让我们来看看人类认知能力的所有特征。我们首先将Fleishman的21种能力整合为两组，每组有5种能力。与一组能力相关的工作已经或即将被机器接管，而人类则主宰着另一组能力。请注意，尽管一些未来主义者声称计算机将完全取代人类，但仍然有一个充满挑战的世界等待您去征服。你的长处是什么？机器智能优势：理解和表达感知细节和模式数字处理记忆记录和组织人类思维优势：想象力创造演绎推理InductiveReasoningBuildingSolutionstoProblem合并简化并省略了原作中的“空间定向”和“可视化”。这个清单并不严谨，我们毕竟不是心理学家，但我们用它来说明我们对领导者未来脑力工作要求的设想。假设你在几十年前创办了一家初创公司，并找到了一个在能力上与你互补的合作者，这样两人团队就具备了所需的所有思维能力。也许你们中的一个擅长左栏中的技能，而另一个擅长右栏中的技能。请注意，这两组能力与“左脑”思维和“右脑”思维的概念没有必然联系。我们相信，左栏技能的伙伴可以从今天开始逐渐退休，因为未来几乎所有的人类价值，都是由右栏技能的伙伴创造的。巨大的变化即将到来。领导如此，工人也不例外。今天，许多坐在屏幕前进行数字和文字处理的白领很快就会发现手头的所有工作都交给了聪明的算法。在发达经济体中，服务业创造了大约80%的就业机会，而这些工作中的大部分都需要左栏中的技能：听、说、读、写、感知细节和安排任务步骤等。机器很快就会接管所有这些任务。牛津大学的CarlBenediktFrey和MichaelOsborne于2013年发表的一篇论文发现，美国47%的工作目前离被机器取代只有一步之遥。会计师、律师助理、技术作家、专利代理人和放射科医师都可能追随总机接线员的脚步。一直依赖卓越的左栏技能的领导者也是如此。仅在美国，失业人数就可能上升到数千万。是否会出现一种新的班级类型来弥补这一不足还有待观察。因此，计算机技术的演进要求我们重新审视人类应该培养哪些有价值的认知能力。我们曾经认为人类的智能是独一无二的，而现在，更智能的机器将接管一些我们认为不是机械的工作。在物流配送、在线广告和某些医疗诊断等复杂任务中，机器已经成为更好的决策者。在这类工作中，一生积累的经验可能无法与机器相提并论（除非你是一位才华横溢的专家）。与典型的组织变革不同，重新分配工作职能的过程可能很快。机器在计算速度、复杂问题解决以及结构化和非结构化数据处理方面已经跨越了更高的标准。由此产生的变化将以互联网的速度到来，比公司和大学对人员进行再培训的速度要快得多。因此，您面临的挑战是重塑智能领导者的模型。面对高度智能的机器，如何构建人机协作模型，才能让自己拥有强大的智能？在研究这个变化之前，我们先看看左栏中列出的各种能力。它们属于机器较新的认知领域：理解和表征、细节和模式的感知、数字处理、记忆、记录和组织。机器逐渐展现出超越人类局限的思考能力，我们不能再相信过去的成功公式。我们必须确定如何构建人机智能，以释放高水平的战术和战略创造力，从而有效地领导业务。01理解和表达当飓风、地震或洪水袭击美国时，联邦、州和地方各级的应急响应机构会立即采取行动。在大多数情况下，在整个危机期间，工作人员会在数小时内提交有关进展、问题和反馈的“事后报告”。一份份价值无穷的深度报道陆续传到领导面前。当然，没有人能真正在危机期间坐下来研究所有报告。但是，需要有人全面掌握危机动态和优先事项。即使在危机结束后，也需要高性能的大脑才能充分了解危机的细节并从中发现关键点。对于不再需要坐下来逐字逐句阅读信息的领导者，自然语言处理如何改变了世界？机器可以阅读报告并迅速将问题定位为程序混乱、人员短缺、设备缺口或物流瓶颈，这些瓶颈使领导者的快速理解能力相形见绌，这将带来哪些变化？在各种复杂、混乱、多变的情况下，机器能准确找到解决问题的关键点，比领导者更快。问题的复杂性和不间断的信息流都不是机器处理的障碍。数据科学家用在类似危机中发现的模式训练计算机，然后计算机读取每份新存档的报告并相应地发出警报。