Kevin Kelly × 吴晨丨未来工厂，要从“看见”走向“理解”

如果机器真正开始“理解”世界，未来工厂会变成什么样？
当AI拥有超越人类感知范围的能力，我们该如何重新定义“质量”与“美”？

在凌云光工业人工智能太湖基地启航仪式上，全球著名科技思想家Kevin Kelly（凯文·凯利）在著名财经作家吴晨共话未来工业，分享了对机器视觉、世界模型与未来工厂演进方向的思考。这些关于未来的讨论，并不只存在于想象之中——三十年来，凌云光从机器视觉出发，持续深入真实的工业现场。从“看见”到“理解”，一些关于未来工厂的可能，正在制造现场逐渐显现。

未来的工厂会是什么样？

Kevin Kelly给出了两个方向的思考。

一方面，未来工厂中，机器人将承担越来越多重复、机械和程式化的工作，人类更多转向监督、管理、维护和系统创新。

另一方面，参观工厂或许会成为一种新的旅行方式。在他看来，未来的工厂从设计之初，就可以考虑如何向客户和用户开放。当人们走进工厂，亲眼看到喜爱的产品如何被制造，生产过程也将成为企业建立信任、传递品牌价值的一部分。

但工厂被“看见”，只是未来制造更直观的一面。更深层的变化在于：机器本身，也正在从“看见”走向“理解”。

如果未来的工厂需要自主运行、持续决策和不断优化，机器是否也必须真正理解自己所在的工厂？

Kevin Kelly给出的关键词是World Model（世界模型）。

它需要理解的不只是文字和图像，还包括材料如何变化、能量如何流动、设备如何协同，以及一个生产环节的变化将怎样影响整个系统。

“一个真正高度自动化的工厂，最终必须由一个非常复杂、非常成熟的世界模型来驱动。”

对工业AI而言，这意味着机器不仅需要“看到”现场，更需要在持续感知和数据积累的基础上，逐步理解产品、工艺、设备与质量之间复杂的关系。

世界模型不会凭空产生。要理解真实世界，就需要来自真实世界的数据。

Kevin Kelly认为，未来机器人学习的重要数据来源，很可能就是机器人自身。

即使机器人还不够完美，只要在现实环境中执行任务，它就在不断产生新的数据，产生的动作、结果、错误与反馈，又反过来帮助系统持续学习和改进。

真实场景本身，就是AI学习的重要来源。

对于工业而言，这一点尤为重要。

从消费电子、印刷包装到新能源、汽车和半导体，凌云光大量视觉系统和装备在真实产线上持续运行。每一次检测、每一个被发现的缺陷、每一项被记录的工艺变化，都在沉淀新的工业数据。

这些数据不仅服务于当下的质量判断，也为进一步分析原因、训练模型和改善生产过程提供基础。

工业AI的进步，不只发生在实验室，也发生在每一条真实运行的产线上。

正如Kevin Kelly所说：

“所以，现在就值得开始做。”

当摄像头、机器人和各种传感器持续感知现实环境，Mirror World（镜像世界）也在逐渐形成。但Kevin Kelly强调，真正重要的并不是建立一个与现实一模一样的数字外观，真正重要的是模拟。

仅仅还原工厂的空间、设备和外观，并不足以支撑真正的智能制造。真正的数字孪生，需要理解生产系统的运行规律：设备之间如何协作，材料如何变化，环境和参数如何影响生产结果，以及局部变化可能带来怎样的连锁反应。

数字空间不再只是现实世界的“镜像”，而成为理解和模拟现实的一种方式。在现实行动之前，模拟变化、验证假设、推演不同的可能。

对工业而言，这也意味着一种新的可能：新的产线方案、设备布局、工艺参数，都可以在数字空间中进行模拟和验证。

凌云光正在探索通过智能产线仿真和数字孪生技术，将视觉感知、生产数据与虚拟模型连接起来。从视觉系统到智能装备，从智能产线走向智能工厂，让智能逐步进入更完整的制造过程。

今天，大量机器视觉系统依据人设定的标准，判断产品是否存在缺陷、是否符合要求。但机器可以感知人眼无法看到的信息，同时分析海量参数，发现人类尚未注意到的关联。当机器拥有超越人的感知能力，我们又该如何定义“质量”？

Kevin Kelly指出：

“对于超过人类之后的能力，我们还没有很好的衡量标准。”

这也带来一个更深的工业命题：

机器未来只是更好地执行人类定义的质量标准，还是会帮助我们发现新的质量标准？

如果说光学感知解决的是机器如何获得可靠的信息，那么工业AI需要进一步回答的，就是如何从这些信息中理解产品、工艺与质量之间的关系。

对凌云光而言，这条路径也正在逐步展开：从发现缺陷到分析缺陷，从判断结果到探索原因，从事后检测向提前预警延伸，从单点质量控制走向更完整的质量管理。

而当机器的感知边界不断拓展，我们对于“质量”，甚至对于产品“美”的理解，也可能随之发生变化。

当机器承担越来越多的工作，人还需要做什么？

Kevin Kelly认为，未来会有大量AI Agent、机器人和自动化系统同时运行。它们能够高效地完成任务，却未必真正理解错误在现实世界中意味着什么。

“当事情没有按照预期发生时，总得有人为结果负责。”

在未来相当长的一段时间里，人可能逐渐从具体任务的执行者，转向AI、Agent和自动化系统的管理者。

而从更长期来看，当机器人变得越来越可靠、有用、值得依赖，Kevin Kelly给大家的建议是：

变得更加不可预测、更加独特。

这并不是一个遥远的哲学问题。

对每一个正在使用AI的人来说，重要的不只是学会让机器完成任务，也要清楚自己希望解决什么问题、如何判断结果，以及愿意为怎样的选择负责。

机器可以帮助我们处理那些可以计算、重复和优化的问题，但什么值得追求、什么才算“更好”，仍然需要我们自己来定义。

从“看见”，走向“理解” ，从机器视觉到世界模型，通往自主运行、持续优化的未来工厂，仍有很长的路。但这条路，正由真实的感知、现场的数据和不断迭代的工业系统一步步铺就。

凌云光董事长兼总裁姚毅在活动现场，围绕如何走出具有凌云光特色的工业人工智能道路，也分享了自己的思考。

他表示，三十年来，凌云光以视觉技术为起点，用机器视觉检测印刷产品、消费电子产品以及各种工业产品。今天，随着AI进一步进入物理世界，我们也在继续探索如何利用工业AI进一步理解产品的质量，甚至理解产品的“美”。

这不是将通用AI简单移植到工厂，而是让智能从真实的工业现场中生长出来。

“我们正在路上。”

从机器视觉到工业AI，从智能装备、智能产线到未来工厂，凌云光期待与更多产业伙伴一起，在真实的工业现场中不断探索、验证，让关于未来制造的想象，一步步走向现实。