整个旧工业经济体系就像太阳系，消费者和员工环绕企业运转，企业再环绕金融（太阳）运行。这套体系可以对人的多样性需求做出反应，但是以一种中心化的方式运作。
直到今天，技术还在进步，除非创造新物种，产品多样化方向已经趋近感知的极限。一个新的循环往复将要形成。新工业范式将把旧工业范式颠倒过来，不再是技术的突变引导需求的渐变，而是无限地拓展需求层级和种类，以需求的突变引导技术的渐变。扩大内需不应该被理解成旧需求层面上的扩张，而是前所未有的多样化需求被开发出来。在旧工业范式下，依靠的参照系只有已知技术和已知需求两条小路，人类凭着自己的计算和洞察摸着石头过河。而今天，人类无穷多样性的细分需求，需要依靠人工智能深度学习系统才能捕捉。
曙光在于大数据和人工智能。今天，人类的多样性需求、反馈越来越被数据化，可以无限地产生并被传感器记录。也只有建立在概率和分布式计算方法上的深度学习与智能经济系统，才能从这无限的数据中感知未来的方向。
还是以汽车的例子将这个问题具体化。沃顿商学院的马歇尔·费舍曾拜访汽车经销商，得知综合颜色、内饰、发动机等功能，汽车制造商实际上可以提供2000万种型号。定制需要8周，而90%以上的顾客要购买现货，而且并不知道存在那么多的可能型号。这家经销商只有两种型号现货，本地有10家经销商，假定经销商的型号规模相等，那么在本地市场上只能提供20种型号。费舍因此将渠道比作沙漏的颈部。
这项调查发表于1997年的《哈佛商业评论》。同年亚马逊上市，提供了解决方案——网络货架无限长。除了存储空间，更重要的是信息匹配，通过计算机网络即时记录和分析用户的行为，推测其兴趣，这就是所谓的“用户画像”。有了这个方法，就可以把无限多的产品型号与无限多的用户需求精准匹配。
复旦大学中国研究院的余亮在虎嗅撰文认为，“用户画像”被很多人误解为是对用户群体的描述，比如90后群体的消费特征等，甚至一些互联网商业公司也在宣传中如此使用“用户画像”。然而正相反，基于人工智能的“用户画像”恰恰是对个人的描述，可以为每个人贴上无数标签，精细追踪个人的需求。比如所有以算法推荐资讯的应用程序，都是“伪装”成新闻客户端的用户个性收集器，以此向用户推送个性化的信息和广告。这种方法同样运用在实业领域，物联网与人工智能可以给生产工序和消费用户两方面都贴上天文数字的标签，满足最精细化的需求。比如3D打印，实质是可以根据多种多样的需求而灵活变化工序，不再依靠实物模型，仅仅根据计算机建模就可以“打印”出新产品。
工业自动化的内涵因此被改变，不再是针对固定需求的自动生产，而是自动根据需求变化调节生产、流通和分配。控制论领域大奖诺伯特·维纳奖的首位华人获得者，中科院自动化研究所副所长王飞跃指出：“工业自动化将向知识自动化转移。”新的生产过程将具备如下特性：对人类生活多样性的自动跟踪；知识的自动化习得；工具的自我复用和进化；对社会管理的自动优化；生产流程根据知识进行自动调整并生产出新知识……以此形成新的循环往复规律，革新工业经济范式。这个过程将挑战过去生产方式的一切环节，从生产布局、设计流程、渠道建设直到科层制的企业权力结构。“中国制造”也将因此而蝶化为“中国智造”。
<h2>
走向物联网与精细化生产</h2>
知识化、自动化、精细化的生产方式的基础在于物联网。
2016年7月，软银公司斥资243亿英镑收购微芯片巨头ARM公司。软银总裁孙正义认为物联网将会引领下一轮技术爆炸。2018年，物联网设备的数量将会超过移动设备；2021年，全球将拥有18亿台PC、86亿台移动设备、157亿台物联网设备；2035年，数据量将会增长2400倍，从1EB增长到2.3ZB；在未来20年，物联网设备的数量将会超过1万亿台。孙正义指出：“物联网与人工智能的关系，正如同眼睛与大脑配合使生物得到进化的关系。物联网爆发即将来临。”
物联网让人与万物接入同一张网络，让人与机器随时互动，人的一切可以数据化的行为、反应，都会引起机器和生产线的波动，各种数据在云端交汇，大量计算通过云服务器完成，再通过产品与服务反馈于人，循环上升，从而把人的多样性与物质世界联系在一起，彼此催生，共同进化。