在实时总结复杂事件中的关键事实时，机器会忽略琐碎和无关紧要的事情。此外，机器的这种能力还可以帮助领导者应对其他突发事件，无论是金融危机的爆发还是全球流感的蔓延。Healthmap.org网站不断从社交媒体上以15种语言抓取非结构化文本。机器搜索讨论疾病的文字，一旦找到相关词，如“发烧”或“荨麻疹”，它就会在地图上标记相应的位置，表明疑似爆发。他们的一些编程逻辑对人类来说非常简单：忽略不相关的短语，例如“redlikealobster”和“cabinsickness”。但依靠这些简单的排序和过滤规则，机器可以及时提供自己的见解。他们粉碎了人类难以触及的复杂性，每小时刷新一次疫情分布图。口头和书面的理解和表达，一项关键的人类技能，正在被转移到机器上，而且这一趋势是不可逆转的。可以肯定的是，机器很难理解和表达语言中的细微差别，更不用说隐喻、典故和情感了。机器不太可能成为鼓励学生热爱文学的教育工作者，至少在不久的将来是这样。但如果仅限于日常表达，机器可以在一系列工作中表现更好：响应技术支持中的全文查询、查找历史案例以提起诉讼、分析专利和评估侵权行为。长期以来，理解和使用语言一直被认为是人类区别于动物的能力。令人惊讶的是，今天它已经无法区分人和机器了。如果你是一位具有出色理解力和表达能力的领导者，你可能会感到受到威胁。这对你意味着什么？将处理和生成语言的任务交给机器，是因为机器可以以更低的成本实现更高的准确率，可以承担更大规模的任务。人们依靠机器提供的这些功能来解放自己。在你摆脱阅读随意、琐碎和无关紧要的文字后，你可以专注于重要的事情并开始行动。您还有更多时间投入到关键任务中，例如向他人解释您的发现是什么、它为什么重要以及它如何驱使您完成必要的任务。你仍然需要在更高层次上进行沟通，更专注于说服、谈判、积极倾听和充满激情的愿景等任务。02感知细节和模式机器感知细节和模式的能力有了突飞猛进的提升。DittoLabs提供了一个很好的例子。伊利诺伊大学芝加哥分校在其医疗保健工作中使用Ditto的硬件和计算机视觉处理程序。该大学的健康研究与政策研究所将来自Twitter和Instagram的照片输入图像识别程序，以跟踪吸烟行为的趋势。研究人员没有使用问卷，而是从人们日常习惯的照片中收集数据。他们在照片中发现了一个醒目的图案。年轻人买细雪茄（小雪茄），切开，将烟草与大麻混合，用烟叶卷起来。这些信息帮助健康教育工作者认识到年轻人对尼古丁上瘾的新方式，将其包裹在烟叶中。随着研究人员详细阐述他们的新发现，他们知道如何微调吸烟警告并衡量其在改善社会公益方面的有效性。另一个例子来自默克公司，该公司是全球领先的医疗保健公司，生产人类疫苗。疫苗生产包括很多步骤：培养酵母、搅拌、发酵、提纯等，生产过程千差万别，一旦出了问题，整批疫苗都要扔掉。公司分析每个生产步骤的技术，以找到最大化产量的方法。生产首席信息官MicheleD'Alessandro表示，疫苗生产是一个类似于啤酒酿造的生物过程，生产经理掌握着生产线上的大量数据。这实际上是数以千计的传感器收集了10年的数据。其来源包括车间生产流程和工厂设备维护，以及每分钟测量的气压和温度等建筑环境参数。生产经理可以单独检查每个数据集。但没有人能一次性评估整个生产过程，因为较早的生产步骤会影响后面步骤的成功与否。这意味着，在漫长的疫苗生产过程中，没有人能够准确定位导致部分批次产量低的失败步骤。由于无法识别模式，整批疫苗经常被丢弃。现在，随着新的机器智能工作的出现，这种情况正在发生变化。制作团队利用数据科学进行大规模分析，整合分析了总计5TB的数据，消耗了150亿次计算，进行了超过550万次的批次比对。然后，他们使用“热图”来显示与高产量和低产量相关的数据集群。专家可以查看热图、提出更改建议、修改预测模型并执行更多分析。“这样做的美妙之处在于，我们可以在单一环境中集中所有数据并分析复杂信息，”D'Alessandro说。结果？他们发现了导致疫苗缩小的具体特征和生产步骤。