0
編者按：本文由Atanu Basu和Michael Simmons所寫。前者是一家AI軟件公司的創始人，后者是一名暢銷作家。
在2015年10月14日，特斯拉為Model S推出了半自動駕駛系統。一天之內，車主開始紛紛上傳該系統載著自己兜風的視頻。
當前面的車減速或Model S自動變換車道的時候，你可以看到人們臉上充滿了恐懼。他們已經準備迎接沖擊，開始祈禱。
你可以看出他們想把雙手放在方向盤上，并接管。
但是慢慢的，隨著汽車開得越來越穩，人們終于慢慢地放松下來享受體驗。其中一些甚至忘記了，是半自動駕駛系統在開車：在幾個小時前還是不可能的事情。
這個旅程從驚訝，恐懼，到生活一切照舊，我們都將一遍又一遍地經驗，當軟件算法接管了我們以前認為只有人類才可以做的決定。我們稱之為驚喜恐懼接受曲線（surprise-fear-embrace curve）。
作為公司，企業家和高管如何操縱這個曲線將會對我們事業的成功產生重大影響。
可以說，操縱曲線最大的障礙是學習如何不信任我們的直覺。
想象一下，你花了整個職業生涯學習的技能，然后成為世界級高手。比方說，你能在招聘過程中發現明星員工。
幾十年來，雇傭了數百名員工后，你建立了敏感的直覺。現在，幾分鐘之內你就可以知道，面試者是否適合。
人們都稱贊你這個技能。你也因此出名了，升職了。你的事業都依賴于它。
現在，假設算法變成了招聘過程的一部分，而它的決策和你的直覺背道而馳。起初，你可能會喊：“這是什么鬼！”但隨后，隨著招聘結果出來，你會發現通過原來令人費解的算法做出的決定是正確的。
屆時，這段代碼已經勝過你花了幾十年時間來學習和幾十萬美元的學費。
我們不是在談論假設。這實際上對Xerox（施樂：美國辦公設備制造公司）、沃爾瑪而言，已經成為現實，越來越多的公司也將如此。
Xerox的情況是，其HR算法了解到，傳統觀念是錯誤的。對在其呼叫中心工作的人員而言，經驗對最終成功的影響非常小，真正重要的是個性。
在過去，我們經常想，“這可以發生在我的領域嗎？”
今天，我們要問，“它會發生在什么時候？”
毫無疑問，在做很多決定上，算法比人的直覺更勝一籌。著名研究員Paul Meehl在2003年去世之前不久，總結了對于直覺與算法決策的研究，他發現，在幾乎所有情況下，算法的決策表現較好。這里是Meehl的原話：
當你進行了100多項調查，預測一切，從足球比賽的勝負到肝臟疾病的診斷，其中連幾項研究對人類直覺有利的結果都拿不出手，那就是時候得出一個實用的結論了。
在Superforecasters公司，主要研究者David Ferrucci領導IBM團隊開發Watson，贏得Jeopardy，預測專業知識大師模式的消亡。“我會用我的Niall Ferguson反擊你的Paul Krugman論戰，并用我的Bret Stephens博客反駁你的Tom Friedman專欄。” 這些將變得過時。
他補充說，“我認為人們聽從專家的意見將變得越來越奇怪，只能這些意見是由他們的主觀判斷生成的。人的思維因心理缺陷而困擾，在過去的十幾二十年，已成為廣泛認可的事實。”
那么，我們應該如何以及何時學會更加信任算法決策，更少信任直覺？
在過去的十年中，我的團隊和我一直在期待人工智能火起來。 2009年，得克薩斯州的投資使我們的研究商業化。從那時起，我們已經用人工智能軟件來幫助石油、天然氣、高科技等行業的世界500強企業提高關鍵任務流程了。企業家和作家Michael，曾在福布斯，哈佛商業評論，和時代寫過領導專題。
在我們的經驗相結合的基礎上，大多數企業高管在他們對人工智能的未來思考，有一定的漏洞。
