人工智能时代到来的时间,或许比我们估计的要快。因为人工智能正在以指数而非线性的增长速度发展。这篇访谈改编自里克·柯兰克(Rik Kirkland,麦肯锡纽约工作室麦肯锡出版社的高级主编)的采访,他向我们介绍了将要来临的第二个机器时代。

当企业高管遭遇人工智能

  技术越来越聪明,越来越高效,你是否也一样?包括《第二个机器时代》的作者安德鲁·麦卡菲以及埃里克·布莱恩约弗森在内的专家,探讨了能“思考”的机器对高管们角色转变产生的影响。
  根据数据科学家杰里米·霍华德,电脑变得比人类更擅长任务的确切时间是2011年在德国一个原本并不重要的机器学习竞赛上。当时,选手们被要求设计一个可以识别街道标志的算法,尽管标志有些模糊或是暗淡。但人们可以识别其中的98.5%,而最终获胜的算法可以识别其中的99.4%。
  或许这一刻来得更早。在IBM的“沃特森”超级电脑平台击败两位世界顶级《危险边缘》游戏玩家时,电脑已经超过人类。当然,不管这一刻发生在何时何地,有一点越来越显而易见,人们相对于软件的优势正在被逐步蚕食。机器以及它们基于学习的算法在图像匹配能力以及解读和沟通复杂信息方面已取得了跨越式进步。存在已久的关于电脑是作为人类劳动的补充还是替代人类的辩论又重新成为热点。
  这不仅是学术问题,很多曾经被视为人类专属的工作――包括病理学家、石油地质工作者,以及法官助理,现在这些工作很多是由电脑在做。
  因此我们会抛出这样一个问题:软件可以替代人类做世界最大公司的高级经理人吗?在一些领域,尤其当涉及到发现问题的答案时,软件做得比最好的经理还要好。相信自己的专业能力还是听从电脑的判断,已经迅速成为了一项很关键的行政能力。
  然而,高级经理们远远还未被淘汰。随着机器学习的飞速进步,顶尖的行政官会被召集起来去创建新型的创新性的组织形式,通过网络将任务众包给来自世界各地的人才。在这项工作中,行政官们需要发挥他们的创造力、领导力和战略思维能力。
  为了理解深度学习算法的飞速进步以及了解其对管理科学意味着什么,来自麦肯锡的里克·柯兰克在一月份举行的达沃斯世界经济年会期间做了一系列的采访。其中采访了两位顶尖的商学学者――布莱恩约弗森和麦卡菲,他们是《第二个机器时代:在技术先进时代的工作、进步以及繁荣》(2014年1月由W.W.Norton出版社出版)的合著者。柯克兰同时还采访了两位商业巨子――Kaggle公司(一家位于旧金山的新兴创业公司,通过在网上组织预测分析竞赛帮助企业和研究者从大数据中获得启示)的创建者兼CEO安东尼·戈德布卢姆以及数据科学家杰里米·霍华德。这篇经编辑过的副本抓取并结合了这些访谈的要点。

第二个机器时代

  柯克兰:第二个机器时代为什么很重要?
  麦卡菲:工业革命产生于人类突破自身肌肉的极限之际,我们现在则处于突破自身脑容量所给予能力的早期阶段――通过数字技术不断地增强能力。有两种不连续的变化将会载入史册,第一件是人工智能的发展,我们目前看到的种种只是接下来发生事情的铺垫。还有就是全地球人们的普遍联系,数十亿人类不仅成为了消费者,同时还成为创新的一部分。
  布莱恩约弗森:第一个机器时代是有关功率系统以及搬运大宗物件的能力;第二个机器时代更多的是关于自动化以及机器的思维能力和认知活动的强化。在第一个机器时代,人类很大程度上是机器的补充;在第二个机器时代,人们作为机器的补充还是机器很大程度上取代人类还很难说,两种例子都可以见到。这种情况对雇佣关系、收入以及公司取得成功的方式会产生潜在的影响。
  霍华德:到了今天,机器学习算法实际上在很多我们认为专属于人类的领域和人类做得一样好,甚至超过了人类。搬来一堆法律文书并且找出条文――这类工作正在迅速消失,因为电脑做得远比人类快,也比人类好。
  在2012年,一个由四位病理学专家组成的小组查看了几千张乳腺癌的挂网图像,并识别出其中被称为有丝分裂的区域,也即肿瘤活跃的区域。需要四位病理学家做这件事情,是因为其中的任何两位只有50%的概率和其他两位意见一致。识别这些图像是一件非常难、非常复杂的事情。因此他们将意见一致的做成标签,并将带有这些标签的乳腺癌图像放入机器学习的算法中。结果是,算法返回的结果有60%的概率与专家一致,因此电脑对特殊物体的识别要比这些训练有素的病理学家更加准确,而这些机器识别的算法是由一些没有生命科学背景的人编制的,他们完全是病理学领域的新手。
  麦卡菲:通过数十年与电脑以及IT时代打交道,我们认为我们了解人类和数字劳动力各自的相对优势。但仅仅在过去几年间,数字大脑取得了惊人的进步。现在数字大脑可以开车经过大街小巷,不会撞到任何东西也不会伤到任何人――这是一项包含着很多不同种类数据和一个恒变环境的高风险的图像匹配测试。

为什么第二个机器时代发生在现在?

