Enable javascript in your browser for better experience. Need to know to enable it? Go here.
Perspectives edition 17 banner

第17期 | 2021年8月

人工智能与机器学习:拓展商业、创意和创新的未来

在变幻莫测的时代,企业往往会花费更多的精力管理支出。但最近,许多企业似乎还不吝巨资投入机器学习 (ML) 和人工智能(AI)技术 。包括软件、硬件和服务在内,全球人工智能市场的年复合年增长率接近 20%,预计到 2024 年将突破 5000 亿美元大关。

 

企业可能出于诸多原因选择优先发展人工智能,比如企业试图提供更好的客户体验,或是帮助员工取得卓越的工作绩效,还有些企业则是希望降低成本或单纯为了保持竞争优势。但是,这笔支出总能物有所值吗?



传闻和统计数据都表明,企业的获益结果不尽相同。最近一项研究发现,尽管多数高管认为人工智能对公司未来起到至关重要的作用,但人工智能投资的回报率通常仅达到 1%。多数企业要 1 到 3 年才能在人工智能项目中取得回报。

人工智能投资回报周期

Table of the wait for AI ROI

来源: ESI ThoughtLab

某些情况下,人工智能的实施存在较高风险。例如,美国德州大学 MD 安德森癌症中心和 IBM 共同开展了著名的癌症患者人工智能顾问开发项目。MD 安德森癌症中心为此耗费了超 6 千万美元资金,但项目最终仍然搁浅了。 

 

人工智能项目投资失败可能破坏企业声誉。最近,某领先的数字化保险公司夸口称能够利用人工智能来检测欺诈行为和提高利润,最终却被迫背弃承诺,由此引起消费者强烈不满,并导致众多行业企业纷纷进行反思。

 

诸如此类的例子不仅说明人工智能具有惊人的潜力,也说明再好的人工智能计划和初衷都可能以失败告终。由于成本相对更高,且在推动甚至直接决定重要决策结果时,很容易触及有关服务对象以及机器和人力平衡等伦理问题,人工智能的风险远高于其他技术。

 

如果采取的措施有误,人工智能可能会导致错误、偏见和计划之外的负面后果。但是,如果规划和应用得当,人工智能也有助于创造显著的商业和社会效益。人工智能创造效益的方式不仅包括自动执行单调或危险的任务,还包括解决复杂问题,提高产品创新,甚至是帮助组织在全新道路上快速发展。

i. 识别和利用人工智能机会

人工智能的成功之道首先是提出一个重要的问题:  企业真的需要人工智能吗? Thoughtworks 首席技术官 Rebecca Parsons 指出:“人工智能常常是发现问题的独特工具。人们花了很多钱去做他们认为正确的事,结果却行不通。这不一定是技术的错——可能只是方法错了。” 


“人工智能常常是发现问题的独特工具。人们花了很多钱去做他们认为正确的事,结果却行不通。这不一定是技术的错——可能只是方法错了”

 

Rebecca Parsons
Thoughtworks 首席技术官


如今的人工智能起源于几十年前,当时的计算能力限制了人工智能的技术进步。这种障碍在数据和处理能力价格低廉、数量丰富且持续增长的今天似乎是不可想象的。然而,对于所有的进步而言,有时,“老”把戏和新的解决方案一样行之有效。

 

Parsons 表示:“单单使用更传统的分析技术不一定‘很酷’,但你可以通过一些基本统计和数据分析方法从数据集中了解一些有趣的东西。”

 

尽管机器学习(运行算法、学习模型和从数据中提取模式或信息的机器)和人工智能这两个术语经常互换使用,但Parsons 指出,将两者加以区分也很重要。后者的定义更有争议,但可以广泛地看作是机器执行人们认为的智慧任务,即展示机器自己的“思维”。

技术力量的融合为人工智能发挥作用奠定基础

Graphic of a convergence of technology forces laying the foundation for AI to shine

