ChatGPT已能通过高难度考试，未来教育走向何方
转自：第一财经资讯
过去几周，全球科技领域又热闹起来。聊天机器人ChatGPT引爆了人工智能的“iPhone时刻”。虽然它还不够成熟，但足以引起各行各业的重视，迎接一场全新的技术革新。
已经对此技术表达担忧的是全球高校的校长和讲师。他们认为，人工智能技术的发展正在冲击现行的教育体系。ChatGPT已经可以参加高难度的考试，并提供看似令人信服的答案，可能会引发一教育改革的浪潮。
有说服力的废话？
2月9日，美国医疗保健初创企业安西布尔健康公司（AnsibleHealth）的研究人员在美国《科学公共图书馆·数字健康》杂志发表论文称，在回答美国执业医师资格考试2022年6月发布的考题时，ChatGPT的得分率在52.4%至75%之间，60分即可视为通过考试。
ChatGPT的得分超过了专门针对生物医学领域文献训练出来的一款大型语言模型PubMedGPT在类似测试中50%的得分率，并且ChatGPT有88.9%的主观回答包括“至少一个重要的见解”。研究人员表示，大型语言模型可能有辅助医学教育、甚至临床决策的潜力。
此前，ChatGPT还顺利通过了美国的司法考试以及商学院考试，几乎成为了“无师自通”的考试高手。不过，人工智能专家强调，ChatGPT虽然拥有一定的创作能力，但还难以系统地提出具有创新性的观点。
技术分析师本尼迪克特·埃文斯将ChatGPT的回答描述为“就像一个本科生自信地回答一个他没有参加任何讲座的问题，写出一大堆非常有说服力的废话”。
埃文斯对ChatGPT的描述可以理解为人们通常说的“一本正经地胡说八道”。但是ChatGPT已经被学生急切地采用了，来匆忙完成一篇可以通过的论文。
对此，清华大学国强教授、智能产业研究院首席研究员聂再清向第一财经记者解释称，ChatGPT经过大量学习后，基于概率自己能产生内容，一些简单的内容可能“长得很像”用户要的东西，但还没有强大到可以系统的提出具有创新性的观点并撰写论文、搞数学论证、或者做实验并得出结果。
ChatGPT的好处是什么话题都接得住，很能聊且有连续性，似乎回答得很专业。但缺点也很明显，就是有可能用“一本正经”的口气，编出了错误答案。“ChatGPT目前难以真正理解和回答开放域里有具体知识点的问题。”聂再清表示。
英国萨里大学人工智能研究所AndrewRogoyski博士这样解释ChatGPT：“ChatGPT可以理解为一个已经记住了十亿本书的系统，因此它可以猜测你提出的一个问题之后的下一个问题是什么。但它所说的一切本质上都是对人类之前说过的话的复述。”
传统教育被逼入墙角了吗？
ChatGPT推出两个月内，注册用户数量就超过1亿，表明公众对人工智能增强的搜索体验有相当大的兴趣。尽管ChatGPT无法代替学生参加考试，但在平时日常作业中已经起到“反作用”。
根据北美的一项调查，美国学生有超过一半用过ChatGPT完成作业，甚至有人因此拿了高分，这使得一些地区的学校不得不采取措施，禁止ChatGPT的使用。
虽然目前中国还无法使用ChatGPT，但业内人士相信，中国出现类似的软件只是时间问题。对此，教育界人士已经展开讨论。
在全国政协委员、上海市教委副主任倪闽景看来，目前人工智能对于基础教育的影响还没有显现，但是对高校的影响将是“极大的”。传统教育正被逼入墙角，教育改革亟待跟上技术的发展。
例如，ChatGPT能够在多项高难度考试中取得成功，一方面反映考试过于强调机械记忆，另一方面也是由于教学方式僵化，难以发挥学生的创造力。
倪闽景对第一财经记者表示：“ChatGPT的出现，应该是教育自身改革的一次重大机会，因为如果传统的教育方式不改变，教育是不可能靠屏蔽ChatGPT来维持下去的。”
倪闽景认为，基于目前技术发展的现状，教育改革亟待做出重大调整。首先是要培养出有独立思考能力和有正确价值判断能力的人，而不再是以获取特定知识为目的的人。“我认为最基础的人文、科技和数学知识依然重要，因为其中蕴含了大量价值判断、思维工具和解决问题的方法，同时编程思维、模块思维、批判思维的学习内容急需要补充。”倪闽景告诉第一财经记者。
其次是教育的方式方法需要有重大调整，要使用ChatGPT这类学习工具来协同改进教育教学方式，而不是回避与恐惧。“ChatGPT是一种全新的知识工具，从这个意义上来说和我们几千年依靠的书本、图书馆并没有两样。”他说道，“基于这样强大的知识工具来学习，我们不必焦虑将来孩子的工作被人工智能替代，因为新技术总是以产生新的人类需求来创造更多新劳动。”
业内人士认为，未来学习与人工智能打交道的能力将变得更为重要。根据麦肯锡全球研究所劳动力市场研究负责人AnuMadgavkar的一份报告，美国四分之一的工人将在工作中使用更多的人工智能和技术。50%至60%的企业表示它们正在从事与人工智能相关的项目。
