--------点击屏幕右侧或者屏幕底部“+订阅”，关注我，随时分享机器智能最新行业动态及技术干货----------
我们来看看人类认知能力的全部特征。我们先将 Fleishman 的 21 种能力整合成两组，每组各五种能力。与其中一组能力相关的工作已经或即将被机器接管，另一组中人类处于支配地位。注意，尽管一些未来学家声称计算机将完全取代人类，但仍然有一个充满挑战的世界等待你征服。
你的长处是什么?
机器智能的长处：
- 理解与表达
- 感知细节和模式
- 数字处理
- 记忆
- 记录和整理
人类思维的长处：
- 想象
- 创造
- 演绎推理
- 归纳推理
- 构建问题解决方案
注：以上对 Fleishman 的 21 种能力做了合并简化，并省略了原作中的“空间定向”和“可视化”。
这份名单不是很严格，我们毕竟不是心理学家，只是用它来阐明我们对领导者未来脑力工作要求的展望。
假设你几十年前成立了一家创业公司，找了一个能力上与自己互补的合作者，这样可以保证这个双人团队拥有所需的全部思维能力。可能你们其中一人擅长左栏中的技能，另一人擅长右栏中的技能。
注意，这两组能力不一定与“左脑”思维和“右脑”思维的概念相关。我们认为，拥有左栏技能的合伙人从今天起可以逐渐退休了，因为几乎所有的人类未来价值将由拥有右栏技能的合伙人创造出来。
巨大的变化即将到来。领导者如此，工人也不例外。如今，许多坐在屏幕前做数字和文字处理的白领工作者，很快会发现手上的工作全部移交给了聪明的算法。
在发达经济体中，服务业创造了大约 80% 的就业机会，其中大多数职位都需要左栏中的技能：听、说、读、写，感知细节，以及安排任务步骤等。机器很快就会接管所有这些任务。
牛津大学的 Carl Benedikt Frey 和 Michael Osborne 在 2013 年的一篇论文中指出，目前美国47%的职业岗位距离被机器替代仅有一步之遥。
会计师、律师助理、技术文档作者、专利律师和放射科医师都有可能步电话总机接线员的后尘。那些一直依靠在左栏技能上表现卓越而得以立足的领导者也是如此。仅在美国，失业人数就可能增加到数千万人。是否会有新的职业类型出现来收拾这个摊子还有待观察。
因此，计算机技术的演变要求我们重新审视人类应当发展哪些有价值的认知能力。
我们曾经认为人类的智慧是独一无二的，如今，更加聪明的机器将要接管一些我们并不认为是机械式的工作。在物流配送、在线广告和某些医疗诊断等复杂工作中，机器已经是更好的决策者了。在这类工作中，人们用一辈子积攒的经验可能都比不上机器(除非你是杰出专家)。
与通常的机构变革不同，重新分配工作职能的过程会非常迅速。机器在计算速度、复杂问题求解以及结构化和非结构化数据处理方面都跨越了更高的门槛。随之而来的变化将会以互联网的速度出现，这比公司和大学对人员再培训的速度快得多。
因此，你面临的挑战是重塑一个智慧型领导者的模型。面对着高智能的机器，你应该如何构建人机协作的模式，让自己仍然拥有力量强大的智慧?
在研究这一变化之前，我们先看看左栏中列举的各种能力。它们属于机器新进入的认知领域：理解与表达，感知细节和模式，数字处理，记忆，记录和整理。
机器逐渐展现出了超越人类局限的思维能力，我们不能再信奉过去的成功公式。我们必须确定如何构建人机智能，从而在战术和战略方面都激发出高水平的创造力，引领企业高效发展。
01 理解与表达
当飓风、地震或洪水袭击美国时，联邦、州和地方各级应急机构立刻会采取行动。多数情况下，在整个危机持续期间，工作人员会在数小时之内提交关于进度、问题和反馈的“事后报告”。一张又一张价值无限的深度报告向领导者涌来。
当然，在危机期间没有人能够真正坐下来研究所有的报告。但是，需要有人全面掌握危机事态和优先事项。即使在危机结束后，全面理解危机的细节并从中发现关键点，也需要一个高效能的大脑。
自然语言处理技术让领导者不再需要正襟危坐、逐字逐句阅读文本中的信息，这给他们的世界带来了什么变化?机器可以阅读报告并迅速将问题定位到程序混乱、人员短缺、设备缺口或物流瓶颈，让领导者的快速理解能力相形见绌，这又会导致什么变化?
