人类和机器结合后产生的负面效应-英国劳埃德保险公司
<?xml version="1.0" encoding="utf-8" standalone="no"?>
/*<![CDATA[*/ p.sgc-2 {margin-top:3em} p.sgc-1 {margin-top:2em} /*]]>
*/
03恐惧机器,不如让智能为己所用
1608年,德国眼镜商汉斯·李波尔(Hans Lippershey)在荷兰的米德尔堡镇开办了他的生意。据说,他是因为当时瞥见两个小孩正在玩他研磨好的镜片时,才想到了这个绝世好点子。孩子们说,把一片镜片放在另一片的后面,然后透过店铺的窗户向外看,就能清楚地看到距离很远的建筑物上的风向标。之后,李波尔提交了第一架望远镜的专利申请,不久以后,这项新发明给人们带来了一些明显的变化。人类的感知能力和理解力都被强化了。几年之后,伽利略把这种新设备指向了天空,第一次看见了月亮上的环形陨石坑和山脉。
2012年,我们听到了来自那个时代的遥远回响。为了能够测绘宇宙中的暗物质,弗朗西斯科·西萨拉(Francisco Kitaura)和他的团队在位于德国波茨坦(Potsdam)的莱布尼茨天体物理学研究所(Leibniz Institute for Astrophysics)开发出了一种名为KIGEN的全新算法,这种算法的基础就是当下的人工智能。暗物质大约占宇宙物质总量的23%,而普通物质(由可见恒星、行星、尘埃、气体组成)却只有5%,但是这两者的占比都远远小于纯粹的暗能量,它占据了宇宙物质总量的72%!我们需要了解宇宙大爆炸后暗物质的分布状况,因为该信息可以在很大程度上帮助我们获取有关宇宙动力的深层知识,但这是个极其庞大的计算工作。西萨拉在总结新算法的贡献时说道:“在人工智能的帮助下,我们现在能够以史无前例的精确度为我们周围的宇宙建模,并且研究宇宙中最大结构的形成过程。”
这是一种非常智能的机器,我们喜欢的正是这种智能机器,因为它所做的只是单纯的强化。KIGEN代码在研究所投入使用的那天,没有任何一位天体物理学家因此失去工作。事实上,贝叶斯网络机器学习算法能够帮助人们在工作中更快地取得进展,而且毫不夸张地说,这种强化是没有尽头的。
寻找癌症治疗方法的故事与之类似。位于马萨诸塞州弗雷明汉的一家叫作Berg的公司,正在用自己的研发方法对抗药物通常的发现流程。他们的方法是,让公司内那些受过高等教育的药理学家和肿瘤学研究者跳过药物研究的第一步,也就是提出关于能够有效治疗的药物的假说。他们的做法是,通过Berg强大的计算机来分析医疗合作伙伴,比如波士顿贝斯以色列女执事医疗中心所提供的真实肿瘤组织样本和健康历史记录,在其中寻找值得继续研究的方向。Berg的主席兼CTO尼文·纳拉因(Niven Narain)把这个过程称为“疑问生物学”(interrogative biology),没用多久,该系统就产生了一种候选疗法。整个过程只用了不到研发新药通常时长一半的时间,这种前景无限、名为“BPM 31510”的新疗法已经通过了Ib和IIb阶段的临床试验。
决定跟进哪些潜在的药物前导物,听起来像是为受过良好教育的科学家准备的工作,如果机器可以做得更好的话,他们工作的很大一部分似乎就会被拿走。但是纳拉因指出,被剥离的那些所谓最重要的工作其实仅仅是博士生们的一些思考性工作,而且还是在死胡同徘徊时的思考。从人工智能发现目标到这个目标成为一个真正有前景的可能性这整个过程来看,科学家们在研究数据所揭示现象的背后原因时,仍然有很多工作需要完成。“等完成了平台的虚拟输出后,我们就要回到高度协作化和功能化的验证阶段,从而确保我们研究的是细胞生物学的问题,”纳拉因这样告诉一位来自《生物IT世界》(Bio-IT World)的记者,“行动的机制是什么?我们能看出这个靶点在我们研究的疾病中是否有效?”人类利用它的才智最好的地方就是“湿实验室”临床前研究。在这种研究中,一种化合物会被应用在“活着”的疾病上,这时它就能在考虑毒性和剂量耐受度的前提下,找到治疗病人的合适配方。
在上述两个领域中,智能机器都欣欣向荣地发展着,并没有威胁到就业,因为这两者的目标都过于远大,以至于在没有自动化的情况下,按照现在的劳动力供给根本无法满足该任务的需求。弗雷明汉,甚至整个世界都没有足够的药理学家能够仔细阅读Berg的人工智能系统在分析组织样本时所处理过的那上百亿个数据点;全世界的大学培养出的所有天文学家都无法测绘出隐藏在宇宙5.4万个星系中的暗物质。
我们猜测,没有新卢德派会冲出来毁坏任何一台这样的机器。问题在于:为什么不是每一台智能机器都这么有帮助呢?人类和机器之间的结合到底有什么不同?如果能找到这个问题的答案,或许我们就可以驱散人们对于知识工作自动化越发加剧的恐惧,我们甚至可以在一个充满机器的世界中为人类找到一条通往更多、更好工作的道路。
答案是智能增强
在上一章中,我们让你获得了崭新的认识,出现在后视镜中抢夺你工作的机器,比你想象的要更接近。如果说上一章的目的是为了让你心神不宁,那么本书剩下的内容就是为了给你希望。智能机器的新浪潮会带来真实的负面效应,但不断进步的科技也具有正面的潜力,那就是智能增强(augmentation):人类和计算机结合彼此的优势,就会实现单独任何一方都不可能达到更好的结果。
很多数字智能应用都不如我们上面所列举的那些令人欢欣,原因很简单,因为它们只是自动化:利用机器完成人类能够完成的工作,以此来达到不让人类参与工作的目的。自动化和强化可能听起来像是一体两面,而且在某些案例中也确实如此,但有一点是肯定的:工作者喜欢智能增强,讨厌自动化。所以我们有理由假设这两者之间的区别不仅仅只是在修辞上。
看到了那么多自动化让人们产生恐惧和仇恨的例子之后,我们终于可以给出一个足够简洁的结论:人们仇恨自动化的原因在于,自动化需要有人站在管理位置上找出员工的短处或能力局限,或者仅仅只是相对于机器才会有的弱点,然后因此惩罚员工。通常,这些惩罚都是减少职工总数或者减薪。
确实,惩罚的范围可能会波及当事员工以外的人,比如他们的同事,甚至企业的客户。例如,很多杂货店对曾经由收银员完成的工作进行了自动化。工作者的弱点就是她的成本,自动化惩罚她的方式就是取消她的职位,用自动结款通道来替代她。但是顾客也需要忍受这种变化带来的冲击,因为现在他必须在交易中做比过去要多的事情。我们两人在杂货店的收款排队处待了一会儿,发现所有顾客扫描购物车中商品的速度都不及我们曾经认识的一位收银员。所以,我们没有看到有人在两种收银口都不必排队的情况下选择自助结款。同样的惩罚也折磨着办公室中的工作者,曾经的行政助理的任务被自动化之后,他们就被清走了。但总是会有一些残余工作无法被自动化,现在,这部分工作全部成了他们曾经辅助过的高管们自己的了。没人喜欢这种改进后的局面。
相比之下,智能增强策略找到并弥补了也可以说是改善了人类的弱点或限制,而且不会对工作者造成伤害。在第一轮自动化过程中,最主要的一项就是杂货店收银自动化,也就是扫描技术的应用,这项技术是在20世纪80年代被引入的,这种变革对店员的帮助不小。它弥补了人类售货员不完整的商品价格记忆以及他们有时有些笨拙的手指,使他们变得更有效率。如果你是一个干劲十足的知识工作者,想努力做到最好,那么智能增强策略就会帮助到你。除了能够弥补你的缺陷,智能增强策略甚至还能找到你的相对优势,并将其放大,或者直接帮你主动发挥这种优势。
