【人工智能】机器智能正在代替人类做的5件事

简介:什么东西是人类擅长的，并且在短时间内不会被机器取代的？机器智能擅长什么，它们正在或将代替人类做这些事情？你在工作场所的角色会受到什么影响？

让我们看看人类认知能力的所有特征。让我们首先把弗莱斯曼的21种能力分成两组，每组有5种能力。与一组能力相关的工作已经或即将被机器接管，而人类在另一组中占主导地位。请注意，尽管一些未来学家声称计算机将完全取代人类，但仍有一个充满挑战的世界等待你去征服。

你的优势是什么？

机器智能的优势:

理解和表达感知细节和模式，数字处理，记忆，记录和整理人类思维的优势；

想象创造演绎推理，归纳推理构建问题的解决方案注:弗莱施曼的21项能力已在上文中被合并和简化，原作品中的“在空和“可视化”之间的方向已被省略。

这个列表不是很严格。毕竟，我们不是心理学家。我们只是用它来阐明我们对未来领导者心理工作要求的期望。

假设你几十年前成立了一家初创公司，并找到了一个能力与你互补的合作伙伴。这可以确保这两个人的团队拥有所需的所有思维技能。也许你们中的一个擅长左栏的技能，另一个擅长右栏的技能。

请注意，这两组能力不一定与“左脑”思维和“右脑”思维的概念相关。我们相信拥有左栏技能的伙伴可以从今天开始逐渐退休，因为几乎所有人类的未来价值都将由拥有右栏技能的伙伴创造。

巨大的变化即将到来。领导者是如此，工人也不例外。如今，许多坐在屏幕前做数字和文字处理的白领很快会发现他们所有的工作都被交给了聪明的算法。

在发达经济体，服务业创造了约80%的就业机会，而这些工作中的大多数都需要左栏中的技能:听、说、读、写、感知细节和安排任务步骤。这台机器将很快接管所有这些任务。

在2013年的一篇论文中，牛津大学的卡尔·贝内迪克·弗雷和迈克尔·奥斯本指出，47%的美国工作离被机器取代只有一步之遥。

会计师、律师助理、技术文档作者、专利律师和放射学家都有可能追随总机接线员的脚步。领导者也是如此，他们总是依靠出色的左列技能来获得立足之地。仅在美国，失业人数就可能上升到数千万。新的职业类型是否会出现来清理摊位，还有待观察。

因此，计算机技术的发展要求我们重新审视人类应该发展哪些有价值的认知能力。

我们过去认为人类的智力是独一无二的。现在，更智能的机器将接管一些我们认为不是机械的工作。在物流和配送、在线广告和一些医疗诊断等复杂工作中，机器已经是更好的决策者。在这种工作中，人们一生积累的经验可能无法与机器相比(除非你是一个杰出的专家)。

与通常的组织变革不同，重新分配工作职能的过程将非常迅速。机器在计算速度、复杂问题解决以及结构化和非结构化数据处理方面已经跨越了更高的门槛。以下变化将以互联网的速度发生，这比公司和大学的人员再培训速度要快得多。

因此，你的挑战是重塑一个聪明领导者的模式。面对高度智能的机器，你应该如何建立一个人机合作的模式，让你仍然拥有强大的智慧？

在研究这一变化之前，让我们看看左栏中列出的功能。它们属于机器的新认知领域:理解和表达、对细节和模式的感知、数字处理、记忆、记录和分类。

机器已经逐渐显示出超越人类极限的思考能力。我们不再相信过去的成功公式。我们必须决定如何建立人机智能，从而激发高水平的战术和战略创造力，引导企业高效发展。

01理解和表达

当飓风、地震或洪水袭击美国时，联邦、州和地方各级应急机构会立即采取行动。在大多数情况下，在整个危机期间，工作人员将在几小时内提交关于进展、问题和反馈的“事后报告”。一个接一个，无限价值的报告源源不断地向领导们涌来。