在各种复杂、混乱和不断变化的情况下，机器都可以比领导者更快地准确找到解决问题的关键点。
对于机器来说，问题复杂度和信息流的不间断性都不是处理时的障碍。数据科学家用类似危机中发现的模式训练计算机，之后，计算机就会阅读每一份新存档的报告并发出相应的警报。在实时总结复杂事件中的关键事实的时候，机器会忽略琐碎和无关的事情。
另外，机器的这种能力也可以帮助领导人应对其他突发状况，无论是金融危机爆发还是全球流感蔓延。
Healthmap.org网站不断地从社交媒体上抓取 15 种语言的非结构化文本。机器从中查找讨论疾病的文字，一旦发现了比如“发烧”或“荨麻疹”这种相关的词语，就在地图上标记出对应的位置，指示出现了疑似疫情。
它们的一些程序逻辑对人类来说非常简单：忽略无关的短语，比如“红的像龙虾”和“幽居病”。但是依靠这些简单的排序和过滤规则，机器能及时地提供自己的见解。它们把人类难以企及的复杂性踩个粉碎，以每小时一次的频率刷新疫情分布图。
口语和书面的理解与表达这一人类的关键技能正在往机器上转移，趋势不可逆转。可以肯定的是，机器在理解和表达语言中的微妙差别时遇到了很大的困难，更不用说隐喻、典故和情感了。至少在近期，机器不可能成为一个鼓励学生热爱文学的教育者。
但是如果仅限于日常表达，机器可以在一系列工作中表现得更好：技术支持中响应全文查询请求，为提起诉讼查询历史案例，分析专利和评估侵权行为。
理解和使用语言一直被认为是将人类与动物区分开的一种能力。令人惊讶的是，如今它已不再能区分人和机器。
如果你是一个拥有优秀的理解能力和表达能力的领导者，可能会因此感受到威胁。这对你来说意味着什么?把处理和生成语言文字的任务分配给机器，就是由于机器可以用更低的成本达到更高的准确度，并且能承担更大规模的任务。
人们依靠机器提供的这些功能解放了自己。你摆脱了阅读临时、琐碎和无关的文字之后，可以专注于重要事情和开始行动。你还有更多的时间可以投入到关键任务上，比如向别人阐述你的发现是什么，它为什么很重要，以及它如何推动你完成必要的事情。
你仍然需要在更高的层面上交流，更集中于劝说、谈判、积极倾听和充满激情地描绘愿景等任务。
02 感知细节和模式
机器感知细节和模式的能力突飞猛进。Ditto 实验室提供了一个很好的例子。伊利诺伊大学芝加哥分校(University of Illinois at Chicago)在医疗卫生工作中使用了 Ditto 的硬件设备和计算机视觉处理程序。
该校的健康研究和政策研究所将Twitter和Instagram上的照片输入到图像识别程序中，用来追踪吸烟行为的变化趋势。与调查问卷的方式不同，研究人员从包含人们日常生活习惯的照片里收集数据。
他们在照片中发现了一种显著的模式。年轻人买来细雪茄(小雪茄)，把它切开，将烟草与大麻混合，然后用烟叶卷起来。
这一信息帮助健康教育工作者认识到了年轻人对尼古丁上瘾的新途径，即用烟叶来包裹。研究人员在阐述新发现的时候，他们知道该如何调整劝诫吸烟的口号和衡量这些口号对提高社会公益的有效性。
另一个例子来自默克公司，它在人类疫苗制造上是全球医疗卫生领域中的佼佼者。疫苗生产包括许多步骤：培养酵母菌，搅拌，发酵，提纯等。生产过程的变数很大，一旦有什么差错，整个批次的疫苗就必须扔掉。公司分析每一个生产步骤的技术，以寻找可以使产量达到最高的方式。
生产部门首席信息官 Michele D'Alessandro 表示，疫苗生产是类似于啤酒酿造的生物过程，生产经理拥有生产线上的大量数据。
