我們這個時代，最重要的通用技術是人工智慧，尤其是機器學習，也就是機器有能力持續不斷改善本身的表現，人類交付任務給機器時，不必確切解釋如何完成所有那些任務。過去幾年之間，機器學習已遠比從前有效且普及。我們現在建立的一些系統，已懂得如何自行執行任務。
為什麼這件事非同小可？理由有二。第一，我們人類了解的事情，比我們能說出來的更多。有很多事情，我們有能力做到，但沒有辦法確切解釋如何做到，從辨識人的臉，到玩古老亞洲鬥智遊戲圍棋時下聰明的一步棋，都包括在內。在機器學習之前，無法明確表達自己的知識，就表示我們不能把許多任務自動化。而現在，我們做得到了。
第二，機器學習系統往往很擅長學習。它們能在廣泛的活動上，展現出超乎人類的表現，包括偵測詐欺和診斷疾病。優異的數位學習者，正被部署到經濟的各個角落，它們造成的衝擊會十分深遠。
在商業領域，人工智慧勢必會產生改造一切的衝擊，規模不亞於先前的通用技術。雖然世界各地已有成千上萬的公司開始使用它，但大多數的大機會還沒有被開發。未來十年，人工智慧的影響將會擴大，因為製造、零售、運輸、金融、健康照護、法律、廣告、保險、娛樂、教育，以及其他每一種產業，都會改造本身的核心流程和商業模式，以充分利用機器學習。現在的瓶頸，是在管理、執行和商業想像上。
然而，人工智慧和其他許多新技術一樣，產生許多不切實際的期望。我們見到商業計畫動不動就提到機器學習、神經網路，以及這種技術的其他形式，卻很少提及它的真正能力。舉例來說，單單稱一個約會網站是「人工智慧驅動」，並不會使它的效果更好，但可能有助於籌募資金。本文將避開這些雜音，直接說明人工智慧的真正潛力、它的實務意涵，以及有哪些障礙妨礙採用它。
現在，人工智慧能做什麼？
人工智慧這個詞，是達特茅斯學院（Dartmouth）數學教授約翰．麥卡錫（John McCarthy），在1955年創造的。隔年，他針對這個主題，籌辦開創性的研討會。此後，可能部分由於它那引發人們想像的名稱，這個領域產生了比它夢幻般宣言和承諾還要多的東西。1957年，經濟學家赫伯特．賽蒙（Herbert Simon）預測，十年內電腦會在西洋棋比賽上打敗人類（實際上花了四十年）。1967年，認知科學家馬文．明斯基（Marvin Minsky）說：「一個世代內，創造『人工智慧』時遇到的問題，將會大幅解決。」賽蒙和明斯基都是知識巨人，卻都錯得十分離譜。因此，對於未來的突破提出戲劇性的說法，卻遭到某種程度的懷疑，這情況是可以理解的。
我們先來探討人工智慧已經在做什麼，以及它改善的速度有多快。最大的進展在兩大領域：感知（perception）與認知（cognition）。在感知方面，一些最實用的進展和語音有關。語音辨識要達到完美，還有一大段距離，但數百萬人正在使用它，例如Siri、Alexa和Google Assistant。你正在看的這篇文章，是先向電腦口述，然後以足夠的正確程度轉成文字，速度比打字要快。史丹福大學電腦科學家詹姆斯．藍德（James Landay）和同事的研究發現，平均來說，目前進行語音辨識，比在手機上打字約快三倍。以前的錯誤率是8.5％，現在已經降為4.9％。引人注目的是，這麼大幅度的改善，不是過去十年發生的，而僅僅是2016年夏天以來的成果。
雖然世界各地已有成千上萬的公司開始使用人工智慧，但大多數的大機會還沒有被開發。
