数字化|胡泳｜相信人，还是相信机器？——重新思考数字化之九( 二 )

文章插图
温伯格分析了人为什么喜欢作预测。人喜欢提前了解所有的可能性，并为它们做准备，尽管常常会出现准备过度、准备不足和准备不当。假如上述这三种情况发生，社会就不得不承担巨大的成本。与人相比，机器则没有这些盲目性。它们在非预期的情况下运作，听从数据的指示。机器学习能在对数据背后的意义一无所知的情况下，发现数据之间的关系。它们发现并证明一切都在同时发生，而不是按顺序发生。
温伯格的第一个也是最好的例子是一个名为“深度患者”（Deep Patient）的医疗学习怪物。纽约某医学院的研究人员向它输入整整70万份病历，并让它不受限制地找出它能做的事情。结果，它作出的诊断和预测远远超出了人类医生的能力。虽然该“黑盒”诊断系统无法解释它给出的预测，但在某些情况下，它的确比人类医生更准确。

文章插图
Deep Patient 实验结果
这就是深度学习，会带来人类从未考虑过或甚至无法想象的发现。温伯格说，“深度患者”的教训是，深度学习系统不必将世界简化为人类能够理解的东西。
这违背了我们迄今为止所建立的一切。机器学习对天气、医疗诊断和产品性能的预测比我们做得更好，但往往以牺牲我们对其如何得出这些预测的理解为代价。
温伯格强调，虽然这可能带来危险，但也是一种解放，因为它使我们能够驾驭我们周围大量数据的复杂性，从混乱和琐碎的数据中获益。温伯格将此形容为“从混沌理论转向混沌实践——将这一理论那令人兴奋的想法应用于日常生活”。这就是本书英文书名Everyday Chaos的由来，它讨论的并非理论意义上的混沌，而是每日每时的混沌。
温伯格指出，这种转向并非始于人工智能，而是从有互联网以来就开始了。各行各业都采取了那些完全避免预测未来的做法，比如柔性生产、敏捷开发、A/B测试、最小化可行产品、开放平台和用户可修改的视频游戏等。他甚至极而言之地说，我们在过去 20 年里做的那些发明与革新，都是为了避免去预测未来会发生什么。
我们对这种新的认知模型已经如此适应，以至现在我们对上述与传统认知模型相悖的新事物已经习以为常了。我们在互联网上公认的工作方式，事实上推翻了关于未来如何运作的旧假设：互联网并不试图预测未来并为其做准备，而是通过创造更多深不可测的可能性来造就我们的繁荣。网络也降低了在没有定律、假设、模型、甚至对什么会成功的直觉的情况下运作的成本。
战略不是漫长的计划，也不通往可知的未来
预期和准备，是我们处理日常事务的核心，也是企业做战略规划的核心。长期以来，人类一直认为，如果能够理解事件发生的永恒定律，我们就能够完美地预测、规划和管理未来。但认知模型发生转换后，我们的最佳战略往往需要忍住不去预测，因为预测总是着眼于通过减少可能性来集中资源。
很多人把战略理解为“长期规划”，只有存在一个有序的、可预测的未来，这样的规划才有意义。在不同程度上，以不同的方式，战略规划要求公司能够将各种可能性缩小到自己可以追求的可能性。正因如此，温伯格才说：“战略规划通常被视为一种限制性操作。它识别可能性，并选择企业想要实现的可能性。”

文章插图
这种线性思维激发了一种异乎寻常的战略制定方法——场景规划（scenario planning）。在场景规划的过程中，战略制定者发明并深入考虑有关企业的若干同样合理的未来故事。虽然这无疑有助于打开思路，探索未来如何影响现在，但它受限于一种错误的世界观。从根本上说，不管设计出几个场景，面对世界的复杂性，都还是过于简单化。线性思维当然也可以努力增加自身的复杂程度，但无论线性思维趋向多么复杂，世界都不会有如其所愿的规则结构。我们需要的是非线性思维。