如果你有一位AI同事，可以向它學點啥？

王海雯

聊起AI，大眾或都以為，這是一個燒腦的話題。

的確，作為一門相當有門檻的學科，它的領域如同數學一般寬廣而深邃，常人無法企及。

但AI不只是一門硬核科技而已。“馬爸爸”曾給出了一番精彩思考——人工智能是技術，但又不是具體的一項或者幾項技術，人工智能是我們認識外部世界、認識未來世界、認識人類自身，重新定義我們自己的一種思維方式。

兩個多世紀前，人們將牛頓的科學方法論概括為機械思維，而機械思維直接帶來了工業革命的碩果累累。現如今，我們也可以從“道”的層面來認識AI，向它借鑒、學習，以此成為一個更好面向未來的自己。

對于這位“勁敵”，我們根本無須焦慮或是憂愁。因為已然來到的智能時代，是一個長達十幾年甚至幾十年的階段。每一天的變化都是漸變的，我們有足夠多的時間來適應這種變化。

所以，如果你有一位AI同事，可以向它學點啥？AI有著迥異于人類的大數據思維，并在數據的驅動下不懈地“學習”，以此向人類提供更加個性化的服務。

本期，就來聊聊如何理解并應用AI的“大數據思維、學習力、個性化”。

名家之言

★大數據思維

吳軍：

約翰·霍普金斯大學計算機科學博士、計算機科學家，著有《智能時代：大數據與智能革命重新定義未來》《浪潮之巔》《硅谷之謎》等暢銷書。

從機械思維到大數據思維

邏輯推理能力本是人類特有的本領，給出原因，我們能夠通過邏輯推理得到結果。這種以確定性和因果關系為核心思想的機械思維，曾是改變了人類工作方式的革命性方法論，并且在工業革命和后來全球工業化的過程中起到了決定性的作用。今天它在很多地方依然能指導我們的行動，如果我們能夠找到確定性（或者可預測性）和因果關系，這依然是最好的結果。

但是，今天我們面臨的復雜情況，已經不是機械時代用幾個定律就能講清楚的了，不確定性，或者說難以找到確定性，是今天社會的常態。在大數據時代，我們能夠得益于一種新的思維方法——從大量的數據中直接找到答案，即使不知道原因。數據中所包含的信息可以幫助我們消除不確定性，而數據之間的相關性在某種程度上可以取代原來的因果關系，幫助我們得到我們想知道的答案。

這一方面給了我們一個找捷徑的方法，同時我們不會因為缺乏運氣而被問題難倒；另一方面，這種找不出原因的答案我們是否敢接受呢？如果我們愿意接受，那么我們的思維方式已經跳出了機械時代單純追求因果關系的做法，開始具有大數據思維了。

方法應用 用強相關性數據告倒美國煙草公司

我們都知道吸煙對人體有害。比如美國外科協會的一份研究報告顯示，吸煙男性肺癌的發病率是不吸煙男性的23倍，這從統計學上講，早已經不是隨機事件的偶然性了，而是存在必然的聯系。

但是，就是這樣看似如山的鐵證，依然“不足夠”以此認定煙草公司有罪，因為它們認為吸煙和肺癌沒有因果關系。煙草公司可以找出很多理由來辯解，比如說一些人之所以要吸煙，是因為身體里有某部分基因缺陷或者身體缺乏某種物質而導致肺癌的，是這種基因缺陷或者某種物質的缺乏，而非煙草中的某些物質。

從法律上講，煙草公司的解釋是站得住腳的，而美國的法律又是采用無罪推定原則，因此單純靠發病率高這個單一事件是無法定煙草公司的罪的。所以在很長的時間里，對煙草公司的訴訟，只能不了了之。

上個世紀90年代中期，密西西比州的總檢察長麥克·摩爾帶領40多個州的總檢察長再次對煙草公司提起訴訟。這一回，控方聘請了包括約翰·霍普金斯大學公共衛生學院教授們在內的很多頂級專家。

這些專家們派助手和學生到其他國家的農村地區（包括中國的西南地區），去收集相同族群、相同收入和生活習慣等人群的對比數據。這樣既排除了基因等先天的因素，也排除了收入和生活習慣等后天的因素。然后再根據吸煙是否對身體有影響作對比。各州檢察官們和專家們經過三年多的努力，最終讓煙草公司低頭了。

1997年，煙草公司和各州達成和解，同意賠償3655億美元。這場勝利，標志著在法律上認可了從不同維度找到的強相關性可以取代因果關系作為法律證據。

（本頁內容選摘自 《智能時代：大數據與智能革命重新定義未來》 一書）

觀點分享

★學習力

機器越學越智能

你可能聽聞過“機器學習”這個專業術語。沒錯，浸淫在海量的數據中不懈地“學習”，機器得以越來越智能。在《人工智能狂潮》一書中，日籍作者松尾豐更深入地介紹了機器人學習的問題。

