第2章 廉价改变一切

所有人都已经，或者即将迎来自己的人工智能顿悟时刻。我们习惯了媒体上充斥着“新技术即将改变生活”的报道。虽然我们中有些人是技术爱好者，欢庆着未来的无尽可能，另一些人是技术恐惧者，哀悼逝去的美好时光，但几乎所有人，都太习惯技术新闻不断敲响的鼓点了，以至于近乎麻木地念叨着，“唯一不变的就是变化本身”。直到我们迎来自己的人工智能顿悟时刻。然后，我们意识到这次的技术有些不一样了。

2012年，一些计算机科学家经历了他们的人工智能顿悟时刻。当时，多伦多大学的一支学生团队在可视物体识别大赛ImageNet中以优异的成绩胜出，第二年，所有的决赛队伍都采用了当时还很新颖的“深度学习”法参与竞争。物体识别不仅仅是一场比赛——它能让机器“看见”。

2014年1月，一些技术公司的首席执行官经历了他们的人工智能顿悟时刻。他们看到头条新闻上说，谷歌刚刚花了6亿多美元买下了英国初创公司DeepMind。尽管相较收购价格，这家初创公司创造的收入微不足道，但它展示了人工智能在独立自主且未安装预设程序的情况下学会了玩雅达利电子游戏，并且获得高于人类的成绩。

那年晚些时候，一些普通人经历了他们的人工智能顿悟时刻。他们听到著名物理学家斯蒂芬·霍金（Stephen Hawking）着重解释道：“……文明能提供的一切，都是人类智慧的产物……人工智能的成功发明将成为人类历史上的最大事件。”

还有些人在第一次乘坐高速行驶的特斯拉时，经历了自己的人工智能顿悟时刻。他们将手从方向盘上松开，让汽车依靠自动驾驶仪（Autopilot AI）在车流里穿梭。

中国政府经历了人工智能顿悟时刻：全国上下目睹了DeepMind公司开发的人工智能围棋软件AlphaGo（阿尔法狗）在2016年击败韩国围棋选手李世石，并于次年击败全球排名第一的中国棋手柯洁。《纽约时报》将这次比赛形容为中国的“斯普特尼克时刻（Sputnik moment）”。正如苏联发射人造卫星“斯普特尼克号”使得美国大力投资科研，中国对这一事件做出了类似反应，制定了到2030年占据人工智能世界领先地位的国家政策，并对此给予了财政支持。

2012年，我们自己也经历了人工智能顿悟时刻：当时我们观察到，采用最先进的机器学习技术、向颠覆性创新实验室提出申请的人工智能初创公司的数量，已经从涓涓细流变成了一股激流。这些公司涉及多个行业——药物开发、客户服务、制造、质保、零售和医疗器械。这项技术十分强大且通用性极强，在范围极广的应用领域中创造了重要价值。我们着手研究，试图从经济角度理解它的意义。我们知道，与其他技术一样，人工智能受制于同一种经济环境。

简而言之，技术本身让人惊叹。早些时候，著名风险投资家史蒂夫·尤尔韦特松（Steve Jurvetson）打趣说：“几乎可以肯定的是，你在未来5年体验到的任何像变戏法一样的产品，都建立在这些算法之上。”史蒂夫说人工智能就像是“变戏法”，跟《2001太空漫游》《星球大战》《银翼杀手》，以及更近的《她》和《机械姬》等电影里的描述相呼应。我们理解史蒂夫对人工智能应用的描述（“变戏法”），也对此感同身受，但身为经济学家，我们的任务是把这些扑朔迷离的设想变得简单、清晰且实用。

戳穿噱头

经济学家对世界有着与众不同的看法。我们会从供求关系、生产与消费、价格与成本的框架来思考一切问题。虽然经济学家们之间经常意见不一，但我们立足于一套共同的框架。我们对假设和阐释存在争议，但我们对基本的概念，如稀缺性和价格竞争所扮演的角色意见一致。这种观察世界的方法带给我们一个独特且有利的视角。从消极的一面来说，我们的视角可能会显得很枯燥，无法让我们成为晚宴上受欢迎的客人。从积极的一面来说，它有利于为商业决策提供清晰的信息。