技术咨询机构Gartner分析师高挺对第一财经记者表示：“ChatGPT的出现预示着人工智能替代人类的这个大趋势逐渐到来，尤其是一些执行重复工作的基础岗位。但同时，ChatGPT本身并不能理解它所生成内容的含义，而是根据概率对所生成内容的一种统计学优化。因此，ChatGPT背后并没有意识，它依然还只是人类一项好用的工具。”
海量资讯、精准解读，尽在新浪财经APP浪潮之下，人工智能将走向何方
而去年大火的游戏《底特律·：变人》采用了三条主线，以不同的仿生人视角去观察人类的行为，并且探讨了在仿生人觉醒自我意识后，是否应该享有同样的人权的问题。实际上不仅仅是影视作品，人工智能科学也确实得到了重视，国务院连续对我国人工智能的发展做出了规划，与信息技术有关的专业都希望在人工智能领域有所涉足，这使得人工智能无疑成为新时代最热门的学科之一。
在人工智能如此火热的大背景下，不同的声音也不断涌现出来。甚至有学者认为，人工智能发展到现在仅仅是表面繁荣，实际发展早已陷入困境。人工智能为我们展现出的智能与灵活，或许只是“看起来”那样而已。他们认为，人工智能往往只是按照人们已经规划好的策略运行，或者是海量数据中找到一种最好的策略，而它对规则和策略本身并没有真正理解，也就是说，人工智能要达到和人类相同的智能，还有很长一段路要走。
2
对于人工智能的实现，主要的思路有功能模拟（注重实现具体功能而不局限于模仿人类的思维方式，如几何机器证明）、结构模拟（通过仿生手段实现类人智能，如人工神经网络）、行为模拟（关注对生物动作的模拟，如爬行机器人）等。其中人工神经网络在如今的人工智能浪潮中大放异彩。人工神经网络基于生物学中神经网络的基本原理，以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，引起各学科领域的关注。基于人工神经网络的机器学习技术也依然有缺陷存在，例如神经网络的训练需要的大量样本，因此还催生所谓人工智能行业90%的人在标注数据的说法。总的来说，当下人工智能一方面实现了技术和应用上的飞速发展，另一方面也必然有其局限性。
人工神经网络
以一个实际问题为例，五年前，英国人工智能公司DeepMind利用深度学习开发出了一款人工智能，掌握了一款简单游戏Breakout，在游戏中，你需要用移动下方的平板，把球弹起，然后把上方的所有砖块都打消失。
事实证明，人工智能会掌握一些令人印象深刻的技能。在最初的几场游戏中，它只是控制下方的平板四处乱晃。但是玩了几百次之后，它已经开始准确地将球弹起了。到了第600场比赛时，神经网络使用了一种专业的人类Breakout游戏玩家使用的动作，凿穿整排砖块，让球沿着墙顶不停跳，结果很棒。但随后，他们稍微调整了游戏的布局，人类玩家可以快速适应这些变化，但神经网络却不能。这个看起来很聪明的人工智能，只能打出它花了数百场比赛掌握的Breakout的方法，却不能应对新变化。
BreakOut游戏
实际上，DeepMind的人工智能，一个由分层算法组成的神经网络，并不知道任何关于Breakout的工作原理、规则、目标，甚至如何发挥它都不清楚。编码器只是让神经网络检查每个动作的结果，每次球的弹起轨迹。另一方面，人类能够推理，也会对我们周围的世界进行逻辑推理，我们有大量的常识知识来帮助我们发现新的情况。当我们看到一款与我们刚刚玩的游戏略有不同的Breakout游戏时，我们会意识到，它可能有着大致相同的规则和目标。相比之下，神经网络对Breakout一无所知。它所能做的就是遵循这个模式。当模式改变时，它无能为力。单凭这一点，深度学习永远不会产生广义上的智能，因为真正像人类一样的智能，不仅仅是模式识别。
鉴于人工智能的多面性，人们对于人工智能也产生了各种不同的态度。对于人工智能的讨论主要围绕着几个问题展开。其一是当下的人工智能技术究竟发展到了何种地步的问题，有些人认为当下的人工智能技术相对发达，我们已经实现或者即将完成从前难以做到的许多创举，人工智能革命正在发生；而另外一些人则认为当下的人工智能还十分有限，过分依赖统计学而不具备真正的思考能力。以AlphaGo为例，支持者认为人工智能在围棋方面已经完全战胜了人类，反对者则认为即便如此人工智能无法脱离人类而独立明白围棋规则，仍然是人类智慧的附庸。
另一个问题是人工智能与人类社会伦理的结合问题。人工智能会给人类就业带来危机吗？人工智能的决策值得信赖吗？人工智能造成事故的后果应该由随承担？诸如此类的问题往往是科技革命必然伴随的大讨论。
2018年3月18日晚上，美国亚利桑那州一名女子被优步自动驾驶汽车撞伤，之后不幸身亡。路透社报道称，这是全球首例自动驾驶车辆致人死亡的事故。次年3月5日亚利桑那州一位检察官最终判定，优步在去年3月发生的自动驾驶车祸致死事故中不承担刑事责任。虽然如此，该事件也引发了人们对包括自动驾驶在内的各种人工智能技术的担忧和探讨，各相关方正致力于通过制度的完善妥善解决人工智能为人类社会带来的各种冲击。
REC
