枫叶原创 - 惜时增效 - 育贤文学 - 平安鼎原 - 老子书院 - 营养协会 - 资源库
枫叶教育网 - 打造具有特色品牌的地方教育门户
人工智能的发展脉络和技术体系
作者:德勤 来源:京师书院BigData 点击:736次 评论:0


国内对于人工智能的讨论大多是不成体系的碎片式,很难从中深入了解人工智能的发展脉络和技术体系,也很难有实际借鉴意义。德勤DUP近期发布了一份报告,对人工智能的历史、核心技术和应用情况进行了详细说明,尤其是其中重要的认知技术。这份报告将有助于我们对人工智能和认知技术进行深入了解,也有助于各行业的公司考量人工智能应用的实际价值。

一、概述

近几年各界对人工智能的兴趣激增,自2011年以来,开发与人工智能相关的产品和技术并使之商业化的公司已获得超过总计20亿美元的风险投资,而科技巨头更是投资数十亿美元收购那些人工智能初创公司。相关报道铺天盖地,而巨额投资、计算机导致失业等问题也开始浮现,计算机比人更加聪明并有可能威胁到人类生存这类论断更是被媒体四处引用并引发广泛关注。

IBM承诺拨出10亿美元来使他们的认知计算平台Watson商业化。

谷歌在最近几年里的投资主要集中在人工智能领域,比如收购了8个机器人公司和1个机器学习公司。

Facebook聘用了人工智能学界泰斗Yann LeCun 来创建自己的人工智能实验室,期望在该领域获得重大突破。

牛津大学的研究人员发表了一篇报告表明,美国大约47%的工作因为机器认知技术自动化而变得岌岌可危。

纽约时报畅销书《The Second Machine

Age》论断,数字科技和人工智能带来巨大积极改变的时代已经到来,但是随之而来的也有引发大量失业等负面效应。

硅谷创业家Elon Musk 则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。

著名理论物理学家Stephen

Hawking认为,如果成功创造出人工智能则意味着人类历史的终结,“除非我们知道如何规避风险。”

即便有如此多炒作,但人工智能领域却也不乏显著的商业行为,这些活动已经或者即将对各个行业和组织产生影响。商业领袖需要透彻理解人工智能的含义以及发展趋势。

二、人工智能与认知科技

揭秘人工智能的首要步骤就是定义专业术语,勾勒历史,同时描述基础性的核心技术。

1、人工智能的定义

人工智能领域苦于存在多种概念和定义,有的太过有的则不够。作为该领域创始人之一的Nils Nilsson先生写到:“人工智能缺乏通用的定义。”

一本如今已经修订三版的权威性人工智能教科书给出了八项定义,但书中并没有透露其作者究竟倾向于哪种定义。对于我们来说,一种实用的定义即为——人工智能是对计算机系统如何能够履行那些只有依靠人类智慧才能完成的任务的理论研究。例如,视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。比起研究人类如何进行思维活动,从人类能够完成的任务角度对人工智能进行定义,而非人类如何思考,在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。值得一提的是,随着计算机为解决新任务挑战而升级换代并推而广之,人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以,人工智能的定义随着时间而演变,这一现象称之为“人工智能效应”,概括起来就是“人工智能就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。”

2、人工智能的历史

人工智能并不是一个新名词。实际上,这个领域在20世纪50年代就已经开始启动,这段探索的历史被称为“喧嚣与渴望、挫折与失望交替出现的时代”——最近给出的一个较为恰当的评价。

20世纪50年代明确了人工智能要模拟人类智慧这一大胆目标,从此研究人员开展了一系列贯穿20世纪60年代并延续到70年代的研究项目,这些项目表明,计算机能够完成一系列所本只属于人类能力范畴之内的任务,例如证明定理、求解微积分、通过规划来响应命令、履行物理动作,甚至是模拟心理学家、谱曲这样的活动。

但是,过分简单的算法、匮乏的难以应对不确定环境(这种情形在生活中无处不在)的理论,以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题。伴随着对缺乏继续努力的失望,人工智能于20世纪70年代中期逐渐淡出公众视野。

20世纪80年代早期,日本发起了一个项目,旨在开发一种在人工智能领域处于领先的计算机结构。西方开始担心会在这个领域输给日本,这种焦虑促使他们决定重新开始对人工智能的投资。20世纪80年代已经出现了人工智能技术产品的商业供应商,其中一些已经上市,例如Intellicorp、Symbolics、和Teknowledge。

20世纪80年代末,几乎一半的“财富500强”都在开发或使用“专家系统”,这是一项通过对人类专家的问题求解能力进行建模,来模拟人类专家解决该领域问题的人工智能技术。

对于专家系统潜力的过高希望彻底掩盖了它本身的局限性,包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本,当这一点被越来越多的人所认识到时,人工智能研究再一次脱离轨道。

20世纪90年代在人工智能领域的技术成果始终处于低潮,成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注,这一方面是因为这些技术避免了专家系统的若干限制,另一方面是因为新算法让它们运行起来更加高效。

