技術對于商業影響加深

---

人工智能概覽

THE BUSINESS OF ARTIFICIAL INTELLIGENCE

埃里克·布林約爾松（ Erik Brynjolfsson） 安德魯·麥卡菲（ Andrew McAfee） ｜文

250多年以來，驅動經濟增長的根本動力是技術創新，其中最重要的創新即經濟學家所謂的通用技術，包括蒸汽機、電力和內燃機等。在這些技術之后，補充性創新和機會大量涌現。舉例來說，內燃機問世后，汽車、卡車、飛機、鏈鋸、剪草機，以及大型零售商、購物中心、交叉配貨倉庫、新供應鏈，甚至包括郊區的概念都相繼出現。沃爾瑪、UPS和優步等多元化公司利用該技術，創建新的商業盈利模式。

我們這個時代最重要的通用技術是人工智能，特別是機器學習技術（ML）——機器不需要人類對所擔負任務作出明確指令，有能力自主提升表現。過去幾年中，機器學習的效率和普及程度顯著提高。我們現在可以開發能夠自主完成任務的系統了。

為什么這件事意義重大呢？原因有兩個。首先，人類所知勝于其所能言：我們無法準確說明很多任務的操作過程，從人臉識別到亞洲傳統策略游戲圍棋。在開發ML之前，我們還不能清楚解釋自身所具備的知識，所以多項任務都不能實現自動化。但現在我們有能力了。

其次，ML系統往往是出色的學生，在多種活動中都有超越人類表現，比如偵查欺詐交易和監測疾病。“優秀”的數字ML系統在經濟的層層面面中都得到應用，未來影響不可小覷。

人工智能（AI）將在商業領域中產生巨大影響，在極大程度上擴大早前多個通用技術的應用規模。雖然現在全球數千家公司已經在應用人工智能，但絕大多數重要機會尚未發掘。人工智能的影響在接下來的10年中不斷放大，制造、零售、交通、金融、醫療、法律、廣告、保險、娛樂、教育及幾乎所有其他行業都會改革核心流程和商業模式，從而搭上機器學習的順風車。現在，瓶頸出現在管理、執行和商業想象力方面。

然而AI像很多新技術一樣，也讓人們產生多種不切實際的期望。我們看到不少商業計劃書隨隨便便提到機器學習、神經網絡和其他技術，但和這些技術的實際能力并沒有多大關聯。比如，僅僅稱一個約會網站“受AI驅動”，該網站不會因此變得更有效（但可能獲得籌款）。本文求真務實，旨在描述AI的真正潛力、實際應用和阻礙其應用的障礙。

如今的AI能做什么？

達特茅斯大學數學教授約翰·麥卡錫（John McCarthy）于1955年首次使用“人工智能”一詞，次年他就該話題組織了一次意義深遠的會議。自此以后，關于人工智能的大膽假設和宣言層出不窮，可能部分原因是這個名字讓人們浮想聯翩。經濟學家赫伯特·西蒙（Herbert Simon）1957年預測，計算機將在未來10年內打敗人類國際象棋棋手，但實際上計算機用了40年時間。認知科學家馬文·明斯基（Marvin Minsky）1967年說：“‘人工智能’的創建問題將在下一代基本得到解決。”西蒙和明斯基都是才智超群的人，但他們的預言大錯特錯。所以，這些對未來重大突破的大膽假設遭到質疑，也在情理之中。

我們先來看一下AI現在做的事及其進步速度。最大的進步出現在以下兩大領域：感知和認知。前一類別中出現的一些重大實踐進展與說話有關。雖然語音識別仍有很大改善空間，但數百萬人都在使用該功能，相關應用比如Siri、Alexa和谷歌助手。你正在讀的文字最開始是口述給計算機，然后計算機提供足夠準確的速記稿，比打字速度更快。斯坦福計算機科學家劉哲明（James Landay）及同事發現，語音識別現在比手機打字平均大約快3倍。誤差率也從之前的8.5%下降到4.9%。令人震驚的是，這一顯著改進在過去10年中都沒有出現，僅僅在2016年夏才有突破。

