4/4 可免費閱讀文章篇數免費閱讀

本文出自

人工智慧,萬能或不能?

人工智慧,萬能或不能?

2017年10月號

人工智慧大商機

The Business Of Artificial Intelligence
艾瑞克.布林優夫森 Erik Brynjolfsson , 安德魯.麥克費 Andrew McAfee
瀏覽人數:18298
  • "人工智慧大商機"

  • 字放大
  • 文章授權
    購買〈人工智慧大商機〉文章授權
  • 購買文章
    購買〈人工智慧大商機〉PDF檔
    下載點數 10
What does it mean to be human? What do we recognize as artificial? The art for this series was generated from a series of photographs of humans, but because of an application of distortion, you may not recognize the features they portray. Or you may. (SOURCE: HBR Design Staff)
人工智慧終於成真,並即將對商業產生深遠的影響。但它並不是魔法,因此,本文說明對你的組織來說,人工智慧能做什麼,以及做不到什麼。

250多年來,經濟成長的根本動力一直都是技術創新。其中最重要的,是經濟學家說的「通用技術」(general-purpose technology):這類技術包括蒸汽機、電力和內燃機。每一類都催生了一波波的互補性創新和機會。舉例來說,有了內燃機,汽車、貨車、飛機、鏈鋸和割草機應運而生,還有大賣場式零售商、購物中心、交叉配送倉庫(cross-docking warehouse)、新的供應鏈,而你若仔細想想,連郊區也是。沃爾瑪(WalMart)、優比速(UPS)和優步(Uber)等各式各樣的公司,都找到善用這種技術的方式,創造出有獲利的新商業模式。

我們這個時代,最重要的通用技術是人工智慧,尤其是機器學習,也就是機器有能力持續不斷改善本身的表現,人類交付任務給機器時,不必確切解釋如何完成所有那些任務。過去幾年之間,機器學習已遠比從前有效且普及。我們現在建立的一些系統,已懂得如何自行執行任務。

為什麼這件事非同小可?理由有二。第一,我們人類了解的事情,比我們能說出來的更多。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,從辨識人的臉,到玩古老亞洲鬥智遊戲圍棋時下聰明的一步棋,都包括在內。在機器學習之前,無法明確表達自己的知識,就表示我們不能把許多任務自動化。而現在,我們做得到了。

第二,機器學習系統往往很擅長學習。它們能在廣泛的活動上,展現出超乎人類的表現,包括偵測詐欺和診斷疾病。優異的數位學習者,正被部署到經濟的各個角落,它們造成的衝擊會十分深遠。

在商業領域,人工智慧勢必會產生改造一切的衝擊,規模不亞於先前的通用技術。雖然世界各地已有成千上萬的公司開始使用它,但大多數的大機會還沒有被開發。未來十年,人工智慧的影響將會擴大,因為製造、零售、運輸、金融、健康照護、法律、廣告、保險、娛樂、教育,以及其他每一種產業,都會改造本身的核心流程和商業模式,以充分利用機器學習。現在的瓶頸,是在管理、執行和商業想像上。

然而,人工智慧和其他許多新技術一樣,產生許多不切實際的期望。我們見到商業計畫動不動就提到機器學習、神經網路,以及這種技術的其他形式,卻很少提及它的真正能力。舉例來說,單單稱一個約會網站是「人工智慧驅動」,並不會使它的效果更好,但可能有助於籌募資金。本文將避開這些雜音,直接說明人工智慧的真正潛力、它的實務意涵,以及有哪些障礙妨礙採用它。

現在,人工智慧能做什麼?

人工智慧這個詞,是達特茅斯學院(Dartmouth)數學教授約翰.麥卡錫(John McCarthy),在1955年創造的。隔年,他針對這個主題,籌辦開創性的研討會。此後,可能部分由於它那引發人們想像的名稱,這個領域產生了比它夢幻般宣言和承諾還要多的東西。1957年,經濟學家赫伯特.賽蒙(Herbert Simon)預測,十年內電腦會在西洋棋比賽上打敗人類(實際上花了四十年)。1967年,認知科學家馬文.明斯基(Marvin Minsky)說:「一個世代內,創造『人工智慧』時遇到的問題,將會大幅解決。」賽蒙和明斯基都是知識巨人,卻都錯得十分離譜。因此,對於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慧已經在做什麼,以及它改善的速度有多快。最大的進展在兩大領域:感知(perception)與認知(cognition)。在感知方面,一些最實用的進展和語音有關。語音辨識要達到完美,還有一大段距離,但數百萬人正在使用它,例如Siri、Alexa和Google Assistant。你正在看的這篇文章,是先向電腦口述,然後以足夠的正確程度轉成文字,速度比打字要快。史丹福大學電腦科學家詹姆斯.藍德(James Landay)和同事的研究發現,平均來說,目前進行語音辨識,比在手機上打字約快三倍。以前的錯誤率是8.5%,現在已經降為4.9%。引人注目的是,這麼大幅度的改善,不是過去十年發生的,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慧,但大多數的大機會還沒有被開發。

