人工智能和機器人能否接管世界？

一直以來，關于奇點事件以及同人工智能接管世界的討論層出不窮——自己的電腦會在不遠的未來取代杰夫·貝佐斯或馬克·扎克伯格嗎？

筆者是負責為管理人員開發(fā)Sat-Nav（衛(wèi)星導航的縮寫）工具的首席執(zhí)行官。由于衛(wèi)星導航是自動駕駛汽車的基礎，這些天我經常被問到：科學家會讓機器人來管理公司嗎？答案很明確：絕對不可能。

奇點事件：一派炒作

誠然，人工智能在過去三十年間進步顯著。然而目前的水平要達到技術奇點，也就是機器能夠復制甚至超越人類思想的程度，還有很長的路要走。

從核心上來講，這個新的數(shù)據(jù)科學術語是個崇高的名稱，代表著廣泛的數(shù)據(jù)處理活動，其大多數(shù)產生于過去。但最近獲得新生，它們應用在更先進的技術儀器上，這些儀器數(shù)據(jù)量更多、處理能力更強，結果更合理還更便宜。

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：這是非常簡單的供需法則，又叫數(shù)據(jù)的價格彈性——價格下降，容量上升。同那些更舊更小的數(shù)據(jù)相比，新數(shù)據(jù)的價值更低。這是純粹的經濟學知識，之后就得有人來處理這些數(shù)據(jù)了，也就是數(shù)據(jù)科學。

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

僅自下而上，從上級數(shù)據(jù)而來。舉個例子，一份圖像會被掃描為數(shù)百萬或數(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，它在某些問題上仍在使用。

然而，在機器學習方面，這種方法要慢得多，而且比用人力昂貴得多。一個三歲孩子可以在依次看到兩個香蕉后就能分辨出什么是香蕉，但一個昂貴的系統(tǒng)需要一百萬張圖像來自我學習，還只有95%的可信度，平均每20次圖像分辨會出錯一次。

僅復制機械部分，缺失了大腦中的化學部分。神經網(wǎng)絡為機器學習的核心，它某種意義上成功復制了大腦的機械部分：神經元和神經元之間的電子信號。然而，有關大腦化學部分的研究極少，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。

從結構來說，機器缺失了許多功能。這就是人工智能同人類之爭的關鍵：機器只能按照已有的程序運行，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題，但可惜的是，今天的學校教的是如何回答問題，這項技能變得無關緊要。

這就是杞人憂天的理由嗎？

優(yōu)步、谷歌和特斯拉正對此爭論不休

目前有關人工智能的爭論受到自動駕駛汽車的影響。隨著優(yōu)步、谷歌，和特斯拉爭先推出自動駕駛汽車，人們猜測這只是危機的開端，機器將很快足以掌控公司，甚至是整個地球。

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

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

自動駕駛汽車只需運用可量化數(shù)據(jù)如位置或速度，從而辨識物理條件，例如交通狀況、其他車輛、行人等。即便這樣也總會出現(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，最終都會規(guī)劃好。

結構上來說，自動駕駛只是有一輛車能自己上路，僅此而已。然而管理行為會導致市場范式的轉變，整個循環(huán)需要機器再次從頭開始。

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飛時的認知失調，但你能設身處地想象出困惑的優(yōu)步機器人講著老套的科幻笑話：它無法計算！

這是意料事件中的極端例子。這或許能更生動地理解為什么機器無法在不遠的未來接管公司，在相互競爭的管理游戲中可有不少會飛的綿羊。

機器人企業(yè)的真相

當然，就像在工業(yè)革命中許多手工勞動被機械替代，機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一步發(fā)展。越使用數(shù)據(jù)，就越需要更強的領導力來掌握方向。

近年來，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駕駛汽車的清單運用于“機器企業(yè)”領域：他們在公司功能流程中采用了自適應算法。

用我比較熟悉的東西舉例，想象一下倉庫自動化的重新排序過程。今天，系統(tǒng)能使供應鏈處于自動執(zhí)行模式，除了執(zhí)行策略仍舊需要人類設計：

是更高成本下選擇更多的庫存和客戶服務，還是背負缺貨風險選擇選擇更少的庫存？未來幾周覆蓋范圍會是多少？

最優(yōu)水平是不存在的，因為最優(yōu)視情況不同而不同。確定決策需要將策略前景的變化轉化為日常調整。

機器決定了權衡的效率前緣。任何給定的目標覆蓋周數(shù)只有一個最優(yōu)的倉儲水平，但人類必須選擇目標周數(shù)。

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

根據(jù)大眾公司的判斷標準，通常來說機器在階段二表現(xiàn)出色：它能夠提供建議，但最終做出決策的是人類。機器并非取代了人類判斷，而是加強了人類，就像我們今天的手機每天都在加強大腦一樣。在可見的未來，人類的大腦將依然掌控管理權。
責編AJX