《奇点临近》的作者雷蒙德·库兹韦尔认为，人类正处于物联网引领的工业革命时代。3D打印技术是2020年前创新型工业革命的主要推动技术。到2020年，我们的衣服都可能被开源设计，可以直接从云端免费下载。3D打印技术的发展前景目前尚不明朗，不过库兹韦尔的话呼应了前面说的新工业范式对多样化需求的满足。除此之外，从食物到音乐，都可以通过物联网精细化生产，云计算是其内在逻辑。
凯文·阿什顿的观点更为深远，他认为：
我们要区分大众说法中的智能穿戴设备与物联网。能侦测防晒指数的比基尼和能感知是否口渴的智能水杯都不是物联网。物联网不是终端设备，而是一套可以自主学习、自主做出决策的机器体系。
物联网的优势在于计算机拥有各种传感器，能自主收集数据。正如我们的智能手机有GPS或者北斗导航系统，有地图，还有距离、方向、重力、惯性甚至心率传感器，可以把所有信息搜集起来进行处理。快速发展的RFID芯片可以在不耗电的情况下提供数据。RFID的产量早已超过了手机的产量，赋予每部手机、每个设备独一无二的编码，或者说“名字”。通过这种不耗电的RFID系统，订酒店、订车位、吃饭支付都可以完成，这也是物联网的构成部分。未来物联网设备的功耗将极小，手机甚至可以在风中自己充电。
人脑将直接与云端进行连接，从而成为物联网的一部分。这将促进对大脑思维方式的逆向工程解析，不仅能够加深对人脑的理解，还可以反向提高机器智能，更加深刻地体会人的多样性细节。
以往工业自动化仰赖的工业机器人，在物联网时代也将发生形态变革。工业机器人将从物理形态的硬件化向软件化发展，云端虚拟状态与物理端实体结合。机器人软件化和物联网是同一件事情在两个方向上的发展。机器智能无形化，遁入物体，与云计算结合，无所不在，成为一个巨大的社会机器人。这正是人工智能与物联网追求的境界。
物联网系统与传统的机器系统在知识上有根本区别，在运作逻辑上，是从机械的牛顿机器向智能的默顿机器的升华。所谓牛顿机器就是根据因果规律程序运行的机器，而默顿机器则是根据相关性思维自主学习规律的机器。牛顿机器遵循“大定律，小数据”逻辑，而默顿机器遵循“小定律，大数据”规律，不追求终极大定律，与人脑工作方式更接近，更能呼应大千世界的瞬息万变。
物联网自主收集数据只是基础任务，更高的境界是自主决策。人类提供了算法和训练模型，给机器装上传感器，让机器在各自的场景下做出判断和交流，并做出决策。决策会影响世界，从而又收集到新的数据，如此形成循环。
举个例子，百度云计算已经支持多个第三方智能照明项目投入使用。今天的城市户外照明系统虽然灯火通明，但大部分时候都只是寂寞地照射着空旷的马路和天空。物联网照明系统可以在初期收集数据，自动学习照明规律，然后自主优化管理，比如在交通低谷期对路灯进行自主调光后关闭部分路灯。系统实时监控路灯的运行情况，通过“机器学习”对设备的寿命进行预测，精准统计需要更新的部件，从而降低零部件的库存，节省维护费用高达40%。最终把电力消耗降低到传统标准的40%并延长设备寿命。这样，以往的灯火通明变成了生物体呼吸般的灯光节律。
经济效益只是系统收益的一部分。上述照明系统集成了智能灯控、环境感应、无线城市和安防等功能群，开放了众多的API，以供更多的应用接入。由于百度云平台的计算能力和存储能力可以弹性扩展，系统获得了极大的“灵活性”。可以对热数据进行即时分析，并对冷数据做大数据挖掘。这样的系统绝不只是为了照明，而是智慧城市的一部分。它们通过收集数据、自我学习和自我运作，提升机器智能，促生城市大脑。
物联网将覆盖人类的所有生存空间。在某种意义上，我们可以把智能农业也理解为物联网。在一些先进示范农场，每一棵植株都安装了传感器，比如系统会根据每棵植株反馈的信息，因材施“浇”，有的放“施”，大大提高效率、节约资源。每棵植株的传感器更是与系统相连接，把大面积的农作物传感信息汇总到云上，就可以计算出以往单纯依靠农民经验无法把握的农业规律，实现农业革命。
<img src="/uploads/allimg/200412/1-2004120Q24BH.jpg" />
图5-3 Prospera公司使用人工智能和机器学习技术监控农作物的情况
资料来源：http://www.mobilemag.com/2012/09/28/wall-ye-robot-helps-in spect-vineyards-for-bugs-and-other-issues/