圖像辨識也大幅改善。你可能已經注意到臉書(Facebook)和其他應用程式,現在認得出你張貼照片中朋友的臉孔,並提醒你標記他們的名字。安裝在智慧型手機裡的應用程式,認得出野外中的幾乎任何鳥類。圖像辨識甚至取代企業總部中的身分識別證。無人駕駛汽車中使用的視覺系統,以前確認行人時,每三十張圖像就會錯誤一次(這些系統中的相機,每秒就記錄約三十張);現在,它們的錯誤次數,是每三千萬張不到一次。一個名為ImageNet的大型資料庫,擁有數百萬張常見、模糊,或是十分詭異的圖片,辨識圖像的最佳系統,辨識那個資料庫裡圖片的錯誤率,從2010年的高於30%,降為2016年的4%左右(見圖:「小狗或馬芬蛋糕?」)。

近年來採用的一種新方法,是以非常大型或「深度」的神經網路為基礎,因此改善的速度迅速加快。視覺系統的機器學習方法,仍有許多缺陷;但連人也很難迅速認出小狗的臉,或者更令人尷尬的是,看到牠們可愛的臉孔,但其實並不存在。

第二類的重大改善,是在認知和問題解決方面。機器已經在撲克牌和圍棋方面,擊敗最優秀的人類高手,專家本來預測至少還要再十年才會達到這樣的成就。Google的DeepMind團隊使用機器學習系統,改善資料中心的冷卻效率達15%以上,即使人類專家之前已經將它們優化了。網路安全公司深度本能(Deep Instinct)使用智慧型代理(intelligent agent),偵測惡意軟體。PayPal也用智慧型代理來防範洗錢。使用IBM技術的一套系統,將新加坡一家保險公司的理賠流程自動化。資料科學平台公司Lumidatum的一套系統,即時提供建議,以改善顧客支援。數十家公司正使用機器學習,決定要在華爾街執行哪些交易,而且在它的協助之下,做成愈來愈多信用決策。亞馬遜(Amazon)運用機器學習,來優化存貨,和改善對顧客的產品建議。無限分析公司(Infinite Analytics)開發出一套機器學習系統,預測使用者會不會點按某一則廣告,為一家全球消費性包裝產品公司改善線上廣告刊登效果。另一套機器學習系統,用來改善巴西一家線上零售商的顧客搜尋與發現過程。前述第一套系統提高廣告的投資報酬率三倍,第二套系統使得年營業收入增加1.25億美元。

機器學習系統不只取代許多應用軟體中比較舊的演算法,現在,更在許多過去人類較擅長的任務上,表現卓越。這些系統仍然很不完美,但它們在ImageNet資料庫約5%的錯誤率,表現已經與人類的水準相當,或者更好。語音辨識現在也幾乎等同於人類的表現,即使在嘈雜的環境中也是如此。達到這個門檻,開啟了改造職場和經濟的龐大新可能性。以人工智慧為基礎的系統,一旦在某個任務上的表現超越人類,就會遠比從前更可能迅速擴散。舉例來說,分別是無人機和機器人製造商的Aptonomy與Sanbot,正使用改良後的視覺系統,將不少保全工作自動化。軟體業者Affectiva等公司,正在使用它們來辨識焦點小組成員的喜悅、驚訝和憤怒等情緒。有幾家深度學習新創企業使用它們掃瞄醫療圖像,以協助診斷癌症,Enlitic就是其中一家公司。

