第 10 章
未來：自主化、工業化、數位化
想像現在是 2030 年。
你正看著一個正在興建新醫院的工地。自主化的自駕車正在運送材料（透過與網際網路連線的 GPS 感測器進行追蹤），而機器人則負責卸載。其他機器人正在砌磚、焊接管線，以及安裝石膏板。現場的每一個實體物件都被加裝了感測器，用來蒐集位置與環境相關的數據，從製造端、組裝工廠、經由公路、鐵路或海運的運輸過程，一直到最終安裝完成的那一刻。
執行工作的機器設備，以及人類所使用的工具也是如此——它們都是智慧型工具。
同時，場外的自動化工廠正在生產各項供應品，幾乎不需要任何人工介入。而由機器學習所驅動、以限制條件為基礎（constraint-based）的設計系統，正被用來設計建築物與基礎設施本身。
這樣的未來場景或許充滿前瞻性，但它並非科幻小說。
事實上，機器學習、物聯網（IoT）感測器、最先進的資料分析技術，已經……
高速資訊網路與機器人技術正被部署，用來讓建造作業更快、更安全、更精準、更有效率，整體表現也更好。
目前，這些技術仍以零散的方式被使用（這裡一點、那裡一點），而且其中相當一部分仍處於初期階段。
但當這些技術真正整合在一起時，它們將使我們能夠部署我們所稱的「智慧型生產（Intelligent Production）」¹⁹，或是自我形成／自我控制的生產系統。
適應，否則淘汰（ADAPT OR DIE）
未來的技術不論建造業是否準備好，都正在到來。
發明家與工程師大多並不是因為想要修復建造產業，才熱衷於發明機器人、提升處理速度、開發量子運算（也許有一天），或改進機器學習技術。
但這並不代表我們不能、也不應該把這些技術整合到我們自己的工作中。
事實上，我們必須這麼做，否則就會被拋在後頭。
未來的技術正在到來，不論建造業是否準備好。
那麼，建造產業要如何從這些技術中獲益？
我們該如何善用它們？
以及，我們要如何確保不會把它們用來自動化或數位化那些不該被自動化或數位化的事情？
正如比爾．蓋茲（Bill Gates）所說：
「將自動化應用在一個高效率的作業上，會放大效率；
將自動化應用在一個低效率的作業上，則會放大低效率。」
為什麼這件事重要？
→ 商業問題或機會
要如何著手？
→ 概念性架構
該做什麼？
→ 數位解決方案
為了回應這些問題，PPI 建立了下列圖像，用來協助專業人員理解新興的自主化、數位化與工業化生產，如何整合在一起，並進一步推動建造產業的現代化。
這個圖示說明了各種新興技術如何建立在作業科學（Operations Science，OS）的基礎之上，使現代建造得以實現。
為什麼 OS 是基礎？
取決於你問的是誰，專案的目的可能是創造一項資產、一項服務、一個成果、一個結果、一個交付物，等等。
其中的關鍵字是「創造（create）」，而「創造」的同義詞是「生產（produce）」，因此我們必須聚焦在專案的創造或生產面向。
正如本書所闡述的，OS 提供了理解與影響生產的基礎——因此，它就是根本所在。
（圖示）
現代建造（Modern Construction）
-
自動化（Automation）
-
工業化（Industrialization）
-
數位化（Digitalization）
作業科學（Operations Science）
（版權標示）Copyright Project Production Institute
自主化與機器人化（AUTONOMOUS AND ROBOTIC）
某些公司正快速推進一個不久前還像是好萊塢幻想產物的領域。
Hilti 正在建置半自主的機器鑽孔系統。
Kodiak Robotics 已經讓自動駕駛的長途卡車上路。
人類安全專業人員目前仍參與其中，但最終這些車輛將會百分之百由電腦操作。