人们从传统思维出发，可能会把无人车理解为交通领域的革新。而无人车系统的抱负是超越交通领域，成为城市和城际物联网的载体。无人汽车绝不是以个体形态出现，而是一个庞大的自主系统，像血管和神经一样连接着其他所有城市系统。无人车本身就是人工智能技术的集大成者，视觉识别、语音识别、自主决策、机械控制等集于一身，是一台运动的数据收集和处理器。在这个基础上，无人车网络把人、车、环境联系在一起，把个人目的和整体管理联系在一起。一旦无人车成规模运行，又会反过来带动技术发展和物联网的发展。无人车上的每一个部件传感器和乘客感应器都联系着生产商、消费者、管理者甚至第三方。设想一下未来，以无人车为主体的陆上交通会与航空、航海交通打通信息，那将是怎样一张上天入地的巨大的物联网。
如果C端（消费者）的精细化生产可以呼应人的多样性需求，那么B端（企业）的物联网则可以精细化掌控社会总体需求。人工智能与物联网同时丰富了生产、提升了效率、减少了外部成本。比如智能农业大大节约水和化肥，无人车系统将减少车辆事故，满足基本出行，减少污染。
智慧能源、智慧交通、智慧生产等，将给世界文明带来史无前例的变化。
<h2>
呼唤智能政府与智能社会</h2>
人类社会在经历过工业革命、两次世界大战和无数次变革与动荡之后，越来越认识到个人的自由、安定和发展离不开政府与社会的高效、公正。随着经济、社会的发展，人类的组织越来越复杂，复杂社会需要新的手段加以治理，政府和社会组织的作用尤为重要。
现代社会通过法律来维持和调节社会关系。但技术尤其是人工智能的发展，使得算法的地位上升，各种自动化管理工具通过算法潜移默化地调节人类的交往、消费、交通、金融等。在未来社会，律法可能将融合于算法之内。
大规模的数据治理起源于20世纪以来的政府信息化管理。比如1929年由胡佛倡导，在美国建立的非电子化犯罪信息记录系统。20世纪60年代，美国开始建立全国统一的犯罪信息系统，这些数据的用途超出了犯罪记录查询，对劳动力市场甄选工作、福利计划执行都有巨大帮助，从而成为政府治理手段的基石。
而在未来，随着人工智能技术的发展，政府治理模式和法治结构都可能发生重大改变。上海交通大学法学教授郑戈认为：“（目前）法律总体上还是假定责任源自过错，过错损害了法律确定要保护的权利和利益，导致了损害结果，有损害就要有法律救济。基于这种原理，法律总是滞后于损害的，只有当主观过错促生了具体行为，行为造成了实际损害之后，法律才能介入，介入的目的也是恢复此前的状态。互联网的出现和普及改变了人们之间的交流方式和互动方式，而大数据技术的发展则使互联网的潜能发挥到了一个新的量级。大数据科技与认知科学和人工智能的结合使行为主义很可能变为明日黄花。预测性和引导性数据分析可以通过个人化的识别、分析和干预‘植入’意向和行为动机，从而改变法律的作用场域。”[3]
形象一点说，这就是美国电影《少数派报告》中展现的未来景象：政府机构有可能通过数据预测犯罪并提前制止，而非事后追凶。我们可以想到，未来政府的很多管理方式都有必要从追逐式管理变成预测性管理。
英美两国关于人工智能发展的报告都已经提到人工智能对政府治理带来的这类帮助或者挑战。
英国政府报告提出：政府已经在使用机器学习等数据科学技术，这些技术提供了对一系列数据的洞察，从提供数字服务反馈到分析卫星图像。例如，政府可以做到以下几个方面：
通过预测需求和更准确的定制服务，使现有服务（如健康、社保、紧急服务）更有效率，使资源得到最大限度的分配。
使政府官员更容易使用更多数据进行决策，并减少欺诈和出错的概率。
使决策更加透明（可以通过采集过程背后的数字记录，或通过数据可视化支持决策）。
帮助政府各部门更好地了解他们所服务的人群，确保向每个人提供适当的支持和机会。
美国白宫的报告则提出人工智能可以被用于改善刑事司法系统，政府应该推动执法数据和公众数据的充分应用，以便算法系统更好地帮助人类在犯罪报告、治安、保释、量刑和假释决定等各方面减少偏见，做出高效、公正的决策。
美国的科学研究机构正在尝试利用人工智能来解决经济和社会问题，比如利用数据挖掘和人工智能改善失业问题、辍学问题，帮助无家可归者。斯坦福大学的研究人员正通过人工智能技术分析卫星图像，以此为援助贫困地区提供指南。
