本文發表於《大眾科學》的前部落格網路，反映了作者的觀點，不一定反映《大眾科學》的觀點
每天我們都會讀到一些新的領域，在這些領域中，人工智慧在某些明確定義的任務上已經達到或超過了人類專家的水平。除了廣為人知的圍棋和撲克 AI 代理的成功之外，機器還在複雜的現實世界任務中顯示出優越性，例如解讀 X 射線影像和評估皮膚病變的癌症風險。廉價的計算能力和記憶體、連線的裝置、豐富的資料以及演算法設計的進步相結合，創造了這些成功——這些成功隨後吸引了更多的關注和投資，推動了進一步的進步。許多人推測，機器將在許多角色中取代人類，因此我們需要重新定義工作本身的性質。
然而，麻省理工斯隆管理評論和波士頓諮詢集團新發布的一份報告顯示，對於大多陣列織而言，這些期望與當前現實之間存在巨大差距：85% 的受訪 3,000 名高管預計 AI 將在五年內帶來競爭優勢，但只有 5% 的人從事大量的以 AI 為中心的活動，只有 20% 的人使用任何 AI。我們如何調和潛力和現實之間的這種差距？
這種模式對於新興技術來說很典型：期望跑在現實前面，只有在初始期望被滿足、超越或失望時才會與現實對齊。儘管這種泡沫效應可能透過降低不確定新興技術的資本成本，從而加速其擴散，從而達到社會目的，但麻省理工/波士頓諮詢集團的報告引用了幾個具體因素來解釋當前知行之間的差距。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
先鋒公司與其他公司之間，甚至在保險等個別行業內部，在經驗和理解方面都存在巨大差異。大多數公司低估了豐富多樣的資料集對訓練演算法的重要性，尤其是與未能成功執行任務相關的“負面資料”的價值。人才短缺和資料工程師及 AI 專家的不平等訪問加劇了問題。隱私和其他法規以及消費者的不信任也減緩了進展。
雖然預計這些障礙會隨著時間的推移而減少，但 AI 的採用也存在更微妙的障礙，需要克服這些障礙才能釋放其全部潛力。演算法能力通常在本地部署，用於離散任務；但是，改進流程的某個步驟的學習和執行通常不會提高整個流程的效率。提高單個流程的效率不一定轉化為整體組織效率。雖然這可能不適用於一些可以很容易地與其他操作分離的單個操作，例如貸款審批，但大多數業務活動都嵌入在更大的流程和系統中。
自動化皮膚病變的分類或任何數量的類似應用是否會提高醫療保健系統的效率或效力？醫療保健系統具有複雜的組織孤島、限制性法規和錯位的激勵機制。這樣做取決於組織和制度的重新設計，而不僅僅是專業推理的最佳化。以前例為證：像電動機這樣的技術進步並沒有帶來整體生產力的提高，直到工廠的佈局發生改變以充分利用它們。那麼，充分利用人工智慧的潛力所需的組織智慧的性質和範圍是什麼？
在後 AI 時代重新概念化集體智慧的關鍵是設計人與機器之間的介面，以便利用兩者的比較優勢。人類在許多領域都具有優勢，例如解決幾乎沒有資料的問題、切換抽象級別以及透過模仿和共情調諧進行學習——而不是透過模擬和系統推理。
設計正確的任務邊界和劃定這些邊界的人機介面對於實現大腦和機器之間的協同作用至關重要。實現這一目標的關鍵將是對機器和人類可以獨特地做什麼有更精確的理解。目前的經驗法則——“機器學習可以做人類在一秒鐘內完成的任何事情”；“機器可以用於預測，人類可以用於判斷”；“機器進行計算，人類產生解釋”——既簡單化又與事實不符。
機器在需要數小時甚至數天的任務中可以勝過人類，例如國際象棋和圍棋比賽。人類在 800 毫秒內做出的情感判斷方面可以勝過機器。“判斷”可以建模為一系列預測，原則上可以分包給機器。正如 Karl Friston 在Cell 中所說，預測是大多數大腦在大部分時間裡可以被推斷為正在做的事情——調節突觸增益以最大限度地減少資訊自由能。深度學習網路可以用於生成複雜的視覺和文字解釋，即使在擁擠的咖啡館中穿梭時，人類在最佳化平衡茶杯托盤所需的計算方面也優於機器。
人工智慧很可能為組織帶來巨大的希望——但我們首先必須更精確地瞭解希望是什麼，以便了解如何部署人工智慧來實現它。這樣做要求我們從基本原則而不是從過去資料的經驗來思考人類智慧和人工智慧——尤其因為我們正在進入一個未來可能與過去不同的時代。而做到這一點肯定需要對組織智慧的理解取得進展，就像演算法效率方面的進展一樣。