圖像識別也有顯著提升。你可能已經注意到，Facebook和其他應用軟件如今能認出你所上傳照片中很多朋友的臉，并提示你標出他們的名字。你的智能手機上運行的應用軟件幾乎可以識別出野外所有的鳥類。圖像識別甚至取代了公司總部的身份證件。自動駕駛汽車使用的視覺系統等類似軟件，此前識別行人時每30幀錯誤一次（這些系統中的相機每秒大概記錄30幀），現在誤差率驟降，低于每3000萬幀一次。大型數據庫ImageNet識別數百萬張普通、模糊或離奇的圖像，最優系統的誤差率在2010年為30%多，2016年時降到了約4%。（見邊欄《小狗還是松餅》）

近幾年來，基于大型或“深度”神經網絡的新方法得到應用后，人工智能改進速度再次加快。盡管視覺系統的ML能力依然問題重重，但人類的表現也不穩定。他們也不能迅速識別小狗臉，甚至有時還會在沒有圖像的地方看到小狗的可愛小臉，這真是尷尬。

第二類重大突破是認知和問題解決能力的提升。機器已經打敗了最優秀的人類撲克牌和圍棋選手，雖然專家曾預言這一成就起碼還要再等上10年才能實現。谷歌的DeepMind團隊利用ML系統，在人類專家對系統的優化基礎之上，將數據中心的冷卻效率進一步提高15%以上。網絡安全公司Deep Instinct和PayPal分別利用智能代理檢測惡意代碼和防止洗錢。搭載IBM技術的系統將新加坡某保險公司的索賠流程自動化。數據科學平臺公司Lumidatum創建的系統還可以提供及時意見，改善客戶支持服務。多家公司都利用ML決定執行華爾街的哪項交易，更多信貸決策都會借助于ML。亞馬遜用ML優化庫存，提高給客戶產品推薦的準確率。Infinite Analytics開發的ML系統能夠預測用戶是否愿意點擊某個廣告，從而幫助某全球消費性包裝品公司提高線上廣告投放精準度。該公司開發的另一ML系統，幫助某快消品公司改善巴西在線零售商網站的客戶搜索和發現流程。前一個系統將廣告ROI提高了3倍，后者將公司年收入提高了1.25億美元。

機器學習系統不僅正在取代多個應用軟件中的傳統算法，還在很多人類曾經最擅長的任務中有更優秀的表現。雖然這些系統還遠遠談不上完美，但在ImageNet數據庫中5%的誤差率已經和人類的表現持平，甚至更優異。即使在喧鬧環境中，語音識別現也能和人類有近乎持平的表現。系統到達這一水平后，就會為工作場所和經濟改革開啟無數新的可能性。一旦基于AI的系統在某項任務中超越人類，就有很大可能迅速得到大規模應用。比如制造無人機的Aptonomy和制造機器人的Sanbot正使用升級后的視覺系統，將多數安保工作自動化。軟件公司Affectiva正用這些系統識別焦點小組中快樂、驚訝和生氣等情緒。深度學習初創公司Enlitic使用視覺系統掃描醫學圖像，輔助癌癥診斷。

以上都是AI系統的杰出成就，但其應用領域依然有限。比如，這些系統在ImageNet數據庫上表現出色，能識別出上百萬張圖像，但并不代表它們“在自然環境下”也能有同樣優秀的表現，因為照明條件、角度、圖片清晰度和背景可能非常不同。此外，我們贊嘆這些能夠理解中文演講，并將之翻譯成英文的系統，但并不期望這類系統知道某個特定漢字的意義，更不用提在北京哪里吃飯了。我們會很自然地認為，在某項任務中表現良好的人也會在相關任務中展現同等實力。但ML系統只得到特定任務的培訓，還不能舉一反三。人們錯誤地以為，計算機能夠不斷擴展自己相對狹隘的知識面——這可能是他們現在困惑不已的原因，也是他們夸大AI進步程度的根本原因。現在的機器還遠遠不能在多個領域中表現出通才。