我们从最基础的价格着手。如果某样东西的价格下降，那么我们会更多地使用它——这就是简单的经济学。这种情况正出现在人工智能行业。人工智能变得随处可见了。它挤满了你手机的应用程序，它正在优化你的电网，它正在取代你的股票投资组合经纪人。用不了多久，它说不定就会载着你到处走，或者给你配送快递了。

如果说经济学家擅长做某件事的话，那就是“戳穿噱头”。当其他人看到的是改头换面的新发明时，我们只看到价格下跌。但不仅如此，要了解人工智能如何影响了你所在的机构，你必须清楚地知道哪些东西的价格发生了变化，以及这种变化将如何蔓延至更广阔的经济领域。此时，你才能制定应对之策。经济发展的历史告诉我们，对重大发明带来的冲击感受最深的通常是人们意想不到的领域。

让我们回想一下1995年商业互联网的故事。在大多数人看着《宋飞正传》时，微软发布了自家第一套多任务操作系统Windows 95。同年，美国政府解除了在互联网上承载商业流量的最后限制，网景公司迎来了商业互联网上第一次重大的首次公开募股（IPO）。互联网从“新奇好玩的技术”变成一股席卷所有行业和政府的商业浪潮，那一年是转折点。

网景公司的首次公开募股获得了30亿美元的估值，哪怕它一分钱也没赚过。风险投资家对初创公司动辄给予数百万美元的估价，即便它们还处在用一个新词描述即“前收入”（pre-revenue）的阶段。刚毕业的工商管理硕士（MBA）毕业生拒绝了收入诱人的投资银行和咨询工作，打算到网上去搏一搏运气。随着互联网的影响逐渐扩散至各行各业，遍及价值链上下，技术倡导者们不再把互联网称为新技术，而开始把它称作“新经济”。这个词流行开来。互联网超越了技术，从基础层面渗透到了人类活动的方方面面。政治家、企业高管、投资人、企业家和主要新闻机构开始使用这个词。每个人都开始畅谈“新经济”。

每个人，我的意思是，除了经济学家之外的每个人。我们没有看到新的经济，或者新的经济学。对于经济学家来说，它看起来就是寻常的旧经济。诚然，发生了一些重要的变化。商品和服务可以数字化流通了。交流变得更容易。想要查找信息，点击搜索按钮就行了。但所有这些事情，从前都能做到。只不过，它们现在可以以低廉的成本做到了。换句话说，互联网的兴起意味着分销、通信和搜索成本的下降。从由贵转贱、由稀缺变富足的思维来重新阐释这种技术进步，有利于思考它对你的事业会产生何种影响。例如，如果要你回想第一次使用谷歌搜索的体验，你会记起它魔术般呈现信息的能力。而以经济学家的角度看，谷歌只是让搜索变得更廉价了。当搜索变得廉价时，那些通过别的方式提供信息检索并以此赚钱的企业（如黄页、旅行社、分类广告等）感到了严重的危机。与此同时，那些仰赖被人发现的职业（如自助出版作品的作家、稀有收藏品卖家、本土电影制作人等）得到了蓬勃发展。

没错，特定活动相对成本的这种变化，极大地影响了部分企业的商业模式，甚至也影响了部分行业的结构体系。然而，经济规律并未发生改变。一切仍然可以从供求的角度来理解。我们仍然可以利用现成的经济学原理，制定策略、为政策提供信息、预测未来。

廉价意味着随处可见

当某种基础产品的价格大幅下跌时，整个世界都可能发生变化。以照明为例。你很可能是在人工光源下阅读这本书的。而且你兴许从来没想过，为了读书而打开灯是否值得的问题。照明太廉价了，任你使用。但经济学家威廉·诺德豪斯（William Nordhaus）曾做过细致的考察，要在19世纪初获得等量的照明，你的花销是如今的400倍。在这样的价格下，你不可能不注意到成本。要不要使用人工照明工具来阅读本书，会让你反复掂量。照明价格此后的下跌点亮了整个世界。它不仅把夜晚变成了白昼，而且让人得以在自然光线无法穿透的大型建筑物里工作和生活。要不是人工照明的成本跌到几近于无，我们今天拥有的一切几乎都无法实现。

