人工智慧即將取代我們？面對AI，我們該怎麼保持競爭力？

這是「解題者」解答的第 6 個問題

閱讀本文需要 9 分鐘

Problem 6: 「活在未來，我們該怎麼保持競爭力？」

前幾天，狐狸受邀去參加了Linkedin中國和IBM的一個A.I.（Artificial Intelligence，人工智慧）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？

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。

1A/ 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，正片負沖啊什麼的，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體使用的熟練度。

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——

1B/ 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演算法。

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。

DIKW金字塔

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（大學專業會計學，且以一級榮譽畢業）」…

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——

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——

2A/ A.I.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，儘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；

二是多更新硬體設備：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體；

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。

2B/ 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系有衝突，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。

2C/ 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（順帶一提，這哥們是福布斯的 30 under 30 Asia 其中之一）。

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，如果對人工智慧不感興趣的朋友們歡迎直接跳過。

我不懂人工智慧技術，以下內容僅供開腦洞，不喜可噴。

人工智慧被分為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慧範疇。

不過根據科學家預測，2040年前後強人工智慧就有可能會實現。

那麼，如果人工智慧的思考質量真的趕超人類，達到強人工智慧甚至超人工智慧，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A.I.化，未來我們可能會變成像《超驗駭客》（Transcendence）里的Johnny Depp那般，變成了完全的A.I.，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 @謝熊貓君 以前翻譯過的一篇兩年前waitbutwhy的知乎回答《為什麼有很多名人讓人們警惕人工智慧》（相信很多朋友們都看過）。

是不少哲學家關於這個可能性的思考，引人深思。

文章雖長，但很推薦。

參考文獻/推薦閱讀

[1] Tim Urban, <The AI Revolution>, Waitbutwhy, 2015

[2] Jennifer Rowley, <The wisdom hierarchy: representations of the DIKW hierarchy>, 2007

[3] Everett Rogers, <Diffusion of Innovations>, 1962

照片/ unsplash

轉載與交流請聯繫/ raphael.xiao@foxmail.com

公眾號/ imjietizhe