活在AI時代

（圖片來源：全景視覺）

吳晨/文《經濟學人》去年出了一期很經典的封面，封面裡將全球各大高科技平台企業如谷歌、亞馬遜之許描繪成正在采油的鑽井，寓意很明顯，在數字經濟時代，大平台正在開採數字化的石油——大數據，而開採出來的大數據則用於人工智能（AI），因為AI會是數字化時代的電。

也有人用狂歌熱舞（DANCE）這個詞來形容AI主導的數字經濟時代。DANCE是五個英文詞的縮略語，分別是大數據（data）、算法/人工智能（al-gorithms/AI）、網絡（networks）、雲（cloud）以及硬體呈指數級的性能改善（exponential　improvements　in　hard-ware）。其實DANCE的五點缺一不可，恰恰是大量數據產生，算法不斷更新，移動互聯和未來的物聯網讓連接無所不在，雲端讓數據的存儲和使用更方便，再加上硬體的不斷更新更新，推動了這樣一個科技以幾何級數增長變化的時代。而數字經濟時代的五點要素中，AI是貫穿始終的應用技術，也成為當下各個領域跨界研究的顯學。

要理解AI，除了從技術角度出發，了解機器學習神經網絡等前沿技術的發展之外，也需要站在更廣闊領域從多種不同視角去觀察和分析，最近有四本書從不同的角度剖析了AI的特點，聯繫起來勾勒出清晰的AI發展與應用的圖譜。這四本書分別是從數字工程師的視角看待AI發展的《AIQ》、經濟學家分析AI作為一項通用技術將給商業帶來改變的《預測機器》（Prediction　Machine）、谘詢師眼中AI當下的應用場景《人+機器》（Human　+　Machine），以及目前在國內很暢銷的麻省理工學院物理學教授泰格馬克暢想AI未來的《生命3.0》。

把商業問題變成預測問題

之所以說AI是未來的電，因為AI和電力一樣，將是改變工作和生活方方面面的一項通用技術。如果用簡單的供求關係來分析，當一項技術變得夠便宜，就會帶來足夠多的新應用；此外當一項技術變得夠便宜之後，跨界的應用也會不斷興起。電力作為工業經濟時代的通用技術就是如此。

1800年，退休的美國首任總統華盛頓的別墅一年需花費一萬多美元購買蠟燭照明。100年之後，同樣一棟別墅一年的照明費用只有100年前的四百分之一。這是新技術變得日益便宜之後帶來的普及效果。華盛頓時代只有富人才能晚上點得起蠟燭夜讀，電力普及時代任何一個大都市的家庭都不會為電費而煩惱。

《預測機器》的三位作者都是來自多倫多大學管理學院的教授，他們認為AI就是下一個通用技術，而AI越來越便宜，帶來最直接的效果就是“預測”的成本將越來越低，從而給商業流程和商業模式帶來全新的變化，就好像100多年前電的普及一樣。

如果說AI的最大特點是更好地解決預測問題，思考商業模式創新就需要把商業面臨的各種實際問題轉變成預測問題來思考。比如說，無人駕駛是不是可以看做預測問題？又比如說，翻譯是不是預測問題？

回答都是肯定的。在AI看來，無人駕駛就是怎樣去培養機器能夠更好地去預測一個經驗豐富的老司機如何應對各種複雜多變的路線環境。換言之，如果機器能夠很好地學會老司機適應各種不同環境應對路線上各種突發情況的能力，那麽就能很好地解決無人駕駛問題。這也是為什麽共享出行企業能在自動駕駛領域有所作為的原因，因為可以捕捉大量司機的駕駛行為，並以此培養無人駕駛AI。

翻譯也可以看做一種預測問題。AI出現之前的機器翻譯，強調的是如何自上而下，從規則的角度去讓機器理解語法，也是逐詞對應的翻譯。AI處理翻譯問題，同樣可以轉化成預測問題：預測一個資深的翻譯，會怎麽翻譯處理一個詞、一段話、一篇文章。從詞上升到句子，上升到段落，還要處理語境，這樣機器處理語言的方式就和以前完全不同，機器翻譯的準確度也會顯著提升。

舉兩個更好的預測可能改變流程或者商業模式的例子。

在醫學領域，X光和CT這樣的檢查，是幫助醫生去判斷病人是否有腫瘤的重要依據，當醫生無法確定腫瘤是良性還是惡性的時候，需要對病灶做生理切片檢查的小手術。如果AI分析檢查片子的能力增強，預測腫瘤的準確度提高，手術的必要性會越來越低。

