人工智慧和流水線先進，但是一定要保護目前存量人口就業，約束財團資本嗜血的傾銷後壟斷破壞社會就業崗位，科技可以繼續研發，但是設計反人類的推廣要慎重，就像用核武器結束戰爭一樣慎重

據統計，目前，有 150 億臺機器連線了網際網路，到 2020 年，這一數值將超過 500 億臺。許多製造產商已經部署了感測器，但很少有製造商能夠充分利用感測器獲取有利於創收的洞察。據麥肯錫估計，到 2025 年，智慧工廠將創造高達 3.7 萬億美元的價值。

在製造業的具體應用已經有數不勝數，

1. 自動化流水線中加入基於人工智慧技術驅動的機器人，進行全流程自動化

2. 透過人工智慧技術對產品質量進行檢測

3. 透過人工智慧技術更加精準的使用原材料，減少工廠生產環節上的浪費等等

下面給一個具體的例子：鋼廠提升材料利用率。

溫度達 3,000°F的熔融金屬從鋼水包流至澆鑄機，經過冷卻形成滾燙的橙色板坯。數十年來，這項工作已重複數十億次。過去 70 年，這一過程一直髮生在全球各地的鋼廠中；如今，卻出現在資料工廠中。

工廠人工智慧革命正在悄然上演：從表面來看，現代工業可能變化不大，但製造商正在向線上轉變。過去十年，感測器成本大幅下降，讓企業能夠在各個生產階段採集資料。目前，有 150 億臺機器連線了網際網路，到 2020 年，這一數值將超過 500 億臺。3麥肯錫預測，到 2025 年，“智慧工廠”的產值將高達 3.7 萬億美元。這些現代製造商不斷產生不計其數的資料，需要人工智慧才能從這些資料中挖掘出價值。

資料科學家解釋道：“現代機器學習可以從大量雜亂的資料集中發現模式和規律。只靠人類掌握的專業知識，根本無法梳理出想要的洞察。機器學習使我們能揭示人類難以或者無法發現的模式和規律。”

大多數製造商已經部署了感測器，但能夠充分利用感測器的製造商非常少。實驗室研究員的一個客戶在一家鋼廠裡安裝了 1,200 個感測器，但經常使用的只有 5 個。在建立人工智慧平臺時，實驗室研究員只是把以前未使用的資訊傳至人工智慧演算法，就能使感測器資料的利用率提高 40 倍，無需安裝任何新裝置，即可全面瞭解工廠活動。

實驗室研究員採用最新人工智慧演算法來加快演算法速度。此舉幫助他們在客戶系統正式上線之前改進了機器學習模型。