神经网络的设计受到了大脑结构的启发。遗传算法的机制是,首先迭代生成备选解决方案,然后剔除最差方案,最后通过引入随机变量来产生新的解决方案,从而“进化”出解决问题的最佳方案。

3、人工智能进步的催化剂

截止到21世纪前10年的后期,出现了一系列复兴人工智能研究进程的要素,尤其是一些核心技术。下面将对这些重要的因素和技术进行详细说明。

1)摩尔定律

在价格、体积不变的条件下,计算机的计算能力可以不断增长。这就是被人们所熟知的摩尔定律,它以Intel共同创办人Gordon Moore命名。Gordon Moore从各种形式的计算中获利,包括人工智能研究人员使用的计算类型。数年以前,先进的系统设计只能在理论上成立但无法实现,因为它所需要的计算机资源过于昂贵或者计算机无法胜任。今天,我们已经拥有了实现这些设计所需要的计算资源。举个梦幻般的例子,现在最新一代微处理器的性能是1971年第一代单片机的400万倍。

2)大数据

得益于互联网、社交媒体、移动设备和廉价的传感器,这个世界产生的数据量急剧增加。随着对这些数据的价值的不断认识,用来管理和分析数据的新技术也得到了发展。大数据是人工智能发展的助推剂,这是因为有些人工智能技术使用统计模型来进行数据的概率推算,比如图像、文本或者语音,通过把这些模型暴露在数据的海洋中,使它们得到不断优化,或者称之为“训练”——现在这样的条件随处可得。

3)互联网和云计算

和大数据现象紧密相关,互联网和云计算可以被认为是人工智能基石有两个原因,第一,它们可以让所有联网的计算机设备都能获得海量数据。这些数据是人们推进人工智能研发所需要的,因此它可以促进人工智能的发展。第二,它们为人们提供了一种可行的合作方式——有时显式有时隐式——来帮助人工智能系统进行训练。比如,有些研究人员使用类似Mechanical Turk这样基于云计算的众包服务来雇佣成千上万的人来描绘数字图像。这就使得图像识别算法可以从这些描绘中进行学习。谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量。

4)新算法

算法是解决一个设计程序或完成任务的路径方法。最近几年,新算法的发展极大提高了机器学习的能力,这些算法本身很重要,同时也是其他技术的推动者,比如计算机视觉(这项科技将会在后文描述)。机器学习算法目前被开源使用,这种情形将促成更大进步,因为在开源环境下开发人员可以补足和增强彼此的工作。

4、认知技术

我们将区分人工智能领域和由此延伸的各项技术。大众媒体将人工智能刻画为跟人一样聪明的或比人更聪明的计算机的来临。而各项技术则在以往只有人能做到的特定任务上面表现得越来越好。我们称这些技术为认知技术(下图),认知技术是人工智能领域的产物,它们能完成以往只有人能够完成的任务。而它们正是商业和公共部门的领导者应该关注的。下面我们将介绍几个最重要的认知技术,它们正被广泛采纳并进展迅速,也获得大量投资。

1)计算机视觉

是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如,一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。

计算机视觉有着广泛应用。其中包括,医疗成像分析被用来提高疾病的预测、诊断和治疗;人脸识别被Facebook用来自动识别照片里的人物;在安防及监控领域被用来指认嫌疑人;在购物方面,消费者现在可以用智能手机拍摄下产品以获得更多购买选择。

机器视觉作为一个相关学科,泛指在工业自动化领域的视觉应用。在这些应用里,计算机在高度受限的工厂环境里识别诸如生产零件一类的物体,因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究,而机器视觉则是“已经解决的问题”,是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大,计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。

2)机器学习

指的是计算机系统无需遵照显式的程序指令而只是依靠暴露在数据中来提升自身性能的能力。其核心在于,机器学习是从数据中自动发现模式,模式一旦被发现便可用于做预测。比如,给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库,系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多,预测就会越好。

机器学习的应用范围非常广泛,针对那些产生庞大数据的活动,它几乎拥有改进一切性能的潜力。除了欺诈甄别之外,这些活动还包括销售预测、库存管理、石油和天然气勘探、以及公共卫生。机器学习技术在其他的认知技术领域也扮演着重要角色,比如计算机视觉,它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。现如今,机器学习已经成为认知技术中最炙手可热的研究领域之一,在2011-2014年中这段时间内就已吸引了近十亿美元的风险投资。谷歌也在2014年斥资4亿美金收购Deepmind这家研究机器学习技术的公司。

3)自然语言处理

是指计算机拥有的人类般文本处理的能力,比如,从文本中提取意义,甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式,但是它却可以用非常复杂与成熟的手段巧妙处理文本,例如自动识别一份文档中所有被提及的人与地点;识别文档的核心议题;或者在一堆仅人类可读的合同中,将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成,后者仅能针对简单的文本匹配与模式进行操作。请思考一个老生常谈的例子,它可以体现自然语言处理面临的一个挑战。在句子“光阴似箭(Time flies like an arrow)”中每一个单词的意义看起来都很清晰,直到系统遇到这样的句子“果蝇喜欢香蕉(Fruit flies like a banana)”,用“水果(fruit)”替代了“时间(time)”,并用“香蕉(banana)”替代“箭(arrow)”,就改变了“飞逝/飞着的(like)”与“像/喜欢(like)”这两个单词的意思。