了解機器學習

我們最應該了解ML的一點是，ML代表與傳統方法截然不同的軟件制作方式：機器從實例中學習，而非針對某個目標，提前設定好編程。這和傳統做法有很大區別。在過去50年中，信息技術的進步和應用主要是將既有知識和程序編成代碼并錄入機器。實際上，“編程”這個詞指的就是程序員費盡心思，將腦中知識轉化成機器可以理解和執行形式的過程。這種方式有個致命缺點：我們具備的多數知識都是不可言喻的，也就是說我們無法解釋清楚這些知識的內容和獲取方式。我們總結不出學習騎自行車，或識別朋友臉部特征的方式，也不可能寫下來給其他人做借鑒。

換句話說，人類所知遠勝于其所能言傳。哲學家兼博學家邁克爾·波拉尼（Michael Polanyi）于1964年首次闡釋了這一重要課題，被后世稱為波拉尼悖論（Polanyi’s Paradox）。該理念不僅界定了我們能夠闡釋的知識，還在歷史上首次嚴格限制了我們賦予機器智能的能力。波拉尼悖論在很長時間內限制了機器在經濟領域中的工作范圍。

機器學習正在突破這些局限。在第二機器時代的第二次浪潮中，人類制造的機器正在從實例中學習，并用結構性反饋自主解決問題，比如波拉尼認為機器不可能克服的人臉識別問題。

機器學習的不同形式

人工智能和機器學習的形式多種多樣，但近年來多數成功案例都屬于同一類別：監督學習系統（supervised learning systems），即機器會得到大量有正確答案的實例，并利用實例解決特定問題。該流程一般是把一組輸入信息映射到輸出組中。比如輸入信息可能是多種動物的圖片，那么正確的輸出就是這些動物的名稱：狗、貓、馬。輸入信息也可以是音頻的不同波段，輸出信息則是文字：是、不是、你好、再見。（見邊欄《監督學習系統》）

成功的系統往往會用到包含數千甚至數百萬實例的訓練數據組，每個數據組都被標記出正確答案。系統接下來可隨意查看新實例。如果培訓進行順利，系統就可以預測答案，而且正確率會很高。

帶來以上成就的算法倚賴所謂的“深度學習”方法。深度學習使用神經網絡，其算法可以高效利用大型數據組，和早期的ML算法相比有很大優勢。隨著訓練數據中實例的增加，傳統系統也會升級，但提升程度有限，之后即使數據增長，預測準確率也不會提高。該領域頂尖專家吳恩達（Andrew Ng）表示，深度神經網絡不會陷入這類瓶頸期，相反，數據越多，它們的預測越精確。有些超大型系統的訓練實例高達3600萬個甚至更多。當然，使用超大型數據組要求你有更高的處理能力，這也是為什么超大型系統往往要在超級計算機，或專業化計算機體系結構上運行。

如果你手上有海量行為數據并想要預測結果，就極有可能要用到監督學習系統。亞馬遜消費者業務主管杰夫·威爾克（Jeff Wilke）稱，監督學習系統在很大程度上已經取代了基于記憶的濾波算法，后者曾用于確定個性化客戶推薦。在其他案例中，用于確定庫存水位和優化供應鏈的傳統算法，已經被基于機器學習的高效穩健系統取代。摩根大通率先采用審查商業貸款合同的系統，曾經需要用36萬小時完成的信貸審查工作如今幾秒鐘就解決了。監督學習系統現在還被用來診斷皮膚癌。這些只是少數幾個例子。標記一組數據，并利用這些數據訓練監督學習系統相對來說比較簡單，所以監督ML系統比“無”監督系統使用更廣泛，至少現在是這種情況。無監督學習系統可以自主學習。我們人類就是出色的無監督學習者：我們不用帶標簽的數據，也能了解世界，比如識別樹木。但要開發出用人類方法認知的機器學習系統，就十分困難。

