雷鋒網(wǎng)按：Erik Brynjolfsson是麻省理工學院斯隆學院的教授，他在哈佛商業(yè)評論的HBR IdeaCast欄目中接受了一次訪談。訪談中，Erik Brynjolfsson詳細闡述了機器學習快速發(fā)展給企業(yè)帶來的新機遇。他解釋了機器學習技術(shù)的運作方式以及它的局限性；他還討論了人工智能對經(jīng)濟的潛在影響，人類今后如何與之互動，并建議管理人員開始進行相關(guān)實驗。

雷鋒網(wǎng)對訪談內(nèi)容進行了節(jié)選和編譯：

Sarah Green Carmichael：歡迎來到哈佛商業(yè)評論的HBR IdeaCast節(jié)目，我是Sarah Green Carmichael。

最近有一張很憂傷的照片，一臺1米高的機器人躺在華盛頓特區(qū)辦公樓庭院中的一個淺水池里，工作人員圍在旁邊試圖將其救出。

事故發(fā)生時，這臺機器人才剛剛上崗幾天。一個在辦公室里上班的企業(yè)家寫道：“我們被許諾將得到會飛行的汽車，結(jié)果卻等來了自殺的機器人?！?/p>

即將到來的機器人時代，計算機可以幫我們處理各種各樣的工作，汽車可以自動駕駛。對有些人來說，這很值得興奮，但反烏托邦主義者卻對此感到恐懼。特斯拉的首席執(zhí)行官Elon Musk就將人工智能稱作潛在的威脅。

不過我們今天的嘉賓是一位謹慎的樂觀主義者。他一直在觀察企業(yè)如何應(yīng)用人工智能技術(shù)，機器學習的進步如何改變我們的工作方式。Erik Brynjolfsson教授在麻省理工學院斯隆學院任教，并負責運營麻省理工學院的數(shù)字經(jīng)濟計劃。他還和Andrew McAfee合著了HBR文章《人工智能商業(yè)》。

Sarah Green Carmichael：Eric，歡迎你來到HBR IdeaCast。你為什么對AI的未來持謹慎樂觀態(tài)度？

Eric Brynjolfson：你開場提到的那個機器人的例子很好，因為它體現(xiàn)了機器人的優(yōu)勢和不足。機器人在某些方面是非常強大的，就像計算器在算術(shù)方面比我強得多一樣。如今我們擁有人工智能，它可以勝任很多工作，比如識別不同癌癥的影像，某些場景中的語音識別，但它同時也很狹隘，因為它不具備人類那樣的智慧。這也解釋了為什么人機協(xié)作最成功的案例往往發(fā)生在商業(yè)領(lǐng)域。

Sarah Green Carmichael：當你談到圖像識別時，我腦海中浮現(xiàn)出了一副很奇妙的畫面，你在文章中稱之為“小狗或松餅”。我很驚訝松餅和小狗看起來竟然這么相似，更讓我驚訝的是，機器居然能夠把它們區(qū)分開來。

Eric Brynjolfson：這確實挺有趣的。人類非常擅長辨別不同類別的圖像。但長時間以來，機器遠不如七八年前那么聰明，當時它在image net上達到了30%的識別錯誤率。image net是李飛飛創(chuàng)造的包含超過1000萬張圖像的大型數(shù)據(jù)庫。現(xiàn)在機器的識別錯誤率大幅降低，小于5%，可以達到3-4%，這取決于它的設(shè)置。而人類的識別錯誤率仍保持在5%左右。

機器在過去幾年中得到顯著改善的原因是使用了深層神經(jīng)網(wǎng)絡(luò)技術(shù)，對于圖像識別等任務(wù)來說，它非常強大。

Sarah Green Carmichael：一方面，我們喜歡愚弄機器，讓它出錯；另一方面機器識別準確率這么高，仔細想想也挺可怕的。

Eric Brynjolfson：機器并非完美的社會驅(qū)動力，雖然它能準確區(qū)分小狗和松餅，卻無法準確地做出信用決定。因此，我們必須建立能夠彌補這些缺陷的可靠系統(tǒng)。當然，人類在這些方面也無法做到完美，所以大多數(shù)企業(yè)家和管理者在人和機器之間做出選擇的依據(jù)是：誰能更好地解決某個特定問題，以及是否可以創(chuàng)建一個系統(tǒng)，結(jié)合人類和機器的優(yōu)勢，讓它比二者單獨行動時獲得更好的成效。