当然，没有人能够真正坐下来研究危机期间的所有报告。然而，需要有人充分掌握危机局势和优先事项。即使在危机结束后，也需要一个高效的大脑来充分理解危机的细节并找出关键点。

自然语言处理技术使得领导者不再需要坐以待毙，逐字逐句地阅读文本中的信息。这给他们的世界带来了什么变化？该机器可以阅读报告并快速定位问题，以解决程序混乱、人员短缺、设备缺口或物流瓶颈等问题，这使得领导者的快速理解能力相形见绌。这会导致什么变化？

在各种复杂、混乱和不断变化的情况下，机器能够比领导者更快、更准确地找到解决问题的关键点。

对机器来说，问题的复杂性和不间断的信息流不是处理的障碍。数据科学家用类似于危机中发现的模式训练计算机。之后，计算机将读取每个新提交的报告并发出相应的警报。当实时总结复杂事件中的关键事实时，机器会忽略无关紧要的小事。

此外，该机器的能力还能帮助领导者应对其他紧急情况，无论是金融危机还是全球流感疫情。

Healthmap.org的网站不断从社交媒体上抓取15种语言的非结构化文本。机器会查找讨论该疾病的文本，一旦找到相关的词，如“发烧”或“荨麻疹”，就会在地图上标出相应的位置，以指示疑似疫情。

他们的一些程序逻辑对人类来说非常简单:忽略不相关的短语，如“红如龙虾”和“幽闭恐惧症”。但是依靠这些简单的排序和过滤规则，机器可以及时提供自己的意见。它们粉碎了人类无法触及的复杂性，并以每小时一次的速度刷新流行病分布图。

口头和书面的理解和表达，一项关键的人类技能，正在转移到机器上，这种趋势是不可逆转的。可以肯定的是，机器在理解和表达语言的细微差别时遇到了巨大的困难，更不用说隐喻、典故和情感了。至少在不久的将来，机器不能成为鼓励学生热爱文学的教育者。

然而，如果局限于日常表达，机器可以在一系列工作中表现得更好:技术支持回应全文查询请求、查询历史诉讼案件、分析专利和评估侵权。

理解和使用语言一直被认为是区分人类和动物的一种能力。令人惊讶的是，现在它已经不能区分人和机器了。

如果你是一个具有卓越理解和表达能力的领导者，你可能会感到威胁。这对你意味着什么？将处理和生成语言的任务分配给机器是因为机器可以以较低的成本获得较高的精度，并且可以承担较大规模的任务。

人们依靠机器提供的这些功能来解放自己。当你摆脱了阅读临时的、琐碎的和不相关的单词后，你可以专注于重要的事情并开始行动。你仍然有更多的时间来专注于关键任务，比如向他人解释你的发现是什么，为什么它们很重要，以及它们如何推动你完成必要的事情。

你仍然需要在更高的层次上进行沟通，并更多地关注说服、谈判、积极倾听和充满激情的愿景描述等任务。

02感知的细节和模式

这台机器感知细节和模式的能力大幅提升。同上实验室提供了一个很好的例子。芝加哥伊利诺斯大学在医疗和健康工作中使用了迪特的硬件和计算机视觉处理程序。

该校的健康研究和政策研究所将推特和Instagram上的照片输入到一个图像识别程序中，以跟踪吸烟行为的变化。与调查问卷不同，研究人员从包含人们日常习惯的照片中收集数据。

他们在照片中发现了一个显著的图案。年轻人购买上等雪茄(小雪茄)，切开，将烟草和大麻混合，然后用烟叶卷起来。

这些信息帮助健康教育工作者认识到年轻人对尼古丁上瘾的一种新方式，即包装烟叶。当研究人员解释新发现时，他们知道如何调整鼓励吸烟的标语，并衡量这些标语在改善社会福利方面的有效性。

