1700411918
计算机的新技能
1700411919
1700411920
工厂里工人操作嗡嗡作响的机器,受过高等教育的专业人士在安静的办公室里通过触摸屏和键盘进入神秘的信息领域,这两者看起来没有什么相同之处。但是在这两个例子中,我们可以发现,人同自动化系统——另一方,共同承担某项工作。并且,布莱特的研究以及对自动化的后续研究均清楚地表明,无论是机器操作系统还是电子操作系统,系统的复杂程度决定了角色和责任的分配方式,以及所需的技能。机器的功能越来越强大,对工作的控制权也逐渐增加,工人专注培养高水平技能的机会在减少,例如理解和判断所需的专业技能。当自动化达到最高水平并控制了工作,技术熟练的工人将无路可走,只能退居其次。我们一定要注意,根据效率和质量的结果,人机结合劳动的直接产物可能凌驾于其他事物之上,但是人的责任和作用却被削弱了。科技历史学家乔治·戴森在2008年提出了这样一个问题:“如果会思考的机器的诞生将以人的思考被剥夺作为代价,那将怎么办?”我们继续把分析和决策的责任转交给计算机,这个问题逐渐显现出来。
1700411921
1700411922
决策支持系统的功能越来越强大,它能引导医生的想法,接管部分医疗决策工作,这反映了计算领域近来取得的巨大进步。当医生诊断患者时,会从大量专业信息里提取所需的知识,这些信息都是他们通过多年的严格训练、实践学习以及阅读医学杂志和相关文献积累而来的。如今,虽然计算机能够复制深层的、专业的隐性知识,要真正做到这一点,难度还是很大的。但是,处理速度迅速提高、势不可挡,数据存储成本和网络成本大幅下降,人工智能技术(如自然语言处理和图像识别技术)取得突破性进展,这一切都使得天平向计算机倾斜。现在,计算机查阅和理解大量文本及其他信息的能力比过去要强得多。通过发掘数据之间的内在联系——被动发现或同时、相继自动出现的特征或现象,计算机经常能做出准确的预测。例如,根据病人的种种症状,判断该病人是否已经患有某种疾病,或计算该病人患病的概率,以及判断某种药物或治疗方法具有一定疗效的概率。
1700411923
1700411924
机器具有学习能力,例如决策树和神经网络,可以不断规范现象间复杂的统计关系。随着处理数据总量的增加,计算机会收到有关之前预测准确性的反馈,计算机可以通过自身的学习能力,根据反馈,对后续的决策加以优化,不同变量的权重比例越来越精确,可能性预测能够更好地反映现实状况。现在,就像人一样,随着经验的累积,计算机变得越来越聪明。部分计算机科学家认为,新的“神经形态”微芯片可以在电路中嵌入机器的学习协议,在未来几年,将大幅提升计算机的学习能力。机器的识别能力将得到增强。我们可能不希望计算机变得“聪明”或是具有“智慧”,但事实却是,虽然计算机缺少医生的理解力、移情和洞察力,但它们能够对大量的数字信息进行统计和分析,复制医生的许多判断——这就是逐渐被人们熟知的“大数据”。现在,数字处理机器具有强大的数字运算能力,这使得过去对“智力”含义的争辩失去了意义。
1700411925
1700411926
计算机的诊断技术只会越来越强。计算机收集和存储的个体患者的数据越来越多,这些信息以电子病历、数字影像、数字检查结果以及药房记录的形式出现,在不远的将来,还会有私人生物传感器读数和健康监控应用数据,计算机越来越擅长寻找事物之间的联系,对概率的计算也会精确到前所未有的程度。模板和指导将越来越全面、详细。现在,医疗效率的提高带来了许多压力,我们很可能会看到泰勒提出的最优化理论和标准化理论占据整个医疗领域的局面。用号称基于实证的机器输出的统计数据替代人类的临床判断已是大势所趋,并且具有强劲的增长势头。如果没有全面的管理规定,软件会越来越多地接管诊断和治疗的控制权,这样一来,医生面临的压力就会越来越大。
1700411927
1700411928
客观、准确地说,医生们可能很快就会发现,他们扮演了人类传感器的角色,收集信息,帮助电脑做出决策。虽然医生负责为病人做检查,将数据输入计算机,形成电子病历,但诊断病情和提出治疗方案的任务却由计算机主导。计算机自动化沿着布莱特提出的机器等级理论节节爬升,而医生的技能则注定要一步步退化。过去,技能退化只困扰工厂工人,而现在,医生也在某种程度上面临这一问题。
