在過去的 250 多年里，技術(shù)創(chuàng)新一直是經(jīng)濟(jì)發(fā)展的根本推動(dòng)力。這些技術(shù)創(chuàng)新中最重要的就是經(jīng)濟(jì)學(xué)家所說的“通用技術(shù)”，包括蒸汽機(jī)、電力，以及內(nèi)燃機(jī)。它們中的每一個(gè)都催化了互補(bǔ)性創(chuàng)新與機(jī)遇的浪潮。舉例來說，內(nèi)燃機(jī)讓汽車、卡車、飛機(jī)、鏈鋸、割草機(jī)，甚至大型零售商、購物中心、交叉對接倉庫、新供應(yīng)鏈以及郊區(qū)得以出現(xiàn)。像沃爾瑪、UPS 和 Uber 這樣擁有多樣性的公司找到了利用新技術(shù)創(chuàng)造新商業(yè)模式的方法。
我們這個(gè)時(shí)代最重要的通用技術(shù)就是人工智能，尤其是機(jī)器學(xué)習(xí)，也就是說機(jī)器能夠持續(xù)提高自己的性能，而無須人類明確解釋所有這些任務(wù)要怎樣完成。在過去幾年的時(shí)間里，機(jī)器學(xué)習(xí)已經(jīng)變得越來越高效和廣泛地使用。我們現(xiàn)在已經(jīng)能建造出自己學(xué)習(xí)如何完成任務(wù)的系統(tǒng)了。
為什么這件事非常重要呢？有兩個(gè)原因。第一，人類的知識比我們能表達(dá)出的更多，我們不能解釋為什么人類能完成那么多的事情，從識別出一張人臉到在古老的亞洲策略游戲圍棋中走出絕妙的一招。在機(jī)器學(xué)習(xí)之前，我們無法精確表達(dá)出我們的知識，這種無能正意味著我們不能自動(dòng)化很多事情，而現(xiàn)在我們可以做到了。
第二，機(jī)器學(xué)習(xí)系統(tǒng)是非常出色的學(xué)習(xí)者。這些系統(tǒng)能在廣泛的領(lǐng)域中達(dá)到超人類性能，包括檢測欺詐和診斷疾病等。人們在整個(gè)經(jīng)濟(jì)領(lǐng)域中都部署了這樣出色的數(shù)字學(xué)習(xí)者，它們的影響力將會十分深刻。
在商業(yè)領(lǐng)域，人工智能在早期通用技術(shù)的階段就被認(rèn)為擁有變革性的影響。雖然它目前已經(jīng)被應(yīng)用于全球上千家公司，但大多數(shù)重大的機(jī)遇并沒有被利用開發(fā)出來。隨著制造業(yè)、零售業(yè)、交通運(yùn)輸、金融業(yè)、醫(yī)療保健行業(yè)、法律、廣告業(yè)、保險(xiǎn)業(yè)、娛樂、教育業(yè)，以及事實(shí)上每一個(gè)其他領(lǐng)域轉(zhuǎn)變其核心進(jìn)程和商業(yè)模式，并從機(jī)器學(xué)習(xí)中受益，人工智能的影響，在即將到來的這個(gè)十年中一定會被放大。現(xiàn)在的瓶頸在于管理、執(zhí)行，以及商業(yè)想象力。
然而，就像很多其他新技術(shù)一樣，人工智能也催生出了一大批不切實(shí)際的期望。我們看到有大量商業(yè)計(jì)劃隨意揮灑在機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)，以及各種其他形式的技術(shù)方面，但卻幾乎與其真正的功能沒有聯(lián)系。舉個(gè)例子來說，簡單地把一個(gè)約會網(wǎng)站叫做“人工智能驅(qū)動(dòng)的網(wǎng)站”，并不能讓它變得更高效，但那或許有助于網(wǎng)站融資。這篇文章將穿過這些喧囂的噪音，描述出人工智能的真正潛力、它的實(shí)踐意義，以及它在被采用的過程中面臨的障礙。
人工智能今天能夠做些什么？
