德勤:人工智能的發展脈絡和技術體系

作者:Jean 發表日期:2018-07-09 19:50:14

國內對於人工智能的討論大多是不成體系的碎片式,很難從中深入了解人工智能的發展脈絡和技術體系,也很難有實際借鑑意義。德勤DUP近期發佈了一份報告,對人工智能的歷史、核心技術和應用情況進行了詳細說明,尤其是其中重要的認知技術。這份報告將有助於我們對人工智能和認知技術進行深入了解,也有助於各行業的公司考量人工智能應用的實際價值。

一、概述

近幾年各界對人工智能的興趣激增,自2011年以來,開發與人工智能相關的產品和技術並使之商業化的公司已獲得超過總計20億美元的風險投資,而科技巨頭更是投資數十億美元收購那些人工智能初創公司。相關報道鋪天蓋地,而巨額投資、計算機導致失業等問題也開始浮現,計算機比人更加聰明並有可能威脅到人類生存這類論斷更是被媒體四處引用並引發廣泛關注。

IBM承諾撥出10億美元來使他們的認知計算平台Watson商業化。

谷歌在最近幾年裏的投資主要集中在人工智能領域,比如收購了8個機械人公司和1個機器學習公司。

Facebook聘用了人工智能學界泰斗Yann LeCun 來創建自己的人工智能實驗室,期望在該領域獲得重大突破。

牛津大學的研究人員發表了一篇報告表明,美國大約47%的工作因為機器認知技術自動化而變得岌岌可危。

紐約時報暢銷書《The Second Machine

Age》論斷,數字科技和人工智能帶來巨大積極改變的時代已經到來,但是隨之而來的也有引發大量失業等負面效應。

矽谷創業家Elon Musk 則通過不斷投資的方式來保持對人工智能的關注。他甚至認為人工智能的危險性超過核武器。

著名理論物理學家Stephen

Hawking認為,如果成功創造出人工智能則意味着人類歷史的終結,「除非我們知道如何規避風險。」

即便有如此多炒作,但人工智能領域卻也不乏顯著的商業行為,這些活動已經或者即將對各個行業和組織產生影響。商業領袖需要透徹理解人工智能的含義以及發展趨勢。

二、人工智能與認知科技

揭秘人工智能的首要步驟就是定義專業術語,勾勒歷史,同時描述基礎性的核心技術。

1、人工智能的定義

人工智能領域苦於存在多種概念和定義,有的太過有的則不夠。作為該領域創始人之一的Nils Nilsson先生寫到:「人工智能缺乏通用的定義。」

一本如今已經修訂三版的權威性人工智能教科書給出了八項定義,但書中並沒有透露其作者究竟傾向於哪種定義。對於我們來說,一種實用的定義即為——人工智能是對計算機系統如何能夠履行那些只有依靠人類智慧才能完成的任務的理論研究。例如,視覺感知、語音識別、在不確定條件下做出決策、學習、還有語言翻譯等。比起研究人類如何進行思維活動,從人類能夠完成的任務角度對人工智能進行定義,而非人類如何思考,在當今時代能夠讓我們繞開神經機制層面對智慧進行確切定義從而直接探討它的實際應用。值得一提的是,隨着計算機為解決新任務挑戰而升級換代並推而廣之,人們對那些所謂需要依靠人類智慧才能解決的任務的定義門檻也越來越高。所以,人工智能的定義隨着時間而演變,這一現象稱之為「人工智能效應」,概括起來就是「人工智能就是要實現所有目前還無法不藉助人類智慧才能實現的任務的集合。」

2、人工智能的歷史

人工智能並不是一個新名詞。實際上,這個領域在20世紀50年代就已經開始啟動,這段探索的歷史被稱為「喧囂與渴望、挫折與失望交替出現的時代」——最近給出的一個較為恰當的評價。

20世紀50年代明確了人工智能要模擬人類智慧這一大膽目標,從此研究人員開展了一系列貫穿20世紀60年代並延續到70年代的研究項目,這些項目表明,計算機能夠完成一系列所本只屬於人類能力範疇之內的任務,例如證明定理、求解微積分、通過規劃來響應命令、履行物理動作,甚至是模擬心理學家、譜曲這樣的活動。

但是,過分簡單的算法、匱乏的難以應對不確定環境(這種情形在生活中無處不在)的理論,以及計算能力的限制嚴重阻礙了我們使用人工智能來解決更加困難和多樣的問題。伴隨着對缺乏繼續努力的失望,人工智能於20世紀70年代中期逐漸淡出公眾視野。

20世紀80年代早期,日本發起了一個項目,旨在開發一種在人工智能領域處於領先的計算機結構。西方開始擔心會在這個領域輸給日本,這種焦慮促使他們決定重新開始對人工智能的投資。20世紀80年代已經出現了人工智能技術產品的商業供應商,其中一些已經上市,例如Intellicorp、Symbolics、和Teknowledge。

20世紀80年代末,幾乎一半的「財富500強」都在開發或使用「專家系統」,這是一項通過對人類專家的問題求解能力進行建模,來模擬人類專家解決該領域問題的人工智能技術。

對於專家系統潛力的過高希望徹底掩蓋了它本身的局限性,包括明顯缺乏常識、難以捕捉專家的隱性知識、建造和維護大型系統這項工作的複雜性和成本,當這一點被越來越多的人所認識到時,人工智能研究再一次脫離軌道。

