人工智能来了，工作和管理方式需要做出哪些改变
0分享至人工智能将改变管理哲学、组织结构以及角色设定，管理者需要适应新技术的发展。编者按：微软正在通过与OpenAI的紧密合作，为职场使用的众多工具引入生成式人工智能功能，其中包括Microsoft365Copilot等新功能。其目标是改变知识工作的传统方式。未来几年，人工智能将对工作和管理产生变革性的影响。比方说，人工智能可以帮助提高沟通效率，找到重点，提高创造力，会议将变成可查询的知识对象等。人工智能将改变管理哲学、组织结构以及角色设定，管理者需要适应新技术的发展。最重要的是，我们要对新技术的出现秉持正确的态度，培养适应新技术的能力。文章来自编译。过去几年，微软发布了一些关于大家是如何工作的研究，其中包括对自疫情爆发以来，会议激增以及“三峰”工作日现象的分析，十分有趣。现在，基于与OpenAI的紧密合作关系，微软正在为职场使用的众多工具添加新功能，把生成式人工智能功能全面引入进来。这些新功能（其中包括Microsoft365Copilot）旨在进一步改变知识工作的完成方式。为了更好地了解这对工作和管理会产生什么影响，我们采访了微软负责现代工作与商业应用的副总裁贾里德·斯帕塔罗（JaredSpataro）。以下是我们谈话的摘录，出于篇幅与清晰考虑，文章进行过编辑：在知识工作演进的过程中，你怎么总结我们所处在的位置？你如何看待随着人工智能工具的推出，我们在未来两三年内工作都会是怎么进行的？我们正处于早期阶段。从很多方面来说，过去几十年其实是模拟工作模式的数字化。比方说，电子表格是账本的数字化表示。文字处理是从打字机发展而来的。你会看到我们已经将这些模拟态的实体数字化。从很多方面来说，这种做法带来的好处已经出现边际递减的情况，现在我们开始进入到真正的数字化新时代。我们真正开始思考当我们真正实现数字化时，我们可以采取哪些不一样的做法了。我们意识到，尤其是由于疫情爆发以及各种不同类型的通信方式的巨大变革，我们可以将人工智能应用到很多我们考虑过的任务上，然后想，嗯，这项任务就该这么干。所以这对我来说是很令人兴奋的，因为我们即将结束数字化的第一阶段，并真正进入到一个新的、非常令人兴奋的阶段。在我们的工作当中，你认为有哪些目前在做着的事情在几年之内会不再做？如果回顾过去，看看人工智能为我和刚刚上手的人们做些什么，我们会看到一些模式。第一，我们确实看到人工智能帮助我们在噪音中找到信号。我们在实际统计中发现，一个非常有趣的事实是，普通员工每天几乎有60%的时间都花在与他人沟通或协调上。而且这个比例还在不断增长。大家肯定能感觉到这一点。对此他们往往是这么表达的，在开始干我的真正工作，也就是他们招我进来要干的正事之前，我还得准备一堆的事情。所以，我看到正在出现一种模式，人工智能将帮助我们解决所有这些问题。并不是说沟通就会减少。但我们将能找出沟通最重要的地方是什么，从而帮助我们完成工作。对于人工智能如何帮助我们激发创造力，我也非常感兴趣。我们将看到全新的人机协作模式的出现。我不认为这意味着我们会减少与人的合作，但人工智能会提高我们的创造力。对我来说，这个想法很独特。多年来，我一直都认为机器不擅长创造性的任务。最后，会议会发生很大的变化。这并不是说我们不再需要开会，但我发现，比方说，我参加的会议越来越少，因为届时会议不再是一个时间点，而是变成了我可以查询、可以提问的知识对象。这是一种全新的思考人类互动的方式。因此，这三样东西在未来几年将会发生很大的变化。人工智能提高员工的创造力？能不能具体展开一下？表面上看，人工智能可以将你的粗略想法充实起来。有时候这对大家来说确实是一项艰巨任务。他们有思想的火花，他们希望这个灵感火花变成有骨有肉的东西，这样就可以想象这个想法更完整的样子。我确实看到现在正在开始出现这种情况。不过，我最欣赏的是可以迸发出真正的火花，这甚至可以追溯到创作的过程中。我发现，这些年来我一直在利用服务、机构以及他人来帮我产生想法。这几乎就像一个想法的漏斗，我会逐渐缩小范围，直到锁定工作想要追求的目标。我发现其实可以拓宽漏斗的顶部。