人工智慧可以教我們什麼？

我們尋求機會去了解與利用想像力，不僅是為了在人工智慧與人類之間進行角色分配，更是為了將兩者結合，提升想像力的效用。

作者| 馬丁·裡維斯 傑克·富勒*

#來源| 商業評論

#機器會想嗎？我們通常認為計算機是透過我們給它的指令來計算，得出結果的。我們不認為電腦具備我們所定義的想像能力：感受意外、形成反事實思維，或探索全新的可能性。然而，近來人工智慧似乎正在逐步攻陷我們所說的想像力領域。

我們是否會被取代

#例如，藝術家馬裡奧·克林格曼（Mario Klingemann）要求GPT-3的人工智慧文本生成器，用英國諷刺文學作家傑羅姆·傑羅姆（Jerome K. Jerome）的文風寫一則關於推特的故事。

《華盛頓郵報》透過自主研發的人工智慧演算法「Heliograf」在一年的時間內創作出850篇報導。數位設計與傳媒公司AKQA透過人工智慧創造出一種全新的運動——「速度之門」（Speedgate），並真正推廣開來，也舉辦了速度之門聯賽。

從這些例子我們能得到什麼結論？軟體在產出類似人類創造物的領域中正在大踏步地向前邁進，有些情況下已經創造出了不容小覷的經濟價值。因此人類與機器之間的界限的確正在發生變化，而且我們應該預見這一趨勢還會繼續。

然而，計算機還遠遠達不到處理想像力的某些基本能力的水平。首先就是因果關係思維模型。 GPT-3所謂的神經網路建構在網路與書籍中的大量資訊基礎之上。表面上看，GPT-3是基於現實世界資訊的思考模型，能夠創造出不那麼出奇不意的新事物。但GPT-3是一種語言模型，它只能夠表現一串文字接在另一串文字後出現的機率。

人工智慧研究人員蓋瑞·馬庫斯（Gary Marcus）與歐內斯特·戴維斯（Ernest Davis）觀察了類似GPT-3的系統後表示：「它們學習的並不是這個世界— —它們學習的是文本以及人們把不同詞語關聯起來使用的方式。它所做的事類似於大型的剪切與粘貼工作——在它所見過的文本中將需要變化的地方進行縫補，而不是去深挖這些文本背後的底層概念。」

人工智慧還缺乏想像力中另一個最基本的部分：想像的動機。動機指的不僅是推動一個流程啟動的動力，而且是對於為什麼而想像所做的引導——什麼是重新思考的重要部分。

人工智慧也無法把文字與這個世界關聯在一起。正如哲學家大衛·查爾默斯 （David Chalmers）所寫，GPT-3「做著很多需要了解人類才能做的事，但它從來沒能真正把語言與感知和行動聯繫在一起」。

前文提到的關於運動、藝術創作以及新聞媒體的幾個例子，都是由人類在電腦運算與真實世界中發揮著橋樑作用。

因此，我們可以得出結論，如果人工智慧在沒有人類介入的前提下就無法建立因果模型、連結感知與行動，也無法產生渴望或挫敗，那麼它在短期內便也無法取代人類的想像力。

不過我們能夠看到的是，人工智慧所創造的東西為人類的思考提供了極有價值的素材，人類可以把機器的輸出變成一個有用的結果。這就是另一種看待問題的角度。

相較於我們是否會被取代這樣的問題，更有意義的問題或許應該是這種龐大的協作體系將如何向前發展。人工智慧會以什麼樣的方式促進人類的想像呢？

人工智慧可以幫我們進行想像嗎

人工智慧可以把我們從常規性的活動中解放出來；它能夠執行許多核心任務，並在此基礎上疊加人類的共情能力；或者它可以為想像力提供持續的刺激。

透過人工智慧誘導想像

#

人工智慧可以將我們從枯燥的分析工作中解放出來，尤其是異常監測工作，它能夠幫我們找到有利於激發想像的意外因素。如自動化分析公司Inspirient的執行長 Georg Wittenburg）所述：「有的東西對演算法來說太簡單了，就例如異常現像或資料異常值的偵測。我們的系統會告訴我們'該資料集存在14個異常值或14個異常事件－不多也不少－異常清單在此'。”

