0
雷鋒網按：Erik Brynjolfsson是麻省理工學院斯隆學院的教授，他在哈佛商業評論的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展給企業帶來的新機遇。他解釋了機器學習技術的運作方式以及它的局限性；他還討論了人工智能對經濟的潛在影響，人類今后如何與之互動，并建議管理人員開始進行相關實驗。
雷鋒網對訪談內容進行了節選和編譯：
Sarah Green Carmichael：歡迎來到哈佛商業評論的HBR IdeaCast節目，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家寫道：“我們被許諾將得到會飛行的汽車，結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。他一直在觀察企業如何應用人工智能技術，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字經濟計劃。他還和Andrew McAfee合著了HBR文章《人工智能商業》。
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度？
Eric Brynjolfson：你開場提到的那個機器人的例子很好，因為它體現了機器人的優勢和不足。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作最成功的案例往往發生在商業領域。
Sarah Green Carmichael：當你談到圖像識別時，我腦海中浮現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是李飛飛創造的包含超過1000萬張圖像的大型數據庫?，F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網絡技術，對于圖像識別等任務來說，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動力，雖然它能準確區分小狗和松餅，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。當然，人類在這些方面也無法做到完美，所以大多數企業家和管理者在人和機器之間做出選擇的依據是：誰能更好地解決某個特定問題，以及是否可以創建一個系統，結合人類和機器的優勢，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，Facebook的人臉識別軟件可以區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上做出糟糕的決策，比如誰應該獲得假釋，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據基礎之上的。加入你以前雇傭的人存在種族和性別歧視傾向，而你又使用這些數據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：現在關于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：現在機器工作的方式與以往你所知道的有著重大區別。McAfee和我合著了《第二機器時代》這本書，書中提到，我們如今正在讓機器完成越來越多的認知任務。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工作的準備，比如將兩個數相加再乘以另一個數。當然，前提是你首先必須足夠了解這些任務，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這一點。機器現在的工作方式是，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，或者很多關于貓和狗的照片，以及關于“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用場景，并允許它完成很多以前只有人類才能完成的任務”。
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的數據庫中數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，公司有時會發現通過人類標記數據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被標記過的數據，這些數據產生于他們的企業資源計劃系統或者呼叫中心。如果他們足夠聰明，就能找到一種自動生成數據標簽的方法。這里我必須強調，機器最大的弱點之一就是它們需要標記的數據。這是最強大的算法，我們有時候稱之為監督學習，人類事先做好了標簽，解釋了這些數據的含義。
機器從這些例子中學習規律，并能最終將它們推廣到其他案例中。與人類不同的是，它們通常需要數千甚至數百萬個樣本來學習一件你已經知道的事情，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：結合AI和機器學習的發展現狀，您是認為機器學習被過度宣傳，人們談論了太多科幻式的場景；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，這些狹隘能力的應用卻能爆發非常強大的能量，使用監督學習算法，它們可以完成很多具體的任務，我們現在才剛剛觸及一些皮毛。過去十年間，它們已經取得了長足進步，但還有更多的機會還沒有被探索和發現。像谷歌、微軟和Facebook一樣的為數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：可以列舉一些企業運用人工智能技術的案例嗎？
Eric Brynjolfson：我最喜歡的案例來自我的朋友Sebastian Thrun，他是在線課程Udacity的創始人——順便提一句，在線課程是學習人工智能技術的良好途徑之一——Sebastian Thrun發現，當人們訪問他的網站在聊天室提問時，一些銷售人員表現非常出色，可以引導用戶找到正確的課程并完成銷售。這產生了大量的數據。
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，而是開發了一個可以向銷售人員提供建議的機器人。當用戶訪問網站的時候，機器人看到一些特定關鍵詞時就會向銷售人員耳語，“你或許應該嘗試這套話術”或者“你應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對。這種人機協作關系是充分利用人工智能，以及如何將現有數據轉換成讓監督學習系統受益的標簽數據集的絕佳案例。
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的重復性任務。而對大多數人類而言，我們更傾向于不尋常的任務。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。其中最大的挑戰之一在于，你無法或者說很難提高一個人的生產力，比如說你開了一家律師事務所，如果你想為更多客戶服務，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的一種方式。
Eric Brynjolfson：的確，AI可以將生產力放大很多倍。關于律師和醫生這兩個職業，有很多解釋他們如何行事的準則以及成功案例，機器可以從中學習并重復他們的行為，或者與從業者相結合，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只是為了提高生產力，還是說你看到了人機協作處理其他不同業務類型挑戰的例子？
Eric Brynjolfson：在有些場景中，AI意味著提高生產力，有些場景中，則意味你能把工作做得比以前更好?，F在有一些系統可以幫助閱讀醫學圖像和診斷癌癥，但最好的系統仍然是與人類相協同的，因為機器面對人體時會犯許多不同類型的錯位，它經常會產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，重點關注那些有問題的影像，就能得出更好的結果。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：人們很久之前就預測，人工智能時代即將來臨。聽起來現在它終于到來了，真正進入了企業。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合。首先是我們擁有了更加強大的計算能力。依據摩爾定律，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。
第二股力量是數據的大爆炸。數據是AI系統的命脈，你需要用數據進行訓練。我們現在擁有更多的數字圖像、數字記錄，以及工廠的數據和跟蹤信息，這些都可以放到系統中進行訓練。
最后但同樣重要的是，算法取得了重大進步。其中有些基礎算法是30多年前開發的，但是現在已經進行了改進和調整，借助更快的計算機和更加豐富的數據，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、更多的數據、更先進的算法結合到一起時，你在某些領域將獲得幾百萬倍的提升，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：技術不會阻礙我們進步，阻礙我們前進的是企業高管在他們的業務中使用這些新工具的想象力。每一項通用技術，無論是電力還是內燃機，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，以及新的商業模式。我之所以樂于為哈佛商業評論寫文章的原因之一就是可以抵達讀者，幫助他們更富創意地利用這些工具來改變他們的現有業務。這才是真正的價值所在。
Sarah Green Carmichael：關于AI的眾多討論都指向一個話題，這項技術的應用將創造還是摧毀就業機會。你是否也常常被問到這個問題，甚至已經厭煩去回答？
Eric Brynjolfson：當然，我經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，就是如何處理新技術對經濟造成的影響。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，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技術人員，不再出臺新政策以促進企業形成新的商業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，尤其是人工智能，開創了許多新的可能。但是我們需要思考如何利用新技術造福更廣大的人群，而非僅僅服務于少數人。
Sarah Green Carmichael：在你看來，有沒有哪些任務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，大多數事情機器學習都是無法勝任的。它只能勝任一些細分領域的工作，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，或者在任務中提供幫助，但它并不擅長廣泛的創造性工作。比如說擔任一名企業家、寫一本小說，或者研究新的科學理論，這些創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心，但這些并不會發生在及其身上。
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域，將迎來就業機會的爆炸式增長。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項目。
所以我要表述的是相對的優勢和弱點，我仍然認為在情商方面人類有絕對優勢。不過在某些細分領域，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，但它已經能夠幫助機器人勝任一些工作了。
via HBR 雷鋒網編譯
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
