活在AI时代：人人都要培养AIQ 这几个技能需要掌握

　　
活在AI时代

　　吴晨

　　《经济学人》去年出了一期很经典的封面，封面里将全球各大高科技平台企业如谷歌、亚马逊之许描绘成正在采油的钻井，寓意很明显，在数字经济时代，大平台正在开采数字化的石油――大数据，而开采出来的大数据则用于人工智能（AI），因为AI会是数字化时代的电。

　　也有人用狂歌热舞（DANCE）这个词来形容AI主导的数字经济时代。DANCE是五个英文词的缩略语，分别是大数据（data）、算法/人工智能（al-gorithms/AI）、网络（networks）、云（cloud）以及硬件呈指数级的性能改善（exponential　improvements　in　hard-ware）。其实DANCE的五点缺一不可，恰恰是大量数据产生，算法不断更新，移动互联和未来的物联网让连接无所不在，云端让数据的存储和使用更方便，再加上硬件的不断更新升级，推动了这样一个科技以几何级数增长变化的时代。而数字经济时代的五点要素中，AI是贯穿始终的应用技术，也成为当下各个领域跨界研究的显学。

　　要理解AI，除了从技术角度出发，了解机器学习神经网络等前沿技术的发展之外，也需要站在更广阔领域从多种不同视角去观察和分析，最近有四本书从不同的角度剖析了AI的特点，联系起来勾勒出清晰的AI发展与应用的图谱。这四本书分别是从数字工程师的视角看待AI发展的《AIQ》、经济学家分析AI作为一项通用技术将给商业带来改变的《预测机器》（Prediction　Machine）、咨询师眼中AI当下的应用场景《人+机器》（Human　+　Machine），以及目前在国内很畅销的麻省理工学院物理学教授泰格马克畅想AI未来的《生命3.0》。

　　把商业问题变成预测问题

　　之所以说AI是未来的电，因为AI和电力一样，将是改变工作和生活方方面面的一项通用技术。如果用简单的供求关系来分析，当一项技术变得够便宜，就会带来足够多的新应用；此外当一项技术变得够便宜之后，跨界的应用也会不断兴起。电力作为工业经济时代的通用技术就是如此。

　　1800年，退休的美国首任总统华盛顿的别墅一年需花费一万多美元购买蜡烛照明。100年之后，同样一栋别墅一年的照明费用只有100年前的四百分之一。这是新技术变得日益便宜之后带来的普及效果。华盛顿时代只有富人才能晚上点得起蜡烛夜读，电力普及时代任何一个大都市的家庭都不会为电费而烦恼。

　　《预测机器》的三位作者都是来自多伦多大学管理学院的教授，他们认为AI就是下一个通用技术，而AI越来越便宜，带来最直接的效果就是“预测”的成本将越来越低，从而给商业流程和商业模式带来全新的变化，就好像100多年前电的普及一样。

　　如果说AI的最大特点是更好地解决预测问题，思考商业模式创新就需要把商业面临的各种实际问题转变成预测问题来思考。比如说，无人驾驶是不是可以看做预测问题？又比如说，翻译是不是预测问题？

　　回答都是肯定的。在AI看来，无人驾驶就是怎样去培养机器能够更好地去预测一个经验丰富的老司机如何应对各种复杂多变的道路环境。换言之，如果机器能够很好地学会老司机适应各种不同环境应对道路上各种突发情况的能力，那么就能很好地解决无人驾驶问题。这也是为什么共享出行企业能在自动驾驶领域有所作为的原因，因为可以捕捉大量司机的驾驶行为，并以此培养无人驾驶AI。

　　翻译也可以看做一种预测问题。AI出现之前的机器翻译，强调的是如何自上而下，从规则的角度去让机器理解语法，也是逐词对应的翻译。AI处理翻译问题，同样可以转化成预测问题：预测一个资深的翻译，会怎么翻译处理一个词、一段话、一篇文章。从词上升到句子，上升到段落，还要处理语境，这样机器处理语言的方式就和以前完全不同，机器翻译的准确度也会显著提升。

　　举两个更好的预测可能改变流程或者商业模式的例子。

　　在医学领域，X光和CT这样的检查，是帮助医生去判断病人是否有肿瘤的重要依据，当医生无法确定肿瘤是良性还是恶性的时候，需要对病灶做生理切片检查的小手术。如果AI分析检查片子的能力增强，预测肿瘤的准确度提高，手术的必要性会越来越低。

