一直以來(lái)，關(guān)于奇點(diǎn)事件以及同人工智能接管世界的討論層出不窮——自己的電腦會(huì)在不遠(yuǎn)的未來(lái)取代杰夫·貝佐斯或馬克·扎克伯格嗎？

筆者是負(fù)責(zé)為管理人員開發(fā)Sat-Nav（衛(wèi)星導(dǎo)航的縮寫）工具的首席執(zhí)行官。由于衛(wèi)星導(dǎo)航是自動(dòng)駕駛汽車的基礎(chǔ)，這些天我經(jīng)常被問(wèn)到：科學(xué)家會(huì)讓機(jī)器人來(lái)管理公司嗎？答案很明確：絕對(duì)不可能。

奇點(diǎn)事件：一派炒作

誠(chéng)然，人工智能在過(guò)去三十年間進(jìn)步顯著。然而目前的水平要達(dá)到技術(shù)奇點(diǎn)，也就是機(jī)器能夠復(fù)制甚至超越人類思想的程度，還有很長(zhǎng)的路要走。

從核心上來(lái)講，這個(gè)新的數(shù)據(jù)科學(xué)術(shù)語(yǔ)是個(gè)崇高的名稱，代表著廣泛的數(shù)據(jù)處理活動(dòng)，其大多數(shù)產(chǎn)生于過(guò)去。但最近獲得新生，它們應(yīng)用在更先進(jìn)的技術(shù)儀器上，這些儀器數(shù)據(jù)量更多、處理能力更強(qiáng)，結(jié)果更合理還更便宜。

圖為人工智能的三波浪潮，基于Evo的DHL research

隨著數(shù)據(jù)的儲(chǔ)存和處理所需成本的降低，數(shù)據(jù)收集量上升：這是非常簡(jiǎn)單的供需法則，又叫數(shù)據(jù)的價(jià)格彈性——價(jià)格下降，容量上升。同那些更舊更小的數(shù)據(jù)相比，新數(shù)據(jù)的價(jià)值更低。這是純粹的經(jīng)濟(jì)學(xué)知識(shí)，之后就得有人來(lái)處理這些數(shù)據(jù)了，也就是數(shù)據(jù)科學(xué)。

數(shù)據(jù)科學(xué)基本上都是老一套的科學(xué)。還有人記得專家系統(tǒng)嗎？盡管人們大肆宣傳，這個(gè)系統(tǒng)即使到今天還有嚴(yán)重的技術(shù)限制：

僅自下而上，從上級(jí)數(shù)據(jù)而來(lái)。舉個(gè)例子，一份圖像會(huì)被掃描為數(shù)百萬(wàn)或數(shù)十億像素的集合，而這些像素是數(shù)字的向量。這種方式效率低下，但由于成本低廉，它在某些問(wèn)題上仍在使用。

然而，在機(jī)器學(xué)習(xí)方面，這種方法要慢得多，而且比用人力昂貴得多。一個(gè)三歲孩子可以在依次看到兩個(gè)香蕉后就能分辨出什么是香蕉，但一個(gè)昂貴的系統(tǒng)需要一百萬(wàn)張圖像來(lái)自我學(xué)習(xí)，還只有95%的可信度，平均每20次圖像分辨會(huì)出錯(cuò)一次。

僅復(fù)制機(jī)械部分，缺失了大腦中的化學(xué)部分。神經(jīng)網(wǎng)絡(luò)為機(jī)器學(xué)習(xí)的核心，它某種意義上成功復(fù)制了大腦的機(jī)械部分：神經(jīng)元和神經(jīng)元之間的電子信號(hào)。然而，有關(guān)大腦化學(xué)部分的研究極少，這些部分可能掌管整體思維、情感和自上而下推理的直覺思考。

從結(jié)構(gòu)來(lái)說(shuō)，機(jī)器缺失了許多功能。這就是人工智能同人類之爭(zhēng)的關(guān)鍵：機(jī)器只能按照已有的程序運(yùn)行，而人類能夠發(fā)揮創(chuàng)造力。人類的根本能力是提出正確的問(wèn)題，但可惜的是，今天的學(xué)校教的是如何回答問(wèn)題，這項(xiàng)技能變得無(wú)關(guān)緊要。

這就是杞人憂天的理由嗎？

優(yōu)步、谷歌和特斯拉正對(duì)此爭(zhēng)論不休

目前有關(guān)人工智能的爭(zhēng)論受到自動(dòng)駕駛汽車的影響。隨著優(yōu)步、谷歌，和特斯拉爭(zhēng)先推出自動(dòng)駕駛汽車，人們猜測(cè)這只是危機(jī)的開端，機(jī)器將很快足以掌控公司，甚至是整個(gè)地球。