這些是令人印象深刻的成就,但是,以人工智慧為基礎的系統,應用範圍仍然相當狹隘。例如,ImageNet資料庫有高達幾百萬張圖像,人工智慧辨識ImageNet圖像的表現可圈可點,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,因為照明清況、角度、圖像解析度和背景,可能非常不同。從更根本的層面來說,若有一套系統可了解中文的語音,並翻譯成英文,我們會對這套系統的能力讚嘆不已,但我們不能期待這種系統懂得特定的中國字是什麼意思,更別提是讓它們告訴我們,到了北京要去哪裡用餐了。如果某個人有一項任務執行得很好,我們自然會假定那個人,在相關任務上也擁有一些能力。但機器學習系統受到訓練是要去做特定的任務,通常它們的知識不會擴大應用(generalize)。有些人誤以為電腦狹隘地理解某件事,就意味著它能更廣泛地了解其他事物,可能主要是因為這種謬誤,而造成人們對人工智慧進展感到困惑,並出現浮誇的說法。機器要展現涵蓋各種領域的普遍智慧,這樣的境界仍然相當遙遠。

了解機器學習

關於機器學習的最重要事情,是它意味要用根本上完全不同的方式來製作軟體:機器從例子中學習,而不是明確編寫程式,以得到特定的結果。這和以前的做法大不相同。過去五十年來的大部分時候,資訊科技及應用的進步,都是聚焦在把目前的知識和工作程序寫成程式碼,並嵌入機器中。沒錯,「編碼」(coding)這個詞,是指開發人員很辛苦地將腦中的知識,轉化成機器能了解和執行的形式。這個方法有根本上的缺點:我們擁有的許多知識,是難以完整說明的內隱(tacit)知識。我們幾乎不可能寫下一些指令,教另一個人學習如何騎腳踏車,或是辨識朋友的臉孔。

換句話說,我們懂的事情,比我們能表達出來的更多。這個事實十分重要,因此有個名稱:博藍尼悖論(Polanyi's Paradox),因為博學多聞的哲學家博藍尼在1964年說明了這個現象。博藍尼悖論不只限制我們能告訴另一個人的事情,一直以來,也為我們賦予機器智慧的能力,設下根本的限制。長久以來,這限制了機器在經濟中能有效執行的活動。

機器學習正在克服這些限制。在第二次機器時代的第二波浪潮中,人類打造的機器正從各種例子中學習,並使用結構化的回饋意見,解決它們本身的問題,例如,博藍尼提出有關臉孔辨識的經典問題。

不同類型的機器學習

人工智慧和機器學習有許多類型,但近年來,大部分的成功集中在一類:監督式學習系統(supervised learning system),也就是把某個問題的許多正確答案的例子給機器。這個流程,幾乎總是要把一組投入元素X,對應到一組產出Y。舉例來說,投入元素可能是各種不同動物的照片,正確的產出,可能是這些動物的標記:狗、貓、馬。投入元素也可能是來自錄製聲音的波形,產出可能是「是」、「否」、「你好」、「再見」等(見圖:「監督式學習系統」)。

監督式學習系統

這個領域的兩位先驅湯姆.米契爾(Tom Mitchell)和麥可.喬丹(Michael I. Jordan)注意到機器學習最近的進展,包括將一組投入元素與一組產出作比對。其中一些例子如下:

投入X產出Y應用
錄音文字語音辨識
過去的市場資料未來的市場資料交易機器人
照片照片說明文字圖像標記
藥物的化學性質治療效果醫藥研發
商店交易細節這筆交易是否為詐欺?詐欺偵測
食譜材料顧客評論美食推薦
採購歷史未來的購買行為留住顧客
汽車位置與速度交通流量交通號誌
臉孔姓名臉孔辨識

成功的系統往往使用一組訓練資料組,其中有數千、或甚至數百萬個例子,每個例子都標記正確的答案。接著,就放手讓系統去觀察新的例子。如果訓練進行良好,系統預測答案的正確率會很高。

促成這些成功背後的演算法,仰賴的是一種使用神經網路的「深度學習(deep learning)」方法。深度學習演算法大幅勝過舊世代的機器學習演算法:它們更能善用數量更多得多的資料集。隨著訓練資料中的例子數目增加,舊系統也會改善,但只能改善到某一個程度,在那之後,額外增加資料也不會使預測變得更準。這個領域的大師之一吳恩達(Andrew Ng)表示,深度神經網路似乎不會像這樣成效趨於持平:更多資料會使預測愈來愈好。有些非常大的系統,使用3,600萬個或更多例子加以訓練。當然,運用極大的資料集,需要愈來愈大的處理能力,因此,非常大的系統常必須在超級電腦和專用電腦架構上運作。

