[[322374]]

我們來看看人類認知能力的全部特征。我們先將Fleishman的21種能力整合成兩組，每組各五種能力。與其中一組能力相關的工作已經或即將被機器接管，另一組中人類處于支配地位。注意，盡管一些未來學家聲稱計算機將完全取代人類，但仍然有一個充滿挑戰的世界等待你征服。

你的長處是什么?

機器智能的長處：

• 理解與表達
• 感知細節和模式
• 數字處理
• 記憶
• 記錄和整理

人類思維的長處：

• 想象
• 創造
• 演繹推理
• 歸納推理

構建問題解決方案

注：以上對Fleishman的21種能力做了合并簡化，并省略了原作中的“空間定向”和“可視化”。

這份名單不是很嚴格，我們畢竟不是心理學家，只是用它來闡明我們對領導者未來腦力工作要求的展望。

假設你幾十年前成立了一家創業公司，找了一個能力上與自己互補的合作者，這樣可以保證這個雙人團隊擁有所需的全部思維能力。可能你們其中一人擅長左欄中的技能，另一人擅長右欄中的技能。

注意，這兩組能力不一定與“左腦”思維和“右腦”思維的概念相關。我們認為，擁有左欄技能的合伙人從今天起可以逐漸退休了，因為幾乎所有的人類未來價值將由擁有右欄技能的合伙人創造出來。

巨大的變化即將到來。領導者如此，工人也不例外。如今，許多坐在屏幕前做數字和文字處理的白領工作者，很快會發現手上的工作全部移交給了聰明的算法。

在發達經濟體中，服務業創造了大約80%的就業機會，其中大多數職位都需要左欄中的技能：聽、說、讀、寫，感知細節，以及安排任務步驟等。機器很快就會接管所有這些任務。

牛津大學的Carl Benedikt Frey和Michael Osborne在2013年的一篇論文中指出，目前美國47%的職業崗位距離被機器替代僅有一步之遙。

會計師、律師助理、技術文檔作者、專利律師和放射科醫師都有可能步電話總機接線員的后塵。那些一直依靠在左欄技能上表現卓越而得以立足的領導者也是如此。僅在美國，失業人數就可能增加到數千萬人。是否會有新的職業類型出現來收拾這個攤子還有待觀察。

因此，計算機技術的演變要求我們重新審視人類應當發展哪些有價值的認知能力。

我們曾經認為人類的智慧是獨一無二的，如今，更加聰明的機器將要接管一些我們并不認為是機械式的工作。在物流配送、在線廣告和某些醫療診斷等復雜工作中，機器已經是更好的決策者了。在這類工作中，人們用一輩子積攢的經驗可能都比不上機器(除非你是杰出專家)。

與通常的機構變革不同，重新分配工作職能的過程會非常迅速。機器在計算速度、復雜問題求解以及結構化和非結構化數據處理方面都跨越了更高的門檻。隨之而來的變化將會以互聯網的速度出現，這比公司和大學對人員再培訓的速度快得多。

因此，你面臨的挑戰是重塑一個智慧型領導者的模型。面對著高智能的機器，你應該如何構建人機協作的模式，讓自己仍然擁有力量強大的智慧?

在研究這一變化之前，我們先看看左欄中列舉的各種能力。它們屬于機器新進入的認知領域：理解與表達，感知細節和模式，數字處理，記憶，記錄和整理。

機器逐漸展現出了超越人類局限的思維能力，我們不能再信奉過去的成功公式。我們必須確定如何構建人機智能，從而在戰術和戰略方面都激發出高水平的創造力，引領企業高效發展。

01 理解與表達

當颶風、地震或洪水襲擊美國時，聯邦、州和地方各級應急機構立刻會采取行動。多數情況下，在整個危機持續期間，工作人員會在數小時之內提交關于進度、問題和反饋的“事后報告”。一張又一張價值無限的深度報告向領導者涌來。

當然，在危機期間沒有人能夠真正坐下來研究所有的報告。但是，需要有人全面掌握危機事態和優先事項。即使在危機結束后，全面理解危機的細節并從中發現關鍵點，也需要一個高效能的大腦。

自然語言處理技術讓領導者不再需要正襟危坐、逐字逐句閱讀文本中的信息，這給他們的世界帶來了什么變化?機器可以閱讀報告并迅速將問題定位到程序混亂、人員短缺、設備缺口或物流瓶頸，讓領導者的快速理解能力相形見絀，這又會導致什么變化?

