《AI極簡(jiǎn)經(jīng)濟(jì)學(xué)》，除了翻譯得讀著很痛苦，確實(shí)是本好書這本書核心解釋了一件事情：人工智能的預(yù)測(cè)，與經(jīng)濟(jì)學(xué)之間的關(guān)系。因?yàn)楫?dāng)人工智能的預(yù)測(cè)效果與成本都足夠可控，那很快就會(huì)進(jìn)入尋常百姓家、滲透進(jìn)我們的衣食住行。

讀的過程中我在即刻發(fā)了一個(gè)消息：

#FormatImgID_0#

不少朋友留言表示比較疑惑，到底什么算替代品、什么算互補(bǔ)品?到底哪些會(huì)被取代?哪些比較安全?確實(shí)怪我直接引用了本就翻譯略差的原文。

我過去也跟AI算是有一些接觸。我讀研的實(shí)驗(yàn)室是哈工大信息檢索實(shí)驗(yàn)室(已改名哈工大社會(huì)計(jì)算與信息檢索研究中心)，做過一些機(jī)器翻譯和機(jī)器學(xué)習(xí)的項(xiàng)目，身邊的同學(xué)畢業(yè)也大都去做算法研究或算法工程了。

所以今天就基于這個(gè)問題，結(jié)合我過去的經(jīng)驗(yàn)，跟你分享下我的想法。

1. 常見的AI都是如何運(yùn)轉(zhuǎn)的

從AlphaGo，到AlphaStar，都是學(xué)習(xí)了無數(shù)人類的操作才變得這么厲害的，而人類為什么要如此操作，它們?nèi)徊恢?/p>

#FormatImgID_1#

(AlphaStar被質(zhì)疑贏過職業(yè)選手全靠手速。)

要解釋AI的運(yùn)轉(zhuǎn)邏輯，機(jī)器翻譯就是很典型的課題。

早在計(jì)算機(jī)出現(xiàn)之前，就有蘇聯(lián)科學(xué)家提出了基礎(chǔ)的構(gòu)想，在ENIAC之后，IBM為首的企業(yè)也參與進(jìn)機(jī)器翻譯的研究中。不少學(xué)者都期待，能夠出現(xiàn)一個(gè)像科幻片里那種實(shí)時(shí)翻譯器一樣的工具，全球各族人民肯定能夠更加團(tuán)結(jié)，這必然是劃時(shí)代的發(fā)明。

翻譯這件事，乍一看好像沒有太難。一個(gè)事物，在絕大多數(shù)語(yǔ)言中，都有對(duì)應(yīng)的詞匯，“媽媽”對(duì)應(yīng)“mother”，“桌子”對(duì)應(yīng)“desk”，可以建立對(duì)應(yīng)關(guān)系;語(yǔ)言學(xué)也有了成熟的體系，語(yǔ)言的語(yǔ)法規(guī)則特點(diǎn)做拆解后，變成有效的算法策略，豈不應(yīng)該是水到渠成的嗎。

可是事與愿違，機(jī)器翻譯卻直到20年前才算有長(zhǎng)足的進(jìn)步。為什么呢?

因?yàn)榛谝?guī)則的機(jī)器翻譯太難了，同一個(gè)詞語(yǔ)，在不同的情景下，含義全然不同。

比如：

#FormatImgID_2#

大量的俚語(yǔ)和用詞習(xí)慣都是在人類實(shí)際使用語(yǔ)言的過程中毫無規(guī)律地出現(xiàn)的，用規(guī)則方式解讀，幾乎沒有可能。

無數(shù)語(yǔ)言學(xué)家和計(jì)算機(jī)科學(xué)家探索了幾十年，都沒有做出一個(gè)哪怕看起來勉強(qiáng)可用的翻譯器。

而在規(guī)則機(jī)器翻譯流派之外，49年就有科學(xué)家提出了統(tǒng)計(jì)機(jī)器翻譯的理念，認(rèn)為是否可以用“猜”的方式去做翻譯。也就是說，機(jī)器不關(guān)心“意思”到底是什么含義，而是看“不好意思”和“是我不好意思”同時(shí)出現(xiàn)的時(shí)候，大概率會(huì)對(duì)應(yīng)哪個(gè)英文短語(yǔ)。