20世紀90年代在人工智能領域的技術成果始終處於低潮,成果寥寥。反而是神經網絡、遺傳算法等科技得到了新的關注,這一方面是因為這些技術避免了專家系統的若干限制,另一方面是因為新算法讓它們運行起來更加高效。

神經網絡的設計受到了大腦結構的啟發。遺傳算法的機制是,首先疊代生成備選解決方案,然後剔除最差方案,最後通過引入隨機變量來產生新的解決方案,從而「進化」出解決問題的最佳方案。

3、人工智能進步的催化劑

截止到21世紀前10年的後期,出現了一系列復興人工智能研究進程的要素,尤其是一些核心技術。下面將對這些重要的因素和技術進行詳細說明。

1)摩爾定律

在價格、體積不變的條件下,計算機的計算能力可以不斷增長。這就是被人們所熟知的摩爾定律,它以Intel共同創辦人Gordon Moore命名。Gordon Moore從各種形式的計算中獲利,包括人工智能研究人員使用的計算類型。數年以前,先進的系統設計只能在理論上成立但無法實現,因為它所需要的計算機資源過於昂貴或者計算機無法勝任。今天,我們已經擁有了實現這些設計所需要的計算資源。舉個夢幻般的例子,現在最新一代微處理器的性能是1971年第一代單片機的400萬倍。

2)大數據

得益於互聯網、社交媒體、移動設備和廉價的傳感器,這個世界產生的數據量急劇增加。隨着對這些數據的價值的不斷認識,用來管理和分析數據的新技術也得到了發展。大數據是人工智能發展的助推劑,這是因為有些人工智能技術使用統計模型來進行數據的概率推算,比如圖像、文本或者語音,通過把這些模型暴露在數據的海洋中,使它們得到不斷優化,或者稱之為「訓練」——現在這樣的條件隨處可得。

3)互聯網和雲計算

和大數據現象緊密相關,互聯網和雲計算可以被認為是人工智能基石有兩個原因,第一,它們可以讓所有聯網的計算機設備都能獲得海量數據。這些數據是人們推進人工智能研發所需要的,因此它可以促進人工智能的發展。第二,它們為人們提供了一種可行的合作方式——有時顯式有時隱式——來幫助人工智能系統進行訓練。比如,有些研究人員使用類似Mechanical Turk這樣基於雲計算的眾包服務來僱傭成千上萬的人來描繪數字圖像。這就使得圖像識別算法可以從這些描繪中進行學習。谷歌翻譯通過分析用戶的反饋以及使用者的無償貢獻來提高它自動翻譯的質量。

4)新算法

算法是解決一個設計程序或完成任務的路徑方法。最近幾年,新算法的發展極大提高了機器學習的能力,這些算法本身很重要,同時也是其他技術的推動者,比如計算機視覺(這項科技將會在後文描述)。機器學習算法目前被開源使用,這種情形將促成更大進步,因為在開源環境下開發人員可以補足和增強彼此的工作。

4、認知技術

我們將區分人工智能領域和由此延伸的各項技術。大眾媒體將人工智能刻畫為跟人一樣聰明的或比人更聰明的計算機的來臨。而各項技術則在以往只有人能做到的特定任務上面表現得越來越好。我們稱這些技術為認知技術(下圖),認知技術是人工智能領域的產物,它們能完成以往只有人能夠完成的任務。而它們正是商業和公共部門的領導者應該關注的。下面我們將介紹幾個最重要的認知技術,它們正被廣泛採納並進展迅速,也獲得大量投資。

1)計算機視覺

是指計算機從圖像中識別出物體、場景和活動的能力。計算機視覺技術運用由圖像處理操作及其他技術所組成的序列來將圖像分析任務分解為便於管理的小塊任務。比如,一些技術能夠從圖像中檢測到物體的邊緣及紋理。分類技術可被用作確定識別到的特徵是否能夠代表系統已知的一類物體。

計算機視覺有着廣泛應用。其中包括,醫療成像分析被用來提高疾病的預測、診斷和治療;人臉識別被Facebook用來自動識別照片里的人物;在安防及監控領域被用來指認嫌疑人;在購物方面,消費者現在可以用智能手機拍攝下產品以獲得更多購買選擇。

機器視覺作為一個相關學科,泛指在工業自動化領域的視覺應用。在這些應用里,計算機在高度受限的工廠環境裏識別諸如生產零件一類的物體,因此相對於尋求在非受限環境裏操作的計算機視覺來說目標更為簡單。計算機視覺是一個正在進行中的研究,而機器視覺則是「已經解決的問題」,是系統工程方面的課題而非研究層面的課題。因為應用範圍的持續擴大,計算機視覺領域的初創公司自2011年起已經吸引了數億美元的風投資本。

2)機器學習

指的是計算機系統無需遵照顯式的程序指令而只是依靠暴露在數據中來提升自身性能的能力。其核心在於,機器學習是從數據中自動發現模式,模式一旦被發現便可用於做預測。比如,給予機器學習系統一個關於交易時間、商家、地點、價格及交易是否正當等信用卡交易信息的數據庫,系統就會學習到可用來預測信用卡欺詐的模式。處理的交易數據越多,預測就會越好。