“人工智能”這個(gè)詞是 1955 年由約翰·麥卡錫（John McCarthy）創(chuàng)造的，麥卡錫是達(dá)特茅斯學(xué)院的一位數(shù)學(xué)教授，他組織了之后一年那場具有開創(chuàng)意義的人工智能大會。從那以后，也許部分原因是因其令人回味的名稱，人工智能這個(gè)領(lǐng)域開始崛起，而不僅僅停留在夢幻般的主張和承諾上了。在 1957 年，經(jīng)濟(jì)學(xué)家赫伯特·西蒙（Herbert Simon）預(yù)測，十年之內(nèi)，計(jì)算機(jī)將在國際象棋方面打敗人類。（事實(shí)上，計(jì)算機(jī)只花了 40 年時(shí)間。）在 1967 年，認(rèn)知科學(xué)家馬文·明斯基（Marvin Minsky）說：“在一代人之內(nèi)，創(chuàng)造‘人工智能’這個(gè)問題將會得到實(shí)質(zhì)解決。”西蒙和明斯基二人都是知識分子中的巨擘，但他們都錯(cuò)了。所以，對未來突破的戲劇性主張?jiān)獾搅艘欢ǔ潭鹊膽岩伞?/div>
我們先來看看，人工智能現(xiàn)在在做些什么，以及它在以多快的速度發(fā)展。最大的兩個(gè)進(jìn)步發(fā)生在這樣兩個(gè)廣闊的領(lǐng)域：感知和認(rèn)知。在早期的分類中，最有實(shí)用性的進(jìn)步都是跟語音有關(guān)的。語音識別還差強(qiáng)人意，但現(xiàn)在有百萬計(jì)的人們在使用它，想想 Siri、Alexa，以及 Google 的語音助手。你現(xiàn)在在讀的這篇文章，最開始是我口述給一臺計(jì)算機(jī)并讓它以足夠的精確度轉(zhuǎn)寫出來的，這樣比打字要快。由斯坦福計(jì)算機(jī)科學(xué)家詹姆斯·蘭迪（James Landay）和他的同事們進(jìn)行的一項(xiàng)研究發(fā)現(xiàn)，平均來說，語音識別比在手機(jī)上打字要快三倍，其錯(cuò)誤率已經(jīng)由曾經(jīng)的 8.5％降低到了 4.9％。令人震驚的是，這個(gè)顯著的改進(jìn)并不是經(jīng)過 10 多年時(shí)間才實(shí)現(xiàn)的，而僅僅是從 2016 年夏天才開始。
同樣地，圖像識別也進(jìn)步得非常驚人。你可能已經(jīng)注意到，F(xiàn)acebook 和其他應(yīng)用程序現(xiàn)在可以在發(fā)出的圖片中識別出你很多朋友的臉，并且提示你給他們貼標(biāo)簽。一個(gè)在你智能手機(jī)上的應(yīng)用就能識別出野外的任何一只鳥。在一些公司總部，圖片識別甚至正在取代身份證件。視覺系統(tǒng)，比如那些用在自動(dòng)駕駛汽車上的視覺系統(tǒng)，以前在識別行人方面每 30 幀中就會出現(xiàn)一次錯(cuò)誤，而現(xiàn)在它們的錯(cuò)誤率比在 3000 萬幀中出錯(cuò)一次還要低。圖片識別有一個(gè)巨大的數(shù)據(jù)庫，叫 ImageNet，它擁有幾百萬常見的、模糊的或完全怪異的照片，頂級系統(tǒng)的圖片識別錯(cuò)誤率已經(jīng)從 2010 年的 30％多，降低到了 2016 年的 4％。
最近幾年來，由于采用了基于龐大的或“深度的”神經(jīng)網(wǎng)絡(luò)的新方法，圖片識別的改進(jìn)速度迅速加快。視覺系統(tǒng)的機(jī)器學(xué)習(xí)還遠(yuǎn)非完美，但即使是人類，也可能會在快速識別出一只小狗方面有困難，人們也可能會在根本沒有可愛小狗的地方看出小狗來。
小狗還是瑪芬蛋糕？圖像識別的進(jìn)步
機(jī)器已經(jīng)在識別相似圖像的類別方面取得了長足的進(jìn)步。
圖片識別的錯(cuò)誤率