技术变革让原本昂贵的东西变得廉价。照明成本的急剧下降，使我们的行为发生了转变，从先前需要决定是否开灯，到现在毫不迟疑地打开电灯开关。这种下降给了我们机会去做原先无法做到的事情；它把“不可能”变成了“可能”。所以，像照明这样的基本生产资料的价格大规模下跌将带来什么样的影响，经济学家毫无例外会对此着迷。

廉价照明带来的一些影响很容易想象，另一些却不那么明显。当新技术（不管是人工照明、蒸汽动力、汽车，还是计算机）令得某种东西变得廉价，到底什么会受到影响，并不总是一目了然的。

蒂姆·布雷斯纳汉（Tim Bresnahan）是斯坦福的经济学家，也是我们的导师之一。他指出，计算机运行算法，仅此而已。计算机的出现和商业化让算法变得廉价了。一旦算法变得廉价，我们不仅在传统领域内需要运算的地方更加频繁地应用它，也会把这种新近变得廉价的运算能力应用到一些此前与运算无关的领域，例如音乐。

被誉为第一位程序员的埃达·洛夫莱斯（Ada Lovelace）看到了这种潜力。在19世纪初昂贵的照明条件下，她撰写了最早的录制程序，在查尔斯·巴比奇（Charles Babbage）设计的一台尚处理论阶段的“计算机”上，计算出了一连串数字（“伯努利数”）。这里，有必要提一笔巴比奇，因为他也是一位经济学家。我们在本书中会看到，这不是经济学和计算机科学唯一的交叉点。但理解运算能够“扩大规模”（这是现代初创公司的术语）和实现更多功能的人是洛夫莱斯。她意识到，计算机的应用并不局限于数学运算。“比如，假设和声科学和音乐作品里音调的基本关系可以用数学方式来表达，那么，这台引擎就能创作出精致而又科学的作品，再复杂的作品都没问题。”当时计算机并未问世，但洛夫莱斯却预见到，音乐（按照定义，它是一种充满艺术和人性的形式）可以存储在运算机器里，并反复播放。

日后发生的情况正是如此。一个半世纪之后，运算的成本变得足够低，继而产生了大多数人做梦都不曾料到的成千上万种应用方式。由于算法对于许多事情都是一种重要的输入要素，在它变得廉价之后，与此前照明上发生的事情一样，它改变了世界。以净成本之类的术语来描述某种最新的伟大技术，能够戳穿噱头，尽管这么做不能让这一技术看上去那么令人兴奋。你永远不会见到史蒂夫·乔布斯发布“一台全新的加法机”，尽管这就是他做的全部事情。通过减少某些重要部分的成本，乔布斯的全新加法机改变了世界。

现在，让我们来看看人工智能。人工智能在经济上的重要意义，正是因为它会让重要的东西变得廉价。此刻，你或许正思考这东西会是智能、推理或思想本身。你也许想象着，机器人或那种没有血肉之躯的“生命”已经无处不在，就像《星际迷航》里友好的机器人，它们让你不需要再费心思考。洛夫莱斯也想到了同样的内容，但她很快打消了这个念头。她写道，至少考虑到计算机本身，“它没有创造的野心。它可以做任何我们吩咐它去执行的事情。它可以按照分析去做，但它不具备预知需要解析的关系或真相的能力”。

尽管伴随人工智能的概念出现了各种噱头和信仰，但阿兰·图灵（Alan Turing）日后所称的这一“洛夫莱斯夫人的异议”始终屹立不倒。计算机依然无法思考，所以思考还不会变得廉价。相反，会变得廉价的是某种非常普遍的东西，就跟运算一样，你甚至都意识不到它会变得何等常见，以及其价格下跌将对我们的生活和经济产生何等庞大的影响。

新的人工智能技术会让什么东西变得廉价呢？预测。故此，经济学显示，我们不仅会大量运用预测，还将看到它应用于出人意料的新领域。

廉价创造价值

预测是填补缺失信息的过程。预测将运用你现在掌握的信息（通常称为“数据”），生成你尚未掌握的信息。大部分有关人工智能的讨论强调的是花样繁多的预测技术，而这些技术有着愈发艰涩模糊的名称和标签：分类、聚类、回归、决策树、贝叶斯估计、神经网络、拓扑数据分析、深度学习、强化学习、深度强化学习等。对有志于将人工智能应用于解决具体预测问题的技术人员而言，这些技术都非常重要。

