為了更好探索AI時代商業管理與創新，查閱海外眾多專家的文章及觀點，現整理出這篇小文以記錄過程，也作交流，探索不遠處的AI時代。----此為記

人工智能時代，判斷力第一，預測力第二

最近兩年看到谷歌、亞馬遜、百度等公司在新推出的產品時注入人工智能的元素；高溢價廣攬人才以搶占未來創新的源頭；積極收購以人工智能為基礎的初創公司。這一波人工智能熱潮引發廣泛討論，在評估顛覆式技術變革，簡單的方法是問一些根本性的問題: 例如技術能否有效降低成本，提高效率? 只有這樣，我們才能真正理解技術帶來的變化。

人工智能為我們提供充裕而廉價的是關于預測，換句話說，從你擁有的信息中產生之前無法獲得的洞察或者預測。人工智能幫助我們解決以前沒有預測到的問題，人類一些技能的價值將上升，而另一些則會下降。

01 深度學習/機器學習/人工智能-這點事

“機器學習”讓計算機從海量數據或過去的經驗中學習。機器學習的解決之道，例如判斷籃子里的物品是什么。通過編寫程序來識別蘋果的顏色和形狀。然而，顏色和形狀不是蘋果獨屬。這樣就需要我們對蘋果的知識進行更細致的編碼，但在現實世界中，這樣的復雜度是呈指數級增長的。

AI依據通用學習策略，讀取海量的“大數據”，并從中發現規律、聯系和洞見。因此人工智能根據新數據自動調整，而無需重設程序。利用機器學習，人工智能系統獲得了歸納推理和決策能力；而深度學習更將這一能力推向了更高的層次。

高度復雜性的環境是訓練機器學習最有價值的地方。例如數百萬張圖片標注出圖片里物體名字，隨機放入包括蘋果的圖片。機器通過學習就會使用顏色、形狀、紋理等相關信息，匹配過往蘋果圖像中的信息來預測，它所查看的一個未識別的新圖像是否包含一個蘋果。

機器學習可以用來預測銀行客戶是否會在貸款上違約。機器學習背后的數學思想已經有幾十年的歷史。許多算法甚至更老。但是在計算速度、數據存儲、數據檢索、傳感器和算法方面的進步，大大降低了基于機器學習的預測的成本。從圖像識別和語言翻譯的速度看出，這一過程已經從笨拙到近乎完美。

02 AI-降低預測成本，開啟新戰場

行動是由潛在的條件和不確定的結果決定的。例如，司機需要觀察眼前的環境，并做出調整，以盡可能減少事故的風險，避免出現事故。在這樣做的過程中，他們將判斷與預測結合在一起。

人工智能的進步降低了預測的成本。移動互聯網、社交網絡、物聯網讓數據的數量和種類都有了巨大的增長。當數據更廣泛、更容易獲取時，預測就變得更有價值。隨著數據可用性的擴展，預測將在更為廣泛的范圍中得以應用。

自動駕駛就是一個很好的例子。一輛汽車在沒有司機的情況下加速、轉彎和剎車的技術已經有幾十年的歷史了。工程師們最初專注于用計算機編程語言所謂的“if then else”的算法來指導汽車，例如“如果有一個物體在汽車前面，然后就剎車。”，但是這樣決策是緩慢的。隨后的研究團體切換編程的路徑:一輛汽車可以通過預測司機來自動價值(輸入數據，可能來自攝像機的圖像,激光雷達信息,地圖數據等)。自動駕駛是一個可以通過機器學習解決的預測問題。

03 AI時代判斷比預測更重要！

判斷能力是在理解不同的行動對結果影響下，做出深思熟慮決定的能力。那些復雜的判斷是停留在人類頭腦中，不能被翻譯成機器能夠理解的東西時，就很難獲得決策判斷。

機器學習的新模式可能會找到方法來檢驗行為和結果之間的關系，然后利用這些信息來改進預測。AlphaGo在圍棋游戲中成功擊敗了世界上最頂尖的選手。AlphaGo通過分析數千個人與人之間的圍棋比賽，并與自己進行了數百萬次的比賽，從而磨練了自己的能力。AlphaGo將對行動和結果的反饋結合起來，以制定更準確的預測和策略。

機器學習的例子越來越多地出現在日常生活中。x.ai是紐約人工智能創業公司，它提供了一個虛擬的個人助理，可以在電子郵件和管理日歷上安排約會。為了訓練虛擬助手，開發團隊成員讓虛擬助手研究人員之間的電子郵件交互，讓他們安排會議，這樣就可以學會預測人類的反應，并看到人類做出的選擇。盡管這種培訓并沒有產生正式的結果，但它的想法是幫助虛擬助手模仿人類的判斷，這樣，隨著時間的推移，反饋可以將判斷的某些方面變成預測問題。