可以想象機(jī)器是一個(gè)學(xué)舌的鸚鵡，左邊站著一個(gè)中國(guó)人，右邊站著一個(gè)美國(guó)人，他們每次說同樣含義的話。鸚鵡就會(huì)瘋狂學(xué)習(xí)和記憶他們的說話內(nèi)容，等到再有第三個(gè)人來跟它講話，它就把記憶中最高頻的同時(shí)出現(xiàn)的句子或者短語(yǔ)講出來就好了。

這個(gè)方法在早期沒有特別受重視，因?yàn)樾Ч?guī)則機(jī)器翻譯比也好不到哪去。機(jī)器翻譯的發(fā)展，一直在基于規(guī)則的路上，每年提升零點(diǎn)幾個(gè)點(diǎn)的速度前進(jìn)。

2005年，機(jī)器翻譯突然有匹黑馬出現(xiàn)。NIST的年度機(jī)器翻譯評(píng)測(cè)里，Google一躍成為冠軍，而且比第二名要超出5%，引起了轟動(dòng)。

#FormatImgID_3#

(圖源：吳軍老師的《數(shù)學(xué)之美》)

這是劃時(shí)代的一幕。究其原因，說來也簡(jiǎn)單，Google有兩個(gè)武器：做搜索引擎積累下的海量語(yǔ)言數(shù)據(jù)庫(kù)，以及互聯(lián)網(wǎng)大公司才有的分布式計(jì)算能力。前者讓統(tǒng)計(jì)機(jī)器翻譯的數(shù)據(jù)更全面，后者讓模型可以變得非常龐大復(fù)雜。

此后，機(jī)器翻譯就走上了統(tǒng)計(jì)之路。在2016年，Google發(fā)布了基于神經(jīng)網(wǎng)絡(luò)的更強(qiáng)大的翻譯系統(tǒng)，始終是機(jī)器翻譯的領(lǐng)軍角色。直到現(xiàn)在，各位手里用到的機(jī)器翻譯工具，也全部都是基于統(tǒng)計(jì)原理設(shè)計(jì)的。

想必說到這里，絕大多數(shù)AI的原理也就容易理解了。它們?nèi)际浅錾柠W鵡，在模仿學(xué)習(xí)人處理事物的行為，做出準(zhǔn)確的復(fù)現(xiàn)或者預(yù)測(cè)。

2. 現(xiàn)在的AI做不好什么

絕大多數(shù)AI都是基于統(tǒng)計(jì)的，訓(xùn)練出一個(gè)“出色的鸚鵡”，是要靠反復(fù)的、海量的輸入。AlphaGo要輸入無數(shù)的棋譜，AlphaStar要輸入無數(shù)的游戲錄像。

當(dāng)然，現(xiàn)在的機(jī)器學(xué)習(xí)尤其深度學(xué)習(xí)，已經(jīng)能夠讓鸚鵡變得略聰明一些，不只是學(xué)舌，還知道總結(jié)部分方法和規(guī)律，來驗(yàn)證新的內(nèi)容。像人臉識(shí)別系統(tǒng)，就可以對(duì)一張全新的臉，做有效的識(shí)別模型。但它依然不知道本質(zhì)的原理，這也是基于統(tǒng)計(jì)似乎很難走到的終點(diǎn)。

在這樣的背景下，輸入的數(shù)據(jù)是影響AI質(zhì)量最重要的點(diǎn)。最優(yōu)秀的AI大都在互聯(lián)網(wǎng)公司和政府手里，他們擁有最全面的數(shù)據(jù)輸入;而不是研究規(guī)則和理論為主的學(xué)界。

