689
機器人
藍海浮現，人工智能大商機正確Look的姿勢
人工智能終於成真，並即將對商業產生深遠的影響。但它並不是魔法，因此，本文說明對你的組織來說，人工智能能做什麼，以及做不到什麼。
250多年來，經濟成長的根本動力一直都是技術創新。其中最重要的，是經濟學家說的「通用技術」（general-purpose technology）：這類技術包括蒸汽機、電力和內燃機。每一類都催生了一波波的互補性創新和機會。舉例來說，有了內燃機，汽車、貨車、飛機、鏈鋸和割草機應運而生，還有大賣場式零售商、購物中心、交叉配送倉庫（cross-docking warehouse）、新的供應鏈，而你若仔細想想，連郊區也是。沃爾瑪（WalMart）、優比速（UPS）和優步（Uber）等各式各樣的公司，都找到善用這種技術的方式，創造出有獲利的新商業模式。
我們這個時代，最重要的通用技術是人工智能，尤其是機器學習，也就是機器有能力持續不斷改善本身的表現，人類交付任務給機器時，不必確切解釋如何完成所有那些任務。過去幾年之間，機器學習已遠比從前有效且普及。我們現在建立的一些係統，已懂得如何自行執行任務。
為什麼這件事非同小可？理由有二。第一，我們人類了解的事情，比我們能說出來的更多。有很多事情，我們有能力做到，但沒有辦法確切解釋如何做到，從辨識人的臉，到玩古老亞洲鬥智遊戲圍棋時下聰明的一步棋，都包括在內。在機器學習之前，無法明確表達自己的知識，就表示我們不能把許多任務自動化。而現在，我們做得到了。
第二，機器學習係統往往很擅長學習。它們能在廣泛的活動上，展現出超乎人類的表現，包括偵測詐欺和診斷疾病。優異的數位學習者，正被部署到經濟的各個角落，它們造成的衝擊會十分深遠。
在商業領域，人工智能勢必會產生改造一切的衝擊，規模不亞於先前的通用技術。雖然世界各地已有成千上萬的公司開始使用它，但大多數的大機會還沒有被開發。未來十年，人工智能的影響將會擴大，因為製造、零售、運輸、金融、健康照護、法律、廣告、保險、娛樂、教育，以及其他每一種產業，都會改造本身的核心流程和商業模式，以充分利用機器學習。現在的瓶頸，是在管理、執行和商業想像上。
然而，人工智能和其他許多新技術一樣，產生許多不切實際的期望。我們見到商業計劃動不動就提到機器學習、神經網路，以及這種技術的其他形式，卻很少提及它的真正能力。舉例來說，單單稱一個約會網站是「人工智能驅動」，並不會使它的效果更好，但可能有助於籌募資金。本文將避開這些雜音，直接說明人工智能的真正潛力、它的實務意涵，以及有哪些障礙妨礙采用它。
現在，人工智能能做什麼？
人工智能這個詞，是達特茅斯學院（Dartmouth）數學教授約翰．麥卡錫（John McCarthy），在1955年創造的。隔年，他針對這個主題，籌辦開創性的研討會。此後，可能部分由於它那引發人們想像的名稱，這個領域產生了比它夢幻般宣言和承諾還要多的東西。1957年，經濟學家赫伯特．賽蒙（Herbert Simon）預測，十年內電腦會在西洋棋比賽上打敗人類（實際上花了四十年）。1967年，認知科學家馬文．明斯基（Marvin Minsky）說：「一個世代內，創造『人工智能』時遇到的問題，將會大幅解決。」賽蒙和明斯基都是知識巨人，卻都錯得十分離譜。因此，對於未來的突破提出戲劇性的說法，卻遭到某種程度的懷疑，這情況是可以理解的。
我們先來探討人工智能已經在做什麼，以及它改善的速度有多快。最大的進展在兩大領域：感知（perception）與認知（cognition）。在感知方麵，一些最實用的進展和語音有關。語音辨識要達到完美，還有一大段距離，但數百萬人正在使用它，例如Siri、Alexa和Google Assistant。你正在看的這篇文章，是先向電腦口述，然後以足夠的正確程度轉成文字，速度比打字要快。史丹福大學電腦科學家詹姆斯．藍德（James Landay）和同事的研究發現，平均來說，目前進行語音辨識，比在手機上打字約快三倍。以前的錯誤率是8.5％，現在已經降為4.9％。引人注目的是，這麼大幅度的改善，不是過去十年發生的，而僅僅是2016年夏天以來的成果。