Sarah Green Carmichael：通過識別照片和人臉，F(xiàn)acebook的人臉識別軟件可以區(qū)分出化妝和不化妝時的我，這既有趣又可怕。與此同時，人類在辨認人臉時卻常常遇到困難，比如說你在雜貨店碰到一個人，覺得在哪里見過，但是又想不起來。所以說，在認人這件事上，人類也經(jīng)常犯錯。

Eric Brynjolfson：沒錯，在這方面我可以說是世界上最糟糕的。開會的時候，我多么希望耳邊能夠有一個機器偷偷告訴我，這個人是誰，我們以前是怎么認識的。機器可以提供幫助，但也具有一定的風險。它可能會在某些重要事務(wù)上做出糟糕的決策，比如誰應(yīng)該獲得假釋，誰又該獲得信用。更糟糕的是，有時候它們的決策是建立在收集到的數(shù)據(jù)基礎(chǔ)之上的。加入你以前雇傭的人存在種族和性別歧視傾向，而你又使用這些數(shù)據(jù)教機器人怎么招聘員工，那么它將學會人類的偏見，并且以我們不愿看到的方式擴大和永久化。

Sarah Green Carmichael：現(xiàn)在關(guān)于AI的宣傳鋪天蓋地。當有些人提到機器學習時，立馬會有人跳出來說，它不過是一種軟件，我已經(jīng)使用它很久了。你是如何分辨這些概念，以及它們背后的真正涵義的？

Eric Brynjolfson：現(xiàn)在機器工作的方式與以往你所知道的有著重大區(qū)別。McAfee和我合著了《第二機器時代》這本書，書中提到，我們?nèi)缃裾谧寵C器完成越來越多的認知任務(wù)。過去三、四十年間，我們精心編程，將希望機器完成的所有動作寫進代碼里。所以你知道它是否做好了處理稅務(wù)工作的準備，比如將兩個數(shù)相加再乘以另一個數(shù)。當然，前提是你首先必須足夠了解這些任務(wù)，這樣才能指定機器去完成。

但在新的機器學習理論下，機器可以自主學習人類無法描述的事物，比如說面部識別。我很難去形容我母親的臉，說清她兩眼之間的距離，以及它的耳朵是什么樣子的。

我可以認出她，但是我無法寫一段代碼去實現(xiàn)這一點。機器現(xiàn)在的工作方式是，不用我們寫代碼，只需要給它們足夠多的案例就行了。比如很多從不同角度拍攝我母親的照片，或者很多關(guān)于貓和狗的照片，以及關(guān)于“yes”和“no”的對話。只要你給它足夠多的例子，它就能自己定義規(guī)則。

這是一個真正的突破。它克服了我們常常提到的波蘭尼悖論。 1960年代的博學家和哲學家邁克爾·波蘭尼（Michael Polanyi）曾經(jīng)有一句名言——“我們知道的多于我們可以描述的”。通過機器學習，我們不必向機器描述應(yīng)該做些什么，只需要展示一些例子就可以了?！斑@種變化為機器開辟了許多新的應(yīng)用場景，并允許它完成很多以前只有人類才能完成的任務(wù)”。

Sarah Green Carmichael：所以未來人類的工作就是訓練機器，就像訓練一個坐在那里全神貫注地盯著藍莓松餅圖片的人，人類只需要為這些圖片加上松餅的標記，機器就會知道這是藍莓松餅，而不是吉娃娃。這是否意味著訓練機器將是一份底低薪無聊的工作？而人們原本有著更加有趣的工作。

Eric Brynjolfson：我并不認為這是一項主要的工作來源，不過確實存在像亞馬遜的Mechanical Turk那樣的地方，那里數(shù)以千計的人做著像你描述的種工作，他們標記圖像并加上標簽。ImageNet的數(shù)據(jù)庫中數(shù)百萬的圖像就是這樣被貼上標簽的。所以，確實有人被雇傭來做這些事情，公司有時會發(fā)現(xiàn)通過人類標記數(shù)據(jù)來訓練機器是一種行之有效的方法。