另一个例子来自默克公司，它在人类疫苗生产的卫生保健领域处于世界领先地位。疫苗生产包括许多步骤:酵母培养、搅拌、发酵、纯化等。生产过程非常多变，一旦有任何差错，整批疫苗必须扔掉。该公司分析每个生产步骤的技术，以找到最大化生产的方法。

生产部首席信息官米歇尔·德·亚历山德罗(Michele D'Alessandro)表示，疫苗生产是一个类似于啤酒酿造的生物过程，生产经理在生产线上拥有大量数据。

事实上，数以千计的传感器已经收集了10年的数据。其来源包括车间生产过程和工厂设备的维护，以及每分钟测量一次的建筑环境参数，如气压和温度。生产经理可以单独检查每个数据集。然而，没有人能够立即评估整个生产过程，因为早期的生产步骤会影响后期步骤的成功。

这意味着在疫苗生产的漫长过程中，没有人能准确指出导致某些批次产量低的失败步骤。因为没有办法识别模式，整批疫苗经常被丢弃。

现在，这种情况已经被新机器的智能工作所改变。生产团队利用数据科学进行了大规模分析，整合和分析了总共5TB的数据，消耗了150亿次计算，进行了550多万次批量比较。然后，他们使用“热图”来显示与高产和低产相关的数据群。专家可以查看热图，提出修改建议，修改预测模型，然后进行更多分析。

德·亚历山德罗说:“这样做的好处是，我们可以在单一环境中集中所有数据并分析复杂信息。”

结果如何？他们发现了导致疫苗产量减少的具体特征和生产环节。最初的嫌疑人往往是无辜的，比如原材料。其他因素是罪魁祸首，如发酵元素。我们大大提高了产量，提高了生产效率和速度。这些成就来自于对问题的研究，以及寻找具有广阔视野的模式。

“我们现在反过来将研究成果带来的改进纳入了商业化过程。”亚历山德罗说。一旦这些变化得以实现，公司将在疫苗生产过程中每年节省大量成本并保护更多生命。

“这个实验导致了这样一个假设，如果我们能收集整个生产工厂的所有数据，”她补充道，“人们就能在数据中找到模式，并找到一些有趣的结果，而不用从他们头脑中清晰的问题开始。”

德·亚历山德罗不能透露默克公司改进的细节，但她说公司很快扩大了它的视野。2016年12月，它在新加坡完成了首个全厂分析系统。单个仪表板显示生产、平板电脑制造、包装、质量、存储、运输和其他环节的实时流入数据。该公司不想在问题突然发生后修补它，而是希望通过逐渐清晰的模式预测将会发生什么。

"工厂实行主动生产情报，而不是被动生产."她说，“我们需要能够随时查看数据，而不是等到出现问题。这是与过去的主要区别。”

有时，感知被用来从历史数据中识别已知的故障模式。有时它被用来发现未知的模式。复杂系统的挑战是在噪声中找到有意义的信号。

对人类来说，信号要么很难分辨，要么很难伪装，要么处理起来太耗时，但这正是机器学习的亮点。计算机勤奋地检查各种细节，不忽略任何字节。

机器学习有两种类型。向计算机展示难以理解的复杂数据，并让它使用算法从中找出模式。这被称为“无监督学习”。

对于已知的复杂模式，计算机不断显示真实的例子，如心脏图像，这将掌握这些模型和识别新的情况。这被称为“监督学习”。该算法根据数据中某些特征的存在与否来解释它所看到的东西，甚至比有辨别能力的人看到更多的信息。

想象一下机器智能是否可以用于欺诈检测。伯尼·麦道夫策划了一个简单的庞氏骗局，制造了现代最大的金融欺诈。作为一个世界级的骗子，他精通诈骗方法，但在这里他使用了一种古老而又传奇的方法。