英国报告提出政府部门可以借助人工智能来预警城市中可能发生的火险。这一点在美国已经实现：
纽约市大约有100万栋建筑物，过去平均每年有3000栋会发生严重火灾。既然每年都会发生，那么与其事后救火，能否事先预测呢？
华裔数据科学家Jeff Chen（杰夫·陈）曾是纽约市消防局的数据分析师。他认为每栋建筑物拥有独特的属性，通过分析就能得知哪些建筑物容易着火。比如低收入家庭的房子更容易发生火灾，而且因为人群居住密度较高，火灾的危害性更大。其他易火因素有：建筑物新旧程度、电路老化程度、消防设施配套情况（消防栓的数量和位置）、有无电梯等。Chen说空置的或者没有安保的建筑着火的概率是其他建筑的两倍。这些听起来都显而易见，但要作为数据因素全部消化也不容易。
他牵头开发了预测火警风险引擎，利用数理统计方法把建筑物和住户的各种数据加以分析，辅以机器学习技术，用市政数据来驱动引擎，预测不同建筑的火灾风险。这套系统在2013年部署，整合了当地近7500个实时风险因素。纽约消防局利用该系统给出了33万栋可审查建筑的火警危险系数（消防局不检查独栋或者双拼别墅）。
在此之前，消防检查都是随机的。现在，当消防员进行每周例行检查时，系统会生成一份按危险系数排序的建筑清单，指引消防员优先检查容易着火的建筑，大大节省了人力并提高了效率。此外，数据智能分析系统还参与垃圾处理、解决社会治安问题等。
在美国国家层面，智能治理项目比较突出地用于安全工作。除了已成众矢之的的棱镜系统，美国中央情报局亲自投资了很多数据领域的独角兽企业，包括彼得·蒂尔参与投资的Palantir Technologies，另外还有Dataminr、TransVoyant、Geo- feedia、Pathar等。
这些公司产品的原理大同小异，通过社交媒体、地图、传感器和其他各类渠道自动采集社会数据，并整合各类交通、金融公开信息，打通分离的数据库，提供各种数据透视方案而无须用户编写代码。
Palantir Technologies旗下的Palantir Gotham主要用于反恐，这缘于PayPal对欺诈的对抗。它们开发大数据工具，通过匹配用户过去的交易记录和现在的资金转移情况等数据来查找可疑账户并进行冻结。随后它们想到这一技术可以为政府提供服务。CIA、FBI（美国联邦调查局）、DIA（国际情报局）、海陆空三军以及警局等情报机构掌握着成千上万个数据库，包括财务数据、DNA样本、语音资料、录像片段以及世界各地的地图，但要在这些数据之间建立联系并发掘有价值的情报，却相当麻烦。Palantir的创始团队认为，如果由它们建立一个数据分析库，整合相互分离的数据来进行搜索和分析，以提升数据分析效率，就可以向政府“推销”这项技术。Palantir的主要客户也正是美国情报机构。
Geofeedia可以迅速挖掘新闻发生地点的各类信息。Trans Voyant服务于物流和政府业务，通过各类交通传感器和地图技术收集数据情报，同时整合各地新闻、社交媒体信息、天气报告、卫星云图、旅行警告、犯罪活动信息等，为政府人员提供预测，帮助管理人员运营资产，实时完成数据决策。
科技公司的数据智能服务理念延续了商业逻辑，比如甄选目标客户、抢时间、抢收益、抢在公众前面获得情报并对未来做出预判，这跟用于金融投机、战斗决策和股票市场上的高频交易是一个道理。这是自由市场的丛林模式，而非统筹社会全局的治理主义模式。后者是政府层面必须考虑的事情。
中国具有相对有利的条件。陆奇认为，“中国越来越成为新兴工业的创新大国，有很多创新的地方，而美国保守力量比较强。大变革时代中国反而创新空间大，提供了更好的创新环境。”中国由于政府部门强有力的带头作用，智能地图、安防摄像头、数据管理系统覆盖城乡，中国的智慧城市将成为社会智能治理的先锋。
[1] 诺贝尔经济学奖得主、发展经济学领军人物阿瑟·刘易斯分析发展中国家的二元经济，认为当农村剩余劳动力转移殆尽，城乡形成统一的劳动力市场，工资水平将开始持续上升。
[2] 铁锈地带（Rust Belt）最初是指美国中西部—五大湖附近传统工业衰退的地区，现可泛指工业衰退的地区。
[3] 郑戈。在鼓励创新与保护人权之间——法律如何回应大数据技术革新的挑战［J］.探索与争鸣，2016（7）.