導讀：在《機器智能正在代替人類做的5件事 》一文中，我們看到了機器在不斷地創造新奇蹟。同樣值得注意的是，你能夠並且應當採取一些明智的措施，推動人和機器之間建立最牢固的夥伴關係。
有些複雜的技能支撐著產生未來力量的所有人類表現。機器可以模仿它們，但不可能完美地複製。本文所討論的5種能力是想象力、創造力、推理能力（歸納和演繹）和解決問題能力。
作者：喬希·沙利文（Josh Sullivan）、安吉拉·朱塔弗恩（Angela Zutavern）
來源：華章科技
01 想象
在為第一次火星旅行做準備的時候，美國宇航局的工程師們提出了許多新概念。美國宇航局的托馬斯說，其中一個概念是可以指導宇航員進行緊急護理的急救醫療系統。
信號在地球和火星之間傳輸需要40分鐘的時間，如果宇航員在火星上受傷或生病，他們無法實時地諮詢地球上的醫生。因此火星任務需要一個緊急護理的診斷和治療系統，即一個“掌上醫生”。
火星之旅受到載重和能源的制約，兩個方面都不能超出限制。你無法攜帶太重的東西，也不能像在地球上一樣，可以使用整個機房的計算資源。美國宇航局有什麼好辦法？Thomas實際上還沒有答案。但是，美國宇航局遇到的這個謎題說明人類仍然勝過計算機領域。完美的答案需要非凡的想象力。
“這是一個數據科學問題，”Thomas說，“因為你掌握了很多信息，但是抓不住重點。”美國宇航局不得不決定開發一個基於火星的系統，裝備了傳感器和其他設備來監測宇航員和周圍環境。
美國宇航局將如何挑選出計劃護理的疾病？它需要一個能夠處理各種條件的智能的系統。長期的慢性疾病，如感染，仍然可以依靠地球上的專家來處理。而動脈出血等急症必須當場得到解決。那麼嚴重性介於兩者之間的問題，比如中毒，該如何處理呢？
解決開發一個“掌上醫生”這類問題是人們的強項。計算機無法想象，至少不能在沒有參照原型的情況下提出新穎的想法。想象力不僅需要插值或外推，更需要創造性。計算機不會造成會議室中充滿了各種瘋狂、野心勃勃、有趣和富有遠見的想法。人類的想象力才是靈感迸發和夢想的源泉。
在人與機器協同工作時，你不必追求更聰明和更有想象力。你只需要敞開心扉接受各種各樣的可能性。
例如，抓住自動駕駛汽車帶來的契機。自動駕駛汽車上路後，司機可以像在火車或者飛機上，甚至是在起居室、飯廳或臥室裡一樣從容不迫地度過時光。在這個飛馳在高速公路上並與平行數字宇宙掛鉤的生活單元裡，人們會使用哪些娛樂、教育、飲食或個人健康（如按摩）的產品和服務？
從實用角度看，想象力通常要求以各種可能性作為原料，從中提煉出一個主題。
- 如果你經商，如何利用這個新主題來賺錢？（提供與汽車位置同步的國家地理頻道風格的解說節目？）
- 如果你在政府或第三部門工作，如何更好地履行為人民服務的使命？（根據機器學習推斷出的當地史上事故的發生模式來發出安全警報？）
你如何將數據、算法和網絡融合在一起，創造出這些新資產？你必須點燃自己的想象力引擎，用新穎的概念、策略或願景來吸引眾人的目光。 這是你肩上的任務。
考慮一下David Rose在創建Ditto實驗室和之前的五家創業公司時所採用的想象方法。Rose說他在Ditto中採用了一種飽經企業家檢驗的妙招。他想象如何將新興的機器智能力量應用到新的“問題空間”裡。這個靈感源於學術研究。
“結果非常神奇，”他說，“你可以從學術界精選出影響深遠的偉大的技術和思想。”