我可以更快地产生想法。它也确实从根本上改变了我对早期创意过程的思考方式。再强调一次，对我来说最令人惊讶的是我几年前都没想过这一点。老实说，我认为人工智能更擅长把日常任务自动化，而不是产生创意。你把会议说成是“知识对象”。是因为人工智能可以轻松地转录和做总结吗？是的，但还有另一方面。转录技术正变得好到令人惊叹。不是说一点错误都没有了，但就算人来做转录也不是没有错误。根据我的经验，人工智能已经远远超出了人类的能力。会议总结非常有价值，但对我来说这是下一步。有摘要是好的。摘要可以让你了解事情的概况，但你通常想了解更多有关人际互动的信息。比方说，令我惊讶的是，在我们现在发布的一些工具莉，你可以提出非常具体的问题。有人提到过我的名字吗？这个话题有人提到过吗？这个团队对此有何看法？他们做出了什么决定？他们对这些决定有何感受？有没有不同意见？你可以对人际互动进行分析，这种细致程度会让你大开眼界，哇，以前开会都是开完会后自己大概记一下，而现在，可以从很多不同的角度来看待这种非常全面的互动。实时性和回顾性兼顾？目前的技术具备这种条件吗？确实如此，而且两者都非常出色。会议回顾就是其中之一，“哇，我觉得我没必要参加什么会议都得参加才能确保我跟上进度。”这改变了我的出席会议的模式。但我们的团队告诉我，只有亲眼目睹才能相信这项技术对会议起到的作用。事实上，我和我的产品团队在这件事上进行过一次非常友好的争辩。他们说，“贾里德，你一定得看看这个。它会改变我们开会得方式，确实值得一看。”我告诉他们，“伙计们，开会真正的价值支柱在会后。”然后他们说：“不是的，你先试试吧。”我第一次尝试时，确实被惊讶到了，因为现在的GPT模型非常擅长干这件事，甚至能够根据实时转录来确定发言人的情绪。每次我向客户展示这一点时，总能给人留下十分深刻的印象。回到前面的议题，你觉得人工智能的哪些功能或特性对未来几年的知识工作者的影响最大？这个问题对我来说并比较简单。大家问我这个问题的时候那口吻就好像，“天哪，贾里德，我敢打赌你会列出一大堆，但其实你自己都不太确定。”不是的，我很明确。影响最大的是类ChatGPT这样的工具给你的企业带来的涌现性。ChatGPT令人惊叹，因为如果你向它询问的问题跟对它的训练材料有关的话，它会给出合理答案，合理到令人惊讶，有时候就算是错的也讲得头头是道。我们可以谈谈幻觉问题，但它给出的答案却出人意料地合理。如果你尝试做特定任务，这些答案可以为你提供帮助。今天，我们还不能为你的企业提供相当于ChatGPT的东西，让你可以向它询问从第四季度销售情况到当前趋势，再到对特定产品线本季度末情况的预测等所有信息。目前还没有这样的东西。我们在这方面没有竞争。这项技术现在正在兴起，而且它的出现速度将比人们想象的要快得多。它将重塑工作设计、角色，甚至我敢说也包括公司的运营模式。因为很多角色本质上都是为了传递信息并让公司向前发展的，以便在制造产品和销售产品的一些关键方面做出正确的决策。我想事情就是这样。我认为做财务、营销、销售的人在过去几十年出现的传统应用上花费的时间将会变少，多出来的时间他们会花在查询公司情况上，嘿，这个情况怎么样？那个呢？如果我们这样做会怎样？我应该如何思考这个问题？你对此有什么建议吗？这是一种全新的思考方式，关注的是企业的持续经营。你说发生的速度会快得多，那是一年还是两年后？比这要快得多。我们是在今年三月提出这些想法的。你可以预计今年秋天就能轻松地在生产中用上。到今年夏天结束时，我们会向客户展示一些用它能做到的事情。技术就摆在那里。归根结底，其基本思想是，用GPT模型，做我们几个月前介绍的所谓的“接地”操作。也就是要把你的数据接入到模型中。这是用一种非常高效的方式将你的数据和GPT模型整合在一起。这就是副驾（co-pilot）的架构，大家正在开发这个架构，我们现在正在共同开发我们自己的架构。鉴于新的人工智能工具会产生幻觉和犯错，是不是可以允许计算机在某些时候出错，让它发挥自己的用途？我们需要就此做出决定吗？在可预见的未来会出现这种情况吗？出现这种情况后我们是不是不应该有不适的感觉？