在各種復雜、混亂和不斷變化的情況下，機器都可以比領導者更快地準確找到解決問題的關鍵點。

對于機器來說，問題復雜度和信息流的不間斷性都不是處理時的障礙。數據科學家用類似危機中發現的模式訓練計算機，之后，計算機就會閱讀每一份新存檔的報告并發出相應的警報。在實時總結復雜事件中的關鍵事實的時候，機器會忽略瑣碎和無關的事情。

另外，機器的這種能力也可以幫助領導人應對其他突發狀況，無論是金融危機爆發還是全球流感蔓延。

Healthmap.org網站不斷地從社交媒體上抓取15種語言的非結構化文本。機器從中查找討論疾病的文字，一旦發現了比如“發燒”或“蕁麻疹”這種相關的詞語，就在地圖上標記出對應的位置，指示出現了疑似疫情。

它們的一些程序邏輯對人類來說非常簡單：忽略無關的短語，比如“紅的像龍蝦”和“幽居病”。但是依靠這些簡單的排序和過濾規則，機器能及時地提供自己的見解。它們把人類難以企及的復雜性踩個粉碎，以每小時一次的頻率刷新疫情分布圖。

口語和書面的理解與表達這一人類的關鍵技能正在往機器上轉移，趨勢不可逆轉。可以肯定的是，機器在理解和表達語言中的微妙差別時遇到了很大的困難，更不用說隱喻、典故和情感了。至少在近期，機器不可能成為一個鼓勵學生熱愛文學的教育者。

但是如果僅限于日常表達，機器可以在一系列工作中表現得更好：技術支持中響應全文查詢請求，為提起訴訟查詢歷史案例，分析專利和評估侵權行為。

理解和使用語言一直被認為是將人類與動物區分開的一種能力。令人驚訝的是，如今它已不再能區分人和機器。

如果你是一個擁有優秀的理解能力和表達能力的領導者，可能會因此感受到威脅。這對你來說意味著什么?把處理和生成語言文字的任務分配給機器，就是由于機器可以用更低的成本達到更高的準確度，并且能承擔更大規模的任務。

人們依靠機器提供的這些功能解放了自己。你擺脫了閱讀臨時、瑣碎和無關的文字之后，可以專注于重要事情和開始行動。你還有更多的時間可以投入到關鍵任務上，比如向別人闡述你的發現是什么，它為什么很重要，以及它如何推動你完成必要的事情。

你仍然需要在更高的層面上交流，更集中于勸說、談判、積極傾聽和充滿激情地描繪愿景等任務。

02 感知細節和模式

機器感知細節和模式的能力突飛猛進。Ditto實驗室提供了一個很好的例子。伊利諾伊大學芝加哥分校(University of Illinois at Chicago)在醫療衛生工作中使用了Ditto的硬件設備和計算機視覺處理程序。 

該校的健康研究和政策研究所將Twitter和Instagram上的照片輸入到圖像識別程序中，用來追蹤吸煙行為的變化趨勢。與調查問卷的方式不同，研究人員從包含人們日常生活習慣的照片里收集數據。

他們在照片中發現了一種顯著的模式。年輕人買來細雪茄(小雪茄)，把它切開，將煙草與大麻混合，然后用煙葉卷起來。

這一信息幫助健康教育工作者認識到了年輕人對尼古丁上癮的新途徑，即用煙葉來包裹。研究人員在闡述新發現的時候，他們知道該如何調整勸誡吸煙的口號和衡量這些口號對提高社會公益的有效性。

另一個例子來自默克公司，它在人類疫苗制造上是全球醫療衛生領域中的佼佼者。疫苗生產包括許多步驟：培養酵母菌，攪拌，發酵，提純等。生產過程的變數很大，一旦有什么差錯，整個批次的疫苗就必須扔掉。公司分析每一個生產步驟的技術，以尋找可以使產量達到最高的方式。