卡米尔·尼西塔(Camille Nicita)是Gongos公司的CEO。Gongos是一家位于大底特律都市区的公司,致力于帮助通用汽车和锐步这类客户,更好地了解消费者的愿望和行为。有些人会认为这一系列的工作也受到了威胁,因为大数据会揭示关于消费者购买活动的一切信息。尼西塔承认,基于大型数据集研发出的复杂决策分析法可以找到一些她的同事无法发现的崭新的重要观点。但是她说,她们也因此获得了一个机会,那将研究进行得更加深入,进而能够向客户提供“背景、人性化服务以及大数据背后的原因”。她的公司也因此将会在更大程度上“超越分析本身,并且通过合成和叙述的力量,转化出能够影响商业决策的数据”。
这听起来很像经济学家弗兰克·利维和理查德·默南所说的人类的优势之一:复杂交流。也很像一种人类和机器之间的理想合作关系,在这种关系下,每一方带来的价值都会被另一方放大。换句话说,这听起来就是智能增强。
尼西塔认为,人类利用智能机器的最佳方式,而且这也正是智能增强策略的核心理念,不是让人类彻底出局,更不是让人们听命于机器人,而是通过使用智能机器让人们可以从事比他们所放弃的要更加优越的工作,即更具有满足感、更适合他们的优势,同时能够创造更多价值。
所以,技术可能是相同的,不存在自动化工具和智能增强工具这种不同类别,但应用技术的目的却是截然不同的。自动化的意义就是要降低人类当前所从事工作的工作量。一旦某种原本由人类完成的任务可以被代码化了,自动化就会利用计算机,逐步地除去这个工作任务。它们这么做的目的仅仅是为了节省成本,而且这种做法还会限制管理者,让他们只会用今天已经完成的工作量来思考问题。
智能增强的意义在于,从今天人脑和机器能够独立完成的任务出发,在两者的合作中找出能让工作更加深入的方法,而不是想方设法地消灭人的工作。尽管人类作为工作者来说成本高昂又很难伺候,但机器的目的从来都不是夺走他们的工作,而是让他们能够从事更有价值的工作。
头脑的车轮
机器作为一种工具,它被设计和制造的目的应该是让人类更具有能力,而不是让人类变得更多余。我们并不是第一个有这种想法的人。比如,当乔布斯还是一个年轻人时,他从对身边的观察说起,并分享了自己的哲学:“我们是工具的制造者,这才是真正把我们和高级灵长类动物区分开来的事实。”正是这种思想主导了他在苹果所完成的工作。乔布斯曾经看过一个对比各物种在移动时的能量使用率的研究,研究显示,秃鹫飞行一公里的距离所消耗的能量最少。人类大约处在正向总排名1/3的位置,人类在这方面并没有什么特别之处,不过乔布斯说:
假设一个在《科学美国人》工作的人忽然想到要去测量人类骑自行车时的移动能效,那么那个骑自行车的人在能量使用率上就能把秃鹫甩在后面,效率远远超出排名中的最好成绩。对于我来说,计算机就是这样的工具。这是人类有史以来创造的最卓越的工具。计算机对于我们的头脑来说相当于自行车。
在这方面,乔布斯似乎确实被已故的道格拉斯·恩格尔巴特(Douglas Engelbart)所启发,而恩格尔巴特的启发者是麻省理工学院的计算机预言家万尼瓦尔·布什(Vannevar Bush)。恩格尔巴特是点击式计算机用户界以及与之相匹配的鼠标的发明者。他可能就是第一个拥抱“智能增强”这个术语的人,在他看来,智能增强需要的是一种机械组成,从而让机器实现思考和分享观点的能力。1962年,他发表了一篇广为流传的论文:《增强人类智能》(Augmenting Human Intellect)。他甚至还成立了一个“智能增强研究中心”,该中心在1969年建立了历史上第一个互联网连接终端(加州大学是另一个终端)。乔布斯不仅借鉴了恩格尔巴特的界面主张,还继承了他创造“头脑的车轮”(wheels for the mind)的渴望。
继续向前追溯,诺伯特·维纳是万尼瓦尔·布什的同事,他也是我们之前提到过《人有人的用处》一书的作者。维纳早在1950年就表达过这样的观点,他希望机器可以把人类从重复性的工业苦工中解放出来,这样人们就可以专注于更具创造力的追求了。计算机或者他所说的“计算机器”在当时刚刚证明了自己在快速准确地完成数学方程上的价值,但我们很容易就能推测出,假以时日,计算机将会在其他方面超越人类智能。当时甚至有一位麻省理工学院的教授指出,“computer”一词指的就是被雇来从事计算工作的人。维纳有一句话看起来特别有先见之明:“机器对体力劳动和白领劳动一视同仁。”
我们既想继承人类在历史上对于“智能增强”这个词的丰富思考,也想再对这个词进行进一步精炼。首先,当我们讨论“智能增强”时,我们所说的是人和机器之间互相赋予能力的关系(详见后文)。其次,只有当人类工作者在机器的帮助下创造了更多价值并且个人获得了更大的收益时,“智能增强”才会存在。世界四大会计事务所之一的德勤(Deloitte)曾经把智能机器本身和它向外提供的强化称为“增智”(amplified intelligence)。这个术语表达了相同的精神,但是并没有和“自动化”形成如此直接明了的对比。
我们喜欢“智能增强”这一概念的原因也在于,它超越了经济学家最喜欢的词:“互补性”。在经济学家口中,科技要么有能力取代人类劳动力,要么能够和人类劳动力进行互补,因为人类不想让自己变得多余,所以他们手中的选项只有互补性这一项。在这种理念下,人类继续从事着自己所擅长的工作,同时计算机用自己所擅长的方式参与协作,这样人和机器就可以组合起来一起创造价值。就目前来说,互补性还是不错的:人们可以保留(至少一部分)工作,同时也更加享受工作,因为他们的技能和知识被科技更有效地支持和提升了,但我们认为这种关系应该更进一步。这种组合的效应是否可以让人类在自己擅长的领域拥有更强的能力,同时也让机器在自己擅长的领域更上一层楼?这就是智能增强。不仅仅只是劳动力层面上的分工,智能增强还会创造出新的价值增长。
智能机器不是工作的终结者
在知识工作领域,智能机器通过4种形态实现了智能增强,而且我们还可以继续把它们进一步分为两类。我们把前两种称为超能力,把后两种称为杠杆作用。
正如目前很多信息系统能做的那样,当机器大幅度地强化了你的信息检索能力时,我们就将这个过程称为“获得超能力”。确实,在《终结者》系列电影中,天网为自己的“生控体系统”(cybernetic organisms)设计了一系列超能力,而其中最为影迷所觊觎的就是它在遇到人类时立即弹出的生物信息检索能力。这种能力激发了很多产品,比如,根据谷歌眼镜技术负责人萨德·斯塔纳(Thad Starner)所说,这就是谷歌眼镜的灵感来源。虽然我们不得不对这个产品说“后会有期”,但是谷歌向我们保证“它还会回来”。