第二個(gè)主要改進(jìn)的方面是認(rèn)知和問題解決。機(jī)器已經(jīng)戰(zhàn)勝了最棒的人類撲克選手和圍棋選手，這是一項(xiàng)專家們之前預(yù)測需要至少又一個(gè)十年的時(shí)間才能實(shí)現(xiàn)的成就。Google 的 DeepMind 團(tuán)隊(duì)用機(jī)器學(xué)習(xí)系統(tǒng)提高冷卻數(shù)據(jù)中心的效率，高達(dá) 15 個(gè)百分點(diǎn)，即使人類專家已經(jīng)優(yōu)化過數(shù)據(jù)中心，它也還是達(dá)到了這個(gè)水平。網(wǎng)絡(luò)安全公司 Deep Instinct 正在使用智能代理來檢測惡意軟件，PayPal 用智能代理防止洗錢行為。使用 IBM 技術(shù)的一家新加坡保險(xiǎn)公司支持用戶自動(dòng)進(jìn)行索賠流程，而數(shù)據(jù)科學(xué)平臺 Lumidatum 能提供實(shí)時(shí)建議來改進(jìn)客戶支持系統(tǒng)。
一大批公司在使用機(jī)器學(xué)習(xí)來決定接受華爾街的哪一筆買賣，有越來越多的信用決策都在機(jī)器學(xué)習(xí)的幫助下做出。亞馬遜采用機(jī)器學(xué)習(xí)優(yōu)化庫存并改善他們向用戶推送的產(chǎn)品推薦。Infinite Analytics 開發(fā)了一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)，來預(yù)測用戶是否會點(diǎn)擊一個(gè)特定的廣告，改善全球消費(fèi)品商品公司的在線廣告布局，另一個(gè)系統(tǒng)則是為了優(yōu)化用戶在一個(gè)巴西網(wǎng)絡(luò)零售商的搜索和發(fā)現(xiàn)過程。第一個(gè)系統(tǒng)將廣告投資回報(bào)率提高了三倍，第二個(gè)系統(tǒng)則增加了 1.25 億美元的年收入。
機(jī)器學(xué)習(xí)系統(tǒng)不僅在很多應(yīng)用里代替著原始的算法，而且在很多人類曾經(jīng)表現(xiàn)最好的工作任務(wù)中更為出色。雖然這個(gè)系統(tǒng)還有待改進(jìn)，它們在 ImageNet 數(shù)據(jù)庫的錯(cuò)誤率（大約是 5％）已經(jīng)達(dá)到或比人類水平的表現(xiàn)更好了。語音識別也是這樣，即使在嘈雜的環(huán)境下，現(xiàn)在也幾乎和人類水平持平。機(jī)器學(xué)習(xí)系統(tǒng)達(dá)到了這樣的門檻，進(jìn)而為改變工作場所和經(jīng)濟(jì)開辟出了新的廣闊可能性。一旦以人工智能為基礎(chǔ)的系統(tǒng)在某個(gè)領(lǐng)域超越了人類的表現(xiàn)，它們就更容易快速廣泛傳播。
舉個(gè)例子，比如 Aptonomy 和 Sanbot，它們分別是無人機(jī)和機(jī)器人制造者，它們正在使用改進(jìn)過的視覺系統(tǒng)，使很多安保工作自動(dòng)化。在很多同類公司中，軟件公司 Affectiva 正在使用機(jī)器學(xué)習(xí)在特定群體中識別快樂、驚訝和氣憤等情緒。Enlitic 則是一家使用機(jī)器學(xué)習(xí)掃描醫(yī)學(xué)圖像進(jìn)而幫助診斷癌癥的深度學(xué)習(xí)創(chuàng)業(yè)公司，而這樣的公司已經(jīng)有好幾家了。
這些都是了不起的成就，但以人工智能為基礎(chǔ)的系統(tǒng)，其適用性依然非常狹窄。舉個(gè)例子，機(jī)器學(xué)習(xí)在擁有數(shù)百萬圖片的 ImageNet 數(shù)據(jù)庫中的出色表現(xiàn)，并不意味著它總能“在野外環(huán)境中”取得一樣的成功，在野外環(huán)境中，光線條件、角度、圖片分辨率以及情境都可能非常不同。更為根本地，我們可能會驚嘆于一個(gè)系統(tǒng)能理解中國話并把它翻譯成英文，但我們不能指望這個(gè)系統(tǒng)理解一個(gè)特定中文字的意義，更不用說在北京去哪里吃飯好了。
