在《机器智能正在代替人类做的5件事》一文中，我们看到机器在不断创造新的奇迹。还值得注意的是，您可以而且应该采取一些明智的步骤来培养人机之间最牢固的伙伴关系。有复杂的技能支撑着产生未来力量的所有人类表现形式。机器可以模仿它们，但并不完美。本文讨论的5种能力是想象力、创造力、推理（归纳和演绎）和解决问题。01想象在准备第一次火星之旅时，NASA的工程师想出了很多新概念。美国宇航局的托马斯说，其中一个概念是可以指导宇航员进行紧急护理的紧急医疗系统。信号在地球和火星之间传输需要40分钟，如果宇航员在火星上受伤或生病，他们将无法实时咨询地球上的医生。因此，火星任务需要一个用于紧急护理的诊断和治疗系统，一个“口袋里的医生”。火星之旅受到负荷和能量的限制，任何一个方面都不能超过限制。不能背太重的东西，也不能像在地球上那样使用整个机房的计算资源。NASA有什么好主意？托马斯实际上还没有答案。但美国宇航局遇到的难题表明，人类的表现仍然优于计算机领域。完美的答案需要非凡的想象力。“这是一个数据科学问题，”托马斯说，“因为你有很多信息，但你没有抓住重点。”NASA不得不决定开发一个基于火星的系统，配备传感器和其他设备来监测宇航员和周围环境。NASA将如何挑选疾病进行有计划的护理？它需要一个可以处理各种情况的智能系统。长期的慢性疾病，例如感染，仍然可以由地球上的专家进行管理。必须在现场处理动脉出血等紧急情况。那么中毒等严重程度介于两者之间的问题如何处理呢？开发“掌上医生”等解决问题是人们的拿手好戏。计算机无法想象，至少不会在不参考原型的情况下提出新奇的想法。想象力不仅需要内插或外推，还需要创造力。计算机不会让会议室充满疯狂的、雄心勃勃的、有趣的、有远见的想法。人类的想象力是灵感和梦想的源泉。当人与机器一起工作时，您不必变得更聪明、更有想象力。你只需要对各种可能性持开放态度。例如，利用自动驾驶汽车带来的机会。当自动驾驶汽车上路时，司机们可以像在火车上、飞机上，甚至在客厅、餐厅或卧室里一样，悠闲地度过自己的时光。在这个高速行驶并连接到平行数字宇宙的居住单元中，人们将使用哪些娱乐、教育、食品或个人健康（如按摩）产品和服务？从实践的角度来看，想象力通常需要各种可能性作为提炼主题的原材料。如果您从事商业活动，您如何通过这个新主题获利？（提供与您汽车位置同步的国家地理频道式评论节目？）如果您在政府或第三部门工作，您如何更好地为您的人民服务？（您如何融合数据、算法和网络来创建这些新资产?你必须用新颖的概念、策略或愿景点燃你自己的想象力引擎来吸引注意力。这是你肩上的任务。想想大卫·罗斯在创建DittoLabs和之前的五家初创公司时所采用的富有想象力的方法。罗斯说他采用了一种久经考验的方法-并在Ditto的企业家中进行了测试。他想象机器智能的新兴力量如何应用于新的“问题空间”。这种灵感来自学术研究。“结果令人惊讶，”他说，“并且你可以从学术界挑选出具有深远影响的伟大技术和想法。”起初，罗斯注意到麻省理工学院的同事们一直在开发计算机视觉技术来解决识别等难题。自动驾驶汽车和无人机中的物体。计算机视觉只有在机器可以区分不同物体时才有效。即使对于视网膜扫描仪、指纹读取器和面部识别等无处不在的应用，区分不同的事物仍然是一个挑战。罗斯求助于计算机来识别最独特的图像类别：徽标和商标。Ditto就这样诞生了。该公司的成功在于认识到像素照片提供了一种新的非结构化数据流，机器可以将其转换为结构化数据。由此产生的新功能可以更好地回答营销人员感兴趣的许多问题。现在，Rose将“大数据”和“大照片”结合起来，有望加入“大情感”，这是Affectiva业务的主要支柱。这听起来像是一个幻想，但这就是重点。明天的领导力需要强大的想象力，而计算机的感知、记忆和组织能力将提供强大的动力。这种想象与过去的创新思维不一样。