来源: Thoughtworks

机器学习和人工智能用自动化代替了原本由人执行的繁琐和重复任务,一直以来,在提高生产率、效率以及质量保证方面发挥的作用最大。Gartner 公司预测,“超自动化”技术将呈现全球性飞速发展,“超自动化”这一术语集涵盖诸多过程的快速识别、审查和自动化。到 2024 年,将超自动化与再设计流程相结合的组织预计将削减高达 30% 的运营成本。

 

人工智能为加快常规流程(尤其是基于模式识别和依模式行动的流程)或消除其中的人为误差提供了许多机会。

 

神经网络是算法驱动的复杂系统,用来模仿人脑。Parsons 解释说:“神经网络在模式识别方面表现非常出色。提起模式识别,人们有时会想到图像识别或字符识别。但欺诈检测实际上是一个模式识别问题。相关模型基本上建立了欺诈活动和正常活动的模式。采用人工智能来标记异常的信用卡活动或进行图像分析,使人们从中解放,去从事更高价值的工作。”

 

当组织需要大规模开展活动时,人工智能和机器学习也非常有用。当需求增加时,变量呈指数增加,并且很快就会证明,仅依靠人类经验和分析是不够的。例如,如果一家本地零售店服务于一群固定的客户,在几条固定路线上进行配送,那么这家零售店可能没有多少空间可以利用人工智能来提高效率。然而,拥有大型全球运营体系和复杂供应链的组织往往能受益于人工智能驱动的优化措施。

 

人工智能项目成功的一个基本要素是要确保自动化流程与业务密切相关,并且已行之有效。Parsons 表示:“企业必须牢记,人工智能无法‘拯救’糟糕的流程。人工智能只能使这一流程实现自动化,甚至会使流程变得更加糟糕。”

 

Thoughtworks 旗下公司 Fourkind 的首席数据科学顾问 Maria Pusa 表示,在确定了人工智能应用可以大大提高价值的具体领域后,“建议先从几个表现良好、经济高效的轻量级试验项目开始应用你的人工智能想法,快速检验其是否朝着正确的方向发展。这是评估项目投资是否是有价值的唯一方法。”

 

她补充道:“企业会犯的错误之一是,还未开展 AI 项目,就先购买或建立海量数据平台。这种做法风险很高,因为海量数据平台需要大量的资源,可能要耗费不少成本,并且要经过很长时间后,数据的可用性才能显现出来。而与此同时,企业的竞争对手可能已经在一些规模较小但具有影响力的人工智能项目中取得了进展。”

 

此外,仓促地展开策划和评估过程也是危险的做法。Thoughtworks 旗下公司 Fourkind 的首席机器学习合伙人 Jarno Kartela 表示:“如果可以在开展试验项目或进行 POC(概念验证)之前,花更多的时间规划和思考实际要做的事情,就可以获得更多的投资回报。”

 

最近的一项调查显示,绝大多数使用自动化软件的知识工作者都能从中获益,但有近四分之一的人决心完全避免进行自动化,主要原因在于这部分人不相信自动化能帮助他们完成工作。这就使得在计划阶段花时间赢得支持变得格外重要。

 

Kartela 解释道:“如果不与团队成员适当协调,就迅速投入生产,可能会导致生产线出现问题。人们可能会不信任这个系统,或者觉得自己被排除在创造过程之外。对于正在做的任何事情,要获得最佳结果,你需要发展组织内部的力量或需求,这种力量或需求不仅要来自高层,也要来自于个体,然后再花更多的时间进行规划和开展合作。”

ii. 从单调任务自动化到协作和创造性

 

组织还应确定自身的人工智能目标——是仅仅使单调重复的任务(这类任务通常是琐碎的)实现自动化,还是向更具创造性和战略性的机会扩展,让系统与人类技能和专业知识相互配合,成为 Kartela 所说的“技术合作者”。Thoughtworks《科技棱镜》报告指出,这是未来影响技术和业务的关键趋势之一。

 

他表示:“单调任务的自动化可以快速获得投资回报,而且可能可以创造巨大价值。但是对所有竞争对手来说,这都是一种非常显而易见的可能性,因此无法带来长久的竞争优势。想想人工智能在决策、创造性任务和战略规划方面能发挥什么作用,就能更上一层楼。”   