圖像辨識也大幅改善。你可能已經注意到臉書（Facebook）和其他應用程式，現在認得出你張貼照片中朋友的臉孔，並提醒你標記他們的名字。安裝在智慧型手機裡的應用程式，認得出野外中的幾乎任何鳥類。圖像辨識甚至取代企業總部中的身分識別證。無人駕駛汽車中使用的視覺系統，以前確認行人時，每三十張圖像就會錯誤一次（這些系統中的相機，每秒就記錄約三十張）；現在，它們的錯誤次數，是每三千萬張不到一次。一個名為ImageNet的大型資料庫，擁有數百萬張常見、模糊，或是十分詭異的圖片，辨識圖像的最佳系統，辨識那個資料庫裡圖片的錯誤率，從2010年的高於30％，降為2016年的4％左右（見圖：「小狗或馬芬蛋糕？」）。
近年來採用的一種新方法，是以非常大型或「深度」的神經網路為基礎，因此改善的速度迅速加快。視覺系統的機器學習方法，仍有許多缺陷；但連人也很難迅速認出小狗的臉，或者更令人尷尬的是，看到牠們可愛的臉孔，但其實並不存在。
第二類的重大改善，是在認知和問題解決方面。機器已經在撲克牌和圍棋方面，擊敗最優秀的人類高手，專家本來預測至少還要再十年才會達到這樣的成就。Google的DeepMind團隊使用機器學習系統，改善資料中心的冷卻效率達15％以上，即使人類專家之前已經將它們優化了。網路安全公司深度本能（Deep Instinct）使用智慧型代理（intelligent agent），偵測惡意軟體。PayPal也用智慧型代理來防範洗錢。使用IBM技術的一套系統，將新加坡一家保險公司的理賠流程自動化。資料科學平台公司Lumidatum的一套系統，即時提供建議，以改善顧客支援。數十家公司正使用機器學習，決定要在華爾街執行哪些交易，而且在它的協助之下，做成愈來愈多信用決策。亞馬遜（Amazon）運用機器學習，來優化存貨，和改善對顧客的產品建議。無限分析公司（Infinite Analytics）開發出一套機器學習系統，預測使用者會不會點按某一則廣告，為一家全球消費性包裝產品公司改善線上廣告刊登效果。另一套機器學習系統，用來改善巴西一家線上零售商的顧客搜尋與發現過程。前述第一套系統提高廣告的投資報酬率三倍，第二套系統使得年營業收入增加1.25億美元。
機器學習系統不只取代許多應用軟體中比較舊的演算法，現在，更在許多過去人類較擅長的任務上，表現卓越。這些系統仍然很不完美，但它們在ImageNet資料庫約5％的錯誤率，表現已經與人類的水準相當，或者更好。語音辨識現在也幾乎等同於人類的表現，即使在嘈雜的環境中也是如此。達到這個門檻，開啟了改造職場和經濟的龐大新可能性。以人工智慧為基礎的系統，一旦在某個任務上的表現超越人類，就會遠比從前更可能迅速擴散。舉例來說，分別是無人機和機器人製造商的Aptonomy與Sanbot，正使用改良後的視覺系統，將不少保全工作自動化。軟體業者Affectiva等公司，正在使用它們來辨識焦點小組成員的喜悅、驚訝和憤怒等情緒。有幾家深度學習新創企業使用它們掃瞄醫療圖像，以協助診斷癌症，Enlitic就是其中一家公司。
這些是令人印象深刻的成就，但是，以人工智慧為基礎的系統，應用範圍仍然相當狹隘。例如，ImageNet資料庫有高達幾百萬張圖像，人工智慧辨識ImageNet圖像的表現可圈可點，但是，不見得一定能在外界各種不同的條件和情況下，取得類似的成功率，因為照明清況、角度、圖像解析度和背景，可能非常不同。從更根本的層面來說，若有一套系統可了解中文的語音，並翻譯成英文，我們會對這套系統的能力讚嘆不已，但我們不能期待這種系統懂得特定的中國字是什麼意思，更別提是讓它們告訴我們，到了北京要去哪裡用餐了。如果某個人有一項任務執行得很好，我們自然會假定那個人，在相關任務上也擁有一些能力。但機器學習系統受到訓練是要去做特定的任務，通常它們的知識不會擴大應用（generalize）。有些人誤以為電腦狹隘地理解某件事，就意味著它能更廣泛地了解其他事物，可能主要是因為這種謬誤，而造成人們對人工智慧進展感到困惑，並出現浮誇的說法。機器要展現涵蓋各種領域的普遍智慧，這樣的境界仍然相當遙遠。