但演算法要服從的一項限制在於，人類依然處於整個框架的核心位置：對某個思維模型來說什麼算是異常，這是由人類來設定的。人工智慧長於發現，但做不到關切。對系統的設計要把我們認為要緊的事物考慮進去。不過威滕伯格的演算法可以透過反覆的人機互動與有針對性的分析，去學習掌握人類會對什麼感興趣。

透過人工智慧充實想法

#人工智慧讓想像力如虎添翼，它能夠推動思維模型的發展進程。有一種類型的人工智慧工具叫做「混合主動」互動系統，人工智慧透過提出自己的建議來引導人類的決策與深化。這類工具目前應用於翻譯與客戶服務領域。

不過我們可以想像這種工具在我們重新思考時會有何作用：當我們想把有關新型醫療保健公司的想法寫出來或繪製出來時，人工智慧可以用相關數據、類似案例參考、各種圖像以及趣聞軼事為我們的想像提供參考。

透過人工智慧與世界碰撞

#與人工智慧的互動可以是一種介於與人聊天和探索世界之間的活動。我們可以拿著一個早期想法告訴人工智慧：「這是我關於新型銀行的一個想法，請按照這些要點給我一個財務分析人員可能給出的反饋」或是「……科幻小說作家可能給出的回饋".當你拿到它給出的結果時，再加碼別的要求，例如“現在讓它更刺激一點”，或“現在再增加一點批判性”。

透過人工智慧進行傳播

想像力所面臨的一個核心挑戰在於思考模型的溝通比較困難。透過將抽象的思維模型轉化為圖像或故事，人工智慧可以輕鬆地幫助我們解決這個問題。舉例來說，英偉達公司研發了一項工具，能夠將人類所繪製的籠統概念性塗鴉轉化為像照片一樣逼真的風景圖。

可以想像，若在未來有了這樣的技術，我們就能快速勾勒出一個新產品的模樣或是一個重新構想下的商業形式。這種工具應該能夠對文字或視覺元素進行加工。

我們可以把自己對未來公司的想法粗略地畫上幾筆，輸入人工智慧系統，然後由人工智慧根據一些精彩的故事、過往的先例、其他事物的類比分析以及各種圖像參考，完成具體元素的補充，換句話說，透過人工智慧的精修與打磨，產生一種能夠更有效地把想法傳播開來、啟蒙他人的東西。

透過人工智慧建立新常態

#人工智慧能夠幫我們把一個理念得到成功應用背後所具有的共性特徵或者核心特徵提取出來，這對於創新事物的規範化與流程化，甚至於開創一種新常態都至關重要。

儘管人工智慧還無法掌握因果關係，但它可以透過規律的識別幫我們在操作手冊、解決方案，以及使用者操作介面的設計中提供有效的支援。隨著客戶將其產品使用習慣越來越多地以數據形式捕獲，編制新事物的規則變得更加有針對性。

比如說，這種方式可以應用到新耕種方法的數據分析上，它可以幫助我們確定哪些屬於所有情況都適用的特徵，並讓我們了解農民需要怎麼做才能將新方法的潛能發揮出來。

再比如說，透過研究某種試驗性的教育技術在使用過程與使用結果上的數據，圈定可以應用於新平台的特性範圍，並指導人們學會使用這些功能。

我們需要正視的一點是，有了人工智慧，一個理念的持續演化會變得更加容易，因為人工智慧能夠從產品與客戶的互動資料中洞察到新的變化，並因此不斷地對指令與使用者介面進行升級。

透過人工智慧讓想像力重現

最後，人工智慧可以幫助我們從企業中找出並追蹤那些對於保持思維的雙重性必不可少的條件。比方說，演算法可以對一家公司中出現的互動與嘗試數量進行評估，並在此基礎上判斷這樣的公司是否能夠將想像力維持下去。

或者我們也可以透過人工智慧分析現有員工或未來員工的行為與特點，確保公司能夠源源不絕地收穫具有反事實思維的人才。

人工智慧能夠教我們什麼

除了提升我們自身的想像能力，把一些精力放在開發更具想像力的人工智慧技術上或可讓我們更有效地了解想像力是什麼，以及如何能更好地利用它。

無論人工智慧技術處於什麼樣的發展階段，試著把想像編譯出來的過程，就是我們逼自己把最依賴直覺、最不明確的事物清楚地呈現出來的過程。或許人類更擅長想像，但試著建構人工想像的過程，或許能讓我們對想像在個人層面以及集體層面的發生過程有更多的了解。