機器學習的應用範圍非常廣泛,針對那些產生龐大數據的活動,它幾乎擁有改進一切性能的潛力。除了欺詐甄別之外,這些活動還包括銷售預測、庫存管理、石油和天然氣勘探、以及公共衛生。機器學習技術在其他的認知技術領域也扮演着重要角色,比如計算機視覺,它能在海量圖像中通過不斷訓練和改進視覺模型來提高其識別對象的能力。現如今,機器學習已經成為認知技術中最炙手可熱的研究領域之一,在2011-2014年中這段時間內就已吸引了近十億美元的風險投資。谷歌也在2014年斥資4億美金收購Deepmind這家研究機器學習技術的公司。

3)自然語言處理

是指計算機擁有的人類般文本處理的能力,比如,從文本中提取意義,甚至從那些可讀的、風格自然、語法正確的文本中自主解讀出含義。一個自然語言處理系統並不了解人類處理文本的方式,但是它卻可以用非常複雜與成熟的手段巧妙處理文本,例如自動識別一份文檔中所有被提及的人與地點;識別文檔的核心議題;或者在一堆僅人類可讀的合同中,將各種條款與條件提取出來並製作成表。以上這些任務通過傳統的文本處理軟件根本不可能完成,後者僅能針對簡單的文本匹配與模式進行操作。請思考一個老生常談的例子,它可以體現自然語言處理面臨的一個挑戰。在句子「光陰似箭(Time flies like an arrow)」中每一個單詞的意義看起來都很清晰,直到系統遇到這樣的句子「果蠅喜歡香蕉(Fruit flies like a banana)」,用「水果(fruit)」替代了「時間(time)」,並用「香蕉(banana)」替代「箭(arrow)」,就改變了「飛逝/飛着的(like)」與「像/喜歡(like)」這兩個單詞的意思。

自然語言處理,像計算機視覺技術一樣,將各種有助於實現目標的多種技術進行了融合。建立語言模型來預測語言表達的概率分佈,舉例來說,就是某一串給定字符或單詞表達某一特定語義的最大可能性。選定的特徵可以和文中的某些元素結合來識別一段文字,通過識別這些元素可以把某類文字同其他文字區別開來,比如垃圾郵件同正常郵件。以機器學習為驅動的分類方法將成為篩選的標準,用來決定一封郵件是否屬於垃圾郵件。

因為語境對於理解「time flies(時光飛逝)」和「fruit flies(果蠅)」的區別是如此重要,所以自然語言處理技術的實際應用領域相對較窄,這些領域包括分析顧客對某項特定產品和服務的反饋、自動發現民事訴訟或政府調查中的某些含義、以及自動書寫諸如企業營收和體育運動的公式化範文等。

4)機械人技術

將機器視覺、自動規劃等認知技術整合至極小卻高性能的傳感器、致動器、以及設計巧妙的硬件中,這就催生了新一代的機械人,它有能力與人類一起工作,能在各種未知環境中靈活處理不同的任務。例如無人機,還有可以在車間為人類分擔工作的「cobots」,還包括那些從玩具到家務助手的消費類產品。

5)語音識別技術

主要是關注自動且準確的轉錄人類的語音。該技術必須面對一些與自然語言處理類似的問題,在不同口音的處理、背景噪音、區分同音異形異義詞(「buy」和「by」聽起來是一樣的)方面存在一些困難,同時還需要具有跟上正常語速的工作速度。語音識別系統使用一些與自然語言處理系統相同的技術,再輔以其他技術,比如描述聲音和其出現在特定序列和語言中概率的聲學模型等。語音識別的主要應用包括醫療聽寫、語音書寫、電腦系統聲控、電話客服等。比如Domino’s Pizza最近推出了一個允許用戶通過語音下單的移動APP。

上面提到的認知技術進步飛快並吸引了大量投資,其他相對成熟的認知技術仍然是企業軟件系統的重要組成部分。這些日漸成熟的認知技術包括決策最優化——自動完成對複雜決策或者在資源有限的前提下做出最佳權衡;規劃和調度——使設計一系列行動流程來滿足目標和觀察約束;規則導向系統——為專家系統提供基礎的技術,使用知識和規則的數據庫來自動完成從信息中進行推論的處理過程。

三、認知技術的廣泛使用

各種經濟部門已經把認知技術運用到了多種商業職能中。

1)銀行業

自動欺詐探測系統使用機器學習可以識別出預示着欺詐性付款行動的行為模式;藉助語音識別技術能夠自動完成電話客服;聲音識別可以核實來電者的身份

2)醫療健康領域

美國有一半的醫院採用自動語音識別來幫助醫生自動完成醫囑抄錄,而且使用率還在迅速增長;機器視覺系統自動完成乳房X光檢查和其他醫學影響的分析;IBM 的Watson藉助自然語言處理技術來閱讀和理解大量醫學文獻,通過假設自動生成來完成自動診斷,藉助機器學習可以提高準確率。

3)生命科學領域

機器學習系統被用來預測生物數據和化合物活動的因果關係,從而幫助製藥公司識別出最有前景的藥物。

4)媒體與娛樂行業

許多公司正在使用數據分析和自然語言生成技術,自動起草基於數據的的公文材料,比如公司營收狀況、體育賽事綜述等。

5)石油與天然氣

廠商將機器學習廣泛運用在礦藏資源定位、鑽井設備故障診斷等眾多方面。

6)公共部門

出於監控、合規和欺詐檢測等特定目的,公共部門也已經開始使用認知技術。比如,喬治亞州正在通過眾包的形式來進行財政披露和競選捐助表格的數字化,在這個過程中他們就採用了一套自動手寫識別系統。