任何情況中,如果你有許多行為資料,並且試著預測結果,都是監督式學習系統的潛在應用。領導亞馬遜消費者業務的傑夫.威爾克(Jeff Wilke)說,監督式學習系統已大量取代以記憶為基礎的過濾式演算法,這種過濾式演算法過去是用來向顧客做個人化推薦。在其他情況中,設定存貨水準和優化供應鏈的傳統演算法,已被根據機器學習、更有效率和更穩健的系統取代。摩根大通銀行(JPMorgan Chase)引進一個系統,審查商業貸款合約;以前需要放款行員36萬個小時的工作,現在能在幾秒之內完成。而且,監督式學習系統現在還可用來診斷皮膚癌。這些只是少數一些例子而已。

標記一堆資料,用它來訓練監督式學習者,是相當直截了當的做法;正因如此,監督式機器學習系統,比非監督式機器學習系統更常見,至少在目前是這樣。非監督式學習系統設法自行學習。我們人類是出色的非監督式學習者。我們對世界的大部分知識(例如辨認一棵樹),是在幾乎沒有標記資料、甚至完全沒有標記資料的情況下學到的。但要開發出用這種方式運作的成功機器學習系統,是極為困難的。

當我們學習打造穩健的非監督式學習者,會出現令人振奮的可能性。這些機器能以全新的方式,觀察複雜的問題,協助我們發現一些目前我們還不知道的各種形態;例如,疾病的蔓延、市場中不同證券的價格波動、顧客的購買行為等。這種可能性,使得臉書人工智慧研究主管、紐約大學教授揚.勒丘恩(Yann LeCun)把監督式學習系統比喻成蛋糕上的糖霜,非監督式學習則是蛋糕本身。

以人工智慧為基礎的系統,一旦在某個任務上的表現超越人類,就會遠比從前更可能迅速擴散。

這個領域裡的另一個成長中的小領域,就是強化式學習(reinforcement learning)。這種方法被嵌入擅長玩雅達利(Atari)電玩遊戲的系統,以及圍棋等棋盤遊戲中。它也協助優化資料中心的電力使用,以及發展出股票市場的交易策略。Kindred研發的機器人,使用機器學習,來辨識和整理他們以前不曾遇過的物件,加快消費性產品配銷中心的「拿取與放置」流程。強化式學習系統中,程式設計師會釐清系統的目前狀態和目標、列出容許的行動,並說明限制每項行動所獲得結果的環境要素。這套系統使用容許採取的行動,來判斷如何才能盡量接近目標。如果人類能明確設定目標,但不見得知道要如何達到那個目標,那麼這些系統運作得很好。舉例來說,微軟(Microsoft)使用強化式學習,若是有較多的訪客點按連結,就會「獎賞」系統更高的分數,用這種方式來選擇MSN.com新聞報導的頭條新聞。這套系統試著根據設計者給它的規則,極大化它得到的分數。當然,這表示強化式學習系統會優化,以達到你明確表示要獎賞的目標,而不見得是你真正在意的目標,例如終身顧客價值,因此,清楚地設定正確目標,是非常重要的。

讓機器學習得以運作

目前想要使用機器學習的組織,有三個好消息。第一,人工智慧技能正在迅速擴散。全世界的資料科學家和機器學習專家仍不夠多,但對他們的需求,有線上教育資源和各個大學努力去滿足。其中最好的,包括Udacity、Coursera和fast.ai,不僅教導入門概念,實際上還教導聰明、上進的學生創造工業級的機器學習部署。對這方面有興趣的公司,除了訓練本身的人員,還可以利用Upwork、Topcoder和Kaggle等線上人才平台,尋找有可驗證專長的機器學習專家。

第二個受歡迎的發展,是現代人工智慧需要的演算法和硬體,可視需要購買或租用。Google、亞馬遜、微軟、Salesforce和其他公司,正透過雲端,提供強大的機器學習基礎設施。這些對手之間激烈的競爭,意味想要實驗或部署機器學習的企業,會發現長期而言,可用的能力愈來愈強,價格卻愈來愈低。