尽管他的计划对全球金融体系来说就像藏在草堆里的一根绣花针，但它仍然可以被发现。如果有人利用历史上所有庞氏骗局的数据来训练机器，然后用这种算法来检查世界各地的金融交易，会怎么样？

机器从细节和噪音中识别模式的能力比人类强得多。人们很容易迷失在复杂的细节中，但是无论欺诈者如何聪明地编造会计报告，无论他的举止、微笑和拥抱多么可信，机器都不会被欺诈的外表所欺骗。

当机器一直在监视世界上的庞氏骗局时，下一个麦道夫不可能欺骗这么长时间，也不可能从投资老手那里拿走这么多钱(麦道夫案件中的欺诈金额为200亿美元)。

当你把模式识别的任务委托给机器时，你当然不想盲目地相信它。机器和人一样，也有弱点。你需要密切注意机器的工作方式，然后才能完全相信它的工作结果。随着机器继续成功，它变得越来越可靠。

机器提高人的模式识别效率的一个方法是尽量减少偏差。诺贝尔经济学奖得主丹尼尔·卡内曼解释说，人们经常会陷入“属性替代”的偏见。当面对复杂的问题时，人们习惯于用更简单的经验规则来代替它，从而加快分析速度。

这种做法非常普遍，即使经验法则和实际问题之间存在很大差异，所以我们经常根据完全错误的模型做出决策。

如果你习惯于“知道”你专业领域的答案，你会逐渐发现你的基础变得越来越不稳定。我们很难谦虚地承认机器在模式识别方面的优势。

但是随着时间的推移，当你看到机器经常得出非常不同的结论时，你不得不开始怀疑自己的判断。解放思想的时候到了。当然，机器也有偏见，因为数据科学家在编写算法时可能会带来他们自己的偏见，但是机器本身只能不加区别地处理1和0的序列。

明确地说，计算机不知道模式的“原因”。他们没有人类的好奇心去找出原因，他们也不会问:“原因A是如何导致结果B的？”他们可以学习、推断并有准确的记忆，但他们不理解原因和结果之间的关系。因此，理解业务系统的因果关系和制定发展战略仍然是人类的责任。

然而，人们仍应警惕“0+”的惯常做法:人们很容易相信他们在骗子用轶事和甜言蜜语的欺骗下所说的话。(想想麦道夫的例子。)

03数字处理

领导者越来越希望机器负责的第三种能力是数字处理，不仅仅是电子表格中的数字，还有需要大量计算的数字。这听起来很容易理解，但让我们先讲一个关于这一重要趋势的故事。

联邦航空管理局(FAA)希望提前几周甚至几个月更准确地预测航班延误。这听起来不太可能，但事实上，航班延误是由一系列因素造成的，这些因素在复杂的航班计划系统中出现在起飞前很久。

技术经理凯文·哈顿表示，美国联邦航空局一直依靠一个简单的模型来预测飞机抵达时机场的繁忙程度，即实际起飞时间。如果降落时机场太忙，交通管理员会推迟航班的起飞时间。

有什么问题吗？“如果预测算法输入了错误的出发时间，”哈顿说，“这样制定的系统响应计划可能是错误的。”

起飞时间不会准确地输入系统。在长期模型中，如果飞机不能准时起飞，计算机会简单地将起飞时间推迟五分钟，然后如果延迟继续，它会再增加五分钟并继续这样做。"这非常粗糙，与现实非常不同。"哈顿说。

今天，美国联邦航空局正在推进一个更加雄心勃勃的蓝图，希望实现控制更多空领域、更多航线甚至无人驾驶飞机的愿望。为了安全地管理不断增加的0+交通量，美国联邦航空局需要从完全依赖预定的飞行计划转向使用卫星导航来管理开放的0+空间。这个新系统将给交通控制带来革命性的变化。

很明显，人们不能仅仅用简单的模型来解决大量飞机在空飞行的复杂问题。在航班延误问题上，美国联邦航空局使用更快的处理器、并行计算技术和基于云计算的先进统计技术来处理大量数字计算。为了揭示其背后的复杂规律，联邦航空局使用贝叶斯信念网络(BBN)。

