人工智能（Artificial Intelligence）早已不是一个陌生词汇，零售、医疗、制造、教育…AI的影响力正加速席卷各行各业。人工智能是万能的吗？没有“人”的AI“智能”吗？
很多文章强调一个人的成功取决于自己的努力， 比如作家格拉德威尔（Malcolm T.Gladwell）在《异类》一书中提出的指出的“一万小时定律”： “人们眼中的天才之所以卓越非凡，并非天资超人一等，而是付出了持续不断的努力”。
格拉德威尔指出1万小时的重复性训练是爬升任何学习曲线并达到顶端的关键， 也是任何人从平凡变成大师的必要条件。
但对于很多职业，一个人做到了勤奋就足够了吗？答案是否定的。于是很多文章也提出各种方法论，在勤奋的基础上又提出高效率，满意度等其他指标。事实上很多重复性工种的岗位需要考核效率，而只要一个人用心，他总会在这样的岗位上变得高效。正如《卖油翁》中所及“我亦无他，唯手熟尔”。
但随着人工智能时代的来临，这样的“唯手熟尔”的高效会失去核心价值。每一个组织和个人都需要在智能时代发现自己的不可替代性，发现自己天才的一面。通过多年的商业创新实践，我们发现设计思维方法可以帮助组织和个人做出更优化的决策，并激发每一个人的天赋潜能。
人工智能的冲击
Artificial Intelligence （人工智能）现在已经是一个热词，人类已经进入人工智能时代。计算机在过去几十年极大地改变了人们的工作方式，但在过去的人机交互中，人仍然占据主导的地位。
未来人工智能可以在某些应用上彻底取代人工，那么我们如何在人工智能爆发的时代不被取代呢？一个共识是人或者一个组织的设计和创新是无法被人工智能取代的，所以一个可持续发展的组织需要源源不断地进行创新。在阐述如何激发创新力之前，我们先看看为什么创新无法被人工智能取代。
现在人工智能的突破主要有以下两个应用：
计算机视觉及语音识别
固定规则环境下的最佳判断
我们通过分析可以看出设计和创新在其中仍然起到关键作用。
计算机视觉及语音识别 △ 基于深度神经网络学习
人们最初是期望计算机能自动识别一只狗。这任务即使对于三岁儿童都非常容易。因为人类在进化中形成的感知能力让我们可以轻易地识别不同的形状和颜色，这是天赋本能。
更为奇妙的是，你在使用这样的本能时，并不增加脑力负担，你还可以继续开车，或者准备晚餐。但这样的识别能力却是计算机最大的挑战。
而在生活中如果让一个人计算三位数的乘法或者加法，再让他同时做其他的工作，他能够胜任吗？ 大量的计算很快就让一个人产生疲劳，不论你是天才还是普通人，这都是一个需要烧脑的过程。
对于计算机而言，无论是做三位数的乘法或者加法，这简直就是信手拈来，不费吹灰之力。
于是人识别形状和颜色的本能对于计算机而言是莫大的挑战，而让人非常烧脑的逻辑计算，对于计算机而言又是小事一桩。所以计算机可以非常容易取代人类所独有的逻辑推理智慧，但是计算机在现阶段却很难匹敌人们的本能识别和直觉。这听上去是不是很荒唐，没错，这就是莫拉维克悖论 （Moravec's paradox）。
现在的人工智能突破是嫁接人的识别能力和计算机的逻辑推理。计算机科学家花费了很多时间，通过深度网络的算法让计算机具备了识别狗的能力。
在计算机深度神经网络的训练中，一个不可少的因素就是大量的先验知识。如果想让计算机能够识别一只狗，我们必须首先拥有大量含有狗的图片，并且告诉计算机这些图片中含有狗。计算机在经过大量的学习训练后，才能主动识别新的图片中是否含有狗。
这个过程是通过计算机神经网络自我迭代实现的。最开始的神经网络并不聪明。当你提供一张含有狗的图片时，神经网络的最后计算结果可能是1 （代表图片含有狗），也可能是0（代表图片不含有狗）。人们可以通过调整神经网络参数的设定来改变最后的输出结果。
理想的情况是，当神经网络遇见含有狗的图片，它应该给出1的计算结果。我们不断提交带有狗的图片给神经网络，并观察这个神经网络是否可以给出正确的判断。如果判断出错，我们把错误的反馈告知神经网络。神经网络通过这样的训练过程最终产生可以和普通人比较的识别能力。