其三是关于强人工智能的危险性。从许多科幻影视作品中可以看出，当人类展望人工智能的未来时，大多都相信人工智能终有一天会成为不亚于人类智能的存在。而这会对人类的生存带来什么影响呢？在2017年4月27日召开的全球移动互联网大会上，著名物理学家斯蒂芬·霍金发表了《让人工智能造福人类及其赖以生存的家园》的主题演讲。他警告人们：“人工智能一旦脱离束缚，以不断加速的状态重新设计自身，人类由于受到漫长的生物进化的限制，无法与之竞争，将被取代，这将给我们的经济带来极大的破坏。我们无法知道我们将无限地得到人工智能的帮助，还是被蔑视并被边缘化，或者很可能被它毁灭。”
霍金教授
而谷歌董事长施密特则提出了反对观点：“对于人工智能的担忧，都是正常的。但是回顾历史你会发现，这些绝对是错误的。我们只是希望通过更多机械化的方式，能让我们穿上更好的衣服，而且历史的经验已经证明，过去的经济繁荣时期，大多数是因为采用新技术而引发的。”究竟人工智能是不是潘多拉的盒子，或许只有到它被完全实现的那天我们才能得到回答。霍金教授在报告中总结道：“我们站在一个美丽新世界的入口。这是一个令人兴奋的、同时充满了不确定性的世界，而你们是先行者。我祝福你们。”
3
因此，我们特别采访了清华大学自动化系教授——张学工老师来为大家解答疑问。
张学工老师
Q1：请问人工智能理论是如何产生的呢？
A1：如果我们是说广义的人工智能，或者说现在理解的包括机器学习在内的人工智能，不是从1956年达特莫斯会议开始的，应该至少是追踪到1940年前后。有两位科学家建立了一个对神经元的数学模型，揭示了神经元是对接收到的信号进行加权求和，再经过一个非线性环节进行输出，这其实应该说是真正对智能研究的开始。
差不多同一时期的另一件事也很重要，那便是控制论的提出。控制论不是控制理论。控制理论是controltheory，控制论是cybernetics。控制论研究的是动物和机器中的通信与控制问题。那是把动物（包括人）和能够自动完成一定功能的机器统一起来研究的开始。
1956年以符号主义为主研究机器智能的科学家创造了一个词叫做artificialintelligence（人工智能），简称AI。同时，另一些科学家研制了一类叫做感知器的机器，实现了一个人工神经元能够初步学习对外界信息进行感知，这就是机器学习的前身。
感知器
Q2:从2016年AlphaGo击败李世石开始，人工智能热度升高，请问如何理解“智能”这个概念呢？
A2：这是一个复杂的问题。“智能”这个词在不同时期可能不是同一个意思，例如智能手机。智能可能有几方面的含义。
一方面，人有一定的知识，是智能的。人可以高考，可以记忆知识，并且记忆并不仅仅是死记硬背，而是能够快速搜索；或者说碰到一个具体的问题，把知识库中最相关的知识提取出来。总的来说是是基于知识的。其实很多传统上的人工智能指的是这方面。当然，机器内部存储的是数，用数学来表示知识本身就是一个问题。并且知识不是孤立的，而是有一个复杂的逻辑体系，同时要求能够进行有效搜索。早期有一个概念叫符号主义，就是说所有的知识都可以表达成某种符号。这个方面的智能严格来说应该叫做符号主义的人工智能。除此以外，产生新的知识也是重要部分，例如机器证明。
另一方面，以人为例，一个人可能没有上过学，但是他可以很聪明，比如他可能没有很多知识，但是他过马路的时候可以避开车辆。根据外界世界的各种经验，对外界信息进行各种处理，然后做出一个智能的决策。这便是另一种能力，根据观察，总结一些规律，即是机器学习。现在强调的人工智能其实指的是这一方面。
那为什么很多人更看好这方面？比如说我们都知道手机拍照的时候，它都自动识别人脸，这个并不是说我描述好了一系列的规则，有一个理论说人脸应该长什么样，而是拿大量的已知的人脸去做这个训练以后，去学得到人脸的模型。
从上个世纪四五十年代就有人开始研究机器学习，八十年代的人工神经网络曾经有一段高潮。当时的网络比较简单，之后诞生了支持向量机，接着又出现了深度神经网络。由于理论、软件、算法和硬件等条件的进步，使得这个以神经网络为基础的机器学习有了很大的发展。后来DeepMind把这个机器学习和传统的人工智能很好地结合起来，在围棋这件事情上取得很大突破。由于机器学习这个词儿比较费劲儿，大众不是很好接受，所以人们重新使用人工智能这个词。所以如今人工智能的概念和五六十年的不太一样。
何为智能？
Q3：如今机器学习需要数据支持，但是人可以知道规则后进行直接推理，那么机器是否可以脱离数据理解规则呢？
A3：现在说的机器学习是指基于数据的机器学习。它又有两大类：一类叫做监督学习；另一类叫做非监督学习。监督学习就是对训练样本进行标记，告诉机器答案，例如标记照片中的事物，然后让机器去学习。非监督学习指的是有很多数据，但是并不进行标记，或者本身没有目标，并不知道实现要完成什么，希望提供学习算法来发现数据中的规律。
