人工智能是一种预测技术,预测是决策的输入端,而经济学又为任何决策所包含的权衡取舍提供了一套完美的解释框架。

人工智能新浪潮实际上并没有给我们带来智能,它带来的是智能的一个关键组成部分——预测。 哪怕你从未涉足卷积神经网络的编程工作,也从未研究过贝叶斯统计学,却想明白人工智能对自己意味着什么,却又一头雾水,也许这篇文章能够帮到你,

我们需要知道,什么样的预测对公司最为重要?人工智能的进一步发展,会怎样改变我们赖以为重的预测?随着个人电脑和互联网的兴起,各行各业重新配置了就业岗位,为响应预测技术的进步,我们所在的行业将怎样对就业岗位进行重新配置?

不过,面对人工智能的发展,没有绝对完美的战略。数据越多,意味着隐私越少;速度越快,意味着准确度越低;自主性越强,意味着控制力越弱。最适合你所在公司或所属职业的战略应该取决于你在每一次权衡时怎样拿捏各方要素的权重。

互联网导致分销、通信和搜索成本下降

我们已经习惯了打开手机充斥屏幕的“人工智能即将改变生活”的报道。虽然我们中有些人是技术爱好者,欢庆未来的无尽可能,另一些人是技术恐惧者,哀悼逝去的美好时光,但几乎所有人,都太习惯技术新闻不断敲响的鼓点了,以至于近乎麻木地念叨着,“唯一不变的就是变化本身”。直到我们真正站到了浪潮的中央,才突然意识到,这次的技术有些不一样了。

自 1996 年以来,关于计算机科学的学术论文和研究的数量猛增了9倍以上。学术研究和调研通常是新知识产权和专利的前身。整个 Scopus 数据库有超过 20 万(200,237)篇计算机科学领域的论文使用了「人工智能」的关键词索引,计算机科学领域的论文有近 500 万(4,868,421)篇。

自 2000 年以来,活跃的人工智能创业公司的数量增加了14倍。这些公司涉及多个行业——药物开发、客户服务、制造、质保、零售和医疗器械。这项技术十分强大且通用性极强,在范围极广的应用领域中创造了重要价值。

人工智能的概念逐渐进入我们的视线。它挤满了你手机的应用程序,它正在优化你的电网,它正在取代你的股票投资经纪人;用不了多久,它说不定就会载着你到处走,或者给你配送快递了。随着人工智能的影响逐渐扩散至各行各业,技术倡导者们不再把AI称为新技术,而开始把它称作“新经济”。政治家、企业高管、投资人、企业家和主要新闻机构开始使用这个词,每个人都开始畅谈“新经济”。

其实“新经济”这个词在互联网普及的时候已经被反复谈及了,但是在互联网时代,我们并没有看到新的经济,或者新的经济学。

诚然,互联网带来了很多重要的变化。商品和服务可以数字化流通了;相互交流变得更容易;想要查找信息,点击搜索按钮就能一键搜索。但所有的商品流转、沟通交流、搜索信息等事情,互联网出现之前都能做到,互联网的出现使他们可以以更便宜的方式去做到。

换句话说,互联网的兴起意味着分销、通信和搜索成本的下降。比如,从经济学的角度看,谷歌只是通过互联网的方式,让搜索变得更廉价了。当搜索变得廉价时,那些通过别的方式提供信息检索并以此赚钱的企业(如黄页、旅行社等)感到了严重的生存危机。与此同时,那些仰赖被人发现的职业(如自助出版作品的作家、稀有收藏品卖家、本土电影制作人等)得到了蓬勃发展的机会。

部分经济要素的成本变化,极大地影响了部分企业的商业模式,甚至也影响了部分行业的结构体系。然而,经济规律并未发生改变,一切仍然可以从供求的角度来理解,我们仍然可以利用现成的经济学原理,制定策略、为政策提供信息和预测未来。

