每家制造商都已经拥有微软和《麻省理工科技评论》所谓的“工业智能”——这不过是个花哨说法，指的是积累的专有技术、操作实践、生产数据以及机构记忆，目前这些东西混杂在成文流程和那些可能很快就要退休的经验丰富的工人脑袋里。文章开篇的例子：一位操作员在换线后重启生产线，他不仅依赖机器设置，还知道特定材料的行为方式、上一班次发生了什么，以及看似微小的变化何时值得仔细检查。程序可以描述顺序，但成功执行取决于来自经验的判断。换句话说，手册里可没写戴夫眯着眼看仪表然后说“这不对劲”那部分。

我们被告知，机会在于让更多这样的智能在决策发生的地方可用，并将其与制造业的物理世界连接起来。战略目标不是更多的代理，而是将现有的商业智能转变为盈利增长的引擎。当专业知识只停留在一个人、一个系统或一个工厂时，其影响范围有限——领导者现在必须解决这个问题，同时不能剥离使知识有用的背景。评估工艺变更的工程师需要的不仅仅是一份生产记录；他们需要背后的情况：设备配置、质量要求以及操作员所做的权衡。将这些元素连接起来有助于人们在知识起源地之外应用经验，这意味着维修车间、计划办公室、工程团队和生产车间都能做出贡献，因为更多的人可以利用组织所知。

但获取知识只是机会的一部分。制造业终究是物理的，依赖于材料、机器和产品。于是“物理AI”登场了——这些系统能够感知条件、对其进行推理并在物理世界中采取行动。通过连接机器和流程，制造商可以更清晰地了解工厂车间，代理可以在此基础上进行推理，以识别模式、预测问题并确定最佳行动方案。设想一个机器人搬运操作遇到到达其工位的零件存在差异：视觉评估零件位置，基于材料和任务训练的模型确定适当的移动，连接的控制系统在验证的限值内执行调整。价值不仅仅在于看到差异；而在于做出适当的响应——任何看过机器人自信地做错事的人都会对这一区别产生共鸣。

同样的原则适用于质量操作。丰田工业连接了以前分散的喷漆车间数据，为工程和运营团队提供了理解缺陷驱动因素所需的背景。该公司报告称，分析周期从五天降至不到四小时，而其试点将相关油漆缺陷减少了约25%。突破不仅仅在于识别出另一个信号；而在于帮助人们理解缺陷发生的原因并在结果锁定之前做出响应。数据可能揭示正在发生什么，但工业智能提供了应该发生什么、哪些约束不可突破以及何时不确定性需要人类判断的背景——最好是在生产线停机、每个人都开始盯着新来的家伙之前。

仿真提供了一种在将提议的行动应用于设备之前进行检查的方法，让制造商在数字环境中探索变更可能如何影响流程。这并没有消除物理验证的需要，但它创造了在不将生产线视为第一个实验的情况下学习的空间——对于任何在制造业工作过的人来说，这是一个新颖的概念。负责任的部署始于运营纪律：对系统拥有明确的权限