人工智能終于成真，并即將對(duì)商業(yè)產(chǎn)生深遠(yuǎn)的影響。但它并不是魔法，因此，本文說明對(duì)你的組織來說，人工智能能做什么，以及做不到什么。

250多年來，經(jīng)濟(jì)成長的根本動(dòng)力一直都是技術(shù)創(chuàng)新。其中最重要的，是經(jīng)濟(jì)學(xué)家說的“通用技術(shù)”(general-purpose technology)：這類技術(shù)包括蒸汽機(jī)、電力和內(nèi)燃機(jī)。每一類都催生了一波波的互補(bǔ)性創(chuàng)新和機(jī)會(huì)。舉例來說，有了內(nèi)燃機(jī)，汽車、貨車、飛機(jī)、鏈鋸和割草機(jī)應(yīng)運(yùn)而生，還有大賣場式零售商、購物中心、交叉配送倉庫(cross-docking warehouse)、新的供應(yīng)鏈，而你若仔細(xì)想想，連郊區(qū)也是。沃爾瑪(WalMart)、UPS和優(yōu)步(Uber)等各式各樣的公司，都找到善用這種技術(shù)的方式，創(chuàng)造出獲利的新商業(yè)模式。

我們這個(gè)時(shí)代，最重要的通用技術(shù)是人工智能，尤其是機(jī)器學(xué)習(xí)，也就是機(jī)器有能力持續(xù)不斷改善本身的表現(xiàn)，人類交付任務(wù)給機(jī)器時(shí)，不必確切解釋如何完成所有那些任務(wù)。過去幾年之間，機(jī)器學(xué)習(xí)已遠(yuǎn)比從前有效且普及。我們現(xiàn)在建立的一些系統(tǒng)，已懂得如何自行執(zhí)行任務(wù)。

為什么這件事非同小可?理由有二。第一，我們?nèi)祟惲私獾氖虑椋任覀兡苷f出來的更多。有很多事情，我們有能力做到，但沒有辦法確切解釋如何做到，從辨識(shí)人的臉，到玩古老亞洲斗智游戲圍棋時(shí)下聰明的一步棋，都包括在內(nèi)。在機(jī)器學(xué)習(xí)之前，無法明確表達(dá)自己的知識(shí)，就表示我們不能把許多任務(wù)自動(dòng)化。而現(xiàn)在，我們做得到了。

第二，機(jī)器學(xué)習(xí)系統(tǒng)往往很擅長學(xué)習(xí)。它們能在廣泛的活動(dòng)上，展現(xiàn)出超乎人類的表現(xiàn)，包括偵測詐欺和診斷疾病。優(yōu)異的數(shù)字學(xué)習(xí)者，正被部署到經(jīng)濟(jì)的各個(gè)角落，它們?cè)斐傻臎_擊會(huì)十分深遠(yuǎn)。

在商業(yè)領(lǐng)域，人工智能勢必會(huì)產(chǎn)生改造一切的沖擊，規(guī)模不亞于先前的通用技術(shù)。雖然世界各地已有成千上萬的公司開始使用它，但大多數(shù)的大機(jī)會(huì)還沒有被開發(fā)。未來十年，人工智能的影響將會(huì)擴(kuò)大，因?yàn)橹圃?、零售、運(yùn)輸、金融、健康照護(hù)、法律、廣告、保險(xiǎn)、娛樂、教育，以及其他每一種產(chǎn)業(yè)，都會(huì)改造本身的核心流程和商業(yè)模式，以充分利用機(jī)器學(xué)習(xí)?，F(xiàn)在的瓶頸，是在管理、執(zhí)行和商業(yè)想象上。

然而，人工智能和其他許多新技術(shù)一樣，產(chǎn)生許多不切實(shí)際的期望。我們見到商業(yè)計(jì)劃動(dòng)不動(dòng)就提到機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)，以及這種技術(shù)的其他形式，卻很少提及它的真正能力。舉例來說，單單稱一個(gè)約會(huì)網(wǎng)站是“人工智能驅(qū)動(dòng)”，并不會(huì)使它的效果更好，但可能有助于籌募資金。本文將避開這些雜音，直接說明人工智能的真正潛力、它的實(shí)務(wù)意涵，以及有哪些障礙妨礙采用它。

現(xiàn)在，人工智能能做什么?

人工智能這個(gè)詞，是達(dá)特茅斯學(xué)院(Dartmouth)數(shù)學(xué)教授約翰.麥卡錫(John McCarthy)，在1955年創(chuàng)造的。來年，他針對(duì)這個(gè)主題，籌辦開創(chuàng)性的研討會(huì)。此后，可能部分由于它那引發(fā)人們想象的名稱，這個(gè)領(lǐng)域產(chǎn)生了比它夢(mèng)幻般宣言和承諾還要多的東西。1957年，經(jīng)濟(jì)學(xué)家赫伯特.賽蒙(Herbert Simon)預(yù)測，十年內(nèi)計(jì)算機(jī)會(huì)在西洋棋比賽上打敗人類(實(shí)際上花了四十年)。1967年，認(rèn)知科學(xué)家馬文.明斯基(Marvin Minsky)說：“一個(gè)世代內(nèi)，創(chuàng)造人工智能時(shí)遇到的問題，將會(huì)大幅解決。”賽蒙和明斯基都是知識(shí)巨人，卻都錯(cuò)得十分離譜。因此，對(duì)于未來的突破提出戲劇性的說法，卻遭到某種程度的懷疑，這情況是可以理解的。