自然语言处理,像计算机视觉技术一样,将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布,举例来说,就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字,通过识别这些元素可以把某类文字同其他文字区别开来,比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准,用来决定一封邮件是否属于垃圾邮件。

因为语境对于理解“time flies(时光飞逝)”和“fruit flies(果蝇)”的区别是如此重要,所以自然语言处理技术的实际应用领域相对较窄,这些领域包括分析顾客对某项特定产品和服务的反馈、自动发现民事诉讼或政府调查中的某些含义、以及自动书写诸如企业营收和体育运动的公式化范文等。

4)机器人技术

将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中,这就催生了新一代的机器人,它有能力与人类一起工作,能在各种未知环境中灵活处理不同的任务。例如无人机,还有可以在车间为人类分担工作的“cobots”,还包括那些从玩具到家务助手的消费类产品。

5)语音识别技术

主要是关注自动且准确的转录人类的语音。该技术必须面对一些与自然语言处理类似的问题,在不同口音的处理、背景噪音、区分同音异形异义词(“buy”和“by”听起来是一样的)方面存在一些困难,同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术,再辅以其他技术,比如描述声音和其出现在特定序列和语言中概率的声学模型等。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino’s Pizza最近推出了一个允许用户通过语音下单的移动APP。

上面提到的认知技术进步飞快并吸引了大量投资,其他相对成熟的认知技术仍然是企业软件系统的重要组成部分。这些日渐成熟的认知技术包括决策最优化——自动完成对复杂决策或者在资源有限的前提下做出最佳权衡;规划和调度——使设计一系列行动流程来满足目标和观察约束;规则导向系统——为专家系统提供基础的技术,使用知识和规则的数据库来自动完成从信息中进行推论的处理过程。

三、认知技术的广泛使用

各种经济部门已经把认知技术运用到了多种商业职能中。

1)银行业

自动欺诈探测系统使用机器学习可以识别出预示着欺诈性付款行动的行为模式;借助语音识别技术能够自动完成电话客服;声音识别可以核实来电者的身份

2)医疗健康领域

美国有一半的医院采用自动语音识别来帮助医生自动完成医嘱抄录,而且使用率还在迅速增长;机器视觉系统自动完成乳房X光检查和其他医学影响的分析;IBM 的Watson借助自然语言处理技术来阅读和理解大量医学文献,通过假设自动生成来完成自动诊断,借助机器学习可以提高准确率。

3)生命科学领域

机器学习系统被用来预测生物数据和化合物活动的因果关系,从而帮助制药公司识别出最有前景的药物。

4)媒体与娱乐行业

许多公司正在使用数据分析和自然语言生成技术,自动起草基于数据的的公文材料,比如公司营收状况、体育赛事综述等。

5)石油与天然气

厂商将机器学习广泛运用在矿藏资源定位、钻井设备故障诊断等众多方面。

6)公共部门

出于监控、合规和欺诈检测等特定目的,公共部门也已经开始使用认知技术。比如,乔治亚州正在通过众包的形式来进行财政披露和竞选捐助表格的数字化,在这个过程中他们就采用了一套自动手写识别系统。

7)零售商

零售商利用机器学习来自动发现有吸引力的交叉销售定价和有效的促销活动。

8)科技公司

它们正利用机器视觉、机器学习等认知技术来改进产品或者开发全新产品,比如 Roomba机器人吸尘器,Nest智能恒温器。

上述例子表明,认识技术的潜在商业收益远大于自动化带来的成本节约,这主要体现在:

更快的行动与决策(比如,自动欺诈检测,计划和调度)

更好的结果(比如,医学诊断、石油探测、需求预测)

更高的效率(亦即,更好的利用高技能人才和昂贵设备),

更低的成本(比如,自动电话客服减少了劳动成本)

更大的规模(亦即,开展人力无法执行的大规模任务)

产品与服务创新(从增加新功能到创造新产品)

四、认知技术影响力与日俱增的原因

在未来五年,认知技术在商业领域的影响力将显著增长。原因有二,首先,近些年来,技术性能有了实质进步,并处于持续研发状态。其次,数亿美元已经投入到技术商业化中,许多公司正致力于为各商业部门的广泛需求提供定制化开发和打包方案,以使这些技术更易购买和配置。虽然并非所有的技术提供商都能幸存,但他们的努力将共同推动市场前进。技术性能的改善和商业化正在共同扩大着认知技术的应用范围,这种情况在未来几年都将持续下去。