開始時，Rose注意到麻省理工學院的同事們一直在開發計算機視覺技術，以解決諸如自動駕駛汽車和無人機識別物體等高難度問題。計算機視覺只有在機器能辨別出不同的物體時才能起作用。即使對於視網膜掃描儀、指紋讀取器和麵部識別等已經普及的應用，分辨不同的事物仍然是一個挑戰。
Rose轉而考慮用計算機來識別最有區分度的一類圖像：徽標和商標。
因此Ditto就誕生了。該公司的成功在於認識到由像素組成的照片提供了一個新的非結構化數據流，而機器可以將其轉換成結構化數據。由此發展出的新能力，可以更好地回答營銷人員感興趣的許多問題。
現在，Rose已經將“大數據”和“大照片”結合，預計還要加入“大情感”，這是Affectiva業務的主要支柱。
聽起來像是天方夜譚，但這正是關鍵點。明天的領導力需要由計算機的感知、記憶和整理能力支持的強大想象力。
這種想象與過去的創新思維並不相同。你必須使用幼兒園沒教過的概念，比如眾包（讓國際化的團隊解決新問題）和將無形的情感信息轉化為1和0的序列（Affectiva正在研究如何將希望、靈感和挫折用編碼表示）。
02 創造
你能將想象中的事物創造出來嗎？計算機離這一目標還很遠。因此，創造活動，也就是將各種新式的組件裝配起來時形成的想象，是數學公司時代讓領導者脫穎而出的第二個關鍵能力。
創造不是執行既有的計劃，而是打造出組成計劃的各個要素。它是關於如何利用流行的外包、網絡與合作等方式，把願景的組成部分落實到位。
我們來看一看優步公司的情況。它的600億美元的市場價值不是通過擁有和運營大量的工廠和設備來實現的。它沒有發明地圖導航或者信用卡授權支付功能。它沒有僱傭司機，也不提供汽車。那優步的核心資產到底是什麼？它是一個由大量知識產權聚合起來的集合體。
在數學公司，領導者的創造力有時會被歸結為設計出好的方案，將企業、政府或非營利組織的專有機器智能資源連接成一個整體。創造價值的秘訣在於整合數字資源的供應商，每個供應商都有辦法讓計算機不用合併硬件就可以進行交互和合並代碼。這創造了一種全球數據科學大熔爐，具有豐富的深度和多樣性。
在近期，數學公司之間使用應用程序編程接口（API）交流。API是秘密交換數據或者說幕後交換數據的通道，在公司之間建立起強大的聯繫。儘管API只是技術發展中的鋪路石，但它們能在競爭對手和消費者的視野之外組成新型的戰略聯盟。
API使得即時、大規模的數據交換過程不再需要人工參與，機構間可以共享和訪問各種信息，並且只有機構自己知道如何利用這些信息。因此機構可以做自己最擅長的事情，可以專注於在組織生態系統中發展自己生產力最高和最能盈利的領域。
創造不再是在地下室發明一個設備，並申請專利來壟斷利潤，儘管這仍然是一個不錯的主意。它意味著在全球性的實驗室中構建新穎的概念，並將其分享以創造利潤。如果你領導一個數學公司，可以將日常經營融入數學社會來提升公司的戰鬥力。
在數學社會中，機構之間就像如今的互聯網設備一樣互相連接。如果你不能通過資產併購來接入數學社會，那還可以通過數字功能融入方式來建立連接。
Ditto實驗室的Rose將如今的領導者視為API集合的管理者，就像現在他們在複雜的生產鏈中切換買家和賣家的角色一樣。舉例來說，Ditto可能會同時成為Affectiva的供應商和買家，而這兩家公司都可能是耐克（Nike）和寶潔（Procter & Gamble）等大公司的供應商和買家。
如果一家公司能夠將產品部件外包給實體供應鏈，那它也可以將數據和代碼外包給一個虛擬的供應鏈。創造力來自尋找出最有利的生存方式。
“你努力向客戶提供他們看重的數據洞察力和交互性，”Rose說，“客戶不關心你的見解從何而來。”要想取得成功，“你需要思維活躍的人，能不斷在新的數據世界中挖掘新的用戶體驗。