雖然世界各地已有成千上萬的公司開始使用人工智能，但大多數的大機會還沒有被開發。
圖像辨識也大幅改善。你可能已經注意到臉書（Facebook）和其他應用程式，現在認得出你張貼照片中朋友的臉孔，並提醒你標記他們的名字。安裝在智能型手機裏的應用程式，認得出野外中的幾乎任何鳥類。圖像辨識甚至取代企業總部中的身分識別證。無人駕駛汽車中使用的視覺係統，以前確認行人時，每三十張圖像就會錯誤一次（這些係統中的相機，每秒就記錄約三十張）；現在，它們的錯誤次數，是每三千萬張不到一次。一個名為ImageNet的大型資料庫，擁有數百萬張常見、模煳，或是十分詭異的圖片，辨識圖像的最佳係統，辨識那個資料庫裏圖片的錯誤率，從2010年的高於30％，降為2016年的4％左右（見圖：「小狗或馬芬蛋糕？」）。
近年來采用的一種新方法，是以非常大型或「深度」的神經網路為基礎，因此改善的速度迅速加快。視覺係統的機器學習方法，仍有許多缺陷；但連人也很難迅速認出小狗的臉，或者更令人尷尬的是，看到牠們可愛的臉孔，但其實並不存在。
第二類的重大改善，是在認知和問題解決方麵。機器已經在撲克牌和圍棋方麵，擊敗最優秀的人類高手，專家本來預測至少還要再十年才會達到這樣的成就。Google的DeepMind團隊使用機器學習係統，改善資料中心的冷卻效率達15％以上，即使人類專家之前已經將它們優化了。網路安全公司深度本能（Deep Instinct）使用智能型代理（intelligent agent），偵測惡意應用軟件。PayPal也用智能型代理來防範洗錢。使用IBM技術的一套係統，將新加坡一家保險公司的理賠流程自動化。資料科學平台公司Lumidatum的一套係統，即時提供建議，以改善顧客支援。數十家公司正使用機器學習，決定要在華爾街執行哪些交易，而且在它的協助之下，做成愈來愈多信用決策。亞馬遜（Amazon）運用機器學習，來優化存貨，和改善對顧客的產品建議。無限分析公司（Infinite Analytics）開發出一套機器學習係統，預測使用者會不會點按某一則廣告，為一家全球消費性包裝產品公司改善線上廣告刊登效果。另一套機器學習係統，用來改善巴西一家線上零售商的顧客搜尋與發現過程。前述第一套係統提高廣告的投資報酬率三倍，第二套係統使得年營業收入增加1.25億美元。
機器學習係統不隻取代許多應用應用軟件中比較舊的演算法，現在，更在許多過去人類較擅長的任務上，表現卓越。這些係統仍然很不完美，但它們在ImageNet資料庫約5％的錯誤率，表現已經與人類的水準相當，或者更好。語音辨識現在也幾乎等同於人類的表現，即使在嘈雜的環境中也是如此。達到這個門檻，開啟了改造職場和經濟的龐大新可能性。以人工智能為基礎的係統，一旦在某個任務上的表現超越人類，就會遠比從前更可能迅速擴散。舉例來說，分別是無人機和機器人製造商的Aptonomy與Sanbot，正使用改良後的視覺係統，將不少保全工作自動化。應用軟件業者Affectiva等公司，正在使用它們來辨識焦點小組成員的喜悅、驚訝和憤怒等情緒。有幾家深度學習新創企業使用它們掃瞄醫療圖像，以協助診斷癌症，Enlitic就是其中一家公司。