如果一個(gè)人能出色地完成一項(xiàng)任務(wù)，那很自然也可以假設(shè)他有能力完成一些相關(guān)的工作。但是機(jī)器學(xué)習(xí)系統(tǒng)就是為了某些特定任務(wù)而訓(xùn)練出來的，它一貫的知識并不會擴(kuò)展延伸。一個(gè)典型的謬論就是認(rèn)為計(jì)算機(jī)狹窄的理解力意味著它能擴(kuò)展到更廣闊的理解力中，這可能是一個(gè)最大的混淆之源，更為夸張的宣稱就是認(rèn)為人工智能能夠自己取得進(jìn)步。我們離具備在多領(lǐng)域中擁有通用智能的機(jī)器還非常遙遠(yuǎn)。
理解機(jī)器學(xué)習(xí)
要理解機(jī)器學(xué)習(xí)，最重要的一點(diǎn)就是明白機(jī)器學(xué)習(xí)代表了一條創(chuàng)造軟件的完全不同的道路。舉個(gè)例子，機(jī)器是去學(xué)習(xí)一件事情，而不是為某一明確結(jié)果被明確編程成什么樣子。在過去 50 年的絕大多數(shù)時(shí)間里，信息技術(shù)領(lǐng)域的進(jìn)步及其應(yīng)用都聚焦于把某種已有的知識和程序編成指令，再把這些指令植入機(jī)器中。確實(shí)，“編程”這個(gè)詞總是意味著這樣一種艱苦的過程，即開發(fā)者把自己頭腦中的知識轉(zhuǎn)化成一種機(jī)器能理解和執(zhí)行的格式。這種方法有一個(gè)根本上的弱點(diǎn)：我們現(xiàn)有的很多知識都是大家心照不宣的，也就是說我們無法完全解釋它們。對我們來說，寫下每一條指令讓另一個(gè)人明白如何騎自行車、如何識別出一個(gè)朋友的臉龐，這幾乎是不可能的。
上圖：這就是使用人工智能的意義。結(jié)果是人又不是人，可識別但又不是你期望中的那樣，它們美麗嗎，可怕嗎，能讓人感到愉悅嗎？
換句話說，我們所知的比我們能表達(dá)的更多。機(jī)器學(xué)習(xí)正在克服這個(gè)困難。在第二次機(jī)器革命的這第二波浪潮中，人類制造的機(jī)器正在從實(shí)例中學(xué)習(xí)，并且使用結(jié)構(gòu)清晰的反饋來解決自己的問題，比如面部識別。
機(jī)器學(xué)習(xí)的不同特色
人工智能和機(jī)器學(xué)習(xí)有很多種特色，但近年來大多數(shù)成功的案例都集中在監(jiān)督學(xué)習(xí)方面，也就是關(guān)于某特定問題，賦予機(jī)器大量正確的實(shí)例學(xué)習(xí)。這個(gè)過程幾乎總涉及從一組輸入 X，到一組輸出 Y 的映射。比如，輸入可能是一些各種動(dòng)物的圖片，正確的輸出就是關(guān)于這些動(dòng)物的標(biāo)簽：貓、狗、馬等。輸入也可以是一段音頻的聲音波形，正確的輸出就是一些詞匯：是、否、你好、再見等。
成功的系統(tǒng)通常使用幾千個(gè)甚至幾百萬個(gè)實(shí)例的訓(xùn)練數(shù)據(jù)集，每個(gè)實(shí)例都已經(jīng)被標(biāo)記出正確的答案，系統(tǒng)會再大體看一下新的實(shí)例，如果訓(xùn)練順利，系統(tǒng)就會以高度的精確度來預(yù)測答案。