“想想人工智能在决策、创造性任务和战略规划方面能发挥什么作用,就能更上一层楼。”
 

Jarno Kartela
Thoughtworks 旗下公司 Fourkind 的首席机器学习合伙人


人工智能价值连续体

Diagram of the AI value continuum

来源: Fourkind

如今,人工智能可以用来帮助创造巨大价值,指导组织的发展方向,而不再仅仅关注生产力和效率。人工智能不再仅适用于数据密集型任务——还有助于解决诸如研发和场景规划等仅涉及小部分数据但有巨大潜力的问题。

 

Parsons指出:“当你不知道某个迫切问题的答案或需要大规模协调复杂物流网络之类的事物时,可以使用这些技术。你可以利用算法探索数据,看看能找到什么,算法也许可以指出潜在的创新方法。”


“你可以利用算法探索数据,看看能找到什么,算法也许可以指出潜在的创新方法。”
 

Rebecca Parsons
Thoughtworks 首席技术官


芬兰的基蒂拉机场展示了人工智能在资源有限的不可预测场景中确保最佳性能的卓越能力。由于机场快速扩张,航班数量不断增加,使得机场的停机位紧缺,进而导致物流瓶颈频发。

 

Thoughtworks 与机场的管理和停机专家合作,创建了利用飞行数据构建了更优停机计划的优化模型,该停机计划还可以预测和学习航班到达时间和乘客数量。

 

基蒂拉机场的航班数量增加了 12%,净推荐值 (NPS) 提高了20分。机场问题导致的航班延误次数和持续时间也有所下降,所节省的费用估计达到 50 万欧元(58.8 万美元)。此外,由于飞机在等待停机位时在机场周围停留的时间减少,二氧化碳排放量也减少了。

 

Pusa 表示:“供应链优化与机器学习相结合具有巨大的潜力,因为这样不仅能提高成本效益,还具有可持续性。所应用的流程越复杂,投资回报率就越大。”


“供应链优化与机器学习相结合具有巨大的潜力,因为这样不仅能提高成本效益,还具有可持续性。所应用的流程越复杂,投资回报率就越大。”
 

Maria Pusa
Thoughtworks 旗下公司 Fourkind 的首席数据科学顾问


人工智能提高组织水平的能力远不止于此。Pusa 指出:“人工智能推动的研发也会产生巨大影响,因为小到饼干行业、运动鞋设计行业,大到建筑行业,任何企业都具有使用创造性人工智能进行产品创新的巨大潜力。”

 

除了创造原创音乐、诗歌和艺术品之外,人工智能还与专家“合作”开发椅子等全新产品,甚至还能发展斩获殊荣的精神。

 

Thoughtworks 与著名的瑞典酿酒厂麦克米拉联合开发世界上首款 AI 调制的威士忌。通过建立模型,整合了来源广泛的数据(之前的配方、品酒记录、专家评审和酒桶信息),该团队开发新酒的速度比人工调制更快,同时还能发现从未考虑过的新搭配。团队根据麦克米拉主酿酒厂和首席闻香官的输入信息,对潜在的配方进行评估和进一步调整,然后再选出最佳配方。这是增强行动的完美示例。

 

Kartela 表示:“创造性人工智能的核心理念不是尽可能准确地预测某些东西,或者试图获得某种转化或行动,而是模仿创造性,使新产品的构思过程更容易、更快和更高效。”


“创造性人工智能的核心理念不是尽可能准确地预测某些东西,或者试图获得某种转化或行动,而是模仿创造性,使新产品的构思过程更容易、更快和更高效。”
 

Jarno Kartela
Thoughtworks 旗下公司 Fourkind 的首席机器学习合伙人


iii. 处理数据、人员和伦理维度的正确方法

 

发挥人工智能的创造潜力需要组织平衡三个关键而复杂的考虑因素——数据、人员和伦理。

 