人工智能导致“预测”成本下降

现在,让我们来看看人工智能。人工智能在经济上的重要意义,正是因为它会让某个重要的东西变得便宜。考虑到计算机本身,“它没有创造的野心。它可以做任何我们吩咐它去执行的事情,可以按照分析去做,但它不具备预知需要解析的关系或真相的能力”。所以,计算机依然无法思考,所以智能、推理或思想本身都不会变得廉价。相反,会变得便宜的是某种非常普遍的东西,就跟运算一样,你甚至都意识不到它会变得何等常见,以及其价格下跌将对我们的生活和经济产生何等庞大的影响。

而这个变得便宜的重要而普遍的东西其实是——预测。预测是填补缺失信息的过程,预测将运用你现在掌握的信息(通常称为“数据”),生成你尚未掌握的信息。大部分有关人工智能的讨论强调的是花样繁多的预测技术,而这些技术有着愈发艰涩模糊的名称和标签:分类、聚类、回归、决策树、贝叶斯估计、神经网络、拓扑数据分析、深度学习、强化学习、深度强化学习等。我们略过这些方法背后的数学细节,但是我们要知道,这里的每一种方法都与预测有关:用你已有的信息获得你尚未掌握的信息。

预测更廉价,意味着预测会变得更多。传统经济学的理论依然适用于人工智能:某件事情的成本下降,我们就会更多地做这件事。

对于原先就运用“预测”的行业,人工智能的发展可以节省这些行业的预测成本,比如货管理、需求预测、预算制作等。更为重要的是,由于“预测”变得便宜,“预测”逐渐被运用到一些原来用不到“预测”的行业。

举个例子,自动驾驶汽车已经在受控的环境下存在了20多年。然而,它们只能在有着详细平面图的场所活动,比如工厂、仓库等。有了平面图意味着工程师可以设计机器人按基本的“如果-那么(if-then)”逻辑来运行:如果有人在车辆前面行走,那么就停下;如果货架是空的,那么就转向下一排。但这些车辆永远无法进入普通的城市街道。普通大街上会发生的事情太多了,不可能一一对应地编写成“如果-那么”的代码。

随着人工智能的发展,工程师们重新从预测的角度对问题做了框定。工程师们意识到,不必告诉机器在每一种场合下要做什么,只要把焦点放在一个预测问题上即可——“人类会怎么做”。试想一下一个人工智能机器人和人类驾驶员一起坐在汽车里的情景。人类驾驶员开车行驶过数百万英里,他通过眼睛和耳朵接收环境数据,用大脑处理这些数据,再根据传入的数据采取相应的行动:直行或转弯,刹车或加速。工程师们给人工智能安装了各种传感器(如摄像机、雷达、激光定位器等),让它有了自己的眼睛和耳朵。所以,人类驾驶员开车的时候,人工智能观测传入的数据,同时观察人的行为。当特定的环境数据传入时,人类驾驶员会右转、刹车,还是加速?人工智能对人类驾驶员观察得越多,就能越好地预测驾驶员在接收到特定环境数据时将要采取的具体行动。

通过预测人类驾驶员在特定路况下怎么做,人工智能学会了驾驶。依靠足够廉价预测,我们把驾驶变成了预测问题,我们只需要输入足够多的场景和每个场景对应的操作,不停的训练机器,它就能在每一个场景出现之后立刻预测其对应的操作。当机器接收到的训练数量到达一定程度,它就能在非受控环境下,甚至在城市的街道和高速公路上自动驾驶。

同时,再次运用经济学的理论,当“预测”等生产资料变得廉价时,“预测”的互补品的价值会随之提高。一如咖啡成本的下降会提高糖和奶油的价值,对自动驾驶汽车而言,预测成本的下降会提高捕捉车辆周边数据的传感器的价值。2017年,英特尔拿出150多亿美元收购以色列初创公司Mobileye。这主要是为了得到后者的数据采集技术,该技术可让车辆有效地“看到”物体(停车标志、行人等)和标识(车道线、道路)。

人工智能下,企业战略的权衡取舍

那么,人工智能(或者说“预测”的廉价)对企业战略有怎样的影响呢?