最後一個好消息,可能最為人低估:你可能不需要那麼多資料,就可以開始有效利用機器學習。大部分機器學習系統,只要給它們更多資料去運作,它們的績效就會改善。因此合理的結論似乎是,有最多資料的公司會勝出。這種說法若要正確,前提必須是:如果「勝利」是指「主宰單一應用的全球市場,例如廣告定向(ad targeting)或語音辨識等應用」。但如果成功的定義並非如此,而是要顯著改善績效,那麼,所需要的足夠資料,往往令人意外地很容易取得。

舉例來說,Udacity共同創辦人塞巴斯欽.特倫(Sebastian Thrun)注意到,他的一些銷售人員在聊天室回覆主動來詢問的潛在顧客時,成效遠高於其他人。特倫和他的研究所學生扎伊德.伊南(Zayd Enam)知道,他們的聊天室登錄,基本上是一組有標記的訓練資料,這正是監督式學習系統需要的。導致達成銷售的互動,標記為成功,其他所有的互動,標記為失敗。伊南使用這些資料來預測,成功的銷售人員,在回應一些極為常見的查詢時,可能會提供哪些答案,然後和其他銷售人員分享那些預測,敦促他們取得更好的績效。在一千次訓練週期之後,銷售人員提高成效的幅度達54%,而且能同時服務兩倍多的顧客。

人工智慧新創公司WorkFusion採取類似的方法。它和一些公司合作,用更高程度的自動化,來進行辦公室後端流程,例如,支付國際發票和結算金融機構之間的交易。這些流程過去一直沒有自動化,是因為它們相當複雜;相關的資訊,不見得每次都以相同的方式呈現(「我們如何知道他們談的是什麼貨幣?」)而且需要某種程度的解讀和判斷。WorkFusion的軟體,在背景觀看人類做工作,並使用人類的行動,作為「分類」這項認知任務的訓練資料(「這張發票是用美元。這張是用日圓。這張是用歐元……」)。一旦系統對本身的分類能力有足夠的信心,就會接管分類流程。

機器學習正在三個層次上推動變革:任務與職業、商業流程、商業模式。重新設計任務與職業的一個例子,是使用機器視覺系統,來辨識潛在的癌細胞,好讓放射科醫生把心力專注在真正危急的病例上、與病患溝通,以及與其他醫生協調。重新設計流程的一個例子,是亞馬遜訂單履行中心根據機器學習,引進機器人和優化演算法之後,改造工作流程和樓面規畫。同樣的,公司應重新思考商業模式,以充分利用機器學習系統,這種系統可以用個人化方式,聰明地推薦音樂和電影。與其根據消費者的選擇,一首一首地銷售歌曲,更好的模式可能是讓顧客訂閱個人化電台,這個電台可以預測和播放那個顧客會喜歡的音樂,即使他之前不曾聽過那些音樂。

注意,機器學習系統很少取代整個工作、流程或商業模式。最常見的情形,是它們與人類的活動互補,讓人類的工作更有價值。「把所有的任務交給機器」,不太可能是這個新分工方式的最有效準則。相反地,如果成功完成某個流程需要十道步驟,其中一、兩道可能自動化,其餘的部分由人類來做,會更有價值。舉例來說,Udacity的聊天室銷售支援系統,並沒有試著打造可接管所有對話的機器人。相反地,它會建議人類銷售人員如何改善績效。人類仍居於主導地位,但效能和效率遠高於從前。這麼做的可行性,遠高於嘗試設計機器來做人類會做的每件事。這通常會使相關人員的工作變得更好、更令人滿意,最後提供更好的成果給顧客。

設計和執行新方式,來結合技術、人類技能與資本資產,以滿足顧客需求,這一切都需要大規模的創意與規畫。機器不是非常擅長這種任務。因此,在機器學習的時代當創業家或企業經理人,是社會中獎酬最高的工作之一。

風險與限制

第二次機器時代的第二波浪潮,也伴隨著新的風險。尤其是機器學習系統的「可解釋能力」(interpretability)經常偏低。意思是,人類難以清楚了解系統如何做成決定。深度神經網路可能有數億個連結,每個都對最後的決定貢獻了一小部分力量。因此,這些系統的預測,往往無法提出簡單、清楚的解釋。機器和人類不同,機器不擅長說故事(目前還不擅長)。它們不見得能提出理由說明,為什麼某人應徵某個職位獲得錄取,另一個人則落選,或是為什麼推薦某種藥物。說來諷刺,即使我們開始克服博藍尼悖論,卻正面臨它的相反版本:機器懂的,比它們能告訴我們的更多。