你需要的不只是瘋狂的發明家，還有出色的溝通者，他們能夠確定引入新事物的恰當時間。”創造行為包括考慮如何在實體生態系統中進行交互，就像優步為Epi-demico等公司運送疫苗時所做的那樣。在機器智能時代，為了保護私有財產而與外界隔絕的做法，可能會錯失開發利用全球性數字資源的機會，那是一個爆炸性增長的財富寶庫。
建立正確的組合意味著改變你的時間分配方式：將更多的時間花在社區、其他行業的同行、創業公司和大學實驗室上。現在，機構比以往更像是一個大型組織的一部分。如果你想成為一個數學公司的優秀領導者，必須擴展公司與外部的連接，從而倍增自己的價值。
03 & 04 推理：歸納和演繹
現在我們又回到了起點：提出問題。這通常是你開始施展人類擅長的第三種和第四種認知能力的地方——歸納推理和演繹推理。
歸納推理變得更加重要了，因為它促進你與機器進行積極的互動，尋找答案。這就是人機夥伴關係的閃光之處，沒有平行的數字世界，你將失去許多可能性。
例如，美國中西部的一家大型連鎖醫院（下文稱之為MedWest）的研究人員想知道是否能夠阻止膿毒症惡化到非常致命的狀態。膿毒症是一種全身性的感染，患者通常需要住院治療。研究小組收集了過去幾年裡數千名膿毒症患者的醫院電子記錄。一些患者病情加重，發展到更危險的重症膿毒症，而其他患者則沒有。
醫學領導者要求研究人員回答一個關鍵問題：是否可以觀察到兩組患者的生命體徵差異，併為膿毒症的惡化提供早期預警？如果這樣的警示信息存在，那將是一個重大突破，因為一旦患者發展到嚴重的敗血症，治療手段往往太遲了，無法避免患者死亡。
研究團隊將病人的記錄彙集在一起後，按時間順序將病人的生命體徵數據排序。然後，他們用一種新的分析方法來搜索生命體徵隨時間變化的模式。
他們發現，在膿毒症患者病情開始惡化的幾個小時之前，他們的生命體徵通常按確定的規律變化。這是醫生沒有察覺到的一種模式。研究人員立即開始在MedWest監測患者的這些變化，以便及早實施救治方案和挽救生命。
這就是歸納推理的力量，提出適合於人和機器共同來解答的問題。作為領導者，你是這股力量的起點。有了機器智能做助手，你提出問題，機器會幫助尋找新的答案。你不會帶著理論偏好和偏見開始解決問題之旅。你只需啟動調查，然後一路駛向終點，那裡出現的答案可以徹底改變我們的生活。
作為領導者，你擬定的問題涉及方方面面：誰、什麼、何時、何地、為什麼。
以默克公司為例，問題可以是誰在購買或使用這種疫苗？在生產中，哪些變量是最不可控的？在一個工作日中，哪些時段生產的批次不合格率最高？我們應該在哪裡尋找異常？為什麼週一生產的批次的質量最高？通過數據，你瞭解到公司的生產線在全球供應和製造生態系統中的地位如何？基於這些認識，你如何著手做某些事情？
想象一下，你是一名軍事指揮官，正在制定作戰計劃。你必須從戰略上考慮士兵、後勤、敵軍情報以及許多其他的戰爭因素。當然，你的目標是贏得這場戰鬥，但是勝利需要付出代價，需要權衡各種利弊，應該如何抉擇？
你可以向機器尋求建議，它加載了反應實際戰況的模型，然後提供比如說25個選項，每個選項都是從你無法理解的複雜性中篩選出來的。
在這種情況下，你想要的不是單一的最優答案，而是希望機器列舉出你未曾想到的選項，從中確定當前狀況下具有最優代價和權衡的解決方案。