如果我們可以創建無監督學習系統，就能開啟各種可能性，未來成果激動人心。這些機器可以從全新角度研究復雜問題，幫助我們發現疾病傳播、市場證券價格浮動、客戶購買行為等潛在模式。所以Facebook人工智能研究主管兼紐約大學教授楊立昆（Yann LeCun）將監督學習系統比作蛋糕上的糖霜，無監督學習比作蛋糕本身。

這一領域中另一不斷增長的小板塊是“增強學習”（reinforcement learning）。會玩雅達利視頻游戲和圍棋等棋類游戲的系統就使用“增強學習”方法。該方法還有助于優化數據中心的電力使用，協助制定股市的交易策略。Kindred制造的機器人利用機器學習，整理并辨認從未見過的物體，加快了消費品分銷中心的機器抓取與放置流程。程序員在增強學習系統中設定了系統當前狀態和目標，列出指定動作并描述限制每個動作的環境因素。系統利用指定動作，分析如何盡最大可能完成目標。如果人類規定好目標，系統就能順利執行任務；但若沒有目標，系統就不知道怎么做了。比如微軟使用增強學習挑選MSN網站新聞報道的標題。微軟會“獎賞”得分最高，即吸引最多訪客點擊鏈接的系統。系統試圖按照設計者給它的規則，盡可能得到最多分。這說明增強學習系統可以高效完成明確的目標，但未必能實現你真正關心的目標，比如顧客終身價值。所以你必須明確規定好你的目標。

應用機器學習

現在尋求應用ML的組織有三大利好消息。首先，AI技能普及迅速。從世界范圍看，數據科學家和機器學習專家的人數還遠遠不夠，但在線教育資源和大學可以滿足對這類人才的需求。Udacity、Coursera、fast.ai等在線培訓佼佼者不僅教授入門級概念，還能教聰慧好學的學生創建工業級ML系統。對ML感興趣的公司除了培訓自己的員工外，還可以利用Upwork、Topcoder、Kaggle等在線人才平臺尋找有專業證書的ML專家。

第二大振奮人心的消息是，如今我們可以根據需要，購買或租賃AI必需的算法和硬件。谷歌、亞馬遜、微軟、賽富時（Salesforce）等公司通過云端搭建強大的ML基礎架構。現在這幾家公司之間的刀光劍影，意味著未來冀圖使用或創建ML的公司將看到更多廉價ML能力出現在市場中。

最后一條好消息可能得到的重視程度最低，即你也許不需要太多數據，就可以有效利用ML。多數機器學習系統的表現隨著所得數據的增多而提升，所以我們似乎有足夠理由認為，擁有最多數據的公司是贏家。如果“贏家”意味著“在某一項應用上稱霸全球市場，比如廣告投放或語音識別應用霸主”，這個結論可能成立。但若成功的定義是將公司表現顯著提升，那么獲取足夠數據的目標就顯得微不足道了。

比如Udacity聯合創始人塞巴斯蒂安·特龍（Sebastian Thrun）觀察到，他手下一些銷售人員回復聊天室查詢問題的效率比其他人高。特龍和研究生宰德·伊納姆（Zayd Enam）意識到，他們的聊天室日志本質上是一組帶標簽的訓練數據，而且正是監督學習系統需要的數據。達成交易的互動被標記為成功，其他則都被標記為失敗。宰德利用數據預測，優秀銷售人員在回復某常見查詢問題時會給出哪些回答，然后將預測結果分享給其他銷售人員，鼓勵他們提升表現。銷售人員經過1000個訓練周期，整體效率提高54%，而且每次服務的客戶人數翻倍。

AI初創公司WorkFusion采用了類似的做法。WorkFusion與其他公司合作，將國際發票開具和金融機構大型交易處理等后臺流程的自動化水平提高。這些流程之所以還未實現自動化，原因在于流程本身過于復雜，而且相關信息不一定每次都相同（“我們怎么知道他們說的是哪種貨幣？”），必須有一些解釋和判斷。WorkFusion的軟件在后臺觀察正在作業的員工，將他們的動作變成數據，用于分類認知（“這張發票使用的貨幣是美元，那張是日元，還有一張是歐元”）。系統對自身分類足夠自信后，就會掌控整個流程。