生產部門首席信息官Michele D'Alessandro表示，疫苗生產是類似于啤酒釀造的生物過程，生產經理擁有生產線上的大量數據。

這實際上是數千個傳感器收集了10年的數據，其來源包括車間生產過程和工廠設備維修，以及每分鐘測量一次的氣壓、溫度等建筑環境參數。生產經理可以單獨地檢查各個數據集。但沒有人可以立即對整個生產過程做出評估，因為較早的生產步驟會對后來步驟的成功有影響。

這意味著，在疫苗生產的漫長過程中，沒有人可以準確指出造成某些批次產量低的失敗步驟。由于沒有辦法識別出模式，因此常常將整個批次的疫苗丟棄。

現在，這種狀況被新的機器智能化工作改變了。生產團隊用數據科學做了大規模分析，一共整合與分析了5TB的數據，耗費了150億次計算，做了550萬余次批次比較。然后他們用一個“熱圖”來展示與高產和低產相關的數據簇。專家們可以查看熱圖，提出修改建議，修正預測模型，然后進行更多的分析。

D'Alessandro說：“這樣做的美妙之處是，我們可以集中所有的數據，在單一的環境中分析復雜的信息。”

結果如何?他們發現了造成疫苗減產的具體特征和生產環節。原先被懷疑的對象往往是無辜的，比如原材料。其他的因素才是罪魁禍首，如發酵元素。大幅度增加產量，提高生產效率和速度，這些成果來自用廣闊的視野審視問題和尋找模式。

“我們現在已經反過來把研究成果帶來的改進融入商業化過程中。” D'Alessandro說。一旦這些改變都得以實現，公司每年都將在疫苗生產過程中節約大量的成本，并給更多的生命提供保護。

“這個實驗引發了一個假設：如果我們能收集到整個生產工廠的所有數據，”她補充道，“不需要從腦海里的明確問題出發，就可以讓人們在數據中尋找模式，并且會發現一些有趣的結果。”

D'Alessandro不能透露默克的改進細節，但她表示公司很快就擴大了愿景。2016年12月，它在新加坡建成了其首個全廠分析系統。單個儀表板顯示了生產、片劑制造、包裝、質量、倉儲、運輸等各個環節實時流入的數據。公司不想總在問題突然發生后再亡羊補牢，而希望從逐漸清晰的模式中預測即將發生的事情。

“工廠里實施的是主動型生產智能化，而不是被動型的。”她說，“我們需要隨時可以查看數據，而不是等到有問題的時候再處理。這是與過去的主要區別。”

有時候，感知能力用于從歷史數據中識別出已知的故障模式。有些時候，它用于發現未知的模式。復雜系統給人的挑戰是在噪聲中尋找有意義的信號。

對于人類來說，信號往往要么很難分辨，要么進行了偽裝，要么處理起來太耗費時間，但這正是機器學習大放異彩的地方。計算機勤勤懇懇地檢查各種細節，不忽視任何一個字節。

機器學習有兩種類型。向計算機展示難以理解的復雜數據，讓它用算法從其中尋找模式。這被稱為“非監督學習”。

針對已知的復雜模式，不斷地給計算機展示真實例子，例如心臟影像，它將會掌握這些模型，并可以鑒別新的案例。這叫作“監督學習”。算法依據數據中存在或缺少某些特征來解釋它看到的東西，并且它甚至比明察秋毫的人看到的信息還要多。

想象一下，是否能將機器智能用于欺詐檢測。伯尼·麥道夫(Bernie Madoff)通過精心策劃一個簡單的龐氏騙局，制造了當代比較大的金融詐騙案。作為一個世界級的騙子，他精通詐騙手段，但這里他使用了一種古老而傳奇的方法。

盡管對于全球金融體系來說，雖然他的計謀就像草堆中隱藏的一根繡花針，但仍然是可以被察覺的。如果有人把歷史上所有的龐氏騙局案件的數據用于訓練機器，然后用該算法檢查世界各地的金融交易，那會怎么樣?