1、技术提升扩展了应用范围

认知技术大踏步前进的例子非常多。比如Google的语音识别系统,一份报告显示,Google用了不到两年时间就将语音识别的精准度从2012年的84%提升到如今的98%。计算机视觉技术也取得了突飞猛进的发展。如果以计算机视觉技术研究者设置的技术标准来看,自2010年到2014年,图像分类识别的精准度提高了4倍。Facebook的DeepFace技术在同行评审报告(译者注:同行评审,是一种学术成果审查程序,即一位作者的学术著作或计划被同一领域的其他专家学者评审。)被高度肯定,其脸部识别率的准确度达到97%。2011年,IBM 为了让Watson在智力节目《危险边缘》中获胜,曾对Watson进行优化,提升两倍的答案精确度。现在,IBM又宣称如今的Watson比当时“智能”了2400%。

随着技术的改进和提高,技术应用的范围也在不断扩大。比如,在语音识别方面,机器曾经需要大量训练才能在有限词库里勉强识别出来,由语音识别技术延伸出的医疗应用程序也很难得到真正普及。而现在,每个月互联网上都会有数以百万次的语音搜索。另外,计算机视觉技术过去被狭隘的理解为部署在工业自动化方面,但现在,我们早已看到这一技术被广泛运用到监控、安全以及各种各样的消费应用里。IBM如今正拓展Watson在竞赛游戏之外的应用,从医疗诊断到医学研究再到财务建议以及自动化的呼叫中心。

并不是所有的认知技术都有如此令人瞩目的发展。机器翻译有了一定发展,但幅度很小。一份调查发现,从2009年到2012年,将阿拉伯语翻译到英语的精确度仅仅提升了13%。尽管这些技术还不完美,但他们已经可以影响到专业机构的工作方式。很多专业翻译人员依靠机器翻译提升翻译精准度,并把一些常规翻译交给机器,自己专注在更具挑战性的任务上。

很多公司正努力将认知技术做进一步研发,并逐步将其融入到更多产品尤其是企业级产品里,以方便企业用户购买和部署。

2、对商业化进行的大规模投资

从2011年到2014年5月,超过20亿美元的风险投资流入到基于认知技术研究的产品和服务里。与此同时,超过100家的相关公司被兼并或收购,其中一些被互联网巨头如亚马逊、苹果、Google、IBM或Facebook收购。所有这些投资都在培育一个多样化的公司图谱,这些公司正在加速认知技术的商业化进程。

在这里,我们并不会提供关于某公司在认知技术商业化方面的细节,我们希望说明,认知技术产品拥有丰富的多样性。下面就是致力于认知技术商业化的公司名单,这个名单既不是完整无缺也非固定不变,而是一个动态的,用于推动和培育市场的指标。

数据管理和分析工具主要使用自然语言处理、机器学习等认知技术。这些工具利用自然语言处理来从非结构化的文本中提取出意思,或者借助机器学习帮助分析人员从大规模数据集中发现深层含义。这个领域的公司包括Context Relevant(译者注:美国的一家大数据挖掘和分析公司)、Palantir Technologies(译者注:这家公司称要将数据、技术、人类和环境连接起来)、以及Skytree(译者注:一家借助机器学习进行市场分析并提供决策依据的大数据公司)。

认知技术的各个部分可以被整合到各种应用和商业决策中,分别起到增加功能和提高效率的作用。例如,Wise.io公司提供一套模块来促进商业决策,比如客户支持、营销和销售,这里面会用到机器学习模型来预测哪些客户比较容易流失,以及哪些潜在客户更加容易转化。Nuance公司通过提供一种语音识别技术来帮助开发者进行需要语音控制的移动APP的开发。

单点解决方案。众多认知技术成熟的标志是它们正在被不断的嵌入到特定商业问题的解决方案中。这些解决方案的设计初衷是要比公司原有的解决方案更加有效,并且几乎不需要认知技术方面的专业人员。普及度比较高的应用领域包括广告、营销和销售自动化、预测以及规划。

技术平台。平台的目的是为建立高度定制化的商业解决方案提供基础。它们会提供一系列功能,包括数据管理、机器学习工具、自然语言处理、知识表示和推理、以及将这些定制化软件整合在一起的统一框架。

3、新兴应用

如果这些技术的表现和商业化趋势继续发展,我们就能够大胆预测认知技术的应用将更加广泛,被接受程度也会大大增加。数亿美金的投资涌入这些基于机器学习、自然语言处理、机器视觉或者机器人技术的公司,这预示着许多新应用即将投入市场。在商业机构依托认知技术构建自动化业务流程、增强产品和服务方面,我们也看到了巨大空间。

五、认知技术在企业的应用路径

认知技术将在接下来几年里变得流行。在未来2-5年,技术层面的进步和商业化将扩大认知技术对企业的影响。越来越多的企业会找到一些创新性应用来显著改善他们自身的表现或者创造新功能,以增强他们的竞争地位。企业的IT部门现在可以行动起来,增加对这些技术的了解,评估出适用这些技术的机会,将这些技术可能带来的价值向领导进行汇报。高级商务和公共部门的领导应该思考认知技术将对他们的部门以及整个公司产生何种影响,这些技术将如何激发创新并提升经营表现。

拓展阅读

认知技术时代来临,我们的工作将会如何被重塑?