機器學習正從三個層面上驅動改革：任務和職業層面、商業流程層面和商業模式層面。任務和職業層面改革的案例是，機器視覺系統被用來確定潛在癌細胞，放射科醫生從此有更多時間研究真正緊急的病例、與病人交流、和其他醫生協作。另一個流程改革例子是，亞馬遜運營中心引入機器人，優化基于機器學習的算法后，其工作流和布局徹底改變。我們須反思商業模式，利用ML系統為客戶提供個性化的音樂或電影智能推薦。更好的模式不是基于消費者選擇售賣固定歌曲，而是收取個性化電臺的會員費。這類電臺預測并播放會員喜愛的音樂，即便他本人可能從來沒有聽過這些歌。

注意，機器學習系統仍不能完全取代工作、流程或商業模式。這些系統會輔助人類，這也彰顯了其價值。新分工形式的最有效準則肯定不是“將所有任務都交給機器”。相反，這意味著原本需要10步才能成功完成的流程，現在其中一兩步可以自動化，而人類完成其他更有價值的步驟。比如Udacity的聊天室銷售支持系統沒有創建負責所有聊天任務的機器人程序，其ML系統只是為人類銷售人員提供提高績效的建議。人類依舊掌控大局，但效率大大提升。相比設計能夠為人類做所有事的機器，這一方式要可行性更大。新分工形式下，人類的工作效率和質量都會提升，而客戶也會享受到更佳成果。

只有做好全面的創新和規劃，才能將設計和執行技術、人類技能和資本資產的結合起來，設計出全新的組合并投入使用，進而滿足客戶需求。創新和規劃是機器不太擅長的任務，也是創業家或業務經理成為ML時代最有價值社會職業的原因。

風險和局限

第二機器時代的第二次浪潮帶來了新風險，特別是機器學習系統的“可解釋性”往往很低；也就是說，人們很難了解這些系統的決策過程。深度神經網絡可能有數億個連接點，每個連接點都促成了最終決策。所以機器學習系統的預測很難用簡單、明晰的語言解釋清楚。機器和人類不同；它們還不能繪聲繪色地講故事。機器通常不能闡釋某求職者獲得職位或被拒的原因，或為何推薦某類藥物。雖然我們已經開始克服波拉尼悖論，但如今我們面臨與之恰恰相反的悖論：機器所知勝于其所能言傳。

三大風險接踵而來。首先，機器可能抱有隱性偏見；其偏見并非設計者有意為之，但用于培訓系統的數據為偏見提供了溫床。舉例來說，如果系統基于人類招聘人員過去所做決定，判斷哪些職位申請者可被錄取，就會無意間繼續擴散人類對求職者種族、性別、民族等其他偏見。這些偏見可能不會變成明文規定，但會在交流中，和其他數千種因素一樣影響到錄取決定。

第二個風險是，神經網絡系統不同于基于明確邏輯規則的傳統系統；這類系統處理統計數據，而非事實數據。所以要想百分之百證明這類系統適用于所有情形（特別是培訓數據中沒有涵蓋的情形），難度可能較大。負責重大決策的應用軟件（比如控制核電站或涉及處理攸關生死的決定）如果不能證明其可靠性，后果令人擔憂。

第三，ML系統難免會犯錯，但我們很難發現出錯的地方并做出精確調整。解決方案背后的結構可能出乎想象地復雜；如果系統接受培訓的環境改變，解決方案還可能出錯。

盡管以上風險真實存在，但衡量風險的準則不是力求完美，而是選擇最優替代方案。畢竟人類也有偏見、會犯錯誤，也不知道如何闡明自己的決策過程。機器系統的優勢在于，它們不斷改進；只要得到的數據不變，它們給出的回答也不變。

這是否意味著人工智能和機器學習的能力可以無限開發？感知和認知涵蓋的領域極其之廣，從汽車駕駛到銷量預測，再到雇傭和升職決定。我們認為，AI在多數或以上全部領域中的表現很可能在不久的未來超越人類。所以未來還有什么AI和ML做不到的？

