0
雷锋网按：Erik Brynjolfsson是麻省理工学院斯隆学院的教授，他在哈佛商业评论的HBR IdeaCast栏目中接受了一次访谈。访谈中，Erik Brynjolfsson详细阐述了机器学习快速发展给企业带来的新机遇。他解释了机器学习技术的运作方式以及它的局限性；他还讨论了人工智能对经济的潜在影响，人类今后如何与之互动，并建议管理人员开始进行相关实验。
雷锋网对访谈内容进行了节选和编译：
Sarah Green Carmichael：欢迎来到哈佛商业评论的HBR IdeaCast节目，我是Sarah Green Carmichael。
最近有一张很忧伤的照片，一台1米高的机器人躺在华盛顿特区办公楼庭院中的一个浅水池里，工作人员围在旁边试图将其救出。
事故发生时，这台机器人才刚刚上岗几天。一个在办公室里上班的企业家写道：“我们被许诺将得到会飞行的汽车，结果却等来了自杀的机器人。”
即将到来的机器人时代，计算机可以帮我们处理各种各样的工作，汽车可以自动驾驶。对有些人来说，这很值得兴奋，但反乌托邦主义者却对此感到恐惧。特斯拉的首席执行官Elon Musk就将人工智能称作潜在的威胁。
不过我们今天的嘉宾是一位谨慎的乐观主义者。他一直在观察企业如何应用人工智能技术，机器学习的进步如何改变我们的工作方式。Erik Brynjolfsson教授在麻省理工学院斯隆学院任教，并负责运营麻省理工学院的数字经济计划。他还和Andrew McAfee合著了HBR文章《人工智能商业》。
Sarah Green Carmichael：Eric，欢迎你来到HBR IdeaCast。你为什么对AI的未来持谨慎乐观态度？
Eric Brynjolfson：你开场提到的那个机器人的例子很好，因为它体现了机器人的优势和不足。机器人在某些方面是非常强大的，就像计算器在算术方面比我强得多一样。如今我们拥有人工智能，它可以胜任很多工作，比如识别不同癌症的影像，某些场景中的语音识别，但它同时也很狭隘，因为它不具备人类那样的智慧。这也解释了为什么人机协作最成功的案例往往发生在商业领域。
Sarah Green Carmichael：当你谈到图像识别时，我脑海中浮现出了一副很奇妙的画面，你在文章中称之为“小狗或松饼”。我很惊讶松饼和小狗看起来竟然这么相似，更让我惊讶的是，机器居然能够把它们区分开来。
Eric Brynjolfson：这确实挺有趣的。人类非常擅长辨别不同类别的图像。但长时间以来，机器远不如七八年前那么聪明，当时它在image net上达到了30%的识别错误率。image net是李飞飞创造的包含超过1000万张图像的大型数据库。现在机器的识别错误率大幅降低，小于5%，可以达到3-4%，这取决于它的设置。而人类的识别错误率仍保持在5%左右。
机器在过去几年中得到显著改善的原因是使用了深层神经网络技术，对于图像识别等任务来说，它非常强大。
Sarah Green Carmichael：一方面，我们喜欢愚弄机器，让它出错；另一方面机器识别准确率这么高，仔细想想也挺可怕的。
Eric Brynjolfson：机器并非完美的社会驱动力，虽然它能准确区分小狗和松饼，却无法准确地做出信用决定。因此，我们必须建立能够弥补这些缺陷的可靠系统。当然，人类在这些方面也无法做到完美，所以大多数企业家和管理者在人和机器之间做出选择的依据是：谁能更好地解决某个特定问题，以及是否可以创建一个系统，结合人类和机器的优势，让它比二者单独行动时获得更好的成效。
Sarah Green Carmichael：通过识别照片和人脸，Facebook的人脸识别软件可以区分出化妆和不化妆时的我，这既有趣又可怕。与此同时，人类在辨认人脸时却常常遇到困难，比如说你在杂货店碰到一个人，觉得在哪里见过，但是又想不起来。所以说，在认人这件事上，人类也经常犯错。
Eric Brynjolfson：没错，在这方面我可以说是世界上最糟糕的。开会的时候，我多么希望耳边能够有一个机器偷偷告诉我，这个人是谁，我们以前是怎么认识的。机器可以提供帮助，但也具有一定的风险。它可能会在某些重要事务上做出糟糕的决策，比如谁应该获得假释，谁又该获得信用。更糟糕的是，有时候它们的决策是建立在收集到的数据基础之上的。加入你以前雇佣的人存在种族和性别歧视倾向，而你又使用这些数据教机器人怎么招聘员工，那么它将学会人类的偏见，并且以我们不愿看到的方式扩大和永久化。
