很多人会发现AI在某些场合应用得很好,但在某些场合应用得并不是很理想。例如IBM公司应用在医疗上;从30年前的AI,当时是属于Rule-based模型,就做了AI的医疗专家系统,也没有成功。最近IBM的Watson团队也裁员70%。所以很多人都在想这到底是怎么一回事呢?
登山者-雪巴人(向导)模式
兹以圣母峰登山者为例,首先提出一个思考的问题:为什么登山者需要雪巴人(向导)呢? 如果没有响导,又会怎么样呢?我们可以从登山者与雪巴人来看他们的特性及组合;雪巴人在山上已经住了好几十年以上,所以他的阅历很多,对整个场域、环境很熟悉。而登山者有他的梦想、勇气,到了一个陌生的环境中探索。所以雪巴人扮演一个角色,就是:降低风险。他会告诉登山者那里有坑、那里有洞;而登山者就去探索和想像,追逐他的梦想;彼此就是这样的组合。
因此,我们做AI医疗时,可以想一想AI在医疗领域里,到底该扮演雪巴人角色?还是登山者角色呢?当我们想用AI来处理商业、生活等各方面时,如果该场域的不确定性很高时,若是偏向于雪巴人的角色,使用AI会很成功,反之如果偏向于登山者的角色,就可能会失败。
![图一 : 当我们做AI医疗时,可以想一想AI在医疗领域里,到底该扮演哪一种角色? (source:Open Access Government)](/art/2019/07/091406513660/p1S.JPG)
图一 : 当我们做AI医疗时,可以想一想AI在医疗领域里,到底该扮演哪一种角色? (source:Open Access Government) |
|
我们可以看到,在某些场域,这两者的组合却常常是最成功的。这就是不确定性高、变化度很大的场域,像政治、战争,而最典型的是战争,所以刘邦身旁需要张良,刘备身旁需要孔明等,都是这样的搭配。至于现在的不确定性场域,就是股票、基金等金融交易,以及医疗手术等,其不确定性很高。所以我们常常可以发现,如果拿AI来选股,或拿AI来代替医生,似乎都不太会成功。
兹举一个例子(此为假设情境),有一位登山者,他准备(半年后)在冬季12月份登上最高峰,他就选择圣母峰的南边,经由南边而爬上圣母峰的最顶端。这时,雪巴人(向导)很可能会告诉他说:那一条路不能走。登山者就问:为什么不能走? 雪巴人反问登山者:请先说说看,您为什么选择那一条? 此时登山者回答说,因为到了十月份是秋天,南边的阳光比较充足;而北边黑暗,比较不好爬。
然后,雪巴人就说那一条路不能走的原因是:到十月份会刮东北风,所以南边会有大规模的雪崩。这时候他就告诉登山者说:那里有一个风险,非常高,不应该往那边走。这是要降低风险,让他不要失败。所以像孙子兵法等都有讲一句话:不打「没有把握的仗」。就是由雪巴人来告诉他哪些部分是没把握的仗。
AI精于
![图二 : AI基於大数据,从归纳性推理的能力特别强,已经远远超越人类的能力了。(source:Gresham Smith)](/art/2019/07/091406513660/p2S.JPG)
图二 : AI基於大数据,从归纳性推理的能力特别强,已经远远超越人类的能力了。(source:Gresham Smith) |
|
从认知学的角度来说,人类有三种逻辑推理,第一种是归纳性推理,第二种是演绎性推理,第三种推理则是溯因性推理。
以归纳性推理来说,例如我到深圳时,看到很多人做电子业都赚大钱,所以我得到一个结论:深圳的年轻人应该大多数人都在做电子业(但不一定正确),这叫做归纳性推理。
第二种是演绎性推理,其中数学是最典型的例子,例如两条直线在同一平面上,又没有交叉,则它们必然是平行线。这叫做演绎性推理。