而像下围棋这样比较复杂的问题，并不是简单地识别一个图像，而是在学会预测当前棋局下可能出现的结果的基础上进行优化选择，并不单纯是一个机器学习问题。其中利用收集的大量棋谱来进行训练的过程可以看作是一种监督学习的过程，而当它具备了初步的下棋能力后，可以自己产生更多的棋局进行自我训练，减少对外界训练数据的依赖。
机器学习是否可以脱离数据理解规则？早期有很多基于规则的机器学习方法研究，现在人们提机器学习通常是指基于数据的机器学习。这两大类方法都有各自的适用场景。如果对一个对象有明确的规则，当然首选还是利用规则来设计方法；但在大量问题上规则是非常不清楚的或者是未知的，这就需要用基于数据的机器学习。
Q4：有一种说法是，虽然现在能够让机器进行一定的学习，但是我们可能并不了解内部的工作原理，您怎么看？
A4：这主要指的是深度神经网络这类机器学习方法的问题，是人们经常说的问题，是现在前沿研究想突破的地方。但这种认识并不完全，还是有很多深度神经网络模型，人们能够有一些理论或实践的办法了解或部分了解其内部工作原理的。另一方面，人们也在研究其他一些不同的模型，例如基于贝叶斯概率推理，把整个事情设计成一个概率推理网络，从设计的开始就试图知道里面发生什么。
Q5：如今外界媒体对于人工智能的期望普遍比较高，您怎么看待如今人工智能的发展？
A5：这个领域其实还是处在一个非常年轻的阶段，才刚刚开始，离着成熟还很远。这个事是和外界宣传的情况是很不一样的，我们作为本专业的学生的话，应该又比较清醒的认识，
外界对于人工智能有各种不同的观点。有人认为不得了，有人认为还不行，都有一定的道理。
智能的概念是在演化的。最开始有电视机的时候是没有遥控器的，但是能看电视已经觉得很了不起了，后来有了遥控器，这个算不算智能？为什么有些人会说这个人工智能还很差呢？就是因为你看着现在好像很复杂很高端的一些算法，本质是数学的东西，是一系列复杂的数学方程，似乎没有什么。所以有些人夸大地说，所有的神经网络都是一种回归。
人工智能只可能越来越智能，这就意味着“强人工智能”只有更强，是一个相对的概念。其实我们不用太纠结。以生物研究为例，什么样的生物能算作智能？猫、狗、鱼？甚至初等的线虫？甚至是微生物？有人可能说细菌连神经系统都没有，如何智能？但是细菌能够感受营养和敌害，甚至细胞之间还有协同的作用。解透了，你觉得这是化学和物理；解不透了，看上去很智能，所以对于这个问题纠结的意义不大。
Q6：您认为人工智能和人类智能有哪些方面的区别呢？如何看待某些方面人工智能超越人类呢？
A6：对于人工智能已经实现的事情，其能力是比人强的，人没有必要觉得自己受到了打击。汽车早就比人跑得快了，比人能力强的机器已经很多了，智力方面为什么机器不能比人强呢？例如存储知识，机器一定比人强。并不能说人工智能抢饭碗，而应该是怎样能够把两者结合起来，人的智能里有很多高层的东西，机器就差得很远，例如情感、直觉。当一个人的阅历丰富了，他的感觉通常是对的，这件事情是很难定义的。人能够创造新的知识，进行深入的思考，例如人们常说的哲学命题，这是人特有的。有了人工智能的一些机器以后，我们能够用它去扩展人类的能力，能够和平相处，才是最好的。
Q7：您觉得现在的人工智能会如何发展呢？
A7：发展有很多方面。首先，其应用会非常广；另外，理论本身会发展；然后，计算机硬件不断进步。就理论本身来说，人们还是不断试图去追求一些更高阶的问题。比如说，使得机器翻译明白语言本身的意思，甚至说，对“理解”这个绕脑的问题进行研究——因为这里其实有一个悖论，人类如何知道机器不懂？我们判断别人懂不懂，只能通过对话。但是现在的聊天机器人不是能够对话吗？但是这些机器人是否真的懂呢？这里的边界不好说，但是人们在探索这些问题。但是我觉得这还是一个技术层面的问题。另一个层面的问题，不再仅仅是技术，例如因果关系。我们所有的机器学习都不涉及因果关系，比如机器看一个人的头发长，于是认为她是女生，但并不能说她是女生，是由于她头发长。
张学工老师
Q8：自动化的同学应该如何看待人工智能呢？
A8：自动化有三论：控制论、信息论、系统论。有人说自动化就是智能，或者智能就是自动化，比如自主驾驶、自主下棋等。因此，自动化的学科边界比较模糊，而自动化人最大的特点就是并不给自己一个明确的标签。就是这个问题不用纠结，直接去发展就好了。对于自动化系，有些同学做的事情很像计算机，有些很像电子技术甚至机械，有些很像数学或统计，而有些可能很像管理。对于低年级的同学，需要把基础知识打好，要关注人工智能，但要关注其本质和核心，关注它自身而不是有它带来的各种时髦现象和说法。如果我们仅仅停留在一些抽象的概念上，我们就变成空谈家了，对吗？我们要做的，是深挖原理，写公式，写代码，推定理，推里面的东西，探究里面的思想。当然，我们关注这些硬核的东西，不是一个很轻松的事儿，甚至挺累的，有挑战，但是咱们不是生来就是迎接挑战的吗？
Q9：请问老师对于如何学习人工智能有什么建议吗？