先看一个亚马逊的例子。大多数人都熟悉怎样在亚马逊网站上购物。跟大部分在线零售商一样,你访问网站,选购商品,将商品放进“购物车”里,付款,接着亚马逊把商品寄给你。目前,亚马逊的商业模式是先购物再发货。在购物过程中,亚马逊的人工智能预测你想要买什么,然后提供相应的推荐。对我们想要购买的东西,人工智能能准确预测5%;换句话说,它每推荐20种商品,我们实际上会购买一件。

随着消费者购买行为的不断累加,亚马逊的人工智能收集了更多的信息,并使用这些数据来改进它的预测。这种改进就像是调高扬声器的音量旋钮。只不过,它们调高的不是音量,而是人工智能预测的准确性。它们转动旋钮到了某个点,人工智能预测的准确度跨越了某个临界值,以至于改变了亚马逊的商业模式。这种预测准确到,直接把它预测你想要购买的商品寄送给你(甚至不用等到你下订单)。

AI能让亚马逊更加成功!因为有了它,你再也不需要到其他零售商那里去了,亚马逊将占据更大的市场份额,而且商品还没买就寄送到手,这有可能促使你购买更多其他的东西。倘若一切进展顺利,亚马逊还没等你选购就把商品送上了门,让你免于购物之苦。预测的旋钮调得足够高,使亚马逊的商业模式从“先买后寄”变成了“先寄后买”。当然,退回所有自己不想要的东西,这样的麻烦事消费者可不愿承担。因此,亚马逊将投资产品退换方面的基础设施,比如一支负责配送的车队,每周做一轮巡检,轻松地回收顾客不想要的东西。

如果这是一种更好的商业模式,为什么亚马逊还没有这么做呢?因为如果现在执行它,收集和处理退货商品的成本将远远超出从顾客那里多赚到的钱。比方说,如今我们要退掉寄来的95%的商品,这对我们来说会很烦人,对亚马逊来说,处理退货的成本远高于市场占有率提高带来的收入,人工智能产生的预测还不够精准,不足以帮亚马逊产生净利润。

不过不难想到,亚马逊会在这项技术精确到能够为其带来利润之前,就抢先采用这一战略,因为亚马逊已预见,只要预测精确到一定程度,它必会带来利润。早人一步推行,亚马逊的人工智能将更快地获得更多数据,进而更迅速地改进。开始得越早,竞争对手就越难赶上。好的预测会吸引更多的购物者,更多的购物者会产生更多的数据来训练人工智能,更多的数据会带来更好的预测,如此周而复始,实现良性循环。太早采用新战略可能代价高昂,但出手太晚,对公司而言恐怕是致命的。

最近,谷歌公开宣称把人工智能技术置于一切工作的中心。做出这一战略承诺的并不只有谷歌。就在同一个月,微软公布了自己从“移动优先”和“云优先”转移到“人工智能优先”的意图。

不过,把公司变成一个人工智能导向的公司不一定是一个必然正确的选择,从经济学的视角来看,任何“我们将把注意力放到XX上”的声明都意味着一种权衡取舍。总会放弃某些东西用于交换。“人工智能优先”意味着把资源投入到数据收集和学习(一个长期目标)中,同时牺牲重要的短期考量,如直接的客户体验、收入和用户数量等。

最后要说明的是,我们在这篇文章中所说的人工智能,并不是通用人工智能,而是更狭义的预测机器。目前,人们正在研究怎样让预测机器在更广泛的环境下运行,但人类尚未找到通用人工智能的突破口。有些人认为通用人工智能太遥远,没必要花时间担心这个。在美国总统行政办公室起草的一份政策文件中,国家科学技术委员会(NSTC)下的技术委员会称:“私营领域的专家社群与NSTC下的技术委员会目前所达成的共识是,通用人工智能至少在近几十年是无法实现的。NSTC的技术委员会的评估结果是,对拥有超级智慧的通用人工智能的长远担忧不应该对当前政策产生太大影响。”与此同时,若干宣称要创造通用人工智能或类人智能机器的公司,如Vicarious、谷歌DeepMind、Kindred和Numenta等,已经开始部署人工智能,未来充满了不确定性。

等我们超越预测机器,进入通用人工智能甚至超级智能的时代,我们就将迎来一个不同的人工智能时代。等到了那个时候,我们可以信心满满地预测,经济学将不会再这么简单了。