  柯克兰:电脑问世已经超过50年,为什么机器学习突然变得如此重要?
  布莱恩约弗森:据说人脑最大的失败之处是无法理解指数函数。麻省理工学院计算机科学与人工智能实验室主任丹尼拉·鲁斯(Daniela Rus)认为,我们对机器学习将成为世界主流的速度预期过于悲观,它将会来得更快。这就是机器学习指数式发展的方法,过去我们对机器学习的发展速度预期较低,但是在不经意间已经超过我们预期,绝尘而去。
  麦卡菲:海明威的小说里有一篇是关于一个男人破产的两个阶段:逐渐发展然后突然发生。这也同样是数字科技进步方式的特征。过去数字科技的发展确实很慢,但是它持续缓慢发展然后突然爆发式发展――就是现在这样。
  霍华德:机器算法的不同之处在于任何结果都是以其他的结果为基础的。机器学习的数据处理和计算能力呈指数式增长,你给深度学习网络的数据越多,赋予它们越强大的计算能力,得到的结果也就越准确――因为之前的机器学习训练结果会被反馈到算法中去。这意味着每一层级的机器学习是下一层级机器学习的基础,整个算法每年都在以乘法式的方式扩展,我们没有理由认为机器学习会有终点。
  布莱恩约弗森:凭借我们现在拥有的基础的层次,我们可以扩充以前的发明并创造出新的东西。这与通常的观点大相径庭,通常观点认为创新就像低悬的水果一样,吃完就没有了,而现在每个创新的观点都会给机器算法的层次添砖加瓦,让我们得到新的结果。
  举个例子,我的一个学生大概花了3个星期的时间在脸谱网上创建了一个app,在短短几个月之内,用户就达到了130万。他能做到这些并非因为他有特殊的技能,也并非因为有设施基础,而是在已经存在的开发平台――脸谱网的顶端去开发这个app的,而脸谱网是建立在因特网上的。之前的每一个发明都给新的发明奠定了基础。我认为现在的发明家比上一代发明家更加年轻并非偶然,在存在事物的基础上进行发明要容易得多。
  霍华德:我认为人们远远低估了数据以及现代分析方法结合所产生的影响力,无论是对机构还是对整个社会。原因很简单:这些技术的能力如指数般增长,而人类的大脑还未意识到这些。
  所有公司都应当意识到去利用这些途径,因为你这样做了就会在竞争中领先,你不这么做其他公司就会这么做。而当竞争中普遍用到有效影响数据作为手段时,你再想跟上已经太迟了。你的竞争者们已经处在指数型的成长轨道上,而你还在线性的轨道上。
  我给你举个例子。不久前,Google宣布其刚刚完成对全法国每个公司、家庭,以及街道号码的地图生成。你也许会认为这项工作至少需要派遣100个人带着GPS到法国各处跑,至少需要一年才能完成。是吗?事实上,谷歌只用了1个小时而已。
  Google是怎么做到的呢?你不需要自己编程序去实现功能,只需要给机器学习程序一些例子,它就能完成其余的工作。因此Google将街景的数据库――也即数亿张图片,经由一位工作人员将数百条街道的号码圈出放入机器学习程序中,并制定功能“得出这些带圈的地方有什么特别之处,在其余数亿张图片中发现这些特别之处,并读出其中的号码”,这就是1个小时的工作。因此当你从传统的工作模式转换到机器学习的工作模式时,你的工作效率得到了提升,各种工作要求的量级产生的延展性会使得公司面临的挑战完全改变。