A9：对于基础知识，需要对基础数学、编程、硬件等有较强的能力。至于建议的话，希望能够在领域中找到自己的兴趣点，如果没有，就多去尝试，碰到一些问题，然后沿着这些问题进行深入研究。咱们系里有好几门相关课程，例如张长水老师和江瑞老师开的人工智能、我和汪小我老师的模式识别与机器学习（原来叫做模式识别）。至于网络公开课，需要同学们稍微审视一下，有些公开课挺浅的。建议大家搜索一些深入的课程。
4
在你打开车门的一刹那，行车电脑就已经根据你的日程，规划了最优的出行方案，并自动启动引擎等待你的确认；当你将钥匙插到门锁之前，智能中控就已经察觉到你的归来，将墙壁晕染成明亮的米白色，使气温调节至舒适的23℃；当你坐在办公桌前，屏幕自动亮起，为您提供当日可靠的投资建议并自动辅助拟写各式各样的信件……也许这仅仅是我们梦中的一天。然而，这样的未来真的很远吗？
飞鸽传信的时代曾经幻想天涯若比邻的便捷，在如今的我们看来只不过是日常生活的电子通讯罢了；天圆地方的世界观？嫦娥奔月的梦幻？在如今只不过是站上月球看地球的一目了然罢了。未来总有着无限可能，现在的生活终将成为历史，疯狂的幻想可能变成现实。随着百年来理论和技术的不断发展，我们似乎触手可及那个随处“智能”的时代，而横亘在理想和现实之间的则是等待我们共同研究的人工智能课题——控制论、符号主义、神经网络……下一站人工智能将驶向哪一块里程碑？人工智能的航线上，期待你的智慧。
End
采访/严虎张博睿贺启航
文案/褚峤松向启步张诚毅童军博张博睿
拍摄/贺启航
排版/童军博
审校/严虎苏白华宁返回搜狐，查看更多
你我都在改变，未来的组织与人才将走向何方
原创忻榕中欧国际工商学院收录于话题#教授干货72个#忻榕教授5个
2022已悄然而至，站在一年的起点，总是对未来充满了期待。对个人如此，对组织亦然。不妨先畅想一下：面对不确定的未来，企业的组织将走向何方？组织与人才会产生怎样的新型关系？
中欧管理学教授忻榕认为，技术的发展给数智化时代的应用场景带来了很大的变化。未来，企业组织的核心驱动依旧是客户资产，而组织与人才之间也将建立新型关系。
01
数智时代，企业面临哪些管理挑战？
很多人将数智时代称之为VUCA时代（编者注：VUCA是volatility易变性，uncertainty不确定性，complexity复杂性和ambiguity模糊性的缩写），在这一背景下，社会经济和商业环境都面临着很大变化，也给企业在引进人才、培育人才和留住人才方面带来了极大挑战。当然，挑战和机遇一定是并存的。
技术的发展给数智化时代的应用场景带来了很大的变化。在消费互联网时期，人们为衣食住行而忙碌；到了产业互联网时期，人们更多开始关注智能互联、信息整合、数据决策、人机协作等因素给人类社会生活带来的影响。
人工智能的发展大大提高了生产效率。比如京东在广东东莞的分拣中心原本需要3000多名员工，如今人数却不超过20人，成本直降86%。取而代之的是300多个分拣机器人，每天不分昼夜地工作。
然而，企业管理者必须意识到现在的20名员工并不是从之前的3000多名员工中获取的，现在的20名员工需要新的知识、新的经验和新的背景。
如何安置之前的3000多名员工？如何看待企业在社会中的责任？这些问题都需要管理者通过思考加以解决。
人工智能大大提高了服务效率。现在，智能客服的占比约为94%，用户对其的满意度比对人工客服的满意度要高3%。人工智能可以通过自动化设计图片，一秒钟可达8000张，为“双十一”的商家设计促销海报带来了极大的便利。不仅能够提升服务质量、增强客户体验，还大大提升了效率。
但人工智能带来的都是积极影响吗？
现在，人脸识别技术的精准率已经达到了99.99%，比人类的眼睛更精准。海底捞曾与阿里联合研发了一套系统，对顾客进行面部识别，顾客只要消费过一次，系统就能“记住”他喜欢哪种底料和哪些配菜。这能够有效节约成本、提升企业效率，让服务更精准。
但是，从人文关怀的角度来说，这也侵犯了顾客的隐私权。所以这套系统并没有真正投入使用。
此外，人工智能也能给人力资源带来了一定的挑战。亚马逊公司有一个用于整理数据的土耳其机器人，可以将电脑无法完成的无数琐碎的脑力工作自动化，把数据包发给全球的工程师。
那么，这些工程师究竟是在为亚马逊工作，还是在为土耳其机器人工作？这是组织需要深刻思考的问题。
02
透视未来组织
对于企业来说，未来组织的核心驱动依旧是客户资产。
支付宝刚刚诞生时，只是一个提供支付功能的保障平台。但是支付不是其服务的“终点”，而是数字化经营的“起点”。
通过营销和运营，将生产资料中的资源打造为新业务的起点，实现客户关系管理、供应链管理和金融解决方案。
那么，企业如何发挥员工的创造力？
以产品创新的共享设计平台洛客为例，其创始人为了让企业能够突破瓶颈，建立了一个叫做“超级个体”的共生体平台。在这个平台上，客户提出需求后，洛客负责接单、管理质量、认证全球的工业设计师，把设计过程透明化。客户可以看到自己的项目处在设计的哪个阶段，以及是否满足了自己的需求，并可以即时提出反馈或者修改意见。