我們先來探討人工智能已經(jīng)在做什么，以及它改善的速度有多快。最大的進(jìn)展在兩大領(lǐng)域：感知(perception)與認(rèn)知(cognition)。在感知方面，一些最實(shí)用的進(jìn)展和語音有關(guān)。語音識(shí)別要達(dá)到完美，還有一大段距離，但數(shù)百萬人正在使用它，例如Siri、Alexa和Google Assistant。你正在看的這篇文章，是先向計(jì)算機(jī)口述，然后以足夠的正確程度轉(zhuǎn)成文字，速度比打字要快。

史丹福大學(xué)計(jì)算機(jī)科學(xué)家詹姆斯.藍(lán)德(James Landay)和同事的研究發(fā)現(xiàn)，平均來說，目前進(jìn)行語音識(shí)別，比在手機(jī)上打字約快三倍。以前的錯(cuò)誤率是8.5%，現(xiàn)在已經(jīng)降為4.9%。引人注目的是，這么大幅度的改善，不是過去十年發(fā)生的，而僅僅是2016年夏天以來的成果。

雖然世界各地已有成千上萬的公司開始使用人工智能，但大多數(shù)的大機(jī)會(huì)還沒有被開發(fā)。

圖像辨識(shí)也大幅改善。你可能已經(jīng)注意到臉書(Facebook)和其他應(yīng)用程序，現(xiàn)在認(rèn)得出你張貼照片中朋友的臉孔，并提醒你標(biāo)記他們的名字。安裝在智能手機(jī)里的應(yīng)用程序，認(rèn)得出野外中的幾乎任何鳥類。圖像辨識(shí)甚至取代企業(yè)總部中的身分識(shí)別證。無人駕駛汽車中使用的視覺系統(tǒng)，以前確認(rèn)行人時(shí)，每三十張圖像就會(huì)錯(cuò)誤一次(這些系統(tǒng)中的相機(jī)，每秒就記錄約三十張);現(xiàn)在，它們的錯(cuò)誤次數(shù)，是每三千萬張不到一次。一個(gè)名為ImageNet的大型數(shù)據(jù)庫，擁有數(shù)百萬張常見、模糊，或是十分詭異的圖片，辨識(shí)圖像的最佳系統(tǒng)，辨識(shí)那個(gè)數(shù)據(jù)庫里圖片的錯(cuò)誤率，從2010年的高于30%，降為2016年的4%左右(見圖：“小狗或馬芬蛋糕?”)。

近年來采用的一種新方法，是以非常大型或“深度”的神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，因此改善的速度迅速加快。視覺系統(tǒng)的機(jī)器學(xué)習(xí)方法，仍有許多缺陷;但連人也很難迅速認(rèn)出小狗的臉，或者更令人尷尬的是，看到牠們可愛的臉孔，但其實(shí)并不存在。

第二類的重大改善，是在認(rèn)知和問題解決方面。機(jī)器已經(jīng)在撲克牌和圍棋方面，擊敗最優(yōu)秀的人類高手，專家本來預(yù)測至少還要再十年才會(huì)達(dá)到這樣的成就。Google的DeepMind團(tuán)隊(duì)使用機(jī)器學(xué)習(xí)系統(tǒng)，改善數(shù)據(jù)中心的冷卻效率達(dá)15%以上，即使人類專家之前已經(jīng)將它們優(yōu)化了。網(wǎng)絡(luò)安全公司深度本能(Deep Instinct)使用智能代理(intelligent agent)，偵測惡意軟件。

PayPal也用智能代理來防范洗錢。使用IBM技術(shù)的一套系統(tǒng)，將新加坡一家保險(xiǎn)公司的理賠流程自動(dòng)化。數(shù)據(jù)科學(xué)平臺(tái)公司Lumidatum的一套系統(tǒng)，實(shí)時(shí)提供建議，以改善顧客支持。數(shù)十家公司正使用機(jī)器學(xué)習(xí)，決定要在華爾街執(zhí)行哪些交易，而且在它的協(xié)助之下，做成愈來愈多信用決策。亞馬遜(Amazon)運(yùn)用機(jī)器學(xué)習(xí)，來優(yōu)化存貨，和改善對(duì)顧客的產(chǎn)品建議。無限分析公司(Infinite Analytics)開發(fā)出一套機(jī)器學(xué)習(xí)系統(tǒng)，預(yù)測用戶會(huì)不會(huì)點(diǎn)按某一則廣告，為一家全球消費(fèi)性包裝產(chǎn)品公司改善在線廣告刊登效果。另一套機(jī)器學(xué)習(xí)系統(tǒng)，用來改善巴西一家在線零售商的顧客搜尋與發(fā)現(xiàn)過程。前述第一套系統(tǒng)提高廣告的投資報(bào)酬率三倍，第二套系統(tǒng)使得年?duì)I業(yè)收入增加1.25億美元。

