AI自动化背后：任何可量化的东西都不能幸免。
随着AI的快速发展，几乎每个劳动领域都面临着创意工作、数据分析等冲击。只要任务可以量化，就可以自动化。对一些推动组织穿越这一动荡转型的领导者来说，应对方法非常简单。对投资回报模糊的探险筹码进行支持，奖励那些重新定义问题，勇于开拓未知团队。为了激发意想不到的发现和创造性的重组，留出空余时间，促进跨团队交流。将这些有意保留的模糊领域视为战略资产，而不是负担。
AI不需要像科幻作品那样升级，就可以颠覆经济格局。目前的模型，以及正在开发更便宜、性能更强的版本，几乎注定要影响到劳动力市场的每一个角落。他们在文本、图像和视频领域的惊人表现，不仅可能改变创意阶层的工作模式，如作家、设计师、摄像师、建筑师、动画师和品牌广告主，还可能影响金融分析师、顾问、会计师和纳税申报人员处理电子表格的专业群体。即使是有专业门槛的领域，如法律、医学或学术，也很难幸免：AI可以选择大量的内容，以现在几分之一的成本提供定制的建议或课程，而且质量也在迅速提高，与人类相当。
关于AI工具到底能强到什么程度，以及这个过程会有多快，目前仍有许多重大问题。达里奥·阿莫迪，Anthropic（Dario Amodei）山姆·奥特曼，OpenAI（Sam Altman）声称，通用人工智能（AGI）或许只需一到两年就能实现。还有杨立昆，Meta（Yann LeCun）他认为，目前的模型对物理世界缺乏扎实的认识、长期的记忆、连贯的推理能力和战略前瞻性，态度更加怀疑。一项苹果刚刚发布的新研究还指出，目前的模型只在其训练数据的范围内发挥作用。然而，即使AI的发展在明天嘎然而止，它带来的影响也已经开始了。
为了在这种全新的情况下找到正确的方向，领导者需要了解和规划自动化将如何影响他们的业务。这就要求他们明确哪些任务和职责最有可能面临压力，规划一条路径，让企业在时间耗尽之前走向智能价值链的上游。
哪一种不会面临自动化风险？
学者和从业者普遍讨论了哪些工作和任务最容易受到自动化的威胁。一些威胁不言而喻:无人驾驶汽车可能很快取代数百万网络汽车、公共汽车和卡车司机。同时，语言翻译、大量创意写作、设计，甚至日常编程工作，都逐渐交给AI完成。
今年2月，Anthropic分享了一组发人深省的用户数据:虽然聊天模式自然引导人们进行人机合作，但约43%的交互已经属于某种形式的自动化，即用户要求AI直接发布任务，而不是帮助他们反复思考和解决问题。通过MCP等协议进行数据交换和任务协调，模块化AI智能体进入职场，这一比例将继续上升。无论是通过法律、税法、合规协议还是传感器数据流，那些被广泛量化或标准化的环境，都面临着短期内被机器取代的最大风险。
AI研究先驱阿贾伊·阿格拉沃尔2018年（Ajay Agrawal）、约书亚·甘斯（Joshua Gans）和阿维·戈德法布（Avi Goldfarb）提出，随着人工智能的发展，人类最终的优势将是判断，即衡量选项并在不确定的前提下做出决策的能力。但是，这种观点给我们带来了一个难题：在任何特定的时刻，准确地定义到底什么是判断。
如今，选择治疗方法、审批法律合同、编写紧跟时代精神的影视剧本等需要人类判断的任务。随着模型可以使用更丰富的数据和更强大的计算能力，它们可能很快被AI接管。最近的研究还表明，我们也不能理所当然地认为，人们总是更倾向于选择人类治疗师、顾问或调解者。相应的AI可以全天候工作，成本只是人类的一小部分，AI提供的服务水平可能更稳定，除了少数顶尖的人类专家。
那么，为了实现智能化，我们如何区分AI能够快速自动化的任务，以及AI技术需要取得新的突破？为了回答这一问题，我们应该回到基本原则，回顾这一切的起源。
从实验室比赛到工业革命
回顾21世纪初，计算机科学家李飞飞发现，他在计算机视觉领域遇到了一个瓶颈:由于缺乏像素数据，算法摄入的视觉信息太少，无法达到人类的表现水平。她的解决方案简单直接，但效果显著:她创建了一个由亚马逊土耳其机器人众包平台完成的庞大而精心注明的图像库。但她真正的天才行为是在2010年，她在这个数据上设置了一个全球排名，将图像识别转化为科研人员之间的激烈竞争。