最初的怀疑对象往往是无辜的，例如原材料。其他因素是罪魁祸首，例如发酵元素。产量、生产力和速度的大幅提高来自于以广阔的视角看待问题和寻找模式。“我们现在反过来将研究的改进纳入商业化过程，”D'Alessandro说。这些变化一旦实施，公司每年将在疫苗生产过程中节省大量资金，保护更多生命。“这个实验导致了一个假设：如果我们可以从整个生产工厂收集所有数据，”她补充说，“就可以让人们在数据中寻找模式，而不必从一个明确的问题开始，他们会发现一些有趣的结果。”D'Alessandro无法透露默克改进的细节，但她表示公司迅速扩大了视野。2016年12月，在新加坡建成首个全厂分析系统。单个仪表板显示来自生产、平板电脑制造、包装、质量、仓储、运输等的实时传入数据。公司不希望总是在问题出现后尝试解决问题，而是希望从逐渐清晰的模式中预测将要发生的事情。“在工厂中实施主动生产智能并不是被动的。”她说，“我们需要随时查看数据，而不是等到出现问题，这是与以往的主要区别。”有时，感知能力用于从历史数据中识别已知的故障模式。有时它用于发现未知模式。复杂系统的挑战是在噪声中找到有意义的信号。对于人类来说，信号通常要么难以辨别、伪装，要么处理起来太耗时，但这正是机器学习的闪光点。计算机认真检查每一个细节，不忽略一个字节。有两种类型的机器学习。向计算机展示难以理解的复杂数据，并让它使用算法在其中寻找模式。这称为“无监督学习”。反复向计算机展示已知复杂模式的真实示例，例如心脏图像，将学习这些模式并识别新案例。这称为“监督学习”。算法会根据数据中某些特征的存在与否来解释它所看到的内容，并且它所看到的信息甚至比有洞察力的人还要多。想象一下，如果机器智能可以用于欺诈检测。伯尼·麦道夫(BernieMadoff)策划了一个简单的庞氏骗局，策划了我们这个时代最大的金融诈骗案之一。世界级的骗子，精通诡计，却用的是一种古老而传奇的手段。尽管对于全球金融体系来说，他的阴谋诡计是可以察觉的，尽管就像隐藏在大海捞针中的绣花针。如果有人从历史上所有的庞氏骗局案例中提取数据，用它来训练机器，然后用那个算法来检查世界各地的金融交易，会怎样？机器在识别细节和噪音模式方面远胜于人类。人们很容易迷失在纷繁复杂的细节中，但无论骗子如何巧妙地编制会计报告，无论他的举止、微笑和拥抱多么值得信赖，机器都不会被骗局的表象所迷惑。当机器时刻监控着世界上的庞氏骗局时，下一个麦道夫不可能骗这么久，也不可能从投资老手那里拿走这么多钱（麦道夫案骗走的金额是200亿美元）。当你将模式识别的任务委托给一台机器时，你当然不想盲目地相信它。机器和人类一样，也有弱点。您需要密切关注机器的工作方式，才能完全信任它的工作。随着机器不断取得成功，它变得越来越可靠。机器可以提高人们模式识别效率的一种方法是最大限度地减少偏差。诺贝尔奖获得者丹尼尔·卡尼曼解释说，人们常常陷入“财产替代”的偏见。面对复杂问题时，人们习惯于用更简单的经验法则来加快分析速度。这种做法非常普遍，以至于即使经验法则在很大程度上与实际问题不符，我们也经常根据完全错误的模式做出决定。如果你习惯于“知道”你专业领域的答案，你会逐渐发现自己的立足点越来越不稳固。我们很难谦虚地承认机器在模式识别方面的优势。但随着时间的推移，当你看到机器经常得出截然不同的结论时，你不得不开始怀疑自己的判断。是时候解放你的思想了。当然机器也会有偏差，因为数据科学家在写算法的时候可能会带来自己的偏差，但是机器本身只会对1和0的序列进行无差别的处理。澄清一下，计算机不知道模式的“原因”。他们没有人类的好奇心，他们不会问：“原因A如何导致结果B？”他们可以学习、推理并有精确的记忆，但他们不明白因果关系。因此，了解业务系统的因果关系并制定发展战略仍然是人类的工作。尽管如此，人们还是应该警惕用轶事和花言巧语来说服人们的司空见惯的做法，使人们很容易相信他们的主张。（想想麦道夫的案例。）03数字运算领导者越来越希望机器处理的第三种能力是数字运算，不仅仅是电子表格中的数字，还有需要大量计算才能得出的值。