第 10 章 · 史观 + 落地

机器学习从哪里来、AI 往哪里去,自动化怎么落进你的台账与监控

前面 9 章像在学一台机器的零件和使用手册。这一章退后一步看全景:AI 是怎么一步步走到今天的(发展历程与驱动力)、前沿的"递归自我改进(RSI)"意味着什么(别被营销话术带偏),最后落到最实在的智能流程自动化(IPA)——它该怎么适配进你每天的数据合并、台账、监控工作。

10.1 一张图看 AI 70 年:三次浪潮与两条曲线

先给你一个"舞台全景"。AI 不是一个突然出现的东西,它经历了三次热—冷交替的浪潮。每次"热"都被一个关键条件点燃,"冷"都是因为当时的算力和数据还撑不起承诺。

AI 发展简表:起点、驱动、为什么降温、靠什么又热起来
时期代表成果燃点为何降温复燃条件
1950s–70s
第一次浪潮
图灵测试、感知机(单层神经网络)、逻辑推理程序 "机器能思考吗?"的光荣与想象 感知机连"异或"都算不了(单一层太弱)→ AI 寒冬 —(当时没有任何复燃条件)
1980s–90s
第二次浪潮
专家系统(if-then 规则库)、反向传播算法 把专家知识编码成规则,企业愿意付费 规则爆炸、难以维护、算力仍不够 → 第二次寒冬 —
2010s 至今
第三次浪潮
深度学习(CNN 图像 → Transformer → 大模型)、强化学习 GPU 算力 + 大数据 + 算法突破,三股力量终于到齐 尚未退潮,但有"能力很强却不懂为什么"的隐忧 这一次,不用再等下一个条件——三条腿都齐了

把这条历史画成两个维度的直觉:算力是"油门",数据是"燃料",算法是"发动机"。前两次浪潮是引擎很弱、油也少;这三十年 GPU 把油门踩到底、互联网攒出海量燃料、Transformer 把发动机重新设计了一遍——第三次浪潮才真正"跑起来了"。

比喻:AI 的演进像查电表的自动化

最早的查表靠人去抄,规则固定但笨(=感知机,只能做一根弦的事);后来编了"抄表手册"严丝合缝(=专家系统,但规则一多就自相矛盾);今天呢——抄表员变成了"会看一整片、会自己总结规律"的智能体(=深度学习):不靠背规则,靠看海量表计数据"悟"出"哪条线该什么时候查"。

10.2 是什么在推着 AI 走:算力、数据、算法、钱的四轮马车

一句话:AI 的进步 = 算力 × 数据 × 算法,再乘以资金放大。缺任何一个轮子,马车就跑不远。逐个说人话:

  1. 算力(硬件):GPU 让"成千上万个小运算同时算"成为可能。早期训练一个模型要几周,现在一台好显示卡几小时。没有这个"油门",再好的算法也跑不动。
  2. 数据:深度学习吃数据。互联网、监控、公文、你手里的台账——都是燃料。模型越大,越需要海量数据来"喂饱"。
  3. 算法:从反向传播到注意力机制、再到"预测下一个词",一次次把"同样数量的算力和数据"用得更好。算法是"同样的油,跑更远的路"。
  4. 资金与人才:资本看到回报 → 更多钱买 GPU、招人、做数据 → 更快迭代。这是一个正反馈:越强 → 越赚钱 → 越有钱 → 越强。

你学的第 4 章 Transformer就是那个"算法"轮子里的关键一换。第 5 章说的"规模法则"(模型越大、数据越多,效果越好)正是这三条腿合力的量化表现。

10.3 从大模型到"递归自我改进(RSI)":看懂前沿与营销话术

RSI 到底是什么?一句话讲清

递归自我改进(Recursive Self-Improvement,RSI):一个 AI 不仅能提升自己,还能把"改进自己的能力"也纳入改进对象——形成"设计更好的自己 → 成为更强的设计者 → 再设计更强的自己"的循环。说白了,就是 AI 开始参与甚至自主完成"下一代 AI 的研发"。这是一条通往 AGI 甚至 ASI 的加速路径,也是 AI 安全领域最核心的风险议题之一。顺带区分两个常被混用词:AGI(通用人工智能)指在所有认知任务上达到普通人水平、能灵活学习的通才智能;ASI(超级智能)指全面超越人类、被普遍视为重大安全风险的高阶智能——它是比 AGI 更远的一级,因此排序在"甚至 ASI"。

它和我们已经见过的东西有什么区别?