機(jī)器學(xué)習(xí)系統(tǒng)不只取代許多應(yīng)用軟件中比較舊的算法，現(xiàn)在，更在許多過去人類較擅長的任務(wù)上，表現(xiàn)卓越。這些系統(tǒng)仍然很不完美，但它們?cè)贗mageNet數(shù)據(jù)庫約5%的錯(cuò)誤率，表現(xiàn)已經(jīng)與人類的水平相當(dāng)，或者更好。語音識(shí)別現(xiàn)在也幾乎等同于人類的表現(xiàn)，即使在嘈雜的環(huán)境中也是如此。達(dá)到這個(gè)門坎，開啟了改造職場和經(jīng)濟(jì)的龐大新可能性。以人工智能為基礎(chǔ)的系統(tǒng)，一旦在某個(gè)任務(wù)上的表現(xiàn)超越人類，就會(huì)遠(yuǎn)比從前更可能迅速擴(kuò)散。舉例來說，分別是無人機(jī)和機(jī)器人制造商的Aptonomy與Sanbot，正使用改良后的視覺系統(tǒng)，將不少保全工作自動(dòng)化。軟件業(yè)者Affectiva等公司，正在使用它們來辨識(shí)焦點(diǎn)小組成員的喜悅、驚訝和憤怒等情緒。有幾家深度學(xué)習(xí)新創(chuàng)企業(yè)使用它們掃瞄醫(yī)療圖像，以協(xié)助診斷癌癥，Enlitic就是其中一家公司。

這些是令人印象深刻的成就，但是，以人工智能為基礎(chǔ)的系統(tǒng)，應(yīng)用范圍仍然相當(dāng)狹隘。例如，ImageNet數(shù)據(jù)庫有高達(dá)幾百萬張圖像，人工智能辨識(shí)ImageNet圖像的表現(xiàn)可圈可點(diǎn)，但是，不見得一定能在外界各種不同的條件和情況下，取得類似的成功率，因?yàn)檎彰髑鍥r、角度、圖像分辨率和背景，可能非常不同。從更根本的層面來說，若有一套系統(tǒng)可了解中文的語音，并翻譯成英文，我們會(huì)對(duì)這套系統(tǒng)的能力贊嘆不已，但我們不能期待這種系統(tǒng)懂得特定的中國字是什么意思，更別提是讓它們告訴我們，到了北京要去哪里用餐了。如果某個(gè)人有一項(xiàng)任務(wù)執(zhí)行得很好，我們自然會(huì)假定那個(gè)人，在相關(guān)任務(wù)上也擁有一些能力。但機(jī)器學(xué)習(xí)系統(tǒng)受到訓(xùn)練是要去做特定的任務(wù)，通常它們的知識(shí)不會(huì)擴(kuò)大應(yīng)用(generalize)。有些人誤以為計(jì)算機(jī)狹隘地理解某件事，就意味著它能更廣泛地了解其他事物，可能主要是因?yàn)檫@種謬誤，而造成人們對(duì)人工智能進(jìn)展感到困惑，并出現(xiàn)浮夸的說法。機(jī)器要展現(xiàn)涵蓋各種領(lǐng)域的普遍智慧，這樣的境界仍然相當(dāng)遙遠(yuǎn)。

了解機(jī)器學(xué)習(xí)

關(guān)于機(jī)器學(xué)習(xí)的最重要事情，是它意味要用根本上完全不同的方式來制作軟件：機(jī)器從例子中學(xué)習(xí)，而不是明確編寫程序，以得到特定的結(jié)果。這和以前的做法大不相同。過去五十年來的大部分時(shí)候，信息科技及應(yīng)用的進(jìn)步，都是聚焦在把目前的知識(shí)和工作程序?qū)懗沙绦虼a，并嵌入機(jī)器中。沒錯(cuò)，編碼(coding)這個(gè)詞，是指開發(fā)人員很辛苦地將腦中的知識(shí)，轉(zhuǎn)化成機(jī)器能了解和執(zhí)行的形式。這個(gè)方法有根本上的缺點(diǎn)：我們擁有的許多知識(shí)，是難以完整說明的內(nèi)隱(tacit)知識(shí)。我們幾乎不可能寫下一些指令，教另一個(gè)人學(xué)習(xí)如何騎腳踏車，或是辨識(shí)朋友的臉孔。

換句話說，我們懂的事情，比我們能表達(dá)出來的更多。這個(gè)事實(shí)十分重要，因此有個(gè)名稱：博藍(lán)尼悖論(Polanyi's Paradox)，因?yàn)椴W(xué)多聞的哲學(xué)家博藍(lán)尼在1964年說明了這個(gè)現(xiàn)象。博藍(lán)尼悖論不只限制我們能告訴另一個(gè)人的事情，一直以來，也為我們賦予機(jī)器智慧的能力，設(shè)下根本的限制。長久以來，這限制了機(jī)器在經(jīng)濟(jì)中能有效執(zhí)行的活動(dòng)。

機(jī)器學(xué)習(xí)正在克服這些限制。在第二次機(jī)器時(shí)代的第二波浪潮中，人類打造的機(jī)器正從各種例子中學(xué)習(xí)，并使用結(jié)構(gòu)化的回饋意見，解決它們本身的問題，例如，博藍(lán)尼提出有關(guān)臉孔辨識(shí)的經(jīng)典問題。

不同類型的機(jī)器學(xué)習(xí)

