AI 赢了围棋，为什么焊接仍然困难：人会停下，机器会重复

围棋AI可以在有固定规则的空间中学习，但在工厂里，风险和责任并不是仅由数字分数来组织的。

每次提到 AI 战胜人类顶尖围棋棋手，人们都会问类似的问题：“都到这个程度了，人类的工作是不是很快都会被拿走？” 可一到现场，画面就变了。围棋赢了，但焊接仍然不容易。AI 能解代码题，却不能像人一样，在老旧管道旁稳定地处理火花四溅的焊接。 这不只是哪个任务更难的问题。更根本的差异，在于人和机器的学习方式不同。人即使经验不多，也能推测原因，感觉危险就停下。而现在的 AI 更擅长大量尝试、比较结果、寻找分数更高的方向。

围棋是机器容易学习的世界

在棋盘上，下错一手也不会毁掉世界。输一盘，再下一盘就行。结果也马上出来：赢了还是输了，差了几目，很快就知道。 这几乎是 AI 学习的理想条件。可以无数次尝试，犯错，再修正。人下几盘的时间里，机器可以和自己下几百万盘。失败便宜，结果快速，重复几乎无限。 强化学习说简单一点，就是这个结构。大量尝试，保留好的选择，减少坏的选择，一点点变好。像围棋这样能在电脑里无限运行的问题，AI 会很快变强。

这不是因为围棋容易。围棋对人来说也是极难的游戏。只是站在机器角度，围棋是失败几乎免费的世界。AI 可以在里面尽情犯错，并且每犯一次错就学一次。

焊接是机器不能随便犯错的世界

焊接不同。试一次本身就有成本。材料、设备、时间都会消耗。被错误熔化的金属，不能像棋盘一样重置。 更大的问题是风险。焊接失败不会只是一个错题。劣质焊缝可能导致事故。表面看起来完好，内部却可能藏着缺陷，而缺陷可能几个月后才显现。 这样一来，机器喜欢的学习结构就断了。要大量尝试才学得会，却不能大量失败。要马上知道结果才能修正，但结果来得慢，或只露出一部分。最重要的失败数据又太危险，不能故意制造。

在围棋里，下错一百万手也可以。焊接里，不能做出一百万条错误焊缝。所以处理真实设备的自动化，比能检查文档、代码和日志后再修改的自动化慢。

人能凭少量线索推测原因

熟练者不是靠失败一百万次来学习。当然，长时间做过、见过很多情况也很重要。但人的强项不在于把所有情况都经历一遍，而在于能凭少量线索推测原因，想起相似情况，觉得危险就停下。 比如焊工会同时看声音、气味、火花形状、手上传来的振动。只要有什么和平时不一样，就算没有精确数值，也会先谨慎起来。他会判断“这看起来危险”，然后放慢速度或停下。 这不是神秘直觉。人是在现实世界里用身体学习的。火是热的，金属会弯，设备会老化，人会失误，这些基本感觉已经在身体里。所以即使第一次遇到某种情况，也能借过去经验先立一个大致原因，再采取行动。

人即使没有完整数据，也会形成假设。这个声音可能是温度问题，这个振动可能说明固定件松了，这个气味可能意味着材料变了。判断可能对，也可能错，但至少能在风险前停下来。

机器靠大量见过的模式和分数学

相反，现在的 AI 大多擅长大量见过的模式。看很多照片，就能更好分类照片；看很多句子，就能更好预测下一句；跑很多游戏，就能找到更容易赢的选择。强项很明确：它能看人一辈子看不到的量，重复人一辈子试不了的次数。 但这种方式需要条件。必须能尝试，能测量结果，也能把“好结果”变成分数。围棋很符合这些条件。焊接却不太符合。 现实作业的目标并不单纯。焊缝看起来漂亮还不够。现在没问题，几个月后断裂也是失败。速度重要，但安全、耐久、成本也要一起看。要把这些全部变成一个分数很难。