作者简介:David Schatsky,德勤公司,为公司高管和客户分析新型技术和商业趋势,包括认知技术带来的影响。在加入德勤之前,Schatsky带领两个研究和资讯公司。他是《Signals for Strategists: Sensing Emerging Trends in Business and Technology》(RosettaBooks, 2015)一书的作者。

Jeff Schwartz,德勤资讯公司,人力资本高管,《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)领域的快速发展,将对社会带来重大的影响,这引发了许多激烈的争论。一些人认为,它将驱动经济增长,为改善生活质量带来数不清的机会。尽管我们相信那些最深的恐惧其实是夸大其词的,但认知技术这一AI产品却不容忽视。它们是商业竞争优势的新兴源头,并走在一条通往「无处不在」的道路上,即将充斥我们的生活和工作。

长期以来,人工智能研究者都在开发旨在提升计算机性能的技术,这些技术能让计算机完成非常广泛的任务,而这些任务在过去被认为只有人才能完成,包括玩游戏、识别人脸和语音,在不确定的情况下做出决策、学习和翻译语言。为了将人工智能领域中衍生出来的技术与AI领域进行区分,我们将这些技术称为「认知技术」(cognitive technologies)。通常使用的认知技术包括机器学习、计算机视觉、语音识别、自然语言处理和机器人学。

在接下来的3到5年中,认知技术有可能会给职业、工人和公司带来深远的影响。这些技术可以,并且即将消除人类的工作。但它们也有可能被用来重新定义人类的工作、为工人创造出新的机会、为商业公司和客户带来更高的价值。公司的领导者们应该理解4个主要的自动化选择,以及我们所描述的成本和价值策略。他们也应该调整人才管理工作,来吸引和改进员工的职业技能,包括创造性和情商——这些技能在认知技术时代会变得更加重要。

冲突的观念

关于认知技术会对就业带来什么影响,这一问题正在处在活跃、甚至是危言耸听的争议当中。争论的一方预言道,当过去由人来做的工作被这些技术所取代后,将极大提高失业率。而另一方的预言则认为,我们对技术变革所带来的历史规律已经很熟悉了——新技术提升了生产力,从而增加了社会财富,驱动经济增长,对拥有新技能的就业者创造出新的需求。

最近,牛津大学研究者做了一个被广泛引用的分析,正是上述争论中「黑暗」一方的一个例子。这项研究估测道,美国的就业人员中,有47%正因接下来10年或20年的计算机化而「处在风险中」。信息技术研究机构Gartner也持相似的观点,预言「到2025年,有1/3的工作将被软件或机器人所取代。」三个Gartner的分析师甚至做出更彻底的「战略性计划假设」:「到2030年,今天我们所熟知的90%的工作都将被智能机器取代。」

并不是所有人都相信,公司应该开始为一个没有雇员的未来早作打算。David Autor是一个杰出的经济学家,他在麻省理工学院(MIT)研究技术与就业之间的相互作用,是这方面的权威。他写道:「机器要取代人类,亟需适应性、常识和创造性,这些需求的缺口还非常大。」他认为,人们未能足够重视机器与人力之间的互补性,这种互补性将会「提升生产力、增加收入、增大对熟练工种的需求。」Rodney Brooks是两家著名机器人公司的专家和创始人,他相信,人们应当正确地看待机器人这样的技术,因为它们能够「让人们摆脱那些折磨人的愚蠢工作」,而不是让人们失业。

对未来,我们更喜欢积极的预期。认知技术正在较窄的领域中取得好的进展,而取代整个流程或职业却很罕见,不太可能在短期内变得很普遍。更有可能的是,尤其是在接下来的3到5年内,工作的一部分会被认知技术自动化。员工(包括知识性的员工)将与自动化的智能机器打交道,就像今天的飞行员和先进工厂内的工人所做的工作一样。由于这个原因,公司领导者应当进一步考察认知技术为工作、员工和公司所带来的影响,这是一件非常重要的事。

认知技术和工作自动化

在以往的工作中,David与其他同事分析了100多个认知技术的应用,并将这些应用分为三大类:产品类、流程类和分析类。每类应用都对工作和工人产生了深远影响。

产品类应用将认知技术嵌入到产品内,来实现智能行为、自然交流(比如说和看)以及自动化。该类应用对工人的影响从没有影响(机器人玩具或智能温控器)到有些影响(能承担家居清洁工作的扫地机器人)再到影响重大:自动驾驶汽车正取代采矿卡车司机和火车驾驶员,某天它们将会取代出租车或货车司机的工作;机器人还会取代泥瓦匠和砖瓦工。下一步,公司就可以将使用认知技术的产品部署到各个业务流程中。

自动化企业工作

流程类应用使用认知技术来提高、扩大或自动化业务流程。比如自动化数据输入、自动化手写识别、使用算法的自主规划与调整以及使用语音识别、自然语言处理和问答技术的自动化客户服务。通过定义流程类应用会让工人的工作实现全自动或半自动化。如下所示,自动化会对企业产生挑战,而且并不总能达到预期效果。