Sarah Green Carmichael：现在关于AI的宣传铺天盖地。当有些人提到机器学习时，立马会有人跳出来说，它不过是一种软件，我已经使用它很久了。你是如何分辨这些概念，以及它们背后的真正涵义的？
Eric Brynjolfson：现在机器工作的方式与以往你所知道的有着重大区别。McAfee和我合著了《第二机器时代》这本书，书中提到，我们如今正在让机器完成越来越多的认知任务。过去三、四十年间，我们精心编程，将希望机器完成的所有动作写进代码里。所以你知道它是否做好了处理税务工作的准备，比如将两个数相加再乘以另一个数。当然，前提是你首先必须足够了解这些任务，这样才能指定机器去完成。
但在新的机器学习理论下，机器可以自主学习人类无法描述的事物，比如说面部识别。我很难去形容我母亲的脸，说清她两眼之间的距离，以及它的耳朵是什么样子的。
我可以认出她，但是我无法写一段代码去实现这一点。机器现在的工作方式是，不用我们写代码，只需要给它们足够多的案例就行了。比如很多从不同角度拍摄我母亲的照片，或者很多关于猫和狗的照片，以及关于“yes”和“no”的对话。只要你给它足够多的例子，它就能自己定义规则。
这是一个真正的突破。它克服了我们常常提到的波兰尼悖论。 1960年代的博学家和哲学家迈克尔·波兰尼（Michael Polanyi）曾经有一句名言——“我们知道的多于我们可以描述的”。通过机器学习，我们不必向机器描述应该做些什么，只需要展示一些例子就可以了。“这种变化为机器开辟了许多新的应用场景，并允许它完成很多以前只有人类才能完成的任务”。
Sarah Green Carmichael：所以未来人类的工作就是训练机器，就像训练一个坐在那里全神贯注地盯着蓝莓松饼图片的人，人类只需要为这些图片加上松饼的标记，机器就会知道这是蓝莓松饼，而不是吉娃娃。这是否意味着训练机器将是一份底低薪无聊的工作？而人们原本有着更加有趣的工作。
Eric Brynjolfson：我并不认为这是一项主要的工作来源，不过确实存在像亚马逊的Mechanical Turk那样的地方，那里数以千计的人做着像你描述的种工作，他们标记图像并加上标签。ImageNet的数据库中数百万的图像就是这样被贴上标签的。所以，确实有人被雇佣来做这些事情，公司有时会发现通过人类标记数据来训练机器是一种行之有效的方法。
不过他们往往有办法找到已经被标记过的数据，这些数据产生于他们的企业资源计划系统或者呼叫中心。如果他们足够聪明，就能找到一种自动生成数据标签的方法。这里我必须强调，机器最大的弱点之一就是它们需要标记的数据。这是最强大的算法，我们有时候称之为监督学习，人类事先做好了标签，解释了这些数据的含义。
机器从这些例子中学习规律，并能最终将它们推广到其他案例中。与人类不同的是，它们通常需要数千甚至数百万个样本来学习一件你已经知道的事情，而两岁的小孩子只需要学习一两次就能分辨一只猫和一条狗，尽管在他们学会之前，你并没有向他们展示10000张猫的照片。
Sarah Green Carmichael：结合AI和机器学习的发展现状，您是认为机器学习被过度宣传，人们谈论了太多科幻式的场景；还是觉得对机器学习的宣传还不够，人们远远低估了机器学习在不久的将来能够达到的成就？
Eric Brynjolfson：两方面都存在。首先，我认为人们对机器拥有不切实际的期望，觉得它们拥有终结者一样的能力。而且他们认为，如果一台机器能够理解汉字，那么它理应能够理解中文演讲，可以推荐中国餐馆，甚至懂一点儿秦朝历史。但事实上，一台可以玩专家棋的机器甚至不会下跳棋和其他游戏。所以，从某种程度上来说，它们还非常狭隘和脆弱。
但另一方面，这些狭隘能力的应用却能爆发非常强大的能量，使用监督学习算法，它们可以完成很多具体的任务，我们现在才刚刚触及一些皮毛。过去十年间，它们已经取得了长足进步，但还有更多的机会还没有被探索和发现。像谷歌、微软和Facebook一样的为数不多的几个巨头在这方面取得了迅速进步，但我认为还有成千上万的细分领域，中小厂商可以开始使用机器学习。