了解機器學習
關於機器學習的最重要事情，是它意味要用根本上完全不同的方式來製作軟體：機器從例子中學習，而不是明確編寫程式，以得到特定的結果。這和以前的做法大不相同。過去五十年來的大部分時候，資訊科技及應用的進步，都是聚焦在把目前的知識和工作程序寫成程式碼，並嵌入機器中。沒錯，「編碼」（coding）這個詞，是指開發人員很辛苦地將腦中的知識，轉化成機器能了解和執行的形式。這個方法有根本上的缺點：我們擁有的許多知識，是難以完整說明的內隱（tacit）知識。我們幾乎不可能寫下一些指令，教另一個人學習如何騎腳踏車，或是辨識朋友的臉孔。
換句話說，我們懂的事情，比我們能表達出來的更多。這個事實十分重要，因此有個名稱：博藍尼悖論（Polanyi's Paradox），因為博學多聞的哲學家博藍尼在1964年說明了這個現象。博藍尼悖論不只限制我們能告訴另一個人的事情，一直以來，也為我們賦予機器智慧的能力，設下根本的限制。長久以來，這限制了機器在經濟中能有效執行的活動。
機器學習正在克服這些限制。在第二次機器時代的第二波浪潮中，人類打造的機器正從各種例子中學習，並使用結構化的回饋意見，解決它們本身的問題，例如，博藍尼提出有關臉孔辨識的經典問題。
不同類型的機器學習
人工智慧和機器學習有許多類型，但近年來，大部分的成功集中在一類：監督式學習系統（supervised learning system），也就是把某個問題的許多正確答案的例子給機器。這個流程，幾乎總是要把一組投入元素X，對應到一組產出Y。舉例來說，投入元素可能是各種不同動物的照片，正確的產出，可能是這些動物的標記：狗、貓、馬。投入元素也可能是來自錄製聲音的波形，產出可能是「是」、「否」、「你好」、「再見」等（見圖：「監督式學習系統」）。
監督式學習系統
這個領域的兩位先驅湯姆．米契爾（Tom Mitchell）和麥可．喬丹（Michael I. Jordan）注意到機器學習最近的進展，包括將一組投入元素與一組產出作比對。其中一些例子如下：
投入X 產出Y 應用 錄音 文字 語音辨識 過去的市場資料 未來的市場資料 交易機器人 照片 照片說明文字 圖像標記 藥物的化學性質 治療效果 醫藥研發 商店交易細節 這筆交易是否為詐欺？ 詐欺偵測 食譜材料 顧客評論 美食推薦 採購歷史 未來的購買行為 留住顧客 汽車位置與速度 交通流量 交通號誌 臉孔 姓名 臉孔辨識
成功的系統往往使用一組訓練資料組，其中有數千、或甚至數百萬個例子，每個例子都標記正確的答案。接著，就放手讓系統去觀察新的例子。如果訓練進行良好，系統預測答案的正確率會很高。
促成這些成功背後的演算法，仰賴的是一種使用神經網路的「深度學習（deep learning）」方法。深度學習演算法大幅勝過舊世代的機器學習演算法：它們更能善用數量更多得多的資料集。隨著訓練資料中的例子數目增加，舊系統也會改善，但只能改善到某一個程度，在那之後，額外增加資料也不會使預測變得更準。這個領域的大師之一吳恩達（Andrew Ng）表示，深度神經網路似乎不會像這樣成效趨於持平：更多資料會使預測愈來愈好。有些非常大的系統，使用3,600萬個或更多例子加以訓練。當然，運用極大的資料集，需要愈來愈大的處理能力，因此，非常大的系統常必須在超級電腦和專用電腦架構上運作。