在一个智能汽车的设计项目中，有1200万人参与。如果不是在数字化的平台上，很难想象能够聚集这么多人共同参与设计。
这样的设计过程不仅提高了效率，还提高了创新、创造带给用户的共同价值，这是一个共创的平台。
那么，对一个企业或组织来说，如何让其中的人才发挥主观能动性，创造更多价值呢？
作为全球最大的轮胎制造商，米其林的市场份额占全球市场的20%。过去10年来，米其林进行了一场革命性的变革，把全球26家最主要的生产厂全部变为自助式管理，从原本的班长、组长、生产线的线长等6级管理，变为了2级管理制。这就意味着所有的员工都要担当起更重要的角色，组织也变为了自组织、多角色、快变化的自我管理型、赋能型组织。
这种转型靠的是智能化的辅助，以及管理者想要充分发挥所有员工主观能动性的决心。
同时，这种转型也满足了企业的战略需求。缩短生产线能让政策和方案的制定变得更容易。
03
组织与人才新型关系
数智时代，企业在变，而这些变化中存在一个共性。
京东的组织架构与竹林的组织类似，根部互相滋养，上面各有结构，核心是共赢。
顺丰鼓励员工在当地创业，创业不成功，企业会给员工兜底。
海尔的组织是小微模式，鼓励员工在海尔的平台上创业，发展到一定程度时就可以自立门户，成为法人。在通过这种方式创立的企业中，已经有3家上市公司。
成立于2001年的跨境电商公司安克，从一个做跨境电商贸易的公司，到现在也能够自主设计产品，靠的就是通过“安克创业者集结计划”，给内部员工创业机会。
上述企业的类型和行业不同，但都有一个共同的核心，就是能够发挥员工的主观能动性，产生共创、赋能、共赢、共享的核心精神。
企业在发生变化，个人也在发生变化。
80后、90后，甚至00后，都在积极追求斜杠人生。个体在成长和职业发展过程中，所处的环境不同，而在富足的社会下，更能激发个人对自由职业的渴望和追求。
据统计，到2030年，美国会有50%的职场人士成为自由职业者。而此次疫情更是加速了这个过程。
同时，个人有很多新的需求，哪怕退休后也依旧葆有追求新职业的热情。2020年，全国新登记注册的市场主体数量为2502万户，平均每天新增2.2万户。
这些个人的变化，就带来了很多智客。分为行业型智客、项目型智客、通用型智客和匠人型智客。
组织与人才的新型关系，将从现在的雇佣为主，发展为多种情形关系，比如“雇佣+合作+使用”的模式。
将来的组织将是混合雇佣模式，组织对某些人才的依赖性很强，而对某些人才的依赖性则较低。如果是市场中较为稀缺而组织又比较依赖，且市场流动性较低的人才，那就是共生共长型模式；而如果是市场流动性较高的人才，可能不愿意为一家企业或者组织服务，只能建立伙伴关系型模式；如果组织对人才的依赖性低，且人才的饱和度较高、市场流动性较低，则是派遣租赁型模式；而如果流动性很高，就是市场交易型关系。
未来，组织间的竞争将集中在灵活性上，彼此都不会刻板地遵从某种员工和组织的关系。
不管你是否愿意，或者是否准备好，时不我待，未来已来！
编辑|张子胥
责任编辑|岳顶军
原标题：《你我都在改变，未来的组织与人才将走向何方？》
聪明的车or智慧的路自动驾驶的未来将走向何方
易车原创前面几期,易车科技从自动驾驶企业到自动驾驶的技术,做了深度解析,主要围绕车端的硬件设备、软件算法以及底层架构等方面,今天我们将视野拉高,更加宏观的来聊聊自动驾驶目前的两大发展方向——单车智能和车路协同。
单车智能:它的重心更倾向于车辆驾驶的自动化程度,而单车智能的技术实现路线也被分为两种,一种是以Waymo为代表的,以多线激光雷达、多种传感器进行感知;第二类以特斯拉为代表,基于摄像头和视觉感知。
车路协同:则是在单车智能的基础上,通过车联网将“人-车-路-云”交通参与要素有机地联系在一起,助力自动驾驶车辆在环境感知、计算决策和控制执行等方面的能力升级,加速自动驾驶应用成熟。
简单来说,单车智能和车路协同的本质是技术和成本在车侧和路侧的分配。
其中,单车智能是国内外大多数无人驾驶企业所在推进的方案,但是这并不意味着这将成为实现无人驾驶的最优解,也不能笃定说车路协同就是最优解。虽然L4-L5级的自动驾驶最理想的模式是实现“车端-路端-云端”的高度协同,从聪明的车配上智慧的路,车端智能和路侧智能协同呼应,但车端智能和路端智能的发展不是完全同步的关系,自动驾驶的路线选择面临感知能力、决策能力(算力)等不同能力在车侧和路侧分配的问题,所以对应的自动驾驶成本也不同。
目前来说在自动驾驶这条赛道内,各家企业的技术路线还真不是完全趋同的,有的是主攻单车智能,尽可能的把车武装到牙齿,激光雷达、毫米波雷达、摄像头、高精定位等硬件设备全都配全并且选用的都是参数拉满的配置,代表企业如AutoX和小马智行等;有的是单车智能和车路协同齐头并进,两手都要抓,代表企业如百度Apollo以及蘑菇车联等。