高管们的作用

  柯克兰:顶级经理人如何进行日常工作的?
  麦卡菲:第一个机器时代产生了管理艺术、科学以及实践,管理也成为一门学科。当我们进一步扩展大公司、工厂以及铁路时,我们必须创建新的公司来对公司的各个构成进行有效监督。我们发明管理学就是为了这些。
  在第二个机器时代,运营公司的方式也同样会发生大的变化。我无法设想商界的任何一个部分(或是其中的任何一条商业规则)会与惊人的科技进步无关。显然,对全球顶尖的企业也是如此。
  我并不认为这意味着这些企业的领导人现在所做的一切与此无关。我还没见过任何一项可以有效协调企业,或是能激励和领导一个小组的科学技术;也没有见过可以指出成功的秘诀或是激励人们向理想迈进的科学技术。
  这些是人类的能力,这些能力随着科学发展依然会被保留。但是如果现在运营着大公司的高管们认为科技革命对他们毫无影响的话,那他们就未免太幼稚了。
  如果在数据驱动的世界中高管的角色有所改变的话,我觉得他们的工作会变成“我需要在什么地方附加价值,在什么地方我需要从自己的思维方式中跳出来,循着数据指示的方向进行工作”,这将是对管理理念本质或是直觉的深刻反思。
  实际上只需要不多的数据就可以让你从直觉驱动转换到数据驱动。现在很多的公司高管都会说,“我当然是通过数据工作,我提取数据并将它们作为最终决策的输入部分”。然而很多研究显示通常这样做会比单纯依靠数据做决定更加糟糕。想用科学解释这点还存在一些困难,但是通常来说,如果你对数据显示的内容进行猜测,你会得到更加错误的答案。对于经验丰富的成功人士来说,抛弃我们特殊的直觉具有内在魔力和无法超越的观点是一件非常痛苦的事情。
  霍华德:顶级的行政官能取得现在的成就,确实是因为他们擅长自己的工作。这些行政官信任身边的人,是因为他们身边的人也擅长自己的工作并且具有所在领域的专业技术。不幸的是,这给行政官们留下了一个难题,也即如何在整个环境都建立在各个领域专业意见的基础上用数据工作。任何领域的专家,任何企业的经营者,或是任何高级管理团队的成员,都会有充分的理由相信自己的能力――他们的能力让他们达到了现在的地位。但是某种意义上,他们是不是正在受“幸存者偏差”的误导呢?
  你因为成功因此取得了现在的地位,你因为取得了现在的地位因此获得成功。你从根本上低估数据的作用。理解数据的唯一方式是观察那些由数据驱动的公司,比如脸谱网,比如网飞、亚马逊、谷歌,然后说道“好了,我现在知道了一种不同的运营公司的方式”。当然这并不是说领域的专业意见是多余的,但是数据提供的信息至少是一样重要的,并且重要性呈指数式上升。数据会告诉你实情,而专业意见总会让你偏离数据保持现状,这使得处理这些干扰非常困难。
  布莱恩约弗森:毕加索曾经提出一个伟大的观点,他说:“电脑毫无用处,它们只能得出答案。”我认为这话是一半正确的。它们确实为你提供了答案,但并非无用,这些答案是有价值的。他强调的是能够提出正确问题的重要性,这项技能今后会变得很重要,它不仅需要技术能力,还需要对顾客所提出要求的相关领域的专业意见,即使你不知道这项技能。技术能力与领域知识的结合将会是今后的甜蜜点。
  戈德布卢姆:很好地解决机器学习存在的问题需要做到两点。其一需要有人知道需要解决什么问题,并且确认可能会用到的数据集。只要能做到这点,就可以排除相关领域的带着对数据显示的联系和相互关系猜想的专家了,并需要引进擅长通过数据画出图像的人员。
  举个例子,油气行业有丰富的数据资源。当钻探的时候,很多钻头上有传感器,每隔2-15英寸,传感器就会采集一次钻头所通过岩石的数据。它们也会采集地震学的数据,它们将声波发送到岩层下面,根据声波被记录仪捕捉到的时间,可以得知岩层之下的情况。现阶段,这些丰富而复杂的数据集的分析和解读通常是人工进行的。当人工解读钻头传感器的数据时,很多信息被遗漏了,而通过机器学习的算法的分析则不会被遗漏。
  麦卡菲:做实验以及做迭代做得越好,这些实验也许很小,风险很低,是渐进式的,随着时间推移它们的价值就越大。但是大公司里的试点项目进行得很正确,似乎从来不失败,显示了最初拥有这些想法的人是多么优秀。
  这样做会适得其反。作为对照,一些真正的创新型公司会不停地思考,“我如何证明这些设想是错误的?我如何推翻这些观点并且看看行不行?“当你观察一些卓越的网络公司时,你会发现他们每天要做成百上千次实验。这是因为网站就是他们的实验平台。他们可以作出一些小的修改,观察这些修改经过时间累积产生的变化。
  这群优秀的人给我们的启示中,有一条适用于解决经济学中一个存在很久的难题:公司的边界是什么?我应该做什么还是我应该将什么业务外包?现在这个问题变成,我应该将哪些业务众包出去?

对人才招揽的启示

  柯克兰:确定正确的人力资源技巧对公司非常重要。
  霍华德:让我们看看Google的HR是如何进行人力资源工作的。Google的HR有一个叫作表现分析小组的机构,它会提取所有雇员的表现,他们面试时回答的问题,他们办公室的位置,其所在公司结构的具体情况等等。然后它会运行数据分析程序,得出哪些面试方法表现最好以及哪些职业道路最容易获得成功。
  戈德布卢姆:我发现传统的500强公司有一个很大的局限,就是他们的工资系统太死板了。尽管提到这点会给人肤浅的感觉,但我认为这是经过深入观察得到的。
  它们想与谷歌竞争,但谷歌愿意给非常擅长写算法的人500万美元。传统企业死板的工资系统并不会允许它们做这件事,但这样其实是不理智的,因为500万美元的投资带来的回报是巨大的。传统的500强企业总说自己招不到人。其中一个原因是他们不愿意给优秀的数据科学家在别处可以拿到的工资。当然也不全是钱的问题,最好的数据科学家更希望研究有趣的问题,最重要的,是和其他优秀人才协同工作的机会。
  机器学习以及电脑并不是很擅长创新性思维,因此大多数工作以及人们的报酬应当由他们创新性思维的能力来确定的观点或许是对的。

资料来源 麦肯锡季刊

责任编辑 李 辉