Peterbilt 也以其 Peterbilt 579 進入自動駕駛車輛的競賽，而其姊妹公司 Kenworth 則推出了 T680。
而 Peterbilt 並不是什麼胡扯的新創公司。
它是一個已存在近一百年的家喻戶曉品牌。
Caterpillar 已經在礦業領域支持下投資自主化研發數十年，並為多項其他產品提供車聯網（telematics）支援。
不久之後，挖土機、裝載機、拆除機器人以及其他類型的機器人，將會自動化人工作業中重複性高、困難或危險的任務，同時提升效率。
例如，波士頓動力（Boston Dynamics）的雙足機器人 Atlas，如今已在施工現場的模擬環境中展示能執行各種任務。
因此，這是真正的技術，而不是某種天馬行空的新創公司煙霧彈，用來誘惑創投基金為下一個熱門新玩意兒砸下成袋的現金。
工業化（INDUSTRIALIZED）
目前已有大量資金投入於建造產業的工業化，其中包括華倫．巴菲特（Warren Buffett）的波克夏．海瑟威（Berkshire Hathaway）等大型投資者進入此一領域。
如本書前文所述，工業化建造最適合被理解為：將高產量製造的概念、方法與工具，應用於建築物、工業設施與土木基礎設施的設計與建造。
工業化建造的關鍵要素包括：
在零件與次組件層級進行標準化產品設計，但同時仍具備組合成客製化最終產品的能力；
應用先進的 PDM／PLM 系統，以支援受限條件式設計與配置；
以及將製造與組裝作業從施工現場移轉到可受控的環境中。
工業化建造的實務者將大部分工作（包括製造與組裝）視為採用以流程為基礎的生產流程，以及可依客戶與其他利害關係人需求進行「依單配置（configure to order）」的標準化產品。
如同其他先進產業，PDM／PLM 系統被用於設計與工程作業，並提供數值控制程式碼，以支援自動化生產設備的運作。
毫無疑問，隨著這一切的發展，元宇宙（metaverse）將在支援客戶互動方面扮演愈來愈重要的角色，涵蓋銷售與設計、工廠配置與最佳化、CAPEX（資本支出）以及作業指引等。
工業化建造的實務者認為，大多數工作（包括製造與組裝）應採用以流程為基礎的生產方式與標準化產品。
隨著上述各項技術逐步被落實與導入，有人可以主張 Katerra 曾是這一領域的領導者。
無論這個領域最終如何發展，可以確定的是，大量資料將會被產生——這些資料來自用於設計與配置的 PDM／PLM 系統，以及用於製造、運輸與組裝的設備與工具。
數位化（DIGITALIZED）
你或許不會將像建造這樣一個以實體勞動、重型機械與材料為核心的產業，直接與數位化聯想在一起。
但自主化與數位技術已經重塑了社會的各個層面，而建造業也無法置身事外。
這一趨勢為將資料蒐集與分析應用於各式各樣的流程與功能，開啟了眾多令人振奮的可能性。
例如，像 Milwaukee 這樣的公司，現在支援藍牙追蹤，使得關於工具如何被使用、在何處使用、由誰使用等資料，能夠被即時、精確且系統化地傳輸。
像 Apple 與 Google 這樣的公司，也透過智慧型手機提供追蹤人員的方式，並產生有關其移動行為的資料。
RFID、Wi-Fi、衛星、行動通訊：這些全都是資料傳輸的手段。
右頁圖說文字：
下圖說明了這些不同功能，以及資料擷取與傳輸方法之間是如何互相作用的。
如你所見，這些技術中的大多數早已存在並投入使用，而且幾乎全部都在你的手機裡。
（圖示標題）
數位分身（Digital Twin）
（建模、模擬、分析、最佳化與控制）
（圖中資料擷取／傳輸項目包含但不限於）
衛星、Wi-Fi、蜂巢式網路、藍牙、影像、感測器、使用者輸入等
（圖下方流程示意）
製造／流程 → 機器人與自主化生產／運輸 → 工地