1700411929
1700411930
医生并不是特例。计算机对精英行业的入侵正在四处蔓延。我们已经看到了,专业系统可以预测风险和其他可变因素,影响了公司审计员的思维方式。其他金融类职位,从信贷员到投资经理,都要依靠计算机模型做出决策。现如今,计算机和程序员相互通联,控制了华尔街的大部分业务。尽管华尔街的公司经常缔造利润新纪录,但是2000~2013年,纽约市的证券交易员骤减了1/3,从15万人降至10万人。一位金融产业分析员向彭博社记者透露,经纪公司和投行的最高目标是“实现系统的自动化,摆脱交易员”。至于现在在岗的交易员,“他们的工作不过是点击计算机屏幕上的按钮罢了”。
1700411931
1700411932
上述情况不仅出现在简单的股票和证券交易方面,复杂的金融工具的组合和交易也是如此。技术分析员、前投资银行家阿什维尼·帕拉梅斯瓦兰表示:“银行已经尽了很大的努力,来减少金融衍生品定价和交易所需要的技能和专业知识。交易系统大幅升级,将尽可能多的知识嵌入软件。”预测算法甚至已经进入了风险投资领域,这是金融业的最高殿堂,顶尖的风险投资人员一直以自己卓越的商业和创新嗅觉为傲。著名的风险投资公司,例如铁石集团和谷歌风投,现在都在使用计算机从记录中挖掘企业的成功模式,依此进行相应的投资决策。
1700411933
1700411934
法律领域也存在类似的趋势。多年以来,律师通过计算机在法律数据库里搜索资料,准备文件。而今,软件在律师办公室里的地位逐渐提高。原来,初级律师和律师助手通过传统的方式搜集资料,他们需要阅读大量的信函、电子邮件和记录,而现在,这一道关键工序已经大部分实现了自动化。计算机可以在数秒内对上千页的电子文档进行阅读和分析。通过具有语言分析算法的电子搜索软件,机器可以找到相关的单词和短语,还能识别出连锁事件、人物关系,甚至个人情感和动机。一台计算机就能取代几十名高薪专业员工。文件准备软件也得到了优化。律师通过填写简单的检查事项,就可以在一两个小时内整理出一份复杂的合同,而原来这可要花上好几天的时间。
1700411935
1700411936
更大的变革即将到来。法律软件公司正在着手开发统计预测算法,通过分析数千个过往案例,这种算法能提供庭审策略建议,例如审判地点的选择或和解协议条款等,成功率很高。很快,软件就将拥有判断力,到目前为止,高级诉讼律师要具备一定的经验和洞察力才能做出判断。斯坦福大学的法学教授和计算机科学家于2010年创立了法律机器(Lex Machina)分析公司,对即将发生的事情进行预测。该公司的数据库存储了超过15万的知识产权案例,他们借助计算机,对法庭、首席法官、参与诉讼的律师、诉讼当事人、相关案件结果以及其他因素进行分析,预测在不同的情境下,专利案可能出现的结果。
1700411937
1700411938
预测算法也将逐步取代企业家的决策。现在公司每年在“人员分析”软件上花费数十亿美元,实现雇佣、薪酬和晋升决策的自动化。施乐公司完全依靠计算机进行招聘,筛选出5万名电话中心工作人员。应聘者需要坐在电脑前进行一个半小时的性格测试,招聘软件会立即给出分数,这个分数将反映应聘者未来的工作表现、工作可靠性和坚持工作的可能性。公司向得分较高的应聘者发放入职通知,对于得分较低的应聘者,只能说再见了。UPS[1]使用预测算法为司机绘制每日的行车路线。零售商借助预测算法,决定货架上商品的最佳布局。营销商和广告公司利用预测算法,决定发行广告的时间和地点,并在社交网络上发送推广信息。经理们渐渐发现,他们扮演了软件帮手的角色。对于计算机做出的计划和决策,他们会简单检查一下,然后就不假思索地予以通过。
1700411939
1700411940