　　更准确地预测也可能颠覆整个电商领域的商业模式。如果电商可以准确预测消费者的需求，商业模式可以有什么变化？目前，电商已经可以比较准确地预测一定区域内用户对一些大宗商品比如说肥皂或者洗衣粉的需求，并因此可以在靠近社区的仓库中提前布货。未来，如果预测的准确度可以进一步提升，像亚马逊这样的电商巨头很可能不再需要用户在线或者在手机上搜索下单，而是直接把用户需要的商品送到客户家里。因为准确度非常高，配送十件商品至少有九件满足客户的需求，亚马逊只要做好一件商品的退货服务即可。

　　人人都要培养AIQ

　　如果说IQ是用来测量一个人的智商，EQ用来评价一个人的情商，那么AIQ就是评价一个人对人工智能的认知。《AIQ》的两位作者都是数字工程师，他们认为要适应未来“人+机器”的工作场景，每个人都需要培养AIQ，提升对AI的认知，以便更容易适应科技快速迭代改变的未来。此外，人类还需要有能力去监督AI，在“人+机器”的协作中，成为关键的一环，要做到这一点的前提也必须对AI和数据科学有基本的认知。

　　培养AIQ首先要建立对当下AI发展的认知。很多人把AI看得神秘莫测，的确现在AI可以做很多神奇的事情，比如说图像识别、语音识别、辅助驾驶、自动翻译等等，在一些情况下做的比大多数人还要好。但目前的AI仍然并不具备人类的那种聪明，它只听得懂一种语言――数字。

　　AI可以处理各种信息，只要输入的是数字就行。所以AI系统要能起作用，需要将各类不同输入都变成可以处理的数字语言，数据工程师把这种过程称为“特征工程学”，比如说把图像和语言的数字特征提取出来，变成机器听得懂的语言。

　　以自然语言识别为例。以前处理语言的思路是自上而下的编程思路，希望灌输给机器所有的语言规则，同时穷尽任何特例。结果几十年语言识别都没有大进步，因为语言其实太随意、太复杂了。AI的自然语言识别，完全走了另外一条路，让机器做最擅长的事情，找到文字与文字之间的相关性。机器回答的是一个最基本的问题，能不能让有相同意思的词，对应的数字也类似？当机器可以给每个单词和词组一个描述性的数字后，就可以用数字的加减乘除来帮助算法做出正确的判断。比如说，如果问机器一个问题：英国的伦敦，对应的词应该是意大利的什么？机器就可以这么计算：伦敦-英国+意大利=罗马，因此得出罗马这个正确答案。

　　现在的AI，无论是亚马逊的Alexa，或者苹果的Siri，都并不懂得语言的含义，但是却能准确判断文字之间的相关性。不究原因，只强调结果，AI能带来高效率，而我们暂时远不用担心它能和我们有一样的智慧。

　　这也是培养AIQ的第二个要点，不用过早担心AI是否会取代人类，因为现在的AI发展距离通用机器智能（AGI），距离赶上人类的智能还很远。数字工程师现在要花90%的时间用于处理数据，把非标的数据变成机器可以读懂的结构化数据，只有10%的时间用在推进AI的发展上。因为AI只听得懂数字，无论是图像还是文字的识别，都是找出它们的数字属性，然后让AI做最擅长的事：快速地计算和找到准确的关联。

　　培养AIQ的第三点，需要理解人与现在的AI之间到底有哪些优势和劣势。

　　十几年前，当时担任美国国防部长的拉姆斯菲尔德曾经特别就美军在伊拉克面临的风险做过一个四个象限图的分析，分别是美军知道美军自己知道的风险（已知的已知）；美军知道美军还没有掌握的风险（已知的未知）；美军并不知道自己已经掌握的风险（未知的已知），以及美军根本不知道自己还不知道的风险（未知的未知）。

　　如果以美国掌握的全球恐怖主义信息为例，第一种风险是美国知道本拉登建立了基地组织；第二种风险是美国知道自己并不知道本拉登基地组织的目标到底是什么；第三种风险是CIA已经知道与本拉登相关的人曾经在美国学习飞行，并且再次入境美国，但是并没有就这一重要信息做出分析，因此美国的决策者并不知情；第四种风险则是美国根本无法预测2001年纽约的911事件会发生。