7)零售商

零售商利用機器學習來自動發現有吸引力的交叉銷售定價和有效的促銷活動。

8)科技公司

它們正利用機器視覺、機器學習等認知技術來改進產品或者開發全新產品,比如 Roomba機械人吸塵器,Nest智能恆溫器。

上述例子表明,認識技術的潛在商業收益遠大於自動化帶來的成本節約,這主要體現在:

更快的行動與決策(比如,自動欺詐檢測,計劃和調度)

更好的結果(比如,醫學診斷、石油探測、需求預測)

更高的效率(亦即,更好的利用高技能人才和昂貴設備),

更低的成本(比如,自動電話客服減少了勞動成本)

更大的規模(亦即,開展人力無法執行的大規模任務)

產品與服務創新(從增加新功能到創造新產品)

四、認知技術影響力與日俱增的原因

在未來五年,認知技術在商業領域的影響力將顯著增長。原因有二,首先,近些年來,技術性能有了實質進步,並處於持續研髮狀態。其次,數億美元已經投入到技術商業化中,許多公司正致力於為各商業部門的廣泛需求提供定製化開發和打包方案,以使這些技術更易購買和配置。雖然並非所有的技術提供商都能倖存,但他們的努力將共同推動市場前進。技術性能的改善和商業化正在共同擴大着認知技術的應用範圍,這種情況在未來幾年都將持續下去。

1、技術提升擴展了應用範圍

InVision探索四十課程主要抓住學員學習方面重點,讓學員更加容易主動接收知識,讓學員透徹的掌握和了解人的行為態度,讓學員留意生活中問題,以更加積極正能量的態度去面對、解決。

認知技術大踏步前進的例子非常多。比如Google的語音識別系統,一份報告顯示,Google用了不到兩年時間就將語音識別的精準度從2012年的84%提升到如今的98%。計算機視覺技術也取得了突飛猛進的發展。如果以計算機視覺技術研究者設置的技術標準來看,自2010年到2014年,圖像分類識別的精準度提高了4倍。Facebook的DeepFace技術在同行評審報告(譯者註:同行評審,是一種學術成果審查程序,即一位作者的學術著作或計劃被同一領域的其他專家學者評審。)被高度肯定,其臉部識別率的準確度達到97%。2011年,IBM 為了讓Watson在智力節目《危險邊緣》中獲勝,曾對Watson進行優化,提升兩倍的答案精確度。現在,IBM又宣稱如今的Watson比當時「智能」了2400%。

隨着技術的改進和提高,技術應用的範圍也在不斷擴大。比如,在語音識別方面,機器曾經需要大量訓練才能在有限詞庫里勉強識別出來,由語音識別技術延伸出的醫療應用程式也很難得到真正普及。而現在,每個月互聯網上都會有數以百萬次的語音搜索。另外,計算機視覺技術過去被狹隘的理解為部署在工業自動化方面,但現在,我們早已看到這一技術被廣泛運用到監控、安全以及各種各樣的消費應用里。IBM如今正拓展Watson在競賽遊戲之外的應用,從醫療診斷到醫學研究再到財務建議以及自動化的呼叫中心。

並不是所有的認知技術都有如此令人矚目的發展。機器翻譯有了一定發展,但幅度很小。一份調查發現,從2009年到2012年,將阿拉伯語翻譯到英語的精確度僅僅提升了13%。儘管這些技術還不完美,但他們已經可以影響到專業機構的工作方式。很多專業翻譯人員依靠機器翻譯提升翻譯精準度,並把一些常規翻譯交給機器,自己專注在更具挑戰性的任務上。

很多公司正努力將認知技術做進一步研發,並逐步將其融入到更多產品尤其是企業級產品里,以方便企業用戶購買和部署。

2、對商業化進行的大規模投資

從2011年到2014年5月,超過20億美元的風險投資流入到基於認知技術研究的產品和服務里。與此同時,超過100家的相關公司被兼并或收購,其中一些被互聯網巨頭如亞馬遜、蘋果、Google、IBM或Facebook收購。所有這些投資都在培育一個多樣化的公司圖譜,這些公司正在加速認知技術的商業化進程。

在這裏,我們並不會提供關於某公司在認知技術商業化方面的細節,我們希望說明,認知技術產品擁有豐富的多樣性。下面就是致力於認知技術商業化的公司名單,這個名單既不是完整無缺也非固定不變,而是一個動態的,用於推動和培育市場的指標。

數據管理和分析工具主要使用自然語言處理、機器學習等認知技術。這些工具利用自然語言處理來從非結構化的文本中提取出意思,或者藉助機器學習幫助分析人員從大規模數據集中發現深層含義。這個領域的公司包括Context Relevant(譯者註:美國的一家大數據挖掘和分析公司)、Palantir Technologies(譯者註:這家公司稱要將數據、技術、人類和環境連接起來)、以及Skytree(譯者註:一家藉助機器學習進行市場分析並提供決策依據的大數據公司)。

認知技術的各個部分可以被整合到各種應用和商業決策中,分別起到增加功能和提高效率的作用。例如,Wise.io公司提供一套模塊來促進商業決策,比如客戶支持、營銷和銷售,這裏面會用到機器學習模型來預測哪些客戶比較容易流失,以及哪些潛在客戶更加容易轉化。Nuance公司通過提供一種語音識別技術來幫助開發者進行需要語音控制的移動APP的開發。