本书会替各位读者略过这些方法背后的数学细节。我们强调的是，这里的每一种方法都与预测有关：用你已有的信息生成你尚未掌握的信息。我们的重点是帮助你找出预测会在哪些环境下体现出价值，以及怎样尽量多地从预测中受益。

预测更廉价，意味着预测会变得更多。这是简单的经济学：某件事情的成本下降，我们就会更多地做这件事。例如，20世纪60年代，运算成本开始迅速下降，我们就在需要的地方使用了更多的运算，比如人口普查局、国防部和美国国家航空航天局（电影《隐藏人物》中曾出现过）。更有趣的是，后来，我们还开始在非传统运算问题的地方运用全新的廉价运算，例如摄影。我们过去用化学方法来解决摄影问题，但当运算变得足够廉价后，我们便改用基于运算的解决方法：数码相机。一张数码照片不过是能通过算法变成可观看图像的一连串0和1的组合而已。

预测也一样。预测被应用于传统事务，例如存货管理和需求预测。更为重要的是，由于预测变得廉价，它也逐渐被用来解决一些非传统预测领域的问题。集合人工智能（Integrate. ai）公司的凯瑟琳·豪（Kathryn Howe）把那种将传统问题重组为预测问题的能力称为“人工智能洞见（AI Insight）”。时至今日，全世界的工程师都在学习这种能力。自动驾驶汽车已经在受控的环境下存在了20多年。然而，它们只能在有着详细平面图的场所活动，比如工厂、仓库等。有了平面图意味着工程师可以设计机器人按基本的“如果-那么（if-then）”逻辑来运行：如果有人在车辆前面行走，那么就停下；如果货架是空的，那么就转向下一排。但这些车辆永远无法进入普通的城市街道。普通大街上会发生的事情太多了，不可能一一对应地编写成“如果-那么”的代码。

自动驾驶车辆无法在高度可预测、可控制的环境之外运行，直到工程师们重新从预测的角度对问题做了框定。工程师们意识到，不必告诉机器在每一种场合下要做什么，只要把焦点放在一个预测问题上即可——“人类会怎么做”，依靠足够廉价的预测，我们把驾驶变成了预测问题。如今，企业投入数十亿美元训练机器在非受控环境下，甚至在城市的街道和高速公路上自动驾驶。

试想一下一个人工智能机器人和人类驾驶员一起坐在汽车里的情景。人类驾驶员开车行驶过数百万英里，他通过眼睛和耳朵接收环境数据，用大脑处理这些数据，再根据传入的数据采取相应的行动：直行或转弯，刹车或加速。工程师们给人工智能安装了各种传感器（如摄像机、雷达、激光定位器等），让它有了自己的眼睛和耳朵。所以，人类驾驶员开车的时候，人工智能观测传入的数据，同时观察人的行为。当特定的环境数据传入时，人类驾驶员会右转、刹车，还是加速？人工智能对人类驾驶员观察得越多，就能越好地预测驾驶员在接收到特定环境数据时将要采取的具体行动。通过预测人类驾驶员在特定路况下怎么做，人工智能学会了驾驶。

关键在于，当预测等生产资料变得廉价时，另一些东西的价值会随之提高。经济学家称之为“互补品”。一如咖啡成本的下降会提高糖和奶油的价值，对自动驾驶汽车而言，预测成本的下降会提高捕捉车辆周边数据的传感器的价值。这里举一个例子说明这些互补品的价值：2017年，英特尔拿出150多亿美元收购以色列初创公司Mobileye。这主要是为了得到后者的数据采集技术，该技术可让车辆有效地“看到”物体（停车标志、行人等）和标识（车道线、道路）。

一旦预测变得廉价，就会出现更多的预测，更多的预测互补品。这两种简单的经济力量推动了预测机器创造的新机遇。从初级层面看，预测机器可以代替人完成预测任务，节省成本。随着预测机器开始运转，预测有可能发生变化，并提高决策的质量。但等到了某个时间点，预测机器变得十分精确且可靠，以至足以改变组织运作的方式。换句话说，一些人工智能对企业的经济效益产生了巨大的影响，它们不光可以提高策略执行过程中的生产力，还将改变策略本身。