更準確地預測也可能顛覆整個電商領域的商業模式。如果電商可以準確預測消費者的需求，商業模式可以有什麽變化？目前，電商已經可以比較準確地預測一定區域內用戶對一些大宗商品比如說肥皂或者洗衣粉的需求，並因此可以在靠近社區的倉庫中提前布貨。未來，如果預測的準確度可以進一步提升，像亞馬遜這樣的電商巨頭很可能不再需要用戶在線或者在手機上搜索下單，而是直接把用戶需要的商品送到客戶家裡。因為準確度非常高，配送十件商品至少有九件滿足客戶的需求，亞馬遜只要做好一件商品的退貨服務即可。

人人都要培養AIQ

如果說IQ是用來測量一個人的智商，EQ用來評價一個人的情商，那麽AIQ就是評價一個人對人工智能的認知。《AIQ》的兩位作者都是數字工程師，他們認為要適應未來“人+機器”的工作場景，每個人都需要培養AIQ，提升對AI的認知，以便更容易適應科技快速迭代改變的未來。此外，人類還需要有能力去監督AI，在“人+機器”的協作中，成為關鍵的一環，要做到這一點的前提也必須對AI和數據科學有基本的認知。

培養AIQ首先要建立對當下AI發展的認知。很多人把AI看得神秘莫測，的確現在AI可以做很多神奇的事情，比如說影像識別、語音識別、輔助駕駛、自動翻譯等等，在一些情況下做的比大多數人還要好。但目前的AI仍然並不具備人類的那種聰明，它只聽得懂一種語言——數字。

AI可以處理各種資訊，只要輸入的是數字就行。所以AI系統要能起作用，需要將各類不同輸入都變成可以處理的數字語言，數據工程師把這種過程稱為“特徵工程學”，比如說把影像和語言的數字特徵提取出來，變成機器聽得懂的語言。

以自然語言識別為例。以前處理語言的思路是自上而下的編程思路，希望灌輸給機器所有的語言規則，同時窮盡任何特例。結果幾十年語言識別都沒有大進步，因為語言其實太隨意、太複雜了。AI的自然語言識別，完全走了另外一條路，讓機器做最擅長的事情，找到文字與文字之間的相關性。機器回答的是一個最基本的問題，能不能讓有相同意思的詞，對應的數字也類似？當機器可以給每個單詞和詞組一個描述性的數字後，就可以用數字的加減乘除來幫助算法做出正確的判斷。比如說，如果問機器一個問題：英國的倫敦，對應的詞應該是意大利的什麽？機器就可以這麽計算：倫敦－英國＋意大利＝羅馬，因此得出羅馬這個正確答案。

現在的AI，無論是亞馬遜的Alexa，或者蘋果的Siri，都並不懂得語言的含義，但是卻能準確判斷文字之間的相關性。不究原因，隻強調結果，AI能帶來高效率，而我們暫時遠不用擔心它能和我們有一樣的智慧。

這也是培養AIQ的第二個要點，不用過早擔心AI是否會取代人類，因為現在的AI發展距離通用機器智能（AGI），距離趕上人類的智能還很遠。數字工程師現在要花90%的時間用於處理數據，把非標的數據變成機器可以讀懂的結構化數據，只有10%的時間用在推進AI的發展上。因為AI只聽得懂數字，無論是影像還是文字的識別，都是找出它們的數字屬性，然後讓AI做最擅長的事：快速地計算和找到準確的關聯。

培養AIQ的第三點，需要理解人與現在的AI之間到底有哪些優勢和劣勢。

十幾年前，當時擔任美國國防部長的拉姆斯菲爾德曾經特別就美軍在伊拉克面臨的風險做過一個四個象限圖的分析，分別是美軍知道美軍自己知道的風險（已知的已知）；美軍知道美軍還沒有掌握的風險（已知的未知）；美軍並不知道自己已經掌握的風險（未知的已知），以及美軍根本不知道自己還不知道的風險（未知的未知）。

如果以美國掌握的全球恐怖主義資訊為例，第一種風險是美國知道本拉登建立了基地組織；第二種風險是美國知道自己並不知道本拉登基地組織的目標到底是什麽；第三種風險是CIA已經知道與本拉登相關的人曾經在美國學習飛行，並且再次入境美國，但是並沒有就這一重要資訊做出分析，因此美國的決策者並不知情；第四種風險則是美國根本無法預測2001年紐約的911事件會發生。