是的。我们在做产品以及跟客户合作时创造处理的术语“其实上是错的”。事实上，当我们错了的时候我们会告诉大家，但这种错误通常也有价值。就像跟你一起工作的人可能有一个不太完美的想法或一个不太了解情况的观点一样，但这些来回反复才是驱动价值的因素。我想说的是，我在过去几个月当中悟出了一个非常重要的发现或洞察：大多数人习惯于像用计算器一样用计算机。我会提出某种确定性的问题。你给我这个问题的答案。你每次都应该给我正确的答案。而有了这些新的基础性的大语言模型，你基本上就拥有了一个通用的推理引擎。你给它信息并给它提示或问题。它将以最好的方式对这些信息进行推理，并尝试给你的问题找出答案。答案也可能是错误的。我们现在打算告诉大家的是，就算答案是错的，追踪为什么会出现这样的答案也是非常有趣的。它是如何将各个部分组合在一起的？这可以如何推进你自己的思考？这与使用计算器问算数问题完全不一样。随着工作在未来几年的演进，管理者要想取得成功，需要做哪些不一样的事情？嗯，我们正处在管理的真正转折点。当然了，我们念叨这个已经有几十年了，但管理哲学、组织架构、理论观点——我们在商学院学到的各种模式——本质上都是基于二战后工业复合体的组织方法。命令与控制首当其冲，这属于那些非常大型的做法之一。但除了命令与控制以外，即便是一些规模较小、更灵活的组织，在很大程度上也是模仿传统结构的。我认为人工智能将会颠覆这一现状。当然了，分布式办公以及灵活上班已经颠覆了这一点。因此，我认为，当五年、十年后我们回顾过去时，我们会说，哇，在这些技术融合的作用下，新的管理者完全是不一样的人。他们需要知道如何跨时空管理组织里面的人员的时间和精力。他们必须能够认识到，通过基于机器的能力来增强人类的能力，将有助于他们更快、更好、更高质量地完成工作。所有这些因素都是我们从来都没有真正考虑过的。因此，虽然我无法准确预测具体情况会变成什么样，但很容易就能以100%的确定性做出预测：未来两三年的经理看起来会与过去几十年商学院训练出来的原型有很大的不同。企业要求高管们就人工智能对人才战略的影响发表看法，尤其是要考虑到2024年预算和战略规划的背景下。他们应该如何应对？我现在能看到的最好模式是投身进去，开始使用，形成自己的观点，愿意尝试这项技术，去了解它的功能和局限性。如果要说得具体一点，我的建议是，举个例子，你就应该让营销部门积极去尝试人工智能，去完成从定向营销（如何在数据中隔离出你的营销目标）到内容生成（当然内容可以非常有效地生成）乃至创意的各项任务。如果你关注的是跨组织的销售职能，我会让销售人员利用上人工智能，来帮助他们更有效地与客户互动、在销售流程中找到合适的信息。从本质上讲，每一项功能我们都可以仔细研究一下，我们看到的大多数有远见的公司目前都在逐项功能地研究人工智能如何应用。然后，他们不再把媒体写什么都照搬了，而是会寻找最先进技术的核心要义，然后他们会说，“太棒了。我觉得我们可以减少一些资源，比方说，把文案写作的资源减少10%，然后看看效果会怎样。”或者“我认为我们可以把生成式人工智能用在图像上，帮助我们进行图形设计。让我们拥抱人工智能，而不是与之对抗。”在我看来，这往往是目前最合理的策略。究竟未来具体会如何发展没人能知道，所以你必须要有自己的感觉和判断。你预计人工智能在质量和数量上能给工作带来增长吗？人们和组织如何确保会出现这种情况，而不是让人工智能自动化来取代人的工作？经济学中有一种说法叫做“劳动合成谬误”（thelumpoflaborfallacy），也就是认为社会中需要做的工作总量是固定的，如果你替代掉其中的一部分，那么一部分工人就会被取代掉。好消息是，这些年来它已被证明是一个谬论。历史上世界各地的经济体都没有发生过这种情况。当我们发明出节省劳动力的设备时，经济就会找到使用它们的方法，并且当使用了这些设备时，经济就会随着设备而增长，并且随着经济的增长，也会创造出就业机会。因此，从中期和长期来看，我并不担心这项技术会对劳动力市场和我们的经济产生什么影响。我的感觉好极了。短期内肯定会出现人工被取代的情况。