作为所有模型或算法的基础,数据最终决定了人工智能解决方案的性能,这意味着计算机科学中“输入垃圾,输出垃圾”的古训仍然适用。

 

Parsons 指出:“训练人工智能模型需要大量的资源。“你的数据不仅必须干净,而且还必须有助于理解促使这些数据形成的原因。但人们常常做不到这一点。”

 

无论基础技术有多强大,混乱或失真的数据都会创建出产生问题结果的系统。在人工智能/机器学习中,当系统基于先前不准确或不完整的结论而演变时,次要问题可能会随之迅速演变为主要问题。

Parsons 表示:“组织往往低估了让数据变得可用所需的工作量。数据容易过时,而且随着时间推移,许多数据集会形成陷阱。也许在六个月的时间里,一个特定的专栏被用于一个完全不同的目的,所以当你试图分析10年的数据时,这并非都意味着同样的事情。你无法从脏数据中得到有意义的答案。”

 

数据质量被认为是组织在人工智能项目中面临的数据方面的最大挑战。其他难点包括数据治理、数据安全和整合不同的数据源。

人工智能实现的数据障碍

Graph of the data barriers to AI achievement

来源: ESI ThoughtLab

Pusa 表示:“为了使机器学习达到高质量,通常需要使用整个公司的数据。但我看到,很多公司的数据由于存在于遗留系统中而无法访问。如果公司和公司的数据分散在多个孤岛上,那么,要将数据合并到一起,然后构建出庞大的预测模型几乎是不可能的。”

 

要克服这一点,就需要实实在在地评估出哪些数据资源可用,以及如何有效地“清理”和组合可用数据。同时,历史数据的问题不应妨碍组织探索人工智能。事实上,专家们指出,过分依赖历史数据可能适得其反。

 

Kartela 解释道:“认为必须在一个位置收集拥有单一来源的干净数据,才能开始应用人工智能,这个观点是错误的。你未必能从自己的过去预测你的未来。例如,你在过去 10 年收集的数据可能与定价相关的项目毫不相干。相反,你应该创建实际探索新领域的机器学习模型,并学习当前价格和特定客户行为之间的因果关系。”

 

Pusa 认同这一观点,她表示:“任何事情都需要大量数据才能开始的想法已经过时了。学习实际上已经上线,因为这是跟上变化的唯一方法。与历史数据相比,从实时数据开始更容易,因为这样的解决方案通常更轻量。其目的在于尝试不同的事物,看看哪些是有效的,哪些是无效的。只有这样,你才能对快速发展的趋势做出反应。”


“与历史数据相比,从实时数据开始更容易,因为这样的解决方案通常更轻量。其目的在于尝试不同的事物,看看哪些是有效的,哪些是无效的。只有这样,你才能对快速发展的趋势做出反应。”

 

Maria Pusa
Thoughtworks 旗下公司 Fourkind 的首席数据科学顾问


让团队拥抱人工智能

 

由于人工智能项目能够帮助人们承担或执行某些角色和过程,有时还能代替某些角色和过程,因此需要从人类影响的角度评估人工智能项目。这意味着,如果要确保人工智能项目与业务相关,并且是推动真正变革性结果的组织购买行为,人工智能项目就不能是技术人员的专属领域。

 

Kartela 指出:“对于应用人工智能和机器学习而言,提出正确的问题并解决问题至关重要。当你试图提出正确的问题时,团队成员的学科领域跨度越大越好。但有三个角色是团队必备的。第一,了解技术应用和如何应用技术解决业务问题的人,通常是首席技术官或首席开发官。  第二,了解你业务领域的人,这个人还必须了解你为了在五年内实现目标而所需采取的行动。第三,承担战略设计角色的人,这个人的职责是每天从人员、角色、能力以及同理心的角度进行思考,从而设计出能带来改变的战略。”

 

Pusa 提出,高层领导的坚定承诺和持续沟通有助于克服任何阻力。她表示:“需要组织内部各部门参与讨论,同时还需要有一个在组织内取得成绩的人来推动人工智能/机器学习项目。” “你需要培养这样一种思维:人工智能/机器学习项目正在努力帮助各部门更好地完成工作。重要的是,过程中涉及的所有人员也应参与到人工智能/机器学习项目中来改进这一过程。这一点对于构建良好的机器学习模型也是必要的,因为你需要真正理解项目中的挑战、限制和目标。”