這就是在機器智能時代人和機器緊密合作的方式，以便在調查中充分挖掘歸納方法的威力。歸納推理的最基本方法是觀察事物本身，沒有先入為主的理論告訴你將會從複雜的數據中發現什麼。一旦你提出了問題，就讓機器智能用算法來提供答案。
你提出的數據和模型的問題反映了複雜系統的運行規律。這些數據比你以前存儲的要廣泛得多。這些模型比你的大腦能想到的任何模型都複雜得多。只要你按照機器能回答的方式來提出合適的問題，獲得新穎有用的答案的可能性就會大大增加。
有一句關於數據的老話：垃圾進，垃圾出。提問題也是這個道理。糟糕的問題只會得到無用的見解。
你是否會問先有雞還是先有蛋？這麼做的話，你不會得到任何答案，因為你提出的是雞和蛋的層次上的問題。相反，你可以這麼問，在生物進化史上，卵生動物的祖先是什麼時候出現的？站在數百萬年進化史的角度提問，你可以獲得一些真實的可能性。
這就是為什麼作為領導者你需要站在這個過程的頂端，以更廣闊、更具分辨力的眼光凝望這個世界。
你有可以依賴的工作和生活經驗，看待事物的觀點和組織知識。就像蘇格拉底所說，你在過著“審視的生活”。通過審視的目光和一顆永遠對未知事物好奇的心，你對重要的行動提出了一連串的質疑。隨著對問題的不斷深入的思考，你形成了獨特的理論。
這並不是說一開始你就知道了明確的問題。很少會這麼幸運。首先，你需要學習如何與數據科學家合作，以便查詢請求的格式能夠被機器理解。
另一方面，如果你採用純歸納方法，並接受意料之外的結果，那就不能在問題中對可能的結果做任何假設。關鍵是要拿出有價值的問題，這些問題成為推動組織到達終極關鍵問題的引擎。
如果說歸納推理是通過觀察來發現真相，則演繹推理是通過實驗來驗證假設。歸納推理中，你可以從自己認為可能的事物出發形成推論。演繹推理中，你可以根據確定的前提來導出結論。實踐中兩種推理方式我們都會採用，但在一些圈子裡，歸納推理因其間接、非正式的特點而受到冷遇。
當你以新的方式與機器協作時，可以使用這兩種推理方式來完成很多事情。交替使用兩種推理方式通常是揭開復雜事物神秘面紗的捷徑。科學家的工作方式就是這樣的。他們一旦有了科學理論，就轉而使用演繹推理來尋找可以改變任何東西的問題。
舊金山警方的領導層希望安排更有針對性的巡邏來減少汽車盜竊案件。在數據科學家的指導下，他們查詢了犯罪數據庫，發現了盜車案件的三個熱點地區以及案件發生最頻繁的時段，即週六晚上七點鐘前後。
在警察的幫助下， 數據科學家發現主要的熱點地區周圍都是公園。一個新的理論因此誕生：在城市中，公園的荒野地區是竊賊發起盜竊活動和撤退的最好地點。這揭示了應該在何時何地加強巡邏，隨後的反饋數據可以驗證，“公園理論”是否是應對汽車盜竊的巡邏方案的最好答案。
因此，你可以看到在人機合作中，人類一方的直覺能促進更好的問題和答案出現。在沒有思考的情況下，直覺讓你冒出一個想法，而機器耐心地等待著測試這個理論。
05 構建問題解決方案
第五種讓機器感到掙扎，而人類十分拿手的能力是構建問題的解決方案。第一個挑戰是明確問題的本身以及它的構成。然後你要決定怎樣依靠人機協作來尋找答案。
再一次，就像科學研究一樣，要取得巨大的成果，明確問題和著手解決問題的方式與投入的腦力勞動同樣重要。確定瞭如何建立、引導、發現和分析的過程之後，計算機就可以執行任務和數學計算。
解決問題的方法很多，準備開始的步驟也很多。我們將使用什麼數據？哪些算法最有用？用哪一類建模方法？合理的操作步驟是什麼？
儘管計算機是個數學計算高手，但它自己並不能推斷出要做哪些計算。這並非期望你成為算法專家，但你應該有良好的直覺，明白算法可以做什麼、不可以做什麼，以及在哪裡可以使用它們。