这实际上是数千个传感器收集了 10 年的数据，其来源包括车间生产过程和工厂设备维修，以及每分钟测量一次的气压、温度等建筑环境参数。生产经理可以单独地检查各个数据集。但没有人可以立即对整个生产过程做出评估，因为较早的生产步骤会对后来步骤的成功有影响。
这意味着，在疫苗生产的漫长过程中，没有人可以准确指出造成某些批次产量低的失败步骤。由于没有办法识别出模式，因此常常将整个批次的疫苗丢弃。
现在，这种状况被新的机器智能化工作改变了。生产团队用数据科学做了大规模分析，一共整合与分析了 5TB 的数据，耗费了 150 亿次计算，做了 550 万余次批次比较。然后他们用一个“热图”来展示与高产和低产相关的数据簇。专家们可以查看热图，提出修改建议，修正预测模型，然后进行更多的分析。
D'Alessandro 说：“这样做的美妙之处是，我们可以集中所有的数据，在单一的环境中分析复杂的信息。”
结果如何?他们发现了造成疫苗减产的具体特征和生产环节。原先被怀疑的对象往往是无辜的，比如原材料。其他的因素才是罪魁祸首，如发酵元素。大幅度增加产量，提高生产效率和速度，这些成果来自用广阔的视野审视问题和寻找模式。
“我们现在已经反过来把研究成果带来的改进融入商业化过程中。” D'Alessandro 说。一旦这些改变都得以实现，公司每年都将在疫苗生产过程中节约大量的成本，并给更多的生命提供保护。
“这个实验引发了一个假设：如果我们能收集到整个生产工厂的所有数据，”她补充道，“不需要从脑海里的明确问题出发，就可以让人们在数据中寻找模式，并且会发现一些有趣的结果。”
D'Alessandro 不能透露默克的改进细节，但她表示公司很快就扩大了愿景。2016 年 12 月，它在新加坡建成了其首个全厂分析系统。单个仪表板显示了生产、片剂制造、包装、质量、仓储、运输等各个环节实时流入的数据。公司不想总在问题突然发生后再亡羊补牢，而希望从逐渐清晰的模式中预测即将发生的事情。
“工厂里实施的是主动型生产智能化，而不是被动型的。”她说，“我们需要随时可以查看数据，而不是等到有问题的时候再处理。这是与过去的主要区别。”
有时候，感知能力用于从历史数据中识别出已知的故障模式。有些时候，它用于发现未知的模式。复杂系统给人的挑战是在噪声中寻找有意义的信号。
对于人类来说，信号往往要么很难分辨，要么进行了伪装，要么处理起来太耗费时间，但这正是机器学习大放异彩的地方。计算机勤勤恳恳地检查各种细节，不忽视任何一个字节。
机器学习有两种类型。向计算机展示难以理解的复杂数据，让它用算法从其中寻找模式。这被称为“非监督学习”。
针对已知的复杂模式，不断地给计算机展示真实例子，例如心脏影像，它将会掌握这些模型，并可以鉴别新的案例。这叫作“监督学习”。算法依据数据中存在或缺少某些特征来解释它看到的东西，并且它甚至比明察秋毫的人看到的信息还要多。
想象一下，是否能将机器智能用于欺诈检测。伯尼·麦道夫(Bernie Madoff)通过精心策划一个简单的庞氏骗局，制造了当代比较大的金融诈骗案。作为一个世界级的骗子，他精通诈骗手段，但这里他使用了一种古老而传奇的方法。
尽管对于全球金融体系来说，虽然他的计谋就像草堆中隐藏的一根绣花针，但仍然是可以被察觉的。如果有人把历史上所有的庞氏骗局案件的数据用于训练机器，然后用该算法检查世界各地的金融交易，那会怎么样?