這樣看，AI存在的瓶頸有這樣幾種。

首先，輸入不足的事物AI就很難預(yù)測(cè)。

有的事情屬于迭代太慢。

像美國(guó)總統(tǒng)大選，每4年才舉行一次，每次的影響因素又太多，拿到的“訓(xùn)練集”實(shí)在太少，就根本無法預(yù)測(cè)。

還有的事情是輸入幾乎不可能完備，或者以現(xiàn)今技術(shù)根本做不到。

像“女朋友生氣了到底是為什么”就是輸入幾乎不可能完備的預(yù)測(cè)。因?yàn)槿说男睦碜兓婕暗囊蛩靥?，有可能就是女朋友看到朋友圈你為別人點(diǎn)了個(gè)贊，又聯(lián)想到了上次你沒有給她買生日禮物，再想到你給前任買的禮物特別貴… …衍生出一系列的結(jié)果，你壓根都無從推理。在這種缺乏輸入的判斷上，人和機(jī)器一樣無能。

其次，AI只能學(xué)會(huì)教給它的東西，不會(huì)學(xué)習(xí)新的，除非你再教給它。

比如，之前特斯拉的無人駕駛系統(tǒng)出了誤判，就是把卡車上的藍(lán)白色車身當(dāng)做了藍(lán)天白云。人工智能沒有結(jié)合周邊更多顯而易見的場(chǎng)景來推測(cè)這是個(gè)卡車——因?yàn)橄到y(tǒng)里沒有這些輸入?？傊?，看到車身顏色就按照統(tǒng)計(jì)概率看認(rèn)為是藍(lán)天白云，才做出了誤判。

再比如，哪怕是再?gòu)?qiáng)大的機(jī)器翻譯器，在遇到新詞匯和壓根沒有在網(wǎng)上出現(xiàn)的詞匯時(shí)就完全無能為力。“坑爹”這樣曾經(jīng)的網(wǎng)絡(luò)熱詞，假如沒有一個(gè)網(wǎng)友曾經(jīng)準(zhǔn)確在網(wǎng)上翻譯給外國(guó)友人過，那這個(gè)詞翻譯器就永遠(yuǎn)不會(huì)翻譯，它沒有能力根據(jù)上下文去猜測(cè)。

最后，沒有評(píng)測(cè)體系的預(yù)測(cè)，AI也無法勝任。

機(jī)器學(xué)習(xí)的AI都要有一個(gè)對(duì)量化標(biāo)準(zhǔn)的追求，以建立預(yù)測(cè)結(jié)果跟標(biāo)準(zhǔn)之間的關(guān)系來訓(xùn)練模型。

比如，當(dāng)我們輸入一堆音樂，來讓AI學(xué)習(xí)后，AI譜出的曲子一定是參差不齊的。要么我們就在輸入好的音樂后，還要輸入壞的音樂，并且告訴AI好和壞的程度;要么我們就在AI譜出曲子之后，反復(fù)給它的曲子打分。AlphaGo就是在AI互相對(duì)戰(zhàn)反復(fù)確認(rèn)勝負(fù)后，才能快速成長(zhǎng)的。

在一些特殊的領(lǐng)域，像涉及到文藝創(chuàng)作的、有價(jià)值觀差異的許多無法明辨好壞的事物，就很難讓AI做好預(yù)測(cè)。比如用AI去判定一個(gè)人是好人還是壞人，由于不存在評(píng)價(jià)好壞的絕對(duì)標(biāo)準(zhǔn)，那AI就無法完成。

目前的AI，只能基于“已知”做預(yù)測(cè)，不能創(chuàng)造未來。都需要已知的數(shù)據(jù)、已知的結(jié)論、已知的課題。從人類借用AI的預(yù)測(cè)做決策，到人類完全信任AI直接做決策，還有巨大的鴻溝要跨越。

3. AI會(huì)讓給哪些工作更有價(jià)值?

《AI極簡(jiǎn)經(jīng)濟(jì)學(xué)》里認(rèn)為，數(shù)據(jù)、判斷和行動(dòng)是互補(bǔ)品，會(huì)變得更重要。

這三者分別是什么呢?我講下我的理解。

數(shù)據(jù)，指的不是做數(shù)據(jù)統(tǒng)計(jì)的人，或者做數(shù)據(jù)分析的人，而是指擁有數(shù)據(jù)的人/組織和有能力獲取數(shù)據(jù)的人/組織。