任何情況中，如果你有許多行為資料，並且試著預測結果，都是監督式學習系統的潛在應用。領導亞馬遜消費者業務的傑夫．威爾克（Jeff Wilke）說，監督式學習系統已大量取代以記憶為基礎的過濾式演算法，這種過濾式演算法過去是用來向顧客做個人化推薦。在其他情況中，設定存貨水準和優化供應鏈的傳統演算法，已被根據機器學習、更有效率和更穩健的系統取代。摩根大通銀行（JPMorgan Chase）引進一個系統，審查商業貸款合約；以前需要放款行員36萬個小時的工作，現在能在幾秒之內完成。而且，監督式學習系統現在還可用來診斷皮膚癌。這些只是少數一些例子而已。
標記一堆資料，用它來訓練監督式學習者，是相當直截了當的做法；正因如此，監督式機器學習系統，比非監督式機器學習系統更常見，至少在目前是這樣。非監督式學習系統設法自行學習。我們人類是出色的非監督式學習者。我們對世界的大部分知識（例如辨認一棵樹），是在幾乎沒有標記資料、甚至完全沒有標記資料的情況下學到的。但要開發出用這種方式運作的成功機器學習系統，是極為困難的。
當我們學習打造穩健的非監督式學習者，會出現令人振奮的可能性。這些機器能以全新的方式，觀察複雜的問題，協助我們發現一些目前我們還不知道的各種形態；例如，疾病的蔓延、市場中不同證券的價格波動、顧客的購買行為等。這種可能性，使得臉書人工智慧研究主管、紐約大學教授揚．勒丘恩（Yann LeCun）把監督式學習系統比喻成蛋糕上的糖霜，非監督式學習則是蛋糕本身。
以人工智慧為基礎的系統，一旦在某個任務上的表現超越人類，就會遠比從前更可能迅速擴散。
這個領域裡的另一個成長中的小領域，就是強化式學習（reinforcement learning）。這種方法被嵌入擅長玩雅達利（Atari）電玩遊戲的系統，以及圍棋等棋盤遊戲中。它也協助優化資料中心的電力使用，以及發展出股票市場的交易策略。Kindred研發的機器人，使用機器學習，來辨識和整理他們以前不曾遇過的物件，加快消費性產品配銷中心的「拿取與放置」流程。強化式學習系統中，程式設計師會釐清系統的目前狀態和目標、列出容許的行動，並說明限制每項行動所獲得結果的環境要素。這套系統使用容許採取的行動，來判斷如何才能盡量接近目標。如果人類能明確設定目標，但不見得知道要如何達到那個目標，那麼這些系統運作得很好。舉例來說，微軟（Microsoft）使用強化式學習，若是有較多的訪客點按連結，就會「獎賞」系統更高的分數，用這種方式來選擇MSN.com新聞報導的頭條新聞。這套系統試著根據設計者給它的規則，極大化它得到的分數。當然，這表示強化式學習系統會優化，以達到你明確表示要獎賞的目標，而不見得是你真正在意的目標，例如終身顧客價值，因此，清楚地設定正確目標，是非常重要的。
讓機器學習得以運作
目前想要使用機器學習的組織，有三個好消息。第一，人工智慧技能正在迅速擴散。全世界的資料科學家和機器學習專家仍不夠多，但對他們的需求，有線上教育資源和各個大學努力去滿足。其中最好的，包括Udacity、Coursera和fast.ai，不僅教導入門概念，實際上還教導聰明、上進的學生創造工業級的機器學習部署。對這方面有興趣的公司，除了訓練本身的人員，還可以利用Upwork、Topcoder和Kaggle等線上人才平台，尋找有可驗證專長的機器學習專家。