因此，说在某些情况下不会出现人工被取代的效应是不诚实的说法。但从我的角度来看，当你回顾历史时，你会发现模式还是非常清晰的。当颠覆性技术出现时你该怎么做？拥抱它。你确定这通常会迎来一个非常有趣的增长驱动时代，而适应这一时代的最佳方式就是确保你要去学习。我要适应这个时代。人类的适应能力非常强。因此，即便在短期内，作为个人或组织如果你采取这种人工智能的做法，你也能做得很好，因为这本质上是一股席卷经济的力量浪潮。所以就我个人而言，作为一家公司，我们总体上对技术非常乐观。我们真的觉得你不应该带着恐惧去做事情。你当然应该以尊重的态度去看待，并思考这项技术的局限性，但如果我们拥抱这项技术，我们一起可以做很多事情。从历史上看，包括女性在内的代表性不足的群体在技术变革过程中被抛在了后面。你认为需要做什么才能确保这种情况不会再发生？我要回到一个非常强大的想法，那就是当新技术出现时，你可以选择决定如何去使用它。我们所看到的人工智能令人兴奋的一点是它的广泛应用。ChatGPT是我们见过的增长最快的消费者技术。不到90天之内用户数就突破了1亿；如今，用户数量已超过2亿。因此，说到普及，你会发现这是我们见过的范围最大的普及。当然，我们希望在普及方面做更多的事情，这就是为什么我们要资助OpenAI，好让世界各地的任何人都可以免费使用它，用到他们想处理的任何用例上。但与此同时，除了可用性之外，你还必须教会人们正确的态度。要我说，这是一种成长心态。这是一种拥抱和拓展的心态。如果你看到了技术变革的机会，你就能利用这个机会。你在最新的研究中提到了“人工智能才能”的概念。当人工智能本身发展如此之快时，怎么传授人工智能才能才是最合适的？作为一项技能，如何确保它的敏锐性？这是当今技术面临的挑战之一。我提到了ChatGPT的迅速崛起。我们从未见过这样的东西。好消息是，我在与新兴一代的互动中发现，他们很快就接受了这个东西。我认为这就是你要做的，教大家学会拥抱新技术。当我看到教育界人士告诉学生，让我们拥抱这个技术，而不是与之抗争时，我感到非常振奋。你能做什么？让我们学习如何利用它来成为更好的作家或更好的思想家。我鼓励全社会都这样做。不要逃避这些技术。不用担心孩子们用它们来作弊。相反，我们决定可以一起协作，学习如何有效地使用这项技术。最重要的是，不要在恐惧的情绪下做事情。要用乐观和充满机遇的心态去开展工作。如果你这样做，就不仅会进展顺利，而且我们还能利用这些技术产生的盈余，并且可以在全球范围内使用这些技术。译者：boxi。特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端人工智能将如何影响中国劳动力市场
题记：本文采编自2020年第一期《ChinaEconomicJournal》的一篇论文，原论文作为者为中国人民大学劳动人事学院周广肃副教授，百度公司集团战略部高级顾问褚高斯、北大国发院李力行教授、香港中文大学经济系孟岭生副教授。《ChinaEconomicJournal》是国家发展研究院/中国经济研究中心的学术刊物，由英国Taylor&Francis出版集团下属的著名RoutledgeJournals出版并面向全球发行。
随着互联网+、大数据、云计算等相关技术的发展，人工智能很有可能会引发新一轮的科技革命浪潮，并对经济社会发展的各个方面产生重要影响。本文着重研究中国人工智能行业迅猛发展可能给劳动力市场带来的影响。有两个主要推论：
1.人工智能与自动化技术对劳动力市场的影响有两面性：一方面会替代很多劳动力，引起失业；另一方面也会创造新的工作岗位需求，促进就业。由于人工智能对就业市场的总数量影响取决于两种作用的相对大小，但确实存在结构上的差异性效果——相对弱势的劳动者更容易被替代，这种非同质化的影响可能会导致就业市场相关的一系列其他社会问题。
2.根据模型预测，到2049年中国将有2.78亿劳动力被人工智能替代，在这2.78亿人中，女性、老年人、受教育程度低和低收入劳动力被替代的概率和范围相对更大，政策制定要提前加强有针对性的职业教育和培训，并通过补贴等手段调整分配模式，以维持社会平等、保障社会和谐。