Sarah Green Carmichael：可以列举一些企业运用人工智能技术的案例吗？
Eric Brynjolfson：我最喜欢的案例来自我的朋友Sebastian Thrun，他是在线课程Udacity的创始人——顺便提一句，在线课程是学习人工智能技术的良好途径之一——Sebastian Thrun发现，当人们访问他的网站在聊天室提问时，一些销售人员表现非常出色，可以引导用户找到正确的课程并完成销售。这产生了大量的数据。
他和他的研究生意识到，对话中的某些特定词组促成了销售，而有些则没有。当他把这些信息导入机器学习算法时，机器就会开始分析哪些模式的短语和答案带来成功的概率最高。
接下来发生的事情我觉得特别有趣，他们并没有建立一个可以回答所有问题的机器人，而是开发了一个可以向销售人员提供建议的机器人。当用户访问网站的时候，机器人看到一些特定关键词时就会向销售人员耳语，“你或许应该尝试这套话术”或者“你应该向他推荐这套课程”。
对于常见的查询类型来说机器人很管用，但在面对机器人从未见过的晦涩难懂的对话时，人类显然更能从容应对。这种人机协作关系是充分利用人工智能，以及如何将现有数据转换成让监督学习系统受益的标签数据集的绝佳案例。
Sarah Green Carmichael：这些销售人员对机器人的指导感觉如何？
Eric Brynjolfson：这有助于他们完成销售，让他们更富有成效。Sebastian Thrun表示，当他们使用机器人时，销售转化率大概是50%。所以我认为机器能够让他们学习得更加迅速。
我想这是一个很好的例子，说明机器擅长那些常规的重复性任务。而对大多数人类而言，我们更倾向于不寻常的任务。机器和人之间达成了完美平衡。
Sarah Green Carmichael：销售是一种知识型的工作，你刚刚列举了一个例子。其中最大的挑战之一在于，你无法或者说很难提高一个人的生产力，比如说你开了一家律师事务所，如果你想为更多客户服务，就必须雇佣更多的律师。不过听起来AI似乎是解决这个挑战的一种方式。
Eric Brynjolfson：的确，AI可以将生产力放大很多倍。关于律师和医生这两个职业，有很多解释他们如何行事的准则以及成功案例，机器可以从中学习并重复他们的行为，或者与从业者相结合，以指导他们或处理常见问题的方式给予帮助。
Sarah Green Carmichael：那么，AI只是为了提高生产力，还是说你看到了人机协作处理其他不同业务类型挑战的例子？
Eric Brynjolfson：在有些场景中，AI意味着提高生产力，有些场景中，则意味你能把工作做得比以前更好。现在有一些系统可以帮助阅读医学图像和诊断癌症，但最好的系统仍然是与人类相协同的，因为机器面对人体时会犯许多不同类型的错位，它经常会产生假阳性认定有癌症，但事实并没有。人类的可以更好地排除这些情况。你能判断可能有一个睫毛或者其他东西粘在了图像上。
因此，如果先用机器扫描所有图像，筛选出那些看起来有问题的，然后人工进一步核对，重点关注那些有问题的影像，就能得出更好的结果。反之，如果人工不得不查看每一张影像，就有可能忽视潜在的问题。
Sarah Green Carmichael：人们很久之前就预测，人工智能时代即将来临。听起来现在它终于到来了，真正进入了企业。为什么人工智能时代会在这个时间点降临呢？
Eric Brynjolfson：这个问题很好。AI时代来临得益于三股力量的结合。首先是我们拥有了更加强大的计算能力。依据摩尔定律，计算能力每隔一段时间就会翻番；此外还有许多专门的芯片问世，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世纪90年代的电脑进行训练，可能需要花费一个世纪甚至更久，而现在只要几天就能完成。显然，这开辟了一系列的可能性。
第二股力量是数据的大爆炸。数据是AI系统的命脉，你需要用数据进行训练。我们现在拥有更多的数字图像、数字记录，以及工厂的数据和跟踪信息，这些都可以放到系统中进行训练。