第二個受歡迎的發展，是現代人工智慧需要的演算法和硬體，可視需要購買或租用。Google、亞馬遜、微軟、Salesforce和其他公司，正透過雲端，提供強大的機器學習基礎設施。這些對手之間激烈的競爭，意味想要實驗或部署機器學習的企業，會發現長期而言，可用的能力愈來愈強，價格卻愈來愈低。
最後一個好消息，可能最為人低估：你可能不需要那麼多資料，就可以開始有效利用機器學習。大部分機器學習系統，只要給它們更多資料去運作，它們的績效就會改善。因此合理的結論似乎是，有最多資料的公司會勝出。這種說法若要正確，前提必須是：如果「勝利」是指「主宰單一應用的全球市場，例如廣告定向（ad targeting）或語音辨識等應用」。但如果成功的定義並非如此，而是要顯著改善績效，那麼，所需要的足夠資料，往往令人意外地很容易取得。
舉例來說，Udacity共同創辦人塞巴斯欽．特倫（Sebastian Thrun）注意到，他的一些銷售人員在聊天室回覆主動來詢問的潛在顧客時，成效遠高於其他人。特倫和他的研究所學生扎伊德．伊南（Zayd Enam）知道，他們的聊天室登錄，基本上是一組有標記的訓練資料，這正是監督式學習系統需要的。導致達成銷售的互動，標記為成功，其他所有的互動，標記為失敗。伊南使用這些資料來預測，成功的銷售人員，在回應一些極為常見的查詢時，可能會提供哪些答案，然後和其他銷售人員分享那些預測，敦促他們取得更好的績效。在一千次訓練週期之後，銷售人員提高成效的幅度達54％，而且能同時服務兩倍多的顧客。
人工智慧新創公司WorkFusion採取類似的方法。它和一些公司合作，用更高程度的自動化，來進行辦公室後端流程，例如，支付國際發票和結算金融機構之間的交易。這些流程過去一直沒有自動化，是因為它們相當複雜；相關的資訊，不見得每次都以相同的方式呈現（「我們如何知道他們談的是什麼貨幣？」）而且需要某種程度的解讀和判斷。WorkFusion的軟體，在背景觀看人類做工作，並使用人類的行動，作為「分類」這項認知任務的訓練資料（「這張發票是用美元。這張是用日圓。這張是用歐元……」）。一旦系統對本身的分類能力有足夠的信心，就會接管分類流程。
機器學習正在三個層次上推動變革：任務與職業、商業流程、商業模式。重新設計任務與職業的一個例子，是使用機器視覺系統，來辨識潛在的癌細胞，好讓放射科醫生把心力專注在真正危急的病例上、與病患溝通，以及與其他醫生協調。重新設計流程的一個例子，是亞馬遜訂單履行中心根據機器學習，引進機器人和優化演算法之後，改造工作流程和樓面規畫。同樣的，公司應重新思考商業模式，以充分利用機器學習系統，這種系統可以用個人化方式，聰明地推薦音樂和電影。與其根據消費者的選擇，一首一首地銷售歌曲，更好的模式可能是讓顧客訂閱個人化電台，這個電台可以預測和播放那個顧客會喜歡的音樂，即使他之前不曾聽過那些音樂。
注意，機器學習系統很少取代整個工作、流程或商業模式。最常見的情形，是它們與人類的活動互補，讓人類的工作更有價值。「把所有的任務交給機器」，不太可能是這個新分工方式的最有效準則。相反地，如果成功完成某個流程需要十道步驟，其中一、兩道可能自動化，其餘的部分由人類來做，會更有價值。舉例來說，Udacity的聊天室銷售支援系統，並沒有試著打造可接管所有對話的機器人。相反地，它會建議人類銷售人員如何改善績效。人類仍居於主導地位，但效能和效率遠高於從前。這麼做的可行性，遠高於嘗試設計機器來做人類會做的每件事。這通常會使相關人員的工作變得更好、更令人滿意，最後提供更好的成果給顧客。