这听起来很容易理解，但让我们从一个关于这一重要趋势的故事开始。美国联邦航空管理局(FAA)希望提前数周甚至数月更准确地预测航班延误。听起来不太可能，但航班延误实际上是由一系列因素引起的，这些因素早在起飞前就在复杂的航班调度系统中显现出来。根据技术经理凯文哈顿的说法，美国联邦航空局依靠一个简单的模型来根据实际起飞时间预测飞机抵达时机场的繁忙程度。如果您着陆时机场太繁忙，交通管制员将延迟航班起飞。有什么问题？“如果预测算法输入了错误的起飞时间，”哈顿说，“系统的响应计划可能是错误的。”起飞时间不会准确输入系统。在一个长时间运行的模型中，如果飞机没有准时起飞，计算机只会将起飞时间推迟五分钟，如果继续延误，则再增加五分钟，依此类推。“它非常粗略，与现实非常不同，”哈顿说。如今，美国联邦航空局正在推进更宏伟的蓝图，希望实现控制更大空域、更多航空公司，甚至无人驾驶飞机的愿望。为了安全地管理不断增长的空中交通，美国联邦航空局需要从完全依赖预先安排的航班时刻表过渡到使用卫星导航来管理开放空间。这个新系统将彻底改变空中交通管制。显然，单靠简单的模型无法解决大量飞机在天空中飞行的复杂问题。在航班延误问题上，美国联邦航空局使用更快的处理器、并行计算技术和基于云的高级统计技术来处理大量计算。为了揭示其背后的复杂规律，FAA使用了贝叶斯信念网络(BBN)。贝叶斯信念网络看起来像一个由关节和连接器连接的拼凑玩具的框图。其中关节代表影响系统的因素，例如美国联邦航空局的天气。因素之间相互作用的强度由连接器表示。整体网络结构显示了导致延迟的各个因素及其与其他因素的关联。当数据科学家运行模型时，他们使用方程式来计算每个因素影响其他因素的概率。“混沌理论表明，初始状态的微小变化会对后续事件链产生巨大影响，”哈顿说。“我们的模型追踪了整个事件链。”影响航班延误的因素包括飞机清洁、行李装载、以及机组人员问题、重型航班和恶劣天气。因素之间可能直接或间接相关，这反映在计算中。FAA项目团队结合涉及四种不同算法的机器学习计算和专家意见，最终确定了BBN中的所有概率。（是的，专家仍然很重要。）理解关系网络是令人难以置信的。即使对各种系统范围的联系有很好的“感觉”，也不可能掌握它们所产生的全部影响。“BBN的美妙之处在于它不需要人们去思考是什么导致了延误。机器学习算法可以推断出哪些因素是相关的，”哈顿说。“它可以识别我们没有注意到甚至没有意识到的模式。只要它有足够的计算能力来完成所有的学习。”估计计算量。假设每个因素只有两种状态（例如，开和关），要计算航班延误的概率，要考虑的因素组合达到2的次方，其中n为模型中的变量个数，本例中的模型包含47个变量，因此概率的可能取值个数多达140万亿左右。利用机器的力量做数字运算是大势所趋，这对于寻找数据驱动答案的领导者来说更为迫切。thumb.在FAA，项目组把计算资源投入到一个5年积累的5200万次飞行的数据样本上，这些样本包含525万行数据，实际计算比想象的要难due不干净的数据。需要贝叶斯信念网络，因为它们可以估计各种复杂情况下的缺失值。机器不断学习，比最有经验的领导者更快地推动进步，这不是通过经验、直觉、专家顾问等，而是由于最近机器智能的巨大进步。它在寻求真理的过程中没有先入为主的想法，这是它的优势之一。“当你从原因着手时，你只是直觉地注意到可能导致延误的事情，而你忽略了与飞机老化或芝加哥雷暴等明显原因无关的所有其他因素，”哈顿说。在航班延误问题上，贝叶斯信念网络击败了过去使用的更先进但更简单的统计模型。它可以预测从起飞前几天到即将起飞那一刻的大时间跨度内航班延误的概率。即使无法访问全面的空中交通流量管理数据，BBN也可以在缺少数据的情况下做出更好的预测。04记忆力领导者需要重新思考的第四种人机协作能力是记忆力。当今机器的性能是不可否认的，但它们在检索未标记和无组织的数据方面不如我们想象的那么好。他们还要求我们提供搜索的上下文，否则很难获得有用的信息。