這些是令人印象深刻的成就，但是，以人工智能為基礎的係統，應用範圍仍然相當狹隘。例如，ImageNet資料庫有高達幾百萬張圖像，人工智能辨識ImageNet圖像的表現可圈可點，但是，不見得一定能在外界各種不同的條件和情況下，取得類似的成功率，因為照明清況、角度、圖像解析度和背景，可能非常不同。從更根本的層麵來說，若有一套係統可了解中文的語音，並翻譯成英文，我們會對這套係統的能力讚歎不已，但我們不能期待這種係統懂得特定的中國字是什麼意思，更別提是讓它們告訴我們，到了北京要去哪裏用餐了。如果某個人有一項任務執行得很好，我們自然會假定那個人，在相關任務上也擁有一些能力。但機器學習係統受到訓練是要去做特定的任務，通常它們的知識不會擴大應用（generalize）。有些人誤以為電腦狹隘地理解某件事，就意味著它能更廣泛地了解其他事物，可能主要是因為這種謬誤，而造成人們對人工智能進展感到困惑，並出現浮誇的說法。機器要展現涵蓋各種領域的普遍智能，這樣的境界仍然相當遙遠。
了解機器學習
關於機器學習的最重要事情，是它意味要用根本上完全不同的方式來製作應用軟件：機器從例子中學習，而不是明確編寫程式，以得到特定的結果。這和以前的做法大不相同。過去五十年來的大部分時候，資訊科技及應用的進步，都是聚焦在把目前的知識和工作程序寫成程式碼，並嵌入機器中。沒錯，「編碼」（coding）這個詞，是指開發人員很辛苦地將腦中的知識，轉化成機器能了解和執行的形式。這個方法有根本上的缺點：我們擁有的許多知識，是難以完整說明的內隱（tacit）知識。我們幾乎不可能寫下一些指令，教另一個人學習如何騎腳踏車，或是辨識朋友的臉孔。
換句話說，我們懂的事情，比我們能表達出來的更多。這個事實十分重要，因此有個名稱：博藍尼悖論（Polanyi's Paradox），因為博學多聞的哲學家博藍尼在1964年說明了這個現象。博藍尼悖論不隻限製我們能告訴另一個人的事情，一直以來，也為我們賦予機器智能的能力，設下根本的限製。長久以來，這限製了機器在經濟中能有效執行的活動。
機器學習正在克服這些限製。在第二次機器時代的第二波浪潮中，人類打造的機器正從各種例子中學習，並使用結構化的回饋意見，解決它們本身的問題，例如，博藍尼提出有關臉孔辨識的經典問題。
不同類型的機器學習
人工智能和機器學習有許多類型，但近年來，大部分的成功集中在一類：監督式學習係統（supervised learning system），也就是把某個問題的許多正確答案的例子給機器。這個流程，幾乎總是要把一組投入元素X，對應到一組產出Y。舉例來說，投入元素可能是各種不同動物的照片，正確的產出，可能是這些動物的標記：狗、貓、馬。投入元素也可能是來自錄製聲音的波形，產出可能是「是」、「否」、「你好」、「再見」等（見圖：「監督式學習係統」）。
監督式學習係統
這個領域的兩位先驅湯姆．米契爾（Tom Mitchell）和麥可．喬丹（Michael I. Jordan）注意到機器學習最近的進展，包括將一組投入元素與一組產出作比對。其中一些例子如下：
成功的係統往往使用一組訓練資料組，其中有數千、或甚至數百萬個例子，每個例子都標記正確的答案。接著，就放手讓係統去觀察新的例子。如果訓練進行良好，係統預測答案的正確率會很高。
促成這些成功背後的演算法，仰賴的是一種使用神經網路的「深度學習（deep learning）」方法。深度學習演算法大幅勝過舊世代的機器學習演算法：它們更能善用數量更多得多的資料集。隨著訓練資料中的例子數目增加，舊係統也會改善，但隻能改善到某一個程度，在那之後，額外增加資料也不會使預測變得更準。這個領域的大師之一吳恩達（Andrew Ng）表示，深度神經網路似乎不會像這樣成效趨於持平：更多資料會使預測愈來愈好。有些非常大的係統，使用3,600萬個或更多例子加以訓練。當然，運用極大的資料集，需要愈來愈大的處理能力，因此，非常大的係統常必須在超級電腦和專用電腦架構上運作。
任何情況中，如果你有許多行為資料，並且試著預測結果，都是監督式學習係統的潛在應用。領導亞馬遜消費者業務的傑夫．威爾克（Jeff Wilke）說，監督式學習係統已大量取代以記憶為基礎的過濾式演算法，這種過濾式演算法過去是用來向顧客做個人化推薦。在其他情況中，設定存貨水準和優化供應鏈的傳統演算法，已被根據機器學習、更有效率和更穩健的係統取代。摩根大通銀行（JPMorgan Chase）引進一個係統，審查商業貸款合約；以前需要放款行員36萬個小時的工作，現在能在幾秒之內完成。而且，監督式學習係統現在還可用來診斷皮膚癌。這些隻是少數一些例子而已。