机器从细节和噪声中识别模式的能力远胜于人类。人们容易在纷繁芜杂的细节中迷失方向，但是无论诈骗者把会计报告编造得多么巧妙，无论他的举止、微笑和拥抱多么令人信任，机器都不会被骗局的表象所欺骗。
当机器时时刻刻监控着世界上的庞氏骗局，就不可能有下一个麦道夫再行骗这么长的时间，也不可能从投资老手身上拿走那么多钱(麦道夫案件中诈骗金额为 200 亿美元)。
当你把模式识别的任务托付给机器时，你肯定不希望盲目信任它。机器和人一样，也有弱点。你需要密切关注机器的工作方式，才可以充分信任它的工作成果。随着机器不断地取得成功，它变得越来越可以信赖。
机器提高人们模式识别效率的一种手段是最小化偏差。诺贝尔经济学奖获得者丹尼尔·卡尼曼(Daniel Kahneman)解释说，人们经常会陷入“属性替代”的偏见。当遇到复杂的问题时，人们习惯于用更简单的经验法则来替换它，从而加速分析。
这种做法非常普遍，甚至在经验法则与实际问题有不小的出入时也如此，所以我们经常依据完全错误的模式做决定。
如果你习惯于在自己精通的领域里“知道”答案，你会逐渐发现自己的立足根基越来越不稳。我们很难虚心地承认机器在模式识别上的优势。
但随着时间的推移，当看到机器经常得出截然不同的结论时，你不得不开始怀疑自己的判断。解放思想的时候到了。当然，机器也会有偏见，因为数据科学家在写算法的时候可能会带入自己的偏见，但机器本身只会无差别地处理 1 和 0 的序列。
澄清一点，计算机并不知道模式的“成因”。它们没有人类刨根问底的好奇心，不会去问：“原因 A 究竟是怎么导致结果 B 的?”它们会学习、推断，拥有精准的记忆力，但不了解原因和结果之间的关系。因此，理解商业系统的因果关联和制定发展战略依然是人类负责的工作。
尽管如此，人们仍然要警惕这种司空见惯的做法：在骗子用奇闻逸事和花言巧语哄骗之下，人们轻易地就相信了他们的说法。(想一想麦道夫案件。)
03 数字处理
领导者越来越希望由机器来负责的第三种能力是数字处理，不仅仅是电子表格中的数字，还包括需要大量计算才能得到的数值。这听起来很容易理解，但我们先用一个故事来讲述这个重要趋势。
美国联邦航空管理局(FAA)希望可以提前几周甚至几个月以更高的准确度预测航班的延误。听起来这似乎不大可能，但实际上航班延误是由一连串的因素造成的，在复杂的航班调度系统里，这些因素早在起飞之前很久就露出了苗头。
从技术经理 Kevin Hatton 那里了解到，FAA 一直依赖一个简单模型来预测飞机到达时机场的繁忙程度，即通过实际起飞时间进行预测。如果着陆时机场太繁忙，交通管制员会推迟航班起飞时间。
问题在哪?“如果预测算法输入了错误的起飞时间，” Hatton 说,“由此制定的系统响应方案就可能是错误的。”
起飞时间不会精确地输入系统中。在一个长期使用的模型中，如果飞机不能准时出发，计算机会简单地把出发时间推后五分钟，随后继续延误的话，就再加五分钟，一直这么加下去。“这很粗略，与现实情况差别很大。”Hatton说。
今天，FAA 正在推进一个更宏大的蓝图，希望实现管控更大的空域、更多的航线，甚至无人驾驶飞机的愿望。为了安全地管理日益增长的空中交通流量，FAA需要从完全依赖于预先排定飞行计划表的方式，转变到使用卫星导航来管理开放空间。这个新系统将给空中交通管制带来革命性的变化。
显而易见的是，人们无法仅靠自己用简单模型来解决空中大量飞机飞行的复杂问题。在航班延误的问题上，FAA 使用了更快的处理器、并行计算技术和基于云计算的先进统计技术来处理大量的数字计算。为了揭示背后的复杂规律，FAA 使用了贝叶斯信念网络(BBN)。
贝叶斯信念网络看起来像是一件由关节和连接器连接起来的拼插玩具的结构图。其中关节代表影响系统的因素，比如 FAA 案例中的天气。因素之间相互作用的强度由连接器表示。整体网络结构展示了导致延误的各个因素及其与其他因素之间的关联。