自动分析

分析类应用使用认知技术来揭示模式、做出预测以及指导更有效的行动。如,英特尔采用机器学习向其销售团队展示客户的进一步需求以及他们该向客户提供什么。某些分析类应用可以看作自动化的形式:接下来做什么是基于特定情境由机器而不是人所做出的决定。其他分析类应用是改善而不是自动化现有决策流程,或者进行之前不能做的分析。有时,他们将机器学习与其他认知技术(比如计算机视觉或自然语言处理)相结合。例如,一家初创公司将计算机数据与机器学习算法相结合通过零售商场停车场的卫星图像来判断其营业状况。

自动化意想不到的后果

自动化的历史可以追溯到数百年前,包含了制造业(工业自动化)、航空和文职工作(办公自动化)。如今,认知技术将自动化拓展到新的领域,比如过去那些需要人类感知和认知能力的任务。虽然自动化极具价值,但是,数十年的研究编码自动化并不总是有益的,也带来了意想不到的后果。随着商业和技术领导人考虑使用认知技术来自动化工作,他们会从自动化的历史中学到很多,来避免重复错误。

引入自动化以弥补人类能力不足的想法似乎很令人信服。但是,自动化系统也会有缺陷。离开人类操作员,只让机器自主完成任务会有问题。比如,没有人类监控的自动化进程会产生错误,然后程序会忽略这些错误继续执行任务。研究表明,即使是干劲十足的工人,他关注不变的信息源的时间也不会超过半小时。

如果人们不经常训练,他们会失去某技能。这就导致了颇具讽刺意味的情况发生,人们会需要一个自动化系统来执行他们不擅长的任务,比如自动驾驶。有时会产生悲剧后果。研究人员发现,过度设计或设计不佳的自动化,不仅没有实现去技术化,还会降低人们在某些任务中的表现。研究表明,驾驶中有太多的自动化,比如采用巡航控制系统会让司机(特别是新手)疏于警惕,还会降低表现,比如紧急制动。其他研究发现,自动化系统(就像坏老板)会降低工人的积极性、产生疏离感、降低满意度、生产力和创造力以及离间员工。

技术评论家Nicholas Carr认为,拙劣的自动化策略对效率和安全性会产生负面影响,还会破坏我们的个性和自我价值。

企业面临自动化选择

认识到关于自动化的潜在问题,研究人员们便尝试寻找一些确立系统有哪些功能,要实现什么程度自动化的客观方式。为解决这一问题,Parasuraman等人发展出一项分析自动化选项的体制。他们提出自动化须应用于以下四大类功能:1)信息获取;2)信息分析;3)决策和行动选择;4)行动实施(见图2)。在每一类中,自动化被应用的程度是一个从低到高的连续等级,即从完全人工化到完全自动化(见图3)。

他们觉得一款自动化设计的评估标准应该首先是它对人类工作效率的影响,其次是诸如自动化可靠性,和行动与决策结果的成本。这一被广泛引用的工作是指导自动化设计决策领域的诸多尝试之一。

从替换到增强:一款天才科技模型

为补充自动化设计方面的学术工作,研究者提出一个框架,即强调自动化对员工的影响以及评估各种自动化选择对业务的影响。这一框架对正考虑自动化自动化对创造性和知识工作影响的领导者极为有用。

根据自动化对于工人的影响和自动化程度对工作完成度的影响,我们确立了应对自动化的四种主要方式,总结在图4中。

遵循哪一种方式,不由工作类型或采用的技术决定,而是系统设计者,乃至领导者和决策制定者所决定。通过对一项职业——翻译员,和一项认知技术——机器翻译的分析,让我们来阐明这四种自动化选项是怎样起作用的。四种选择都要以不同的方式应用自动翻译技术,会对翻译人员产生不同影响。


图3

采用替代方法,像翻译技术手册这种过去人为翻译的工作,连同翻译员本身,都将被淘汰。在切分/自动化的方法中,尽管现有的机器翻译表现得并不完美,大量的翻译工作被首先交给机器,这之后专业的译者会编辑已自动翻译好的文段,即后期编辑。许多专业译者认为这是「语言维护工作」:这贬低了他们的一技之长。一个缓解方法是把低价值又无趣的工作交给机器,而把更具挑战性的,对质量要求更高的像营销文案的材料,交给够格的专业翻译人员。最后,在增强的方法中,译者可以使用自动翻译工具来加速或改善他们的工作,比如自动翻译器会在翻译一条短语时提出几个选项,供译者自由选择。这在提升生产力和质量的同时,也使译者可以把控整个创作过程,负责审美判断。


图4

最大限度提高工人和机器的价值

当涉及到劳动力的使用和影响时,企业需要做的可不只是根据上述列出的四种方法来归类工作。要正确评估其选择,企业需要在成本战略和价值战略之间进行考量。

  • 成本战略是通过应用技术降低成本,尤其是劳动力成本。

  • 而价值战略则旨在以技术弥补人工的同时,分配工人做价值更高的工作来增值。

  • 以下是四种自动化选择如何在这两种战略下分别发挥作用:

    替换的方法。在成本战略下,企业以拥有认知能力的计算系统取代人工执行相同的任务。这一选择所带来的经济效益很明显,然而却受限于所耗的成本。而在价值战略下,企业可通过重新分配工人的角色以及扩充其角色的功能来创造更大价值;或通过部署认知系统,在替代人工工作的同时提高工作效率或质量。

    切分/自动化的方法。通过自动化降低人工成本是成本战略的一个例子。但正如我们所见,自动化使拥有创造力的人或技艺精湛的工匠感到黔驴技穷和被边缘化。而价值战略可用这种方法来创造新的低成本产品以服务于新细分市场的需求。比方说,翻译服务供应商可以提供一系列根据自动化使用程度不同而质量、价格不同的服务,并雇佣经验不足的翻译人员进行后期编辑。

    减轻的方法。一个能通过减少人数来提高效率的成本策略。举一个例子,呼叫中心通过将第一层顾客支持自动化来减少需要聘用的员工。在另一方面,这是一个价值策略,能让员工更专注于更高价值的任务。比如说,当一个新的自动化功能计划系统让香港地铁系统专家级工程师每周工作量减少两天后,他们能把时间花在需要人类互动和协商这一类更难的问题上。

    授权的方法。认知系统能让技术级别比较低的员工胜任先前由高技术级别员工完成的任务。这是一个成本策略的例子。价值策略则会采用一个不光向低技术级别员工授权,还会对其进行培训来使其获得技能的系统。也许同时还会设计成能改善高技术级别员工表现的系统。

    需要注意的是,认知自动化,即使用于旨在授权员工的系统中,也会遇到抵制。英特尔公司就发生过这样的事,他们曾试着像我们前文中提到的那样,通过开发一套认知系统来提高销售产量。这套系统使用了机器学习来对顾客进行分类并且指导销售员工对不同顾客销售哪种产品。

    销售团队的部分员工起初拒绝使用机器学习系统所提供的建议,也许是因为他们不服气自己的销售技能被排在了机器认知的后面。但是,当一些销售员工最先适应了这个系统并且见证他们的销售量得到显著提高后,组内余下的销售人员也赶紧也用上了这个系统。如果一个销售人员工作的精髓在于创建及维护与客户的关系,通过一些自动化协助来将顾客的来电排序及推荐产品也许就是对科技使用的一种授权。

    四种自动化的选择如何在两种不同的策略下运作的例子请参见图5。


    图5

    某些技能会变得更有价值

    当公司运用认知科技时,他们必须考虑更多问题,不仅仅是把什么自动化,要达到何等自动化程度及使用成本策略或是价值策略。

    他们必须重新审视在其工作场景中需要用到哪种技能。随着越来越多的常规任务被认知和其他技术取代时,完成这些工作的技能会越来越缺乏价值。然而,需要常识、一般智力、应变力和创造力这类技能以及那些需要人与人之间互动的,比如说情商和同理心的技能会变得相对更有价值。经济学家David Autor说这是因为「不能被计算机替代的任务通常由计算机补足。」科技提高了生产力,增加了收入,同时对有技能的劳动力需求更大。比如说,懂得如何使用电子制表软件(译者注:excel、numbers等)的员工很有可能比只会使用铅笔和纸的员工收入高。会使用电动工具和复杂机器的建筑工人会比不会这些的单纯人力劳动者收入更高。

    上文提到的经济学家Autor鉴定了几种计算机暂时无法取代的任务所拥有的技能。比如说解决问题的能力、直觉、创造力、说服力——这些是完成所谓「抽象」任务所需要的;还有对场景的适应力、视觉和语言认知力、及人与人之间的互动,即「纯人力任务」所需要的。

    虽然要找到一些被成功自动化的这类任务的例子并不难。思考以下这个例子:谷歌地图解决了导航问题,IBM的Watson电脑编写了新菜谱,Amazon网站上的「猜你会买」;还有零售商Lowe’s的机器人店员。像这样狭义的自动化比广义的(范围较大的)自动化容易实现得多。尽管自动导航和编排、同步日程都已经实现,解决问题的自动化却依旧任重道远。相比使用认知技术的狭义自动化任务,诸如批判性思维、通用问题解决能力、对不明确事物的容忍度、驾驶以及智谋等能扩大范围并且实现广义任务的必须技能和品质,都会变得更有价值。

    变通力、创造力、批判性思维和情商

    产品设计、服务、娱乐、或者构建使人高兴的环境这些工作都不会在短期内被计算机取代。因此完成这类任务需要的技能,很有可能会相对更有价值。现在有能使这些创新变得更可靠的工具,比如说管理学说中的最佳实践,市场调研,A/B测试等。但是,创造某种新奇的、美丽或者让人感到愉快事物的中心任务需要的不只是技术上遵循产品设计或者电脑制作具体原则的技能,还需要同理心、对偶然性的开放心态等人性特有的技能。拥有这些技能并用来了解人类顾客和让顾客感觉愉快的公司都能独树一帜且持续发展。