不過他們往往有辦法找到已經(jīng)被標記過的數(shù)據(jù)，這些數(shù)據(jù)產(chǎn)生于他們的企業(yè)資源計劃系統(tǒng)或者呼叫中心。如果他們足夠聰明，就能找到一種自動生成數(shù)據(jù)標簽的方法。這里我必須強調(diào)，機器最大的弱點之一就是它們需要標記的數(shù)據(jù)。這是最強大的算法，我們有時候稱之為監(jiān)督學習，人類事先做好了標簽，解釋了這些數(shù)據(jù)的含義。

機器從這些例子中學習規(guī)律，并能最終將它們推廣到其他案例中。與人類不同的是，它們通常需要數(shù)千甚至數(shù)百萬個樣本來學習一件你已經(jīng)知道的事情，而兩歲的小孩子只需要學習一兩次就能分辨一只貓和一條狗，盡管在他們學會之前，你并沒有向他們展示10000張貓的照片。

Sarah Green Carmichael：結(jié)合AI和機器學習的發(fā)展現(xiàn)狀，您是認為機器學習被過度宣傳，人們談?wù)摿颂嗫苹檬降膱鼍?；還是覺得對機器學習的宣傳還不夠，人們遠遠低估了機器學習在不久的將來能夠達到的成就？

Eric Brynjolfson：兩方面都存在。首先，我認為人們對機器擁有不切實際的期望，覺得它們擁有終結(jié)者一樣的能力。而且他們認為，如果一臺機器能夠理解漢字，那么它理應(yīng)能夠理解中文演講，可以推薦中國餐館，甚至懂一點兒秦朝歷史。但事實上，一臺可以玩專家棋的機器甚至不會下跳棋和其他游戲。所以，從某種程度上來說，它們還非常狹隘和脆弱。

但另一方面，這些狹隘能力的應(yīng)用卻能爆發(fā)非常強大的能量，使用監(jiān)督學習算法，它們可以完成很多具體的任務(wù)，我們現(xiàn)在才剛剛觸及一些皮毛。過去十年間，它們已經(jīng)取得了長足進步，但還有更多的機會還沒有被探索和發(fā)現(xiàn)。像谷歌、微軟和Facebook一樣的為數(shù)不多的幾個巨頭在這方面取得了迅速進步，但我認為還有成千上萬的細分領(lǐng)域，中小廠商可以開始使用機器學習。

Sarah Green Carmichael：可以列舉一些企業(yè)運用人工智能技術(shù)的案例嗎？

Eric Brynjolfson：我最喜歡的案例來自我的朋友Sebastian Thrun，他是在線課程Udacity的創(chuàng)始人——順便提一句，在線課程是學習人工智能技術(shù)的良好途徑之一——Sebastian Thrun發(fā)現(xiàn)，當人們訪問他的網(wǎng)站在聊天室提問時，一些銷售人員表現(xiàn)非常出色，可以引導用戶找到正確的課程并完成銷售。這產(chǎn)生了大量的數(shù)據(jù)。

他和他的研究生意識到，對話中的某些特定詞組促成了銷售，而有些則沒有。當他把這些信息導入機器學習算法時，機器就會開始分析哪些模式的短語和答案帶來成功的概率最高。

接下來發(fā)生的事情我覺得特別有趣，他們并沒有建立一個可以回答所有問題的機器人，而是開發(fā)了一個可以向銷售人員提供建議的機器人。當用戶訪問網(wǎng)站的時候，機器人看到一些特定關(guān)鍵詞時就會向銷售人員耳語，“你或許應(yīng)該嘗試這套話術(shù)”或者“你應(yīng)該向他推薦這套課程”。

對于常見的查詢類型來說機器人很管用，但在面對機器人從未見過的晦澀難懂的對話時，人類顯然更能從容應(yīng)對。這種人機協(xié)作關(guān)系是充分利用人工智能，以及如何將現(xiàn)有數(shù)據(jù)轉(zhuǎn)換成讓監(jiān)督學習系統(tǒng)受益的標簽數(shù)據(jù)集的絕佳案例。

Sarah Green Carmichael：這些銷售人員對機器人的指導感覺如何？

Eric Brynjolfson：這有助于他們完成銷售，讓他們更富有成效。Sebastian Thrun表示，當他們使用機器人時，銷售轉(zhuǎn)化率大概是50%。所以我認為機器能夠讓他們學習得更加迅速。