這對集體層面的想像，也就是 讓整個組織機構充滿想像來說尤其重要。

透過對抗進行想像

已經在創意應用程式中被使用的一種最有趣的人工智慧演算法叫做「生成對抗網路」（generative adversarial networks, GAN），它透過兩種相互對立的網路發揮作用，一種是生成模型，另一種是判別模型。

GAN的工作原理與我們在個人層面與集體層面都探討過的一個重要主題有關：多重思維以及認知多樣性的重要性。把GAN運用到公司層級會是什麼情形呢？我們可能需要設置互相牽制的人員網絡，一部分負責創造，另一部分負責對這些創造進行批判。

其中的關鍵在於，這兩方人員應當能夠在履行自身職責的同時從對方的身上學習，不斷打磨與優化各自的工作結果。這種真人版GAN可以透過遊戲、比賽或其他能夠製造有效對抗的形式展開，網路中的雙方根據對方的產出結果與經驗教訓不斷調整各自的運作方式。

用提示語代替程式碼如今這些最強大的人工智慧演算法，例如GPT-3，有一個非常令人欣喜的特性，那就是用戶與它們的互動不是透過傳統的程式設計方式來進行的，而是使用提示語。

換一種表達方式：當人類輸入訊息時，就像是播下了一顆種子，它會生長成一個複雜的反應，從而激發人們的想像。使用GPT-3時，你還可以對一個叫作「最優」的設定進行調整，它指的是人工智慧最終輸出的結果數量，人工智慧會從中擇一顯示。

或許我們可以想像把類似的規則運用到組織機構層面。 就好比一條提示語能夠將人工智慧中豐富的知識儲備調動起來，一名執行長也可以透過文字、圖像、影片等方式做出一個提示，讓整個公司對其做出回應。

這些回應結果或許可以透過人工智慧或中介團隊甄選後呈現給決策者，進一步激發他們的想像。整個過程中至關重要的一點就是速度：這麼做的目標不是一蹴而就地求得完備的項目提案或製作精良的視頻內容，而是要獲得快速響應並將其迅速反饋給管理層，不斷讓其出現在管理層的探討範圍內。

控制“溫度” GPT-3另一個能夠給人以啟發的功能是調節人工智慧響應結果的“溫度”，也就是偏離高機率響應結果的程度。

當你想讓人工智慧解決一道數學題或一個事實性問題時，應該把「溫度」調低：你一定不希望這類型的答案中有過多隨意、跳脫的成分。但當你的目的是增加反事實想法時，把「溫度」調高就是有道理的。

我們同樣可以試想在企業中實踐這種做法。 理想情況下，企業的領導者應該有能力為企業中不同的部門調試不同的溫度，對專案中某些特定的工作流程尤其應當如此。 有的公司已經在這麼做了，它們設定了一些創意部門專門研究瘋狂大膽的專案。

不過我們可以推動這種做法，讓它成為貫穿整個公司的原則。一位經理對他安排下去的每一部分工作都可以設定1〜10的溫度。對於他要求提供的上季零售分析報告，可以把溫度設為1 （「將平常我們關注的事實數據提供給我」）、設為6 （「增加一些推測性的探討」），或設為10 （「問一些反事實的問題，並尋找能探索這些問題的新數據」）。

雖然目前還遠遠沒有達到由機器取代人類的程度，但兩者之間的邊界無疑地發生了變化。這種變化將會持續下去，而未來也會不斷出現新的機會，幫助我們更能理解與利用好想像。 我們尋求機會去了解與利用想像力，不僅是為了在人工智慧與人類之間進行角色分配，更是為了將兩者結合，提升想像力的效用。 想像我們與人工智慧肩並肩的樣子！

作者簡介：馬丁‧李維斯，波士頓顧問公司（BCG）亨德森智庫主席，BCG舊金山辦公室資深合夥人。 傑克·富勒，心理與生理健康管理公司創辦人，曾是BCG亨德森智庫的專題經理。本文摘自他們合著的新書The Imagination Machine（中文版《製造想法》由中信出版集團於2023年出版）。

（本文僅作為知識分享， 並不構成提供或賴以作為投資、會計、法律或稅務建議。任何據此做出投資決策，風險自擔。）

#往期精彩雜誌

滑動查看更多

以上是人工智慧可以教我們什麼？的詳細內容。更多資訊請關注PHP中文網其他相關文章！