当达文波特在10年前写作一本关于知识工作者的书时,书中就已经出现了一些例子能够证明信息检索对于知识工作者的重要性了。他在这些例子的细节方面着墨很多,比如,“计算机辅助医嘱录入”系统就是他在这类系统中聚焦的一个例子,该系统来自位于波士顿的一个保健网络联盟医疗体系(Partners HealthCare)。当医生为患者输入医嘱时,比如用药、各种检查、转诊等,系统就会检查这份医嘱是否符合它所认同的最佳医疗方案。如果不符合,它就会询问医生是否改变医嘱,当然,最终决定权属于医生。当这个系统被安装到联盟的两家重要医院后,该系统降低了55%的严重药物治疗差错。
现在,很多医院都在使用这类系统,而且这些系统也会越来越多地跟踪医疗成本以及患者健康行为。可能到了某个阶段之后,它们也会协助医生进行诊断,不过这个能力的实现更困难也更具挑战性。在任何情况下,这都是一种直接而且成功的“超能力”式智能增强,而且从来没有任何人类临床医生因为这样的系统而失业。
我们假设这些智能机器将会继续发展,进而具备了能够完成某种情境下的核心决策的能力,而且这种决策更加全面,生成结果的速度也更快。这也是一种能够强化人类的超能力,也就是第二种超能力。对于人类来说,充满挑战性的决策数不胜数,但这些决策本身可能并不存在任何争议。比如,你希望你的恒温器每次检测到热度下降时都通知你,让你决定是否重新点燃炉子。工作中存在很多等效做法,但具体怎么做却不受流程控制的约束。同时,工作当中还会有很多人类特有的问题。如果让那些能够消化、思考,并且能行动的智能机器把日常工作在几毫秒内完成的话,你就会有足够的时间来处理其他棘手问题,以此来构建足够的优势。这就是为什么美国国防部希望新一代战斗机都装配上人工智能。他们想让飞行员专注于那些需要人类来裁定的任务,而无须在驾驶飞机这样的非重要任务上浪费了注意力,进而让飞行员在战斗中拥有认知优势。
智能增强和受机器支配之间的界限一直都在变化,虽然并不总是合乎逻辑,但总有一定的道理。20世纪60年代末、70年代初的“阿波罗”登月计划给我们提供了一个很好的例子。工程师们想要计算机来驾驶火箭和太空舱,而宇航员则想要他们自己来控制,双方之间的斗争僵持不下。后来宇航员愿意退后一步,承认他们需要阿波罗制导计算机(Apollo Guidance Computer)来领航。就像宇航员大卫·斯考特(David Scott)随后说:“假设你有一个篮球和一个棒球,它们相距14英尺(约为4.23米),棒球代表月亮,篮球代表地球,然后你拿起一张纸,这张纸的边缘厚度就是你返航时必须踏上的那条路的宽度。”但是他们想在月球表面自己完成降落载具的工作。为什么?也许只是为了荣誉,因为对于这些训练有素的宇航员来说,降落永远都是飞行中最难的部分。而工程师们却坚称让人类掌握控制是没有必要的,而且飞行计算机(虽然用今天的标准来看是有些原始)能降落得和人类一样好。最终,宇航员胜利了。
根据阿波罗历史学家大卫·明德尔(David Mindel)的说法,在所有的6次降落中,宇航员都从计算机那里拿回了控制权,并最终降落了登月舱。他们不想被试飞员查克·耶格尔(Chuck Yeager)的名言说中:“罐头中的火腿。”
如果前两种智能增强是要给你“你希望得到的”,那么后两种就是要“拿走你不想要的”,即杠杆作用。
你工作的很大一部分可能都涉及你很早以前就已经学会了的日常任务,而你特别希望能够卸下这些任务,然后接受更加高阶的工作。最重要的是,你很可能被希望能够抛弃那些非核心的工作,比如填写花费报告,因为这些工作甚至都不包含任何可以创造价值的成分,而创造价值才是你被雇用的原因。
这种类型的智能增强其实是一种自我管理形式,具体的例子就是,我们和其他上百万人都使用TurboTax这样的税务软件来填报纳税申报表。我们提供自己的税务情况以及相关数据的来源,而TurboTax则会提供规则和进行计算,并在整个过程中找出相关的报税文件、评估我们的错误响应机制,告诉我们可能会被税务部门审计的可能性。我们自己也完成了一些工作,比如,我们会决定支出多少钱用于慈善捐款,而TurboTax则会忠心耿耿地把这份捐款从税表中去掉;如果你在国外有一些可免税支出,只要你要求,TurboTax还会准备好国外的税收抵免表格。与此同时,我们也会欣慰地看到计算机程序在一定程度上所具备的智能,这样我们就不用自己完成太多工作了。
与此相似的是,在法律公司内部,很多由律师完成的任务,比如确定一个案件涉及哪些领域的法律、激励委托人,以及跟踪世界各地发生的能够引起新法律问题的事件的进展,需要律师具有判断力、同情心以及创造力。但这份工作的其他方面,比如发现文件、提取合同规定以及生成标准的遗嘱和信托基金,却变得越来越代码化,而且执行起来也索然无味。很快这些任务就会被移交给智能机器,而且这也不会让人感到有多么出乎意料。美国仍然有130万名律师,而且这个数字每年都在增长,所以我们目前还不需要启动什么“拯救律师”的行动。无疑,大部分律师在逃离当苦工的过程中都觉得自己总体上是被拯救了。
最后一种形式的智能增强也是一种杠杆作用。在这种形式中,智能机器能够帮助你成为更好的自己。想一想现在出现的一种新设备,这种设备最近在消费者市场上爆红,它能让你设立个人目标,并且捕捉你在实现目标过程中的完成进度。作为所谓的“量化生活”运动的一部分,这些设备建立了反馈环,为的就是让你知道你在向梦寐以求的目标努力时进展如何。这些目标通常是非工作性质的:无论你进行的治疗是为了马拉松而训练,还是为了保持头脑敏锐,或者是为了从挫折中恢复。
从某种角度上说,这类杠杆作用运作的方式并不是建立支持,而是抵制你作为人类所具有的一些不良倾向,比如缺乏意志力或自制力。我们认为,工作场所的科技会越来越多地承担起这种角色,其目的就是帮助野心勃勃的工作者实现自己的个人目标。
到这里,我们可以重申一下:对科技的选择并不能让人类和机器之间的关系变成智能增强,从而避免变成自动化。甚至连最为自主的智能机器也能在某种程度上实现和人类的智能增强。在所有这四种类别中,很容易就能找到我们想要选择的,而且我们也能轻易看出,同样还是这些技术,它们也能作为监督和限制的工具,而不是去实现超能力和杠杆作用。意图就是一切。当我们的目的是要增强人类的能力时,任何种类的数字智能都能派上用场。
和机器一起合作开展工作,可以让你依然是你,而且还是更好的你。智能机器不会让你丢掉工作,它会把工作变得更好。
消失的3小时工作制
如果在半世纪前阅读这本书,你可能会感到非常惊奇,因为我们说智能增强策略能够帮你保住工作,而非夺去工作。1928年,经济学家约翰·凯恩斯(John M.Keynes)写了一篇名为《我们后代的经济前景》(Economic Prospects for Our Grandchildren)的文章,他认为数十年的生产力和科技进步会留给子孙后代一个新问题:如何利用他们大量的业余时间。他写道:
从一开始,人类就需要去面对一个和自身切实相关的永恒问题:如何从紧迫的经济忧虑中解放出来,如何安排本应由科学和复利占据的空闲时间。
凯恩斯预计,到了现在,我们每个人每周只需要工作15小时。很明显,这个预测并没有实现。但智能机器的崛起却重新提出:我们可能即将拥抱大幅度增加的空闲时间。如果这些机器可以把很多我们今天需要在工作中完成的任务自动化,我们就会有更多的可支配时间吗?