机器还有很长的路要走。然而，许多拥有美好记忆的伟大领导者并没有意识到即将到来的变革范围。当我们开始详细记录整个内容和上下文时，机器的记忆力会越来越像人类。他们将提供更全面的决策支持，不断帮助我们降低不确定性和不可量化的风险。这意味着你的决定将更少地依赖于你自己的记忆，而更多地依赖于描绘复杂现实的整体图景的机器所汇编的事实和经验。如果您可以通过无差错、类似机器的访问方式访问整个机构的集体记忆并即时做出决策，会怎样？我们在体育运动中看到了这种类型的决策。球队现在收集更多数据，教练根据多年积累的球员、比赛和球员表现数据，根据机器预测精心制定计划。想象一下你正在玩一场棒球比赛。第九局下半，垒满人，投手面对新击球手。哪种投球组合最有可能导致击球手双打并结束比赛？机器可以回忆起每一个细节。运动中的可穿戴技术也指明了使用机器和详细数据来帮助运动员提高水平的方法。机器可以检测出优秀培训师无法察觉的细微动作。当击球手直接将球击入角球时，左外野手的反应速度有多快？他的反应时间比去年有所下降吗？90次投球后，他的投球情况如何？他的动作幅度、踢球动作、射门方式是否显示出疲劳？新的视频技术可以追踪球员的移动、方向、速度、距离等数据，借助机器智能，教练可以为球员制定个性化的训练计划，帮助他保持巅峰状态。机器记忆让许多领导者处于尴尬的境地。当然，记忆力强的领导者在即时快速分析方面总是比机器更有优势。这个优势还是很有价值的。当需要预先确定时，您无法击败机器。这也解释了为什么提问对于领导者来说将成为比在一堆现成答案中寻找解决方案更重要的技能。05记录与整理领导者需要重新考虑的第五种人机协作能力是信息的记录与整理，尤其是信息的收集、分类、按规则排序。考虑在电子表格中填写单词和数字的简单任务。今天，机器学习非常擅长这类工作，它已经在很大程度上取代了人类劳动，并将继续在更多任务中将人类甩在后面。麻省理工学院创业公司的另一个优秀案例——Affectiva，与Ditto的实验室相邻。Affectiva通过处理视频和静态图像来追踪人们对服务和产品的情绪反应。专家们首先让机器学习识别与15种核心情绪相关的面部表情。他们使用1970年代开发的人类分类系统，对数十万张照片中的惊讶、厌恶、关注、困惑和愤怒等面部表情进行编码。面部肌肉的收缩和位置揭示了不同的情绪。然后，数据科学家将图像的像素数据输入算法，该算法告诉算法根据扬起的眉毛、皱眉、微笑和噘嘴等因素对情绪进行分类。计算机可以很容易地检测到嘴巴、鼻子和眼睛周围肌肉的变化。事实证明，面部表情的模式在全世界都是一样的（至少在Affectiva使用的照片所在的75个国家）。情绪表现的程度不同，但类型不同。通过Affectiva创建情绪编码算法，机器可以自行评估情绪反应，预测病毒式营销目标是否会实现，并优化产品改进以覆盖尽可能多的受众。这使得Affectiva能够为公司提供新型信息，例如客户对其产品的热情程度。换句话说，广告商可以衡量人们对其广告最基本的反应。电影制作人可以衡量观众在电影的不同镜头中的情绪变化。当制片人发布预告片时，Affectiva可以记录观众的反应，分析数据，找出最能打动观众的镜头，然后为制片人提供深入的见解：如何剪辑电影，让观众更好地沉浸在剧情中间。Affectiva的技术可以应用到什么程度？视频游戏公司FlyingMolluskStudio已将Affectiva的技术整合到视频游戏Nevermind中。在游戏中，玩家在精神病院的病房工作，帮助病人从压抑的记忆中恢复过来。通过网络摄像头，游戏可以感知玩家的恐惧程度，并相应地调整难度。我们看到了新的应用，其中机器收集和组织数据的能力远远超出了原来的界限。这项技术的应用将超越营销和娱乐，从根本上改变教育、健康和机器人技术。在组织信息时，机器不必像大多数人那样遵循特定的“规则”来对信息进行分类。相反，它们通过与数据中发现的模式的匹配程度来匹配信息，不仅速度快，而且它们可以做人类做不到的事情。