單點解決方案。眾多認知技術成熟的標誌是它們正在被不斷的嵌入到特定商業問題的解決方案中。這些解決方案的設計初衷是要比公司原有的解決方案更加有效,並且幾乎不需要認知技術方面的專業人員。普及度比較高的應用領域包括廣告、營銷和銷售自動化、預測以及規劃。

技術平台。平台的目的是為建立高度定製化的商業解決方案提供基礎。它們會提供一系列功能,包括數據管理、機器學習工具、自然語言處理、知識表示和推理、以及將這些定製化軟件整合在一起的統一框架。

3、新興應用

如果這些技術的表現和商業化趨勢繼續發展,我們就能夠大膽預測認知技術的應用將更加廣泛,被接受程度也會大大增加。數億美金的投資湧入這些基於機器學習、自然語言處理、機器視覺或者機械人技術的公司,這預示着許多新應用即將投入市場。在商業機構依託認知技術構建自動化業務流程、增強產品和服務方面,我們也看到了巨大空間。

五、認知技術在企業的應用路徑

認知技術將在接下來幾年裏變得流行。在未來2-5年,技術層面的進步和商業化將擴大認知技術對企業的影響。越來越多的企業會找到一些創新性應用來顯著改善他們自身的表現或者創造新功能,以增強他們的競爭地位。企業的IT部門現在可以行動起來,增加對這些技術的了解,評估出適用這些技術的機會,將這些技術可能帶來的價值向領導進行匯報。高級商務和公共部門的領導應該思考認知技術將對他們的部門以及整個公司產生何種影響,這些技術將如何激發創新並提升經營表現。

拓展閱讀

認知技術時代來臨,我們的工作將會如何被重塑?

作者簡介:David Schatsky,德勤公司,為公司高管和客戶分析新型技術和商業趨勢,包括認知技術帶來的影響。在加入德勤之前,Schatsky帶領兩個研究和資訊公司。他是《Signals for Strategists: Sensing Emerging Trends in Business and Technology》(RosettaBooks, 2015)一書的作者。

Jeff Schwartz,德勤資訊公司,人力資本高管,《Global Human Capital Trends 2015: Leading in a New World of Work》((Deloitte University Press, 2015)的共同作者。

人工智能(AI)領域的快速發展,將對社會帶來重大的影響,這引發了許多激烈的爭論。一些人認為,它將驅動經濟增長,為改善生活質量帶來數不清的機會。儘管我們相信那些最深的恐懼其實是誇大其詞的,但認知技術這一AI產品卻不容忽視。它們是商業競爭優勢的新興源頭,並走在一條通往「無處不在」的道路上,即將充斥我們的生活和工作。

長期以來,人工智能研究者都在開發旨在提升計算機性能的技術,這些技術能讓計算機完成非常廣泛的任務,而這些任務在過去被認為只有人才能完成,包括玩遊戲、識別人臉和語音,在不確定的情況下做出決策、學習和翻譯語言。為了將人工智能領域中衍生出來的技術與AI領域進行區分,我們將這些技術稱為「認知技術」(cognitive technologies)。通常使用的認知技術包括機器學習、計算機視覺、語音識別、自然語言處理和機械人學。

在接下來的3到5年中,認知技術有可能會給職業、工人和公司帶來深遠的影響。這些技術可以,並且即將消除人類的工作。但它們也有可能被用來重新定義人類的工作、為工人創造出新的機會、為商業公司和客戶帶來更高的價值。公司的領導者們應該理解4個主要的自動化選擇,以及我們所描述的成本和價值策略。他們也應該調整人才管理工作,來吸引和改進員工的職業技能,包括創造性和情商——這些技能在認知技術時代會變得更加重要。

衝突的觀念

關於認知技術會對就業帶來什麼影響,這一問題正在處在活躍、甚至是危言聳聽的爭議當中。爭論的一方預言道,當過去由人來做的工作被這些技術所取代後,將極大提高失業率。而另一方的預言則認為,我們對技術變革所帶來的歷史規律已經很熟悉了——新技術提升了生產力,從而增加了社會財富,驅動經濟增長,對擁有新技能的就業者創造出新的需求。

最近,牛津大學研究者做了一個被廣泛引用的分析,正是上述爭論中「黑暗」一方的一個例子。這項研究估測道,美國的就業人員中,有47%正因接下來10年或20年的計算機化而「處在風險中」。信息技術研究機構Gartner也持相似的觀點,預言「到2025年,有1/3的工作將被軟件或機械人所取代。」三個Gartner的分析師甚至做出更徹底的「戰略性計劃假設」:「到2030年,今天我們所熟知的90%的工作都將被智能機器取代。」

並不是所有人都相信,公司應該開始為一個沒有僱員的未來早作打算。David Autor是一個傑出的經濟學家,他在麻省理工學院(MIT)研究技術與就業之間的相互作用,是這方面的權威。他寫道:「機器要取代人類,亟需適應性、常識和創造性,這些需求的缺口還非常大。」他認為,人們未能足夠重視機器與人力之間的互補性,這種互補性將會「提升生產力、增加收入、增大對熟練工種的需求。」Rodney Brooks是兩家著名機械人公司的專家和創始人,他相信,人們應當正確地看待機械人這樣的技術,因為它們能夠「讓人們擺脫那些折磨人的愚蠢工作」,而不是讓人們失業。