人工智能和機(jī)器學(xué)習(xí)有許多類型，但近年來，大部分的成功集中在一類：監(jiān)督式學(xué)習(xí)系統(tǒng)(supervised learning system)，也就是把某個(gè)問題的許多正確答案的例子給機(jī)器。這個(gè)流程，幾乎總是要把一組投入元素X，對(duì)映到一組產(chǎn)出Y。舉例來說，投入元素可能是各種不同動(dòng)物的照片，正確的產(chǎn)出，可能是這些動(dòng)物的標(biāo)記：狗、貓、馬。投入元素也可能是來自錄制聲音的波形，產(chǎn)出可能是“是”、“否”、“你好”、“再見”等(見圖：「監(jiān)督式學(xué)習(xí)系統(tǒng)」)。

監(jiān)督式學(xué)習(xí)系統(tǒng)

這個(gè)領(lǐng)域的兩位先驅(qū)湯姆.米契爾(Tom Mitchell)和麥可.喬丹(Michael I. Jordan)注意到機(jī)器學(xué)習(xí)最近的進(jìn)展，包括將一組投入元素與一組產(chǎn)出作比對(duì)。其中一些例子如下：

成功的系統(tǒng)往往使用一組訓(xùn)練數(shù)據(jù)組，其中有數(shù)千、或甚至數(shù)百萬個(gè)例子，每個(gè)例子都標(biāo)記正確的答案。接著，就放手讓系統(tǒng)去觀察新的例子。如果訓(xùn)練進(jìn)行良好，系統(tǒng)預(yù)測答案的正確率會(huì)很高。

促成這些成功背后的算法，仰賴的是一種使用神經(jīng)網(wǎng)絡(luò)的“深度學(xué)習(xí)(deep learning)”方法。深度學(xué)習(xí)算法大幅勝過舊世代的機(jī)器學(xué)習(xí)算法：它們更能善用數(shù)量更多得多的數(shù)據(jù)集。

隨著訓(xùn)練數(shù)據(jù)中的例子數(shù)目增加，舊系統(tǒng)也會(huì)改善，但只能改善到某一個(gè)程度，在那之后，額外增加數(shù)據(jù)也不會(huì)使預(yù)測變得更準(zhǔn)。這個(gè)領(lǐng)域的大師之一吳恩達(dá)(Andrew Ng)表示，深度神經(jīng)網(wǎng)路似乎不會(huì)像這樣成效趨于持平：更多資料會(huì)使預(yù)測愈來愈好。有些非常大的系統(tǒng)，使用3,600萬個(gè)或更多例子加以訓(xùn)練。當(dāng)然，運(yùn)用極大的數(shù)據(jù)集，需要愈來愈大的處理能力，因此，非常大的系統(tǒng)常必須在超級(jí)計(jì)算機(jī)和專用計(jì)算機(jī)架構(gòu)上運(yùn)作。

任何情況中，如果你有許多行為數(shù)據(jù)，并且試著預(yù)測結(jié)果，都是監(jiān)督式學(xué)習(xí)系統(tǒng)的潛在應(yīng)用。領(lǐng)導(dǎo)亞馬遜消費(fèi)者業(yè)務(wù)的杰夫.威爾克(Jeff Wilke)說，監(jiān)督式學(xué)習(xí)系統(tǒng)已大量取代以記憶為基礎(chǔ)的過濾式算法，這種過濾式算法過去是用來向顧客做個(gè)人化推薦。在其他情況中，設(shè)定存貨水平和優(yōu)化供應(yīng)鏈的傳統(tǒng)算法，已被根據(jù)機(jī)器學(xué)習(xí)、更有效率和更穩(wěn)健的系統(tǒng)取代。摩根大通銀行(JPMorgan Chase)引進(jìn)一個(gè)系統(tǒng)，審查商業(yè)貸款合約;以前需要放款行員36萬個(gè)小時(shí)的工作，現(xiàn)在能在幾秒之內(nèi)完成。而且，監(jiān)督式學(xué)習(xí)系統(tǒng)現(xiàn)在還可用來診斷皮膚癌。這些只是少數(shù)一些例子而已。

標(biāo)記一堆數(shù)據(jù)，用它來訓(xùn)練監(jiān)督式學(xué)習(xí)者，是相當(dāng)直截了當(dāng)?shù)淖龇?正因如此，監(jiān)督式機(jī)器學(xué)習(xí)系統(tǒng)，比非監(jiān)督式機(jī)器學(xué)習(xí)系統(tǒng)更常見，至少在目前是這樣。非監(jiān)督式學(xué)習(xí)系統(tǒng)設(shè)法自行學(xué)習(xí)。我們?nèi)祟愂浅錾姆潜O(jiān)督式學(xué)習(xí)者。我們對(duì)世界的大部分知識(shí)(例如辨認(rèn)一棵樹)，是在幾乎沒有標(biāo)記數(shù)據(jù)、甚至完全沒有標(biāo)記數(shù)據(jù)的情況下學(xué)到的。但要開發(fā)出用這種方式運(yùn)作的成功機(jī)器學(xué)習(xí)系統(tǒng)，是極為困難的。

當(dāng)我們學(xué)習(xí)打造穩(wěn)健的非監(jiān)督式學(xué)習(xí)者，會(huì)出現(xiàn)令人振奮的可能性。這些機(jī)器能以全新的方式，觀察復(fù)雜的問題，協(xié)助我們發(fā)現(xiàn)一些目前我們還不知道的各種形態(tài);例如，疾病的蔓延、市場中不同證券的價(jià)格波動(dòng)、顧客的購買行為等。這種可能性，使得臉書人工智能研究主管、紐約大學(xué)教授揚(yáng).勒丘恩(Yann LeCun)把監(jiān)督式學(xué)習(xí)系統(tǒng)比喻成蛋糕上的糖霜，非監(jiān)督式學(xué)習(xí)則是蛋糕本身。