 

她补充道:“当人们参与其中时,就会发生改变。在一些项目中,我看到那些反对项目的人最先成为了项目的大力支持者。”

 

人工智能项目需要尽可能获得支持,部分原因在于掌握相关技能的人才仍然短缺。在最近的一项调查中,人才匮乏甚至排在数据和技术挑战之前,成为企业应用人工智能的最大阻碍。

人工智能应用受困于人才短缺

Graph of talent shortage weighing on AI adoption

来源: O’Reilly

Parsons 指出,企业需要重新采用过去的标准做法,而不是等待形势好转。

 

她说:“人才短缺问题当然不是危言耸听。这意味着企业必须投资开发这些能力,然后营造能够留住这些能力的环境。如果你看看过去 30 年中雇主和雇员之间关系的演变,你会看到,以前组织建立了大量的内部培训计划,并决心执行这些计划。后来,我们经历了这样一个紧张的时期:除非你已经知道该怎么做,否则你就找不到工作。现在人们意识到,如果市场上没有足够的人才,就必须重新重视企业内部的人才培养。” 


”如果你看看过去 30 年中雇主和雇员之间关系的演变,你会看到,以前组织建立了大量的内部培训计划,并决心执行这些计划。后来,我们经历了这样一个紧张的时期:除非你已经知道该怎么做,否则你就找不到工作。现在人们意识到,如果市场上没有足够的人才,就必须重新重视企业内部的人才培养。“

 

Rebecca Parsons
Thoughtworks 首席技术官


企业可以将人工智能项目视作为每个人提供的教育机会,进而帮助培养员工的技能。Kartela 表示:“总的来说,大多数角色将在未来 10 年内发生重大变化,因此通过培训提升技能是组织需要解决的问题。你需要弄清楚如何提升整个组织的能力,不仅是个人角色上的能力,还包括高管层的能力。”

 

Pusa 表示赞同:“你必须思考如何将你的技术项目变成整个企业的学习项目。学习应该是每个项目关键结果和目标的一部分。”

 

随着人工智能/机器学习的领域迅速发展,企业还必须仔细思考自身所需的人工智能/机器学习人才是什么样的。

 

Kartela 解释道:“随着机器学习和应用人工智能的进步,我们所开发的工具和框架将变得越来越好,而且更容易使用。这意味着人工智能和机器学习将在未来几年融入软件开发过程,更容易应用于大多数公司。目前,大多数公司都在迅速培养内部的数据科学人才,但如果没有合适的环境,这些人才最终承担的可能就是软件开发人员和数据工程师的工作,意味着他们很快就会感到厌倦,并离开企业。”

 

Kartela 认为,人工智能/机器学习人才主要向两个方向发展:“一是侧重于战略以及如何应用人工智能/机器学习来解决问题,二是完全专注于计算机视觉或自然语言处理等特定的问题子集。雇用这种特定领域人才在某些情况下是明智的做法,但对大多数公司来说并非如此。”

 

Pusa 指出,组织应该寻求人工智能/机器学习方面的外部帮助。

 

她说:“有时,确定正确的定制解决方案需要数学专业知识。要购买现成的人工智能解决方案很容易,但最终你可能只是把大把的钱砸在相对简单的问题上。因为现在人工智能被炒得很火,所以可能会要价过高。你可以通过与业内其他顾问或专家交谈来找到最佳选择,避免犯这类错误。”

解决道德盲点

 

与人才问题一样,道德问题是企业在开发人工智能/机器学习实践时几乎不可避免的关键挑战之一。人工智能解决方案的道德影响难以预测,而且可能在方案实施很久后才会显现出来。

 

例如,相关评估表明,当某些人口统计意义上的群体(特别是黑人群体和女性群体)作为处理对象时,早期人脸识别算法的准确度会大大降低。由于其中有些解决方案是出售给执法部门的,这种差异造成的后果可能极具破坏性。