我们的答案是“可能不会”,理由有很多。有些经济学家认为,我们已经在增长的消费能力中享受到了增长的生产力所带来的好处,我们工作得更多,就是为了买得更多。社会学家认为,忙碌的生活方式已经赢得了自己的地位,其本身就是一种目的。心理学家认为,工作固有的满足感比我们想象的要多。
我们认为,智能机器没有可能也不会造成劳动力需求急剧减少的原因在于,人们在使用智能机器时至少有时是带有智能增强心态的。个人工作者以及雇用个人工作者的组织机构把智能机器看作强化工作的工具,而非把工作自动化的工具。智能机器一直以来都没有、未来也不会帮助我们取缔工作,而是帮我们扩张工作。
以一张简单的电子表格为例。电子表格让财务预算、计划以及报告生成都变得更快而且更富有成效。如果组织机构选择了实现工作自动化这条路,那么现在那些人们需要使用电子表格来完成的工作,在电子表格被发明出来之后,会被这些机构用更少的人力、更低的成本来完成,但工作总量却完全相同。
但大部分组织机构和个人貌似把电子表格看作是一种能够完成更多分析的工具,几乎没有一个财务分析师被电子表格所取代,而且我们还完成了数量多得多的分析。电子表格和其他生产力技术不仅没有降低工作中某种员工的固定比例,而且还扩展了工作的内容。
随着更新、更智能的系统的出现,我们可以想象它们会消除或在很大程度上减少工作中人类的出镜率,可能最终会把我们带入3小时工作制的时代,但我们相信它们会(也应该会)跟随电子表格所指明的道路。与其替代知识工作者,智能系统更应该让人有更多思考空间。有些决定和行为可能是自动化系统做出的,但是这应该成为解放知识工作者去完成更大、更重要的任务的机会。
当然,像今天的知识工作者(尤其在美国)这样忙碌的工作会带来一些问题,但或许工作不足或完全不工作也会带来更大的问题。为了不受限制地思考工作,我们需要付出的代价就是,永远都没有时间来真正完成工作。
按0键或者呼叫“人工服务”
在一篇研究计算机对劳动力造成的影响的论文中,麻省理工学院的经济学家大卫·奥特尔(David Autor)提出,今天几乎所有的苦活、累活完全都受到了智能机器的影响:
一项任务无法被计算机化并不意味着计算机化没有影响到这项任务。恰恰相反,计算机化补充了那些无法被计算机取代的任务。虽然这个观点被很多人忽视了,但它却是最为根本的事实。
奥特尔所指的就是智能增强的概念,我们对这个观点的补充是,智能增强可以具有双重效应。人类会增强计算机和机器人的工作,就像是计算机和机器人会增强人类的工作一样。有时大部分智力贡献来自机器,而有时则来自人类;两者之间的决策分工都不会是正正好好的50:50,这个比例也不会一成不变。
所以我们现在就把刚才关于智能增强的讨论翻转到另一面。如果你是一台机器,你愿意承认自己有哪些不足,并且希望人类对此做出弥补?通过和人类紧密地合作,我们可以想到好几种方式让机器超越自身严重的局限性。至少,在这些关键能力上,它们需要人类来填补。
1.从开始设计和创造机器的思考。
总体上来说,是人类设计和编写了计算机程序、分析型算法以及其他类似的东西,也就是自动化决策系统的结构模块。虽然目前在机器学习、自动化编程以及类似技术领域有了很大进步,但这些技术现在以及在可预见的将来,如果没有大量人类劳动力的工作以及相应的指导,还很难创造出能够设计和创造机器的系统。自动化工具将会继续帮助人类在这个岗位上完成更加富有成效的工作,而我们则会继续驱动和监督整个创造过程。
2.提供“全局”视角。
人类善于采用全局视角,其中涉及的技能包括检查特定解决方案是否符合整体需求、了解世界已经经历的重大变革,以及对比解决同一问题的多种不同方法。我们知道何时、何地去寻找信息的新来源,知道某件事是否“有道理”,知道一个系统的边界条件什么时候会发生改变。因为这类思考并不是结构化的,所以计算机对此并不在行。
3.整合并合成来自多个系统和结果的信息。
人类知道,可能任何一个单一系统或决策方式都无法得出那个唯一可能的答案。我们很擅长在几个来源中评估哪一个最有可能是正确的,或者至少能够在多个答案之间做调研。自由式国际象棋手的每步棋都要在几种不同的方案中选择;分析专家会尝试各种不同模型,然后采取解释力和合理性最佳的组合。一些IBM沃森的使用者为了知道沃森的替代系统是否能够更好地完成特定认知任务,他们决定自己开发这样的替代系统来做对比或参照。有一些机器被设计的目的就是去尝试多种方式然后再找出最佳方案,在机器学习中经常被称为集成方法,但人类才是这方面的专家。
4.监控机器的工作成果。
分析模型和认知系统是为特定背景设计的。当背景发生变化时,这些模型和系统就不那么起作用了。在大多数情况下,系统不知道自己已经运转不畅了,哪怕它们知道,也不会主动退出工作。找出无法产出高质量答案的系统并对其进行更新或替换,是人类的责任。如果它们在很长一段时间内运转正常,那么我们可能会犹豫是否要解雇它们,但是我们有必要注意机器的使用期限。
5.了解机器的弱点和优势。
所有智能系统,就像人类一样,都有弱点。它们的算法基础可能是低质量的数据,或者它们在决策过程中可能存在缺陷。例如,一家保险公司的自动化商业承保系统可能在处理花商的风险时做得不错,但在评估美容院的风险时却频频犯错。在这种情况下,需要由保险签署人来发现,系统可能推荐了一份收费不准的保险单。
6.诱导出系统需要的信息。
通常情况下,自动化决策系统要想获得它们在工作中所需要的信息并非易事。例如,在自动化财务规划中,为一个富人找到理想的股票和证券组合是比较简单的,但是如果想要明确一个家庭的退休目标或者预期,就需要输入他们现在的消费水平、风险承受能力,很有可能还包括退休日期这样的信息。客户可以自己录入一部分信息,但是要想得到全部这些数据,通常来说并不容易。一个人类财务规划师可以通过帮助和鼓励客户,最终诱导他们说出这些原本很难获得的信息。人类在其他很多背景中也能胜任这样的角色。
7.鼓励人类依照自动化的建议采取行动。
计算机可以做出非常棒的决策,但这些决策经常需要人来执行。同样,在上面提到的财务规划情境中,一台计算机可能会建议需要更多储蓄才能达到预想的退休目标,但这可能需要一个具有说服力的人才能说服客户实现更多储蓄。一台计算机可以得出医学诊断和治疗方案,但是要想建立起患者的服从性,需要的可能是那些能够理解该方案,并且可以把方案按需解释给患者并激励患者养成新健康习惯的医生和护士。
无疑,对于人类强化计算机来说还有其他方法。有些强化机会将从特定的应用领域诞生。在前面我们曾提到过一套拒绝了美联储前主席本·伯南克再融资要求的自动化贷款签署系统。在银行业、保险业以及其他涉及大量看似常规的决策的产业中,经常会出现像伯南克这样不属于正常类别和规则之内的人。