資料科學、機器學習與人工智慧等快速擴張的領域，將透過其研究成果與產品組合，對社會產生重大影響。
OpenAI、Alphabet（Google）、IBM，以及其他眾多公司，正在研究、開發並將產品推向市場，使使用者能夠快速撰寫論文、創作藝術與圖像、編寫音樂等等。
那麼，這些快速發展的新興技術，將如何影響建造產業？
在近期一次為即將舉辦的 PPI 技術研討會所發出的論文徵稿中，我們看到專業人士正試圖自動化例行性工作，例如成本估算、規範撰寫、操作手冊……
……準備工作與維護排程，這些只是機器學習（ML）已開始被應用的眾多領域中的一小部分。
隨著建造變得更加工業化，並開始部署自主化機械，這些機械將產生無窮無盡的資料。
自主車輛、機器人、生產設備，以及智慧型手持工具，都將以毫秒等級的速度接收並傳送資訊。
Intel 的一項研究（由 Intel 執行長 Brian Krzanich 於洛杉磯的 AutoMobility LA 活動中討論）指出，僅一輛自主車輛每天就會產生約四千 GB（約四 TB）的資料，而這還只是假設駕駛一小時的情況。
對於使用強度更高的車輛，預期自主車輛在每八小時的駕駛時間內，將產生並消耗約四萬 GB（約四十 TB）的資料。¹⁹
並行的技術正在支撐這種對資料的巨量吸納。
如今我們已經擁有超高速的 5G，6G 也正在開發中，而 10G 甚至已被納入構想。
大型資料中心成為新的主機系統（mainframes）。
每天都有驚人數量的光纖網路被鋪設，同時也持續對量子運算進行大量投資。
隨著當今組織所蒐集與產生的資料量持續且快速成長，問題來了：
這些資料與資訊將如何被使用？用來做什麼？又將如何創造價值？
也許最重要、卻幾乎從未被提出的問題是：
「誰擁有這些資料？」
在矽谷，資料之於今日，就如同 19 世紀中期礦工眼中的黃金，以及 上個世紀之交能源公司眼中的碳氫化合物。
此外，在未來幾年中，建造產業將學習如何更有效地使用攝影測量（photogrammetry），並持續尋找感測器與機器人應用的新整合方式。
將混合實境（mixed-reality）技術與 PPM 解決方案整合使用，將能更有效地設計工作流程與作業、配置資源，並管理各種變異來源。
實境擷取（reality capture）、IoT 感測器以及自主車輛，將在提供前饋指令與最佳化建議的同時，也回饋有關專案生產系統績效的資訊。
人工智慧、機器學習與機器人流程自動化（RPA），將用來支援與自動化關鍵決策。
不幸的是，以生產力與可預測性為基礎的第一與第二世代（Era 1 與 Era 2）管理架構，導致了以下結果：
建造產業無法有效運用這些資料，甚至根本無法使用它們。
（圖表說明文字對應原圖）
垂直軸：
由下而上：
非智慧 → 智慧但不精準 → 智慧、精準且可預測 → 智慧、精準且可即時回應水平軸：
事後回顧（Hindsight） → 可行洞察（Actionable Insight） → 前瞻（Foresight） → 自動化（Automation）上方對應角色：
左側：人類（Human）
右側：電腦（Computer）
¹⁹ Mewburn Ellis，《5G 與自主車輛——加速資料通訊速度》，2020 年 4 月，2023 年 7 月 6 日存取，
https://www.mewburn.com/news-insights/5g-and-autonomous-vehicles-accelerating-data-communication-speed
營運科學、資料科學、人工智慧與機器學習的角色是什麼？
為了從修復建造產業中獲利，投資人急於尋找將 AI／ML 應用於建造流程的方法。
然而，第一代（Era 1）與第二代（Era 2）的思維模式再次浮現。