　　同样，套用这四个象限分析，也可以清晰地分辨人与机器之间的差别。

　　应用场域最广的领域是“已知的已知”领域，即有着大量数据，而我们也很清楚知道如何做出好的预测的领域，比如说防欺诈、医疗诊断等等。这些领域AI已经大规模取代人，因为机器从大数据中找出相关性的速度比人要快得多。

　　如果反思一下2008年金融危机，首要问题是为什么评级机构当年没有看到次级债（CDO）的风险。答案并不是因为评级机构当时没有充足的数据。症结在于他们设计的风险模型中并没有考虑到不同市场价格变动的相关性，比如纽约和芝加哥房价同时下跌给CDO带来的风险。有了AI就不再会出现这种问题，因为可以从更多维度对数据做出分析。“已知的未知”领域，将仍然是人的领地。这个领域并没有大量数据，无法帮助AI做出好的预测。相反，人却能利用小数据来举一反三。当然这也恰恰是机器学习发展非常快的领域，如果机器能够学会如何像人一样学习，智慧会进一大步。

　　第三个领域，也就是“未知的未知”领域，人和机器都束手无策。黑天鹅就是一种未知的未知，人和机器都很难预测。原因很简单，AI从本质上仍然是利用历史数据预测未来。如果某个新物种，从来就没有人见过，又何从预测呢？比如说，共享音乐Nap-ster给CD行业带来的毁灭性打击就很难预测。

　　最后一个领域，就是“已知的未知”领域，AI和人一样容易犯错，而应用AI会带来更大的风险，因为AI可能飞快地将错误放大千百倍，让人措手不及。所谓已知的未知，意思是我们已经能做出了预测（不管是人还是AI），但是却并不知道背后真正的原因，甚至有时候以为自己知道原因，其实却是错的。

　　国际象棋大师卡斯帕罗夫在《深度思考》中就提到一个早期研究国际象棋的AI犯错的例子。AI在看到大量棋谱之后，发现很多象棋大势在牺牲王后之后，往往很快就能有致赢的后手，所以这种AI会开局就选择放弃王后。这就是在“已知的未知”领域内犯错的例子，因为它把相关性错认为是因果性，把现象――好的棋手有的时候会丢弃王后――当做了制胜的原因。

　　有了这四个象限的分析，人与机器的差别也就非常清楚。简单重复的劳动，甚至一些中等的职位，比如起草标准合同的律师工作，都会被机器所取代，因为有着大量数据可以培养出强大的AI，但是在探索未知领域，人类仍然有巨大的潜力。

　　人工智能与职场风险

　　乔布斯有句名言，电脑是思想的自行车。如果说电脑加快了思想的运算速度的话，AI作为新一代的通用科技，又将如何推动思想的发展？一定会让很多人从简单重复的劳动中解放出来，有机会让更多人释放出更多的创造力。

　　从这一视角分析AI可能给人的生活和职场带来的改变，就不必简单地去担心工作被自动化所代替，而是要从整个工作流程的角度看AI到底会给职场带来什么样的改变。和过去的技术迭代一样，AI一定会取代一些工作，或者一些工作的一部分，但同时也一定会创造一些新的工作机会，或者把一部分既有工作变得更吃重，所不同的是，这样的改变速度更快，频次更多。

　　先举一个商学院录取流程的例子来看AI如何重塑工作流。商学院MBA的录取流程可以分拆成三个阶段，不同阶段需要配置不同的资源。第一步是推广，也就是鼓励学生申请，让更多潜在学生了解MBA课程。第二步是评判，也就是对申请人进行筛选，通常需要大量人工去做。第三步是给出结果，尽可能鼓励合格的申请人接受录取通知书。一个传统的MBA录取流程，会在第二阶段配置大量有经验的人力，而且会限制推广，担心人力无法及时处理大量的申请。

　　AI在商学院录取流程中的应用，会从第二环节开始，培养出特别擅长对申请人进行筛选和评判的AI。AI替代手动筛选评判申请人这一流程的同时，也会让资源可以配置到其他流程中，比如没有了筛选的人力瓶颈，商学院会愿意加大市场宣传力度以吸引更多的申请人，甚至可能免除申请费，因为AI审核的成本接近为零。从这一角度去思考，AI给商学院带来的改变并不是简单地替代某项工作，而是会重新安排招生三个步骤的资源分配，AI给工作流带来的改变，远比简单的自动化要深远地多。