以人工智能為基礎(chǔ)的系統(tǒng)，一旦在某個(gè)任務(wù)上的表現(xiàn)超越人類，就會(huì)遠(yuǎn)比從前更可能迅速擴(kuò)散。這個(gè)領(lǐng)域里的另一個(gè)成長中的小領(lǐng)域，就是強(qiáng)化式學(xué)習(xí)(reinforcement learning)。這種方法被嵌入擅長玩雅達(dá)利(Atari)電玩游戲的系統(tǒng)，以及圍棋等棋盤游戲中。它也協(xié)助優(yōu)化資料中心的電力使用，以及發(fā)展出股票市場的交易策略。Kindred研發(fā)的機(jī)器人，使用機(jī)器學(xué)習(xí)，來辨識(shí)和整理他們以前不曾遇過的對(duì)象，加快消費(fèi)性產(chǎn)品配銷中心的「拿取與放置」流程。強(qiáng)化式學(xué)習(xí)系統(tǒng)中，程序設(shè)計(jì)師會(huì)厘清系統(tǒng)的目前狀態(tài)和目標(biāo)、列出容許的行動(dòng)，并說明限制每項(xiàng)行動(dòng)所獲得結(jié)果的環(huán)境要素。這套系統(tǒng)使用容許采取的行動(dòng)，來判斷如何才能盡量接近目標(biāo)。如果人類能明確設(shè)定目標(biāo)，但不見得知道要如何達(dá)到那個(gè)目標(biāo)，那么這些系統(tǒng)運(yùn)作得很好。舉例來說，微軟(Microsoft)使用強(qiáng)化式學(xué)習(xí)，若是有較多的訪客點(diǎn)按連結(jié)，就會(huì)「獎(jiǎng)賞」系統(tǒng)更高的分?jǐn)?shù)，用這種方式來選擇MSN.com新聞報(bào)導(dǎo)的頭條新聞。這套系統(tǒng)試著根據(jù)設(shè)計(jì)者給它的規(guī)則，極大化它得到的分?jǐn)?shù)。當(dāng)然，這表示強(qiáng)化式學(xué)習(xí)系統(tǒng)會(huì)優(yōu)化，以達(dá)到你明確表示要獎(jiǎng)賞的目標(biāo)，而不見得是你真正在意的目標(biāo)，例如終身顧客價(jià)值，因此，清楚地設(shè)定正確目標(biāo)，是非常重要的。

讓機(jī)器學(xué)習(xí)得以運(yùn)作

目前想要使用機(jī)器學(xué)習(xí)的組織，有三個(gè)好消息。第一，人工智能技能正在迅速擴(kuò)散。全世界的數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)專家仍不夠多，但對(duì)他們的需求，有在線教育資源和各個(gè)大學(xué)努力去滿足。其中最好的，包括Udacity、Coursera和fast.ai，不僅教導(dǎo)入門概念，實(shí)際上還教導(dǎo)聰明、上進(jìn)的學(xué)生創(chuàng)造工業(yè)級(jí)的機(jī)器學(xué)習(xí)部署。對(duì)這方面有興趣的公司，除了訓(xùn)練本身的人員，還可以利用Upwork、Topcoder和Kaggle等在線人才平臺(tái)，尋找有可驗(yàn)證專長的機(jī)器學(xué)習(xí)專家。

第二個(gè)受歡迎的發(fā)展，是現(xiàn)代人工智能需要的算法和硬件，可視需要購買或租用。Google、亞馬遜、微軟、Salesforce和其他公司，正透過云端，提供強(qiáng)大的機(jī)器學(xué)習(xí)基礎(chǔ)設(shè)施。這些對(duì)手之間激烈的競爭，意味想要實(shí)驗(yàn)或部署機(jī)器學(xué)習(xí)的企業(yè)，會(huì)發(fā)現(xiàn)長期而言，可用的能力愈來愈強(qiáng)，價(jià)格卻愈來愈低。

最后一個(gè)好消息，可能最為人低估：你可能不需要那么多資料，就可以開始有效利用機(jī)器學(xué)習(xí)。大部分機(jī)器學(xué)習(xí)系統(tǒng)，只要給它們更多數(shù)據(jù)去運(yùn)作，它們的績效就會(huì)改善。因此合理的結(jié)論似乎是，有最多資料的公司會(huì)勝出。這種說法若要正確，前提必須是：如果「勝利」是指「主宰單一應(yīng)用的全球市場，例如廣告定向(ad targeting)或語音識(shí)別等應(yīng)用」。但如果成功的定義并非如此，而是要顯著改善績效，那么，所需要的足夠數(shù)據(jù)，往往令人意外地很容易取得。

舉例來說，Udacity共同創(chuàng)辦人塞巴斯欽.特倫(Sebastian Thrun)注意到，他的一些銷售人員在聊天室回復(fù)入站查詢方面，成效遠(yuǎn)高于其他人。特倫和他的研究所學(xué)生扎伊德.伊南(Zayd Enam)知道，他們的聊天室登錄，基本上是一組有標(biāo)記的訓(xùn)練數(shù)據(jù)，這正是監(jiān)督式學(xué)習(xí)系統(tǒng)需要的。導(dǎo)致達(dá)成銷售的互動(dòng)，標(biāo)記為成功，其他所有的互動(dòng)，標(biāo)記為失敗。伊南使用這些數(shù)據(jù)來預(yù)測，成功的銷售人員，在響應(yīng)一些極為常見的查詢時(shí)，可能會(huì)提供哪些答案，然后和其他銷售人員分享那些預(yù)測，敦促他們?nèi)〉酶玫目冃?。在一千次?xùn)練周期之后，銷售人員提高成效的幅度達(dá)54%，而且能同時(shí)服務(wù)兩倍多的顧客。