對行政管理的過度依賴，以及對生產管理的投資不足，使得在建造產業中投資 AI／ML 的投資報酬變得困難。
但是，採用以生產為核心的觀點，能夠提供一個運用 AI／ML 的架構，特別是當它與營運科學（Operations Science）整合時。
在這樣的情境下，營運科學定義了生產系統應該如何運作，以及當生產系統未如預期運作時，將會產生哪些影響。
接著，AI／ML 便可用來判斷為什麼系統沒有正常運作，甚至預測哪些風險可能導致系統失效。
營運科學同時也提供了訓練 AI／ML 的基礎。
為了促進對這些技術的理解，OpenAI 被要求說明以下幾個概念之間的差異：
資料科學、機器學習與人工智慧；
並說明資料科學、機器學習、人工智慧、元宇宙（metaverse）與營運科學。
以下為其回應內容：
資料科學（Data Science）
資料科學是從大量資料中萃取知識的過程。
它包含使用演算法、統計方法與機器學習技術來分析資料並萃取有意義的洞察。
資料科學涉及將科學方法、流程、演算法與系統應用於結構化與非結構化資料，以獲得洞察。
這可能包含使用預測分析（predictive analytics）、資料探勘（data mining），以及機器學習來發掘資料中的模式與關係。
資料科學被用來從資料中取得洞察，並解決複雜問題。
它被應用於許多領域，例如醫療保健、金融、行銷等。
機器學習（Machine Learning）
機器學習是一個研究領域，專注於開發能夠讓電腦從資料中學習的演算法。
它涉及開發能夠在資料中辨識模式，並利用這些模式來做出預測或決策的演算法。
機器學習演算法使用統計方法來找出資料中的模式，例如分群（clustering）與分類（classification）。
這些演算法接著被用來預測未來結果或做出決策。
機器學習被廣泛應用於許多領域，例如醫療保健、金融、行銷等。
人工智慧（Artificial Intelligence, AI）
人工智慧（AI）是一個研究領域，致力於開發能夠像人類一樣思考、行動與表現的機器。
這涉及使用演算法、機器學習與深度學習技術，來創造能夠辨識模式、做出決策並解決問題的機器。
AI 系統被設計為能夠接收資料、從資料中學習，並根據所接收的資料做出決策或預測。
AI 系統的例子包括：自動駕駛汽車、人臉辨識系統，以及虛擬助理。
AI 被應用於許多領域，例如醫療保健、金融、行銷等。
深度學習（Deep Learning）
深度學習是人工智慧（AI）的一個子領域。
它是一種機器學習演算法，透過使用多層神經網路來辨識資料中的模式。
深度學習演算法能夠──
（原文於此頁結尾未完，內容將於下一頁續接）
深度學習能夠從大量資料中學習複雜的模式。
它被應用於許多領域，例如電腦視覺、自然語言處理，以及自動駕駛車輛。
深度學習應用的例子包括：影像辨識、語音辨識，以及自然語言處理。
深度學習演算法可用來解決複雜問題，並從資料中產生洞察。
元宇宙（The metaverse）是一個相互連結的虛擬世界，以電腦模擬的現實形式存在。
元宇宙由各種虛擬環境所組成，例如虛擬世界、擴增實境（AR）平台，以及混合實境（MR）應用。
它是一個共享的線上空間，人們可以在其中互動、創作內容，並參與各式各樣的活動。
隨著越來越多的人轉向虛擬空間進行社交互動、娛樂與商業活動，元宇宙正成為一個持續成長的趨勢。
營運科學（Operations science）是一門研究如何改善與最佳化流程與系統，以達成既定目標的學科。
它涉及使用數學模型與其他技術來分析與最佳化系統。
營運科學可應用於許多領域，例如製造業、物流、供應鏈管理與醫療保健。
它被用來提升效率並降低成本，同時確保產出品質維持在高水準。
營運科學被用來提升營運的整體效能，同時也減少浪費並提高顧客滿意度。