　　那AI给未来的工作会带来什么样的改变呢？

　　第一种情况，当工作的一部分职能被自动化了之后，工作本身反而变得更重要了。这在PC时代就曾经出现过。比如Excel的出现让财务的话语权更大，而不是让更多会计师失业。同样，工作的一部分被自动化会让那些需要更多人判断的工作变得更重要也更有价值。

　　第二种情况，机器的确会替代一些工作。比如说亚马逊分拣仓里的分拣员。亚马逊的物流配送分拣仓雇佣了4万多人，因为人仍然比机器能更快地分拣货物。但是亚马逊也意识到，只要人在整个流程中存在，物流配送就无法完全自动化。亚马逊2012年收购机器人公司Kiva就是要向自动化迈出一大步。未来当机器完全取代人类分拣员之后，仓库就可以变成黑灯仓库，节约照明和空调的电费，而且可以24小时不停歇地工作，大大提升效率。

　　第三种情况，AI会重塑一些工作，取代一部分职能，同时增加另一部分智能。比如说放射科医生。放射科医生主要的工作是解读X光片或者CT影像。现在机器已经可以做得更好了。但这并不意味着放射科医生的工作会被替代。他们的工作会发生大的变化。一方面，他们仍然需要向其他医生解释AI得出的影响判断，另一方面为新机器的AI提供训练也是他们未来的工作之一。

　　第四种情况，则是一些工作的实质会发生改变。比如说，当自动驾驶被普遍应用之后，校车司机会失业么？乍一看下来答案是肯定了，因为车辆可以自动驾驶了，不再需要司机。但事实上校车司机还有一项很重要的职责，就是在车上维护秩序，确保孩子们的安全。所以，当司机开车的这项主要任务被AI取代之后，会凸显出另外一些重要的任务，比如说在校车上管理孩子。校车司机工作的实质发生了变化，但是并没有被取代。

　　当然，未来将会有更多“人+机器”的工作场景。在《人+机器》这本书中，身为埃森哲咨询师的作者就提出，人机协作在很多场景中会比人或者机器单独完成工作要更有效。《人+机器》把产业转型分成三个阶段，100多年前从福特开始的标准化流程的转型，1970年代开始的数字化转型，也就是利用IT技术的自动化转型，而现在这一阶段AI推动了人机协作的适应性转型阶段。标准化转型让批量大规模廉价生产成为可能，自动化转型通过流程优化和流程再造，让机器能够取代许多人的岗位，提升效率。适应性转型又有所不同，人+机器可以有很强的适应性，又可以根据实时的数据做应对，可以推出小批量定制化的服务。

　　人机协作还会带来一些有趣的变化。人和机器会相互学习，机器可以观察人的一些动作，提升自己的能力；人也需要学习并适应与机器一起工作。人机协作也能增强人的能力，机器（AI）将成为人体的延伸，就好像智能手机变成了人大脑的延伸，又好像医生使用手术机器人一样得心应手。人机协作，其实是解放人，让人在工作过程中能够从事更多人擅长的工作和人与人沟通交流的工作。

　　AI的未来和适应AI的下一代

　　MIT教授泰格马克在《生命3.0》的开篇就描述了一个超级智能“越狱”的烧脑剧情。泰格马克用一个形象的比喻来形容被人类控制的超级智能：就好像世界上所有五岁以上的人都死了，只留下你（超级智能）一个，你被一群幼儿园的孩子所禁锢，虽然他们仍然希望你能帮助他们重建家园。《生命3.0》是一本想象力丰富而逻辑推理严谨的著作，为AI大发展之后的人与机器的关系做出了一种宏大框架的分析。泰格马克对AI的前景充满乐观，属于相信通用人工智能（AGI，也就是能够超越人类智慧的机器智能）有可能在我们有生之年出现的乐观派。

　　但现在还不是担心机器何时或者是否会发展出AGI的时候，因为技术的变化还没有人能够做出准确的预期。相反，恰如DeepMind的创始人所说，我们不应该担心AI夺走人类的工作或者替代人类，我们应该担心的是如果没有AI，人类会变成什么样子？