从你已经学过的概念,一步步看它离 RSI 有多远
概念它能做什么离"自主递归改进"多远
大模型(LLM)接话、总结、写代码(第 4 章)它是"工具",本身不是自我改进
Agent / Auto-GPT按流程拆任务、调工具(第 8.5 章)在人设定好的框架里跑,不会自主设计下一代
自我反思(Reflexion)做完后回头批评自己、下次改有"改进一步"的影子,但仍是单步反思
Self-Rewarding 自奖励用"让 AI 给 AI 打分"来训练靠机器反馈替代部分人工,仍是人类设规则
RSI 递归自我改进自主设计、训练、部署自己的下一代这是那根"越滚越大的雪球"

诚实地说:今天到底有没有真 RSI?

现状:半自主,非完全自主(这很重要)
  • 已经能做的:自我反思(2023 年提出)、用"AI 给 AI 打分"的自奖励训练(2023 年论文起)、AI 帮工程师写研发代码(据 Anthropic 自述,其工程师代码提交量较 2021 年大幅提升,约为 8 倍——厂商口径、未独立核验)。这些是"AI 加速 AI 研发"。
  • 还做不到的:完全自主设计下一代架构、自主决定"要改进什么、改到什么程度、要不要改边界"、完全脱离人类监督自我迭代——这些还没有实现,且存在重大安全争议。

推动它的背景:为什么现在聊这个话题?

  1. 算力与缩放:模型越大能力越强,AI 帮人写代码的能力也越强,反向就更可能参与研发。
  2. 理论渊源:1965 年数学家 I.J. Good 提出"智能爆炸"——"能造出比自己更聪明机器的机器,会是人类最后一个发明"。库兹韦尔的"加速回报定律"则是"每代技术推动下一代,进步越来越快"的乐观版。
  3. 行业信号:Anthropic、OpenAI 等头部机构公开讨论 RSI,并强调"还没到、也非必然",同时提醒安全必须跟上——这正是为什么对齐(Alignment)问题成为重中之重。

对你这个"非研究员"到底意味着什么?

对普通工程师和上班族的三条现实意义
误区 / 倾向正确认知
"RSI 明天就来,我工作会被替代"完全自主的 RSI 尚未实现;你更该关注"今天 AI 工具能帮你省什么"而不是为遥远的假想焦虑
"我的 AI 助手在'自我学习'= 在自我改进"那是营销话术。今天大多数"自主学习"仍是在人类设好的框里按流程运行
"这才是大神该关心的事,与我无关"你知道 RSI/对齐/幻觉这些词,才能在开会时不被概念忽悠、能对"AI 要上错数据怎么办"提出专业问题

10.4 智能流程自动化(IPA):让你下班早一点的数字员工

如果说 RSI 是"AI 的远方",IPA 就是你够得着的当下。智能流程自动化(Intelligent Process Automation,IPA)= RPA(机器人流程自动化)+ AI。先说清它和更早的 RPA 的区别,否则容易混淆。

三层演进:RPA → 智能自动化 → IPA
层级本质类比
RPA 机器人流程自动化按固定规则重复点击、复制、填表只有手的"机械臂":听话,但不懂
IA 智能自动化RPA + OCR/NLP/机器学习:能读图、能看懂文字、能做简单判断多了眼和耳的"机械臂":看得见、听得懂
IPA 智能流程自动化再叠加工序编排、异常处理、持续学习带大脑的"数字员工":能应对变化,搞不定时向人求助

IPA 由哪些"器官"组成?

IPA 的"五官 + 大脑":解决从看到、到懂、到动手的每一步
模块大白话解决哪一步
RPA 机器人像软件机器人,模拟人点按钮、开文件、复制、填表单执行:跨系统、跨应用的重复操作
OCR 光字符识别把图片、PDF、扫描件的文字"读"出来看:纸质单据、截图、扫描件的字
NLP 自然语言处理读懂邮件、合同、工单说的是什么(其中"读意图、提取关键信息"这一层叫 NLU 自然语言理解)懂:非结构化文本的意图与关键信息
机器学习 / 分类从历史里学规律,自动判断、分拣、标异常判断:从按规则到按规律
AI Agent / 大模型接到目标后拆任务、调工具、看结果、遇阻改策略编排:复杂任务、动态流程、异常兜底

主流工具长什么样?(一句话认识)