    另一个依旧会由人完成的工作是提供高客户服务体验的质量。尽管认知技术可以实现更加高质量和个性化的自动化服务,但是,目前为止它还无法取代由有高情商、精神饱满和高度同理心的训练有素、装备精良的人提供的高质量体验。那些想要面对挑剔客户、发展并维持高价值的客户关系的行当则继续依赖于人际接触来完成关系管理和服务。

    创造性技能将会变得越来越有价值。如上所述,我们见证了一些能称得上创造性的计算机行为的演示,比如IBM的Watson会推荐新奇的食材组合。但机器的创造性需要人类作为指导。即便是Watson 也需要人类厨师来决定如何准备它挑选的食材。认知技术将会作为人类的创造性补充,而非取代。

    随着认知技术能逐渐模拟其他技能,批判性思维技能相对而言也可能变得更有价值。相比于提问,计算机更擅长回答。但洞察力始于提出一些重要的新问题。质疑机器的行动和决策对用它们来解放我们而非约束我们是至关重要的。

    认知技术时代的领导力和战略人力资源规划

    在工作场所引入技术总会对工人和企业产生一些影响。认知技术将信息技术的魔力拓展到新工作中,从而以新的方式影响工作和工人。这提出了一些挑战,需要跨学科的解决方案。但对数十个首席人力资源官的调查显示,现有公司鲜有对策来应对这些挑战。

    商业、人才和技术领袖应共同努力,分析认知技术带来的挑战和机遇,提出前进的道路。有效的方法应当包括如下因素:

  • 预测。技术领袖对现有的认知技术进行评估,并且以发展的眼光预测未来五到十年的发展。

  • 分析影响。商业和人才领袖分析竞争对手和其他领域的龙头企业对认知技术的采用情况,并分析其对工种设计和劳动力需求的影响。

  • 制定备选方案。业务和技术团队联合起来发展出一些备选方案,将这些技术应用于现在和将来的业务活动中,从而创造商业价值,包括运营价值和战略价值。

  • 情境构建。基于上述应用,人才领袖利用这里提到的人才技术模型来设计一些情境,重新设计工作内容,重构劳动力。除了其他因素以外,情境要考虑,提高生产率量如何削减对某些特定劳动力的需求,如何使得一些技能变得相对而言更为重要,而其他技能变得不那么重要。

  • 试点。在一个或多个领域发展应用这些认知应用,人才领袖则研究研究人力资本的影响、机遇和挑战。

  • 培养技能。人才领袖应当招聘并培养那些会变得更为重要的人才和技能,包括创造性、灵活性、同理心和批判性思维。

  • 随着认知技术不断发展并不断演化出新应用,它们往往被用来配合工作,帮助工人提高生产效率并得到更好的结果。领袖们应当想办法让人类参与其中,而不是想当然地认为最好的认知技术应用是完全消除人类劳动力。他们也应当发掘一些能弥补技能短缺的认知技术能。如前所述,他们需要考虑成本和价值策略。

    战略性人力资源规划需要跳出以人才为核心的路子,必须考虑人才、技术、工作及企业设计的交互影响。传统的人力资源模型为信息技术适用的工种界定了边界。随着认知技术的强力发展,企业必须在人力资源规划和工作设计中发挥更多的创造性。最大的挑战可能在于如何对认知技术和工作的整合有更好的理解。

    没有正确答案

    采用认知技术将改变未来的就业前景,它不可避免地会让某些工种消失。它也会带来职业的重新设计以及引入一些新的工作。那些借由认知技术技能得到补充的人会更有发展,而那些技能被智能机器取代的人日子就不好过了。

    领导们面临着如何应用认知技术的抉择。这些选择将决定着他们的员工是被边缘化还是被增强,决定着他们的企业是创造价值还是仅仅是削减成本。没有一套正确的选择。当领导们准备将认知技术引入企业时,他们应当考虑哪些自动化的选择会最适合于他们的人才和竞争策略。


    更新:2018/7/10 5:43:28 编辑:fengyefy
    评论共 0网友评论
    暂无评论
    用户名  密码 请输入用户名和密码
    网友评论仅供其表达个人看法,并不表明本站同意其观点或证实其描述
    声明:本站是免费向教师学生校长家长提供教育教学资源的公益性教育网站,除“枫叶原创”系站长创作外,所有信息均转贴互连网上公开发表的文章、课件、视频和艺术作品,并通过特色版块栏目的整理,使教师学生校长家长方便浏览自己所需的信息资源,达到了一网打尽的惜时增效之目的。所有转载作品,我们都将详细标注作者、来源,文章版权仍归原作者所有。如果您认为我们侵犯了您的权利,请直接在文章后边发表评论说明,我们的管理员将在第一时间内将您的文章删除。
    头条推荐

    自然教育和环境教育,到底有什么区别?

    自然教育就是鼓励孩子们去户外玩耍,多认识花花草草,虽然也会涉及到尊重、友爱、合作等内容,但大家确实不太谈改变人的行为这一层次。并且,自然教育虽然也鼓励...详情
    本类推荐/最新更新
    更多...视频聚焦
    更多...枫叶原创