設計和執行新方式，來結合技術、人類技能與資本資產，以滿足顧客需求，這一切都需要大規模的創意與規畫。機器不是非常擅長這種任務。因此，在機器學習的時代當創業家或企業經理人，是社會中獎酬最高的工作之一。
風險與限制
第二次機器時代的第二波浪潮，也伴隨著新的風險。尤其是機器學習系統的「可解釋能力」（interpretability）經常偏低。意思是，人類難以清楚了解系統如何做成決定。深度神經網路可能有數億個連結，每個都對最後的決定貢獻了一小部分力量。因此，這些系統的預測，往往無法提出簡單、清楚的解釋。機器和人類不同，機器不擅長說故事（目前還不擅長）。它們不見得能提出理由說明，為什麼某人應徵某個職位獲得錄取，另一個人則落選，或是為什麼推薦某種藥物。說來諷刺，即使我們開始克服博藍尼悖論，卻正面臨它的相反版本：機器懂的，比它們能告訴我們的更多。
這產生了三種風險。第一，機器可能有隱藏的偏誤，而偏誤來自訓練系統所用的資料，而不是設計者刻意製造偏誤。舉例來說，如果系統使用人類招募人員過去做的決策資料集，學會應錄取哪些應徵工作的人，它們可能無意間永久沿用了人類決策者的種族、性別、族群或其他方面的偏誤。此外，這些偏誤可能不是以清楚的外顯（explicit）法則來呈現，而是嵌入數千個被考慮的因素之間微妙的互動當中。
第二個風險是，神經網路系統和建立在外顯邏輯法則上的傳統系統不同，神經網路系統處理的是統計真相（statistical truth），不是實際真相（literal truth）。因此很難、甚至不可能完全肯定地證明，系統會在所有的情況下運作，尤其是訓練資料裡沒有呈現的情況。對於關鍵任務的應用，例如，控制核能發電廠或攸關生死的決定，缺乏可驗證性令人擔憂。
第三，當機器學習系統的確會犯錯，幾乎不可避免會犯錯，可能就很難診斷什麼事情出了差錯，並改正錯誤。導出解決方案的根本結構，可能複雜得難以想像，而且，如果接受訓練的系統所處狀況改變，解決方案可能很不理想。
雖然這些風險都很嚴重，但合適的比較標準並不是以「完美」為標準，而是可能得到的最佳替代方案。畢竟，人類也會有偏誤，也會犯錯，也可能難以確實地解釋我們如何做成某個決定。以機器為基礎的系統，優點在於它們經過一段時間之後能夠逐漸改進，而且若是給它們相同的資料，會得到前後一致的答案。
這是否意味著人工智慧和機器學習能做的事沒有極限？感知和認知涵蓋很廣的領域：從開車到預測銷售額，到決定錄用或升遷誰。我們相信，人工智慧有很好的機會，不久就會在大部分或所有這些領域，達到超人的表現水準。那麼，人工智慧和機器學習不能做什麼事？
我們有時會聽到有人說：「人工智慧永遠不會擅長評估情緒化、詭計多端、狡猾、前後不一的人類：它太過一板一眼、不帶人性色彩，沒辦法做那種事。」我們不同意這種說法。像Affectiva的機器學習系統，在根據音調或臉部表情，以察覺人的情緒狀態方面，表現已達到或超越人類的水準。其他系統能推斷，即使是世界上最佳的撲克牌好手，什麼時候在虛張聲勢，而能在極複雜的一對一無限注德州撲克（Heads-up No-Limit Texas Hold'em）競賽上擊敗他們。正確看出一個人的情緒，是細緻微妙的工作，但不是魔法。它需要感知和認知，這正是機器學習目前很強的領域，而且持續變得更強。