你必须使用幼儿园没有教过的概念，比如众包（让国际团队解决新问题）和将无形的情感信息转换成1和0的序列（Affectiva正在研究如何编码希望、灵感和挫折）。02创造你能创造出你想象中的东西吗？计算机离这个目标还很远。因此，创造力，即组装新型组件所带来的想象力，是使领导者在MathInc时代脱颖而出的第二个关键能力。创造不是执行现有计划，而是锻造构成计划的要素。它是关于如何使用流行的外包、网络和协作方法将愿景的组成部分落实到位。让我们来看看优步的情况。它的600亿美元市值并不是通过拥有和经营大量厂房和设备来实现的。它没有发明地图导航或授权信用卡支付。它不雇用司机，也不提供汽车。那么优步的核心资产到底是什么？它是大量知识产权的集合。在Mathematica，领导者的创造力有时被归结为设计好的解决方案，将企业、政府或非营利组织的专有机器智能资源连接成一个有凝聚力的整体。创造价值的秘诀在于数字资源供应商的整合，每家供应商都有一种方法可以让计算机在不合并硬件的情况下进行交互和组合代码。这创造了一种全球数据科学熔炉，具有丰富的深度和多样性。最近，数学公司使用应用程序编程接口(API)相互通信。API是秘密或在幕后交换数据的渠道，在公司之间建立强大的联系。尽管API只是技术发展的垫脚石，但它们可以在竞争对手和消费者的视线之外形成新型战略联盟。API使得即时、大规模的数据交换过程不再需要人工参与，各种信息可以在机构间共享和访问，只有机构自己知道如何使用这些信息。因此，机构可以做他们最擅长的事情，并专注于在组织生态系统中发展他们最具生产力和盈利能力的领域。创造不再是在你的地下室发明一种设备并申请专利以垄断利润，尽管这仍然是一个不错的主意。这意味着在世界各地的实验室中建立新颖的概念并分享它们以获取利润。如果你领导一家数学公司，你可以将日常运营融入到数学社团中，以提升公司的战斗力。在数学社会中，机构像今天的互联网设备一样相互连接。如果不能通过资产并购进入数学社会，也可以通过数字功能的整合建立联系。DittoLabs的Rose将当今的领导者视为API集合的管理员，就像他们现在在复杂的生产链中的买家和卖家之间切换一样。例如，Ditto既可以成为Affectiva的供应商又可以成为采购商，这两者都可以成为耐克和宝洁等大公司的供应商和采购商。如果一家公司可以将产品组件外包给实体供应链，那么它也可以将数据和代码外包给虚拟供应链。创造力来自找出最有利的生存方式。“你试图为客户提供他们重视的数据洞察力和交互性，”罗斯说。“客户不关心你的见解来自哪里。”在数据世界中挖掘新的用户体验。你不仅需要疯狂的发明家，还需要能够找出合适的时间介绍新事物的优秀沟通者。”创造的行为涉及思考如何在实体生态系统中互动，就像Uber为像Epi-demico这样的公司提供疫苗所做的那样。在机器智能时代，为保护私有财产而与外界隔绝可能会错失利用全球数字资源的机会，这是一个爆炸式增长的财富宝库。建立正确的组合意味着改变你的时间分配方式：花更多的时间与社区、与其他行业的同行、初创公司和大学实验室在一起。现在，机构比以往任何时候都更像是一个更大组织的一部分。要想成为一家数学公司的优秀领导者，就必须扩大公司与外界的联系，从而使自己的价值倍增。03&04推理：归纳与演绎现在我们回到起点：提出问题。这通常是你开始发展人类擅长的第三和第四认知能力的地方——归纳和演绎推理。归纳推理变得更加重要，因为它有助于您与机器积极互动以找到答案。这就是人机合作的闪光点，没有平行的数字世界，你会失去很多可能性。例如，美国中西部一家大型连锁医院（以下简称MedWest）的研究人员想知道他们是否可以阻止败血症发展到非常致命的状态。败血症是一种全身性感染，通常需要住院治疗。研究小组在过去几年收集了数千名败血症患者的电子医院记录。