展开剩余80%对劳动力市场的整体影响有异质性
为了抓住人工智能经济带来的新发展机会，多国都出台一系列刺激人工智能发展的规划纲要或政策文件，中国也希望成为世界主要的人工智能创新中心。随着人工智能在中国的不断发展，其对劳动力市场将产生一系列潜在影响，并关系到居民收入、平等与社会稳定。
首先，人工智能无疑是一种技术进步，能够对劳动力产生明显的替代性作用。然而与工业革命以来的“机器代替体力劳动”的替代模式不同，人工智能正逐渐将“智能”融入生产过程。它不仅要求机器的灵巧性逐渐接近人类的能力，更重要的是，使机器逐渐具备作为人类“思考”的能力，这使得人工智能可以对劳动者产生更大程度的替代。
然而，人工智能对劳动就业也有积极一面的影响。例如，云计算支持了网购平台的蓬勃发展，使得与网络购物紧密相关的快递等行业走向繁荣并带动了大量就业，这就是“互补效应”的典例。再如，随着人工智能行业的发展，会创造一些新的岗位，如需要劳动力进行数据标注，以用于人工智能模型的监督学习（supervisedlearning）训练，这就属于“创造效应”的典例。
总体而言，人工智能对于就业产生的总影响还有待进一步计算，但人工智能对劳动者的替代作用确实存在且不同质，一些相对弱势的劳动者更容易被新技术替代，这将会加剧收入的不平等程度。已有的研究为上述观点提供了一些证据，如Autor、Dorn和Hanson（2015）研究了1980年至2007年贸易和技术对美国劳动力市场的影响，发现引入计算机后，未显著减少净就业，但是对不同特征的劳动力影响存在明显差异。这一研究也是主要关注人工智能对劳动力的替代效应，尤其关注人工智能对不同特征的劳动者的替代效应是否有所不同。
不同行业和职业的替代概率不同
接下来，通过分析和计算人工智能应用率，并结合Frey&Osborne（2017）估计的人工智能理论替代概率，估算人工智能对中国各种职业的实际替代概率。
结果显示，到2049年中国将有2.78亿劳动力（不同应用率下结果是2.01亿至3.33亿）被人工智能替代，占中国当前就业人数的35.8％。
就不同特征的劳动力而言，人工智能的替代效应也各不相同。研究发现人工智能对女性、老年人、受教育程度低和低收入的劳动力有较大替代作用。这一结论表明，人工智能对劳动力市场所带来的替代效应并不是中性的，而是对劳动力市场中的相对弱势群体产生了更大的影响，这很有可能会进一步加剧他们的弱势地位。
接下来，该研究还预测了城市和农村各个行业中被人工智能替代的就业人数，其中，中国将有1.42亿城市劳动力被人工智能替代，占城市总就业人数（4.34亿）的32.7%。同时，中国农村劳动力中将有1.35亿人被取代，占农村劳动力总数（3.42亿）的39.5%。具体而言，城市中就业替代数量最大的三个行业是制造业，交通运输、仓储和邮政业，以及农林牧渔业。中国农村中就业替代数量最大的三个行业是农林牧渔业、制造业和建筑业。
应当注意的是，这一研究仅仅对人工智能对中国劳动力的替代效果进行了预测，这一预测并没有考虑人工智能可能带来的其他贡献，包括在中国应对人口老龄化、促进和创造就业等方面可能发挥的互补效应和创造效应。但是本研究对替代效应的预测仍然为研究自动化和人工智能对中国劳动力市场的影响提供了第一手实证证据：尤其应当考虑人工智能对不同特征的劳动力的不同影响，以制定更加合适的政策。
在政策方面，首先要更加重视人力资本投资的重要性，不断提升中国劳动者的人力资本。中国应该采取更多措施，来帮助劳动力市场中相对弱势的群体（如女性、低教育程度、老年人和低收入群体），特别是通过职业教育或培训来提升其劳动技能和人力资本，从而尽可能地避免人工智能的负面影响。这一研究还建议关注人工智能对劳动者福利的影响，尽量减少由于就业机会减少和工资增长放缓导致的福利损失。