如果你想要你的银行有机会为像伯南克这样的理想顾客提供服务,就需要能够快速且轻松地处理异常,这就意味着必须有人时刻准备着去响应他们的需求。更成问题的是,我们知道健康保险公司曾经拒绝把可能挽救生命的治疗划入保险范围。机器肯定有希望有效地帮助人们针对这些问题做出决策,但同样肯定的是,很多关乎人命的决策不能交由机器来完成。我们在这里给出的总体观点就是,当出现了相对于规则和结构化逻辑而言重要的例外情况时,机器就需要被人类强化。
因此,我们认为,如果你的目标是能够向客户成规模地提供真正特殊的或差异化的产品和服务,那么唯一的办法就是采用智能增强策略。我们都很熟悉完全自动化的客户服务,而且我们中的大部分人为了能找到人类客服来解决问题,已经建立了一套方法,比如客服电话中的“人工服务请按0”。客户服务中心信息选项的菜单总是没完没了。如果你想保证自己的服务质量,或者你想要自己的产品和竞争对手形成差异,那么让计算机来完成大部分的流程,可能并不会得出让你满意的结果。当我们谈到市场上那些声誉很好的公司时,很少会谈及它们的自动化。恰恰相反,我们谈到的是该公司首席设计师的创造力,或者客户服务人员的人情味。我们人类很擅长发现由机器产生的所谓的个性化或者其他任何种类的标准化沟通。虽然机器可能会变得更聪明,但人类检测机器的能力也会随之提高。
我们提到的专职强化机器的角色可能只是人类工作者的临时机会窗口,但这些机会可能已经足以为人类提供一份工作,甚至是一项事业了。在几乎所有我们所描述的智能增强策略中,人们都需要学习并掌握一些全新的、与以往完全不同的工作方式。如果你是一位希望在智能机器时代保住自己工作并且能够成功的知识工作者,就需要学习很多东西并改变你要做的事,并且在知道你已经成了机器的帮手时,还要收敛一下你的傲气。
拔掉插座,不是唯一的选择
不少人士在谈到我们所说的双向智能增强时,都提到了国际象棋。
在这个领域,人类绝对需要学会谦卑。在一对一的比赛中,我们知道的目前最好的国际象棋选手都是计算机。不过,在某些人的误导下,你可能仍然会认为人类并没有被完全挫败。少年时就是一位国际象棋冠军的经济学家泰勒·考恩(Tyler Cowen)以及《第二次机器革命》的作者埃里克·布莱恩约弗森和安德鲁·麦卡菲都曾用到过“自由式国际象棋”这个例子。在这种比赛中,人类棋手可以选择从计算机那里获得尽可能多的帮助。虽然我们两人都不怎么下国际象棋,但是我们知道在这样的规则下,人类经常能够击败最好的程序。虽然自由式国际象棋是一种特殊情况,但这其中的一些细节似乎能为其他形式的智能增强策略提供一些可能性:
●不同的计算机程序善于处理国际象棋中不同的局面,人类可以找出每个程序的优势,并且将这些程序以合理的方式整合起来。计算机国际象棋程序并不很擅长发现比自己更好的程序,所以也就不知道在适当的时候替换掉自己。
●人类更擅长获得背景知识,从而知晓某一步棋是简单还是困难,所以人类在适当的时候可以敦促计算机做出快速的选择。
●即使你不是一位国际象棋专家,也有可能在计算机国际象棋领域中大放异彩:你要做的仅仅只是在看到一步好棋时能够辨认出来就行了。
●首先决定构建国际象棋程序的是人类,继续改进程序的也是人类。
针对最后一点,我们可以来看一个例子。全世界最优秀的自由式国际象棋选手之一的安森·威廉斯(Anson Williams)和他的团队成员尼尔森·赫尔南德斯(Nelson Hernandez)建立了一个国际象棋步法数据库,这其中包含30亿步象棋的走法。赫尔南德斯在向我们讲述威廉斯时说(他们从来没有真正面对面地见过彼此):
他所能增加的价值仅仅只是他知道如何创建一个高级的决策支持系统。但是他在赛场上所拥有的竞争优势却是他在当代不断发展的竞争格局下所具备的组织系统的大局观。
在我们看来,这很像是值得人们去学习的智能增强的一类角色。
在把国际象棋作为智能增强方式的例子时,我们很小心,没有对其有什么过分的依赖。虽然国际象棋招数的变化数量极其巨大,据说比宇宙中的原子数量还要多,但国际象棋的招数相比于很多现实中的情况来说要结构化得多,而且随着时间的推移,是相对不变的。所以,编写一个能下国际象棋的计算机程序要比为不太结构化的特定领域写程序要简单得多,而且对于人类来说,理解、对比国际象棋程序也更简单。大多数人维持生计的方式不是下国际象棋或者参与其他比赛,因此国际象棋在就业或失业上的延伸极其有限。
但我们确实认为,各行各业的人可以通过类比学到一些有效的经验教训。为了在比赛中保持常胜,即使对手是很聪明的机器,你需要的可能就是在工作中和一些机器合作。你需要知道它们擅长的是什么、不太擅长的是什么,你需要不停地寻找比你现在使用的程序要更好的计算机程序。为了提高你的表现,可能需要投资一些数据和分析方面的资产。在可能的情况下,你需要学习足够多的关于计算机程序的知识,并自己动手来改进程序。另外,还有一种能确保自己在比赛中有价值的安全做法,那就是成为参赛计算机程序的作者。
无论是在国际象棋中,还是在其他领域,有时我们很难分辨在一个智能增强场景下是谁在强化什么还是什么在强化谁,所以我们应该在分配功绩和归咎责任时要倍加小心。
作为人类,别总说自己比计算机更有能力,或者它会让你感到难堪。幸运的是,计算机并不自负,所以不太可能会对我们称王称霸。它们可能像《2001:太空漫游》中的哈尔(HAL)一样,建议我们不要拔掉它们的插头。但只要人们还能和它们一起工作,并且还能在我们重视的领域中攻陷难题,人们是不会想离开它们的。
获得持久就业能力的5大生存策略
对于那些对自动化威胁念念不忘的人来说,本质上有一条可行的策略(而且只对越来越少的一群人适用):把自己提升到更高级的认知领域。
持久的就业能力需要掌握那些尚没有被计算机攻陷的稀缺领域的合理决策权。在智能增强策略为个人就业者和求职者打开了更为广阔的思路时,我们需要重新定义问题。现在,在我们面前有多个有效手段可以用来代替之前那个唯一的策略。
●超越(Stepping Up)。通过建立起全局视野以及对于计算机来说太过松散和广泛以致难以做决策的决策体系,从而超越自动化系统。
●避让(Stepping Aside)。转移到计算机不擅长的、而且不以决策为中心的一类工作上,比如销售、激励他人,或者用简单的词语来描述计算机做出的决定。
●参与(Stepping In)。参与计算机系统的自动化决策,从而理解、监控以及改进它们。这是智能增强的核心选项,虽然这5种生存策略中的每一个都可以被说成是智能增强。
●专精(stepping Narrowly)。在你的专业中找到一个精细到没人想要自动化的专门领域,因为对其进行自动化可能在未来也不合算。
●开创(Stepping Forward)。在一个特定领域开发出支持智能决策和行动的新系统和技术。
我们起的这几个名字