人工智能新創(chuàng)公司W(wǎng)orkFusion采取類似的方法。它和一些公司合作，用更高程度的自動(dòng)化，來進(jìn)行辦公室后端流程，例如，支付國際發(fā)票和結(jié)算金融機(jī)構(gòu)之間的交易。這些流程過去一直沒有自動(dòng)化，是因?yàn)樗鼈兿喈?dāng)復(fù)雜;相關(guān)的信息，不見得每次都以相同的方式呈現(xiàn)(“我們?nèi)绾沃浪麄冋劦氖鞘裁簇泿?”)而且需要某種程度的解讀和判斷。WorkFusion的軟件，在背景觀看人類做工作，并使用人類的行動(dòng)，作為“分類”這項(xiàng)認(rèn)知任務(wù)的訓(xùn)練數(shù)據(jù)(“這張發(fā)票是用美元。這張是用日?qǐng)A。這張是用歐元……”)。一旦系統(tǒng)對(duì)本身的分類能力有足夠的信心，就會(huì)接管分類流程。

機(jī)器學(xué)習(xí)正在三個(gè)層次上推動(dòng)變革：任務(wù)與職業(yè)、商業(yè)流程、商業(yè)模式。重新設(shè)計(jì)任務(wù)與職業(yè)的一個(gè)例子，是使用機(jī)器視覺系統(tǒng)，來辨識(shí)潛在的癌細(xì)胞，好讓放射科醫(yī)生把心力專注在真正危急的病例上、與病患溝通，以及與其他醫(yī)生協(xié)調(diào)。重新設(shè)計(jì)流程的一個(gè)例子，是亞馬遜訂單履行中心根據(jù)機(jī)器學(xué)習(xí)，引進(jìn)機(jī)器人和優(yōu)化算法之后，改造工作流程和樓面規(guī)劃。同樣的，公司應(yīng)重新思考商業(yè)模式，以充分利用機(jī)器學(xué)習(xí)系統(tǒng)，這種系統(tǒng)可以用個(gè)人化方式，聰明地推薦音樂和電影。與其根據(jù)消費(fèi)者的選擇，一首一首地銷售歌曲，更好的模式可能是讓顧客訂閱個(gè)人化電臺(tái)，這個(gè)電臺(tái)可以預(yù)測和播放那個(gè)顧客會(huì)喜歡的音樂，即使他之前不曾聽過那些音樂。

注意，機(jī)器學(xué)習(xí)系統(tǒng)很少取代整個(gè)工作、流程或商業(yè)模式。最常見的情形，是它們與人類的活動(dòng)互補(bǔ)，讓人類的工作更有價(jià)值。“把所有的任務(wù)交給機(jī)器”，不太可能是這個(gè)新分工方式的最有效準(zhǔn)則。相反地，如果成功完成某個(gè)流程需要十道步驟，其中一、兩道可能自動(dòng)化，其余的部分由人類來做，會(huì)更有價(jià)值。舉例來說，Udacity的聊天室銷售支持系統(tǒng)，并沒有試著打造可接管所有對(duì)話的機(jī)器人。相反地，它會(huì)建議人類銷售人員如何改善績效。人類仍居于主導(dǎo)地位，但效能和效率遠(yuǎn)高于從前。這么做的可行性，遠(yuǎn)高于嘗試設(shè)計(jì)機(jī)器來做人類會(huì)做的每件事。這通常會(huì)使相關(guān)人員的工作變得更好、更令人滿意，最后提供更好的成果給顧客。

設(shè)計(jì)和執(zhí)行新方式，來結(jié)合技術(shù)、人類技能與資本資產(chǎn)，以滿足顧客需求，這一切都需要大規(guī)模的創(chuàng)意與規(guī)劃。機(jī)器不是非常擅長這種任務(wù)。因此，在機(jī)器學(xué)習(xí)的時(shí)代當(dāng)創(chuàng)業(yè)家或企業(yè)經(jīng)理人，是社會(huì)中獎(jiǎng)酬最高的工作之一。

風(fēng)險(xiǎn)與限制

第二次機(jī)器時(shí)代的第二波浪潮，也伴隨著新的風(fēng)險(xiǎn)。尤其是機(jī)器學(xué)習(xí)系統(tǒng)的“可解釋能力”(interpretability)經(jīng)常偏低。意思是，人類難以清楚了解系統(tǒng)如何做成決定。深度神經(jīng)網(wǎng)絡(luò)可能有數(shù)億個(gè)連結(jié)，每個(gè)都對(duì)最后的決定貢獻(xiàn)了一小部分力量。因此，這些系統(tǒng)的預(yù)測，往往無法提出簡單、清楚的解釋。機(jī)器和人類不同，機(jī)器不擅長說故事(目前還不擅長)。它們不見得能提出理由說明，為什么某人應(yīng)征某個(gè)職位獲得錄取，另一個(gè)人則落選，或是為什么推薦某種藥物。說來諷刺，即使我們開始克服博藍(lán)尼悖論，卻正面臨它的相反版本：機(jī)器懂的，比它們能告訴我們的更多。