最后，政府还应该关注人工智能可能造成的社会两极分化和不平等现象。随着人工智能的发展，劳动力将至少分化为两个不同的群体——高技能群体和低技能群体，两者将面临完全不同的工作机会和收入水平，而这种社会分化将会进一步加剧不平等和社会矛盾的激化。为了解决这些问题，政府可以发挥税收和转移支付制度的作用。例如，对人工智能设备或机器人征税，补贴被替代的劳动者或者用以提高他们的工作技能。此外，此项税收也可用于解决老龄化造成的养老金短缺问题。
（本文采编：刘松瑞，北大国发院研究生）
论文信息：
GuangsuZhou,GaosiChu,LixingLi&LingshengMeng(2020)TheeffectofartificialintelligenceonChina’slabormarket,ChinaEconomicJournal,13:1,24-41。
论文作者简介：
周广肃：中国人民大学劳动人事学院副教授，研究重点关注劳动力市场、收入不平等、家庭经济决策等议题，曾获得刘诗白经济学奖、《经济学》（季刊）最佳论文奖、全国优秀财政理论研究成果二等奖等。
褚高斯，百度公司集团战略部高级顾问。
李力行：北京大学国家发展研究院教授、教育部青年长江学者，研究领域为发展经济学、人力资本、公共财政学等，曾获北京大学“黄廷芳/信和”青年杰出学者奖、北京大学方正奖教金、北京大学人文社会科学研究优秀成果奖、北京大学教学优秀奖等荣誉。
孟岭生：香港中文大学经济系副教授、马里兰大学经济学博士，研究领域涉及劳动经济学、中国经济等。
人工智能劳动力中国褚高斯李力行声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。目前人工智能的不足
人工智能的崭新范式
人工智能的研究范式和数理科学截然不同。这种范式数据导向，非常工程化，方法论发达而认识论不足。首先我们谈数据导向。李飞飞老师的ImageNet项目是一个非常典型的例子。海量图片的收集，整理和标注，有巨大的工作量。在这些高质量数据基础上进行了世界范围的图像识别竞赛，参赛队通过构建规模更大的深度学习网络，表现迅速超过了传统算法，这也成为深度学习标志性的成就。其基本的工作流程是积累大规模数据，得到更深的网络模型，实现更好的表现。虽然现在我们有了更多不同种类的深度网络应对不同任务，但这一基本框架并没有本质的改变。在该框架中，数据收集几乎占据了最为重要的位置，若数据质量不过关，很容易造成所说的garbagein-garbageout。而数据集大小是影响深度学习效能的重要因素，一般认为，当数据集较小时，深度学习不一定优于传统机器学习方法。而随着数据集规模的增大，传统机器学习算法的表现很容易饱和，深度学习的表现却可以随着网络规模的增大而更加优异。
在传统数理科学领域，我们并没有如此依赖数据来进行模型构建。可能由于人脑思维能力的限制，人们更习惯于从简单假设出发，利用逻辑演绎或者公式推导来构建一套模型系统，用以解释实际数据。数理科学存在利用大量数据的情形：比如开普勒从第谷得观测数据中也找到了特定的结构，不过这种结构不是用神经网络的方式来描述的，而是采取了数学上更为简洁的形式。而该规律只有纳入牛顿力学的框架的时候才成为一个自然的结果。现在观测手段更加进步，据说LHC每秒可以产生100万亿字节的对撞数据。但这些数据不是为了导出模型，而主要是为了验证只有几十个参数的人为构建的标准模型，其包含的信息量也没有超过这个模型。在很多时候，理论的提出或者发展，可以用到很少的数据，甚至几乎不用数据。伽利略构建其运动学的时候，应该只依据很少的观测。而泰勒斯提出原子理论的时候我相信是没有什么观测数据的。理论的魅力在于可以从人的经验，思维或者直觉中生产，具有内在的简洁性却能解释大量的现实观测。
对数据的内在追求，导致人工智能研究中有很多重劳力的部分。和产业的结合，资本的进入进一步放大了这一效应。国内人工智能创业公司不断涌现，数据标注俨然已经成为一种新的职业。已经有不少相关的报道，比如可以参考甲子光年的《那些人工智能背后的人工》一文。这些人每个月拿着4000左右的工资，在电脑前机械的点着鼠标做图片标注，得到的数据最终用于无人驾驶项目。还有很多下到村里收集人脸识别数据的，报酬是洗衣粉或者豆油。即使是科学研究逐渐资本化的今天，也很难想象一门学科可以像这样直接催生新的劳动关系。这也部分由于我们要谈的第二个问题，也就是人工智能研究非常工程化。