這產生了三種風險。第一,機器可能有隱藏的偏誤,而偏誤來自訓練系統所用的資料,而不是設計者刻意製造偏誤。舉例來說,如果系統使用人類招募人員過去做的決策資料集,學會應錄取哪些應徵工作的人,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,而是嵌入數千個被考慮的因素之間微妙的互動當中。

第二個風險是,神經網路系統和建立在外顯邏輯法則上的傳統系統不同,神經網路系統處理的是統計真相(statistical truth),不是實際真相(literal truth)。因此很難、甚至不可能完全肯定地證明,系統會在所有的情況下運作,尤其是訓練資料裡沒有呈現的情況。對於關鍵任務的應用,例如,控制核能發電廠或攸關生死的決定,缺乏可驗證性令人擔憂。

第三,當機器學習系統的確會犯錯,幾乎不可避免會犯錯,可能就很難診斷什麼事情出了差錯,並改正錯誤。導出解決方案的根本結構,可能複雜得難以想像,而且,如果接受訓練的系統所處狀況改變,解決方案可能很不理想。

雖然這些風險都很嚴重,但合適的比較標準並不是以「完美」為標準,而是可能得到的最佳替代方案。畢竟,人類也會有偏誤,也會犯錯,也可能難以確實地解釋我們如何做成某個決定。以機器為基礎的系統,優點在於它們經過一段時間之後能夠逐漸改進,而且若是給它們相同的資料,會得到前後一致的答案。

這是否意味著人工智慧和機器學習能做的事沒有極限?感知和認知涵蓋很廣的領域:從開車到預測銷售額,到決定錄用或升遷誰。我們相信,人工智慧有很好的機會,不久就會在大部分或所有這些領域,達到超人的表現水準。那麼,人工智慧和機器學習不能做什麼事?

我們有時會聽到有人說:「人工智慧永遠不會擅長評估情緒化、詭計多端、狡猾、前後不一的人類: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的機器學習系統,在根據音調或臉部表情,以察覺人的情緒狀態方面,表現已達到或超越人類的水準。其他系統能推斷,即使是世界上最佳的撲克牌好手,什麼時候在虛張聲勢,而能在極複雜的一對一無限注德州撲克(Heads-up No-Limit Texas Hold'em)競賽上擊敗他們。正確看出一個人的情緒,是細緻微妙的工作,但不是魔法。它需要感知和認知,這正是機器學習目前很強的領域,而且持續變得更強。

若要討論人工智慧的極限,一個很好的起始點,就是畢卡索(Pablo Picasso)對電腦的觀察:「但它們一無用處。只能給你答案。」從機器學習最近的勝利來看,它們絕對不是一無用處,但畢卡索的觀察仍帶來深入的見解。電腦是回答問題的裝置,不是用來提出問題。這表示我們仍然會很需要某些人,他們能夠看出接下來要處理什麼問題或機會,或是要探索什麼新領域,像是創業家、創新者、科學家、創造者等等。

雖然人工智慧的這些風險都很嚴重,但合適的比較標準並不是以「完美」為標準,而是可能得到的最佳替代方案。

同樣地,消極地評估某個人的心理狀態或士氣,和積極地設法改變它,這兩者有很大的不同。機器學習系統變得相當擅長前者,但在後者仍遠遠落後我們。人類是強烈的社會性物種;最擅長運用社會性驅力(social drive)如同情、自豪、團結、羞恥等,以說服、激勵和鼓舞人的是其他人類,不是機器。2014年,TED大會和XPrize基金會宣布設立一個獎項,頒給「在這座講台發表引人入勝的演說,贏得聽眾起立鼓掌的第一個人工智慧」。我們懷疑這個獎很快就會頒出。

我們認為,在這個超級強大機器學習的新時代中,人類智慧最大和最重要的機會,在於兩個領域的交會處:研判接下來要處理什麼問題,以及說服許多人去處理那些問題,提出解決方案。這是領導力的合適定義,而這在第二次機器時代,變得遠比從前重要。

人類和機器之間目前的分工情況,正在非常快速地崩解。堅持原來見解的公司會發現:相較於願意且能夠將機器學習應用在所有合適地方的對手,以及能研判如何有效整合它的能力與人類能力的公司,堅持原來見解的公司日益落居競爭劣勢。