在近期的一場 PPI 簡報中，Mark Spearman 與 Phil Kaminsky 針對營運科學與資料科學之間的差異與應用提出了看法。
他們談到，這兩者都試圖解釋複雜世界是如何運作的，並引用了 IBM 對資料科學的定義：
「資料科學是一種多學科的方法，用來從當今組織所蒐集並持續增加的大量資料中，萃取可行動的洞察。」
他們也說明，營運科學是描述營運行為的科學。
接著他們提出，營運科學應被用來建模、分析、最佳化，並更深入理解生產系統；
而資料科學則應被用來分析即時的複雜資料，以獲得對生產系統行為的洞察。
自我組織、自我最佳化、自我控制（SELF-ORGANIZING, SELF-OPTIMIZING, SELF-CONTROLLING）
我們可以看到，這些技術很快將整合為單一系統，
使生產系統能夠自行進行映射、建模、最佳化與控制，
並為所謂的**「自我形成／自我控制的生產系統」**奠定基礎，
或者，如 SPS 所稱之的：智慧生產（Intelligent Production）。
在 SPS，我們正是在做這件事：協助客戶將這些資料彙整為數位分身（digital twins），以支援以營運科學為基礎的模擬、分析與控制，並促進任何形式之生產系統到供應鏈的最佳化。
接著，我們再將機器學習與營運科學結合，形成一記強而有力的「一二連擊」。
所有事物都被連結、同步並最佳化。
但這其實只是開始，因為很快地，建模與最佳化本身也將被自動化。
過去，生產系統（包含相關的作業流程、路徑與績效指標）都需要先被人工盤點與建模。
而今天，我們不再試圖先畫出流程圖，而是可以建立一個會自行建模的生產系統模型，
它透過從各種感測器（GPS、RFID、IoT、追蹤器／標籤等）中擷取資料，
這些感測器同時連結到物件與人員。
透過這種方式，我們可以蒐集到極大量、極細緻的資料，
用來描述正在進行哪些工作，以及哪些（或誰）正在閒置。
以一段管件預製件（pipe spool）為例。
沒有什麼東西會比一支管子更靜態、愚鈍、簡單，或看似完全不含資訊。
但如果你在它上面裝上一個感測器，
那麼這支管子立刻就成為系統中的一個資料點；
這支管子開始說故事。
因此，一支管子或一段管件預製件，可能一開始只是帶著感測器的原料；
但感測器會知道它已被切割、法蘭已焊接完成，
知道這個流程花了多久時間，
知道它何時從原料倉或甚至供應商端移動到工廠，
知道它目前位於切割工站、焊接工站或檢驗工站。
它知道它何時出貨、被運送到現場、卸貨、暫存，
被移動到安裝位置，
被吊車吊起、定位、鎖固完成。
它甚至可能知道它何時完成測試。
有了這些感測器，電腦就能自動擷取所有資訊、加以整合，並顯示完整的作業路徑，
而不再需要我們手動建模。
我們可以追蹤整個旅程，包含地理位置、時間與環境條件
（例如溫度——對某些關鍵設備來說可能非常重要）。
我們可以利用這個涵蓋所有流程的生產系統模型，
結合營運科學，
來比較「我們現在的位置」與「我們應該要到達的位置」，
並進行模擬、分析與最佳化。
這些事情在概念上其實並不複雜。
但它們是深具影響力的。
它們將會徹底改變我們的工作方式。
同樣地，我們也可以衡量工人實際完成的工作量。
我們知道工人何時刷卡進場。
如果他們在煉油廠或資料中心工作，
就必須通過安全檢查點。
隨著這類技術愈來愈普及且成熟，
我們甚至不只知道「他們進來了」，
而是可以在任何時間點，精確定位他們的實際位置。
這類追蹤也許有其安全上的正當理由，
但我們同樣可以將這些資料用於生產與管理目的。
這些技術讓我們能夠透過自動化，達成高度的控制能力。
它改變了我們對「最佳化」的理解方式，
而這種最佳化是建立在先進營運科學的基礎之上。
如同我在前一章所說，