對未來,我們更喜歡積極的預期。認知技術正在較窄的領域中取得好的進展,而取代整個流程或職業卻很罕見,不太可能在短期內變得很普遍。更有可能的是,尤其是在接下來的3到5年內,工作的一部分會被認知技術自動化。員工(包括知識性的員工)將與自動化的智能機器打交道,就像今天的飛行員和先進工廠內的工人所做的工作一樣。由於這個原因,公司領導者應當進一步考察認知技術為工作、員工和公司所帶來的影響,這是一件非常重要的事。

認知技術和工作自動化

在以往的工作中,David與其他同事分析了100多個認知技術的應用,並將這些應用分為三大類:產品類、流程類和分析類。每類應用都對工作和工人產生了深遠影響。

產品類應用將認知技術嵌入到產品內,來實現智能行為、自然交流(比如說和看)以及自動化。該類應用對工人的影響從沒有影響(機械人玩具或智能溫控器)到有些影響(能承擔家居清潔工作的掃地機械人)再到影響重大:自動駕駛汽車正取代採礦卡車司機和火車駕駛員,某天它們將會取代出租車或貨車司機的工作;機械人還會取代泥瓦匠和磚瓦工。下一步,公司就可以將使用認知技術的產品部署到各個業務流程中。

自動化企業工作

流程類應用使用認知技術來提高、擴大或自動化業務流程。比如自動化數據輸入、自動化手寫識別、使用算法的自主規劃與調整以及使用語音識別、自然語言處理和問答技術的自動化客戶服務。通過定義流程類應用會讓工人的工作實現全自動或半自動化。如下所示,自動化會對企業產生挑戰,而且並不總能達到預期效果。

自動分析

分析類應用使用認知技術來揭示模式、做出預測以及指導更有效的行動。如,英特爾採用機器學習向其銷售團隊展示客戶的進一步需求以及他們該向客戶提供什麼。某些分析類應用可以看作自動化的形式:接下來做什麼是基於特定情境由機器而不是人所做出的決定。其他分析類應用是改善而不是自動化現有決策流程,或者進行之前不能做的分析。有時,他們將機器學習與其他認知技術(比如計算機視覺或自然語言處理)相結合。例如,一家初創公司將計算機數據與機器學習算法相結合通過零售商場停車場的衛星圖像來判斷其營業狀況。

自動化意想不到的後果

自動化的歷史可以追溯到數百年前,包含了製造業(工業自動化)、航空和文職工作(辦公自動化)。如今,認知技術將自動化拓展到新的領域,比如過去那些需要人類感知和認知能力的任務。雖然自動化極具價值,但是,數十年的研究編碼自動化並不總是有益的,也帶來了意想不到的後果。隨着商業和技術領導人考慮使用認知技術來自動化工作,他們會從自動化的歷史中學到很多,來避免重複錯誤。

引入自動化以彌補人類能力不足的想法似乎很令人信服。但是,自動化系統也會有缺陷。離開人類操作員,只讓機器自主完成任務會有問題。比如,沒有人類監控的自動化進程會產生錯誤,然後程序會忽略這些錯誤繼續執行任務。研究表明,即使是幹勁十足的工人,他關注不變的信息源的時間也不會超過半小時。

如果人們不經常訓練,他們會失去某技能。這就導致了頗具諷刺意味的情況發生,人們會需要一個自動化系統來執行他們不擅長的任務,比如自動駕駛。有時會產生悲劇後果。研究人員發現,過度設計或設計不佳的自動化,不僅沒有實現去技術化,還會降低人們在某些任務中的表現。研究表明,駕駛中有太多的自動化,比如採用巡航控制系統會讓司機(特別是新手)疏於警惕,還會降低表現,比如緊急制動。其他研究發現,自動化系統(就像壞老闆)會降低工人的積極性、產生疏離感、降低滿意度、生產力和創造力以及離間員工。

技術評論家Nicholas Carr認為,拙劣的自動化策略對效率和安全性會產生負面影響,還會破壞我們的個性和自我價值。

企業面臨自動化選擇

認識到關於自動化的潛在問題,研究人員們便嘗試尋找一些確立系統有哪些功能,要實現什麼程度自動化的客觀方式。為解決這一問題,Parasuraman等人發展出一項分析自動化選項的體制。他們提出自動化須應用於以下四大類功能:1)信息獲取;2)信息分析;3)決策和行動選擇;4)行動實施(見圖2)。在每一類中,自動化被應用的程度是一個從低到高的連續等級,即從完全人工化到完全自動化(見圖3)。

他們覺得一款自動化設計的評估標準應該首先是它對人類工作效率的影響,其次是諸如自動化可靠性,和行動與決策結果的成本。這一被廣泛引用的工作是指導自動化設計決策領域的諸多嘗試之一。

從替換到增強:一款天才科技模型

為補充自動化設計方面的學術工作,研究者提出一個框架,即強調自動化對員工的影響以及評估各種自動化選擇對業務的影響。這一框架對正考慮自動化自動化對創造性和知識工作影響的領導者極為有用。