算法的成功多半要依仗一種叫“深度學(xué)習(xí)”的方式，而深度學(xué)習(xí)利用的是神經(jīng)網(wǎng)絡(luò)。和早期機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)算法有一個(gè)重要的優(yōu)點(diǎn)：深度學(xué)習(xí)能夠更好地使用大得多的數(shù)據(jù)庫。舊的系統(tǒng)會隨著訓(xùn)練數(shù)據(jù)實(shí)例的增加而改進(jìn)，但會到達(dá)一個(gè)點(diǎn)，在那個(gè)點(diǎn)之后再增加數(shù)據(jù)并不能帶來更好的預(yù)測。這個(gè)領(lǐng)域的領(lǐng)軍人之一吳恩達(dá)說：“深度神經(jīng)網(wǎng)絡(luò)就不會在這種方式下失效，更多的數(shù)據(jù)的確會帶來更好的預(yù)測。”一些非常大的系統(tǒng)是由 3600 萬或更多實(shí)例訓(xùn)練出來的。當(dāng)然，要使用極大的數(shù)據(jù)庫就需要更加強(qiáng)大的處理能力，這就是為什么非常大的系統(tǒng)通常在超級計(jì)算機(jī)或?qū)Ｓ糜?jì)算機(jī)上運(yùn)行。
如果你有很多有關(guān)行為的數(shù)據(jù)并試圖預(yù)測結(jié)果，這就是監(jiān)督學(xué)習(xí)系統(tǒng)的潛在應(yīng)用機(jī)會。亞馬遜的全球消費(fèi)者部門的 CEO 杰夫·威爾克（Jeff Wilke）說：“監(jiān)督學(xué)習(xí)系統(tǒng)已經(jīng)在很大程度上取代了用于向客戶提供個(gè)性化建議的基于內(nèi)存的過濾算法。”摩根大通則引入了一個(gè)系統(tǒng)來檢查商業(yè)貸款合同，這項(xiàng)工作以前需要負(fù)責(zé)貸款的員工用 360000 個(gè)小時(shí)來完成，而現(xiàn)在只需要幾秒鐘了。監(jiān)督學(xué)習(xí)系統(tǒng)還被用于診斷皮膚癌。上面所說的只是部分例子而已。
相對來說，標(biāo)記一組數(shù)據(jù)并把它用于訓(xùn)練監(jiān)督學(xué)習(xí)系統(tǒng)是比較簡單直接的。這也是為什么監(jiān)督學(xué)習(xí)式機(jī)器學(xué)習(xí)系統(tǒng)比無監(jiān)督學(xué)習(xí)系統(tǒng)更為常見，至少目前是如此。無監(jiān)督學(xué)習(xí)系統(tǒng)想要自己學(xué)習(xí)。我們?nèi)祟惥褪浅錾臒o監(jiān)督學(xué)習(xí)者，我們用很少的沒有標(biāo)簽的數(shù)據(jù)就能從這個(gè)世界上獲取大部分知識，比如識別出一棵樹，但是開發(fā)出一個(gè)如此運(yùn)行的成功的機(jī)器學(xué)習(xí)系統(tǒng)就極端困難。
如果我們能建立強(qiáng)大的無監(jiān)督學(xué)習(xí)系統(tǒng)，就將開啟令人振奮的新的可能性。這些機(jī)器將能夠用全新的方法審視復(fù)雜的問題，幫我們找出其中的模式，可用于觀察疾病傳播、市場證券價(jià)格走勢、客戶的購買行為等等。正是這種可能性引領(lǐng)著 Facebook 的 AI 研究主管、紐約大學(xué)教授 Yann LeCun，他把監(jiān)督學(xué)習(xí)系統(tǒng)比作在蛋糕上撒糖霜，而把無監(jiān)督學(xué)習(xí)比作蛋糕本身。
在這個(gè)領(lǐng)域里，另一個(gè)渺小但是在成長中的領(lǐng)域就是強(qiáng)化學(xué)習(xí)。它已經(jīng)被嵌入了雅達(dá)利電子游戲和圍棋這樣的棋盤游戲中。它還能幫助優(yōu)化數(shù)據(jù)中心的電力使用，甚至為股票制定交易策略。Kindred 公司制造的機(jī)器人能用機(jī)器學(xué)習(xí)來辨識和歸類它們從沒遇到過的物體，還能加快消費(fèi)品配送中心的運(yùn)送速度。在強(qiáng)化學(xué)習(xí)系統(tǒng)中，編程人員會具體說明系統(tǒng)的現(xiàn)狀和目標(biāo)，列出可被允許的行為，描述會影響和限制行為結(jié)果的環(huán)境因素。在可被允許的行為下，系統(tǒng)要找出盡可能接近目標(biāo)的方法。人類可以具體說明目標(biāo)而不需要說明如何做到，在這種情況下系統(tǒng)運(yùn)行得最好。