贝叶斯信念网络看起来像一个由关节和连接器连接的拼凑玩具的结构图。接头代表影响系统的因素，如美国联邦航空局案例中的天气。这些因素之间相互作用的强度由连接器指示。整体网络结构显示了导致延迟的各种因素及其与其他因素的相关性。

当数据科学家运行该模型时，他们使用方程来计算每个因素影响其他因素的概率。“混沌理论认为初始状态的微小变化将对一系列后续事件产生巨大影响，”哈顿说。"我们的模型跟踪所有事件链."

影响航班延误的因素包括飞机清洁、行李装载、机组人员问题、密集飞行和恶劣天气。各种因素可能直接或间接相互关联，这在计算中得到反映。

联邦航空局项目组综合了机器学习计算结果和专家意见，包括四种不同的算法，最终确定了BBN的所有概率。(是的，专家仍然非常重要。理解网络需要很多大脑。即使有人对各种系统范围的联系有良好的“感觉”，也不可能掌握它们所造成的全部影响。

“BBN的美妙之处在于，它不需要人们去思考延迟的原因。机器学习算法可以推断出哪些因素是相互关联的，”哈顿说。“只要它有足够的计算能力来完成所有的学习，它就能识别出我们没有注意到甚至没有意识到的模式。”

估计计算的规模。假设每个因子只有两种状态(例如开和关)，为了计算飞行延迟的概率，要考虑的因子组合的数量达到2的幂，其中n是模型中变量的数量。这种情况下的模型包含47个变量，因此概率的可能值的数量高达约140万亿。

利用机器的力量进行数字处理是大势所趋。对于期待数据驱动答案的领导者来说，这甚至更为紧迫。情况的复杂性使得人们不可能用经验法则比机器更快地得到更好的答案。

在美国联邦航空局，项目组在过去五年中积累的5200万份飞行数据样本中投入了他们所有的计算资源。这些样本包含525万行数据。因为数据不干净，实际计算比预期的要困难。贝叶斯信念网络是必要的，因为它可以估计各种复杂情况下的缺失值。

机器比最有经验的领导者更快地学习和促进进步。这不是通过经验、直觉、专家建议或其他方式，而是由于机器智能最近的巨大进步。它在寻求真理时不会有先入为主的想法，这是它的优势之一。

哈顿说:“当从原因开始时，你只会直觉地注意到可能导致延误的事情，而忽略所有其他因素，比如与明显原因无关的其他因素，比如飞机老化或芝加哥的雷雨天气。”

在航班延误问题上，贝叶斯信念网络击败了以前使用的最先进但最简单的统计模型。从还有很长一段时间要起飞的那一天到飞机即将起飞的时刻，它可以预测大时间跨度内的航班延误概率。即使无法获得空中的综合交通流管理数据，BBN也可以在没有数据的情况下做出更好的预测。

04内存

需要领导者反思的第四种人机合作能力是记忆。毫无疑问，今天的机器的性能，但他们并不像我们认为的那样好，当检索无标记和整洁的数据。他们还需要我们提供搜索上下文，否则很难获得有用的信息。

机器的发展还有很长的路要走。然而，许多有着杰出记忆的杰出领导人还没有意识到即将到来的变革的范围。

随着我们开始详细记录所有的内容和上下文，机器的记忆越来越像人类的记忆。它们将提供更全面的决策支持，并不断帮助我们减少不确定性和不可估量的风险。这意味着当你做决定的时候，你会更少地依赖于你的记忆，而更多地依赖于由机器总结的事实和经验，它们描绘了一个复杂现实的全貌。

如果你能像一台机器一样毫无错误地访问整个组织的集体记忆，然后立即做出决定，那会怎么样？我们已经看到这种决定在体育比赛中的应用。现在，球队收集了更多的数据，教练在制定计划时，根据多年来积累的球员、比赛和球员表现的数据，仔细参考了机器的预测。