機器從細節和噪聲中識別模式的能力遠勝于人類。人們容易在紛繁蕪雜的細節中迷失方向，但是無論詐騙者把會計報告編造得多么巧妙，無論他的舉止、微笑和擁抱多么令人信任，機器都不會被騙局的表象所欺騙。

當機器時時刻刻監控著世界上的龐氏騙局，就不可能有下一個麥道夫再行騙這么長的時間，也不可能從投資老手身上拿走那么多錢(麥道夫案件中詐騙金額為200億美元)。

當你把模式識別的任務托付給機器時，你肯定不希望盲目信任它。機器和人一樣，也有弱點。你需要密切關注機器的工作方式，才可以充分信任它的工作成果。隨著機器不斷地取得成功，它變得越來越可以信賴。

機器提高人們模式識別效率的一種手段是最小化偏差。諾貝爾經濟學獎獲得者丹尼爾·卡尼曼(Daniel Kahneman)解釋說，人們經常會陷入“屬性替代”的偏見。當遇到復雜的問題時，人們習慣于用更簡單的經驗法則來替換它，從而加速分析。

這種做法非常普遍，甚至在經驗法則與實際問題有不小的出入時也如此，所以我們經常依據完全錯誤的模式做決定。

如果你習慣于在自己精通的領域里“知道”答案，你會逐漸發現自己的立足根基越來越不穩。我們很難虛心地承認機器在模式識別上的優勢。

但隨著時間的推移，當看到機器經常得出截然不同的結論時，你不得不開始懷疑自己的判斷。解放思想的時候到了。當然，機器也會有偏見，因為數據科學家在寫算法的時候可能會帶入自己的偏見，但機器本身只會無差別地處理1和0的序列。

澄清一點，計算機并不知道模式的“成因”。它們沒有人類刨根問底的好奇心，不會去問：“原因A究竟是怎么導致結果B的?”它們會學習、推斷，擁有精準的記憶力，但不了解原因和結果之間的關系。因此，理解商業系統的因果關聯和制定發展戰略依然是人類負責的工作。

盡管如此，人們仍然要警惕這種司空見慣的做法：在騙子用奇聞逸事和花言巧語哄騙之下，人們輕易地就相信了他們的說法。(想一想麥道夫案件。)

03 數字處理

領導者越來越希望由機器來負責的第三種能力是數字處理，不僅僅是電子表格中的數字，還包括需要大量計算才能得到的數值。這聽起來很容易理解，但我們先用一個故事來講述這個重要趨勢。

美國聯邦航空管理局(FAA)希望可以提前幾周甚至幾個月以更高的準確度預測航班的延誤。聽起來這似乎不大可能，但實際上航班延誤是由一連串的因素造成的，在復雜的航班調度系統里，這些因素早在起飛之前很久就露出了苗頭。

從技術經理Kevin Hatton那里了解到，FAA一直依賴一個簡單模型來預測飛機到達時機場的繁忙程度，即通過實際起飛時間進行預測。如果著陸時機場太繁忙，交通管制員會推遲航班起飛時間。

問題在哪?“如果預測算法輸入了錯誤的起飛時間，”Hatton說,“由此制定的系統響應方案就可能是錯誤的。”

起飛時間不會精確地輸入系統中。在一個長期使用的模型中，如果飛機不能準時出發，計算機會簡單地把出發時間推后五分鐘，隨后繼續延誤的話，就再加五分鐘，一直這么加下去。“這很粗略，與現實情況差別很大。”Hatton說。

今天，FAA正在推進一個更宏大的藍圖，希望實現管控更大的空域、更多的航線，甚至無人駕駛飛機的愿望。為了安全地管理日益增長的空中交通流量，FAA需要從完全依賴于預先排定飛行計劃表的方式，轉變到使用衛星導航來管理開放空間。這個新系統將給空中交通管制帶來革命性的變化。

顯而易見的是，人們無法僅靠自己用簡單模型來解決空中大量飛機飛行的復雜問題。在航班延誤的問題上，FAA使用了更快的處理器、并行計算技術和基于云計算的先進統計技術來處理大量的數字計算。為了揭示背后的復雜規律，FAA使用了貝葉斯信念網絡(BBN)。