单车智能的代表企业,国内来说AutoX算是较为突出的,AutoX总裁肖健雄曾表示:自动驾驶不能单纯依靠路车协同实现,目前道路智能化还难以真正做到全覆盖。要提升自动驾驶的安全性以及驾驶体验,必须改进单车智能的技术,以应对雨雾等各种极端天气,确保用户能够得到安全的Robotaxi体验。
同时,车路协同与单车智能相辅相成,车路协同是对单车智能的一种有益补充。假如国家层面加大道路基础设施建设,可以辅助提升自动驾驶的道路精准度,同时也能增加道路交通的安全性。
可见肖健雄对于单车智能还是更加看重的,其认为路侧的设施存在故障、维修、养护等一系列问题,只能当做是一种辅助作用,重点还要把车做到最为智能与安全,提升传感器冗余,做到万无一失。
今年7月,AutoX发布了第五代全无人驾驶系统AutoXGen5,是为无人驾驶而从零开始打造的,一共具备了超过50个传感器,配备了规模庞大的传感器集群,总像素达到2.2亿像素每帧,配备了高清的4D毫米波雷达并可实现0.9度分辨率。每秒钟成像的激光雷达点云实现了1500万,算力平台支持2200TOPS的算力平台。这套惊人的硬件总成表现了AutoX要把车做到最“聪明”的决心。
车路协同以百度Apollo为例,百度的技术路径是“聪明的车+智能的路”双剑合璧力图实现自动驾驶最优解。
单车智能方面,百度Apollo推出了联合北汽极狐共同打造的新一代共享无人车ApolloMoon。
硬件方面,ApolloMoon搭载的第五代套件采用了1颗主激光雷达,13颗摄像头和5颗毫米波雷达的多冗余传感器组合。车辆前部加装了一颗成本很低的前向激光雷达,将在系统失效情况下用于冗余系统。虽然减少了激光雷达的使用,但ApolloMoon增加了摄像头的个数,同时还大幅度提升了图像分辨率和帧率,视觉感知能力正在发挥越来越大的作用。
另外Apollo采用的计算平台提供的算力超过800TOPS,用了更多车规级的器件,为无人化实现了主计算系统和备份安全系统的一体化设计,采用水冷散热设计,不仅体积减小,结构简化,整体噪音也极低,车内非常静谧。
在路侧方面,ApolloAir是目前全球唯一仅通过路侧感知就能实现开放道路L4自动驾驶闭环的技术。
ApolloAir技术可以在没有车端传感器、仅借助路端轻量感知和红绿灯信息的情况下,通过利用V2X、5G等无线通信技术实现“车-路-云”的信息交互,从而赋能自动驾驶。
相较于单车智能,车路协同技术路线通过超视距的道路感知、车路云多个终端的智能信息互通互联,不仅可以扩大车辆感知范围、保障自动驾驶安全,还能降低对车端感知系统的要求,从而进一步降低单车自动驾驶的成本。
根据百度自身统计,车路协同已经可以解决单车智能在路测时遇到的54%左右的问题,减少62%的接管次数,降低30%的单车成本。
目前百度已经在北京、广州、上海开展了车路协同方案的落地实践。
在北京,百度针对12.1公里28个路口进行车路协同智能化改造,搭建支撑L4级自动驾驶车辆测试运行的基础环境;建设车路协同边缘计算支撑平台,搭建了边缘计算服务框架,实现设备管理、车路协同算法同步等边云一体化功能。
2020年8月,黄埔区、广州开发区与百度Apollo开启“广州市黄埔区广州开发区面向自动驾驶与车路协同的智慧交通‘新基建’项目”,覆盖黄埔133公里城市开放道路的102个路口和路段。
上海嘉定汽车城开展开放道路智能网联汽车测试环境建设,项目建设里程37.8公里,覆盖范围约65平方公里,通过对56个路口以及重点路段进行智慧化改造,提供了更加丰富的测试场景。
通过这两家的技术路线我们看出,各家虽然都表达了单车智能+车路协同两条腿走路的愿景和目标,但实际实施过程中还是各有侧重的,这也让双方走向了不同的岔路,未来哪方能立足于市场还得拭目以待了。
单车智能存在的局限性:
1、超视距感知、视觉盲区无法感知到。
无论是摄像头还是激光雷达,本质上都是探测电磁波,与人类的视觉感官类似,人看不到的地方,这些设备也探测不到。视觉盲区典型的例子就是“鬼探头”,如下图中,行人出现时,减速已经来不及了。
2、恶劣环境感知。
单车智能有许多长尾问题有待解决,比如暴雨天气下,单车感知系统几近失灵,激光雷达因积水反射,噪点增多,摄像头画面模糊,目标识别的置信度降低。
在黑夜场景下,单车视觉感知条件严重不足,曝光时间延长,感光范围缩小,雷达因缺少摄像头反馈的颜色和语义信息支持,无法辨别障碍物。
3、高成本设备利用率低。
在一辆车上装激光雷达等设备,很贵。然而一辆车大部分时间是停着不动的,行驶的时间只占一小部分(停一晚上开车去上班,停一天开车下班)。这样昂贵的设备利用率很低,不划算。
讲单车局限性一定要讲两个例子,Uber自动驾驶撞出事故、特斯拉自动驾驶车祸,这是典型的单车智能局限性的体现。数据表明,传统汽车大约每50万英里发生一起事故,单车智能自动驾驶汽车大约每4.2万英里发生一起事故。