根據自動化對於工人的影響和自動化程度對工作完成度的影響,我們確立了應對自動化的四種主要方式,總結在圖4中。

遵循哪一種方式,不由工作類型或採用的技術決定,而是系統設計者,乃至領導者和決策制定者所決定。通過對一項職業——翻譯員,和一項認知技術——機器翻譯的分析,讓我們來闡明這四種自動化選項是怎樣起作用的。四種選擇都要以不同的方式應用自動翻譯技術,會對翻譯人員產生不同影響。


圖3

採用替代方法,像翻譯技術手冊這種過去人為翻譯的工作,連同翻譯員本身,都將被淘汰。在切分/自動化的方法中,儘管現有的機器翻譯表現得並不完美,大量的翻譯工作被首先交給機器,這之後專業的譯者會編輯已自動翻譯好的文段,即後期編輯。許多專業譯者認為這是「語言維護工作」:這貶低了他們的一技之長。一個緩解方法是把低價值又無趣的工作交給機器,而把更具挑戰性的,對質量要求更高的像營銷文案的材料,交給夠格的專業翻譯人員。最後,在增強的方法中,譯者可以使用自動翻譯工具來加速或改善他們的工作,比如自動翻譯器會在翻譯一條短語時提出幾個選項,供譯者自由選擇。這在提升生產力和質量的同時,也使譯者可以把控整個創作過程,負責審美判斷。


圖4

最大限度提高工人和機器的價值

當涉及到勞動力的使用和影響時,企業需要做的可不只是根據上述列出的四種方法來歸類工作。要正確評估其選擇,企業需要在成本戰略和價值戰略之間進行考量。

  • 成本戰略是通過應用技術降低成本,尤其是勞動力成本。

  • 而價值戰略則旨在以技術彌補人工的同時,分配工人做價值更高的工作來增值。

以下是四種自動化選擇如何在這兩種戰略下分別發揮作用:

替換的方法。在成本戰略下,企業以擁有認知能力的計算系統取代人工執行相同的任務。這一選擇所帶來的經濟效益很明顯,然而卻受限於所耗的成本。而在價值戰略下,企業可通過重新分配工人的角色以及擴充其角色的功能來創造更大價值;或通過部署認知系統,在替代人工工作的同時提高工作效率或質量。

切分/自動化的方法。通過自動化降低人工成本是成本戰略的一個例子。但正如我們所見,自動化使擁有創造力的人或技藝精湛的工匠感到黔驢技窮和被邊緣化。而價值戰略可用這種方法來創造新的低成本產品以服務於新細分市場的需求。比方說,翻譯服務供應商可以提供一系列根據自動化使用程度不同而質量、價格不同的服務,並僱傭經驗不足的翻譯人員進行後期編輯。

減輕的方法。一個能通過減少人數來提高效率的成本策略。舉一個例子,呼叫中心通過將第一層顧客支持自動化來減少需要聘用的員工。在另一方面,這是一個價值策略,能讓員工更專注於更高價值的任務。比如說,當一個新的自動化功能計劃系統讓香港地鐵系統專家級工程師每周工作量減少兩天後,他們能把時間花在需要人類互動和協商這一類更難的問題上。

授權的方法。認知系統能讓技術級別比較低的員工勝任先前由高技術級別員工完成的任務。這是一個成本策略的例子。價值策略則會採用一個不光向低技術級別員工授權,還會對其進行培訓來使其獲得技能的系統。也許同時還會設計成能改善高技術級別員工表現的系統。

需要注意的是,認知自動化,即使用於旨在授權員工的系統中,也會遇到抵制。英特爾公司就發生過這樣的事,他們曾試着像我們前文中提到的那樣,通過開發一套認知系統來提高銷售產量。這套系統使用了機器學習來對顧客進行分類並且指導銷售員工對不同顧客銷售哪種產品。

銷售團隊的部分員工起初拒絕使用機器學習系統所提供的建議,也許是因為他們不服氣自己的銷售技能被排在了機器認知的後面。但是,當一些銷售員工最先適應了這個系統並且見證他們的銷售量得到顯著提高後,組內餘下的銷售人員也趕緊也用上了這個系統。如果一個銷售人員工作的精髓在於創建及維護與客戶的關係,通過一些自動化協助來將顧客的來電排序及推薦產品也許就是對科技使用的一種授權。

四種自動化的選擇如何在兩種不同的策略下運作的例子請參見圖5。


圖5

某些技能會變得更有價值

當公司運用認知科技時,他們必須考慮更多問題,不僅僅是把什麼自動化,要達到何等自動化程度及使用成本策略或是價值策略。

他們必須重新審視在其工作場景中需要用到哪種技能。隨着越來越多的常規任務被認知和其他技術取代時,完成這些工作的技能會越來越缺乏價值。然而,需要常識、一般智力、應變力和創造力這類技能以及那些需要人與人之間互動的,比如說情商和同理心的技能會變得相對更有價值。經濟學家David Autor說這是因為「不能被計算機替代的任務通常由計算機補足。」科技提高了生產力,增加了收入,同時對有技能的勞動力需求更大。比如說,懂得如何使用電子制表軟件(譯者註:excel、numbers等)的員工很有可能比只會使用鉛筆和紙的員工收入高。會使用電動工具和複雜機器的建築工人會比不會這些的單純人力勞動者收入更高。

上文提到的經濟學家Autor鑑定了幾種計算機暫時無法取代的任務所擁有的技能。比如說解決問題的能力、直覺、創造力、說服力——這些是完成所謂「抽象」任務所需要的;還有對場景的適應力、視覺和語言認知力、及人與人之間的互動,即「純人力任務」所需要的。