同樣，套用這四個象限分析，也可以清晰地分辨人與機器之間的差別。

應用場域最廣的領域是“已知的已知”領域，即有著大量數據，而我們也很清楚知道如何做出好的預測的領域，比如說防欺詐、醫療診斷等等。這些領域AI已經大規模取代人，因為機器從大數據中找出相關性的速度比人要快得多。

如果反思一下2008年金融危機，首要問題是為什麽評級機構當年沒有看到次級債（CDO）的風險。答案並不是因為評級機構當時沒有充足的數據。症結在於他們設計的風險模型中並沒有考慮到不同市場價格變動的相關性，比如紐約和芝加哥房價同時下跌給CDO帶來的風險。有了AI就不再會出現這種問題，因為可以從更多維度對數據做出分析。“已知的未知”領域，將仍然是人的領地。這個領域並沒有大量數據，無法幫助AI做出好的預測。相反，人卻能利用小數據來舉一反三。當然這也恰恰是機器學習發展非常快的領域，如果機器能夠學會如何像人一樣學習，智慧會進一大步。

第三個領域，也就是“未知的未知”領域，人和機器都束手無策。黑天鵝就是一種未知的未知，人和機器都很難預測。原因很簡單，AI從本質上仍然是利用歷史數據預測未來。如果某個新物種，從來就沒有人見過，又何從預測呢？比如說，共享音樂Nap-ster給CD行業帶來的毀滅性打擊就很難預測。

最後一個領域，就是“已知的未知”領域，AI和人一樣容易犯錯，而應用AI會帶來更大的風險，因為AI可能飛快地將錯誤放大千百倍，讓人措手不及。所謂已知的未知，意思是我們已經能做出了預測（不管是人還是AI），但是卻並不知道背後真正的原因，甚至有時候以為自己知道原因，其實卻是錯的。

國際象棋大師卡斯帕羅夫在《深度思考》中就提到一個早期研究國際象棋的AI犯錯的例子。AI在看到大量棋譜之後，發現很多象棋大勢在犧牲王后之後，往往很快就能有致贏的後手，所以這種AI會開局就選擇放棄王后。這就是在“已知的未知”領域內犯錯的例子，因為它把相關性錯認為是因果性，把現象——好的棋手有的時候會丟棄王后——當做了製勝的原因。

有了這四個象限的分析，人與機器的差別也就非常清楚。簡單重複的勞動，甚至一些中等的職位，比如起草標準合約的律師工作，都會被機器所取代，因為有著大量數據可以培養出強大的AI，但是在探索未知領域，人類仍然有巨大的潛力。

人工智能與職場風險

喬布斯有句名言，電腦是思想的自行車。如果說電腦加快了思想的運算速度的話，AI作為新一代的通用科技，又將如何推動思想的發展？一定會讓很多人從簡單重複的勞動中解放出來，有機會讓更多人釋放出更多的創造力。

從這一視角分析AI可能給人的生活和職場帶來的改變，就不必簡單地去擔心工作被自動化所代替，而是要從整個工作流程的角度看AI到底會給職場帶來什麽樣的改變。和過去的技術迭代一樣，AI一定會取代一些工作，或者一些工作的一部分，但同時也一定會創造一些新的工作機會，或者把一部分既有工作變得更吃重，所不同的是，這樣的改變速度更快，頻次更多。

先舉一個商學院錄取流程的例子來看AI如何重塑工作流。商學院MBA的錄取流程可以分拆成三個階段，不同階段需要配置不同的資源。第一步是推廣，也就是鼓勵學生申請，讓更多潛在學生了解MBA課程。第二步是評判，也就是對申請人進行篩選，通常需要大量人工去做。第三步是給出結果，盡可能鼓勵合格的申請人接受錄取通知書。一個傳統的MBA錄取流程，會在第二階段配置大量有經驗的人力，而且會限制推廣，擔心人力無法及時處理大量的申請。

AI在商學院錄取流程中的應用，會從第二環節開始，培養出特別擅長對申請人進行篩選和評判的AI。AI替代手動篩選評判申請人這一流程的同時，也會讓資源可以配置到其他流程中，比如沒有了篩選的人力瓶頸，商學院會願意加大市場宣傳力度以吸引更多的申請人，甚至可能免除申請費，因為AI審核的成本接近為零。從這一角度去思考，AI給商學院帶來的改變並不是簡單地替代某項工作，而是會重新安排招生三個步驟的資源分配，AI給工作流帶來的改變，遠比簡單的自動化要深遠地多。

