机的主流。

AI和自动化相关技术也是如此。以专家系统（一种基于人类经验进行自动决策的方法）为例。专家系统是在人工智能研究的第二波主要浪潮（1975—1982）中发展起来的。专家系统在获取关于如何执行任务的现有知识方面表现出色，但事实证明它不够灵活且难以维护。专家系统（一些人认为它将达到完全与人类相媲美的智能）一度构成了当时被认为是人工智能研究的主要内容，但到了20世纪90年代，它们几乎从人工智能研究中消失了。虽说专家系统的大多数基本研究问题在这个时候已经得到了解决，但专家系统并没有实现预期的自主性。与此同时，在难题解决的时期，开始主流化和大众化的专家系统成为有用的决策自动化系统。同时进行的工作导致了新的革命，解决了专家系统在自主决策方面的弱点。

专家系统如今在金融和工程领域得到了广泛的应用。NASA在1980年开发了一种用于编写专家系统的软件语言。在本书中，我将展示如何在设计自主AI时将专家系统与其他人工智能技术结合起来。这里的第一个要点是，研究突破通常还没有准备好为生产系统和过程增加价值，直到它们成熟到能够解决关于人员和流程的问题。第二个要点是，新的革命将继续改善自主决策能力。

其中一个革命就是机器学习（https://oreil.ly/iKAcx）。根据撰写本书时链接的维基百科文章中的定义，机器学习是研究能够通过经验和数据的使用自动改进的计算机算法。机器学习是预测和规范决策的强大范式，也是我将在本书中广泛讨论的现代自主AI的基本构建模块。然而，它并不能取代以往所有的决策范式。机器学习之于以前的决策范式，就像爱因斯坦的相对论之于牛顿物理学——牛顿物理学适用于观察以特定速度移动的特定大小的物体，而相对论是一个更细致的范式，适用于牛顿物理学无法准确地描述现实的情况。为了支持机器学习而抛弃以前的决策范式会导致一种我称为数据科学殖民主义的现象。

警惕数据科学殖民主义

就像软件没有解决制造业的更多问题一样，数据科学这个新兴领域似乎也没有像预期的那样对工业产生全面的积极影响。数据科学（https://oreil.ly/3G1u6）是一门跨学科领域，它利用科学的方法、流程、算法和系统，从有噪声的、结构化的和非结构化的数据中提取知识和洞见，并将从数据中获得的知识和可操作的洞见应用于不同的应用领域。这个领域正在蓬勃发展，很多公司都希望数据科学家能解决各种各样的问题。不幸的是，据VentureBeat报道（https://oreil.ly/IEd0d），由数据科学家创建的机器学习模型有87%最终无法投入生产。数据科学殖民主义是一种在未充分了解过程的情况下，只使用数据来指导如何控制系统或优化流程的做法。它忽视了控制过程的经验和从设计过程中获得的工程经验。有时，它甚至忽视了控制这一过程的物理和化学定律。数据科学殖民主义忽视了重要的细节，并对参与设计和构建自主AI的专家表示不屑一顾。

数据科学存在一种类似于殖民主义的特质。殖民主义是一种国家探索甚至入侵其他领土的做法，它声称意图改善所遇到的社会，但不会考虑现有的文化和价值观。殖民主义思维方式可能会问：“为什么我需要咨询一个更原始的社会的想法，以了解他们需要我提供什么帮助？我应该直接告诉他们该怎么做！”这是殖民主义最令人震惊的观点之一：傲慢地认为你不需要学习或考虑任何有关你正在摧毁的人们的文化和生活方式的信息。不幸的是，我在一些被误导的数据科学从业者中看到了类似的观点，他们认为不需要放慢脚步、倾听和学习来自人的过程，就可以设计出“更优越”的解决方案。

我曾在加拿大的一家大型镍矿向流程专家咨询使用AI控制半自磨机（想象一台八层楼高的水泥搅拌机）的问题。期间我走出去接了个电话，当我走回走廊时，发现其中一位数据科学家正与另一位专家争论。这不是专业人士无法共同解决的问题，分歧点在于我们是否应该信任和尊重操作员对如何运行该机器的现有专业知识。