事實(shí)是，管理公司需要多種的能力以處理模棱兩可的問(wèn)題，還需解釋人類情感，這通?！笆只靵y”且難以被量化。定義一個(gè)目標(biāo)使其改變市場(chǎng)，并且需要定義新目標(biāo)，這叫做自反性。

自反性指的是因果間的循環(huán)關(guān)系，尤其根植于人類的信仰結(jié)構(gòu)中。自反關(guān)系是雙向的，因與果間相互影響，在這種關(guān)系中兩者都不能被指定為原因或結(jié)果。

自動(dòng)駕駛汽車只需運(yùn)用可量化數(shù)據(jù)如位置或速度，從而辨識(shí)物理?xiàng)l件，例如交通狀況、其他車輛、行人等。即便這樣也總會(huì)出現(xiàn)程序員未納入考量的“黑天鵝事件”，然而這些突發(fā)事件的數(shù)量是有限的，最終都會(huì)規(guī)劃好。

結(jié)構(gòu)上來(lái)說(shuō)，自動(dòng)駕駛只是有一輛車能自己上路，僅此而已。然而管理行為會(huì)導(dǎo)致市場(chǎng)范式的轉(zhuǎn)變，整個(gè)循環(huán)需要機(jī)器再次從頭開始。

2012年在澳大利亞墨爾本，一輛裝載著綿羊的卡車在高架橋上發(fā)生車禍，導(dǎo)致幾百只綿羊像下雨一樣落在了橋下的高速路上。雖然人類能夠克服遇見綿羊會(huì)飛時(shí)的認(rèn)知失調(diào)，但你能設(shè)身處地想象出困惑的優(yōu)步機(jī)器人講著老套的科幻笑話：它無(wú)法計(jì)算！

這是意料事件中的極端例子。這或許能更生動(dòng)地理解為什么機(jī)器無(wú)法在不遠(yuǎn)的未來(lái)接管公司，在相互競(jìng)爭(zhēng)的管理游戲中可有不少會(huì)飛的綿羊。

機(jī)器人企業(yè)的真相

當(dāng)然，就像在工業(yè)革命中許多手工勞動(dòng)被機(jī)械替代，機(jī)器能接管許多管理功能。然而，越是富有創(chuàng)造力并需要高水平思維的工作，越有可能留在人類手中并進(jìn)一步發(fā)展。越使用數(shù)據(jù)，就越需要更強(qiáng)的領(lǐng)導(dǎo)力來(lái)掌握方向。

近年來(lái)，汽車制造商大眾公司的許多研發(fā)將人工智能同人類的相互作用設(shè)為主題。首席信息官馬丁·霍夫曼（Martin Hoffman）解釋了該公司是如何將自動(dòng)駕駛汽車的清單運(yùn)用于“機(jī)器企業(yè)”領(lǐng)域：他們?cè)诠竟δ芰鞒讨胁捎昧俗赃m應(yīng)算法。

用我比較熟悉的東西舉例，想象一下倉(cāng)庫(kù)自動(dòng)化的重新排序過(guò)程。今天，系統(tǒng)能使供應(yīng)鏈處于自動(dòng)執(zhí)行模式，除了執(zhí)行策略仍舊需要人類設(shè)計(jì)：

是更高成本下選擇更多的庫(kù)存和客戶服務(wù)，還是背負(fù)缺貨風(fēng)險(xiǎn)選擇選擇更少的庫(kù)存？未來(lái)幾周覆蓋范圍會(huì)是多少？

最優(yōu)水平是不存在的，因?yàn)樽顑?yōu)視情況不同而不同。確定決策需要將策略前景的變化轉(zhuǎn)化為日常調(diào)整。

機(jī)器決定了權(quán)衡的效率前緣。任何給定的目標(biāo)覆蓋周數(shù)只有一個(gè)最優(yōu)的倉(cāng)儲(chǔ)水平，但人類必須選擇目標(biāo)周數(shù)。

大眾公司已經(jīng)確定了人工智能控制水平的五個(gè)階段。從階段一的手動(dòng)，即人力決定所有商業(yè)決策，到階段五的完全自動(dòng)化，這個(gè)階段完全不需人工輸入。

根據(jù)大眾公司的判斷標(biāo)準(zhǔn)，通常來(lái)說(shuō)機(jī)器在階段二表現(xiàn)出色：它能夠提供建議，但最終做出決策的是人類。機(jī)器并非取代了人類判斷，而是加強(qiáng)了人類，就像我們今天的手機(jī)每天都在加強(qiáng)大腦一樣。在可見的未來(lái)，人類的大腦將依然掌控管理權(quán)。
責(zé)編AJX