我們並不是只想讓 Schmidt「拼命工作」。
我們真正想做的是：最大化整個流程中的流動（flow）。
那正是 Taylor 的盲點，也是他理論中的致命缺陷。
因此，營運科學至關重要。
而當營運科學與新興科技結合時，
將為整個建造產業開啟令人振奮的全新視野。
將建造產業接入物聯網（IoT）的挑戰
這些東西確實很強大。
但每一個潛在的應用也都伴隨著挑戰。
例如，談論 IoT 感測器能在一根管子上做到哪些神奇的事情，確實令人興奮——
但你要怎麼把它裝到管子上？
事情並沒有看起來那麼簡單。
甚至在此之前，你要監測的是管子、棧板，還是運輸車輛？
還是三者都要？
一根即將成為最終產品、被安裝進資產中的管子，
與一輛本來就已經被儀表化的卡車之間，
它們之間的關係是什麼？
管子的資料是單向的——
從 A 點到 B 點（也就是安裝位置）。
但卡車的移動是多方向的，
可能從 A 到 B，再回到 B（或繞到 C 點……）。
標籤要如何固定在管子、棧板或卡車上？
是用膠黏的？
焊接的？
它們是永久性的，還是暫時性的？
在粗糙、充滿衝擊的建造環境中，
你要如何保護這些感測器在物理上的完整性？
你要如何建立網路來接收這些訊號？
而當你開始接收資料後，
又要如何從龐大的資料量中清理、篩選，
把有價值的資訊從雜訊中分離出來？
這些資料是「愚鈍的（dumb）」嗎？
還是它們是「太晚才變得智慧」？
又或者，它們其實是無關緊要的？
你要如何建立網路來接收訊號？
而當你開始接收資料後，
又要如何清理龐大的資料量，
從雜訊中萃取出你真正想要的資訊？
支撐這些問題背後的，其實是一個更大的問題：
你為什麼要做這一切？
你要拿這些資料做什麼？
你要如何運用它們來創造價值？
人們有一種傾向，只是為了做而蒐集資料——
因為它是「最新、最熱門的事物」，
因為「大家都在做」，
因為它看起來很前衛、很尖端。
科技產業對此最為罪魁禍首。
而實體產業（如建造業）也往往跟風，
看到科技能做出驚人的事情，
卻缺乏一套清楚而一致的策略來支撐它。
我知道有一家公司，
花了 1 億美元 與一家資料科學公司合作。
他們把一大堆資料交出去，
等了六個月，
然後打電話問：「你們找到了什麼？」
對方的回答是：
「沒找到任何東西。你們到底希望我們在找什麼？」
我們正處於一個過渡時期，
很多人是在做「為了科技而科技」的事情，
坦白說，這其實是很愚蠢的。
其中一個重要動機，說穿了就是錢。
它是一種套現的方式。
企業主與科技公司相關的估值倍數讓人著迷。
如果你的公司被評價為
營收的一倍或兩倍，
那是一回事；
但如果它被視為一家科技公司或軟體公司，
估值可能是
營收的三十倍。
因此，許多公司努力想要成為「科技公司」，
只是因為這樣能提高估值，
也讓它們對投資人或併購方更具吸引力。
而那些持有股票選擇權的人，
也同樣能看到自己的個人財富大幅成長。
然而，在很多情況下，
這背後其實沒有真正的策略或目的。
看看 Tesla 就知道了。
它的價值非常高，
因為它被視為一家科技公司。
如果它只是被歸類為
另一家汽車製造商，
那它的估值就會低得多。
另一個問題，是把不該自動化的事情自動化。
有時候，
更簡單、技術含量更低的做法，
反而才是比較好的選擇。
另一種看待這個問題的方式，
是區分自動化（automation）與創新（innovation）。
這兩者經常被混為一談，
但它們並不相同。
自動化，
是運用科技，
讓你「其實可能根本不該做的事情」，
做得更有效率。
而創新，
則是試圖運用科技，
去創造一種全新的做事方式。
在談到把事情做得更好的問題時，我在本書前面已經引用過彼得・杜拉克（Peter Drucker）的一句智慧之言，但這句話值得一再重複：
「沒有什麼事情，比把根本不該做的事情做得很有效率，更沒有用。」