[12]
对于我们来说很有用,但可能有失简洁。我们曾经尝试把这5个生存策略设计为“MECE”形式,这样的组合“互相排斥而又完全穷尽”,如果你找到第6个或者第7个选项,也请告诉我们。我们想要表达的是,我们在智能机器身边谋生的方式可以有很多种,而且这些方式各自都需要不同的人类优势。
在我们所能想到的几乎每一种工作类型中都会发现,不同的人在工作中采用的手段各不相同。
后文我们将通过对几类职业的分析描述来阐明上述观点。首先,因为保险业的工作已经非常明显地受到了自动化的威胁,所以我们就先来看看保险业。然后为了展示更大的环境,我们将简短地了解一下教师和财务顾问是如何超越、避让、参与、专精以及开创的。
一次简短又刺激的保险承保之旅
如果在出言莽撞的网站CareerSearch.com上听人交谈,你会认为选择保险承保人这份职业并不是件令人兴奋的事儿。在该网站描述这个职业的页面上,他们是这么告诉潜在求职者的:
职业棒球运动员、芭蕾舞者、宇航员以及保险承保人,这是人们在孩童时代梦想着要去从事的几种职业。多一点意志、精神以及决心,你就能实现孩童时的梦想。无论是击中第500次全垒打,还是成为第一个假装踏上火星的人,如果你能感受到这份职业,就能实现。当然,对于保险承保人来说,也是如此。虽然很多人可能感觉这份工作超出了自己的能力,但只要有足够的韧性和投入,你也可以成为一位保险承保人。
这真是互联网的一种讽刺啊!实际情况是,美国有超过10万人在从事这份工作,据美国劳工统计局(BLS)的统计数据显示,他们的平均年薪是62 870美元。这是在以信息为基础的核心行业中的一种典型的白领职业。
话虽如此,情况却开始变得有些可怕了。从定值美元的角度上来看,该职业10年前的平均年薪比现在要高。着眼于未来,美国劳工统计局看到的却是承保人职业的从业人数的减少。它推测,从2002年到2012年,该职业的人员数量下降了6%,但这并不比邮政行业职员(32%)、数据录入员(25%)或者敛尸官(15%)的下降幅度更陡峭,可即使是这种程度的减少,无疑也将会给工资施加更大的下行压力。这件事也和智能机器的崛起息息相关。早在2009年,德勤会计事务所的一份调查就发现,有30%的大型人寿保险公司已经在使用自动化承保系统了,而且还有60%的公司在计划安装这种系统。
承保人到底是什么?从严格意义上来说就是,一家企业在收取一定费用的前提下,同意承担某些资产或投资所涉及的风险。但是为什么要叫作承保人
[13]
呢?因为在17世纪,愿意给远航的商船作保的组织会把自己的名字签在货物说明的下方。很多这样的航行告示都贴在伦敦的爱德华·劳埃德咖啡馆,也就是今天我们所熟知的英国劳埃德保险公司的前身。但是在今天的大型保险公司以及银行和房地产公司中,承保人也还是一种被委托完成某种工作的人,他们的工作正是保险工作的核心,其中包括评估风险,以及为了避免亏损可能性计算出资产所有者应该支付的合理价格,通常都是以保险费的形式来支付。这份工作需要大量的数学技巧,因为他们需要通过计算很多具有不同权重的因素,才能得出一个既能打败竞争对手、还能为公司产生利润的理想价格。当然,这种任务对于今天的计算机来说,它们能够更好地胜任。这也就是为什么,对于任何习惯于风险的人来说,承保人都是一份看起来很刺激的职业,因为它具有沉船的所有特征。
接下来我们即将进入承保的世界,通过我们的介绍,你将会在后续的几章中逐渐熟悉这5种策略。在此之前,我们首先应该向迈克尔·博纳斯基(Michael Bernaski)表达我们的谢意。博纳斯基是一位专注于金融服务的资深管理咨询师,他在过去的20年中一直致力于设计和实现该领域的自动化。他对人类在自动化环境中所应承担的角色这一主题思考了很多,并把这些思想告诉了我们,这可能是因为他感到了一定程度的“对于所有那些被我们毁掉事业的保险承保人”的内疚。虽然他在谈论到人类承保人该如何继续提供价值时,并没有完全使用我们定义的那5个词,但正是因为有了他的观察和想法,我们才想出了这些词语。无论如何,他并不认为承保行业是一艘正在下沉的船,因为“所有这些新工具都意味着,我们可以对风险解决方案进行真正的改革”。
承保行业的核心就是理解“风险的微结构”,换句话来说,就是要知道商业的不同属性将会如何影响索赔的可能性,以及根据这种可能性该如何改变保险的价格。博纳斯基强调说,在这种背景下,人类要面临的根本问题就是,计算机生来就很擅长把握这份工作的核心。最复杂的承保系统能轻松产生上百万种不同的定价单元,因为只要遵循逻辑规则和方程就行了。当安装有传感器的设备,比如汽车、卡车、锅炉以及其他类型的设备,开始常规性地报告自身的性能和使用情况时,计算机系统的优势就更大了。在有了数量如此庞大的数据后,人类将根本无法企及这些机器的能力。处理物联网是计算机擅长的,而人类呢,只能自叹不如了。
但这不一定就是故事的结局。那些能够学会利用自己工作的其他优势的承保人可以在这场核心战役中幸免于难,甚至涅槃重生,可能他们再也不会后悔自己曾经放弃过的那些职业了,即职业棒球运动员、芭蕾舞者或者宇航员。
超越的承保人|
有一种可以回应计算机对你的工作进行侵蚀的方式,就是把它看作那个能够帮你超越的、能力非凡的助理。在承保行业中,这可能意味着要为“资产组合管理”承担责任。这项任务需要的并不是对于风险微结构的判断力,而是对于宏观结构的判断,即因公司或者其所在区域甚至所在星球所面临的威胁,而导致整个行业对于风险预测做出的商业决策所发生的改变。公司的整体资产组合是否在某些方面有些不平衡,或者说它是否应该做出调整,从而能够响应更为广阔的世界中所发生的改变?例如,在商业保险行业中,“超越”这个词可能就意味着要在关于有主人的农用设备的保险单上标记一个高可靠性的记号,因为现在农民们已经开始越来越多地利用设备制造商所提供的相关服务了。我们可能需要去留意这个过程,因为就像博纳斯基曾经说的那样,在这个新兴城镇移民以及“80后”影响下的“再城市化”时代,一家公司在市区可能只能找到相对较少的业务。
这类思考需要灵感和预测,而非代码化、程序化的逻辑,至少在组合思考的早期是这样。这不是一件计算机能干好的事,至少现在不能。没有可以拿来分析的数据,也没有清晰的规则,所以在资产组合管理的早期阶段,也就没人能说得清楚该如何去管理了。
避让的承保人|
10年前,达文波特拜访了一家对小型商业保险承保业务进行了大规模自动化的公司。一位经理当时说:“我们必须保留一些人类承保人,因为必须得有人向顾客解释我们为什么拒绝了他们的申请。”沟通负面信息是一项无论计算机能否完成,都必须有人来参与的任务。因为人类能够对负面消息感同身受。更有甚者,一位好的承保人可能会强调那些客户可以解决哪些问题,比如他们的驾驶记录,而不是其他比较难以改变的问题,比如居住地点。