 

最近,费埃哲一项研究表明,超过四分之三的领导者意识到人工智能/机器学习可能被滥用。然而,这种意识尚未转化为关注重点或行动。其中只有 35% 的领导者表示,他们的组织努力以公平和负责任的方式使用人工智能,78% 的领导者表示,他们对处理使用新人工智能系统的道德影响感到力不从心。

 

Parsons 认为,防止人工智能产生负面道德结果的最保险方法是建立多元化的团队。她谈到:“你需要尽可能让对系统有不同看法、与系统或数据有不同关系的人参与进来。你需要一些非常熟悉人工智能运作方式的人,以及非常了解人工智能应用后果的人。这一点非常重要,因为探索可能影响数据生成的系统性问题是很困难的。你需要那些没有权力维持系统现状的人的投入。”


“你需要尽可能让对系统有不同看法、与系统或数据有不同关系的人参与进来。你需要一些非常熟悉人工智能运作方式的人,以及非常了解人工智能应用后果的人。这一点非常重要,因为探索可能影响数据生成的系统性问题是很困难的。你需要那些没有权力维持系统现状的人的投入。”
 
 

Rebecca Parsons
Thoughtworks 首席技术官


道德科技的要素

Graphic of the elements of ethical tech

来源: Thoughtworks

可解释性,尤其是数据源的可解释性,是负责任的人工智能方法的另一个基本要素。Parsons 指出,通过正确评估大量使用白人和男性数据的系统训练数据集,可以避免许多困扰人脸识别的问题。

 

她表示:“你必须调查数据。首先通过计算,看看某些群体的代表性是否过高或过低,以及代表性的差异对于你所关注的问题可能产生何种影响。然后彻底检查产生数据的系统,看看有何方法来补偿数据集的偏见或纠正数据集中代表性不足的问题。基于发现的偏见,仔细考虑使用该数据集的后果。这些过程复杂但很有必要,许多人才刚刚开始实施这些过程。”

 

Kartela 指出:“(人工智能/机器学习)的难题在于使构建的系统在种族、性别、年龄或数据的其他方面完全合乎道德。你可能认为,提供这些信息会导致偏见。但事实上,这才是了解不同群体是否得到平等对待的唯一途径。如果你没有这些数据,模型可能会从隐性数据、人们的行动和互动以及人们使用服务的方式中学习到种族或其他事物。如果你使用带有偏见的历史数据来对未来提出建议,情况就会更糟。”

 

Kartela 补充道:“最重要的一点是,要在为终端客户做的任何事情上保持透明。如果你在行动和创建行动的数据点方面是透明的,就能最大化信任,解决大多数的问题。”

 

Pusa 表示:“任何应用都涉及道德问题,人工智能也不例外。最好的经验法则是,永远不要使用你不能公开承认使用的数据。”


“任何应用都涉及道德问题,人工智能也不例外。最好的经验法则是,永远不要使用你不能公开承认使用的数据。”
 

Maria Pusa
Thoughtworks 旗下公司 Fourkind 的首席数据科学顾问

 

另一个常被忽视的道德问题是:人工智能的环境成本相对较高。Parsons 解释道:“训练这些模型需要大量运算,成本高昂,且消耗大量能源。模型训练所需的计算资源数量惊人,在处理庞大的数据集时更是如此。”

据估计,训练一个模式的产生碳足迹相当于一辆普通汽车使用期总排放量的五倍。组织在寻求发展和强化可持续性战略时需要牢记这一点。

从旧的限制到新的可能性

 

随着人工智能/机器学习行业持续发展,解决上述问题和培养必要的内部人工智能/机器学习能力势必带来更多回报。Thoughtworks 专家认为,随着数据和计算进步进一步提高见解和预期性情报的水平,人工智能将发挥更具战略性和创造性的作用。

 