下面這個簡單的例子展示了人類在與機器合作解決問題時所擁有的力量。在一家大型金融機構中，我們的任務是找到一種早期檢測欺詐的方法，以阻止大部分的欺詐活動，幫助機構挽回資金。
欺詐的表現方式有數百種，由於欺詐事件層出不窮，欺詐者又行動迅速，我們很難在追蹤案件時跟上他們的行動模式。依靠10年來積累的數據和400多個變量，我們嘗試將“惡意行為”建模，使其可以被檢測出來，從而阻止未來的犯罪者。
我們改變了解決問題的方式。我們沒有問：“如何對惡意行為建模？”而是問：“如果也對良好行為建模，會有什麼幫助？”正如我們所發現的，對遵守操作規則的良好客戶的特點建模，再綜合其他的惡意行為模型，這會把檢測和阻止欺詐的效率提高很多。
這意味著在實踐中目光不應該侷限在個別交易上，而應當重點關注相似人群（例如，居住環境和收入結構接近的人群）的共同行為模式。
在“良好”行為的模式指引下，我們更加容易發現關心的異常行為並對其採取行動。“惡意”行為及其與良好行為的差別顯得尤為突出。從這個問題出發，最終我們為該機構發現了超過10億美元的規模大、範圍廣的欺詐事件。
另一個問題求解的例子來自對比谷歌和特斯拉在構建自動駕駛車輛軟件時採用的不同方式。谷歌使用了幾百萬個道路場景訓練它的模型，以確保駕駛程序可以預見和應對任何想象到的情況。它只將軟件安裝在自己生產的汽車上並用自己的測試司機。
與此相反，特斯拉公司在它生產的每一輛汽車上都添加了自動駕駛功能，供所有的司機使用，並帶有一個惰性車內自動駕駛測試功能。特斯拉汽車的一些軟件可以協助客戶進行有限自動駕駛。軟件的另一個功能是記錄駕駛員的所有行為，它對汽車沒有影響，這樣特斯拉可以不斷地積累數據，以便未來實現完全自動駕駛功能。
比較一下兩種解決問題方式的結果：谷歌花了6年時間收集到100萬英里的真實自動駕駛汽車數據，而特斯拉的7萬輛汽車每10小時就能產出100萬英里的駕駛員數據。誰將率先利用數據搶佔下一個突破口？
我們得到的教訓是：你不可能命令電腦“提升一下我的業績”（或者“改進一下我的汽車軟件”）。你仍然需要提出問題並且指明如何來構建它。
就像人類對機器的其他優勢一樣，你會在某些任務上表現得更好，並且你需要進一步發展對人機協作非常重要的關鍵能力。如果你正在選擇優先發展的能力，以保證成功之路有堅實的支撐，本文就為你精心準備了一張候選列表。
關於作者：喬希·沙利文（Josh Sullivan），美國知名諮詢公司博思艾倫的合夥人，創建和領導該公司的數據科學團隊，致力於向企業領導者展示數據科學如何解決複雜的組織問題。他與數百家財富五百強公司以及政府機構合作，通過採用數學公司的原則來幫助它們重塑組織以獲得商業成功。
安吉拉·朱塔弗恩（Angela Zutavern），博思艾倫諮詢公司副總裁，是數學型公司理念下的領導力、轉型和創新方面的專家。她主導的機器智能和數據科學戰略已幫助數百個企業和組織獲得競爭優勢。她的工作還涉及深度學習和量子機器學習領域。
本文摘編自《數字時代的企業進化：機器智能+人類智能=無限創新》，經出版方授權發佈。
延伸閱讀《數字時代的企業進化》
推薦語：本書創新性地提出了“數學型公司”的概念，並從分析智能時代的複雜性開始，引領讀者理解在數學型公司模型下，如何更好地將人類智慧與機器智能融合起來以發揮歎為觀止的效用。本書適合希望進行和正在進行數字化轉型的企業決策者、管理者閱讀，也適合有興趣從事數字化轉型相關工作的技術人員閱讀，從事數字化轉型的研究者也能從本書中獲益。