在向自动化系统输入相关数据时,能否怀着同理心非常重要,因为这些数据必须通过诱导,从顾客或者代理那里获得。博纳斯基指出,这件事牵涉的不仅仅是键入的准确性,从数据输入的角度来说,人类承保人通常都很善于发现输入数据中的不连贯性。举例来说,一位精明的承保人可能会意识到一位客户在汽车保险申请中提供的邮编所属区域并没有公共交通服务,所以客户说自己每天乘坐公共交通上班可能是假的。他更加概括的总结是:“客户对于金融产品偏好的表达是不固定且非具体的。”换句话说,要想理解客户所提供的信息和他们所需要的金融产品类型,需要的是对细节的关注。例如,我们曾从其他财务顾问那里听说过一种难题:如何解决丈夫和妻子的优先顺序有时就是有些矛盾的开端。计算机似乎不太可能在不远的未来能够意识到这种不同其实代表着深层次的问题。如果这一天来到了,婚姻顾问就要遇到大麻烦了。
参与的承保人|
对于科技有特殊亲近感的承保人可能趋向于“参与”那些能够把决策和行动自动化的智能机器,并致力于让它们变得更好。他们的公司在必要时将会需要掌握自动承保系统工作原理的专家来修改和改进这些系统,以确保系统能够长时间地持续运作。通常,像博纳斯基这样的顾问会担任这种角色,但那些规模大到足以为这种服务提供充足财力的组织,以及那些不想永远支付高昂咨询费的组织,应该在内部设立这样的工作岗位。
完成这项任务需要两方面的知识:承保专业知识以及把专业知识嵌入到规则和算法中的技巧。参与的专业人才还需要能够通过对比保险费收入和一段较长时期内的索赔金额总数,来评估承保的整体成功性。“必须得有持续的反馈环,”博纳斯基说,“而承保专家就是成功的关键。”最好的承保人能够鉴别出有问题的逻辑、缺失的条件,以及其他可以决定是否对系统进行修改的环境因素。
专精的承保人|
与其他职业一样,在承保专业中你也有可能专注于其中一个细分的领域,而随着你在这个领域中专业知识的不断增长,你的专项能力已经远远超过了到目前为止所有已经完成的自动化系统。博纳斯基说,他到现在还没有看到有任何一个自动化系统深入到能够涵盖所有类型的商业机构。一家公司可能已经给很多小型零售企业提供了保险,但当一家具有连锁前景的干洗店申请保险单时,系统却对其中涉及复杂环境的风险缺乏相应的理解。
从总体上来说,让人类专家保持这种细分领域内的知识先进性,比把这些知识嵌入到决策计算机中要划算得多。对于采取这种措施的承保人来说,他需要在一个非常具体的领域中积累充足的专业知识,并致力于在这个领域中保持领先。豪无疑问,在这个过程中也需要和计算机合作,但技术的角色始终都是协助者。
开创的承保人|
在任何领域中,开创都意味着构建能够节省劳动力的工具的下一代,而这肯定是很多事业的根本目的,虽然这些工具都像承保业一样可以被轻易地自动化。选择这种手段的人有些是保险公司的全职员工,因为他们中的很多人都建立了自己的系统。有一些人,像慕尼黑再保险公司(Munich Re)和瑞士再保险公司(Swiss Re),甚至把解决方案卖给了其他公司。其他专业人士则会为外部供应商工作,这其中就包括像埃森哲和CSC这样的大型系统公司。事实上,我们知道的大部分从事这种工作的人通常都会往返受雇于咨询公司和保险公司。这类开创者中有很多人是真正的创业家,他们不仅能够发现对新鲜解决方案的需求,而且还具有能够营销、销售以及支持这些解决方案的技术广度。
在我们把目光转向这5种手段在其他领域的应用之前,还需要强调一点,虽然这些手段在定义中是“互相排斥”的,但它们经常同时出现在个人的事业中。就以丽莎·图尔维尔(Lisa Tourville)为例子,她的所有工作都已经成功地融合了超越和开创。她是一位训练有素的医疗保险精算师,而且在其整个职业生涯中,都在学习医疗风险对医疗保健造成的影响,并且还据此进行实践。由于是计算机系统负责对医疗保健的成本和价格做出分析和自动化决策,所以大部分精算师并没有在这些系统上投入大量精力。图尔维尔则是一个显著的例外。从大学毕业后的第一份工作开始,图尔维尔不仅仅只是和精算数据及分析打交道,她还在工作中接触了提供自动化报价数据的计算机系统。总的来说,她当初之所以这么做仅仅是为了她自己的个人职工福利,牙齿保险、飓风巨灾保险以及在她最近一份工作中的健康保险。在为健康保险巨头联合健康集团(United Health Group)工作时,她开始开创,不只是盯着个人保险政策,而且还预测了新科技和宏观经济条件对医疗保健成本所造成的影响。在另一家大型公司Humana(最近被安泰保险[Aetna]收购)工作时,图尔维尔除了继续关注外部趋势建模,同时还引领了公司对于分析和数据驱动决策的研究。她在那里负责的是商业智能和信息能力中心,还要对价值5 000万美元的用于分析的项目和系统负责。
图尔维尔现在的雇主Anthem公司是美国健康保险业的第二大巨头,在那里,她依然还在不停地超越和开创。她的工作除了要负责“商业医疗保险经济”功能、分析医疗支出趋势并且理解其动向,同时还要管理汇报这类问题的系统。她之前甚至还是Anthem公司商业医疗保险经济功能的引领者。
就像图尔维尔的事业历程一样,对于大多数知识工作者来说,工作的内容和角色总是会出现不同的选项。计算机能做的事会随着时间而改变,从根本上来说,也就是人类负责的领域会逐渐缩小。在智能机器时代工作,意味着人类工作者需要去持续的改变和适应。
人工智能时代的教育革命
既然现在你已经清楚地理解了这5种手段之间的区别,那么我们就来思考一下这些方法在其他两种知识工作领域中该如何进行转化:教育和金融咨询。正如我们之前所说的,教师作为个性化课的程设计者和内容传递者的角色已经受到了威胁;技术可以很出色地完成这两项任务。
有些煽动者,其中最著名的莫过于安迪·凯斯勒(Andy Kessler),他以前是一位对冲基金经理,他们认为教师将会因为这类技术的崛起而消失,但更有可能的是,教师这一角色只会适应而不会被取代。我们更倾向于托马斯·阿内特(Thomas Arnett)的说法,他是一位开创教育方面的研究者。他预测,科技会“把诸如点名、收作业,以及检查考试和小测验中多项选择题或填空题答案这样的任务自动化”。即便机器将会“负责一些基本的指导,并且为了让教师能根据学生的需求定制课程而给教师提供相应的实时数据”,但是在教学中仍然存在很多非常重要的方面,从根本上来说是无法取代人类教师的。
在充满科技的环境中提升的教师可能会去做课程单元的全局规划,并且从整体上去研究“必须教什么”的问题。他们还需要决定科技如何才能更好地支持这些目标。摆脱了“教导”这种刻板任务的教师还可以加入管理层,鉴别和解决教育中存在的系统问题和趋势,对用于反映学校和学生表现的模式数据做出回应。有些人则会以兼职教师、咨询师或者数据团队成员的身份从事这份工作。
