人机互补之于企业
人类与计算机的互补不仅仅是宏观事实,而且是创立伟大事业的途径。在PayPal的经历使我明白了这一点。2000 年年中,我们成功度过网络公司的破产危机,并快速增长,但仍面临一个巨大难题:每月都因信用卡诈骗损失上千万美元。每分钟处理成百上千笔交易,因此不可能一一检查——任何质量控制团队都达不到这种速度。
因此我们做了任何工程师团队都会做的事情:采用自动化技术找到解决方案。首先,马克斯·列夫琴组建了数学家精英团队来仔细研究欺诈性交易。然后利用研究结果,编写自动识别软件,实时去除欺诈交易。但很快就失效了:因为一两个小时后,窃贼就发现了,他们改变了策略。我们的对手适应性很强,而我们的软件反应缓慢。
诈骗犯虽然多过了我们的自动检测算法,但我们发现,他们不能轻易骗过人类分析师。因此马克斯带领工程师用混合策略重写了软件:程序将可疑的交易标记在设计好的用户界面上,然后人工审核其合法性。多亏了这个混合系统,我们抓住了那个吹嘘自己无人能敌的俄罗斯窃贼,所以我们给这套系统齐了个俄罗斯的名字——“Igor”。而且,有了这套系统,我们在 2002 第一季度一扭亏为赢(而 2001 年的每季度我们还损失 2 930 万美元)。
美国联邦调查局来问是我们否愿意出借Igor,以协助他们侦测金融犯罪。这让马克斯自诩为“网络密探福尔摩斯”,他也的确是。
这种人机结合让PayPal立足于商界,反过来,成百上千的小企业可以通过网络收款来发展壮大。没有人机结合的解决方案,就不会有这些结果——虽然多数人对它一无所知。
2002 年出售PayPal后,我依然在人机结合上下功夫:人机结合比单打独斗效果显著,那么在此核心基础上可建立什么有价值的事业呢?第二年,我和斯坦福大学的老同学亚历克斯·卡普、软件工程师斯蒂芬·科恩动了创办公司的念头:利用PayPal安全认证系统的人机复合模式来搜索恐怖分子和金融诈骗。我们知道美国联邦调查局兴趣正浓,于是 2004 年我们共同创办了帕兰提尔公司,一个帮助人们从不同信息来源提取有用信息的软件公司,到 2014 年帕兰提尔公司的销售额已达到 10 亿美元。《福布斯》称帕兰提尔的软件是“杀手软件”,因为谣传它帮助美国政府找到了奥萨马·本·拉登。
对于操作细节,我无可奉告,但可以说光凭人类智慧或计算机,并不足以保证我们的安全。美国两个最大的情报机构使用的方法截然不同:中央情报局倾向于用人,而国家安全局倾向于使用计算机。中央情报局的分析师要排除的干扰太多,很难识别严重的威胁。国家安全局的计算机处理数据的能力很强,但机器自己不能鉴别是否有人在策划恐怖行动。帕兰提尔致力于克服这两种偏见:运用帕兰提尔的软件分析政府提供的数据(比如,也门极端主义教士的通话记录、与恐怖活动关联的银行账户),然后标记出可疑活动,供训练有素的分析师审核。
除了帮助查找恐怖分子,使用帕兰提尔的软件,分析师还可预测阿富汗的叛乱分子放置爆炸装置的地点;起诉引人注目的内幕交易案件;打击全球最大的儿童色情团伙;支持疾病控制预防中心对抗食源性疾病的爆发;通过先进的诈骗检测软件,可以使商业银行和政府每年减少上亿美元的损失。
先进的软件为此提供了可能性,但更为重要的是人类分析师、检察官、科学家、金融专家,没有他们的积极参与,软件毫无用处。
想想如今专家的工作内容。律师必须用不同方式讲述棘手问题的解决方案——依据委托人、对方律师、法官等谈话对象的改变,变换说辞。医生要有能力与非专家的普通病人沟通诊疗结果。好老师也不只是精通自己教授的学科,他们还必须了解如何根据学生的兴趣和学习方式调整教学方法。计算机或许可以执行部分任务,但不能有效加以整合。法律、医疗、教育领域的先进技术不能替代专家,只能帮助专家做得更好。
这正是领英公司协助招聘专员做的事。领英在 2003 年创立时,既没有征求招聘专员的意见,以找到需要改进的地方,也没有编写完全替换招聘专员的软件。招聘工作一半是辨别一半是推销:需要仔细审核应聘者经历、评估其动机和适应能力、说服最优秀的人才加入团队。让计算机高效完成所有工作是不可能的。
相反,领英开始改变招聘专员的工作方式。现在,超过 97%的招聘专员使用领英的网络,运用其强大的搜索过滤功能筛选应聘者,该网也为成千上百万使用它来管理个人品牌的专家创造了价值。如果领英公司只是用技术取代招聘专员,那么不会形成今天的规模。
对计算机科学的认识
为什么如此多的人忽视与计算机互补的力量?这始于学校。
软件工程师致力于取代人力的项目,这是他们的受训内容。学者通过专业研究立身扬名,他们的主要目标是发表论文,而发表意味着尊重特定学科的界限。但对计算机科学家来说,却意味着减弱人类完成特殊任务的能力,而计算机经训练后可将各项任务一一完成。
在当今计算机科学最前沿,“机器学习能力”这一词语激起了机器代替人类的幻想,其宣扬者似乎相信只要输入足够的训练资料,计算机就可以执行任何任务。网飞公司(Netflix,网络影视光盘租赁公司)和亚马逊的用户亲身体验了计算机学习的效果:两家公司都依据消费者浏览及购买的历史,运用特定算法来推荐产品。输入的数据越多,得到的建议就越好。谷歌翻译也是如此,它支持 80 种语言的翻译,虽然粗糙,但勉强可用,这并不是软件懂得语言,而是它对巨大语料库的文本进行统计分析,提取句型。
另一个体现取代倾向的流行语是“大数据”。如今的公司对数据情有独钟,错误地认为数据越多,能创造的价值就越多。但大数据是沉默的资料,而计算机能找到人类没有注意到的模式,但无法比较不同资料来源的模式,也不能用这些资料解释人类复杂的行为。可行的见解只有人类分析师(或者说那种只存在于科幻小说中的人工智能)才嗯呢该给出。
我们痴迷于大数据仅仅因为觉得科技很奇特。我们为计算机单独取得的一些小成就而惊叹,却忽视了人类在计算机的辅助下取得的巨大进步,因为人类的参与淡化了其神秘性。沃森、深蓝电脑和越来越厉害的演算法虽然很酷,但未来最有价值的公司肯定不是靠计算机单独解决问题,而是关注计算机如何才能帮助人类解决难题。
本书评论