貝葉斯信念網絡看起來像是一件由關節和連接器連接起來的拼插玩具的結構圖。其中關節代表影響系統的因素，比如FAA案例中的天氣。因素之間相互作用的強度由連接器表示。整體網絡結構展示了導致延誤的各個因素及其與其他因素之間的關聯。

數據科學家運行模型時，用方程來計算每個因素對其他因素影響的概率。“混沌理論認為，初始狀態的微小變換會對隨后的一系列事件產生巨大的影響，”Hatton說，“我們的模型追蹤了所有的事件鏈。”

影響航班延誤的因素包括飛機清洗、行李裝載，以及機組人員問題、航班密集和惡劣天氣。因素之間可能直接或間接地相互關聯，這一點在計算中得到了反映。

FAA項目團隊綜合了包含四種不同算法的機器學習計算結果和專家意見，最終確定了BBN中的所有概率。(沒錯，專家仍然很重要。)理解關系網絡非常費腦筋。即使有人對全系統范圍內的各種關聯有很好的“感覺”，也不可能掌握它們造成的全部影響。

“BBN的美妙之處在于它不需要人們去思考導致延誤的原因。機器學習算法能推斷出有哪些因素相互關聯，”Hatton說，“它可以識別我們沒有注意到，甚至沒有意識到的模式，只要它有足夠的計算能力去完成所有的學習。”

估算一下計算的規模。假設每個因素只有兩個狀態(例如開和關)，要計算航班延誤的概率，需要考慮的因素組合的數目達到了2的n次冪，其中n是模型中變量的個數。這個案例中的模型含有47個變量，那么概率的可能取值數多達大約140萬億個。

使用機器的力量來做數字處理是大勢所趨。對于盼望由數據來驅動答案的領導者來說，這更是當務之急。錯綜復雜的情況讓人們不可能運用經驗法則迅速獲得優于機器的答案。

在FAA，項目團隊把他們的計算資源全部投入五年來積累的5200萬次飛行的數據樣本中。這些樣本包含525萬行數據。由于數據不干凈，實際計算比預期的更加困難。之所以需要貝葉斯信念網絡，是因為它可以在各種復雜情形中估計缺失的值。

機器不斷地學習，比最有經驗的領導者更快速地推動著進步，這不是通過經驗、直覺、專家顧問或者其他的方式，而是得益于近期機器智能的巨大進展。它在探求真相時不會有先入為主的想法，這是它的一個優勢。

Hatton說：“從原因出發時，你只會在直覺上注意到可能導致延誤的事情，而忽視了所有其他的因素，比如與飛機老化或者芝加哥雷雨天氣等顯而易見的原因無關的其他因素。”

在航班延誤問題上，貝葉斯信念網絡擊敗了從前使用的比較先進但更簡單的統計模型。從離起飛還有很長時間的日子，到即將起飛的時刻，它可以在很大的時間跨度內預測航班的延誤概率。即便是無法獲得全面的空中交通流量管理數據，BBN也能在缺少數據的情況下做出更好的預測。

04 記憶

第四種需要領導者重新思考的人機協作方面的能力是記憶力。如今機器的性能毋庸置疑，但它們在檢索未標記和未整理的數據時，沒有我們想象中的那么好。它們還需要我們提供搜索的上下文，否則很難獲得有用的信息。

機器的發展之路依然漫長。然而許多記憶力出類拔萃的優秀領導者還沒有意識到即將到來的變革范圍。

隨著我們開始事無巨細地記錄下全部內容和上下文，機器的記憶方式越來越像人類。它們將提供更加全面的決策支持，不斷幫助我們減少不確定性和無法計量的風險。這意味著你做決策時將更少地依賴自己的記憶力，更多地依靠機器總結的事實和經驗，它們描繪出了一幅復雜現實狀況的整體圖景。