如果上过吴恩达老师的深度学习课程，就会发现，深度学习在工程上非常先进，具有一套非常清晰的工作模式。对于一个深度网络模型，那些参数具有最大的影响，如何通过表现判断调节参数的方向，人们有着丰富的经验。最终决定表现的还是数据质量，规模，以及特征（feature）选取。这就导致了人工智能领域的工作，非常容易scale-up，也就是规模化。这也是硅谷最喜欢的发展模式--通过资本催化迅速实现技术飞越和革新。类似的模式造就了我们熟悉的facebook，amazon，现在的互联网移动互联网世界。
在数理科学领域，我们不能简单通过积累用户或者数据获得革新。一般情况下，理论的发育程度对应了工程范畴的发展程度。新的工程实践可能要求理论的创新，而理论的进步又可以拓展人们进行工程化创造的能力。没有爱因斯坦的质能方程，我想人们试再多年，有再多数据也不会造出原子弹。所以人工智能可以算是一朵奇葩，感谢计算能力的巨大发展，它工程的发展程度已经可以跟理论脱节。这种缺乏理论或者认识论会带来比较严重的后果，我们后面会有所述及。
人工智能没有催生理念的进步
对人工智能最大的批评在于它的可诠释性，人们难以理解越发庞大的深度网络是如何发挥它的作用，每个节点有着怎样的功能。拿图像识别任务来说，比较早期的深度网络AlexNet有35K个参数。到了2014年，VGG16网络有138M个参数。在强大的表现背后，是一个人们从未接触过的，难以理解的庞大造物（考虑到标准模型只有19个自由参数）。关于如何解读网络，现在逐渐有一些工作。但似乎还没有令人信服的结果。在数学上可能也没有成熟的工具来针对这类问题。神经网络算法的提出，最开始是受到了生物学研究，尤其是神经研究的启发。不过即使针对比较简单的模式生物，比如只有302个神经元的线虫，我们也刚刚能理解一些最简单行为，比如趋热或者趋冷在神经系统里细胞层面是如何编码的。诠释神经网络的工作，一方面受制于网络规模的飞速增大，参数的急剧膨胀，以及应用场景的逐渐复杂。另一方面，这本身可能就是不可解的问题，类似于我们本身都不知道大脑是如何运作，产生复杂思维。
没有理论的学科会造成很多问题，可以参看我之前的博文《没有理论的学科会怎么样》。针对人工智能这一领域，第一个负面结果是会造成边际效益递减。也就是随着数据规模的增大，网络复杂度的增大，获得的进步越来越少。我们谈到深度学习一个重要的特征是表现随着数据体量增大而提高，这也是为什么大数据时代最适合深度学习。有时候我们觉得参数的膨胀标志着一种进步。但从物理学的角度看，这其实是退步--因为这标志着参数解释力的下降。这正是现实发生的情况，但即使我们在计算能力以及数据规模（感谢资本）上大跃进，表现的提高却越来越慢。还是拿图像识别为例，AlexNet的错误率是16.4%，而参数增加了4000倍的VGG网络错误率是7.3%，基本错误减半。换过来说，是35K个参数可以识别83.6%的图片，多出几千倍的参数只多识别了9.1%的图片，效能加起来只有接近九分之一。这也是为什么每当人工智能进入一个新的领域时，往往可以产生激动人心的初步结果（因为数据要求低），但对表现的改善却是趋于更慢的。这对于一些要求苛刻的领域这其实是致命的，比如对于自动驾驶，我们必须把失误控制在非常低的水平（每次失误可能都会造成致命的事故），而现实情况又非常复杂多变，有些情况不仅靠训练，也要靠应变和经验上的判断。
没有理论的另一个负面结果是研究过程近似于盲人摸象。虽然我们也有越来越多的网络模型，但这些模型的构建似乎更受到灵感的作用，而不是通过理论的启发。这种tryanderror类型的研究，试对了就好，试不对就重来，运气的成分会比较大。从理念上看，深度学习领域似乎还没有根本上的创新，其最大的进步似乎还是计算力上的进步，工作的模式仍然接近于对生物神经系统的模仿。而这种模仿其实并不能算是效率很高的模仿，我相信人脑完成复杂任务计算的效率平均讲还是高于神经网络的。至少从计算时间和所需能量来讲是远优于计算机的。人脑的功率据说是20W左右，而现在好点的英伟达显卡比如GeForceGTX1080Ti的功耗已经到了200W大关了。好在现在计算力不是瓶颈，再低的效率乘上庞大的计算力都能得到可观的结果。