Pusa 谈到:“由于操作数据数字化以及计算能力变得易于使用和价格实惠,未来,机器学习与其他定制化计算方法的结合将成为真正颠覆性的技术。”“这种结合使企业有许多机会使用远不止诸如建议引擎等基本机器学习功能的定制化算法,从而能够创建出产生重要结果的优化和预测模型。”

 

Kartela 指出:“强化学习确实并未得到充分利用,但近两到五年来,人工智能变得火热,强化学习将成为最受关注的话题。重要的是,你不需要用上过去的所有数据并依赖这些数据,而是通过创建代理,让代理完全自主地采取行动并从实时反馈中学习。这基本免去在智能预测之前尝试整理所有数据资产的问题,因为你的学习对象是当下,而不是过去,你可以一边实施项目,一边进行智能、受控的项目探索。”


“强化学习确实并未得到充分利用,但近两到五年来,人工智能变得火热,强化学习将成为最受关注的话题。"
 

Jarno Kartela
Thoughtworks 旗下公司 Fourkind 的首席机器学习合伙人


Parsons 认为,随着系统越来越理解人类语言,人工智能在企业中将有巨大的应用前景。事实上,标普全球市场财智公司在其对人工智能和机器学习的最新预测中指出,高级聊天机器人和内容审核等大型语言模型和工具的快速发展必将为可扩展的新型企业搜索铺平了道路——“工人能够在任何类型的查询中找到信息,无论多么复杂”。

 

她表示:“一旦计算机真正理解语言,就能做很多事情。”“虽然还有很长的路要走,但一些标准的语言识别能力和翻译能力已经显著提高。这在企业应用,尤其是人与人之间的互动方面,有巨大潜能。我处理过的一些在线聊天系统中,机器人其实已经可以处理整个交流过程,不过现在,我们人类希望像人类一样进行交流。”

 

当然,人们仍然对人类与人工智能的交流有所担忧。美国的一项消费者调查发现,86% 的消费者在寻求客户支持时更喜欢与人类互动,而不愿与基于人工智能的系统互动,这些消费者认为聊天机器人和虚拟助手实际上使他们的问题更难以得到解决。然而,Parsons 等专家认为,随着人们对人工智能的道德性更加敏感,有关人工智能的负面看法会逐渐消失,并且人工智能能够发挥的积极社会作用将变得更加明显。

 

她谈到:“人工智能肯定会代替一些工作,但问题在于,人工智能能创造什么,产生什么结果,以及将产生什么工作?现在我们拥有自动驾驶汽车,可以用来探寻以前的雷区,从而不必再派人或动物来冒险。我们可能都会乐于接受这样的情况。我们可能实际上可以通过让人工智能来代劳简单的工作,让病理学家不再需要手动执行扫描检查的工作,提高病理学家的生活质量,这样,他们就能够在真正需要的事情上集中精力。”

 

尽管过去十年中,人工智能取得了惊人的进展,但 Thoughtworks 的专家们都认为人工智能没有任何可能取代人才和人类决策。至少目前,有些角色是即使最复杂的系统也无法完成的。

 

Parsons 提出:“有些系统可以创作出对非专业人士来说与大师作品并无二致的画作,但基于现有艺术数据库训练的人工智能能够打造一所全新学校的可能性有多大?人工智能有何基础能够产生这种创造力的火花,产生这种创造世界上前所未有的事物的能力?我们还没有那种能力。而且,我们还远不能够使人工智能系统表现出同理心。”


“有些系统可以创作出对非专业人士来说与大师作品并无二致的画作,但基于现有艺术数据库训练的人工智能能够打造一所全新学校的可能性有多大?人工智能有何基础能够产生这种创造力的火花,产生这种创造世界上前所未有的事物的能力?我们还没有那种能力。而且,我们还远不能够使人工智能系统表现出同理心。”

 

Rebecca Parsons
Thoughtworks 首席技术官


在收件箱中获取《视野》

 

为数字领导者提供及时的商业和行业洞察。

 

《视野》订阅为您提供我们专家的最佳播客、文章、视频和活动,以扩展我们广受欢迎的《视野》出版物。

Marketo Form ID is invalid !!!