標記一堆資料，用它來訓練監督式學習者，是相當直截了當的做法；正因如此，監督式機器學習係統，比非監督式機器學習係統更常見，至少在目前是這樣。非監督式學習係統設法自行學習。我們人類是出色的非監督式學習者。我們對世界的大部分知識（例如辨認一棵樹），是在幾乎沒有標記資料、甚至完全沒有標記資料的情況下學到的。但要開發出用這種方式運作的成功機器學習係統，是極為困難的。
當我們學習打造穩健的非監督式學習者，會出現令人振奮的可能性。這些機器能以全新的方式，觀察複雜的問題，協助我們發現一些目前我們還不知道的各種形態；例如，疾病的蔓延、市場中不同證券的價格波動、顧客的購買行為等。這種可能性，使得臉書人工智能研究主管、紐約大學教授揚．勒丘恩（Yann LeCun）把監督式學習係統比喻成蛋糕上的糖霜，非監督式學習則是蛋糕本身。
以人工智能為基礎的係統，一旦在某個任務上的表現超越人類，就會遠比從前更可能迅速擴散。
這個領域裏的另一個成長中的小領域，就是強化式學習（reinforcement learning）。這種方法被嵌入擅長玩雅達利（Atari）電玩遊戲的係統，以及圍棋等棋盤遊戲中。它也協助優化資料中心的電力使用，以及發展出股票市場的交易策略。Kindred研發的機器人，使用機器學習，來辨識和整理他們以前不曾遇過的物件，加快消費性產品配銷中心的「拿取與放置」流程。強化式學習係統中，程式設計師會厘清係統的目前狀態和目標、列出容許的行動，並說明限製每項行動所獲得結果的環境要素。這套係統使用容許采取的行動，來判斷如何才能盡量接近目標。如果人類能明確設定目標，但不見得知道要如何達到那個目標，那麼這些係統運作得很好。舉例來說，微軟（Microsoft）使用強化式學習，若是有較多的訪客點按連結，就會「獎賞」係統更高的分數，用這種方式來選擇MSN.com新聞報導的頭條新聞。這套係統試著根據設計者給它的規則，極大化它得到的分數。當然，這表示強化式學習係統會優化，以達到你明確表示要獎賞的目標，而不見得是你真正在意的目標，例如終身顧客價值，因此，清楚地設定正確目標，是非常重要的。
讓機器學習得以運作
目前想要使用機器學習的組織，有三個好消息。第一，人工智能技能正在迅速擴散。全世界的資料科學家和機器學習專家仍不夠多，但對他們的需求，有線上教育資源和各個大學努力去滿足。其中最好的，包括Udacity、Coursera和fast.ai，不僅教導入門概念，實際上還教導聰明、上進的學生創造工業級的機器學習部署。對這方麵有興趣的公司，除了訓練本身的人員，還可以利用Upwork、Topcoder和Kaggle等線上人才平台，尋找有可驗證專長的機器學習專家。
第二個受歡迎的發展，是現代人工智能需要的演算法和硬體，可視需要購買或租用。Google、亞馬遜、微軟、Salesforce和其他公司，正透過雲端，提供強大的機器學習基礎設施。這些對手之間激烈的競爭，意味想要實驗或部署機器學習的企業，會發現長期而言，可用的能力愈來愈強，價格卻愈來愈低。
最後一個好消息，可能最為人低估：你可能不需要那麼多資料，就可以開始有效利用機器學習。大部分機器學習係統，隻要給它們更多資料去運作，它們的績效就會改善。因此合理的結論似乎是，有最多資料的公司會勝出。這種說法若要正確，前提必須是：如果「勝利」是指「主宰單一應用的全球市場，例如廣告定向（ad targeting）或語音辨識等應用」。但如果成功的定義並非如此，而是要顯著改善績效，那麼，所需要的足夠資料，往往令人意外地很容易取得。