人工智能从应用方式和应用场景上，都是对人的一些基本能力的模仿。吴恩达老师有过一个说法，说如果一个问题，人可以凭借直觉在几秒内判断出来，那么就有可能用人工智能来解决。现在出现比较多的也的确是这类问题，比如对于图像识别，到底是猫是狗，人一般几秒钟就能看出来。或者在自动驾驶方面，在一个路口是要刹车还是左转，正常的司机几秒钟也能判断出来。所以说人工智能是对人的能力的再现，这使得它在一些场景下可以代替人工，提高生产效率。但它难以完成更高级的一些思维活动，比如创造性思维。虽然有些“灵感一现”发生的时间也很短，但目前的计算框架并不具备相应的发散性，联想性和随机性。所以深度学习研究不仅自身缺乏理论，而且也很难为其他学科领域带来新的理论。根本的区别在于数理科学的研究具有不同的工作模式，一般包括假设提出，理论发展和实验验证，三者之间相互促进。其中假设的提出是最为关键的一步，也是研究设计的基础。人工智能在这第一步就败下阵来。人怎么能够提出假设，这是一个复杂的问题。但其基本原因，脱不开人是有自我意识的，对世界的认识是自由的，人的思维也是自由的。人工智能有没有思维，有没有意识是另外的话题，但目前来看它的训练数据都是高度单一的，它的结构或者结构的规则也是比较单一的，难以形成更复杂的思维结构。
人工智能与社会发展
所以综上人工智能最佳的应用场景是对人类劳动的部分替代。人工智能的革命，可能是生产效率的革命，类似于工业革命把人的双手解放出来。但现在还很难讲它在产业上会不会产生类似工业革命的影响，主要的区别可能有几点，第一，现在社会一般性产品的生产基本已经饱和，需要更多的是创新性产品，消费主要为了提高生活品质，也就是所说的“满足美好生活需要”。在生产创新性产品和服务方面，还没有看到人工智能的优势。第二，全球经济发展不平均（以及国内发展不平衡）造成的大量的低成本劳动力，在一些场景下替代这部分劳动力效益不高。举一个极端的例子，一些创业公司搞线上的人工智能产品或者demo，背后其实可以在人力成本比较低的地方雇真人来做，这也是实际发生过的事情。如果人力成本很低，电子化的人不一定能竞争过肉身的人。如果有一天人力成本都很高了，我们可能就进入共产主义社会了。我怀疑人工智能最危险的地方在于它对社会治理和网络治理的影响，而且这种影响很可能是负面的。这里就不展开多说了。
另外像我提到的，人工智能对生产力的解放是有限的，它还难以替代创造性劳动，尤其是科研活动。我们支持人工智能是合理的，all-in人工智能是危险的。基础研究还应该受到重视，目前看这是唯一可能导向新技术革命的路径。不重视基础研究，永远会被人落在后面。
【飞马会】
▼
往期福利
********关注飞马会公众号，回复对应关键词打包下载学习资料；********回复“入群”，加入飞马网AI、大数据、项目经理学习群，和优秀的人一起成长！
回复数字“1”下载从入门到研究，人工智能领域最值得一读的10本资料（附下载）
回复数字“2”机器学习&数据科学必读的经典书籍，内附资料包！
回复数字“14”小白|机器学习和深度学习必读书籍+机器学习实战视频/PPT+大数据分析书籍推荐！
回复数字“29”干货|28本大数据/数据分析/数据挖掘电子书合集免费下载！
回复数字“36”286页PDF教你如何搞明白深度学习的算法、理论与计算系统！(可下载)
回复数字“46”700页的《图形深度学习》(附代码和下载)
回复数字“47”好书推荐|106页的《Python进阶》中文版（附下载）
回复数字“48”最具影响力的20篇数据科学研究论文，附电子版~
回复数字“131”下载|《人工智能的认知神经基础白皮书》PDF版
回复数字“132”下载|2020城市大脑与超级智能建设规范研究报告(PDF版)
回复数字“133”下载|京东《未来科技趋势白皮书》