面對AI世代,我們該如何不被取代?

AI世代-編者按:本文來自微信公眾號「解題者」(ID:fantastic_fox),

作者:肖璟,連續創業者,曾供職於麥肯錫金融機構組、Google等,著有暢銷書《風口上的豬》。

前天晚上,狐狸受邀去參加了Linkedin中國和IBM的一個A.I主題報告發布活動。

中間有一個環節蠻有趣的——

主辦方邀請《奇葩說》的辯手們討論一個辯題:「職場人士,是否需要恐懼A.I.?」

雙方唇槍舌戰,甚是精彩,最後王強老師得出個結論:

無論恐懼不恐懼,如果不想那麼快就被A.I.取代,我們需要積極迎接變化,才能保持自己的競爭力。

那麼問題就來了,身處A.I.時代,我們要保持競爭力,該從哪方面下手呢?

01 未來該發展哪些核心競爭力?

要回答這個問題,我們要先看看,你究竟是和誰在競爭?

你的競爭對手有可能是其他人,也有可能是A.I.。

我們一分為二來看好了。

1、與其他人的競爭

胡漸彪老師提到:A.I.技術讓人與人之間的能力差距在縮小——

比方說老司機,過往有經驗的司機師傅之所以牛X,很大程度是因為他們認路。

而導航APP普及後,老司機們的這個優勢也就不復存在了,跟新手司機也沒啥大區別了。

「老司機」們的優勢確實會逐漸喪失。

不過人與人之間還是會有能力層面的差距,只是這種差距會慢慢體現在其他方面——新技術的應用能力。

叢林法則還是起作用,環境變了,適合生存的能力不一樣罷了。

每次技術迭代,技術都會改變我們所處的環境,進而改變了人與人之間差距所在的維度。

比方說攝影,過往牛X的攝影師要精通暗房洗照片那一套,

而現在,正片負衝啊什麼的,一個濾鏡按鈕就搞定了。

攝影的核心競爭力變成圖像處理軟件使用的熟練度。

在A.I.時代,我們與其他人的競爭自然也變成了A.I.操作能力的競爭,誰用得熟練,誰自然就有競爭優勢。

當然,除了與其他人競爭,有可能我們還要跟A.I.競爭——

2、與A.I.的競爭

如果哪天A.I.可以自主運行,那人類是不是就要丟飯碗了?

被A.I.替代似乎不是距離我們很遙遠的事。前段時間看到一個新聞,

投資銀行Goldman Sachs的紐約辦公室原來的600多個交易員現在只剩下兩人,

起因是他們研發了一套自動交易算法。

是不是很有危機感?那,有沒有哪些核心競爭力是人類獨有、A.I.取代不了的呢?

別擔心,還真有。

A.I.的定位是人類大腦的外包,用來解放我們的腦力勞動、代替我們思考。

而回歸A.I.目前的發展,大部分的應用僅僅是在思考速度上完虐人類。

但在思考質量上,A.I.還遠沒有達到人類水平。思考質量其實就是思考的等級。

類比一下,就像你玩角色扮演遊戲,你的攻擊速度是別人的100倍,

但你一次只能造成1點傷害,對方一次攻擊能造成10000點傷害,

這個1與10000的區別,就是質量上的差別,你的速度再快也會被對方秒殺。

比如人類和猩猩就有思考質量上的差別——人類大腦有些獨特的認知模塊,

讓我們可以用複雜的語言溝通、讓我們可以做抽象思考。

猩猩則沒有這些模塊,就算把它們的思考速度加快到超越人類數倍,他們還是無法理解抽象概念。

那,思考質量最重要的是什麼?

我們不妨先看看思考流程圖,思考一般分為歸納(induction)與演繹(deduction)兩種——

歸納過程是輸入階段,決定思考質量的是提煉能力;

演繹過程是輸出階段,決定思考質量的是應用能力。

輸出後你會得到反饋,反饋又會成為你的輸入,形成一個閉環。

接著,我們便來詳細介紹下這兩種A.I.短期內無法替代的能力。

提煉能力

當你把外部資訊內化(internalize)為自己的一部分時,勢必要經歷歸納的過程,

而提煉能力往往決定著你歸納結果的質量。

我們可以一步步把數據提煉為信息,把信息提煉為知識,再把知識提煉為智慧。

上述例子省略了部分補充論據,僅供示意

A.I.也可以做到提煉。比如用數據挖掘(data mining)的方式從大量數據中提取信息,

但提取出來的只是信息和知識,還沒辦法達到智慧的層面。

如果說從數據提煉信息、從信息提煉知識可以幫我們do things right,

那麼從知識提煉智慧可以幫到我們的是do the right things。

應用能力

說完歸納,我們來聊聊演繹。

演繹過程中對已有知識的應用並不難,難的在於舉一反三的應用能力。

在麥肯錫工作時,一開始我做的大多都是金融機構組的項目,積累了不少金融行業的方法論。

而後做房地產等其他行業項目時,發現很多方法論其實跨領域也是相通的。

而且金融行業的一些常見方法論,卻不是其他行業從業者所熟悉的,舉一反三往往可以出奇制勝。

而聰明人往往可以在多個領域都做到極致,舉幾個跨界的案例:

比如好友S,他總是自詡為「學會計裡頭最懂產品的(在美國出版過一本產品書籍),

學產品裡頭最懂技術的(任職某投行CTO),學技術裡頭最懂會計的」…

再比如《思考,快與慢》的作者Daniel Kahneman,

本職是普林斯頓大學的心理系教授,卻獲得了諾貝爾經濟學獎…

還有最著名的跨界人士達芬奇,擁有一堆抬頭:畫家、天文學家、發明家、建築工程師…

舉一反三的應用能力仍是人類思考質量上特有的,A.I.暫時還做不到。

稍微總結一下,身處A.I.時代,我們在面對其他人的時候,核心競爭力應體現在A.I.操作能力;

我們在面對A.I.的時候,核心競爭力應體現在提煉能力與應用能力。

搞清楚了我們該往哪些方面努力後,我們來看看下一個問題:

02 如何提高核心競爭力?