舉例來說，Udacity共同創辦人塞巴斯欽．特倫（Sebastian Thrun）注意到，他的一些銷售人員在聊天室回複主動來詢問的潛在顧客時，成效遠高於其他人。特倫和他的研究所學生紮伊德．伊南（Zayd Enam）知道，他們的聊天室登錄，基本上是一組有標記的訓練資料，這正是監督式學習係統需要的。導致達成銷售的互動，標記為成功，其他所有的互動，標記為失敗。伊南使用這些資料來預測，成功的銷售人員，在回應一些極為常見的查詢時，可能會提供哪些答案，然後和其他銷售人員分享那些預測，敦促他們取得更好的績效。在一千次訓練周期之後，銷售人員提高成效的幅度達54％，而且能同時服務兩倍多的顧客。
人工智能新創公司WorkFusion采取類似的方法。它和一些公司合作，用更高程度的自動化，來進行辦公室後端流程，例如，支付國際發票和結算金融機構之間的交易。這些流程過去一直沒有自動化，是因為它們相當複雜；相關的資訊，不見得每次都以相同的方式呈現（「我們如何知道他們談的是什麼貨幣？」）而且需要某種程度的解讀和判斷。WorkFusion的應用軟件，在背景觀看人類做工作，並使用人類的行動，作為「分類」這項認知任務的訓練資料（「這張發票是用美元。這張是用日圓。這張是用歐元……」）。一旦係統對本身的分類能力有足夠的信心，就會接管分類流程。
機器學習正在三個層次上推動變革：任務與職業、商業流程、商業模式。重新設計任務與職業的一個例子，是使用機器視覺係統，來辨識潛在的癌細胞，好讓放射科醫生把心力專注在真正危急的病例上、與病患溝通，以及與其他醫生協調。重新設計流程的一個例子，是亞馬遜訂單履行中心根據機器學習，引進機器人和優化演算法之後，改造工作流程和樓麵規畫。同樣的，公司應重新思考商業模式，以充分利用機器學習係統，這種係統可以用個人化方式，聰明地推薦音樂和電影。與其根據消費者的選擇，一首一首地銷售歌曲，更好的模式可能是讓顧客訂閱個人化電台，這個電台可以預測和播放那個顧客會喜歡的音樂，即使他之前不曾聽過那些音樂。
注意，機器學習係統很少取代整個工作、流程或商業模式。最常見的情形，是它們與人類的活動互補，讓人類的工作更有價值。「把所有的任務交給機器」，不太可能是這個新分工方式的最有效準則。相反地，如果成功完成某個流程需要十道步驟，其中一、兩道可能自動化，其餘的部分由人類來做，會更有價值。舉例來說，Udacity的聊天室銷售支援係統，並沒有試著打造可接管所有對話的機器人。相反地，它會建議人類銷售人員如何改善績效。人類仍居於主導地位，但效能和效率遠高於從前。這麼做的可行性，遠高於嚐試設計機器來做人類會做的每件事。這通常會使相關人員的工作變得更好、更令人滿意，最後提供更好的成果給顧客。
設計和執行新方式，來結合技術、人類技能與資本資產，以滿足顧客需求，這一切都需要大規模的創意與規畫。機器不是非常擅長這種任務。因此，在機器學習的時代當創業家或企業經理人，是社會中獎酬最高的工作之一。
風險與限製
第二次機器時代的第二波浪潮，也伴隨著新的風險。尤其是機器學習係統的「可解釋能力」（interpretability）經常偏低。意思是，人類難以清楚了解係統如何做成決定。深度神經網路可能有數億個連結，每個都對最後的決定貢獻了一小部分力量。因此，這些係統的預測，往往無法提出簡單、清楚的解釋。機器和人類不同，機器不擅長說故事（目前還不擅長）。它們不見得能提出理由說明，為什麼某人應征某個職位獲得錄取，另一個人則落選，或是為什麼推薦某種藥物。說來諷刺，即使我們開始克服博藍尼悖論，卻正麵臨它的相反版本：機器懂的，比它們能告訴我們的更多。
這產生了三種風險。第一，機器可能有隱藏的偏誤，而偏誤來自訓練係統所用的資料，而不是設計者刻意製造偏誤。舉例來說，如果係統使用人類招募人員過去做的決策資料集，學會應錄取哪些應征工作的人，它們可能無意間永久沿用了人類決策者的種族、性別、族群或其他方麵的偏誤。此外，這些偏誤可能不是以清楚的外顯（explicit）法則來呈現，而是嵌入數千個被考慮的因素之間微妙的互動當中。