比如，微軟利用強(qiáng)化學(xué)習(xí)來為 MSN 網(wǎng)站的新聞報(bào)道選標(biāo)題，方法就是在點(diǎn)開鏈接的用戶更多的時(shí)候，給系統(tǒng)打更高的分?jǐn)?shù)作為獎(jiǎng)勵(lì)。系統(tǒng)會嘗試著在編程人員給定規(guī)則的基礎(chǔ)上最大化它的分?jǐn)?shù)。當(dāng)然，這就意味著強(qiáng)化學(xué)習(xí)系統(tǒng)會針對你明確獎(jiǎng)勵(lì)的目標(biāo)進(jìn)行自身優(yōu)化，而不一定針對你真正關(guān)心的目標(biāo)來優(yōu)化，因此，準(zhǔn)確而清晰地指定目標(biāo)至關(guān)重要。
上圖：今天的人工智能應(yīng)用都是由人類來驅(qū)動(dòng)的，醫(yī)生嘗試著去解決一個(gè)癌癥患者的病痛，家庭廚師在尋找新的菜譜，通勤上班族決定著如何開車出門。
把機(jī)器學(xué)習(xí)帶入工作中
對那些期望把機(jī)器學(xué)習(xí)付諸實(shí)踐的組織來說，現(xiàn)在有三個(gè)好消息。第一，人工智能在廣泛地傳播。這個(gè)世界上還遠(yuǎn)沒有足夠的數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)專家，但在線教育資源和大學(xué)院校正在努力迎合這種需求。其中最好的資源包括 Udacity、Coursera 和 fast.ai，他們不僅教授概念性的東西，而且能真正讓學(xué)生們?nèi)?shí)現(xiàn)工業(yè)級別的機(jī)器學(xué)習(xí)部署。除了培養(yǎng)自己的員工之外，感興趣的公司還可以利用 Upwork、Topcoder 和 Kaggle 這樣的在線人才平臺尋找具備專業(yè)知識的機(jī)器學(xué)習(xí)專家。
第二，對現(xiàn)代人工智能來說十分必要的算法和硬件已經(jīng)可以被買到或租賃到。Google、亞馬遜、微軟和 Salesforce 等公司都在建構(gòu)強(qiáng)大的機(jī)器學(xué)習(xí)基礎(chǔ)設(shè)施，并且都可以通過云系統(tǒng)得到。在這些競爭對手之間存在激烈的競爭，這就意味著，隨著時(shí)間推移，那些想要嘗試和部署機(jī)器學(xué)習(xí)的公司將看到越來越多可獲得的平價(jià)功能。
第三，也許你并不需要那么大量的數(shù)據(jù)才能開始利用機(jī)器學(xué)習(xí)。大多數(shù)機(jī)器學(xué)習(xí)系統(tǒng)的表現(xiàn)都會隨著它們得到更多數(shù)據(jù)而提升，所以，似乎擁有最多數(shù)據(jù)的公司將會取得勝利。在這種情況下，“勝利”意味著“控制某一單一應(yīng)用，比如廣告定位或者語音識別的全球市場”。但如果勝利的定義被轉(zhuǎn)變?yōu)?ldquo;顯著提高性能”，那么其實(shí)充足的數(shù)據(jù)是非常容易獲得的。