那AI給未來的工作會帶來什麽樣的改變呢？

第一種情況，當工作的一部分職能被自動化了之後，工作本身反而變得更重要了。這在PC時代就曾經出現過。比如Excel的出現讓財務的話語權更大，而不是讓更多會計師失業。同樣，工作的一部分被自動化會讓那些需要更多人判斷的工作變得更重要也更有價值。

第二種情況，機器的確會替代一些工作。比如說亞馬遜分揀倉裡的分揀員。亞馬遜的物流配送分揀倉雇傭了4萬多人，因為人仍然比機器能更快地分揀貨物。但是亞馬遜也意識到，只要人在整個流程中存在，物流配送就無法完全自動化。亞馬遜2012年收購機器人公司Kiva就是要向自動化邁出一大步。未來當機器完全取代人類分揀員之後，倉庫就可以變成黑燈倉庫，節約照明和冷氣機的電費，而且可以24小時不停歇地工作，大大提升效率。

第三種情況，AI會重塑一些工作，取代一部分職能，同時增加另一部分智能。比如說放射科醫生。放射科醫生主要的工作是解讀X光片或者CT影像。現在機器已經可以做得更好了。但這並不意味著放射科醫生的工作會被替代。他們的工作會發生大的變化。一方面，他們仍然需要向其他醫生解釋AI得出的影響判斷，另一方面為新機器的AI提供訓練也是他們未來的工作之一。

第四種情況，則是一些工作的實質會發生改變。比如說，當自動駕駛被普遍應用之後，校車司機會失業麽？乍一看下來答案是肯定了，因為車輛可以自動駕駛了，不再需要司機。但事實上校車司機還有一項很重要的職責，就是在車上維護秩序，確保孩子們的安全。所以，當司機開車的這項主要任務被AI取代之後，會凸顯出另外一些重要的任務，比如說在校車上管理孩子。校車司機工作的實質發生了變化，但是並沒有被取代。

當然，未來將會有更多“人+機器”的工作場景。在《人+機器》這本書中，身為埃森哲谘詢師的作者就提出，人機協作在很多場景中會比人或者機器單獨完成工作要更有效。《人+機器》把產業轉型分成三個階段，100多年前從福特開始的標準化流程的轉型，1970年代開始的數字化轉型，也就是利用IT技術的自動化轉型，而現在這一階段AI推動了人機協作的適應性轉型階段。標準化轉型讓批量大規模廉價生產成為可能，自動化轉型通過流程優化和流程再造，讓機器能夠取代許多人的崗位，提升效率。適應性轉型又有所不同，人＋機器可以有很強的適應性，又可以根據實時的數據做應對，可以推出小批量定製化的服務。

人機協作還會帶來一些有趣的變化。人和機器會相互學習，機器可以觀察人的一些動作，提升自己的能力；人也需要學習並適應與機器一起工作。人機協作也能增強人的能力，機器（AI）將成為人體的延伸，就好像智能手機變成了人大腦的延伸，又好像醫生使用手術機器人一樣得心應手。人機協作，其實是解放人，讓人在工作過程中能夠從事更多人擅長的工作和人與人溝通交流的工作。

AI的未來和適應AI的下一代

MIT教授泰格馬克在《生命3.0》的開篇就描述了一個超級智能“越獄”的燒腦劇情。泰格馬克用一個形象的比喻來形容被人類控制的超級智能：就好像世界上所有五歲以上的人都死了，隻留下你（超級智能）一個，你被一群幼稚園的孩子所禁錮，雖然他們仍然希望你能幫助他們重建家園。《生命3.0》是一本想象力豐富而邏輯推理嚴謹的著作，為AI大發展之後的人與機器的關係做出了一種巨集大框架的分析。泰格馬克對AI的前景充滿樂觀，屬於相信通用人工智能（AGI，也就是能夠超越人類智慧的機器智能）有可能在我們有生之年出現的樂觀派。

但現在還不是擔心機器何時或者是否會發展出AGI的時候，因為技術的變化還沒有人能夠做出準確的預期。相反，恰如DeepMind的創始人所說，我們不應該擔心AI奪走人類的工作或者替代人類，我們應該擔心的是如果沒有AI，人類會變成什麽樣子？