有一个具有讽刺意味的故事。在20世纪最后的10年里,经济的重心从物质商品转变为数据流,在这一过程中,计算机给信息工作者带来了新的身份和财富。他们以操控屏幕上的标记和符号为生,成了新型经济的主角,而此时,长期以来支撑中产阶层的工厂工作被转移到了海外,或是交由机器人去完成。20世纪90年代末出现了互联网泡沫,在那几年里,经济一片欣欣向荣,财富从计算机网络涌出,进入个人经纪账户,似乎开启了一个充满无限经济机会的黄金时代——技术推动力被打上了“长期繁荣”的标签。但是美好的日子转瞬即逝。现在,我们发现,正如诺伯特·维纳预测的那样,自动化并没有厚此薄彼。计算机擅长分析符号,解析管理信息,也能向工业机器人发号施令。软件甚至夺走了那些复杂的计算机系统操作员的工作,例如数据中心,就像工厂一样,不断提高自动化的程度。如谷歌、亚马逊和苹果这样的公司操控的大型服务器群组,基本可以实现自运行。虚拟化作为一种工程技术,通过软件复制硬件(如服务器)的功能,正是得益于这项技术,人们可以通过算法监控设备的运行,并能在几秒钟内自动检测并解决网络问题和应用程序的小故障。意大利媒体学者提出了“劳动智能化”的概念,很可能20世纪末的“劳动智能化”只是21世纪“智力自动化”的序幕。
1700411941
1700411942
我们很难预测,在模仿人类视角和判断的征程上,计算机到底能走多远。根据计算机近来的发展趋势推断,这一切可能只是空想。但是,即使我们不认同大数据狂热分子夸张的鼓吹,认为基于关系的预测和其他形式的统计分析在应用性和实用性方面还存在种种局限,有一点却很明确:计算机离突破这些局限还差得远呢。2011年年初,IBM的超级计算机Watson彻底打败了两名顶尖选手,获得了智力竞赛节目的冠军,那一刻,我们看到了计算机分析技术的未来。Watson解读线索的能力惊人,但是按照当时人工智能程序的标准来看,计算机的胜利并不是个意外。事实上,计算机在庞大的文档数据库里搜索可能的答案,然后同时从多条推测路径进行预算,最终确定可能性最高的正确答案。但是,计算机运转得非常快,以至于它能在一些需要技巧的比赛,如知识问答、文字游戏和记忆力比赛中战胜聪明的人类选手。
1700411943
1700411944
Watson标志着实用新型人工智能的成熟。回顾20世纪五六十年代,数字计算机还是个新事物,许多数学家、工程师、心理学家和哲学家认为,人类大脑应该像数字计算机器那样工作。他们将计算机比作人类大脑,是一种思维模型。这样一来,创造人工智能就顺理成章了:首先得到大脑内运行的算法,然后将这些程序转变为软件代码。然而,仅仅做到这些还不够。最初的人工智能以悲剧收场。结果证明,不管大脑如何运行,我们都不能将其简化成计算机算法。现在,计算机科学家正在采用另外一种完全不同的方法研究人工智能。起始阶段,这种研究方法可能不会显示出强劲的势头,但是效果更好。研究人员不再以复制人类的思维过程为目标——这仍然超出了我们的知识范畴,而是复制人类思维产生的结果。科学家们注重思维的特殊产物。例如人员雇用决定或知识竞赛的答案,然后编写计算机程序,用计算机独有的无意识的计算方式,得到同人类思维相同的结果。虽然Watson的工作原理和人类参加智力竞赛时思维的运转方式完全不同,但是Watson还是能取得较高的分数。
1700411945
1700411946
20世纪30年代,英国数学家、计算机先驱阿兰·图灵在写博士论文的时候萌发了“预言机”的想法。这种计算机通过“不确定的方式”,应用显性规则获取存储的数据,它能回答的问题通常需要运用人类的隐性知识才能解答。图灵想知道“是否可能移除直觉,但保留智慧”。为了进行这项关于思维的实验,图灵假设机器进行数字运算的能力是无限的,运算速度也没有上限,可以承载无穷多的数据。图灵表示,“我们不设定需要多少智慧,所以假定智慧是无穷尽的”。同往常一样,图灵具有预见性,他知道算法内部隐藏着智慧,并预测借助计算机的高速运算,算法将发挥它的智慧。但是当时,很少有人同他持有相同的观点。计算机和数据库总是存在局限性,但是在某些系统(例如Watson)中,我们发现,预言机真的来了。原来这只是图灵的设想,现在工程师们将其变成了现实。智慧正在取代直觉。
1700411947
1700411948
