【致读者-管理者如何乘风人工智能】
金秋10月，天高云淡，清风送爽，令人心旷神怡。
在清爽的日子里，商业世界里却有一领域炙手可热，那就是人工智能（AI）。短短几年，AI已经从实验室研究阶段快速进入企业和个人应用阶段，而商业世界关注的焦点技术，也从大数据、云计算等转到了AI。
过去200多年，是人类社会快速发展的时期，最主要的推动力是诸如蒸汽技术、电力、内燃机、计算机、互联网等通用技术。时至今日，能与上述技术媲美的就是AI，特别是机器学习（ML）。本期“大思路”的6篇文章聚焦的就是AI。
......
【大思路-认知人工智能】
人工智能概览
250多年以来，驱动经济增长的根本动力是技术创新，其中最重要的创新即经济学家所谓的通用技术，包括蒸汽机、电力和内燃机等。在这些技术之后，补充性创新和机会大量涌现。举例来说，内燃机问世后，汽车、卡车、飞机、链锯、剪草机，以及大型零售商、购物中心、交叉配货仓库、新供应链，甚至包括郊区的概念都相继出现。沃尔玛、UPS和优步等多元化公司利用该技术，创建新的商业盈利模式。
我们这个时代最重要的通用技术是人工智能，特别是机器学习技术（ML）——机器不需要人类对所担负任务作出明确指令，有能力自主提升表现。过去几年中，机器学习的效率和普及程度显著提高。我们现在可以开发能够自主完成任务的系统了。
......
引发机器学习大爆炸的导火索
早在20世纪50年代，机器学习系统就诞生了，但问题是：为什么我们现在才突然看到AI在众多领域的突破性发展？以下三个因素可说明症结所在：数据大量增加；算法进步显著；计算机硬件性能得到巨大提升。在过去20年中，应用软件中的数据可用性增长1000倍，关键算法改进10到100倍，硬件速度至少提高100倍。麻省理工学院的托马索·波吉奥（Tomaso Poggio）称，正是因为以上所有进步，应用软件才有了质的提升，比如自动驾驶汽车的行人检测视觉系统。
现在我们来逐一了解这三大因素。数据。音乐CD、电影DVD和网页这几十年来丰富了全球数字编码信息，而过去几年里信息出现爆炸式增长。现在，我们接收的信号来自智能手机和工业设备的传感器、数字照片和视频、源源不断的社交媒体信息流和其他很多应用软件，数据的丰富程度前所未有。现在，世界上90%的数字数据都是过去两年中涌现的。如今，物联网的发展势如破竹，数十亿新装置及其数据流将实现连接，所以，在接下来的10年中，我们势必将处理更多数字数据。
......
走进Facebook人工智能研究实验室
我们走进Facebook宽敞的20号楼，便看到雷文斯伍德泥沼的全貌。穿过大厅，还可以隐隐闻到厨房传来热腾腾早餐、奶昔和醇厚咖啡的香气。会议室Lollapalooza就在大厅和厨房之间，华金·坎德拉（Joaquin Candela）正试图在这小房间中向我这个外行人解释人工智能。
坎德拉有些谢顶，矮小壮实，默默思考着。他负责管理Facebook最重要的AI部门——应用机器学习（AML），其团队正逐渐成为整家公司最核心部分。他组织了一下语言，终于开口：
“机器学习算法实际上就是一张查找表，对吧？图像这样的输入信息是关键，而价值就在这类信息的标签中，比如‘马’。我会有大量训练实例，比如马的图片。我尽可能给算法最多信息。‘这张图是马。这张图是马。这张图不是马。这张图不是马。’
......
AI可能是令人头疼的队友
人工智能可能会做出更好更快，甚至比人类更明智地决策。面对诸如“应该走哪条路回家”或“如何组织分销链”的选择时，AI的优越性尽显。但在攸关生死的情况下，AI能表现得更好吗？
我是研究科技的社会心理学家，上大学时曾在一家地球物理测量公司实习。我们在加拿大北部冰封的森林中寻找天然气。多数天然气田都很偏远，而且那里天气酷寒。很多地方只有乘坐直升机才能到达。
......
AI如何融入数据科学团队
了解商业、产品数据科学和研发能力——这三件数据科学家做的事，会让你受益匪浅。
埃里克·布林约尔松和安德鲁·麦卡菲在大思路中指出，AI和机器学习（ML）将很快成为重要性不亚于电力和内燃机的通用技术。两者代表我们技术能力的里程碑式转折，将带动下一波经济增长。
但我们如何应用AI和机器学习呢？组织中哪些部门适合发展这些新能力？公司该如何利用AI和机器学习？
为了解到切实可靠的说法，《哈佛商业评论》英文版高级编辑沃尔特·弗里克（Walter Frick）采访了机器智能研究公司Fast Forward 实验室的创始人希拉里·梅森（Hilary Mason）。以下为两人对话节选。
......