舉例來說，有一家公司將人工智慧（AI）應用於最佳化陸上碳氫化合物鑽井平台的移動作業。
在系統部署完成後，解決方案確實如計畫般運作，
而且鑽井的數量增加了——
但完成的井數並沒有增加。
其背後的假設是：
如果流程中的所有作業都被最佳化，
那整個流程自然也會被最佳化——
這正是泰勒（Taylor）的觀點。
但這個假設是錯的。
如同作業科學所揭示的，
鑽井平台的最佳化，
結果只是造成了鑽井與完井之間的在製品（WIP）大量累積。
他們實際上並沒有從地底開採出更多的石油。
這是一個出於善意、卻產生了非預期後果的行動。
而你也知道人們常說的那句話：「通往地獄的道路是由善意鋪成的……」
科技可以自動化並促成技術解決方案，
但這些解決方案應該用來回應明確的商業機會與問題。
這句話看起來或許太過顯而易見，
但請相信我，
世界上有太多市值數十億美元的公司，
正需要聽到這些「顯而易見的事」，
以免重蹈覆轍。
數位化與專案生產管理（Digitalization and Project Production Management）
要理解數位科技與專案生產管理之間的關係，
我們必須先接受一個前提：
PPM 建立在「專案即生產系統」這個概念之上。
因此，作業科學可以被應用，
用來有效理解並影響專案成果。
如果一個組織希望提升專案績效，
那麼專注於「工作究竟是如何被規劃與執行的」，
就成為不可或缺的事情。
在這個脈絡下，
PPM 被用來描繪、建模、分析、模擬、最佳化、控制，並改善專案生產系統。
當今的數位科技，
在本質上非常契合 PPM，
以及其優化、控制並改善專案生產系統與供應鏈的核心意圖。
物聯網（IoT）感測器被用來追蹤產品的位置與環境條件。
智慧型產品、機器學習與人工智慧，
被用來理解並影響供應鏈績效，
這些分析皆是基於所蒐集的資料。
這些回饋（feedback）與前饋（feed-forward）迴路，
將會用來驅動「即插即用（plug-and-play）」的產品與流程型錄。
成本估算與排程將會高度自動化，
在背景中持續運行，
而設計團隊則在流程的每一個步驟中，
進行決策與選擇。
一把雙面刃（A Double-Edged Sword）
這一切確實令人興奮，
但我們不應在推動工作全面科技化的熱情中，
忽略其中合理而重要的顧慮。
電影迷一定記得
《2001：太空漫遊》中的經典場景——
當協助太空人的人工智慧 HAL 9000
反過來對抗——並覆寫——它的人類操作者時，
那句令人不寒而慄的台詞：
「對不起，Dave，我恐怕不能那麼做。」
（這正是電影中最令人難忘、也最令人不安的一句話。）
1968 年這部作品首次問世時，這一切完全屬於科幻小說的範疇；
然而半個世紀之後，
HAL 所展現的許多先進運算能力，
在當年看似天馬行空，
如今卻已成為實際運作中的技術。
幸運的是，
我並不認為工地上的機器挖土機會在短期內產生自我意識，
進而起而反叛、殺害它們的人類監督者。
但在先進科技與其人類裁決者之間，始終會存在一種張力。
我們是在使用科技，
還是科技正在使用我們？
隨著數位科技變得越來越精密、越來越聰明，
並且愈來愈像是在模仿人類認知的某些層面，
這些疑慮將會更加明顯。
而建造產業，很可能會成為這場角力中的另一個戰場。
先進科技與其人類裁決者之間，始終會存在張力。
每當一項具顛覆性或革命性的技術出現時，
通常可以看到三種陣營隨之形成。
第一種，是試圖對抗它的人
（有時這樣做是理性的，因為這項技術確實威脅到他們的工作）。
第二種，是對此漠不關心的人。
第三種，則是善用這項技術，為自己創造利益的人。
我們應該屬於最後一種人。
同時，也要承認並積極緩解
先進科技所帶來的風險、缺點與潛在危險。
沒有留言:
張貼留言