国际与中国主流 IPA/超自动化工具
工具一句话定位
UiPath全球领先的企业级 RPA 平台,含流程编排 + AI 集成
影刀 RPA国内面向办公自动化的 RPA,主打 PC/网页/桌面应用自动化
实在 RPA国内 RPA+AI 融合,面向流程自动化与文档处理
来也科技 Laiye国内流程自动化厂商,多次入选 Gartner RPA 魔力象限
Automation Anywhere早期 RPA 大厂之一,覆盖流程自动化和 AI 集成
Blue Prism企业级 RPA 早期代表,强调结构化、安全、集中管控
比喻:IPA 像你请了一个"认真但不越界的助理"

它负责把"几次三番的复制粘贴、合并表格、比对数字"全包了;遇到模棱两可的判断,它停下来问你"这句怎么填?"——这就是 human-in-the-loop(人留一环):机器不懂的、担责的,交给人。不是"全面取代",而是"把机械的自动化,把判断的留给人"。

10.5 IPA 适配你的工作:从 3 计划 + 4 违章系统起步

这是全章最实用的部分。你在前几章已经做过:第 8.6.10 节"多源异构数据统一"(映射表 + 代码 07)、第 8.6 章台账入库(SQLite)。IPA 正是把这些手把手做的事,升级成"每个周期自动跑"。下面是拿来就能套的适配清单。

适合 IPA 的活儿(规则明确 / 数据可定位 / 结果可核对)先别动的活儿(复杂判断 / 高容错 / 涉责涉伦理)
各系统定时导出、统一结构、清洗合并、入库、比对找差异、分类工单、提取关键字段事故责任判定、重大合规终审、每次都不一样的长尾流程、出错有法律/财务/人身风险的决定

以"月度台账汇总"为例:手动 vs IPA

同一个"把 3 计划 + 4 违章系统合并后入库"的活,两种做法
环节纯手动(现在)IPA 化(目标)
从各系统导出一个个登录导出RPA 定时自动登录下载到指定文件夹
统一结构WPS 复杂公式手冲(又慢又易错)Python 映射表自动跑(代码 07 就是它的内核)
清洗 / 查重 / 定主键肉眼翻 Excel校验规则 + 机器学习查异常,异常才叫人
入库复制粘贴进台账自动写进 SQLite / 数据库(代码 06)
汇报口径手写计算外部违章率自动算好 + 智能体按口径字典生成说明(第 8.6.7 节)
审计留痕靠记忆每个"数字怎么来"都有记录,可追溯

IPA 还能落到你的哪些具体工作?不止台账合并

你已经能合并台账了,很好。但你的日常远不止台账。下面这张表把电力运营/监控/业财场景里常见、规则相对清晰、适合 IPA 的活儿列出来——每个都标出"哪个更好自动(RPA/判断/大脑)"和"对应本章/前文哪个知识点"。目标是帮你举一反三:凡是"固定步骤 + 数据可定位 + 结果可核对"的,都值得问一句"能不能让机器人干"。

把 IPA 用到你熟悉的电力运营场景:自动化的层次 + 你的切入点
工作 / 场景痛点(现在)IPA 怎么做(自动化层次)你的切入点 / 关联
报表自动生成
(周报/月报、运行日报)
每周手动从各系统汇总数字、粘贴进 Word/PPT 模板 RPA 自动取数 + 智能体按模板写段落(大脑编排 + 执行) 复用代码 06/07 的取数与口径;智能体透出用第 8.6.7 节口径字典
设备台账巡检
(压力/温度/状态点检)
人工翻点检表、比对上次值找异常 OCR 读点检表 + 机器学习判断"这次值是否异常"(感知 + 判断) 异常阈值你自己定;这就是第 7 章"违章分类"那类判别模型
工单 / 缺陷单分拣 靠经验判断一单派给谁、什么等级 NLP 读描述 + 模型分类 / 推荐处理人(理解 + 判断) 分类思想=第 7 章;"不确定再叫人"=human-in-the-loop
业财对账
(电费/台账与财务系统核对)
两套系统导出来人工比对、找差异 RPA 拉两表 + Python 比对输出差异清单(执行 + 判断) 就是"合并–比对";找差异你已在第 8.6 章练过
光伏 / 负荷数据整理 导出力、辐照度再手算 脚本定时拉数 + pandas 清洗 + 可接预测模型(执行 → 判断) 对接第 3/7 章光伏预测示例 04;先做"自动整理",再谈"自动预测"
文档 / 邮件归档检索
(调令、归档规则、通知)
文件散落、凭记忆找 OCR 入库 + 向量检索(第 8.5 章知识库)支持问答 直接用第 8.5 章"知识库"思路:先归档成索引,再让它可被问
违章录入后的二次校核 录入后仍可能漏、错,靠抽查 校验规则全跑 + 异常打标交人工复核(判断 + 人在环) 这是台账合并的"下个环节",先自动、再校
一条通用判断口诀:这三问能过,就值得自动
  1. 步骤是不是固定的?(每次都差不多的流程)
  2. 数据能不能稳定找到?(在某个页面/文件夹/系统里取得到)
  3. 跑完能不能核对?(有明确的对错标准,出了问题能发现)