機(jī)器學(xué)習(xí)正在三個(gè)層面推動(dòng)變革：任務(wù)和職業(yè)、商業(yè)進(jìn)程、商業(yè)模式。用機(jī)器視覺系統(tǒng)識別出潛在的癌細(xì)胞就是第一個(gè)層面變革的極好例證，它把放射學(xué)家解放出來，讓他們能夠?qū)Ｗ⒂谡嬲匾氖虑?，能夠更好地和病人溝通，和其他醫(yī)生協(xié)作。對商業(yè)進(jìn)程的變革也有一個(gè)例子，就是亞馬遜引入了機(jī)器人，并使用以機(jī)器學(xué)習(xí)為基礎(chǔ)的優(yōu)化算法，重新發(fā)明了工作流程，重新布局了亞馬遜的各個(gè)履職中心。同樣地，商業(yè)模式也需要利用機(jī)器學(xué)習(xí)系統(tǒng)來重新思考，這些系統(tǒng)可以智能地定制化地推薦音樂、電影等。更好的模式不是以消費(fèi)者選擇為基礎(chǔ)銷售單曲，而是提供一種預(yù)訂和播放特定用戶可能會喜歡的音樂這樣一種個(gè)性化訂閱服務(wù)，即使這個(gè)用戶可能根本沒聽說這些音樂。
風(fēng)險(xiǎn)和極限
第二次機(jī)器革命的第二波浪潮也帶來了新的風(fēng)險(xiǎn)。尤其是，機(jī)器學(xué)習(xí)系統(tǒng)是“難以解釋的”，也就是說我們?nèi)祟惡茈y理解系統(tǒng)是如何作出決定的。深度神經(jīng)網(wǎng)絡(luò)可能擁有數(shù)億個(gè)連接，每一個(gè)連接都為最終的決策貢獻(xiàn)了一點(diǎn)力量。結(jié)果就是這些系統(tǒng)的預(yù)測是無法簡單明晰地被解釋出來的，機(jī)器知道的比它們能告訴我們的更多。
這就帶來了三個(gè)方面的風(fēng)險(xiǎn)。第一，機(jī)器可能會有隱藏的偏見，這些偏見不是來自機(jī)器設(shè)計(jì)者的意圖，而是來自訓(xùn)練它們的數(shù)據(jù)。比如，如果一個(gè)系統(tǒng)利用人類數(shù)據(jù)庫的決策學(xué)習(xí)可以接受面試中的哪些工作申請，它可能會不經(jīng)意間評估應(yīng)聘者的種族、性別、民族等。更進(jìn)一步，它們的偏見可能不會表現(xiàn)成明確的規(guī)則，而是嵌入在上千種考慮因素的細(xì)微互動(dòng)之中。
第二，與建立在明確邏輯規(guī)則上的傳統(tǒng)系統(tǒng)不同，神經(jīng)網(wǎng)絡(luò)系統(tǒng)處理的是數(shù)據(jù)事實(shí)，而不是絕對的事實(shí)?？赡芎茈y證明這個(gè)系統(tǒng)是完全確定可以在任何情況下正常工作，尤其是在訓(xùn)練數(shù)據(jù)時(shí)沒有涉及到的情況下。缺乏確定性可能是在處理關(guān)鍵任務(wù)時(shí)的一個(gè)問題，比如控制核電廠，或者涉及生死攸關(guān)的決定。
第三，當(dāng)機(jī)器學(xué)習(xí)系統(tǒng)犯錯(cuò)的時(shí)候（犯錯(cuò)幾乎不可避免），診斷和糾正錯(cuò)誤都極端困難。得出解決方案的基礎(chǔ)結(jié)構(gòu)可能是我們難以想象地復(fù)雜的，如果系統(tǒng)的訓(xùn)練條件改變了，得出的解決方案可能遠(yuǎn)非最優(yōu)。
這些風(fēng)險(xiǎn)都非常真實(shí)，合適的基準(zhǔn)不是追求完美，而是追求最優(yōu)的可選項(xiàng)。畢竟我們?nèi)祟愐矔衅?、犯錯(cuò)誤，還覺得誠實(shí)解釋我們做出決定的過程很困難。以機(jī)器為基礎(chǔ)的系統(tǒng)，其優(yōu)點(diǎn)在于它可以隨著時(shí)間推移而改進(jìn)，而且你給它什么樣的數(shù)據(jù)它都會得出一致的回答。
這是否意味著人工智能和機(jī)器學(xué)習(xí)能做的事情就沒有極限呢？感知和認(rèn)知覆蓋了絕大部分的領(lǐng)域，從開汽車到預(yù)測銷售，甚至還能決定雇傭什么人、提拔什么人。我們相信，在絕大多數(shù)領(lǐng)域，人工智能很快就會超越人類水平的表現(xiàn)。那么，人工智能和機(jī)器學(xué)習(xí)不能做什么呢？