AI大致有三個發展階段，而機器人真正的學習是從第三個階段開始的。這個階段又可分成兩個部分，第一個部分是機器學習，第二個部分是深度學習。機器學習有賴于互聯網的出現，它成了機器人的全能知識庫。從理論上講，只要機器人聯通互聯網，它需要什么知識，就可以自己抓取什么知識。但是，它還有一個弱點，就是不能自主地選擇學什么知識。人類天生對“特征量”很敏感。什么是特征量？如果你想了解一個人的話，特征量就是這個人的身高、體重、家庭、出生地、性格等各個方面的信息，人類可以自動搜索到這些信息，幫自己作判斷，但是機器人可不知道該關注什么問題才好。

深度學習階段的機器人就能搞定特征量的問題了。在數據的基礎上，人們讓計算機自動生成特征量，然后再讓機器人來分類。就像嬰兒看媽媽一樣，先認識了眼睛，又認識了鼻子，再認識到其他的器官，慢慢地，就形成了媽媽的概念。

方法應用 我們更要終身學習，學習終身

如果機器都在努力地學習，不斷地進深，這難道不是狠狠鞭策人類，要更加“頭懸梁，錐刺股”地學習嗎？終身學習，是一個居高不下的熱詞。試問：面向未來，我們應該學什么，怎么學？

首先，甩開一些不必要的“包袱”。比如，囿于學科的邊界，或是對文憑學歷的眷戀，這都是一種很陳舊、落后的思維和做法。數據多寡對于機器“IQ”的影響是決定性的；同樣，人的知識是否廣博也在一定程度上決定了他的高度。在智能時代，不妨學一學編程。編程是我們與機器溝通的語言，亦是訓練機器思維的好方法。不少學者已在呼吁，編程應和數學、統計學一樣成為一門通用課程，娃娃最好從小學、中學就開始接觸。

其次，培養那些機器替代不了的能力。機器會輕輕松松地替代那些可重復的單調工作，不管是體力還是腦力工作，但它替代不了人性中最微妙的部分。培養自己對復雜系統的綜合分析和決策能力、創造性思維能力、情感交流、審美能力、與人交流的能力、講故事的能力，等等。

再次，為自己作“訂制化”的教育。比學什么更重要的是怎么學？上述那些核心能力，往往都無法通過批量化、標準化的學校教育制度提供，它們是需要靠個人的體驗和感悟才能獲得的。所以，你需要為自己操刀“訂制化”的教育，即與眾不同的學習計劃。讓內心中強烈的求知欲來引領你勾畫自己的知識疆域，有一些知識蜻蜓點水就好；有一些可以不斷地向里縱深，建立知識體系；還可以跨界幾門學科，來思考解決一個命題。發揮你的創意來學習吧！

★個性化

機器越來越人性化

2016年，當AlphaGo一鳴驚人，戰勝世界圍棋冠軍李世石時，AI對于普羅大眾，還是一個相當抽象的概念。現如今，它早已有了各種載體，“飛”入了尋常百姓家。無論是使用包括滴滴出行、今日頭條這樣的手機應用，還是掃地機器人、智能投影儀這樣的智能家電，我們與AI的關系，已經變得形影不離、密不可分。

機器智能的一大特點，是變得更加像人類一樣，而落地為產品時，就是更加的人性化，能夠貼合個體的需求提供精準的服務。

事實上，智能時代對行業的改造已經越來越深入。在新制造領域，過去，工業時代和信息時代是讓制造業自動化、規模化、標準化，而智能時代的制造業是個性化、智能化，按需定制。未來，企業如果不能從規模化、標準化向個性化、智慧化轉型，將很難生存下去，成功的制造業一定是用好智能技術的企業，而不會用智能技術的企業，將進入失敗領域。

方法應用 我們要越來越個性化

企業如此，我們每一個人也是如此。

當機器變得越來越“人性化”時，面向未來的我們更要活出“個性化”。這既是一份鼓勵，亦是一種要求。

說鼓勵，是因為在智能時代里，每一個獨立的個體都將得到更好的發展。馬云曾分享過他所期待的未來——過去一年只去30個城市，未來我們一年可能去300個城市。過去每人工作16個小時，現在8個小時，未來4個小時，甚至每天工作2個小時。而工作時間的縮短，將意味著每個人都能撇棄基本的物質要求，更好地跟隨興趣、愛好來發揮自己的特長。

當然，在這番遠景實現之前，現代社會對職場人要具備“個性化”的要求已經越來越明顯了。這里所說的“個性化”不是“自我中心，唯我獨尊”，而是作為一個獨立的個體，你能發表獨到的觀點、見解，你有自己的創新發明，你對棘手難題有一個新的解決方案。你絕不是在簡單重復昨天的工作內容，或是將自己完全地社會化甚至系統化……每一天，你都在向這個世界新鮮輸出以你之名的“內容”。

如果機器都在貼合你的需求滿足你，我們怎么可以在同事、上司、下屬、客戶面前，呈現沒有鮮明標簽的自己？

未來，個性化發展越足夠充分的人，就越不容易落伍；一直以來尊重自己體驗的人，會有更寬廣的職業空間。一切職業都是人類與社會關系的產物，好的東西總是源自人與社會的深度關系。拿出本心才能和這個世界建立真誠的深度關系。