你可以采取以下這些措施來補救漏洞，并讓自己和你的組織蓬勃發展：
如果汽車制造商在十年前問這個問題，他們也不會在今天奮力追趕自動駕駛汽車了。未來的二十年，自動駕駛汽車將重塑他們的整個產業。谷歌會如何開采呢？谷歌會如何種植呢？等等。
許多關鍵任務的流程生成的隱藏洞察力的數據，可以改變你的業務。
以石油和天然氣作為一個例子。業界資深人士會告訴你，“這是所有關于巖石的資料。”這是事實：關于巖石的信息——地質學，地球物理學，巖石學，等等是非常重要的。
但同樣重要的還有在水力壓裂過程中光纖傳感器捕捉到的聲音信息。這些聲音中隱藏的往往是幫助經營者安全和經濟地提取物碳氫化合物的關鍵信息。水力壓裂過程中已經制造這些聲音。收集和分析這些信息是可能的，但許多人甚至從來沒有想到。在其他行業同理。
當大多數人聽到“數據”這個詞，他們會想到數字。然而，數據不僅僅是數字。據IBM稱，世界上80％的數據是非結構化的（例如，視頻，圖片，聲音和文字）。
如果沒有數據，就沒有人工智能。同樣，如果沒有收集數據的感官，就沒有人類的智慧——眼睛，耳朵，皮膚，舌等，只要有一個大腦是不夠的。
通過增加你收集的數據種類，你可以經常放大智力和改造決策。這就像給了某人互聯網，而他以前只能通過書本來學習。
算法在跨越不同的人工智能學科內迅速提高。由于谷歌，Facebook，微軟，麻省理工學院，斯坦福大學，卡內基·梅隆和其他頂級科技公司和學術機構，在大多數學科里最好的AI算法可對任何人開放：開源、使用和修改都是免費的。這些算法都是珍品。
問問你的團隊，為什么他們是在顧問、解決數據科學問題的打包軟件上花錢，而不是先考慮免費的解決方案。你的工作就是要確保他們有很好的理由。
我們生活在人工智能擊敗世界頂尖圍棋棋手的世界。要理解這個壯舉，首先要知道圍棋走法的可能性比宇宙中的原子還要多！
算法可產生可操作的見解，即使它可能還沒有能夠解釋這些觀點背后的原因。一旦AI開始持續產生改善的成果建議，人們應該開始使用這些算法和調查到底為什么這些建議能成功。
6.避免落入“算法不應該這樣做”的陷阱
由于算法承擔更多的決策，我們對只有人類應該做出的決定更加著急。把我們寧愿人為判斷的區域開放給算法很重要。財富高級編輯Geoff Colvin，在他的文章Humans Are Underrated指出，這些領域包括：法官和陪審團的決定，領導和管理，目標設定。
驚喜恐懼接受曲線
最近一次驚喜恐懼接受曲線的例子是頂級棋手李世石，和谷歌的AI AlphaGo之間歷史性的五場圍棋賽。
在第二場比賽中AI玩家的一個驚人之舉后，一位評論員說李世石“走出去洗臉才能冷靜下來”。他最終輸掉了比賽，他說了一句很能說明問題的話：“昨天，我很驚訝。但今天我很無語。”AI贏了之后，谷歌在其官方博客中寫的也很有意思。AlphaGo已經能夠“就人類不會考慮的走法想到解決方案。”
這對于使用AlphaGo般的技術，找到人類想不到的解決辦法有巨大的潛力。
在我們的日常生活并在企業中，從人類的智慧到機器智能的過渡將是凌亂的。
這將挑戰我們的身份。
這將違背我們已經花了多年培養的專家的直覺。
這本身將要求我們給予信任和控制權，即使我們不明白這些決定。
這將創造更大和更多樣化的機會，比我們今天可以預計的多太多。
這就是為什么我們把它叫做驚喜恐懼接受曲線，這就是為什么我們會認為，我們可以學到的最重要的技能之一是如何駕馭它。
via Inc
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
