未來十年我們將看到全社會的生產力得到大幅提高！
當下，以人工智慧為代表的數字技術正在引發經濟、政治、教育和其他社會各個方面的革命性變化。但就如人類歷史上的每一次變革一樣，這種變化在創造難得的機遇的同時也不可避免的帶來了前所未有的挑戰。
在最近一次由斯坦福大學人本人工智慧（HAI）組織的線上會議上，斯坦福大學教授Erik Brynjolfsson闡述了其中的一些機遇和挑戰。
Erik Brynjolfsson
Brynjolfsson是斯坦福大學數字經濟實驗室的負責人，他認為在未來十年，人工智慧的使用將比現在廣泛得多。但它的採用也將面臨一個冷淡期，也就是眾所周知的J曲線。
“這項技術的能力和它已經在做的事情與我們如何應對之間的差距越來越大。而這正是我們社會所面臨的最大的機遇和挑戰。”Brynjolfsson說。
▍機器學習和更高的生產力
據Brynjolfsson說，由於一波強大的技術（尤其是機器學習）正在改變每個計算裝置和應用程式，未來十年我們將看到全社會的生產力得到大幅提高。
其中，計算機視覺（CV）方面的進展是最明顯的，特別是在影象識別和醫學成像等領域。得益於自然語言處理（NLP）和語音識別方面的進展，與手機、手錶和智慧音箱交談也已經變得愈加普遍。產品推薦、廣告投放、保險承保、貸款審批和許多其他應用更是從機器學習的進步中受益匪淺。
在許多領域，機器學習正在降低成本並加速生產。例如，大型語言模型在程式設計中的應用可以幫助軟體開發人員大大提高生產力，在更短的時間內取得更多成果。DeepMind公司最近公佈的AlphaCode正是這方面的代表。
在其他領域，機器學習可以幫助建立以前不存在的應用。例如，生成式深度學習模型正在為藝術、音樂和其他創造性工作創造新的應用。在電子商務等領域，機器學習的進步可以帶來商業模式的重大轉變，例如從“先購物後發貨”到“先發貨後購物”。
而突發的新冠疫情也陰差陽錯的加速了這些技術在不同領域的採用，包括遠端辦公、機器人流程自動化、藥物研究和工廠自動化。
“這場疫情非常糟糕，但它卻間接地加速了經濟的數字化，將原本需要20年的數字化壓縮到了大約20周內。”Brynjolfsson說。
▍J型曲線
“從歷史上看，當這些新技術出現時，它們並不能立即轉化為生產力。其間往往會有一個生產力下降的過渡時期，”Brynjolfsson說。“之所以出現這種現象，是因為各家公司和組織都需要從根本上改變業務流程和工作流程，共同創造新的產品和商業模式，並投資於人力資本。”
Brynjolfsson把這稱為“生產力J型曲線”，歷史上出現如蒸汽機、電力，以及最近的機器學習等通用性技術基本上都符合這一理論模型。而這些投資和變化往往需要幾年時間，在此期間，它們不會產生實際的效益。
Brynjolfsson說，在這個階段，公司正在創造“無形資產”。例如，他們可能正在培訓和重新培養他們的員工，以採用這些新技術；他們可能會重新設計他們的工廠，或者用新的感測器技術來利用機器學習模型；他們可能需要改造他們的資料基礎設施，建立資料湖（Data Lake），以便訓練和執行機器學習模型。
這些努力可能會花費數百萬美元（如果是大公司，則為數十億美元），但在短期內對公司的產出沒有任何改變。乍一看，似乎成本在增加，卻沒有任何投資回報。當這些變化達到轉折點時，它們會導致生產力的突然提高。
“我們現在正處於這個時期，我們正在進行很多痛苦的過渡、重組工作，有很多公司都在為此而奮鬥，”Brynjolfsson說。“但我們正在努力克服這個問題，根據我們的研究，我們已經接近底部，正在上升。”
▍向人工智慧轉型
不幸的是，適應人工智慧和其他新的數字技術並不是一條可預測的道路。大多數公司沒有正確地進行轉型，或者缺乏進行轉型的創造力和理解力。各種研究表明，太多應用機器學習專案都失敗了。
“大約只有前10-15%的公司對這些無形資產進行了大部分投資，其他85%-90%的公司都落後了，幾乎沒有進行所需的重組，”Brynjolfsson說。“這不僅僅是大型科技公司獨有的情況。在每個行業內，製造業、零售業、金融業、資源業。在每一個類別中，我們都看到領先的公司正在與其他公司拉開距離。業績差距越來越大。”
但是，儘管採用新技術是困難的，但與以前的技術進步週期相比，它正在以更快的速度發生，因為我們已經為轉型做好了準備。“有那麼一批人，他們可能在學界，也可能在工業界，可能是諮詢師，也可能是科技記者。他們恰好研究了哪些做法可行，哪些不可行。”Brynjolfsson說。
另一個可以提供巨大幫助的因素是實用化的機器學習和資料科學工具，這些工具可以處理和研究關於組織、個人和經濟的海量資料。
例如，Brynjolfsson和他的同事正在研究一個由2億個招聘資訊組成的大資料集，其中包括工作描述的全文以及其他資訊。使用不同的機器學習模型和自然語言處理技術，他們可以將招聘資訊轉化為數字向量，然後用於各種任務。
“我們認為所有的工作都是一個數學問題，我們可以弄清楚它們是如何相互聯絡的。”Brynjolfsson說。
例如，他們可以進行簡單的推斷，如根據兩個或更多的工作崗位的文字描述，推斷它們的相似性或不同性。他們可以使用其他技術，如聚類和圖神經網路，得出更重要的結論，如什麼樣的技能更受歡迎，或者如果你修改描述，增加Python或TensorFlow等人工智慧技能，招聘崗位的特徵會發生什麼變化。公司可以利用這些模型來尋找他們招聘策略中的漏洞，或者分析他們的競爭對手和領先公司的招聘決策。
“這些型別的工具就在五年前還不存在，我認為這是一場革命，就像顯微鏡或科學領域的其他一些革命一樣重要，”Brynjolfsson說。“我們現在有了它，社會科學和商業領域就有了這種可見性，使我們能夠比以前更快地進行轉型。”
然而，Brynjolfsson警告說，沒有多少公司正在使用這些型別的工具。這也許進一步證明了他之前的觀點，即企業還沒有想出正確的轉型戰略，而是依靠舊的方法來重組和適應人工智慧時代的到來。