我想這是一個很好的例子，說明機器擅長那些常規(guī)的重復性任務(wù)。而對大多數(shù)人類而言，我們更傾向于不尋常的任務(wù)。機器和人之間達成了完美平衡。

Sarah Green Carmichael：銷售是一種知識型的工作，你剛剛列舉了一個例子。其中最大的挑戰(zhàn)之一在于，你無法或者說很難提高一個人的生產(chǎn)力，比如說你開了一家律師事務(wù)所，如果你想為更多客戶服務(wù)，就必須雇傭更多的律師。不過聽起來AI似乎是解決這個挑戰(zhàn)的一種方式。

Eric Brynjolfson：的確，AI可以將生產(chǎn)力放大很多倍。關(guān)于律師和醫(yī)生這兩個職業(yè)，有很多解釋他們?nèi)绾涡惺碌臏蕜t以及成功案例，機器可以從中學習并重復他們的行為，或者與從業(yè)者相結(jié)合，以指導他們或處理常見問題的方式給予幫助。

Sarah Green Carmichael：那么，AI只是為了提高生產(chǎn)力，還是說你看到了人機協(xié)作處理其他不同業(yè)務(wù)類型挑戰(zhàn)的例子？

Eric Brynjolfson：在有些場景中，AI意味著提高生產(chǎn)力，有些場景中，則意味你能把工作做得比以前更好?，F(xiàn)在有一些系統(tǒng)可以幫助閱讀醫(yī)學圖像和診斷癌癥，但最好的系統(tǒng)仍然是與人類相協(xié)同的，因為機器面對人體時會犯許多不同類型的錯位，它經(jīng)常會產(chǎn)生假陽性認定有癌癥，但事實并沒有。人類的可以更好地排除這些情況。你能判斷可能有一個睫毛或者其他東西粘在了圖像上。

因此，如果先用機器掃描所有圖像，篩選出那些看起來有問題的，然后人工進一步核對，重點關(guān)注那些有問題的影像，就能得出更好的結(jié)果。反之，如果人工不得不查看每一張影像，就有可能忽視潛在的問題。

Sarah Green Carmichael：人們很久之前就預(yù)測，人工智能時代即將來臨。聽起來現(xiàn)在它終于到來了，真正進入了企業(yè)。為什么人工智能時代會在這個時間點降臨呢？

Eric Brynjolfson：這個問題很好。AI時代來臨得益于三股力量的結(jié)合。首先是我們擁有了更加強大的計算能力。依據(jù)摩爾定律，計算能力每隔一段時間就會翻番；此外還有許多專門的芯片問世，比TPU和GPU，比普通芯片快十倍乃至上百倍。因此，如果你使用20世紀90年代的電腦進行訓練，可能需要花費一個世紀甚至更久，而現(xiàn)在只要幾天就能完成。顯然，這開辟了一系列的可能性。

第二股力量是數(shù)據(jù)的大爆炸。數(shù)據(jù)是AI系統(tǒng)的命脈，你需要用數(shù)據(jù)進行訓練。我們現(xiàn)在擁有更多的數(shù)字圖像、數(shù)字記錄，以及工廠的數(shù)據(jù)和跟蹤信息，這些都可以放到系統(tǒng)中進行訓練。

最后但同樣重要的是，算法取得了重大進步。其中有些基礎(chǔ)算法是30多年前開發(fā)的，但是現(xiàn)在已經(jīng)進行了改進和調(diào)整，借助更快的計算機和更加豐富的數(shù)據(jù)，你可以快速了解什么是有效的、什么不起重要。當更強的計算機、更多的數(shù)據(jù)、更先進的算法結(jié)合到一起時，你在某些領(lǐng)域?qū)@得幾百萬倍的提升，比如說無人駕駛車輛可以識別穿過街道的行人。