如果你可以像機器一樣無差錯地訪問整個機構的集體記憶，然后即時做出決策，那會怎么樣?我們在體育比賽中看到了這類決策的應用。如今球隊收集了更多的數據，教練們在做計劃時認真參考了機器根據多年累積的球員、比賽和球員表現的數據所做出的預測。

想象一下你正在進行一場棒球比賽，在第九局下半場，進攻方已經滿壘，己方的投手面對著對方的新擊球手。哪種投球組合最有可能使擊球手造成雙殺從而結束比賽?機器能回憶起一切細節。

運動領域的可穿戴技術也為利用機器和細節數據來幫助球員提高水平指明了方向。機器可以檢測出逃過了優秀教練眼睛的細微動作。當擊球手擊出的球直飛向球場的一角，左外野手的反應有多快?他的反應時間比去年下降了嗎?投了90個球之后，他的投球姿勢看起來如何?他的移動范圍、蹬地動作和出手方式是否顯示出疲勞狀態?

新的視頻技術可以跟蹤球員的運動、方向、速度、距離等數據，有了機器智能，教練可以給球員制定個性化的訓練計劃，幫他保持在巔峰狀態。

機器的記憶力讓許多領導者處于尷尬的境地。當然，一個記憶力超群的領導者在即時快速分析中總是比機器更有優勢。這一優勢仍然非常寶貴。一旦需要事先決斷，你就無法打敗機器。這也解釋了為什么提出問題將成為領導者更重要的技能，而不是在現成的答案庫中尋找一個解決方案。

05 記錄和整理

第五種需要領導者重新考慮的人機協作方面的能力是信息記錄和整理，尤其是按照規則收集和分類、排序信息。比如說在電子表格中填寫文字和數字這種簡單的任務。如今，機器學習很擅長這類工作，基本上已經取代了人工勞動，并且還會繼續在更多任務中把人類拋在身后。

再舉一個來自麻省理工學院的創業公司的優秀案例——Ditto實驗室的鄰居Affectiva公司。Affectiva通過處理視頻和靜態圖像來跟蹤人們對服務和產品的情緒反應。專家們先讓機器學習辨認與15種核心情感相關的面部表情。

他們使用20世紀70年代開發的人工分類系統，將數十萬張照片中諸如驚訝、厭惡、注意、困惑和憤怒等面部表情進行編碼。面部肌肉的收縮和位置揭示出了不同的情緒。

然后，數據科學家將圖像的像素數據輸入到算法中，讓它根據抬眉、皺眉、微笑和抿嘴等要素來區分情緒。計算機能輕易地察覺到嘴部、鼻子和眼睛周圍的肌肉變化。

事實證明，面部表情的模式在全世界都是一樣的(至少Affectiva所使用的照片所在的75個國家如此)。情感顯露在程度上會有不同，但類型上并無不同。

有了Affectiva創造情感編碼算法，機器可以自己來評估情緒反應，預測病毒式營銷的目標能否實現，并優化產品的改進，盡可能地吸引受眾。這樣Affectiva能夠向公司提供客戶對產品的熱情度等新型信息。

換句話說，廣告商可以衡量人們對其廣告的最基本反應。電影制片人可以衡量影片不同鏡頭下觀眾的情緒變化。當制片人推出預告片時，Affectiva可以記錄觀眾的反應，通過分析數據，找出最能打動觀眾的鏡頭，然后向制片人提出深度見解：如何剪輯影片能使觀眾更好地沉浸在情節中。

Affectiva的技術能應用到多大的范圍?視頻游戲公司Flying Mollusk Studio將Affectiva的技術植入視頻游戲Nevermind中。游戲里，玩家在精神病院的病房工作，幫助病人從被壓抑的記憶中恢復。通過網絡攝像頭，游戲可以感知玩家的害怕程度并對難度做出相應調整。

我們看到在新的應用中機器收集和整理數據的能力遠遠超越了原有的界限。這種技術的應用范圍將擴展到市場營銷和娛樂業之外，從根本上改變教育、健康和機器人技術。

在整理信息時，機器不必像大多數人那樣按照特定的“規則”來將信息分類。相反，它們按信息和數據中發現的模式的相符程度來做匹配，不僅速度快，而且完成了人類無法做到的事。