這產(chǎn)生了三種風(fēng)險(xiǎn)。第一，機(jī)器可能有隱藏的偏誤，而偏誤來自訓(xùn)練系統(tǒng)所用的數(shù)據(jù)，而不是設(shè)計(jì)者刻意制造偏誤。舉例來說，如果系統(tǒng)使用人類招募人員過去做的決策數(shù)據(jù)集，學(xué)會(huì)應(yīng)錄取哪些應(yīng)征工作的人，它們可能無意間永久沿用了人類決策者的種族、性別、族群或其他方面的偏誤。此外，這些偏誤可能不是以清楚的外顯(explicit)法則來呈現(xiàn)，而是嵌入數(shù)千個(gè)被考慮的因素之間微妙的互動(dòng)當(dāng)中。

第二個(gè)風(fēng)險(xiǎn)是，神經(jīng)網(wǎng)絡(luò)系統(tǒng)和建立在外顯邏輯法則上的傳統(tǒng)系統(tǒng)不同，神經(jīng)網(wǎng)絡(luò)系統(tǒng)處理的是統(tǒng)計(jì)真相(statistical truth)，不是實(shí)際真相(literal truth)。因此很難、甚至不可能

完全肯定地證明，系統(tǒng)會(huì)在所有的情況下運(yùn)作，尤其是訓(xùn)練數(shù)據(jù)里沒有呈現(xiàn)的情況。對(duì)于關(guān)鍵任務(wù)的應(yīng)用，例如，控制核能發(fā)電廠或攸關(guān)生死的決定，缺乏可驗(yàn)證性令人擔(dān)憂。

第三，當(dāng)機(jī)器學(xué)習(xí)系統(tǒng)的確會(huì)犯錯(cuò)，幾乎不可避免會(huì)犯錯(cuò)，可能就很難診斷什么事情出了差錯(cuò)，并改正錯(cuò)誤。導(dǎo)出解決方案的根本結(jié)構(gòu)，可能復(fù)雜得難以想象，而且，如果接受訓(xùn)練的系統(tǒng)所處狀況改變，解決方案可能很不理想。

雖然這些風(fēng)險(xiǎn)都很嚴(yán)重，但合適的比較標(biāo)準(zhǔn)并不是以“完美”為標(biāo)準(zhǔn)，而是可能得到的最佳替代方案。畢竟，人類也會(huì)有偏誤，也會(huì)犯錯(cuò)，也可能難以確實(shí)地解釋我們?nèi)绾巫龀赡硞€(gè)決定。以機(jī)器為基礎(chǔ)的系統(tǒng)，優(yōu)點(diǎn)在于它們經(jīng)過一段時(shí)間之后能夠逐漸改進(jìn)，而且若是給它們相同的數(shù)據(jù)，會(huì)得到前后一致的答案。

這是否意味著人工智能和機(jī)器學(xué)習(xí)能做的事沒有極限?感知和認(rèn)知涵蓋很廣的領(lǐng)域：從開車到預(yù)測銷售額，到?jīng)Q定錄用或升遷誰。我們相信，人工智能有很好的機(jī)會(huì)，不久就會(huì)在大部分或所有這些領(lǐng)域，達(dá)到超人的表現(xiàn)水平。

那么，人工智能和機(jī)器學(xué)習(xí)不能做什么事?

我們有時(shí)會(huì)聽到有人說：“人工智能永遠(yuǎn)不會(huì)擅長評(píng)估情緒化、詭計(jì)多端、狡猾、前后不一的人類：它太過一板一眼、不帶人性色彩，沒辦法做那種事。”我們不同意這種說法。像Affectiva的機(jī)器學(xué)習(xí)系統(tǒng)，在根據(jù)音調(diào)或臉部表情，以察覺人的情緒狀態(tài)方面，表現(xiàn)已達(dá)到或超越人類的水平。其他系統(tǒng)能推斷，即使是世界上最佳的撲克牌好手，什么時(shí)候在虛張聲勢，而能在極復(fù)雜的一對(duì)一無限注德州撲克(Heads-up No-Limit Texas Hold'em)競賽上擊敗他們。正確看出一個(gè)人的情緒，是細(xì)致微妙的工作，但不是魔法。它需要感知和認(rèn)知，這正是機(jī)器學(xué)習(xí)目前很強(qiáng)的領(lǐng)域，而且持續(xù)變得更強(qiáng)。

若要討論人工智能的極限，一個(gè)很好的起始點(diǎn)，就是畢加索(Pablo Picasso)對(duì)計(jì)算機(jī)的觀察：“但它們一無用處。只能給你答案。”從機(jī)器學(xué)習(xí)最近的勝利來看，它們絕對(duì)不是一無用處，但畢加索的觀察仍帶來深入的見解。計(jì)算機(jī)是回答問題的裝置，不是用來提出問題。這表示我們?nèi)匀粫?huì)很需要某些人，他們能夠看出接下來要處理什么問題或機(jī)會(huì)，或是要探索什么新領(lǐng)域，像是創(chuàng)業(yè)家、創(chuàng)新者、科學(xué)家、創(chuàng)造者等等。