Watson的数据分析智慧已经投入使用,肿瘤学家和其他医生借助数据分析技术诊断病情。IBM预测,接下来,这项技术将应用于法律、金融和教育等领域。如CIA(美国中央情报局)和NSA(美国国家安全局)之类的情报机构也在对数据分析系统进行测试。如果说,谷歌的无人驾驶汽车体现了计算机的新技能——复制人类的思维活动,使得计算机具有同人类相同的、甚至超越人类的驾驶技能,那么,Watson则证明了,计算机已经掌握了另外一项新技能——复制人类的认知能力,计算机可以同我们一起在符号和思维的世界里遨游,甚至已经赶超了我们。
1700411949
1700411951
数据和算法的缺陷
1700411952
1700411953
但是,复制思维的产物并不等同于复制思维。图灵强调过,算法永远也不能完全替代人类的直觉。有意识的推理无法得出“直觉判断”,这种无意识的判断不会消失。从文件中搜寻事实证据,或在数据阵列中解析统计模式并不是人类智慧的体现。在实际生活中,我们善于观察、积累经验,从中获取知识,依靠自身的理解力将所得的知识同丰富的、流动的世界编织在一起,从而完成各项任务,从容应对挑战。人类具有灵活的思维、有意识或无意识的持续性认知、推理能力和灵感,正是这些特质让我们可以进行抽象思考,可以批判地看问题,能够运用比喻,进行推测,变得聪明,这些可以极大地开发人类的逻辑能力和想象力。
1700411954
1700411955
多伦多大学的计算机科学家兼机器人专家赫克托·莱韦斯克举了一个例子,这是一个简单的问题,人类可以马上给出答案,但计算机却无法理解:
1700411956
1700411957
一个大球撞翻了桌子,因为它是由聚苯乙烯泡沫塑料制成的。
1700411958
1700411959
谁的原料是聚苯乙烯泡沫塑料?是大球还是桌子?
1700411960
1700411961
我们不用多想就能给出答案,因为我们知道聚苯乙烯泡沫是什么,知道当一个东西撞到桌子上时会发生什么,知道桌子是什么样的,知道形容词“大”有什么隐含意义。我们了解题目发生的场景,理解描述问题的文字。但计算机缺少对世界的真实体会,会觉得这个问题描述的过于含混,无从下手。计算机被囚禁在算法里。莱韦斯克表示,计算机的智慧局限于对大型数据集的统计和分析,虽然“系统具有出色的性能,但也只是个白痴学者”。计算机可能很擅长象棋、智力竞赛、面部识别或其他特别有限的思维活动,但“在其他情况下就完全束手无策了”。计算机拥有超凡的精确度,但这也正是它们感知力的有限性的体现。
1700411962
1700411963
即使是面对概率性问题,计算机也并不是完美无瑕的。计算速度和准确性可以掩盖基本数据的局限性和数据失真的问题,此外,数据挖掘算法本身还存在一定缺陷。任何大型数据集都存在真假关系混杂的问题。计算机很容易被某种巧合误导,或是生成虚假联系。更严重的是,当某个数据集成为重要决策的依据,数据和数据分析方法很可能会出现误差。为了在金融、政治或社会领域获取利益,人们决定跟计算机系统赌一把。社会科学家唐纳德·T·坎贝尔在1976年发表了一篇著名的文章,他在文中解释说:“社会决策所使用的社会定量指标越多,导致误差的压力就越大,对于所监测的社会进程,计算机出现数据失真和误差的可能性也就越大。”
1700411964
1700411965
因为数据和算法存在缺陷,专业人士或我们这些普通人很容易产生自动化偏好,这是十分危险的。维克托·迈尔·舍恩伯格和肯尼思·库克耶在2013年共同出版了《大数据时代》(Big Data),他们在书中写道:“即使我们有合理的理由怀疑分析存在偏差,我们也会无意识地被分析结果束缚。”“或者,我们会把某些本不属于数据的功劳记到它的名下。”关联计算算法存在一种特殊的风险,原因在于,这种算法依靠以往的数据对未来进行预测。大多数时候,未来会遵循之前的事例,按照预想的路径发展。但是在某些特殊的情况下,实际发展会偏离既定的模式,这时算法的预测就不准确了——这是事实,已经给某些高度计算机化的对冲基金公司和相关机构带来了灾难性的影响。虽然计算机有许多优点,但它们缺乏常识性知识,这仍让人颇感担忧。
1700411966
[
上一页 ]
[ :1.700411917e+09 ]
[
下一页 ]