比如，基于統(tǒng)計(jì)的消費(fèi)推薦變得愈發(fā)重要，那阿里、京東的產(chǎn)品和背后的數(shù)據(jù)積累就變得重要;基于統(tǒng)計(jì)的無人駕駛變得愈發(fā)重要，那交通部門、導(dǎo)航軟件和網(wǎng)約車平臺(tái)就變得重要。

有大量做數(shù)據(jù)工作的人，反而其實(shí)是在做AI替代品的工作，比如說單純的導(dǎo)航功能，有角色會(huì)根據(jù)過往的用戶出行數(shù)據(jù)來做分析和統(tǒng)計(jì)，以便找出一些規(guī)則。但足夠強(qiáng)大的AI根本不需要規(guī)則，只要輸入足夠，就能給出好太多的預(yù)測(cè)，就會(huì)把這樣的角色替代掉。(實(shí)際場(chǎng)景可能復(fù)雜得多，需要做判斷，仍然需要人的參與。)

判斷，指的是要告訴AI哪些是對(duì)的、哪些是錯(cuò)的。

AI學(xué)習(xí)和掌握一個(gè)能力，是為了人類服務(wù)的，那這個(gè)“服務(wù)的目的”，是必須人來賦予。這里就需要人來給出判斷。

比如，剛剛提到的導(dǎo)航功能，就可以用機(jī)器學(xué)習(xí)做得足夠智能，可以算作是AI產(chǎn)品。但是這就代表不需要任何產(chǎn)品運(yùn)營(yíng)的參與了嗎?當(dāng)然不是，對(duì)于這個(gè)產(chǎn)品需要達(dá)成的目標(biāo)尤其是約束條件，仍然是人要賦予的。

最短時(shí)間當(dāng)然是第一要素，但在多大程度上用戶會(huì)為節(jié)省時(shí)間而愿意付高速費(fèi)?多大程度上用戶會(huì)很討厭堵車或者等紅綠燈?等等，這些基于人感受的判斷，會(huì)影響導(dǎo)航推薦路線的策略。

行動(dòng)，當(dāng)然就是基于預(yù)測(cè)的執(zhí)行了。拿到了無人駕駛的好算法，該怎樣應(yīng)用?拿到用戶消費(fèi)行為的推薦，該怎樣應(yīng)用?

不過，通常執(zhí)行的內(nèi)容本身又會(huì)延伸出是否有可能被AI替代的問題。

我們以一個(gè)更具體的案例來說數(shù)據(jù)、判斷和執(zhí)行。

我在點(diǎn)我達(dá)做調(diào)度產(chǎn)品的時(shí)候，在搭建了基礎(chǔ)的基于全局高效為目標(biāo)的調(diào)度系統(tǒng)后，就發(fā)現(xiàn)了一個(gè)很實(shí)際的問題：騎手經(jīng)常會(huì)遇到取送餐的困難地點(diǎn)，而這個(gè)信息通過高德地圖或者百度地圖是無法獲取的。

什么是取送餐的困難地點(diǎn)呢?比如，這個(gè)大廈的保安不允許走客梯，那就只能走貨梯，非常慢;這個(gè)小區(qū)不允許電動(dòng)車駛?cè)耄叫兴筒头浅Ｂ闊?這個(gè)商區(qū)高峰期人特別多，不管扶梯還是直梯都要等很久。等等。這個(gè)因素不考慮進(jìn)調(diào)度的算法決策里，得到的結(jié)果就不準(zhǔn)確，騎手就會(huì)很不滿。

這個(gè)信息要收集起來，是一件要設(shè)法產(chǎn)品化的事情。一方面，可以讓線下的運(yùn)營(yíng)同學(xué)幫忙提交，另一方面，騎手也可以跟客服或在產(chǎn)品上報(bào)備。另外，也能從日常騎手配送的行為數(shù)據(jù)里去挖掘。(數(shù)據(jù))