針對前述的三個能力,我也有一些落地的方法可以分享給大家。

1、操作能力

A.I.操作能力屬於技能的一種,而技能的評價標準是熟練程度。熟練程度與使用程度成正比。

換句話說,越早用A.I.的人、用得越頻繁的人自然就越用得越溜。

這不得不提Everett Roger的創新擴散理論:

根據該理論,不同的人接受創新的速度是不一樣的。

不懂A.I.技術的我們或許沒法成為那前2.5%的創新者(innovators),

但我們可以保持好奇心,盡可能成為早期使用者(early adopters)。

個人覺得在這方面有3點可以做的:

一是多看看科技博客:TechCrunch、36氪、鈦媒體、PingWest等等;

二是多更新硬件設備:不特指A.I.設備,比如不少人總會買最新一代的iPhone,

甚至去kickstarter等眾籌網站買一些創新硬件;

三是多和技術領域大牛聊天:看看最近圈裡有哪些新的技術趨勢。

2、提煉能力

對於很多人而言,讀書的效果並沒那麼立竿見影。

套用前述的DIKW金字塔,這完全是因為,大多人讀書時,

對於資訊的接受還停留在數據和信息層面,壓根都沒有往知識或智慧的層面提煉。

而提煉能力,是可以通過知識內化練習提高的。

這個練習分3步:

步驟1:讀書

可以適當地通過讀書筆記記錄重點內容。

步驟2:複述

我們讀完書、聽完課後,可以嘗試用自己的語言複述你學到的知識架構和主要觀點。

可以對著鏡子自己複述,也可以對著你的朋友。

步驟3:內化

聰明人往往有自己的既有知識體系。

他們可以很快地把新接觸的信息、知識內化為自己知識框架裡頭的一個分支。

在內化的過程中,如果發現所學的新知識與既有知識體係有衝突,需要進一步辯證地思考、判斷。

不斷重複「讀書 – 複述 – 內化」這個知識內化過程,便可以鍛煉你的提煉能力。

3、 應用能力

分享1個簡單的鍛煉應用能力的方法——解題訓練。

這是前幾天和好友Z一起吃飯,他分享的方法。

他每天飯後會抽1到2個小時做這個思考訓練。

一個人找個空曠的地方散步,選擇一個自己以前從沒系統性思考過的問題,

不一定和自己的工作相關,可以是跨行業的,也可以是生活方面的。

我寫的「解題者」Problems系列文章其實也是一樣的思路。

畢竟,你很少會看到一個諮詢出身、做互聯網金融的人,

用純理性思維寫情感類文章,而且還在知乎被一堆人諮詢情感問題。

稍微回顧一下,以下是我們的競爭力發展方法總結:

接下來的部分我要開開腦洞,如果對人工智能不感興趣的朋友們歡迎直接跳過。

我不懂人工智能技術,以下內容僅供開腦洞,不喜可噴。

03 A.I,的思考質量有可能赶超人類嗎?

人工智能被分為3種。

大家不難發現,前面的討論其實我們都沒有跳出弱人工智能範疇。

不過根據科學家預測,2040年前後強人工智能就有可能會實現。

那麼,如果人工智能的思考質量真的赶超人類,達到強人工智能甚至超人工智能,那會有怎樣的可能?

可能性1:與A.I.的融合,邁向永生

其實我更願意相信我們會跟A.I.融合,變成像《攻殼特工隊》裡頭的半機器人。

先別忙著抗拒,其實我們現在已經算是半個機器人了。

你想想,現在我們每天的生活離得開手機嗎?

你需要用它來導航叫車、點外賣、查餐廳位置…手機已經變成你身體的一部分,其實你就是半個機器人。

隨著我們慢慢的AI化,未來我們可能會變成像《超驗駭客》(Transcendence)裡的Johnny Depp那般,

變成了完全的AI,可能會有另一個可怕的結局可能會出現——統一意志。

這也是不少科幻作品對人類社會最終形態的一個解答。

我們的輸入是人類社會能接觸到的所有信息,我們的邏輯是求解最優解的統一邏輯。

輸入一致、計算邏輯一致,輸出自然也會是一致的。

可能性2:滅絕?

這麼負面的可能性我就不多說了,這裡推薦《為什麼有很多名人讓人們警惕人工智能》。

是不少哲學家關於這個可能性的思考,引人深思。

參考文獻/推薦閱讀

[1] Tim Urban, , Waitbutwhy, 2015

[2] Jennifer Rowley, , 2007

[3] Everett Rogers, , 1962Problem

原文出處