所以要有车路协同。把昂贵的设备安装在路上,由路上的设备来进行感知(有时候也做一些计算工作)。车路协同是由“路”来“告诉”车周边的情况,例如前方200米有车,注意减速;在路线上前方5公里处有车祸,提前绕行。(车速很快,需要高带宽低时延的传输方式,所以车路协同是5G很好的应用工具)
这样车和路就成了一个统一的整体。
路侧设备采集到了所有的车的信息,这些数据可以上报到一个统一的中心,由这个中心根据这些数据进行分析并加以应用,这个中心就是所谓的“云脑”:
1、出现车祸、拥堵能及时的告诉所有车辆,设定了目的地之后根据交通状况计算出行时间;
2、通过大数据提前预知什么时间、什么地方会发生拥堵,提出预警;
3、根据预测的交通流,给出出行建议,几点出发走那条路会最顺畅。
从车路协同道路设施来说,智能路牌、信号灯等车路协同的设施能够保证单车智能对于外界数据和信息的获取,保证交通的统一调度以及安全行驶。在理想状态下,车路协同确实是能很好地解决单车智能的这些弱点。
车路协同存在的局限性:
车路协同对单车智能也是存有依赖性的,其中有一点是十分重要的,不论是车路协同和单车智能的网络安全防护并非不可破。
对于黑客来说,破坏单车智能网络,可能只是几辆车的交通事故,但是车路协同网络安全性故障,带来的可能是整个交通网络的瘫痪甚至更严重。所以,一旦车路协同遭到侵入,这时单车智能的重要性就体现出来了,暂且不提如何实现不堵车的问题,保证车辆行驶时的安全性则只能由单车智能接管。
另外要想实现全域范围的L5自动驾驶,那就需要全路段都铺设智能设备,那么且不说政策何时能够完全匹配,光是这些路端设备的维修、保养和检测就需要投入很大的人力和物力,并且如果某一个路口的设备出了问题,还是要看车辆能否足够智能来应对。
从双向通讯的角度来看,车路协同中的每一辆单车都是体系中十分重要的一环,是平台数据的重要来源,如果车辆非智能,那么车联网也无法落地,也将失去意义。
总的来说,根据美国交通部的说法,车联网的核心价值是提升消费者的出行安全,减少交通事故。那么,窥一斑而见全豹,从最重要的网络安全与道路安全的角度去看车路协同和单车智能,两者未来一定需要融合发展。
对于美国而言,人工智能领域全球领先,人才储备充足,基础科研实力强,美国的人工智能企业数量位居全球首位,遍布基础层、技术层和应用层。另外,美国拥有发达的集成电路技术,高端芯片设计领域一直保持领先态势,为高性能车载芯片的发展打下良好基础。另一方面,美国在通信行业和5G领域落后于中国的发展,且基础设施的投资一般由市场主导而非政府主导,网联化推动进程缓慢。不论是单车智能“谷歌派”还是“特斯拉派”,背后的核心能力都是人工智能算法和决策芯片,而这正是美国的战略优势所在。
对于中国而言,以华为为代表的通信企业在5G技术方面世界领先,且4G和5G基站数量多,覆盖广,2020年底中国5G基站数超过60万个。2020年2月《智能汽车创新发展战略》预计到2025年,智能交通系统和智慧城市相关设施建设取得积极进展,车用无线通信网络(LTE-V2X等)实现区域覆盖。另外,从中国的道路情况来看,中国高速公路总里程世界第一,公路总里程和公路网密度快速增加,且收费公路里程远高于美国,可见中国路侧设备RSU(RoadSideUnit)的数量和分布范围大于美国,这些基础设施建设方面的特殊性将有力推动车路协同的发展。
由于美国互联网巨头和车企普遍采取单车智能路线,自动驾驶算法、车载计算平台、高精地图等能力将成为汽车产业链的核心竞争力,美国互联网科技巨头将对传统的价值分配格局造成巨大冲击。
中国与美国的自动驾驶技术路线有所不同,以车路协同为主,在未来几年,路侧智能的发展速度甚至可能超越车侧智能的发展速度。在未来的汽车产业链价值分配格局中,存在更多的行业参与者,除类似与美国的互联网科技巨头之外,车路协同相关的基础设施设备提供商、通信运营商和解决方案提供商也是不可小觑的力量。
未来汽车将成为大型移动智能终端,车的核心部件由体现动力和操控的传动系统向体现自动驾驶技术水平的智能软件系统(算法)和处理器芯片,实现软件定义汽车。汽车产业链原有的价值分配格局将被颠覆,跨界竞争者纷纷入局,价值链顶端由传统主机厂转向科技新贵。
不仅如此,智能网联汽车将成为5G物联网端最大的应用领域,根据Gartner预测,全球智能网联汽车占5G物联网终端总数的比重将达到39%。随着汽车的智能化和网联化的发展,自动驾驶汽车将实现在线和联网,车侧和路侧海量信息交互,节点规模突破百亿甚至千亿的量级,推动“人-车-路-云”实现高度协同,万物互联的世界指日可待。
面对行业即将到来的巨变,传统主机厂、造车新势力、互联网巨头、ICT企业、零部件供应商均深度参与这场变革,力图把握主动性,力争话语权。自动驾驶的两大方向是单车智能和车路协同,车侧智能和路侧智能相互配合,又在某种程度上相互替代,而背后的移动通信技术的标准之争,更是国家间利益分配主导权之争。
我们有幸目睹这场变革,也期待未来更高效、便捷的自动驾驶出行能早日普及到我们的生活当中。