我們會聽到有人說“人工智能太死板、不通人情，永遠都不能評估情緒化、狡猾奸詐、反復無常的人類。”我們不同意這一說法。情緒識別公司Affectiva的ML系統和其他類似應用，已經可以基于個人說話語氣或面部表情，判斷其情感狀態，而且表現不亞于人類，甚至更好。其他系統甚至可以在“一對一無限注得州撲克”（Heads-up No-limit Texas Hold'em）游戲中，推斷出世界上最好的撲克牌選手是否在虛張聲勢，進而打敗他們。準確閱讀人類是項微妙的工作，但并非魔法。這種閱讀需要感知和認知，而這兩者就是ML的強項，而且正變得越來越強。

談到AI的局限，就不得不說下巴勃羅·畢加索（Pablo Picasso）對計算機的觀察：“它們一無是處，只能給你答案。”ML近期的成功說明，計算機遠非“一無是處”，但畢加索的看法依然給了我們一些洞見。計算機只能回答問題，不能提問題。所以創業家、創新者、科學家、創作者和其他能夠分析出待解決問題、待發掘機會或待探索領域的人才，仍將是未來的中流砥柱。

同樣，被動評估某個人精神狀態或積極性，與主動引領他們改變之間，有本質區別。ML系統越來越擅長評估，但改變方面仍舊被我們遠遠甩在身后。我們人類是群居動物，最擅長煽動強烈的社會情緒，比如同情、驕傲、團結和羞恥等，說服、激勵和鼓舞其他人。TED大會和XPrize基金會2014年為“首位登上這一舞臺、發表TED演講并獲得觀眾起立鼓掌的人工智能”頒獎。我們懷疑這一獎杯很快又要被領走。

我們認為，ML強勢開啟新時代后，人工智能最大、最重要的機遇出現在以下兩大能力的交叉處：找到待解決的問題，以及說服很多人解決該問題并就解決方案達成一致。這也是對領導力的恰當定義，而領導力的重要性在第二機器時代與日俱增。

人類和機器的分工正發生劇變。堅持當前分工形式的公司將失去越來越多競爭優勢，但有的公司愿意在恰當地方應用ML，也知道如何將ML與人類能力進行有效結合——這些公司將在競爭中占有更大主動權。

隨著技術的進步，一場觸及商業基礎結構的改革已經開始。和蒸汽和電氣時代一樣，獲得新技術甚至尖端技術并不能讓競爭者脫穎而出。恰恰相反，思想開明、透過現象看到未來新發展路線，并付諸實踐的創新者才是贏家。機器學習最大的貢獻之一，可能就是創造了新一代商界領袖。

在我們看來，人工智能，特別是機器學習是我們這個時代最重要的通用技術。這些創新對商業和經濟的影響不僅體現在其直接貢獻上，還表現在激發補充性創新的能力上。隨著視覺系統、語音識別、智能問題解決和其他很多機器學習帶來的能力不斷成熟，新產品和流程正在大量涌現。

有些專家甚至有更深刻的洞見。豐田研究所負責人吉爾·普拉特（Gil Pratt）將現在的AI技術潮流比作5億年前的寒武紀生命大爆發。和那時一樣，現在的關鍵新能力之一也是預見力。動物初次獲得這種能力后，能夠更有效地探索環境，而這會刺激物種種類（捕食者和獵物都涵蓋在內）和生態位范圍的迅猛擴張。我們今天也期望看到更多產品、服務、流程和組織形式涌現或者消亡。意料之外的成功和不可思議的失敗都會出現在這個時代。

雖然我們很難準確預測哪些公司會在新環境中稱霸，但有一條原則明顯具有普適性：最敏捷、適應力最強的公司和高管將嶄露頭角。能夠迅速感知并抓住機會的組織將在AI的天下占領高地。所以，要想取得成功，你必須愿意實驗、快速學習。如果管理者不加大在機器學習領域的實驗力度，就是不盡職的領導。雖然AI還不能在下一個10年中取代管理者，但使用AI的管理者將取代其他管理者。