雖然人工智能的這些風(fēng)險(xiǎn)都很嚴(yán)重，但合適的比較標(biāo)準(zhǔn)并不是以“完美”為標(biāo)準(zhǔn)，而是可能得到的最佳替代方案。同樣地，消極地評(píng)估某個(gè)人的心理狀態(tài)或士氣，和積極地設(shè)法改變它，這兩者有很大的不同。機(jī)器學(xué)習(xí)系統(tǒng)變得相當(dāng)擅長前者，但在后者仍遠(yuǎn)遠(yuǎn)落后我們。人類是強(qiáng)烈的社會(huì)性物種;最擅長運(yùn)用社會(huì)性驅(qū)力(social drive)如同情、自豪、團(tuán)結(jié)、羞恥等，以說服、激勵(lì)和鼓舞人的是其他人類，不是機(jī)器。2014年，TED大會(huì)和XPrize基金會(huì)宣布設(shè)立一個(gè)獎(jiǎng)項(xiàng)，頒給“在這座講臺(tái)發(fā)表引人入勝的演說，贏得聽眾起立鼓掌的第一個(gè)人工智能”。我們懷疑這個(gè)獎(jiǎng)很快就會(huì)頒出。

我們認(rèn)為，在這個(gè)超級(jí)強(qiáng)大機(jī)器學(xué)習(xí)的新時(shí)代中，人類智慧最大和最重要的機(jī)會(huì)，在于兩個(gè)領(lǐng)域的交會(huì)處：分析接下來要處理什么問題，以及說服許多人去處理那些問題，提出解決方案。這是領(lǐng)導(dǎo)力的合適定義，而這在第二次機(jī)器時(shí)代，變得遠(yuǎn)比從前重要。

人類和機(jī)器之間目前的分工情況，正在非常快速地崩解。堅(jiān)持原來見解的公司會(huì)發(fā)現(xiàn)：相較于愿意且能夠?qū)C(jī)器學(xué)習(xí)應(yīng)用在所有合適地方的對(duì)手，以及能分析如何有效整合它的能力與人類能力的公司，堅(jiān)持原來見解的公司日益落居競爭劣勢。

由于技術(shù)進(jìn)步，商業(yè)世界已經(jīng)開始經(jīng)歷地殼變動(dòng)般的根本改變。和蒸汽動(dòng)力與電力的情況一樣，區(qū)分贏家和輸家的因素，不在于能不能取得新技術(shù)，甚至不在于是否能聘用到最佳的技術(shù)人員。相反地，贏家將會(huì)是態(tài)度夠開放的創(chuàng)新者，他們的眼光能夠超越現(xiàn)狀，設(shè)想出非常不同的方法;他們也夠聰明，能夠運(yùn)用那些方法。機(jī)器學(xué)習(xí)留給我們最大的成果之一，可能是創(chuàng)造新一代的企業(yè)領(lǐng)導(dǎo)人。

我們認(rèn)為，人工智能，尤其是機(jī)器學(xué)習(xí)，是我們這個(gè)時(shí)代最重要的通用技術(shù)。這些創(chuàng)新對(duì)企業(yè)和經(jīng)濟(jì)的沖擊，將不只反映在它們的直接貢獻(xiàn)上，也反映在它們能夠促成和啟發(fā)互補(bǔ)性的創(chuàng)新。

機(jī)器學(xué)習(xí)帶來很多能力，像是更好的視覺系統(tǒng)、語音識(shí)別、智能問題解決等等，有了這些能力，就可能出現(xiàn)新的產(chǎn)品和流程。

有些專家更進(jìn)一步。豐田研究所(Toyota Institute)現(xiàn)任領(lǐng)導(dǎo)人吉爾.普拉特(Gil Pratt)，把目前這一波的人工智能技術(shù)，比喻成五億年前的寒武紀(jì)大爆發(fā)，那時(shí)孕育出不計(jì)其數(shù)的新生

命形式。那時(shí)候和現(xiàn)在一樣，一個(gè)關(guān)鍵新能力是視覺。當(dāng)動(dòng)物首次得到這種能力，便能遠(yuǎn)比從前更有效探索環(huán)境;這催化了物種的數(shù)量大幅增加，包括獵物和掠食者，而且，被填滿的生態(tài)棲位(ecological niche)范圍也大大增加。今天的情況也類似，我們預(yù)期會(huì)見到各種新產(chǎn)品、服務(wù)、流程和組織形式，同時(shí)也會(huì)有大量的滅絕。在出乎意料的成功之外，必然也會(huì)有一些可怕的失敗。

雖然很難確切預(yù)測哪些公司將主導(dǎo)新的環(huán)境，但有個(gè)通則很清楚：最靈活和順應(yīng)力最強(qiáng)的公司與高階主管，會(huì)繁榮發(fā)展。在由人工智能賦予能力的領(lǐng)域里，能迅速察覺和響應(yīng)機(jī)會(huì)的組織，將會(huì)掌握優(yōu)勢。所以，成功的策略是愿意做實(shí)驗(yàn)，以及快速學(xué)習(xí)。如果經(jīng)理人不在機(jī)器學(xué)習(xí)的領(lǐng)域加強(qiáng)實(shí)驗(yàn)，就沒有善盡職責(zé)。接下來十年，人工智能不會(huì)取代經(jīng)理人，但使用人工智能的經(jīng)理人，會(huì)取代那些不使用人工智能的經(jīng)理人。