我們有時(shí)會聽到這樣的說法：人工智能永遠(yuǎn)無法估計(jì)評估我們這些情緒化的、靈巧的、狡猾的人類，它太呆板太非人化了。我們不同意這樣的說法。在通過聲音語氣、面部表情來識別一個(gè)人的情緒狀態(tài)方面，機(jī)器學(xué)習(xí)系統(tǒng)已經(jīng)處于或者已經(jīng)超越了人類水平的表現(xiàn)。有些系統(tǒng)甚至能識別世界最頂級的撲克選手是否在虛張聲勢。這是一個(gè)非常精細(xì)的工作，但它不是魔法。它需要知覺和認(rèn)知，這正是機(jī)器學(xué)習(xí)現(xiàn)在正變得越來越強(qiáng)大的地方。
討論人工智能的極限，最好從畢加索開始，畢加索通過對計(jì)算機(jī)的觀察得出結(jié)論：“它們沒有用，它們只能給你答案罷了。”事實(shí)上，計(jì)算機(jī)當(dāng)然不是沒有用，但是畢加索的觀察依然提供了某些洞見。計(jì)算機(jī)是用來回答問題的設(shè)備，而不是提出問題的設(shè)備。那就意味著，企業(yè)家、創(chuàng)新者、科學(xué)家、創(chuàng)造者和其他那些尋找下一個(gè)問題與機(jī)會的人，那些探索新領(lǐng)域的人，他們依然至關(guān)重要。
我們認(rèn)為，在這個(gè)超級強(qiáng)大的機(jī)器學(xué)習(xí)時(shí)代，對人類智慧來說，最大最重要的機(jī)遇在于兩個(gè)領(lǐng)域的交叉：弄清楚下一步要解決什么問題，說服很多人解決這個(gè)問題，一起去尋求解決方案。這也是對“領(lǐng)導(dǎo)力”的一種合適的定義，而領(lǐng)導(dǎo)力已經(jīng)在第二機(jī)器時(shí)代變得越來越重要了。
我們認(rèn)為，人工智能，尤其是機(jī)器學(xué)習(xí)，這些是我們這個(gè)時(shí)代最重要的通用技術(shù)。這些創(chuàng)新對企業(yè)和經(jīng)濟(jì)的影響不僅僅體現(xiàn)在它們的直接貢獻(xiàn)中，而且還體現(xiàn)在它們啟發(fā)互補(bǔ)創(chuàng)新的能力方面。通過更好的視覺系統(tǒng)、語音識別、智能解決問題系統(tǒng)，以及由機(jī)器學(xué)習(xí)所提供的很多其他功能，新的產(chǎn)品和流程正在成為現(xiàn)實(shí)。
雖然預(yù)測具體地哪個(gè)公司會在新環(huán)境中居于統(tǒng)治地位很難，但一個(gè)通用的原則很明晰，那就是：最為靈活的、有適應(yīng)能力的公司和經(jīng)營管理者會走向繁榮。能迅速感知到機(jī)遇，并對此有所反應(yīng)的組織，終將會在人工智能這片熱土上占據(jù)優(yōu)勢。所以成功的策略就是，樂于快速實(shí)驗(yàn)并學(xué)習(xí)。如果管理者們沒有在機(jī)器學(xué)習(xí)領(lǐng)域開展實(shí)驗(yàn)，那么他們就沒有做好自己的工作。在未來的十年時(shí)間里，人工智能并不會取代管理者，但是，那些善用人工智能的管理者將會取代那些沒有這樣做的人。
上圖：仔細(xì)凝視，你將會看到算法中的人類；更仔細(xì)地凝視一會兒，你將會看到智能中的算法。
聲明：凡資訊來源注明為其他媒體來源的信息，均為轉(zhuǎn)載自其他媒體，并不代表本網(wǎng)站贊同其觀點(diǎn)，也不代表本網(wǎng)站對其真實(shí)性負(fù)責(zé)。您若對該文章內(nèi)容有任何疑問或質(zhì)疑，請立即與中國機(jī)器人網(wǎng)(www.baoxianwx.cn)聯(lián)系，本網(wǎng)站將迅速給您回應(yīng)并做處理。
電話：021-39553798-8007
電話：021-39553798-8007
更多>相關(guān)專題
0 條相關(guān)評論
