面對AI世代，我們該如何不被取代？ – TC-Sharing

AI世代-編者按：本文來自微信公眾號「解題者」（ID：fantastic_fox），

作者：肖璟，連續創業者，曾供職於麥肯錫金融機構組、Google等，著有暢銷書《風口上的豬》。

前天晚上，狐狸受邀去參加了Linkedin中國和IBM的一個A.I主題報告發布活動。

中間有一個環節蠻有趣的——

主辦方邀請《奇葩說》的辯手們討論一個辯題：「職場人士，是否需要恐懼A.I.？」

雙方唇槍舌戰，甚是精彩，最後王強老師得出個結論：

無論恐懼不恐懼，如果不想那麼快就被A.I.取代，我們需要積極迎接變化，才能保持自己的競爭力。

那麼問題就來了，身處A.I.時代，我們要保持競爭力，該從哪方面下手呢？

01 未來該發展哪些核心競爭力？

要回答這個問題，我們要先看看，你究竟是和誰在競爭？

你的競爭對手有可能是其他人，也有可能是A.I.。

我們一分為二來看好了。

1、與其他人的競爭

胡漸彪老師提到：A.I.技術讓人與人之間的能力差距在縮小——

比方說老司機，過往有經驗的司機師傅之所以牛X，很大程度是因為他們認路。

而導航APP普及後，老司機們的這個優勢也就不復存在了，跟新手司機也沒啥大區別了。

「老司機」們的優勢確實會逐漸喪失。

不過人與人之間還是會有能力層面的差距，只是這種差距會慢慢體現在其他方面——新技術的應用能力。

叢林法則還是起作用，環境變了，適合生存的能力不一樣罷了。

每次技術迭代，技術都會改變我們所處的環境，進而改變了人與人之間差距所在的維度。

比方說攝影，過往牛X的攝影師要精通暗房洗照片那一套，

而現在，正片負衝啊什麼的，一個濾鏡按鈕就搞定了。

攝影的核心競爭力變成圖像處理軟件使用的熟練度。

在A.I.時代，我們與其他人的競爭自然也變成了A.I.操作能力的競爭，誰用得熟練，誰自然就有競爭優勢。

當然，除了與其他人競爭，有可能我們還要跟A.I.競爭——

2、與A.I.的競爭

如果哪天A.I.可以自主運行，那人類是不是就要丟飯碗了？

被A.I.替代似乎不是距離我們很遙遠的事。前段時間看到一個新聞，

投資銀行Goldman Sachs的紐約辦公室原來的600多個交易員現在只剩下兩人，

起因是他們研發了一套自動交易算法。

是不是很有危機感？那，有沒有哪些核心競爭力是人類獨有、A.I.取代不了的呢？

別擔心，還真有。

A.I.的定位是人類大腦的外包，用來解放我們的腦力勞動、代替我們思考。

而回歸A.I.目前的發展，大部分的應用僅僅是在思考速度上完虐人類。

但在思考質量上，A.I.還遠沒有達到人類水平。思考質量其實就是思考的等級。

類比一下，就像你玩角色扮演遊戲，你的攻擊速度是別人的100倍，

但你一次只能造成1點傷害，對方一次攻擊能造成10000點傷害，

這個1與10000的區別，就是質量上的差別，你的速度再快也會被對方秒殺。

比如人類和猩猩就有思考質量上的差別——人類大腦有些獨特的認知模塊，

讓我們可以用複雜的語言溝通、讓我們可以做抽象思考。

猩猩則沒有這些模塊，就算把它們的思考速度加快到超越人類數倍，他們還是無法理解抽象概念。

那，思考質量最重要的是什麼？

我們不妨先看看思考流程圖，思考一般分為歸納（induction）與演繹（deduction）兩種——

歸納過程是輸入階段，決定思考質量的是提煉能力；

演繹過程是輸出階段，決定思考質量的是應用能力。

輸出後你會得到反饋，反饋又會成為你的輸入，形成一個閉環。

接著，我們便來詳細介紹下這兩種A.I.短期內無法替代的能力。

提煉能力

當你把外部資訊內化（internalize）為自己的一部分時，勢必要經歷歸納的過程，

而提煉能力往往決定著你歸納結果的質量。

我們可以一步步把數據提煉為信息，把信息提煉為知識，再把知識提煉為智慧。

上述例子省略了部分補充論據，僅供示意

A.I.也可以做到提煉。比如用數據挖掘（data mining）的方式從大量數據中提取信息，

但提取出來的只是信息和知識，還沒辦法達到智慧的層面。

如果說從數據提煉信息、從信息提煉知識可以幫我們do things right，

那麼從知識提煉智慧可以幫到我們的是do the right things。

應用能力

說完歸納，我們來聊聊演繹。

演繹過程中對已有知識的應用並不難，難的在於舉一反三的應用能力。

在麥肯錫工作時，一開始我做的大多都是金融機構組的項目，積累了不少金融行業的方法論。

而後做房地產等其他行業項目時，發現很多方法論其實跨領域也是相通的。

而且金融行業的一些常見方法論，卻不是其他行業從業者所熟悉的，舉一反三往往可以出奇制勝。

而聰明人往往可以在多個領域都做到極致，舉幾個跨界的案例：

比如好友S，他總是自詡為「學會計裡頭最懂產品的（在美國出版過一本產品書籍），