另外，收集上來的地理位置信息，要分門別類，并且與“困難程度”建立聯(lián)系。需要步行上樓，和需要等電梯上樓，難度還是不一樣的。接下來，就要與工程師協(xié)作溝通，地理位置信息對(duì)調(diào)度策略的整體影響了。有困難屬性的訂單，配送時(shí)間可以放寬，放寬的程度也要從產(chǎn)品經(jīng)理視角判斷，過寬會(huì)影響效率，過嚴(yán)會(huì)影響騎手體驗(yàn)，這個(gè)權(quán)衡也是要產(chǎn)品經(jīng)理決策的。在反復(fù)測(cè)試調(diào)參和試驗(yàn)后，才能得到具體的策略。(判斷)

最后，當(dāng)調(diào)度算法體系改版好了之后，就要跟騎手宣導(dǎo)和教育新的調(diào)度規(guī)則，讓困難地點(diǎn)的因素影響真正發(fā)揮作用。(行動(dòng))

4. AI會(huì)讓哪些工作更沒價(jià)值?

單純的預(yù)測(cè)，所謂具備完善的數(shù)據(jù)、有明確目標(biāo)、基于已有經(jīng)驗(yàn)而進(jìn)行的工作，會(huì)變得沒有價(jià)值。

舉兩個(gè)例子。

小王是公司的市場(chǎng)投放人員，工作的主要內(nèi)容是，嘗試投放所有可用的渠道，并且計(jì)算ROI，然后繼續(xù)提升高ROI渠道的投入、減少低ROI渠道的投入。

小孫是公司的運(yùn)營(yíng)活動(dòng)人員，負(fù)責(zé)配置各種活動(dòng)?；顒?dòng)都是已經(jīng)成型的幾種模板，他會(huì)基于每次用戶數(shù)據(jù)的波動(dòng)，從自己的經(jīng)驗(yàn)判斷應(yīng)該選擇哪種活動(dòng)，以及在活動(dòng)中配置怎樣的具體規(guī)則。

這兩種就是很典型的，會(huì)快速被替代的工作。如果你正在做這類工作，還望警惕。

而像產(chǎn)品和運(yùn)營(yíng)的決策往往都不具備“大量的迭代數(shù)據(jù)和迭代結(jié)果”的條件，尤其是一個(gè)決策可能跟一大堆約束條件、影響因素耦合在一塊。

在這樣的場(chǎng)景下，AI可能會(huì)替代產(chǎn)品經(jīng)理：要做短視頻，可以自動(dòng)組合出幾千甚至上萬種產(chǎn)品方案并提供給用戶使用，基于用戶的使用習(xí)慣，來找出最佳的方案，繼續(xù)自動(dòng)組合持續(xù)迭代。

在具備這樣足夠靈活的生產(chǎn)和檢驗(yàn)條件之前，產(chǎn)品經(jīng)理還不太可能被替代。

不過看如今互聯(lián)網(wǎng)產(chǎn)品設(shè)計(jì)模式的發(fā)展，已經(jīng)在向這樣的未來邁進(jìn)。

一線的互聯(lián)網(wǎng)公司都在用不止有兩個(gè)用例的A/Btest、用完備的數(shù)據(jù)埋點(diǎn)統(tǒng)計(jì)分析用以找到解決方案，雖然還不夠智能，但都在陸續(xù)替代產(chǎn)品經(jīng)理的工作、讓產(chǎn)品經(jīng)理變得逐漸不重要起來。

產(chǎn)品經(jīng)理很像是基于規(guī)則在做產(chǎn)品，而現(xiàn)在逐漸出現(xiàn)了不少?zèng)Q策都是基于統(tǒng)計(jì)的。有沒有覺得跟機(jī)器翻譯的歷史很像?

想到條件逐步成熟，未來可能會(huì)出現(xiàn)一個(gè)基于統(tǒng)計(jì)的優(yōu)異產(chǎn)品決策AI，就像2005年的Google殺進(jìn)機(jī)器翻譯領(lǐng)域一樣，還是頗有些危機(jī)感的?，F(xiàn)階段大部分優(yōu)異的人工智能，都是絕佳的模仿者，而非思考者。