三问全过 → 放心交给 IPA;任一不过 → 成人留在环里,机器只做能确定的部分。这也是第 8 章"五问"在自动化上的落地。

落地顺序建议:别一口吃下整个流程

和你在第 8.6.10 节学的一样——先挑一段最小闭环。建议第一个试点:"自动下载各系统导出文件 + 用代码 07 合并成统一表"。这一个环节规则最明确、见效最快,跑通了再往"入库、算口径、发报告、校核"推。用影刀 / UiPath 或纯 Python 定时脚本都能开始,不一定要立刻上重型工具。

10.6 你该怎么给自己定位:与 AI 共事,而不是与 AI 赛跑

把整个第 10 章收成给你的职业心态建议:

  1. 你最大的安全感,来自"懂原理 + 会用工具 + 会判断"。会拼映射表的你,和只会手填 WPS 公式的你,在"AI 时代"是两种人——前者给 AI 定义活,后者被 AI 定义活。
  2. 自动化是"把机械交出去",不是"把自己交出去"。IPA 拿走的是重复劳动,留给你的是口径、判断、担责、解释——这正是你的专业价值。
  3. 对"远方的 RSI"保持正确心态:既不盲目恐慌,也不麻木无视。把它当成了解 AI 能力边界和安全讨论的坐标即可。
  4. 持续用第 8 章的"五问"评估新工具:这个 AI 该不该上?怎么上?可信吗?谁担责?——这套决策框架能让你反复受益,不用重新学。

10.7 本章小结 + 自测题

一句话记住本章:AI 走了三次浪潮,靠算力 × 数据 × 算法推进;展示了"递归自我改进"的前沿与边界(别被话术带偏);而你真正能抓住的,是把重复台账工作交给智能流程自动化(IPA)——从代码 07 那个小映射表开始。

本章新概念能让工作更省的下一步
三次浪潮、算力/数据/算法/资金、AGI/ASI、递归自我改进(RSI)、自我反思、自奖励、智能爆炸、对齐问题、RPA/IA/IPA、OCR、NLP、超自动化、human-in-the-loop、数字员工① 打开 code/07_多源数据统一.py 再跑一遍;② 挑一个"导出→合并"写进定时脚本;③ 用第 8 章五问判断"要不要自动化、谁担责"
读完本章,问大模型(复制可用)
背景:电力工程师,数学生疏——公式照给、每式配一句直觉;工作涉及台账/违章/光伏/业财/监控。
我刚学完"AI 的来路与去路 + IPA",请:
1. 用"查电表自动化"的类比,讲清 RPA 层、判断层、大脑编排层各干什么、边界在哪;
2. 我贴一段 AI 宣传话术给你(随后发),请用三问帮我判断:这是真能力,还是营销话术;
3. 从我的工作全景里挑 2 个流程,帮我判断哪个值得先自动化、哪个暂时不该动,并说明理由;
4. 出 2 道题考我:一道考 RSI 与"写代码的 AI 助手"的本质区别,一道考 IPA 的适用边界,先别给答案。
我答完后,请:① 逐题判对错并说明理由;② 指出我理解里的偏差或漏洞;③ 延伸一个我没问到但很重要的点。
自测题(答得出就说明吃透了)
  1. AI 前两次浪潮为什么"冬天"?第三次又为什么能长久?分别对应哪三个条件?
  2. RSI 和"写代码的 AI 助手"最本质的区别是什么?
  3. 给你一个台账合并任务,用一句话说出是"RPA 层、判断层、还是大脑编排层"在起作用。

完整自测请见配套《自测题与思考题》第 10 章(若尚未加入,可把这三题当作思考题)。