預測的發展將促進任務處理的自動化。這將要求機器既能產生可靠的預測，又能依賴這些預測來決定下一步要做什么。例如，對于與業務相關的語言翻譯任務，當預測驅動的翻譯改進時，人類判斷的作用將變得很有限。然而，更便宜、更容易獲得的預測將導致人類主導的判斷的價值增加。例如谷歌的Gmail收件箱可以處理收到的電子郵件信息，并給出簡短的回復，但要求人類判斷那些自動回復是最合適的。從選項列表中選擇比自己輸入要快，使用戶能夠在更短的時間內回復更多的電子郵件。

在醫學領域，人工智能可能會發揮更大的作用，但人類仍將扮演重要角色。人工智能可以改善診斷，但更有效的治療和病人護理還將依賴于人類的判斷。不同的病人有不同的需求，人類比機器更能做出反應。在很多情況下，機器可能永遠無法權衡做這件事情的相關利弊，轉而選擇一種人類可以接受的方式開展。

04 提前 備好人工智能時代生存能力

隨著人工智能技術的進步，機器的預測將越來越多地取代人類的預測。隨著場景的無限拓展，人類將扮演怎樣的角色？ 一方面強調在判斷中的優勢，同時也需認識到預測局限性。

1、預測是機器智能的輸入，但是成功的人工智能需要更多層面的處理。例如，自動駕駛包括視覺(數據);場景，考慮到感覺輸入后人類會采取什么行動?(預測);評估結果(判斷);加速、剎車或者轉向(動作)。醫療護理可以包括患者病情(數據)、診斷(預測)、治療選擇(判斷)、臨床治療(判斷和行動)和動作干預(行動)等信息。盡管傳感器技術(數據)和機器人技術(動作)也在快速發展，預測是機器智能的一個方面。

2、人工智能時代判斷力是最為重要的。在許多工作活動中，預測是自動化的瓶頸。展望未來，預測類人才參與肯定會減少。組織將希望增加預測使用價值;未來最有價值的技能將是那些與智能預測相輔相成的技能（與判斷相關的技能）。正如高爾夫球俱樂部的價格下降，高爾夫球的市場需求就會上升。高爾夫球俱樂部和高爾夫球是經濟學家所謂的“互補商品”。預測的價格因人工智能的進步而下降，判斷力的需求將會更大。判斷力在人工智能越發重要: 倫理判斷、情商、藝術品鑒定、界定任務的能力以及其他形式的判斷力。組織對那些能夠做出負責任的決定(道德判斷)、與客戶和雇員互動的人(情商)，以及確定新的機會(創造力)的人將有持續穩定的需求。

人工智能可能在決策過程中產生無意識的歧視。由于現實世界存在著各種形式的種族歧視、性別歧視和偏見，輸入算法中的數據也可能附帶這些特征。而當機器學習算法學習了這些帶有偏見的訓練數據，也就“繼承”了偏見。某頂尖的人工智能企業就發生了類似事故：該公司通過網絡論壇訓練了一個實驗性聊天機器人，機器人學會了各種種族歧視和性別歧視的語言，惹惱了民眾。如果有偏見的人工智能處在了決策地位，那么其決策可能會導致特定人群受到不公正的待遇。為此霍夫曼與馬斯克等人合組非營利組織OpenAI。OpenAI的目標有兩個，一是讓AI繼續造福人類，二是防止AI被誤用而對人類產生威脅。

與判斷相關的技能將變得越來越有價值。如果預測可以讓疾病診斷更便宜、更快、更早，那么與物理干預和情感安慰相關的護理技能將變得更加重要。當人工智能在預測購物行為方面變得更好時，零售店里的熟練的服務可以和競爭對手區分開來。隨著人工智能在預測犯罪方面變得越來越好，那些將警務技能與倫理判斷結合的私人安保人員將有更大的需求。

3、組織管理需要一套新的才能和專業技能。今天，許多管理任務都就用來預測的。招聘和促銷活動決策之前構建在基于預測維度上: 哪個求職者最有可能在特定崗位上取得成功? 隨著機器在預測方面變得更好，管理者的預測技能將變得不那么有價值，而他們的判斷技能變得更有價值。

管理者的角色將越來越多地涉及到如何運用人工智能， 融合預測力和判斷力，權衡不同類型錯誤相對成本。管理者的判斷力將成為智能預測后有益補充。

05 展望未來

在21世紀初，商業中最常見的預測問題是庫存管理和需求預測等經典問題。隨著人工智能的應用，這些老問題被解決又將涌現新問題。企業經營者的新挑戰：

(1)將員工的培訓從關注預測力技能轉向判斷力技能層面;

(2)評估采用人工智能技術的速度和方向,以調整員工培訓

(3)開發管理流程,建立以判斷力團隊和預測力導向融合的新隊伍