有一個問題更迫切也更重要：AI的應用到底是會促進更多的中心化，還是去中心化？

一方面，從人類發展的歷史上來看，科技的不斷發展一直在不斷推動人類的活動變得更加集中，從分散的部落、到帝國就是一個逐漸中心化的趨勢。AI作為最新的通用技術，也一定會進一步推動中心化的趨勢，AI讓集中處理龐大的數據變得更容易、更便宜、更高效，也更能不斷提升AI的智能，因為數據越多，機器學習的處理能力就越強大。但是另一方面，因為通訊的成本大大降低，普通人獲取資訊的成本大大降低，AI的發展也讓每個人可以獲取的知識足夠多足夠豐富，每個人有更強的判斷力，每個人都可以被賦能。而當每個普通人能做出更好的決策的時候，他們的動力、靈活度和創新能力也最足。

無論是政府、企業還是社會組織，如果抽象分析下來，都是一種資訊處理系統，AI帶來的改變到底會促進資訊系統更中心化，還是更分布式，將是AI給未來經濟社會發展帶來的最大變數。

改變已經產生。大數據和人工智能催生了大的高科技平台企業，現在美國的谷歌、臉書、亞馬遜、蘋果和微軟，加上中國的阿里與騰訊，雄踞全球十大市值最大企業的七席，每一個都富可敵國，每一個都擁有海量的數據，恰如本文開頭提到的《經濟學人》封面所呈現的，這些公司是鍍金時代的“新石油大亨”。

AI帶來的中心化與分布式的辯論，放在企業發展的語境去討論，就變成了對於七巨頭和他們身後第二梯隊的IT巨無霸們而言，AI的發展會加速它們的成長，從而讓它們更加穩固自己的寡頭地位，還是會讓挑戰巨頭的顛覆力量此起彼伏，讓創新得以不斷持續？

目前看來，天平正在朝向巨頭的一方。巨頭IT平台企業已經構建了他們的版圖，並且在自己核心業務周圍構建了“殺戮地帶”，瓜分天下的野心昭彰。不過如果AI技術領域能有所突破，比如在“已知的未知”領域，利用小數據樣本就能培養出有效的AI，讓大平台的大數據優勢不再那麽明顯，未來的天平仍然可能轉向分布式。

巨頭的成長也形成了一套商業模式，值得注意。吳修銘（Tim　Wu）在《注意力商人》(The　Attention　Merchants）中就曾經描述，巨頭之所以能夠為大眾提供大量免費服務，是因為注意力經濟的商業模式，巨頭吸引到的用戶眼球可以換取可觀的廣告費用，谷歌和臉書兩家企業幾乎瓜分了美國在線廣告市場。AI的發展，讓注意力經濟快速迭代，相比眼球的商業價值，巨頭所掌握的用戶行為資訊數據變得更重要也更值錢。

但是，這裡也潛伏著未來人類的巨大風險。工業時代，人類勞動的異化，是擔心人類成為流水線上的螺絲釘，重複著簡單枯燥的勞動。數字經濟時代，人類的“物化”卻有兩點值得警惕，要麽AI取代人類的工作，勞動者變得無關緊要；要麽人類成為消費場域裡的產品，就好像被馴化的奶牛一樣，不斷產出消費數據，供IT巨頭們分析。兩種結局，都無法充分挖掘人類的潛力，這是最大的危險。

在一個“人+機器”的未來，要想充分調動人的自發性和創造力，同時保持人的靈活度，最需要重新思考的問題是，教育該如何變？培訓該如何變？未來需要什麽樣的人才？“人＋機器”對於今天的孩子來說意味著什麽？

《生命3.0》中給出了部分答案：今天的孩子需要培養三方面技能——與人溝通互動的技能和社交的能力；保持創造力，能夠找到有效解決方案的能力；以及應對環境中不確定性的技能。

最後，我想補充一句，未來終身學習將變得更加重要，雖然AI不只是會消滅舊工作，同時也會創造出新工作，但是未來新工作被改變、替代、重塑的速度和頻次也會更高，所以每個人都需要做好在未來重新選擇工作的可能，重新塑造自己的技能，而這種重塑將不止一次。終身學習不僅需要保持好奇心、樂觀的態度，還有不斷接受和挑戰新知的毅力，這或許是未來人與機器最大的區別。

（作者為《經濟學人·商論》執行總編輯）