所以机器能在平均情况里变强。常见条件、反复出现的作业、结果马上可见的事情，学得很快。但在罕见事故前的信号、模型外的例外、难以评分的风险判断上，弱点仍然存在。

机器尝试的次数越多，人们就越需要明确指定机器应该停止尝试的条件。

数字孪生给机器提供练习场

这就是数字孪生变重要的地方。数字孪生，是把现实中的工厂、设备、材料和作业条件尽可能相似地搬进虚拟空间。现实中失败很贵，但在虚拟世界里，同样的失败可以便宜得多地重复。 AI 可以在虚拟世界里无数次尝试。改变温度、速度、角度、压力、材料条件，失败，再修正，寻找更好的方法。找到的方法不会立刻铺到整个现场，而是先在一台真实设备上测试。 如果那一台成功，就会继续积累数据。修正虚拟世界和现实之间的差异，找到更可靠的条件。之后再扩展到相同设备、相同工艺、相似现场。也就是把一个地方验证过的方法，扩展到别的地方。

这套方式很强。一个人一辈子经历不了的情况，AI 可以在虚拟世界里经历更多。因此，如果数字孪生更精细、传感器更密集，很多现实作业中也会出现 AI 比人做得更好的领域。

但虚拟世界仍然不等于现实

不过，这里也有限制。虚拟世界无法完整复制现实。材料的细微差异、旧设备的习惯、车间湿度、人的小失误、例外故障，现实里总会出现模型没放进去的东西。 AI 在虚拟世界里再强，到了现实和虚拟错开的地方，仍然需要验证。虚拟中成功的方法，必须确认在现实里也安全。先在一台真实设备上试，没问题后再扩大。 机器学习的强项和限制都在这里。机器在可以大量重复的世界里会变得可怕地强。但如果那个世界错误地模仿了现实，就等于大量练习了错误对象。比起“学了很多”这件事，更重要的是它到底对着什么学。

人和机器出错的方式不同

人也会错。熟练者也会误判，疲劳时会失误，也可能因为太熟悉而漏掉危险信号。没必要把人神化。 但人和机器出错的方式不同。人可能凭少量线索太快下结论而错。机器则可能在大量见过的模式里很强，一旦走出训练过的世界，却带着奇怪的确信。 人不知道时会不安。所以会停下、询问，或重新看周围情况。机器甚至可能不知道自己正处在陌生状况里。只要分数和模式看起来像，它就可能在实际危险的情况下给出答案。

所以现实自动化不能只看性能。必须一起看它什么时候擅长，什么时候不知道，什么时候应该停下。即使有一天 AI 能把焊接做得很好，也仍然要持续确认它在什么条件下学习、可以信到哪里。

以后变贵的人，是连接两种学习方式的人

那么熟练者就安全吗？很难说永远安全。手感一旦被转成数据，数字孪生变得精细，真实验证闭环形成，自动化也会进入那片领域。 所以，未来变贵的人，不只是手感好的人，而是能把那份手感翻译成数据的人。懂现场，知道该贴什么传感器，知道哪种失败重要，知道哪些记录会成为以后的学习数据。 这种人连接人的学习方式和机器的学习方式。人凭少量线索推测原因，危险时停下。机器大量重复，比较分数，逐渐变强。两种方式不同，也各有优缺点。

AI 赢了围棋，但焊接仍然困难。因为围棋是机器可以随便犯错的世界，而焊接是每次失败都要付出成本的现实世界。 但如果数字孪生、传感器和真实验证连在一起，故事就会改变。AI 可以在虚拟世界无限重复，在一台真实设备上确认，再把成功方法扩展到别的现场。 所以问题不是“AI 是否比人聪明”。真正的问题是：谁能把人凭少量线索学会的感觉，变成机器可以反复学习的结构？

做成这件事的人，会成为下一个时代昂贵的人。