第二個風險是，神經網路係統和建立在外顯邏輯法則上的傳統係統不同，神經網路係統處理的是統計真相（statistical truth），不是實際真相（literal truth）。因此很難、甚至不可能完全肯定地證明，係統會在所有的情況下運作，尤其是訓練資料裏沒有呈現的情況。對於關鍵任務的應用，例如，控製核能發電廠或攸關生死的決定，缺乏可驗證性令人擔憂。
第三，當機器學習係統的確會犯錯，幾乎不可避免會犯錯，可能就很難診斷什麼事情出了差錯，並改正錯誤。導出解決方案的根本結構，可能複雜得難以想像，而且，如果接受訓練的係統所處狀況改變，解決方案可能很不理想。
雖然這些風險都很嚴重，但合適的比較標準並不是以「完美」為標準，而是可能得到的最佳替代方案。畢竟，人類也會有偏誤，也會犯錯，也可能難以確實地解釋我們如何做成某個決定。以機器為基礎的係統，優點在於它們經過一段時間之後能夠逐漸改進，而且若是給它們相同的資料，會得到前後一致的答案。
這是否意味著人工智能和機器學習能做的事沒有極限？感知和認知涵蓋很廣的領域：從開車到預測銷售額，到決定錄用或升遷誰。我們相信，人工智能有很好的機會，不久就會在大部分或所有這些領域，達到超人的表現水準。那麼，人工智能和機器學習不能做什麼事？
我們有時會聽到有人說：「人工智能永遠不會擅長評估情緒化、詭計多端、狡猾、前後不一的人類：它太過一板一眼、不帶人性色彩，沒辦法做那種事。」我們不同意這種說法。像Affectiva的機器學習係統，在根據音調或臉部表情，以察覺人的情緒狀態方麵，表現已達到或超越人類的水準。其他係統能推斷，即使是世界上最佳的撲克牌好手，什麼時候在虛張聲勢，而能在極複雜的一對一無限注德州撲克（Heads-up No-Limit Texas Hold'em）競賽上擊敗他們。正確看出一個人的情緒，是細致微妙的工作，但不是魔法。它需要感知和認知，這正是機器學習目前很強的領域，而且持續變得更強。
若要討論人工智能的極限，一個很好的起始點，就是畢卡索（Pablo Picasso）對電腦的觀察：「但它們一無用處。隻能給你答案。」從機器學習最近的勝利來看，它們絕對不是一無用處，但畢卡索的觀察仍帶來深入的見解。電腦是回答問題的裝置，不是用來提出問題。這表示我們仍然會很需要某些人，他們能夠看出接下來要處理什麼問題或機會，或是要探索什麼新領域，像是創業家、創新者、科學家、創造者等等。
雖然人工智能的這些風險都很嚴重，但合適的比較標準並不是以「完美」為標準，而是可能得到的最佳替代方案。
同樣地，消極地評估某個人的心理狀態或士氣，和積極地設法改變它，這兩者有很大的不同。機器學習係統變得相當擅長前者，但在後者仍遠遠落後我們。人類是強烈的社會性物種；最擅長運用社會性驅力（social drive）如同情、自豪、團結、羞恥等，以說服、激勵和鼓舞人的是其他人類，不是機器。2014年，TED大會和XPrize基金會宣布設立一個獎項，頒給「在這座講台發表引人入勝的演說，贏得聽眾起立鼓掌的第一個人工智能」。我們懷疑這個獎很快就會頒出。
我們認為，在這個超級強大機器學習的新時代中，人類智能最大和最重要的機會，在於兩個領域的交會處：研判接下來要處理什麼問題，以及說服許多人去處理那些問題，提出解決方案。這是領導力的合適定義，而這在第二次機器時代，變得遠比從前重要。
人類和機器之間目前的分工情況，正在非常快速地崩解。堅持原來見解的公司會發現：相較於願意且能夠將機器學習應用在所有合適地方的對手，以及能研判如何有效整合它的能力與人類能力的公司，堅持原來見解的公司日益落居競爭劣勢。
由於技術進步，商業世界已經開始經曆地殼變動般的根本改變。和蒸汽動力與電力的情況一樣，區分贏家和輸家的因素，不在於能不能取得新技術，甚至不在於是否能聘用到最佳的技術人員。相反地，贏家將會是態度夠開放的創新者，他們的眼光能夠超越現狀，設想出非常不同的方法；他們也夠聰明，能夠運用那些方法。機器學習留給我們最大的成果之一，可能是創造新一代的企業領導人。