从廉价到战略

企业高管们最常问我们的一个问题便是：“人工智能对企业战略有怎样的影响？”以下是我们用来回答这个问题所做的思想实验。大多数人都熟悉怎样在亚马逊网站上购物。跟大部分在线零售商一样，你访问网站，选购商品，将商品放进“购物车”里，付款，接着亚马逊把商品寄给你。目前，亚马逊的商业模式是先购物再发货。

在购物过程中，亚马逊的人工智能预测你想要买什么，然后提供相应的推荐。考虑到眼下亚马逊有数百万种商品在售，人工智能的工作算是合理。但它远远不够完美。就我们自己而言，对我们想要购买的东西，人工智能能准确预测5%。换句话说，它每推荐20种商品，我们实际上会购买一件。这样的成绩还不赖嘛！

设想一下，亚马逊的人工智能收集了我们更多的信息，并使用这些数据来改进它的预测。照我们的想法，这种改进就像是调高扬声器的音量旋钮。只不过，它们调高的不是音量，而是人工智能预测的准确性。

它们转动旋钮到了某个点，人工智能预测的准确度跨越了某个临界值，以至于改变了亚马逊的商业模式。这种预测准确到，直接把它预测你想要购买的商品寄送给你（甚至不用等到你下订单）。这样能让亚马逊赚更多钱！

有了它，你再也不需要到其他零售商那里去了，而且商品还没买就寄送到手，这有可能促使你购买更多其他的东西。亚马逊能从你的钱包里捞到更多钱。很显然，这对亚马逊来说很棒，但对你来说同样很棒。倘若一切进展顺利，亚马逊还没等你选购就把商品送上了门，让你免于购物之苦。预测的旋钮调得足够高，使亚马逊的商业模式从“先买后寄”变成了“先寄后买”。

当然，退回所有自己不想要的东西，这样的麻烦事消费者可不愿承担。因此，亚马逊将投资产品退换方面的基础设施，比如一支负责配送的车队，每周做一轮巡检，轻松地回收顾客不想要的东西。

如果这是一种更好的商业模式，为什么亚马逊还没有这么做呢？因为如果现在执行它，收集和处理退货商品的成本将远远超出从顾客那里多赚到的钱。比方说，如今我们要退掉寄来的95%的商品。这对我们来说会很烦人，对亚马逊来说也代价高昂。这样的预测，对亚马逊而言还不够好。

我们不难想到，亚马逊会在这项技术精确到能够为其带来利润之前，就抢先采用这一战略，因为亚马逊已预见，只要预测精确到一定程度，它必会带来利润。早人一步推行，亚马逊的人工智能将更快地获得更多数据，进而更迅速地改进。亚马逊意识到，开始得越早，竞争对手就越难赶上。好的预测会吸引更多的购物者，更多的购物者会产生更多的数据来训练人工智能，更多的数据会带来更好的预测，如此周而复始，实现良性循环。太早采用新战略可能代价高昂，但出手太晚，对公司而言恐怕是致命的。

我们的观点不是亚马逊会这样做或者应该这么做，虽说我们也有个消息想告诉心存疑虑的读者们：早在2013年，亚马逊就在美国拿到了一项“预测性购物”的专利。我们主要想指出，上调预测旋钮对战略很明显有着重大影响。从这个例子来看，它将亚马逊的商业模式从先买后寄变成了先寄后买，激发了将产品退货服务（包括组建卡车车队）垂直整合到运营当中的动力，使得投资时机更为紧迫。所有这一切，完全是因为预测机器的旋钮上调了。

这对战略来说意味着什么呢？首先，针对你所在的行业和你对人工智能的应用，预测机器的旋钮上调的速度有多快，程度有多高，你必须进行投资，以收集相关方面的情报。其次，你还需要对旋钮上调后带来的战略选择进行投资，以发展出一套相关理论。

为开展这一“科幻小说式”的练习，请闭上眼睛，想象一下把自己的手指放到预测机器的旋钮上，默念电影《摇滚万万岁》（This is Spinal Tap）里那句不朽的台词：把它转到11。