为何AI还不能写这篇文章
罗杰·尚克（Roger Schank）原是一名教授，现从事研究工作。他对人工智能有独到理解：计算机应该能看懂《西区故事》并识别出《罗密欧与朱丽叶》的故事情节。尚克及其学生认为，故事是衡量智力、推理能力、理解力的关键。按照尚克的标准，今天的AI根本就没有智能。
本周早些时候HBR网站发布的AI文章恰恰就说明了现在计算机还不能做的事情（颇具讽刺意味）。文章的两位作者根据数十年的行业经验，构想主题、收集证据、撰写文字。三位编辑协助整理近5000字的文章后终于定稿。
软件还不能写这篇文章，这件事本身对AI的发展影响不大（即便有证据证明AI不是革命性技术，AI的开发也不会戛然而止），但可以让我们借此了解到机器学习技术的应用原理、本质、当前的不足，以及未来成为写作工具，甚至作家的提升路径。
......
【特写】
幸福陷阱：我们为何在工作中消耗自己
人生苦短，不能浪费在不开心的工作上。然而，许多专业人员明明可以自由发展事业，却总是不开心。他们无法专注工作，又感到不满足，非常痛苦。比如找我做咨询的客户莎伦，她是某全球能源公司副总裁，聪明勤奋，按部就班地快速晋升。她收入丰厚，跟自己爱的人结了婚，也把孩子照顾得很好。她拥有自己认为想要的一切，却还是不开心。家里的气氛变得紧张，工作也不再带给她满足感。她对办公室政治感到厌倦，看透了公司在某季度出问题时用于补救的没完没了的改变。被迫长时间加班让她愤恨不已，晋升和奖金也不再令人激动，但她依旧努力工作，因为努力已经成了习惯。
莎伦开始迁怒他人。她觉得高管团队的工作脱离实际，向朋友和同事抱怨管理层的错误决定、公司的战略和她认为是高管层缺乏远见的事情。仿佛团队里每个人都在偷懒。
......
网络巨头的实验课
2012年，微软Bing的一名员工想到一个改进搜索引擎展示广告标题的方法。这在技术上并不难，一名工程师几天就可以完成。但同时提出的还有几百个创意，因此，项目管理者并未优先考虑这个改进方案。半年多后，一位工程师看到写代码不太费事，于是发起了一项简单的线上A/B测试，检验这个方案的效果。仅仅几小时后，新方案产生了高得不正常的收入，触发了“好过头”警报。通常，这种警报说明可能存在漏洞，但这次不是这样。分析显示，改进方案带来的收入提升高达12%，相当于美国市场每年增加1亿美元收入，而且对用户体验核心指标没有影响。这是Bing历史上最赚钱的创意，但直到测试前，它的价值都被低估了。
够丢人的吧！这个例子显示了评估创新方案的潜力是一项多么困难的工作。同样重要的是，它也显示出低成本同时进行多项实验的能力所带来的益处——更多企业已开始认识到这一点。
......
管理枢纽经济
全球经济正在向几个超级数字巨头聚拢。事实证明，赢者通吃的时代已经到来，包括阿里巴巴、Alphabet（谷歌）、亚马逊、苹果、百度、脸书、微软与腾讯在内的几家“枢纽企业”（hub firms）已成为全球经济中心。它们在为用户创造价值的同时，也获得了巨大的价值份额，并且在持续扩张。这就是共同经济（collective economy）的未来：本应用于让商业更加民主化的技术，正在不断强化垄断性竞争。
除在各自领域称霸，枢纽企业还创造并控制着经济领域的关键性网络结点。谷歌的安卓系统等技术控制了移动端入口，形成了“竞争瓶颈”（competitive neck），其他产品及服务提供商如果想接触到数十亿移动用户，必须经过这些入口。谷歌除了能向商家收费，还可以对信息流和数据搜集施加影响。亚马逊和阿里巴巴情况类似，大量用户、零售商和制造商聚集在两家平台上。腾讯的微信汇集了10亿全球用户，成为众多关键服务的入口，包括网上银行、娱乐、交通等。网络中的用户越多，对服务和产品提供商来说，平台吸引力越大，最后不得不加入其中。超级数字巨头通过不断提高规模效益（returns to scale），并控制关键的竞争瓶颈日益壮大，得到超额价值，打破全球竞争均势。
......
【自管理】
高管跳槽误区
美国劳工统计局数据显示，“婴儿潮”一代一生平均换10次工作。无论国家的经济状况如何，自20世纪90年代开始普及的自由职业理念仍有现实意义，敦促我们更主动地掌控自己的职业生活。组织层级像积木一样花样翻新，CEO早已不是终极职位。如我们采访的一位金融界人士所言：“已经没有最终目标了，职业生涯是一个不断发展的过程。”
工作变动难以避免，但这往往是一件困难的事情，它会影响人们的情绪，并常常导致短期和长期表现明显下滑。例如，在此前的研究中我们发现，明星证券分析师跳槽到其他投资银行后业绩下滑，影响可能长达5年。无论是橄榄球运动员转会，还是企业管理者跳槽，换工作的人都面临相似挑战。问题不仅在于学习曲线。无论何种类型的工作变动，都包含显著的内外部挑战和交易成本：家庭和社交生活动荡；潜在的搬家成本；适应新的文化和人际交往规范；逐步了解工作要求和标准；学习新的准则、技能和行话。
......