数据科学家运行模型时，用方程来计算每个因素对其他因素影响的概率。“混沌理论认为，初始状态的微小变换会对随后的一系列事件产生巨大的影响，”Hatton 说，“我们的模型追踪了所有的事件链。”
影响航班延误的因素包括飞机清洗、行李装载，以及机组人员问题、航班密集和恶劣天气。因素之间可能直接或间接地相互关联，这一点在计算中得到了反映。
FAA 项目团队综合了包含四种不同算法的机器学习计算结果和专家意见，最终确定了 BBN 中的所有概率。(没错，专家仍然很重要。)理解关系网络非常费脑筋。即使有人对全系统范围内的各种关联有很好的“感觉”，也不可能掌握它们造成的全部影响。
“BBN 的美妙之处在于它不需要人们去思考导致延误的原因。机器学习算法能推断出有哪些因素相互关联，”Hatton 说，“它可以识别我们没有注意到，甚至没有意识到的模式，只要它有足够的计算能力去完成所有的学习。”
估算一下计算的规模。假设每个因素只有两个状态(例如开和关)，要计算航班延误的概率，需要考虑的因素组合的数目达到了 2 的 n 次幂，其中 n 是模型中变量的个数。这个案例中的模型含有47个变量，那么概率的可能取值数多达大约 140 万亿个。
使用机器的力量来做数字处理是大势所趋。对于盼望由数据来驱动答案的领导者来说，这更是当务之急。错综复杂的情况让人们不可能运用经验法则迅速获得优于机器的答案。
在 FAA 项目团队把他们的计算资源全部投入五年来积累的 5200 万次飞行的数据样本中。这些样本包含 525 万行数据。由于数据不干净，实际计算比预期的更加困难。之所以需要贝叶斯信念网络，是因为它可以在各种复杂情形中估计缺失的值。
机器不断地学习，比最有经验的领导者更快速地推动着进步，这不是通过经验、直觉、专家顾问或者其他的方式，而是得益于近期机器智能的巨大进展。它在探求真相时不会有先入为主的想法，这是它的一个优势。
Hatton 说：“从原因出发时，你只会在直觉上注意到可能导致延误的事情，而忽视了所有其他的因素，比如与飞机老化或者芝加哥雷雨天气等显而易见的原因无关的其他因素。”
在航班延误问题上，贝叶斯信念网络击败了从前使用的比较先进但更简单的统计模型。从离起飞还有很长时间的日子，到即将起飞的时刻，它可以在很大的时间跨度内预测航班的延误概率。即便是无法获得全面的空中交通流量管理数据，BBN 也能在缺少数据的情况下做出更好的预测。
04 记忆
第四种需要领导者重新思考的人机协作方面的能力是记忆力。如今机器的性能毋庸置疑，但它们在检索未标记和未整理的数据时，没有我们想象中的那么好。它们还需要我们提供搜索的上下文，否则很难获得有用的信息。
机器的发展之路依然漫长。然而许多记忆力出类拔萃的优秀领导者还没有意识到即将到来的变革范围。
随着我们开始事无巨细地记录下全部内容和上下文，机器的记忆方式越来越像人类。它们将提供更加全面的决策支持，不断帮助我们减少不确定性和无法计量的风险。这意味着你做决策时将更少地依赖自己的记忆力，更多地依靠机器总结的事实和经验，它们描绘出了一幅复杂现实状况的整体图景。
如果你可以像机器一样无差错地访问整个机构的集体记忆，然后即时做出决策，那会怎么样?我们在体育比赛中看到了这类决策的应用。如今球队收集了更多的数据，教练们在做计划时认真参考了机器根据多年累积的球员、比赛和球员表现的数据所做出的预测。
想象一下你正在进行一场棒球比赛，在第九局下半场，进攻方已经满垒，己方的投手面对着对方的新击球手。哪种投球组合最有可能使击球手造成双杀从而结束比赛?机器能回忆起一切细节。
运动领域的可穿戴技术也为利用机器和细节数据来帮助球员提高水平指明了方向。机器可以检测出逃过了优秀教练眼睛的细微动作。当击球手击出的球直飞向球场的一角，左外野手的反应有多快?他的反应时间比去年下降了吗?投了90个球之后，他的投球姿势看起来如何?他的移动范围、蹬地动作和出手方式是否显示出疲劳状态?