若要討論人工智慧的極限，一個很好的起始點，就是畢卡索（Pablo Picasso）對電腦的觀察：「但它們一無用處。只能給你答案。」從機器學習最近的勝利來看，它們絕對不是一無用處，但畢卡索的觀察仍帶來深入的見解。電腦是回答問題的裝置，不是用來提出問題。這表示我們仍然會很需要某些人，他們能夠看出接下來要處理什麼問題或機會，或是要探索什麼新領域，像是創業家、創新者、科學家、創造者等等。
雖然人工智慧的這些風險都很嚴重，但合適的比較標準並不是以「完美」為標準，而是可能得到的最佳替代方案。
同樣地，消極地評估某個人的心理狀態或士氣，和積極地設法改變它，這兩者有很大的不同。機器學習系統變得相當擅長前者，但在後者仍遠遠落後我們。人類是強烈的社會性物種；最擅長運用社會性驅力（social drive）如同情、自豪、團結、羞恥等，以說服、激勵和鼓舞人的是其他人類，不是機器。2014年，TED大會和XPrize基金會宣布設立一個獎項，頒給「在這座講台發表引人入勝的演說，贏得聽眾起立鼓掌的第一個人工智慧」。我們懷疑這個獎很快就會頒出。
我們認為，在這個超級強大機器學習的新時代中，人類智慧最大和最重要的機會，在於兩個領域的交會處：研判接下來要處理什麼問題，以及說服許多人去處理那些問題，提出解決方案。這是領導力的合適定義，而這在第二次機器時代，變得遠比從前重要。
人類和機器之間目前的分工情況，正在非常快速地崩解。堅持原來見解的公司會發現：相較於願意且能夠將機器學習應用在所有合適地方的對手，以及能研判如何有效整合它的能力與人類能力的公司，堅持原來見解的公司日益落居競爭劣勢。
由於技術進步，商業世界已經開始經歷地殼變動般的根本改變。和蒸汽動力與電力的情況一樣，區分贏家和輸家的因素，不在於能不能取得新技術，甚至不在於是否能聘用到最佳的技術人員。相反地，贏家將會是態度夠開放的創新者，他們的眼光能夠超越現狀，設想出非常不同的方法；他們也夠聰明，能夠運用那些方法。機器學習留給我們最大的成果之一，可能是創造新一代的企業領導人。
我們認為，人工智慧，尤其是機器學習，是我們這個時代最重要的通用技術。這些創新對企業和經濟的衝擊，將不只反映在它們的直接貢獻上，也反映在它們能夠促成和啟發互補性的創新。機器學習帶來很多能力，像是更好的視覺系統、語音辨識、智慧型問題解決等等，有了這些能力，就可能出現新的產品和流程。
有些專家更進一步。豐田研究所（Toyota Institute）現任領導人吉爾．普拉特（Gil Pratt），把目前這一波的人工智慧技術，比喻成五億年前的寒武紀大爆發，那時孕育出不計其數的新生命形式。那時候和現在一樣，一個關鍵新能力是視覺。當動物首次得到這種能力，便能遠比從前更有效探索環境；這催化了物種的數量大幅增加，包括獵物和掠食者，而且，被填滿的生態棲位（ecological niche）範圍也大大增加。今天的情況也類似，我們預期會見到各種新產品、服務、流程和組織形式，同時也會有大量的滅絕。在出乎意料的成功之外，必然也會有一些可怕的失敗。
雖然很難確切預測哪些公司將主導新的環境，但有個通則很清楚：最靈活和順應力最強的公司與高階主管，會繁榮發展。在由人工智慧賦予能力的領域裡，能迅速察覺和回應機會的組織，將會掌握優勢。所以，成功的策略是願意做實驗，以及快速學習。如果經理人不在機器學習的領域加強實驗，就沒有善盡職責。接下來十年，人工智慧不會取代經理人，但使用人工智慧的經理人，會取代那些不使用人工智慧的經理人。
Reference: https://www.hbrtaiwan.com/article_content_AR0007381.html?
留言列表