Sarah Green Carmichael：如果說前面提到的這些因素不斷推動我們向前，那么阻礙我們進步的因素都有哪些？

Eric Brynjolfson：技術(shù)不會阻礙我們進步，阻礙我們前進的是企業(yè)高管在他們的業(yè)務(wù)中使用這些新工具的想象力。每一項通用技術(shù)，無論是電力還是內(nèi)燃機，其真正的力量都來源重新組織工廠的新模式、連接客戶的新方式，以及新的商業(yè)模式。我之所以樂于為哈佛商業(yè)評論寫文章的原因之一就是可以抵達讀者，幫助他們更富創(chuàng)意地利用這些工具來改變他們的現(xiàn)有業(yè)務(wù)。這才是真正的價值所在。

Sarah Green Carmichael：關(guān)于AI的眾多討論都指向一個話題，這項技術(shù)的應(yīng)用將創(chuàng)造還是摧毀就業(yè)機會。你是否也常常被問到這個問題，甚至已經(jīng)厭煩去回答？

Eric Brynjolfson：當然，我經(jīng)常被問到類似的問題，不過我并不會對此感到厭煩，因為它真的很重要。我想過去十年間我們面臨的最大挑戰(zhàn)，就是如何處理新技術(shù)對經(jīng)濟造成的影響。你剛剛介紹我的時候，說我是個謹慎的樂觀主義者，我想這個判斷是正確的。我想如果我們能夠正確處理好這一挑戰(zhàn)，AI將是人類有史以來遇到的最美好的事物。

但我不認為這一切都是自然而然的。我對此非常謹慎。不再投資教育和培訓AI技術(shù)人員，不再出臺新政策以促進企業(yè)形成新的商業(yè)模式顯然是不可能的。但我們也必須重新考慮收入的分配問題，出臺美國所得稅抵免或其他國家類似的工資補貼政策。

我們需要在政策層面進行一系列改革。企業(yè)需要重新思考工作方式，個人需要承擔個人責任，學習將來需要的新技能。如果將這些事情都做好，我對于未來感到很樂觀。

但我并不希望人們感到自滿，因為過去十年中，有很多人被迄今為止的數(shù)字革命甩在了身后。展望未來，我會說我們還一無所知。我們擁有非常強大的技術(shù)，尤其是人工智能，開創(chuàng)了許多新的可能。但是我們需要思考如何利用新技術(shù)造福更廣大的人群，而非僅僅服務(wù)于少數(shù)人。

Sarah Green Carmichael：在你看來，有沒有哪些任務(wù)是機器學習無法做或者不會做的？

Eric Brynjolfson：有很多。你必須清楚一點，大多數(shù)事情機器學習都是無法勝任的。它只能勝任一些細分領(lǐng)域的工作，但是可以做得相當好。就像計算器一樣，它能做的事情很少，但是卻做得非常出色。人類擁有更加廣泛的技能，不過如今這些技能正在被侵蝕。

機器正在接管越來越多的任務(wù)，或者在任務(wù)中提供幫助，但它并不擅長廣泛的創(chuàng)造性工作。比如說擔任一名企業(yè)家、寫一本小說，或者研究新的科學理論，這些創(chuàng)造力工作都超過今天機器的能力范圍。

其次，但也許更重要的一點，是人與人之間的社交技能。人與人之間可以建立信任和關(guān)心，但這些并不會發(fā)生在及其身上。

所以，無論教練還是銷售，這些需要用到談判、照顧人和說服人的技巧的地方，都是機器的邊界。我認為，個人教練和培訓師等以團隊為導向的活動領(lǐng)域，將迎來就業(yè)機會的爆炸式增長。我樂于看到更多人學習機器不擅長的技能，他們未來會獲得很多工作。

Sarah Green Carmichael：但是我在文章中看到，一些AI程序能夠識別人類的情緒。我對此感到驚訝。

Eric Brynjolfson：談到這一點我必須慎之又慎，我和安迪共事學到的最重要的一點就是“絕對不要說絕對”。我們知道，有些人正在實驗室研究相關(guān)項目。

所以我要表述的是相對的優(yōu)勢和弱點，我仍然認為在情商方面人類有絕對優(yōu)勢。不過在某些細分領(lǐng)域，機器也正在快速進步。Affectiva是波士頓的一家公司，他的AI已經(jīng)非常擅長閱讀人類情緒了，這對于一個教練和富有愛心的人來說是非常重要的。雖然閱讀情緒并非情商的全部，但它已經(jīng)能夠幫助機器人勝任一些工作了。

via HBR    雷鋒網(wǎng)編譯

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。