一些患者病情加重，发展为更危险的严重败血症，而其他患者则没有。医学领导要求研究人员回答一个关键问题：能否观察两组患者生命体征的差异并提供败血症恶化的早期预警？如果存在这样的警告，那将是一个重大突破，因为一旦患者发展为严重的败血症，治疗往往来不及防止患者死亡。研究团队将患者的病历汇总后，将患者的生命体征数据按时间顺序进行了整理。然后，他们使用一种新的分析方法来搜索生命体征随时间变化的模式。他们发现，在败血症患者开始恶化之前的几个小时内，他们的生命体征通常会以明确的模式发生变化。这是医生无法察觉的模式。研究人员立即开始在MedWest监测患者的这些变化，以便及早实施治疗方案并挽救生命。这就是归纳推理的力量，提出适合人类和机器回答的问题。作为领导者，您是这种力量的起点。有机器智能做助手，你提出问题，机器会帮你找到新的答案。您不会以理论偏见和偏见开始解决问题的旅程。您只需开始调查并一路开车到终点线，在那里出现的答案可以永远改变我们的生活。作为领导者，您提出的问题涉及所有方面：谁、什么、何时、何地、为什么。就默克而言，问题可能是谁在购买或使用这种疫苗？生产中哪些变量最不可控？工作日的什么时间会产生最高的批次失败？我们应该去哪里寻找异常？为什么周一生产的批次质量最高？从数据中，您了解公司生产线在全球供应和制造生态系统中的位置？基于这些见解，您如何着手做某些事情？想象一下，你是一名军事指挥官，正在制定作战计划。你必须从战略上考虑士兵、后勤、敌人情报和许多其他战争因素。当然，你的目标是赢得这场战斗，但胜利是需要付出代价的，你需要权衡各种利弊。你应该如何选择？你可以向机器寻求建议，它会加载一个反映实际战斗情况的模型，然后提供，比如25个选项，每个选项都是从你无法理解的复杂性中筛选出来的。在这种情况下，你想要的不是一个单一的最优答案，而是一台能够枚举你没有想到的选项的机器，从中确定当前情况下成本和权衡最优的解决方案。这就是人类和机器在机器智能时代如何紧密合作，以充分利用归纳法在调查中的力量。归纳推理最基本的方法是看事物本身，没有先入为主的理论告诉你你会从复杂的数据中发现什么。一旦你提出问题，让机器智能使用算法来提供答案。您提出的数据和模型问题反映了复杂系统的行为。此数据比您之前存储的数据要广泛得多。这些模型比您的大脑所能想到的任何东西都要复杂得多。只要您以机器可以回答的方式提出正确的问题，就会大大增加获得新颖有用答案的机会。关于数据有一句老话：垃圾进，垃圾出。问问题也是如此。糟糕的问题只会产生无用的见解。你问先有鸡还是先有蛋？如果这样做，您将得不到任何答案，因为您是在问先有鸡还是先有蛋的问题。相反，你可以问，在生物进化史上，卵生动物的祖先是什么时候出现的？站在几百万年进化史的角度发问，可以得到一些真实的可能性。这就是为什么作为领导者，您需要站在这个过程的顶端，以更广阔、更敏锐的眼光看待世界。您拥有可以信赖的工作和生活经验、观点和组织知识。正如苏格拉底所说，你过着“审视的生活”。带着审视的眼光和对未知事物永远好奇的心态，你提出了一系列关于重要行动的问题。随着你继续深入思考这个问题，你形成了一个独特的理论。这并不是说您一开始就知道确定的问题。你很少这么幸运。首先，您需要学习如何与数据科学家合作，以便将查询请求格式化为机器可以理解的格式。另一方面，如果您采用纯归纳法并接受意想不到的结果，则您无法对问题中的可能结果做出任何假设。关键是提出有价值的问题，这些问题将成为推动组织解决最终关键问题的引擎。如果归纳推理是通过观察发现真理，那么演绎推理就是通过实验验证假设。在归纳推理中，您从您认为可能的事物中得出推论。在演绎推理中，您从某些前提得出结论。在实践中，我们使用这两种类型的推理，但在某些圈子中，归纳推理因其间接的、非正式的特征而受到冷落。当您以新的方式与机器协作时，您可以使用这两种类型的推理做很多事情。