雖然要找到一些被成功自動化的這類任務的例子並不難。思考以下這個例子:谷歌地圖解決了導航問題,IBM的Watson電腦編寫了新菜譜,Amazon網站上的「猜你會買」;還有零售商Lowe’s的機械人店員。像這樣狹義的自動化比廣義的(範圍較大的)自動化容易實現得多。儘管自動導航和編排、同步日程都已經實現,解決問題的自動化卻依舊任重道遠。相比使用認知技術的狹義自動化任務,諸如批判性思維、通用問題解決能力、對不明確事物的容忍度、駕駛以及智謀等能擴大範圍並且實現廣義任務的必須技能和品質,都會變得更有價值。

變通力、創造力、批判性思維和情商

產品設計、服務、娛樂、或者構建使人高興的環境這些工作都不會在短期內被計算機取代。因此完成這類任務需要的技能,很有可能會相對更有價值。現在有能使這些創新變得更可靠的工具,比如說管理學說中的最佳實踐,市場調研,A/B測試等。但是,創造某種新奇的、美麗或者讓人感到愉快事物的中心任務需要的不只是技術上遵循產品設計或者電腦製作具體原則的技能,還需要同理心、對偶然性的開放心態等人性特有的技能。擁有這些技能並用來了解人類顧客和讓顧客感覺愉快的公司都能獨樹一幟且持續發展。

另一個依舊會由人完成的工作是提供高客戶服務體驗的質量。儘管認知技術可以實現更加高質量和個性化的自動化服務,但是,目前為止它還無法取代由有高情商、精神飽滿和高度同理心的訓練有素、裝備精良的人提供的高質量體驗。那些想要面對挑剔客戶、發展並維持高價值的客戶關係的行當則繼續依賴於人際接觸來完成關係管理和服務。

創造性技能將會變得越來越有價值。如上所述,我們見證了一些能稱得上創造性的計算機行為的演示,比如IBM的Watson會推薦新奇的食材組合。但機器的創造性需要人類作為指導。即便是Watson 也需要人類廚師來決定如何準備它挑選的食材。認知技術將會作為人類的創造性補充,而非取代。

隨着認知技術能逐漸模擬其他技能,批判性思維技能相對而言也可能變得更有價值。相比於提問,計算機更擅長回答。但洞察力始於提出一些重要的新問題。質疑機器的行動和決策對用它們來解放我們而非約束我們是至關重要的。

認知技術時代的領導力和戰略人力資源規劃

在工作場所引入技術總會對工人和企業產生一些影響。認知技術將信息技術的魔力拓展到新工作中,從而以新的方式影響工作和工人。這提出了一些挑戰,需要跨學科的解決方案。但對數十個首席人力資源官的調查顯示,現有公司鮮有對策來應對這些挑戰。

商業、人才和技術領袖應共同努力,分析認知技術帶來的挑戰和機遇,提出前進的道路。有效的方法應當包括如下因素:

  • 預測。技術領袖對現有的認知技術進行評估,並且以發展的眼光預測未來五到十年的發展。

  • 分析影響。商業和人才領袖分析競爭對手和其他領域的龍頭企業對認知技術的採用情況,並分析其對工種設計和勞動力需求的影響。

  • 制定備選方案。業務和技術團隊聯合起來發展出一些備選方案,將這些技術應用於現在和將來的業務活動中,從而創造商業價值,包括運營價值和戰略價值。

  • 情境構建。基於上述應用,人才領袖利用這裏提到的人才技術模型來設計一些情境,重新設計工作內容,重構勞動力。除了其他因素以外,情境要考慮,提高生產率量如何削減對某些特定勞動力的需求,如何使得一些技能變得相對而言更為重要,而其他技能變得不那麼重要。

  • 試點。在一個或多個領域發展應用這些認知應用,人才領袖則研究研究人力資本的影響、機遇和挑戰。

  • 培養技能。人才領袖應當招聘並培養那些會變得更為重要的人才和技能,包括創造性、靈活性、同理心和批判性思維。

隨着認知技術不斷發展並不斷演化出新應用,它們往往被用來配合工作,幫助工人提高生產效率並得到更好的結果。領袖們應當想辦法讓人類參與其中,而不是想當然地認為最好的認知技術應用是完全消除人類勞動力。他們也應當發掘一些能彌補技能短缺的認知技術能。如前所述,他們需要考慮成本和價值策略。

戰略性人力資源規劃需要跳出以人才為核心的路子,必須考慮人才、技術、工作及企業設計的交互影響。傳統的人力資源模型為信息技術適用的工種界定了邊界。隨着認知技術的強力發展,企業必須在人力資源規劃和工作設計中發揮更多的創造性。最大的挑戰可能在於如何對認知技術和工作的整合有更好的理解。

沒有正確答案

本文來源:http://mp.weixin.qq.com/s?src=11×tamp=1531112102&ver=987&signature=cjCRpODWoTLH2qc1Ym*oQjj*3AmNPuMdKlq47w5oKTOgidjt1p2q2pj47GA2k0kBplpay9t7ioNpYVRXH4KDbHBPxuzm0cFo8BRvJuAnNdbH*karyZBb39YNnQ1zk1uE&new=1


Tag:
本文鏈接:http://www.cateringhk.com/163101.html