　　有一个问题更迫切也更重要：AI的应用到底是会促进更多的中心化，还是去中心化？

　　一方面，从人类发展的历史上来看，科技的不断发展一直在不断推动人类的活动变得更加集中，从分散的部落、到帝国就是一个逐渐中心化的趋势。AI作为最新的通用技术，也一定会进一步推动中心化的趋势，AI让集中处理庞大的数据变得更容易、更便宜、更高效，也更能不断提升AI的智能，因为数据越多，机器学习的处理能力就越强大。但是另一方面，因为通讯的成本大大降低，普通人获取信息的成本大大降低，AI的发展也让每个人可以获取的知识足够多足够丰富，每个人有更强的判断力，每个人都可以被赋能。而当每个普通人能做出更好的决策的时候，他们的动力、灵活度和创新能力也最足。

　　无论是政府、企业还是社会组织，如果抽象分析下来，都是一种信息处理系统，AI带来的改变到底会促进信息系统更中心化，还是更分布式，将是AI给未来经济社会发展带来的最大变数。

　　改变已经产生。大数据和人工智能催生了大的高科技平台企业，现在美国的谷歌、脸书、亚马逊、苹果和微软，加上中国的阿里与腾讯，雄踞全球十大市值最大企业的七席，每一个都富可敌国，每一个都拥有海量的数据，恰如本文开头提到的《经济学人》封面所呈现的，这些公司是镀金时代的“新石油大亨”。

　　AI带来的中心化与分布式的辩论，放在企业发展的语境去讨论，就变成了对于七巨头和他们身后第二梯队的IT巨无霸们而言，AI的发展会加速它们的成长，从而让它们更加稳固自己的寡头地位，还是会让挑战巨头的颠覆力量此起彼伏，让创新得以不断持续？

　　目前看来，天平正在朝向巨头的一方。巨头IT平台企业已经构建了他们的版图，并且在自己核心业务周围构建了“杀戮地带”，瓜分天下的野心昭彰。不过如果AI技术领域能有所突破，比如在“已知的未知”领域，利用小数据样本就能培养出有效的AI，让大平台的大数据优势不再那么明显，未来的天平仍然可能转向分布式。

　　巨头的成长也形成了一套商业模式，值得注意。吴修铭（Tim Wu）在《注意力商人》（The Attention Merchants）中就曾经描述，巨头之所以能够为大众提供大量免费服务，是因为注意力经济的商业模式，巨头吸引到的用户眼球可以换取可观的广告费用，谷歌和脸书两家企业几乎瓜分了美国在线广告市场。AI的发展，让注意力经济快速迭代，相比眼球的商业价值，巨头所掌握的用户行为信息数据变得更重要也更值钱。

　　但是，这里也潜伏着未来人类的巨大风险。工业时代，人类劳动的异化，是担心人类成为流水线上的螺丝钉，重复着简单枯燥的劳动。数字经济时代，人类的“物化”却有两点值得警惕，要么AI取代人类的工作，劳动者变得无关紧要；要么人类成为消费场域里的产品，就好像被驯化的奶牛一样，不断产出消费数据，供IT巨头们分析。两种结局，都无法充分挖掘人类的潜力，这是最大的危险。

　　在一个“人+机器”的未来，要想充分调动人的自发性和创造力，同时保持人的灵活度，最需要重新思考的问题是，教育该如何变？培训该如何变？未来需要什么样的人才？“人+机器”对于今天的孩子来说意味着什么？

　　《生命3.0》中给出了部分答案：今天的孩子需要培养三方面技能――与人沟通互动的技能和社交的能力；保持创造力，能够找到有效解决方案的能力；以及应对环境中不确定性的技能。

　　最后，我想补充一句，未来终身学习将变得更加重要，虽然AI不只是会消灭旧工作，同时也会创造出新工作，但是未来新工作被改变、替代、重塑的速度和频次也会更高，所以每个人都需要做好在未来重新选择工作的可能，重新塑造自己的技能，而这种重塑将不止一次。终身学习不仅需要保持好奇心、乐观的态度，还有不断接受和挑战新知的毅力，这或许是未来人与机器最大的区别。

　　（作者为《经济学人?商论》执行总编辑）