想象你正在玩一场棒球比赛。在第九局的后半局，进攻者已经满了，你的投手面对着对手的新击球手。哪种投球组合最有可能使击球手加倍并结束比赛？这台机器能回忆起所有的细节。

运动中的可穿戴技术也为使用机器和详细数据帮助运动员提高水平指明了方向。这种机器能探测出逃跑的最佳教练眼睛的细微动作。当击球手将球直接打到球场角落时，左外野手的反应有多快？他的反应时间比去年减少了吗？90次投球后，他的投球看起来如何？他的活动范围、蹬踏动作和分发方法是否显示疲劳？

新的视频技术可以跟踪玩家的运动、方向、速度、距离和其他数据。有了机器智能，教练可以为球员制定个性化的训练计划，帮助他保持最佳状态。

对机器的记忆让许多领导者处于尴尬的境地。当然，在实时快速分析方面，具有出色记忆力的领导者总是比机器有优势。这一优势仍然非常有价值。一旦你需要提前做决定，你就不能打败机器。这也解释了为什么提问会成为领导者更重要的技能，而不是在现成的答案库中找到解决方案。

05记录和组织

第五个需要领导者重新考虑的人机合作能力是信息记录和分类，尤其是根据规则收集、分类和分类信息。例如，在电子表格中填写单词和数字的简单任务。如今，机器学习非常擅长这种工作。它已经基本上取代了体力劳动，并将继续在更多的任务中把人类甩在后面。

另一个来自麻省理工学院初创公司Affectiva的优秀案例被引用，Affectiva是——同上实验室的邻居。Affectiva通过处理视频和静态图像来跟踪人们对服务和产品的情感反应。专家首先让机器学会识别与15种核心情绪相关的面部表情。

他们使用20世纪70年代开发的人工分类系统，对成千上万张照片中的惊讶、厌恶、关注、困惑和愤怒等面部表情进行编码。面部肌肉的收缩和位置揭示了不同的情绪。

然后，数据科学家将图像的像素数据输入到算法中，并让它根据抬眉、皱眉、微笑和咯咯笑等因素来区分情绪。计算机可以很容易地检测到嘴、鼻子和眼睛周围的肌肉变化。

事实证明，世界各地的面部表情模式都是一样的(至少在Affectiva使用的照片所在的75个国家)。情感暴露程度不同，但类型不同。

借助Affectiva创建的情感编码算法，该机器可以自行评估情感反应，预测病毒式营销的目标是否能够实现，并优化产品改进以尽可能吸引受众。这样，Affectiva可以为公司提供新的信息，如客户对产品的热情。

换句话说，广告商可以衡量人们对广告最基本的反应。电影制片人可以测量不同场景下观众的情绪变化。当制作人发布预告片时，Affectiva可以记录观众的反应，通过分析数据找出最能打动观众的镜头，然后给制作人提供深入的意见:如何编辑电影可以让观众更好地沉浸在情节中。

Affectiva技术可以应用到什么程度？电子游戏公司飞行软体工作室已经将Affectiva的技术嵌入到了电子游戏“梦幻岛”中。在游戏中，玩家在精神病医院的病房工作，帮助病人从压抑的记忆中恢复。通过网络摄像头，游戏可以感觉到玩家的恐惧，并相应地调整难度。

我们看到，在新的应用中，机器收集和整理数据的能力远远超过了最初的限制。这项技术的应用范围将超越营销和娱乐，从根本上改变教育、健康和机器人技术。

在整理信息时，机器不必像大多数人那样根据特定的“规则”对信息进行分类。相反，它们根据匹配程度匹配信息和数据中发现的模式，这不仅速度快，而且完成了人类不能做的事情。

本文由 在线网速测试 整理编辑，转载请注明出处。