还有一次，我与一位拥有人工智能高级学位并负责优化制造公司流程的高管交谈。我向他解释，我为工业流程设计自主AI的方法在很大程度上依赖于那些如何控制或优化系统的现有专业知识。他感谢我不是那些告诉他只需要一些数据，并会用数据来构建一个基于AI控制系统的人。他不相信可以无视人类几十年专业知识的沉淀，就能设计出一个既能良好运行，又能解决与运行昂贵的安全关键设备相关的所有人员和流程问题的控制系统。我也不信。

最近，多家公司试图使用机器学习算法来解决医疗保健领域的问题。例如，通过读取放射扫描结果来检查癌症是可以挽救生命的。然而，一些公司夸大了算法的能力，低估了医生的专业知识，结果只能令人失望。也许给予专家更多的尊重会带来更好的技术和更强的结果。

这里还有数据科学殖民主义的另一个例子。还记得我在导论中提到的推土机AI吗？其中一位领域专家是名为Francisco的控制工程博士，他在AI设计过程中对我表示了感谢。他觉得过去曾就AI问题咨询过他的人对他总表现出一种不屑一顾的态度。什么？！Francisco在数学和控制理论方面才华横溢，为什么有人会在AI方面对他表现出轻视？最优秀的大脑设计师是充满好奇心且谦虚的，他们能抵抗将数据科学、机器学习或人工智能视为超越领域专业知识价值的诱惑。

这并不是说所有数据科学家都认为他们的行业是万能的，有些数据科学家也充满好奇，而且善于换位思考。在设计自主AI时，对于询问和学习人们在制定决策方面已经知道的知识，谦逊和好奇心将大有帮助。

你为真实世界的流程设计的任何能做出决策的AI大脑，都应该解决不断变化的世界、不断变化的劳动力和紧迫的问题。

不断变化的劳动力要求技能具有可传递性

当自动化系统不能很好地执行或做出正确的决策时，工厂和流程就会回到人类的控制之下。只有当自动化系统做出错误的决策时，人类才会介入为某些流程做出高价值的决策，但对于其他尚未找到良好自动化方法的流程，人类仍然完全控制着这些流程。然而，专家们正在以惊人的速度退休，并将数十年来关于如何做出工业决策的宝贵知识随之带走。在与一个又一个专家和一个又一个企业交谈之后，我意识到人们希望通过AI来解决不断变化的劳动力问题，因为专业知识很难获得，也很难维持。更糟糕的是，专业知识相对容易教，但需要大量的实践。

专业知识很难获得

我参观了一家使用挤出机为计算机显示器和其他产品生产塑料薄膜的化工公司。挤出机将原料（肥皂、食品用玉米粉，或者塑料颗粒）放入一个内部有旋转螺杆的金属管中加热。螺杆把材料通过一个缝挤出，制成塑料。然后，塑料薄膜（看起来就像保鲜膜）在两个方向上被拉伸、冷却、进行涂层处理。控制室里摆满了用于检查测量数据和进行实时调整的计算机屏幕和键盘。你能猜出操作员要经过多长时间的培训才能在控制室里作为高级操作员“发号施令”吗？七年！在此期间，许多操作员通过大学化学工程项目自学。要熟练掌握不同产品、不同客户需求、不同塑料类型、不同涂层类型和机器磨损情况下的流程控制，需要大量实践。在你的专家们真正擅长控制流程之后，他们也要退休了，你需要找到一种将这种专业知识传授给其他缺乏经验的人的方法。

专业知识很难维护

纳瓦索塔（Navasota）是得克萨斯州的一个小镇，距离休斯敦大约两小时的车程。我曾在那里帮助一家名为NOV Inc.的公司改善机械车间的流程。我们开着皮卡车到达了停车场，停车场里停满了皮卡车。我感到有些格格不入，因为那天我看到的两个人中只有我没有穿牛仔靴。我们的执行发起人是一位有远见的高管，名叫Ashe Menon，他想把AI作为一种培训工具。许多人担心AI会夺走人们的工作，但他告诉我的恰恰相反：“我希望能够雇用一个16岁的高中辍学生，坐在他旁边的一个AI大脑能够帮助他成功地成为一名机器操作员。”他希望利用自主AI来增强人类机械师的能力，而不是取代他们。