新的视频技术可以跟踪球员的运动、方向、速度、距离等数据，有了机器智能，教练可以给球员制定个性化的训练计划，帮他保持在巅峰状态。
机器的记忆力让许多领导者处于尴尬的境地。当然，一个记忆力超群的领导者在即时快速分析中总是比机器更有优势。这一优势仍然非常宝贵。一旦需要事先决断，你就无法打败机器。这也解释了为什么提出问题将成为领导者更重要的技能，而不是在现成的答案库中寻找一个解决方案。
05 记录和整理
第五种需要领导者重新考虑的人机协作方面的能力是信息记录和整理，尤其是按照规则收集和分类、排序信息。比如说在电子表格中填写文字和数字这种简单的任务。如今，机器学习很擅长这类工作，基本上已经取代了人工劳动，并且还会继续在更多任务中把人类抛在身后。
再举一个来自麻省理工学院的创业公司的优秀案例——Ditto 实验室的邻居 Affectiva 公司。Affectiva 通过处理视频和静态图像来跟踪人们对服务和产品的情绪反应。专家们先让机器学习辨认与 15 种核心情感相关的面部表情。
他们使用 20 世纪 70 年代开发的人工分类系统，将数十万张照片中诸如惊讶、厌恶、注意、困惑和愤怒等面部表情进行编码。面部肌肉的收缩和位置揭示出了不同的情绪。
然后，数据科学家将图像的像素数据输入到算法中，让它根据抬眉、皱眉、微笑和抿嘴等要素来区分情绪。计算机能轻易地察觉到嘴部、鼻子和眼睛周围的肌肉变化。
事实证明，面部表情的模式在全世界都是一样的(至少 Affectiva 所使用的照片所在的 75 个国家如此)。情感显露在程度上会有不同，但类型上并无不同。
有了 Affectiva 创造情感编码算法，机器可以自己来评估情绪反应，预测病毒式营销的目标能否实现，并优化产品的改进，尽可能地吸引受众。这样Affectiva能够向公司提供客户对产品的热情度等新型信息。
换句话说，广告商可以衡量人们对其广告的最基本反应。电影制片人可以衡量影片不同镜头下观众的情绪变化。当制片人推出预告片时，Affectiva 可以记录观众的反应，通过分析数据，找出最能打动观众的镜头，然后向制片人提出深度见解：如何剪辑影片能使观众更好地沉浸在情节中。
Affectiva的技术能应用到多大的范围?视频游戏公司Flying Mollusk Studio将Affectiva的技术植入视频游戏Nevermind中。游戏里，玩家在精神病院的病房工作，帮助病人从被压抑的记忆中恢复。通过网络摄像头，游戏可以感知玩家的害怕程度并对难度做出相应调整。
我们看到在新的应用中机器收集和整理数据的能力远远超越了原有的界限。这种技术的应用范围将扩展到市场营销和娱乐业之外，从根本上改变教育、健康和机器人技术。
在整理信息时，机器不必像大多数人那样按照特定的“规则”来将信息分类。相反，它们按信息和数据中发现的模式的相符程度来做匹配，不仅速度快，而且完成了人类无法做到的事。
原文链接：https://ai.51cto.com/art/202004/614542.htm
文章转自51cto，本文一切观点和《机器智能技术》圈子无关