最后但同样重要的是，算法取得了重大进步。其中有些基础算法是30多年前开发的，但是现在已经进行了改进和调整，借助更快的计算机和更加丰富的数据，你可以快速了解什么是有效的、什么不起重要。当更强的计算机、更多的数据、更先进的算法结合到一起时，你在某些领域将获得几百万倍的提升，比如说无人驾驶车辆可以识别穿过街道的行人。
Sarah Green Carmichael：如果说前面提到的这些因素不断推动我们向前，那么阻碍我们进步的因素都有哪些？
Eric Brynjolfson：技术不会阻碍我们进步，阻碍我们前进的是企业高管在他们的业务中使用这些新工具的想象力。每一项通用技术，无论是电力还是内燃机，其真正的力量都来源重新组织工厂的新模式、连接客户的新方式，以及新的商业模式。我之所以乐于为哈佛商业评论写文章的原因之一就是可以抵达读者，帮助他们更富创意地利用这些工具来改变他们的现有业务。这才是真正的价值所在。
Sarah Green Carmichael：关于AI的众多讨论都指向一个话题，这项技术的应用将创造还是摧毁就业机会。你是否也常常被问到这个问题，甚至已经厌烦去回答？
Eric Brynjolfson：当然，我经常被问到类似的问题，不过我并不会对此感到厌烦，因为它真的很重要。我想过去十年间我们面临的最大挑战，就是如何处理新技术对经济造成的影响。你刚刚介绍我的时候，说我是个谨慎的乐观主义者，我想这个判断是正确的。我想如果我们能够正确处理好这一挑战，AI将是人类有史以来遇到的最美好的事物。
但我不认为这一切都是自然而然的。我对此非常谨慎。不再投资教育和培训AI技术人员，不再出台新政策以促进企业形成新的商业模式显然是不可能的。但我们也必须重新考虑收入的分配问题，出台美国所得税抵免或其他国家类似的工资补贴政策。
我们需要在政策层面进行一系列改革。企业需要重新思考工作方式，个人需要承担个人责任，学习将来需要的新技能。如果将这些事情都做好，我对于未来感到很乐观。
但我并不希望人们感到自满，因为过去十年中，有很多人被迄今为止的数字革命甩在了身后。展望未来，我会说我们还一无所知。我们拥有非常强大的技术，尤其是人工智能，开创了许多新的可能。但是我们需要思考如何利用新技术造福更广大的人群，而非仅仅服务于少数人。
Sarah Green Carmichael：在你看来，有没有哪些任务是机器学习无法做或者不会做的？
Eric Brynjolfson：有很多。你必须清楚一点，大多数事情机器学习都是无法胜任的。它只能胜任一些细分领域的工作，但是可以做得相当好。就像计算器一样，它能做的事情很少，但是却做得非常出色。人类拥有更加广泛的技能，不过如今这些技能正在被侵蚀。
机器正在接管越来越多的任务，或者在任务中提供帮助，但它并不擅长广泛的创造性工作。比如说担任一名企业家、写一本小说，或者研究新的科学理论，这些创造力工作都超过今天机器的能力范围。
其次，但也许更重要的一点，是人与人之间的社交技能。人与人之间可以建立信任和关心，但这些并不会发生在及其身上。
所以，无论教练还是销售，这些需要用到谈判、照顾人和说服人的技巧的地方，都是机器的边界。我认为，个人教练和培训师等以团队为导向的活动领域，将迎来就业机会的爆炸式增长。我乐于看到更多人学习机器不擅长的技能，他们未来会获得很多工作。
Sarah Green Carmichael：但是我在文章中看到，一些AI程序能够识别人类的情绪。我对此感到惊讶。
Eric Brynjolfson：谈到这一点我必须慎之又慎，我和安迪共事学到的最重要的一点就是“绝对不要说绝对”。我们知道，有些人正在实验室研究相关项目。
所以我要表述的是相对的优势和弱点，我仍然认为在情商方面人类有绝对优势。不过在某些细分领域，机器也正在快速进步。Affectiva是波士顿的一家公司，他的AI已经非常擅长阅读人类情绪了，这对于一个教练和富有爱心的人来说是非常重要的。虽然阅读情绪并非情商的全部，但它已经能够帮助机器人胜任一些工作了。
via HBR 雷锋网编译
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