最初两年，年度排行榜上的成绩进展缓慢。
不过，亚历克斯·克里泽夫斯基于2012年。（Alex Krizhevsky）、伊利亚·苏茨克韦尔（Ilya Sutskever）和杰弗里·辛顿（Geoffrey Hinton）脱颖而出，让其它竞争者望尘莫及。这三个来自多伦多的团队使用了两个现成的英伟达GTX。 580显卡，只需几天就能训练出具有突破性的卷积神经网络。这一开创性方法证实，即使只有研究生预算，也可以改写计算机视觉的历史。
这一刻结束了近几十年的AI严冬，将神经网络推向了技术进步的核心位置，揭示了这一领域至今仍在使用的成功模式。第一，收集相关数据，在ImageNet项目中收集大约1400万个标记图像；第二，依靠指标量化和推进进度；最后，在自学之前，为模型提供大量的数据和强大的GPU计算能力。正是这种模式使AI能够从物体分类发展成为一篇流畅的文章，并在新兴的“思维”系统中推理、规划和应用外部工具。
数据，奖励，计算能力
推动图像识别取得突破的框架实际上远远超出了大多数人的认知。只要符合以下条件，这个框架就可以发挥作用:
首先，定义任务环境并收集数据，不管是文字库、图像和视频库，记录的行驶里程，还是来自机器人传感器的数据流；
其次，明确目标奖励，可以很清楚(比如“模型是否计算了下一个单词？”)，也可以是隐含的(通过观察人类行为的推断)；
三是提供计算能力，使系统能不断迭代。
通过收集这三个要素，我们可以得到一个通用的自动发动机。现在，有两种数据趋势加速了这个过程。第一，模型可以生成包含各种极端场景在内的无限生成样本的虚拟“行驶里程”，而无需依赖现实世界中司机的数据。其次，AI越来越多地应用于各种设备和传感器，如手机、汽车等。它就像一个低成本的检测器，捕捉和量化了现实世界的信号，这些信号曾经因为成本高或者脱离实际而难以检测。
只要一个现象可以转化为数据，AI就可以大规模学习和再现。而且这种技术还在不断降低这种转换的成本，使得测量更加便宜快捷，并悄悄融入到我们接触到的一切中。越来越多的事情变得可以量化，这个循环不断重置，模型不断演变。这意味着理论上任何可量化的工作都可以自动化。
测量成本低，应用无处不在。
兹维·格里利经济学家谢斯（Zvi Griliches）一九五七年对杂交玉米推广具有里程碑意义的研究，让我们清楚地看到了未来的发展。起初，农民只在最好的土地上种植这种昂贵的种子，因为在这些土地上，增加产量很容易填补使用新产品的额外成本和学习成本。伴随着杂交种子的改良和口碑的传播，即使是利润微薄的土地也迅速达到了收益成本的平衡。对AI而言，投入测量事物的成本也遵循同样的收益曲线。当将现实转化为高成本数据时，公司通常只在信用卡欺诈检验、算法市场、喷气发动机故障预测等一些关键领域进行投资。
但是，如今，AI大大降低了精确测量的成本，使持续、细致的感知成为常态。在现实世界中，当数据获取缓慢或困难时，轻量级模型与传感器协调工作，减少带宽和延迟，并填补空白。每个小数位都能迅速带来好处：在数百万AI驱动的决策中，细微的误差减少会迅速积累。随着精确测量成本的降低，即使是收入微薄的领域也变得有利可图，那些因为微不足道而没有得到重视的任务也逐渐被纳入自动化范围。
我们不仅可能很快拥有从廉价到近乎免费的智能，还会对世界进行更多的测量，以扩大和升级这种智能的应用范围。我们已经处于“人工测量智能”的时代，任何可以量化的东西都会很快被列入自动化的时间表。
在未知中蓬勃发展
在进化过程中，人类是多面手，生来就能在信息不完整的情况下摸索前进。在未知的未知中，我们不但可以生存，而且可以从中蓬勃发展，这就是我们的决定性优势。经过无数代的进化，我们不断优化喉咙和社会思维大脑，直到语言诞生，然后打开了学习知识、抽象推理和符号思维的大门。从那以后，我们突破了自己的生物限制，制造了各种各样的工具，扩展了我们的感知，增强了我们的记忆力，提高了我们的能力。
