北京时间5月25日上午10点30分，乌镇“人机大战”AlphaGo（阿尔法狗）与柯洁大赛第二局将继续进行。柯洁展现出人类棋手的最强实力，一度现出胜利曙光，被哈萨比斯誉为“逼出了AlphaGo的极限”。但最终还是功亏一篑，弈至155手，柯洁认负。

万众瞩目的人机围棋大战再次引发世人对人工智能的思考，复旦大学EMBA项目特别摘选此文，请三位复旦管院教授为我们分享，AlphaGo与柯洁“人机大战”胜负之外的更多思考。

5月23日至27日，围棋人工智能程序AlphaGo（阿尔法狗）再次与世界顶级棋手对弈。然而，AlphaGo（阿尔法狗）之父杰米斯·哈萨比斯却说，“我们发明阿尔法狗，并不是为了赢取围棋比赛。”

2016年，中国的人工智能领域取得了长足的进步，与之相关的信息化建设、智能制造技术全面提升。人工智能将是一项变革全球经济的技术，如何在临界点爆发之前，深刻理解，把握机会，本期微圆桌，管院三位教授的分享将给你更多启示。

肖志国 副教授：我们的工作真的会被机器人所替代吗？

郁培文 副教授：人工智能会替代什么样的工作？

张诚 教授：人工智能可作为人类决策的辅助和补充

肖志国  副教授

复旦大学管理学院统计学系副系主任

我们的工作真的会被机器人所替代吗？

我们先看一张图。它描述的是人类社会在有记录的过去一万年中的发展情况。

图片来源：麻省理工学院斯隆商学院埃里克·布林约尔松（Erik Brynjolfsson）和安德鲁·麦克菲（Andrew McAfee）合著的《第二次机器时代》

图中描绘了两个指标，一个是人类发展指数，一个是人类的总人口。这个图形描述了一个令人惊讶的事实：在过去一万年的绝大部分时间内，人类社会的发展总体看起来平淡无奇；在几乎9800多年的时间内，人类社会的发展状况几乎是一条水平线。但是两百多年以前，这个水平线突然出现了一个几乎90度的转折。这个大转折开始发生的时间，恰好和蒸汽机出现的时间吻合。

在过去的两百多年中，人类翱翔蓝天，驰骋大海，实现了前所未有的壮举，而地球总人口也从3亿左右上升到今天的75亿。显然，人类的智力和体力在这段时间并没有发生实质性变化。造成这一天翻地覆的变化的，是人类对于机器的大规模创造和运用。这个时代被称作是第一次机器时代，机器的力量替代了人类肌肉的力量。

今天，以IBM Watson、谷歌无人驾驶汽车、亚马逊Kiva、Deepmind AlphaGo等为标志，我们已经悄然进入第二次机器时代。现在，机器不仅可以替代人类肌肉的力量，在某些方面，这些会思考的机器已经超越了人类大脑的力量。去年3月，AlphaGo与围棋世界顶级高手李世石的大战，更是将这一人机对战的局面推向了世人关注的顶峰。围棋这项几年前还被普遍认为不可能被机器攻克的超级智力游戏，经过十数年艰苦选拔、训练和比赛锻炼出来的人类顶级高手对这一新生代的比赛对手已然没有了获胜的信心。

机器已经如此强大，而且其进化的速度已经如科幻小说一样令人惊叹。一个自然的担心是，未来我们的工作真的会被机器人所替代吗？显然，没有人能给这个问题一个确定的答复。两百多年前，当现代化机器第一次大规模出现时，人们也担心无事可做。事实上，人们过虑了。确实人们很多原来的工作消失了，但是新的更多的工作不断地涌现了。毕竟，机器并不是万能的。

不过，和第一代的机器相比，今天的机器确实变得越来越聪明了。很多流程化程序化的工作被替代是大概率事件，而且很多已经发生了。事实上，一些科学家和技术领袖对未来是很担忧的。物理学家霍金就多次警告了人工智能的威胁，谷歌的库尔茨维尔也预测说十几年后机器人将比人类更聪明。对于未来机器的演化以及世界的变化，我们无法准确预测。但是新的变局已经出现了，这是一个确信的事情。我们能做的，是需要学会如何去应对这个变局。

这一点，布林约尔松和麦克菲在《第二次机器时代》里面的提出的建议值得我们参考：“每个人在自己的事业追求上应该有更多的适应性和灵活性，准备好随时从那些容易被自动化的领域离开，并积极地去抓住那些机器只能补充或者加强但不能替代人类能力的领域的机遇”。这和最近坐地铁经常看到的一句广告不谋而合：“每个时代都悄悄犒赏会学习的人”。

郁培文  副教授

复旦大学管理学院管理科学系

人工智能会替代什么样的工作？

“人工智能”是个有意思的词，因为内行更关心“人工”，而外行更喜欢讨论“智能”。

20年前，IBM的“深蓝”击败了国际象棋世界冠军卡斯帕罗夫。当时的大众媒体上关于人工智能将如何改变或者掌控人类的文章层出不穷。然而，对于创造“深蓝”的科学家而言，“深蓝”是通过软件工程和并行计算上的创新，提升了遍历搜索的效率。

20年后，当Google的“AlphaGo”将世界围棋高手都一一挑落马下时，人们又一次讨论人工智能将会给人类社会带来的巨变。这一次，大众对“人工智能”的观点似乎有着更多的佐证。因为计算机在人脸识别、机器翻译、语音识别、自动驾驶等方面都取得了巨大的进步，似乎计算机真的可以像人类一样“思考”了？