两种推理方式交替进行，往往是解开复杂事物奥秘的捷径。这就是科学家的工作方式。一旦他们有了科学理论，他们就会转向演绎推理来寻找可以改变一切的问题。旧金山警方领导层希望进行更有针对性的巡逻，以减少汽车盗窃案。在数据科学家的指导下，他们查询了犯罪数据库，发现了三个汽车盗窃热点以及盗车最频繁的时间，大约晚上7:00。在一个星期六的晚上。在警方的帮助下，数据科学家发现主要热点被公园包围。于是一个新的理论诞生了：在城市里，公园的荒野地带是窃贼偷窃和撤退的最佳场所。这揭示了何时何地应该加强巡逻，后续的反馈数据可以检验“公园理论”是否是盗车巡逻方案的最佳答案。所以你可以看到，在人机协作中，人的直觉会带来更好的问题和更好的答案。直觉让你不假思索地想出一个主意，而机器耐心地等待着检验这个理论。05构建问题的解决方案机器奋斗的第五种能力，也是人类非常擅长的，是构建问题的解决方案。第一个挑战是确定问题本身及其构成。然后你决定如何依靠人机协作来寻找答案。同样，就像科学研究一样，确定问题和解决问题的方式与为取得巨大成果而付出的脑力劳动同样重要。在确定了如何构建、引导、发现和分析过程后，计算机就可以执行任务和数学计算。解决问题的方法有很多，准备开始的步骤也有很多。我们将使用什么数据？哪些算法最有用？将使用什么类型的建模方法？采取哪些合理步骤？尽管计算机是数学奇才，但它无法自行推断要执行哪些计算。这并不要求您成为算法专家，但您应该对算法可以做什么和不能做什么以及可以在哪里使用它们有很好的直觉。下面这个简单的例子展示了人类在与机器合作解决问题时所拥有的力量。在一家大型金融机构，我们的任务是找到一种早期发现欺诈的方法，以阻止大部分欺诈活动并帮助该机构收回资金。欺诈可以以数百种方式表现出来，并且由于事件数量之多和欺诈者移动的速度，在跟踪案件时可能很难跟上他们的行为模式。依靠10年积累的数据和400多个变量，我们试图对“恶意行为”进行建模，使其能够被检测到，以震慑未来的肇事者。我们改变解决问题的方式。我们不会问，“你如何模拟恶意行为？”，我们会问，“如果你也模拟良好的行为，它有什么帮助？”正如我们发现的那样，对遵守操作规则的好客户的特征进行建模，结合其他恶意行为模型，这将大大提高检测和预防欺诈的效率。这意味着在实践中，重点不应局限于个人交易，而应关注相似人群（例如，生活在相似环境和收入结构相似的人群）的共同行为模式。在“良好”行为模式的指导下，更容易发现令人担忧的异常行为并采取行动。“恶意”行为及其与良好行为的区别显而易见。根据这个问题，我们最终揭露了该机构涉及超过10亿美元的大型、范围广泛的欺诈事件。另一个解决问题的例子来自比较谷歌和特斯拉在构建自动驾驶汽车软件方面所采用的不同方法。谷歌使用数百万种道路场景来训练其模型，以确保驾驶程序能够预测和响应任何可以想象到的情况。它只在自己制造的汽车上安装软件，并使用自己的测试驱动程序。相比之下，特斯拉通过惰性车内自动驾驶仪测试，为其生产的每辆汽车都添加了自动驾驶仪，所有驾驶员都可以使用。特斯拉汽车中的一些软件可以帮助客户进行有限的自动驾驶。该软件的另一个功能是记录驾驶员的所有行为，对汽车没有任何影响，以便特斯拉不断积累数据，为未来实现全自动驾驶功能做准备。比较两种解题方式的结果：谷歌用了6年时间收集了100万英里的真实自动驾驶汽车数据，而特斯拉的7万辆汽车每10小时可以产生100万英里的驾驶员数据。谁将最先利用数据抢占下一个突破口？经验教训：你不能告诉计算机“提高我的表现”（或“改进我的汽车软件”）。您仍然需要提出问题并弄清楚如何构建它。就像人类相对于机器的其他优势一样，你会更擅长某些任务，你将需要进一步发展对人机协作至关重要的关键能力。如果您正在选择能力优先发展以确保成功之路拥有坚实的后盾，本文为您精心准备了一份入围名单。