第三种推理是溯因性推理,像医生就是最典型的,当您去看医生的时候,医生看到您满头大汗、而且有一点发烧、流鼻水,他就看到这个「果」,然后倒过来追溯其「因」,他认为您可能是伤风感冒了,所以他就给药。而下次再遇到您的时候,他马上会问:身体有没有比较好些了呢? 这叫做溯因性推理。其中,前两者是从因推到果;而溯因推理是从果推到因。
这样就很清楚了,雪巴人担任的事情就是从过去的经验,推论出来十月份南边会有雪崩,因为是基于个人的经验及事实,所以他的否证能力是超强的。于是现在就可以很了解了,AI因为基于大数据,所以它从归纳性推理(从因推到果)的能力特别强,而且已经远远超越人类的能力了。
这样可以更了解到AI的本质,就是透过大数据的相关性,然后进一步作归纳性推理。这种归纳性推理的特质是,在愈窄的范围,它的归纳精准度愈高。这样就给了我们一个启示,如果要以A I取代人类时,想要做得很棒、其窄度要够,例如想下围棋,就只做下围棋的AI;想下象棋,就专做下象棋的AI。反之,如果做了一个会下围棋又能下象棋的AI,其精准度会下降,同时效果也就下降了,这就是当今AI的特性。
AI神鹰与AI猎狗
刚才说明了,在一些不确定性高、变化度很大的场域,AI扮演雪巴人(响导)的角色,将会表现得很亮丽。同样地,在商业上的高层决策方面,也一样属于不确定性高、变化度很大的场域。
兹举一个例子来说明:成吉思汗与神鹰的故事。据说有一天成吉思汗一个人去打猎,却迷路了,眼前一遍沙漠,又口干舌燥,突然看到峭壁上滴落了水滴,成吉思汗就拿着水杯去装水,正要拿来喝的时候,他常常携带的一只神鹰在空中飞翔,突然飞下来,唰一下得把杯子踢翻了,还连续踢翻了四次。成吉思汗想要吓它,让它不要捣蛋,就拿起弓箭来吓它,而射出箭之后,神鹰惨叫一声,掉落到峭壁上。当成吉思汗爬到峭壁上发现神鹰被他射死了。神鹰旁边的水池(就是水滴的来源),里面有一条毒蛇,而且是死的,因为蛇是死的,所以水是有毒的。成吉思汗发现是神鹰救了他的命。
于是我们可以思考一个问题:如果今天我们做出了两个AI,一个叫AI神鹰,另一个叫AI猎狗。那么我们就来想一想,成吉思汗会携带AI神鹰或是AI猎狗呢? 很容易推论,他会选择AI神鹰。为什么呢? 因为神鹰会看到危险,看到危机、看到风险。这意味着,决策性比较高的场域,AI很适合做神鹰这个角色。如果是这样做,AI就会很成功。反之,如果AI做到成吉思汗的角色,效果可能不太好。
综上所述,把 AI做在决策点与行动点之间最具价值性。从成吉思汗与神鹰的故事,可以领会到AI扮演神鹰的角色,既符合AI的特性,又非常具有价值。
当AI(神鹰)发现决策者思绪不够完美时,可以给予画龙点睛的效果。更具价值在于:当AI(神鹰)发现决策者的决定是错的,而且行动是灾难性的,AI立即提出严重的警告。
换句话说,AI必须在决策者的「决策时间点」与「行动时间点」之间的数秒钟内,必须即时纳入当下的决策,做出智慧的推论,采取保护主人的行动,而且刻不容缓。
结语
![图四 : 如果AI只是依据过去和现在的大数据,来作归纳性推理,只凭过去的经验来作决策,一般都不会成功。(source:Forbes)](/art/2019/07/091406513660/p4S.JPG)
图四 : 如果AI只是依据过去和现在的大数据,来作归纳性推理,只凭过去的经验来作决策,一般都不会成功。(source:Forbes) |
|
如果你做的AI只是依据过去和现在的大数据,来作归纳性推理,让它只凭过去的经验来作决策,一般都不会成功。所以微软公司创始人Bill Gates说过一句话:过去的成功经验常常是最糟糕的导师。
然而,让这种AI来扮演雪巴人或是神鹰的角色,其在电光石火的瞬间洞察出哪些是「不打没把握的仗」,就能有效降低高阶商业决策的风险,立于不败之地,并提高致胜率。