这些取得进步的领域有个共同点，就是可以抽象成一个统计预测问题。比如，下棋是要在给定棋盘状态下，预测黑白双方赢的概率。自动驾驶是要综合各类传感器数据，预测外界车辆和行人的位置。人工智能这一波的进步在于，科学家们找到了更聪明和有效的方法来建立输入数据和输出之间的联系，从而大大提升了预测的准确度。

然而，能用这类方法解决的预测问题至少要满足如下几个条件：一，可量化。比如需要有明确地可量化的输入和输出。二，问题的结构比较平稳。比如输入的极微小变化不会引起结果的巨大差异。三，合适的数据。无论是收集的历史数据，还是通过仿真或者实验生成的数据，建模过程中需要合适的数据来调教模型的参数或分辨模型的好坏。当然，随着科学研究和认知的进步，很多原先看似不满足这些条件的问题，慢慢也在变得可以解决。

如果这些条件都满足了，聪明的科学家们可以通过设计和调整算法来提高预测的准确度。那么，这种“人工智能”的预测技术对我们的工作会产生什么影响呢？根据上面的分析，如果工作内容可量化，结构平稳，并且相关的数据广泛可得，预测技术会降低这部分工作技能的价值。而处理那些难以量化地，非结构化问题的能力，以及拥有独一无二的数据的价值将会大大增加。

对企业管理者而言，面临的决策环境复杂，多变，而且不确定。根据具体情境提出合适的问题，识别什么问题是“可预测的”，分析“人工智能”算法的价值，理解利益相关者的驱动力和能力，领导企业做出变革，这些技能会越来越重要。

张诚  教授

复旦大学管理学院信息系统与信息管理系

人工智能可作为人类决策的辅助和补充

人工智能的发展体现为三个层次：模仿重复，总结特征和还原特征背后的原因。计算机最强的功能之一在于记忆，有了记忆就可以重复模仿；在不同环境下人的行为总会有点变化，计算机可以在记录多次重复的基础上进一步总结归纳人行为的特点，形成不同环境下调整的规则；关键就是现在最厉害的第三步，计算机不仅记录了所有场景人的行为，总结了人在不同场景的行为特征，还进一步探索人这样做的原因和思路，即特征背后的原因和规律。

其实人工智能在二十世纪五六十年代就提出了，在最近两年得以迅猛发展，很快发展到了第二步，从前几年开始进入第三步，在思想上的发展并不大，即便现在因为AlphaGo打败了世界围棋顶尖高手而大热的人工智能技术卷积神经网络，其算法思路也是在上世纪五六十年代提出，并在九十年代主要被学界普遍实现和应用。

大家如果有兴趣，可以看看2015年Science上发表的一篇论文，是讨论如何让计算机学会人的笔迹。我们写一个字时计算机可以完美的复制，当我们写的字多了，计算机能够根据所写的字总结我们写字的特征，也就是笔迹，这都是之前早就实现的，论文介绍的第三步就厉害了，现在也叫黑科技，就说我们没有写过这个字，但机器可以写出这个字，并且和我们后续写的几乎一模一样。这与第二步最大的差别在于，我们根本没写过这些字，计算机是如何知道的？尽管这项研究没有那只狗那么著名，但科研上我们对此更为兴奋，并认为这项研究可能是划时代的，因为他通过了图灵测试。

这几十年实际有两个原因导致人工智能得以普及。一是计算能力的持续增加和成本持续降低，大众都可以拥有处理数据和计算的能力。另外一个重要因素在于数据大大丰富可得。因为人工智能算法（无论总结特征还是总结特征的特征），需要有足够的关于人的行为的记录才可以完成。具体来说，凭借少量的数据可以做到重复，借助相对多一些的数据可以进行总结，在总结足够全面的基础上我们才可以进一步总结背后的规律。

大概20年前，一位在微软实习的师兄告诉我，他们请人录一个词的发音需要一块钱，而现在呢？随时有上亿的人通过各种渠道以文字、声频、图像和视频的方式表达自己的观点，每天都是以十亿为单位的数据在产生。通过处理文字、声频、图像和视频的标准程序，花费一定数据收集和处理成本的情况下，就可以获得。简单的按万为单位估计成本的话，就意味着这些数据的成本，已经降到以前的万分之一。

成本的降低也就意味着商业价值实现的可行性。由于这些方面科研已有良好的储备，在经济性达到实用要求后，很快就形成了当前的热潮。但即便是人工智能，应用的方式也会大相径庭。

首先，我们可以考虑人工智能进展所带来的效率提高，及相应的直接应用，比如网上评论和舆情监控，这一类商业模式已经应用多年，其运营效率很大取决于算法对评论内容的情感识别正确率；这样的思路在对文本、图像、音频和视频的应用上都可以产生直接价值，比如交友、广告等。其次，我们可以考虑人工智能特性对传统商业模式——尤其是由于专业壁垒而存在知识中介的行业——的影响，比如医疗、金融等。

随着人工智能在对特征背后规则的了解方面的突破，并结合强化的计算能力和大量数据的可得，它在对专业知识的记忆、总结和学习能力上都体现出非常吸引人的投资价值，换句话说，它可以在短期内创造大量低成本的具有足够知识水平的专业人士，避免了人的长期培养、对遗忘知识的不断对抗、以及学习总结能力的差异到来的问题。即便出于当前伦理、规则约束或能力的不完全，尚无法代替人做决策，但已经可以作为人类决策的很好辅助和补充。