4/4 可免費閱讀文章篇數免費閱讀

本文出自

沒有留不住的顧客

沒有留不住的顧客

2017年1月號

機器智慧簡單經濟學

The Simple Economics of Machine Intelligence
阿杰.艾格拉瓦 Ajay Agrawal , 約書亞.甘斯 Joshua Gans , 阿維.高德法布 Avi Goldfarb
瀏覽人數:17888
  • "機器智慧簡單經濟學"


  • 字放大
  • 文章授權
    購買〈機器智慧簡單經濟學〉文章授權
  • 購買文章
    購買〈機器智慧簡單經濟學〉PDF檔
    下載點數 10
機器智慧簡單經濟學
1995年,被譽為「新經濟」(New Economy)的開始:數位通訊將顛覆市場並改變一切,勢在必行。但大多數經濟學者不相信這套誇張說法。這不是因為我們沒有察覺事情發生變化,而是因為我們發現,以舊的經濟學觀點來檢視正在發生的變化,仍然很有用。我們可以在高層次上,描述新經濟的經濟學:數位技術將使搜尋和通訊成本降低。這將帶來更多搜尋、通訊,以及伴隨搜尋與通訊而來的活動。這就是基本上已發生的事。

如今,我們看到有關機器智慧的類似誇張說法。但身為經濟學家,我們再次認為有一些簡單的原則可應用。技術革命往往涉及一些變得便宜的重要活動,例如,通訊或尋找資訊的成本。本質上,機器智慧是一種預測技術(prediction technology),因此經濟上的改變,將集中在預測成本的降低。

機器智慧的第一個效果,是降低依賴預測的商品與服務成本。這很重要,因為對交通、農業、醫療保健、能源生產、零售等大量活動而言,「預測」是一項投入要素。

當任何投入要素的成本急劇下降,還會造成另外兩個非常確實的經濟影響。首先,我們將開始把預測運用在我們以前不曾使用預測的任務。其次,其他能與預測功能互補的事物,價值也會上升。

許多任務將重新定義為預測問題

由於機器智慧降低了預測成本,我們將開始把預測,用在以前從未使用過預測的事情上。一個歷史性的實例是半導體,這個領域的技術進展,導致一種不同的投入要素成本顯著下降:運算。有了半導體,我們可以用便宜的方式運算,因此,那些以運算為關鍵性投入要素的活動,像是資料分析與會計,就變得便宜得多。然而,我們也開始使用新的便宜運算,來解決歷來不是運算問題的問題。攝影,就是這樣的例子。我們從以影片為導向、以化學為基礎的方法,轉變為以數位為導向、以運算為基礎的方法。便宜運算的其他新應用,包括通訊、音樂和藥物研發。

機器智慧與預測也是如此。隨著預測成本下降,不僅歷來以預測為導向的活動,像是庫存管理與需求預測,變得較便宜,而且,我們也將使用預測,來解決其他歷來不使用預測的問題。

以「導航」為例:直到最近,無人自動駕駛僅限於高度受控制的環境,例如,倉庫與工廠,在那些地方,程式人員可預測車輛可能遇到的種種情況,並編寫相應程式,成為「如果-就-否則」(if-then-else)類型的決策演算法;例如,「如果有物體接近車輛,就減速」。自動駕駛車輛在城市街道上行駛,是難以想像的,因為在那種不受控制的環境下,可能面臨的情況,需要編寫幾乎無止境的「如果-就-否則」程式語句。

令人難以想像,直到不久之前,還是如此。一旦預測變便宜了,創新者把駕駛重新定義為預測問題。他們不是編寫無盡的「如果-就-否則」語句,而是簡單要求人工智慧預測:「人類駕駛員會怎麼做?」他們為車輛配備各種感測器:攝影機、光學雷達、雷達等,然後收集數百萬哩的人類駕駛資料。人工智慧把汽車外部感測器傳入的環境資料,和汽車內部人員的駕駛決策,像是轉向、煞車、加速等,連結起來,而學會預測人類對每秒輸入的環境資料會如何反應。因此,預測是現今解決方案的主要成分,它解決了先前人們不認為是預測問題的問題。

判斷變得更有價值

基本投入要素的成本急劇下降時,通常會影響到其他投入要素的價值。與它互補的事物,價值會上升;替代它的事物,價值會下降。就攝影來說,和數位相機相關的硬體與軟體零件價值,在運算成本下降時上升了,因為需求增加:我們想要較多那些東西。那些零件是運算的互補物:它們一起使用。相形之下,和電影相關的化學品的價值下降了:我們不想要那麼多那些東西。

所有的人類活動,都可以用五個高層次的成分來描述:資料、預測、判斷、行動和結果。例如,因為疼痛而去看醫生會導致:(1)照X光、抽血檢查、監測(資料);(2)診斷問題,例如,「如果我們施用A療法,預料會得到X結果,但如果我們施用B療法,預料會得到Y結果」(預測);(3)衡量選項:「考慮到你的年齡、生活方式和家庭狀況,我認為你可能最適合接受A療法;我們來討論你對風險與副作用的感受」(判斷);(4)施用A療法(行動),和(5)完全康復,有輕微的副作用(結果)。

隨著機器智慧的改善,人類預測技能的價值會降低,因為機器會提供較便宜、較優良的預測,替代人類的預測,就像是機器替代了人類的運算。然而,這不會像許多專家認為的那樣,會使人類工作陷入絕境。這是因為人類判斷技能的價值會增加。使用經濟學的語言來說,判斷是彌補預測的不足,因此,預測的成本降低時,對判斷的需求就會上升。我們會想要更多人類判斷。

例如,在預測便宜時,診斷將更頻繁且方便,因此,我們檢測出的早期、可治療的疾病,比以前多得多。這意味醫療方面的決策會做得更多,因而更需要人類運用道德標準與提供情感支持。判斷與預測之間的界線並不明確:有些判斷任務,甚至會重新定義為一系列的預測。然而,整體來說,和預測相關的人類技能價值會降低,和判斷相關的人類技能的價值會上升。

使用經濟學的語言來說,判斷是彌補預測的不足,因此,預測的成本降低時,對判斷的需求就會上升。我們會想要更多人類判斷。

將機器智慧的上升,解釋為預測成本的下降,並不能解答關於技術如何演進的每個具體問題。但它產生兩個關鍵的影響:(1)預測作為投入要素的角色擴大,會投入在更多商品與服務;(2)其他投入要素的價值改變了,這取決於它們補足或替代預測的程度。這些改變即將到來。經理人該以什麼樣的速度和程度,投資在和判斷相關的能力上,取決於改變的到來有多快速。

(侯秀琴譯自2016年11月17日HBR.org數位版文章)



阿杰.艾格拉瓦 Ajay Agrawal

多倫多大學羅特曼管理學院(Rotman School of Management, University of Toronto)創業學講座教授。他也是美國國家經濟研究局(National Bureau of Economic Research)研究員、加拿大創業育成機構Next 36共同創辦人、創意解構實驗室(Creative Destruction Lab)創辦人、創新與創業中心(Centre for Innovation and Entrepreneurship)學術主任。


約書亞.甘斯 Joshua Gans

多倫多大學羅特曼管理學院策略管理教授。他的最新著作《破壞的困境》(The Disruption Dilemma)由MIT出版社(MIT Press)出版。


阿維.高德法布 Avi Goldfarb

多倫多大學羅特曼管理學院行銷學教授。


本篇文章主題經濟

你可能還會想看