我们在一间简朴的工业会议室里坐下，喝着浓郁的咖啡，他把我介绍给一位名叫David的机械师。我喜欢用通俗的语言来讨论人工智能，而不是使用研究术语。所以我向这位35岁的机械师解释说，一种新型的人工智能可以通过练习和获得反馈来学习，就像他这么多年来所做的那样，我们甚至可以利用他宝贵的专业知识来教授AI一些他已经知道的东西，这样它就能在练习中更快地变得更好。

你知道吗，当David和其他专业机械师控制切割机时（给他们关于移动位置和刀具旋转速度的指令），切割工作完成得比工程师使用自动化软件生成指令要快得多，且质量更高。David已经使用超过40种不同型号的机器和模型切割过很多种不同的零件。车间里的一些机器是新的，而有些机器已经使用了20多年。这些机器在切割金属时的行为都各不相同，David通过不同的操作方式学会了如何充分发挥每台机器的优势。

NOV和许多其他公司希望从经验丰富的操作员那里获取和整理最佳专业知识，将这些经验上传到AI大脑中，并将这个大脑放在经验不足的操作员身边，以帮助他们更快地适应、更熟练地执行任务。这需要采访专家来确定他们为成功完成任务而需要练习的技能和策略。在这之后，你就能设计一个能够练习这些技能、获得反馈并学会成功完成任务的AI。

一位资源行业的高管告诉我，他们有二三十年经验的专家正在大批退休，这让他们感到辛辛苦苦积累的有关如何最好地管理业务的宝贵经验正在流失，再也无法回来。人类可以学会如何控制以非常奇怪的方式变化的复杂设备，但需要大量的练习时间才能将这些微妙之处融入我们的直觉。大多数专业操作员告诉我，他们花了几年甚至几十年的时间来学习如何做好他们的工作。

设计自主AI允许你将专业知识打包成整洁的技能单元，以便传授给其他人，或者保存到以后使用，也允许你以新颖有趣的方式将知识重新进行组合，或者将这些知识用于自主控制流程。

教授专业知识很容易，但知识需要实践

无论是下棋、学习体育运动还是在工厂中控制流程，获得技能都需要大量实践来理解在许多复杂情况下该做什么。专业知识是复杂的，在不同的情境下还有不同的表现。教师以一种能够更高效地获得技能的方式指导这种实践。当教师这样做时，他们通常有一个希望技能被介绍和练习的明确顺序。如果教学计划设计得好，那么它可以加速学习过程，但即使是最好的教学计划也不会剥夺学习者在实践（获得）技能时进行即兴发挥以及使用技能上的微妙差异。

SCG Chemicals是一家拥有百年历史的塑料制造公司。对于某种类型的塑料，该公司发明了制造工艺，学会了如何高效运行反应器，甚至进行了先进的化学研究来模拟这个过程。操作员通过操作反应器来控制反应器的运行，以生产各种不同的塑料产品，并使用催化剂进行反应。我问专家的第一个问题是：“你们是如何教新操作员控制反应器这种复杂的技能的？”答案很简洁易懂：我们教授每个操作员两种主要策略。

1.加入材料，直至密度达到目标范围。当使用第一种策略时，忽略过程中的熔点测量。

2.然后，当塑料的密度在目标范围内时，切换到第二种策略。在使用此策略时，忽略密度并添加材料，直到塑料的熔点达到产品规格。

由于化学反应，如果按照规定的顺序使用这两种策略，则密度和熔点都会得到正确的结果。虽然他们发明了这个过程，但他们甚至没有所有能解释为什么会这样工作的化学知识。由于这些策略确实每次都有效，因此SCG将这两种策略的顺序教给了操作员。

对于一位称职的老师来说，教授这些技能是多么简单，但为何每项技能仍然需要大量的练习呢？在一位优秀教师的指导下，你能很快掌握这些技能的要点，但仍需要大量的实践来将其融入你的直觉中。在一分钟内，操作员需要决定每种成分（在化学中称为试剂）的添加量。当密度接近目标时，需要添加较少的试剂，而当温度较高时，需要添加更多的试剂。添加多少取决于他们正在制造的塑料种类和使用的催化剂。