但我们优势的基石在于前额叶皮层，高度灵活，间隙连接。这个神经指挥中心让我们构思了无数的“假设”，预演了各种可能的未来，在条件发生变化时立即调整策略。即使是量子计算机，也很难在开放和跨领域规划反事实方面达到我们的天赋。
伴随着AI的加速发展，它带来了新的未知，我们的认知版图也逐渐被重新绘制。同时，这将可以预测一些常规化，就像机械化农业一样，让我们摆脱了自给自足的生存模式，解放出更多用于反事实思维的脑力资源，应对更高级的问题。
AI也将面临这些几乎无法检测的领域的困境。举例来说，事件视觉望远镜（Event Horizon Telescope）在捕捉一个黑洞图像之前，花了近十年的时间跨越全球；在实践极端尺度的物理、地球深层的地球窗帘和海底，以及研究人脑中活细胞的相互作用方面，仍然存在未解决的问题。在隐私、伦理或控制有限、难以检测的领域，AI的发展会相对滞后于社会要求推理过程透明的领域(至少在模型可解释性跟上之前)，以及人们更倾向于参与的行业。但是，就像杂交玉米的推广一样，未来几代人会不断重新审视这些领域的成本效率，可能会得出与我们完全不同的结论。
但是，在可测量范围内，有一个很重要的例外可能具有决定性意义：这些任务很难量化，因为结果的概率根本不确定，也就是奈特的不确定性。（Knightian uncertainty）的行业。这一领域，由于风险本身没有明确的定义，你不能给任何概率。比如成立一家创业公司，在金融体制转型时制定央行政策，制定AI伦理规范，发明新的艺术媒介，引发潮流，或者创建全新的跨境大片，都是一个概率消失的行业，在资金或人才投入高度不确定的项目，控制新病原菌，制定金融体制转型时的央行政策。有些创造性的行为和发现只是对已知事物的巧妙重组，但真正的创造性成果取决于我们独特的能力，即构思一个全新而复杂的反事实世界。
这份清单并非一成不变，一旦某些任务变得可测，它们就会从清单上消失，而且新的任务也会很快出现。每一次改变都会带来痛苦的经济和社会调整，促使更多的工作集中在一个超级明星经济体系中，在创造力、天赋和资本的巅峰集中巨大的回报。然而，AI也带来了一份看似分歧的礼物:通过普及教育，成为每个人的个人助手，它为攀登这些巅峰的人提供了比过去更多的工具。工作本身将继续演变，任何将未知转化为可量化的突破，都将以极快的速度传播和模仿。
对一些推动组织穿越这一动荡转型的领导者来说，除了电子表格还有什么？是单元格中无法体现的一切:那些无法量化的技能，那些没有可靠例子的开放性问题，那些无形的因素，比如信任、品味、质量和经验的细微层面，甚至所有的指标都表现出“等待”的信念，依然勇往直前。只要管理好你能检测到的东西，就等于把最宝贵的领域交给那些培养不可量化事物的竞争者。
博士音响公司成立（Bose Corporation）阿马尔·博斯，音响和电子工程师（Amar Bose）这证明了这一点:当其他人喜欢规格表上的数据时，他致力于音乐在真实房间中给人的听觉体验，这是目前任何指标都无法捕捉到的质量，因此他改写了音频行业的规则。
总的来说，处理方法很简单。支持投资收益率模糊的冒险筹码，奖励那些重新定义问题，勇于开拓未知团队，让人才在R&D、新市场、复杂用户、合作伙伴、政策互动等不确定岗位之间轮岗。留出业余时间，促进跨团队沟通，激发意外发现和创造性重组。将这些有意保留的模糊领域视为战略资产，而不是负担。
只有那些不仅要关注可量化的事情，更要关注那些总是难以量化的事情的领导者，只有在下一次变革到来时，才能坦然面对。
本文来自微信微信官方账号 “哈佛商业评论”（ID：hbrchinese），作者：HBR-China，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com