但很显然，神经网络这样的识别能力基于人的先验知识。如果我们把一系列含有鹿的照片提交给计算机，然后告诉计算机这是马。那么这样训练的神经网络就会指鹿为马。
当任何一个辨识过程需要更多的专业知识，这样的辨识通常无法产生海量数据，或者在现阶段还没有海量数据。如果没有充分的训练和大量数据，计算机的识别能力就无法取代人工。可见，即使人工智能发展到现在还是依赖于人的最初判断力。
而一个可持续性的组织可以通常创新，不断探索未知世界，拓展认知边界。当组织中越来越多的人具备了设计思维，组织就可以不断产生创新源泉，并通过人工智能应用完成重复性工作，提高效能。落地实践才是人工智能应用的核心。没有设计思维和创新源头，人工智能就是缘木求鱼。
固定规则环境下的最佳判断 △ 基于深度增强学习
AlphaGO是在固定规则环境下做出最佳判断的一个最好例证。围棋的变化很多, 通常的计算程序无法穷尽所有的可能性。但是，AlphaGO在2016年战胜李世石，紧接着在2017年战胜柯洁。在战胜李世石时，AlphaGO仅仅是学习了所有的经典棋谱。而经典棋谱是根据以往的复盘研究得来，所以也算是先验知识。那么人工智能一定需要大师之前的棋谱吗？ NO！
AlphaGO的升级版不再需要人类的数据。研发团队只是让它自由在棋盘上下棋，在围棋规则下进行自我博弈。AlphaGO可以通过成绩反馈，自我学习。于是大量的文章强调AlphaGO一天可以下百万盘棋局，并通过输赢反馈自我更新算法，让大众感觉人工智能已经远远超越人类的智力。
AlphaGO应用了增强学习算法（Reinforcement Learning），它可以通过最终的反馈（棋局的输赢）来判断中间过程每一步是否最优化。事实上，增强学习算法早被证明可以挑战任何固定规则的游戏，包括我们小时候常玩的打方块或者打外星人的游戏。
而围棋的固定规则虽然简单，但是计算量却巨大，所以最近才被突破。但是基于增强学习算法的人工智能是否具有了人类拥有的智慧呢？远远不是，因为增强学习算法的自我迭代依靠棋局最后的输赢。在AlphaGO下的一万盘围棋中，规则是固定的：围棋中占地多就算赢。如果规则不固定，输赢的结果就无法指导棋局中间每一步的价值。
但人类的商业和社会活动远远比围棋复杂太多，而且法规，规则在不断的变化。当 VUCA成为现代商业环境的典型描述时，仅仅依赖增强算法的人工智能会得到一个精神错乱般的结果。那么离开围棋棋盘，在现实的环境下，一个组织或个人如何找到最优的决策呢？设计思维可以通过主动的探索和评估有效反馈帮助一个组织或者个人找到针对某个具体任务的最佳决策。
很多时候，组织和个人都在根据以往的先验知识不断重复一个选择。在某种程度上，这样的选择是基于过往经验的最佳决策。所以很多文章都说“一个人号称自己有10年的工作经验，其实，他仅仅是把一年的工作经验重复了10次而已”。
设计思维鼓励试错，就像增强学习（Reinforcement Learning）中的 epsilon-Greedy算法，设计思维鼓励一个组织或者个人在不断利用以往经验的同时，去洞察用户地需求，探索新的机会点，通过试错和迭代产出新的产品和服务。
通过设计思维，一个组织可以扩大探索的路径，从而保证自己的决策不是局部最优而是全局最优。
参考目录
CS231N Course PPT Stanford University 2017
Introduction to Reinforcement Learning Course PPT David Silver
Human Brain-Sized Artificial Intelligence (AI): Coming Soon To A Cloud Data Center Near You. Forbes 2018
Lucy Reading-Ikkanda/Quanta Magazine
作 者
李欣宇
high创创始人&CEO
创新架构师/资深创新设计专家
TEDx演讲者
《This is Service Design Doing》合著者
2015年被授予中国传媒大学艺术学部设计思维创新中心特聘专家
*如需转载，请与我们取得联系，欢迎交流咨询
电话：021-22876617