监督工程师Pitak编写了定制的配方，即使操作员还没有足够的练习来掌握技能，他们也可以按照这些配方成功地执行每一种策略。操作员依靠这些死板的配方来帮助他们取得成功，直到他们进行了足够的练习来内化这些细微差别和变化。

尽管每个操作员都知道这两种策略，并有一套使用它们的程序，但要根据不断变化的过程条件修改这些策略仍然需要大量的实践。例如，一个操作员在使用一种催化剂制造一种塑料时，可能会向反应器中添加不同数量的试剂，但在使用第二种催化剂制造另一种塑料时，可能会向反应器中添加稍微不同数量的试剂。因此，Pitak会根据情况的变化更新配方。

这与烘焙的过程非常相似（毕竟烘焙是一种复杂的化学反应）。你的父亲可能会教你在混合面团的同时加入第一组原料，直到感觉黏糊糊并闻到杏仁的味道。这是第一种策略。他可能还会教你下一步加入另一组原料，揉面团直到它变硬。这是第二种策略。你的父亲教给你两种策略以及如何按顺序使用它们，如图I-6所示。

这些策略很容易教授和理解，但需要实践才能掌握。这就是配方的作用。它们会准确地告诉你在每一步中要加多少配料，并建议混合和揉面的时间。配方（用于烘焙、制造塑料和许多其他任务）的问题在于它是固定的。一个专业的面包师知道，如果环境又热又湿，那么在开始揉面之前混合的时间会更短。同样，Pitak知道，如果环境又热又湿，操作员就需要向反应器中添加更多的试剂或催化剂。这就是为什么Pitak会根据温度、湿度、时间的变化更新配方。经过大量的实践，面包师和操作员就不再需要配方了。他们能根据实际情况创造自己的配方（面包师根据面团的触感和气味，操作员根据反应器中的温度和压力）。这就是为什么我妈妈做饭从不使用配方。几十年前，她为每道菜都准备了配方，但现在，当她做菜时，她会根据自己的口味调整配料。当她第一次教我如何做辣椒时，我严格按照指示去做，但现在我像她一样可以在做辣椒时即兴发挥！

亟待解决的问题需要全新的技能

气候变化是一个紧迫的社会问题。许多公司已经承诺采取行动来减缓气候变化的影响（https://oreil.ly/kbzSr）。AI能帮上忙吗？

减少能源消耗意味着减少对化石燃料能源的需求。建筑物中50%的能源被用于供暖、制冷、空调和通风（HVAC）系统，你知道吗？事实证明，这是AI对气候变化产生实质性影响的机会。许多商业HVAC系统，比如办公楼的制冷和供暖系统，都依靠人类工程师和操作员来进行调整和控制。

在精确管理能源使用的同时，将各个房间的温度调整到合适的范围并不像看起来那么简单或直观。管理建筑物或园区的能源消耗还涉及冷却塔、水泵和冷却器的控件等多个变量。这还会受到不断进出建筑物的人员的影响。虽然这有一定的模式（想象通勤时间和交通状况），但这些情况很复杂。能源价格全天都在变化，在高峰时期，能源较为昂贵，而在非高峰时期，能源相对便宜。你可以循环使用空气以节省加热外部空气的费用，但法律标准规定了建筑物中允许的二氧化碳含量，这就会限制你的回收能力。每一层复杂性的增加，都会使人类难以理解每个变量将如何影响控制设置的结果。

微软已经建立了一个自主AI来控制其位于雷德蒙德西园区的HVAC系统（https://oreil.ly/k4XxA）。园区已经有自动化系统，但这些系统无法根据建筑的实时占用情况和室外温度来做出监督性决策。我的团队与机械工程师合作设计了一个大脑来做出这些决策，新系统目前使用的能源量较之前减少了约15%。在2018年，谷歌成功测试了一种AI，将数据中心的能源消耗降低了40%（https://oreil.ly/rK7Ki）。如果你想知道为什么早期的AI产生了更大的改进，那是因为数据中心更容易控制，它们受到外部因素的影响较小。商业建筑则必须应对太阳辐射（商业建筑的大部分热量来自不同时间从不同角度照射到窗户上的阳光）以及大量的、不断进出建筑物的人员等问题。

---

[1] Stephen Jay Gould，The Structure of Evolutionary Theory(Belknap Press, 2002）.