2020-04-03 21:10
新冠肺炎病毒的全球性流行反而加速了各行各业的自动化发展。机器人的应用范围空前扩大：在仓库管理和采购、物流采购和快递送货方面，都有机器人出现的身影。人们居家隔离的日子里，机器人承担起了快递员、采购员、导购员以及园丁的多重工作身份。
不过，在自动化道路上，它也为所有在AI系统、机器人和无人驾驶汽车方面的初创公司敲响了警钟：在产品发布上，生产商需停止天花乱坠的宣传，或为AI工具加上令人眼花缭乱的装饰性功能。相反，行业人员应该将重点放在解决自动化工具的使用短板上，为用户提供真正的价值。
在新冠病毒大流行中，世界各地成千上万的人只能蜗居在家工作。面对紧张的市场供求关系，零售商需要努力应对供应问题，而忙着囤货的消费者则在大量购入日用商品。在全球范围内，京东作为中国电子商务巨头，开始在武汉测试推行一款自动送货机器人，它能够全天24小时运行，自动在仓库安排库存和安置商品，以应对激增的供货需求。
像是在一夜之间，自动化机器的存在变得格外引人注目。而伴随世界各地的消费者的注意力而来的，则是如何让机器发挥更出色的表现。它们必须足够可靠、足够“自动化”，能够完全脱离人力，在各种现实情境下实现独立工作。
在某种程度上，这种全球流行病加速了自动化行业的发展。但与此同时，它也暴露了机器学习领域长期存在的问题：未实现完全的自动化，仍然需要部分人力辅助。因此，AI行业需要在以下三个领域对自动化产品进行改进：
随着更多自动化的AI机器流入市场，人们倾向于根据平均人工干预次数来度量系统的可靠性。由于现实生活与受控环境不同，存在各种不可预测的状况，因此，研究团队需要更多的工具和行业标准来评估大范围场景下的整体系统性能，
举个例子：如果一个送货机器人可以达到每小时4英里的最高跑腿速度，但在没有现场人员支持的情况下，它根本无法自主完成送货，那么显而易见地，这个机器人并没有为用户创造多少价值。
旨在缩短AI系统开发周期，并持续输出高质量评估数据的工程软件——DevOps，让人们看到了AI和ML项目的不成熟的现状。目前，仍有87%的ML项目无法自动化完成任务。然而，mlop和AIOps项目却已批量出现在市场上，实现了基本的自动化发展。这标志着从埋头于数据、专注AI和ML项目的研究，到将重点放在实际产品测试的关键转变。即便是最先进的ML模型，也可能存在无法进行完全自动化控制的情况，而有效的、以人力干预次数为准的产品测试，则能够帮助淘汰无实际效用的产品。在人力资源短缺的今天，这种关注现实的态度，比起一味的技术钻研更有意义。
在这个时代，距离机器人能够完全自主解决方案的目标，我们还有很长的路要走。然而，这并不意味着机器人不能给人类带来即时价值。即使机器人雇员智能处理一些看似不那么费力的任务，也能够帮助公司减少大量的劳动力和集成成本。这也解释了为什么测量人力干预的平均频次如此重要。
此外，研究团队需要设计一个更完备的方案，来处理机器人在办公中所犯的基础性的错误，以缓解人机互动之间的信任危机。例如，显示机器学习模型所预测的对任务完成的信心水平，或者将预测数据编辑为用户的操作建议，这些都是能帮助机器人与用户建立信任的方法。
此外，一个重要的任务是要建立用户和机器之间的双向通信网络，允许用户标记AI系统所无法检测到的错误。尤其是当系统出现重大失误时，得益于通信网络，用户可以立即进行人工干预，以恢复系统运行。
当然，只是处理系统的错误仍是不够的。下一步是确保机器和人之间的无缝切换和协作，以处理边缘性情况，并优化AI系统的整体性能。
用户习惯于引导机器人，或给机器发出指令。但随着机器变得越来越聪明，人类用户的选择是否客观正确，这俨然成了一个未知数。在人机关系领域有这样一个经典问题：谁应该控制自动驾驶出租车？是汽车本身，或者能够远程监控的机器人，抑或是人类驾驶员？具体在什么情况下，人力控制胜于机器人？
谷歌Waymo自动驾驶汽车遭到美国客户的拒乘“欺凌”
由此可见，人类用户与机器之间，除了技术上的隔阂，还存在彼此信任的问题。尽管研究表明自动化汽车在驾驶过程中更加安全，但近一半的美国用户仍然不喜欢使用自动驾驶汽车。原因很简单：人类无法完全信任机器。
这就引申到一个核心问题：我们如何设计以人为中心的AI系统，以确保自动机器让我们的生活更美好，而不是变得更糟？我们应如何构建好人机关系，并允许人类和机器之间相互学习？
还有很多问题需要我们去回答。但好消息是，已有许多研究团队开始着手这样做了。AI系统的发展前景依然一片光明，我们也正朝着正确的方向一往无前。