本书计划

预测机器对你所在的组织有什么样的战略意义？在这一切豁然开朗之前，你必须先打好基础。而这就是我们这本书的结构，从地基开始打造一座金字塔。

我们在第一部分打基础，解释机器学习如何使预测变得更好。接着，我们将解释为什么这些新的进步，与你在学校里学过的统计学以及你的分析师所做的统计工作不一样。然而，我们要考虑预测的一项关键互补品，即数据，尤其是做出准确预测所需要的那种数据，以及怎样判断自己是否拥有此类数据。最后，我们深入探索预测机器的表现在哪些方面会变得比人类更优秀，而哪些方面机器和人一同工作可能会获得更准确的预测。

在第二部分，我们把预测的角色阐述为决策的输入端，并解释了另一要素——判断的重要性。人工智能界迄今为止尚未给予这一要素足够的重视。预测通过减少不确定性使人们做出决策更加便利，而判断的作用则在于分配价值。用经济学家的话来说，判断是一种用来确定损益（payoff）、效用、回报或利润的技能。预测机器最重要的影响是它提高了判断的价值。

第三部分着眼于实际问题。人工智能工具让预测机器变得有用，同时它也是预测机器执行特定任务的实现手段。我们概述了三个步骤，帮助读者们了解什么时候开发（或购买）人工智能工具获得的投资回报最高。有时候，这些工具能完美地跟现有工作流程相结合；另一些时候，它们促进了对工作流程的重新设计。在这个过程中，我们会引入一种重要的辅助手段，以明确某个人工智能工具的关键特征。这一辅助手段便是人工智能画布。

我们在第四部分转向战略。正如我们在亚马逊思想实验中所介绍，有一些人工智能将对任务的经济特性产生深远影响，以至能够彻底改变相关的企业或行业。等到了那个时候，人工智能就将成为一个组织的战略基石。一旦人工智能对战略产生影响，关注人工智能的人就会从产品经理和维运工程师变成豪华办公室里的企业高层。有时候，人们很难提前判断一种工具能否产生如此强大的效果。比方说，人们第一次使用谷歌的搜索工具时，几乎没有人预料到，它竟然彻底改变了媒体行业，并且成为这个全球最有价值的公司的业务基础。

除了这些正面的机遇，人工智能也会带来系统性风险，除非你抢先行动，否则，它会冲击你的业务。大众最近的讨论似乎着眼于人工智能对人性的危胁，而人工智能对组织造成的危害，人们给予的关注就少得多。比方说，一些在人类生成的数据的基础上训练的预测机器已经“学会”了危险的偏见和刻板印象。

我们将在本书结束的第五部分拿出经济学家的工具包，探索对社会影响更为宽泛的若干问题，考查五个最常见的人工智能议题：

1．未来还存在工作岗位吗？当然。

2．这会造成更多的不平等吗？有可能。

3．少数大公司会控制一切吗？要看情况。

4．各国是否会采用逐底竞争的方式制定政策，放弃人们的隐私和安全，好让本国企业获得竞争优势？有些国家的确会这么做。

5．世界末日会到来吗？不管它什么时候来，各位读者都还有足够时间从本书获益。

本章要点Prediction Machines

※经济学为廉价预测的商业意义提供了清晰的观点。预测机器将被用来完成传统的预测任务（库存和需求预测），以及解决新的问题（如导航和翻译）。预测成本的下降将影响其他东西的价值：提高互补品（数据、判断和行动）的价值，降低替代品（人类预测）的价值。

※组织可以采用人工智能工具来协助执行当前战略，通过这种方式应用预测机器。当这些工具越来越强大之后，它们就可能促进战略本身的转变。比方说，如果亚马逊可以预测购物者想买什么，就有可能从如今的先买后寄模式变为先寄后买模式——顾客订购前就把商品送到家。这一转变也将让组织发生天翻地覆的变化。

※当各种机构致力于利用人工智能时，这些新战略带来的结果是，我们将面临一系列与人工智能对社会的重大影响相关的新权衡。我们的选择将取决于人的需求和偏好，在不同的国家和文化中，这些选择定然有所不同。我们将本书分为五部分，以反映人工智能在五个不同层面上的影响，从预测的基础一路上升至社会的权衡：（1）预测，（2）决策，（3）工具，（4）战略，（5）社会。