學產品裡頭最懂技術的（任職某投行CTO），學技術裡頭最懂會計的」…

再比如《思考，快與慢》的作者Daniel Kahneman，

本職是普林斯頓大學的心理系教授，卻獲得了諾貝爾經濟學獎…

還有最著名的跨界人士達芬奇，擁有一堆抬頭：畫家、天文學家、發明家、建築工程師…

舉一反三的應用能力仍是人類思考質量上特有的，A.I.暫時還做不到。

稍微總結一下，身處A.I.時代，我們在面對其他人的時候，核心競爭力應體現在A.I.操作能力；

我們在面對A.I.的時候，核心競爭力應體現在提煉能力與應用能力。

搞清楚了我們該往哪些方面努力後，我們來看看下一個問題：

02 如何提高核心競爭力？

針對前述的三個能力，我也有一些落地的方法可以分享給大家。

1、操作能力

A.I.操作能力屬於技能的一種，而技能的評價標準是熟練程度。熟練程度與使用程度成正比。

換句話說，越早用A.I.的人、用得越頻繁的人自然就越用得越溜。

這不得不提Everett Roger的創新擴散理論：

根據該理論，不同的人接受創新的速度是不一樣的。

不懂A.I.技術的我們或許沒法成為那前2.5%的創新者（innovators），

但我們可以保持好奇心，盡可能成為早期使用者（early adopters）。

個人覺得在這方面有3點可以做的：

一是多看看科技博客：TechCrunch、36氪、鈦媒體、PingWest等等；

二是多更新硬件設備：不特指A.I.設備，比如不少人總會買最新一代的iPhone，

甚至去kickstarter等眾籌網站買一些創新硬件；

三是多和技術領域大牛聊天：看看最近圈裡有哪些新的技術趨勢。

2、提煉能力

對於很多人而言，讀書的效果並沒那麼立竿見影。

套用前述的DIKW金字塔，這完全是因為，大多人讀書時，

對於資訊的接受還停留在數據和信息層面，壓根都沒有往知識或智慧的層面提煉。

而提煉能力，是可以通過知識內化練習提高的。

這個練習分3步：

步驟1：讀書

可以適當地通過讀書筆記記錄重點內容。

步驟2：複述

我們讀完書、聽完課後，可以嘗試用自己的語言複述你學到的知識架構和主要觀點。

可以對著鏡子自己複述，也可以對著你的朋友。

步驟3：內化

聰明人往往有自己的既有知識體系。

他們可以很快地把新接觸的信息、知識內化為自己知識框架裡頭的一個分支。

在內化的過程中，如果發現所學的新知識與既有知識體係有衝突，需要進一步辯證地思考、判斷。

不斷重複「讀書 – 複述 – 內化」這個知識內化過程，便可以鍛煉你的提煉能力。

3、 應用能力

分享1個簡單的鍛煉應用能力的方法——解題訓練。

這是前幾天和好友Z一起吃飯，他分享的方法。

他每天飯後會抽1到2個小時做這個思考訓練。

一個人找個空曠的地方散步，選擇一個自己以前從沒系統性思考過的問題，

不一定和自己的工作相關，可以是跨行業的，也可以是生活方面的。

我寫的「解題者」Problems系列文章其實也是一樣的思路。

畢竟，你很少會看到一個諮詢出身、做互聯網金融的人，

用純理性思維寫情感類文章，而且還在知乎被一堆人諮詢情感問題。

稍微回顧一下，以下是我們的競爭力發展方法總結：

接下來的部分我要開開腦洞，如果對人工智能不感興趣的朋友們歡迎直接跳過。

我不懂人工智能技術，以下內容僅供開腦洞，不喜可噴。

03 A.I,的思考質量有可能赶超人類嗎？

人工智能被分為3種。

大家不難發現，前面的討論其實我們都沒有跳出弱人工智能範疇。

不過根據科學家預測，2040年前後強人工智能就有可能會實現。

那麼，如果人工智能的思考質量真的赶超人類，達到強人工智能甚至超人工智能，那會有怎樣的可能？

可能性1：與A.I.的融合，邁向永生

其實我更願意相信我們會跟A.I.融合，變成像《攻殼特工隊》裡頭的半機器人。

先別忙著抗拒，其實我們現在已經算是半個機器人了。

你想想，現在我們每天的生活離得開手機嗎？

你需要用它來導航叫車、點外賣、查餐廳位置…手機已經變成你身體的一部分，其實你就是半個機器人。

隨著我們慢慢的AI化，未來我們可能會變成像《超驗駭客》（Transcendence）裡的Johnny Depp那般，

變成了完全的AI，可能會有另一個可怕的結局可能會出現——統一意志。

這也是不少科幻作品對人類社會最終形態的一個解答。

我們的輸入是人類社會能接觸到的所有信息，我們的邏輯是求解最優解的統一邏輯。

輸入一致、計算邏輯一致，輸出自然也會是一致的。

可能性2：滅絕？

這麼負面的可能性我就不多說了，這裡推薦《為什麼有很多名人讓人們警惕人工智能》。

是不少哲學家關於這個可能性的思考，引人深思。

參考文獻/推薦閱讀

[1] Tim Urban, , Waitbutwhy, 2015

[2] Jennifer Rowley, , 2007

[3] Everett Rogers, , 1962Problem

原文出處