教育背景下的避让经常意味着协调技巧和处理师生关系技巧。协调的目的是为了激发并鼓励学生的集体智慧,而非向他们传递知识。通过这种方式可以尝试建立学生之间彼此互相帮助和学习的模式,并在此过程中培养他们进一步学习的渴望。在教室中,避让智能机器的教师可能会更倾向于帮助学生建立目标和期望,监控并调整学生的行为,并在教室中创建学习的文化。这一类的软技能可能会被某些鼓吹内容教学和内容测验的人所贬低,但事实证明,学生在离开学校后能否成功与学生的社交能力有着紧密的联系。
参与需要的仍然是引导智能机器进入你的领域。一位参与的教师可能会拥抱混合式学习:在教育技术可以大显身手的地方向其寻求帮助,并且在需要的时候回归面对面的教育和线下协调。在这种混合式教育中,他们对于学校来说可能是一种更为广阔的资源。他们甚至可能会成为线上学习咨询师,或着受雇于教育技术供应商。很多教师会觉得科技来袭得太过猛烈、咄咄逼人,不过,参与的教师很欢迎与之相应的培训,而且乐于学习关于工作的新知识。他们不仅想有效地使用这些工具,还想为这些工具找到更多的用武之地。
教育背景下的专精可能会涉及和具有特殊需求的学生打交道。他们可能学习能力受损或者极具天赋,又或者他们的母语可能是其他语言。例如有些学校会雇用“首尾音”专家,让患有阅读障碍和其他特殊学习障碍的学生享受到这种声学替代方法所带来的好处。其他学校则雇来专家帮助母语是赫蒙语或玛雅语的学生。对于这两种专家来说,需求都很小,而且教学方法也毫无结构性可言,所以相应的用于取代他们的自动化软件也不太可能出现。
教育领域的开创者最有可能在所谓的教育科技公司中工作,这种公司致力于为学校和地区开发相关技术软件。有些公司是创业公司,其他则是学校的传统供应商(比如出版社)的分支机构。麦格劳·希尔教育集团是一家出版公司的衍生公司,他们在数字产品集团位于波士顿和西雅图的新办公室中雇用了一群通常不会出现在出版和教育领域中的人。这些人中有数据科学家、软件工程师、数据可视化专家,以及具有分析和技术技能的产品经理、内容开发者等,团队中的高级管理者则具有管理咨询师、首席信息官以及数据科学家的背景。大多数人在教育领域中也极富经验,有些人甚至曾经是义务教育阶段的任职教师。
教育是一个很适合把这5种手段融合在一起的领域,因为自动化技术才刚刚进入这个领域。对于现在的教师而言,完全没有必要太过于忧心谁将在智能机器时代主宰这个行业。但是,就像是白色粉笔会在黑板上留下痕迹一样:这些技术最终将会对这个行业造成深远的影响。随着传统教学工作的数量和工作价值逐渐下降,我们描述的这些手段也将变得越来越常见。
机器人金融顾问
传统金融顾问和经纪人做决策的工作,即指导客户应该引入哪种金融资产现在已经被计算机完成得越来越出色了,而且这种趋势还获得了一个名字:“机器人顾问”。
那些能在承保人和教师身上发挥作用的手段也可以拿来服务于这个群体。我们先从超越开始说起,金融咨询行业中的超越包括:决定自动化系统应该在分配资金的过程中考虑哪些种类的投资。随着全球金融环境,比如利率、经济增长等因素的改变,超越意味着指导自动化去顺应大环境的改变。比如,Betterment是机器人顾问领域中最大、最成功的创业公司之一,它有一个“行为金融和投资”部门。该部门由5位专家组成,他们致力于超越系统的投资建议水平,并且决定正确的资产分配、随着时间改变投资管理的策略,以及“行为设计”,即努力推动客户在投资过程中采取更加理性的经济行为。
采用避让的手段完成计算机无法胜任的任务,这对于很多金融顾问来说都是一个极具可行性的方案。格兰特·伊斯特布鲁克(Grant Easterbrook)在很多金融技术公司担任产业分析师,他告诉我们,虽然创建投资组合相对来说比较容易实现自动化,但要想向拥有大量资产的个人提供复杂的金融规划,就必须有人类参与进来。这种广泛的金融规划包括纳税计划、财产规划、人寿保险以及其他复杂决策,而且这类决策不仅需要对微妙信息进行收集,还要建立这些信息之间的联系,而人类顾问可以“激励客户,进而收集到所有这类信息”。伊斯特布鲁克说:“人类顾问还需要去校正客户的错误观点。客户经常对自己的资产过分乐观,而且容易在后续投资行为中不守规定。”大卫·波特(David Port)写过关于机器人顾问崛起的文章,他也强调了那些在乎客户目标的顾问的价值:
有血有肉的顾问的核心价值在于,他们有能力取得客户的信任,其工作内容并不仅仅包含各种领域的规划,还包括以个性化的方式传递客观的信息和建议。
参与的顾问和经纪人充分地利用了机器人顾问,他们把它当作一位超级聪明的同事。他们所在的公司一旦采用了某种特定工具,他们就会很快地熟悉该工具决策行为背后所依赖的逻辑,并且会毫不犹豫地告诉公司的技术人员和外部供应商应该如何修改和改进该工具。如果是一位独立顾问的话,他就会向客户提出建议,告诉他们对于某个特定问题来说,哪种技术才是能被拿来用于提供指导的最佳选择。
长期以来,专精在金融顾问领域的运用很有效用:在一个精细的投资主题中积累充足的专业知识,并且让其成为自己的专长。这可能意味着,要成为某种单一领域的投资专家,比如整付保费年金或可转换债券的专家或者专门为某种特定类型的客户服务。例如,金融服务公司USAA的专长就是为现役和退役的军队人员提供保险和投资服务,该公司雇用了很多专门研究这类客户需求的金融顾问。USAA也有一个自动化咨询系统,但是该系统并没有专门研究服务人员和老兵的需求。
最终,通过构建新的投资技术应用,给开创带来的机会似乎数不胜数。就像在教育领域一样,很多创业者在创业公司工作。确实,在伊斯特布鲁克的分析师角色中,单单在“机器顾问”这一职位上他就密切关注着上百家创业公司。但是大型金融顾问公司,比如嘉信理财也开发了他们自己的自动化金融建议系统,我们将在第10章中详细描述领航集团的智能增强方法。
在这一章中,我们提供了智能增强概念的总览,以及我们看到的人类和智能机器之间相互借力的5种策略。我们还在几种不同的工作即保险承保人、教师以及金融顾问中简要地列举了一遍这些选择。
在后面的章节中,我们将会深入介绍所有这5种策略。如果你倾向于特定的某种策略,我们将在接下来的5章中针对它们逐一提供更多例子以及充足的指导。所有这些都需要你对自己和智能机器之间的关系进行重新思考,因为智能机器正越来越多地进驻到你的工作场所。但是这些手段跟投降协定没有关系,所有这些办法都是在引导你,让你在工作中比以前任何时候都要快乐,并且让你对于雇主和顾客来说都更有价值。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 931614094@qq.com 举报,一经查实,本站将立刻删除。