我們認為，人工智能，尤其是機器學習，是我們這個時代最重要的通用技術。這些創新對企業和經濟的衝擊，將不隻反映在它們的直接貢獻上，也反映在它們能夠促成和啟發互補性的創新。機器學習帶來很多能力，像是更好的視覺係統、語音辨識、智能型問題解決等等，有了這些能力，就可能出現新的產品和流程。
有些專家更進一步。豐田研究所（Toyota Institute）現任領導人吉爾．普拉特（Gil Pratt），把目前這一波的人工智能技術，比喻成五億年前的寒武紀大爆發，那時孕育出不計其數的新生命形式。那時候和現在一樣，一個關鍵新能力是視覺。當動物首次得到這種能力，便能遠比從前更有效探索環境；這催化了物種的數量大幅增加，包括獵物和掠食者，而且，被填滿的生態棲位（ecological niche）範圍也大大增加。今天的情況也類似，我們預期會見到各種新產品、服務、流程和組織形式，同時也會有大量的滅絕。在出乎意料的成功之外，必然也會有一些可怕的失敗。
雖然很難確切預測哪些公司將主導新的環境，但有個通則很清楚：最靈活和順應力最強的公司與高階主管，會繁榮發展。在由人工智能賦予能力的領域裏，能迅速察覺和回應機會的組織，將會掌握優勢。所以，成功的策略是願意做實驗，以及快速學習。如果經理人不在機器學習的領域加強實驗，就沒有善盡職責。接下來十年，人工智能不會取代經理人，但使用人工智能的經理人，會取代那些不使用人工智能的經理人。
【補充閱讀】
艾瑞克．布林優夫森 Erik Brynjolfsson
艾瑞克．布林優夫森是麻省理工學院數位經濟計劃（Initiative on the Digital Economy）主任、麻省理工史隆管理學院（Sloan School of Management）管理科學講座教授，以及美國國家經濟研究局（NBER）研究員。他的研究探討資訊科技對企業策略、生產力和績效、數位商務和無形資產的影響。他在麻省理工學院講授資訊經濟學和分析實驗室（Analytics Lab）的課程。 布林優夫森是最早衡量資訊科技生產力的貢獻的研究人員之一，他也衡量組織資本與其他無形資產的互補作用。他的研究率先量化線上產品多樣價值（variety value），稱作「長尾」（long tail），並發展出資訊產品的訂價與搭售模式。他在哈佛大學取得應用數學與決策科學的學士及碩士學位，並獲得史隆管理學院管理經濟學博士學位。 布林優夫森著有幾本書，包括與麥克費合著的《機器、平台、群眾：駕馭我們的數位未來》（Machine, Platform, Crowd: Harnessing Our Digital Future, 2017），以及《紐約時報》的暢銷書《第二次機器時代：輝煌技術年代中的工作、進步與繁榮》（The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies, 2014）。
安德魯．麥克費 Andrew McAfee
安德魯．麥克費是麻省理工學院的主任研究科學家，研究數位技術如何改變企業、經濟和社會。他和布林優夫森合著有《機器、平台、群眾：駕馭我們的數位未來》，以及《第二次機器時代：輝煌技術年代中的工作、進步與繁榮》，後者是《紐約時報》的暢銷書，並入圍《金融時報》／麥肯錫年度最佳商業書籍。他著有學術論文、為《金融時報》寫部落格，也寫文章發表在《哈佛商業評論》、《經濟學人》、《華爾街日報》和《紐約時報》。他曾接受「六十分鍾」節目（60 Minutes）訪問，並在TED、達沃斯（Davos）和亞斯本構想節（Aspen Ideas Festival）和其他許多聽眾麵前，暢談他的研究。 麥克費曾就讀哈佛大學和麻省理工學院，與人共同創辦麻省理工數位經濟計劃。
最後更新：2017-10-10 13:26:36