由於技術進步,商業世界已經開始經歷地殼變動般的根本改變。和蒸汽動力與電力的情況一樣,區分贏家和輸家的因素,不在於能不能取得新技術,甚至不在於是否能聘用到最佳的技術人員。相反地,贏家將會是態度夠開放的創新者,他們的眼光能夠超越現狀,設想出非常不同的方法;他們也夠聰明,能夠運用那些方法。機器學習留給我們最大的成果之一,可能是創造新一代的企業領導人。

我們認為,人工智慧,尤其是機器學習,是我們這個時代最重要的通用技術。這些創新對企業和經濟的衝擊,將不只反映在它們的直接貢獻上,也反映在它們能夠促成和啟發互補性的創新。機器學習帶來很多能力,像是更好的視覺系統、語音辨識、智慧型問題解決等等,有了這些能力,就可能出現新的產品和流程。

有些專家更進一步。豐田研究所(Toyota Institute)現任領導人吉爾.普拉特(Gil Pratt),把目前這一波的人工智慧技術,比喻成五億年前的寒武紀大爆發,那時孕育出不計其數的新生命形式。那時候和現在一樣,一個關鍵新能力是視覺。當動物首次得到這種能力,便能遠比從前更有效探索環境;這催化了物種的數量大幅增加,包括獵物和掠食者,而且,被填滿的生態棲位(ecological niche)範圍也大大增加。今天的情況也類似,我們預期會見到各種新產品、服務、流程和組織形式,同時也會有大量的滅絕。在出乎意料的成功之外,必然也會有一些可怕的失敗。

雖然很難確切預測哪些公司將主導新的環境,但有個通則很清楚:最靈活和順應力最強的公司與高階主管,會繁榮發展。在由人工智慧賦予能力的領域裡,能迅速察覺和回應機會的組織,將會掌握優勢。所以,成功的策略是願意做實驗,以及快速學習。如果經理人不在機器學習的領域加強實驗,就沒有善盡職責。接下來十年,人工智慧不會取代經理人,但使用人工智慧的經理人,會取代那些不使用人工智慧的經理人。

(羅耀宗譯自2017年7月18日HBR.org數位版文章)



艾瑞克.布林優夫森 Erik Brynjolfsson

艾瑞克.布林優夫森是麻省理工學院數位經濟計畫(Initiative on the Digital Economy)主任、麻省理工史隆管理學院(Sloan School of Management)管理科學講座教授,以及美國國家經濟研究局(NBER)研究員。他的研究探討資訊科技對企業策略、生產力和績效、數位商務和無形資產的影響。他在麻省理工學院講授資訊經濟學和分析實驗室(Analytics Lab)的課程。 布林優夫森是最早衡量資訊科技生產力的貢獻的研究人員之一,他也衡量組織資本與其他無形資產的互補作用。他的研究率先量化線上產品多樣價值(variety value),稱作「長尾」(long tail),並發展出資訊產品的訂價與搭售模式。他在哈佛大學取得應用數學與決策科學的學士及碩士學位,並獲得史隆管理學院管理經濟學博士學位。 布林優夫森著有幾本書,包括與麥克費合著的《機器、平台、群眾:駕馭我們的數位未來》(Machine, Platform, Crowd: Harnessing Our Digital Future, 2017),以及《紐約時報》的暢銷書《第二次機器時代:輝煌技術年代中的工作、進步與繁榮》(The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies, 2014)。


安德魯.麥克費 Andrew McAfee

安德魯.麥克費是麻省理工學院的主任研究科學家,研究數位技術如何改變企業、經濟和社會。他和布林優夫森合著有《機器、平台、群眾:駕馭我們的數位未來》,以及《第二次機器時代:輝煌技術年代中的工作、進步與繁榮》,後者是《紐約時報》的暢銷書,並入圍《金融時報》/麥肯錫年度最佳商業書籍。他著有學術論文、為《金融時報》寫部落格,也寫文章發表在《哈佛商業評論》、《經濟學人》、《華爾街日報》和《紐約時報》。他曾接受「六十分鐘」節目(60 Minutes)訪問,並在TED、達沃斯(Davos)和亞斯本構想節(Aspen Ideas Festival)和其他許多聽眾面前,暢談他的研究。 麥克費曾就讀哈佛大學和麻省理工學院,與人共同創辦麻省理工數位經濟計畫。


本篇文章主題技術

你可能還會想看