从16年至18年AI取代人工的话题络绎不绝,不过讲实话,要评价现在的人工智能,或者大部分优异的人工智能的话,都只能说它们是绝佳的模仿者,而非思考者。无论是从今AlphaGo到AlphaStar都是通过模仿人类的操作在算力上面达成的,而为什么要这样操作它们全然不知。

如果需要解释AI在工作时的运作逻辑,那翻译机就是一个非常典型的例子,其实早在计算机出现之前,就有苏联科学家提出了基础的构想,在ENIAC之后,IBM 为首的企业也参与进机器翻译的研究中。不少学者都期待,能够出现一个像科幻片里那种实时翻译器一样的工具,那么全球都不会出现语音障碍,势必会更加的团结。

翻译这件事情在很多人看来好像并不是很难的事情,词字一一对照翻译不就行了,在绝大多数语言中,都有对应的词汇,“妈妈”对应“mother”,“桌子”对应“desk”,可以建立对应关系;语言学也有了成熟的体系,语言的语法规则特点做拆解后,变成有效的算法策略,岂不应该是水到渠成的吗。

但是事与愿违,大量的俚语和用词习惯都是在人类实际使用语言的过程中毫无规律地出现的,用规则方式解读,几乎没有可能。
例如:Less bread. No jam.(London Transport)
这是伦敦车站的广告语
字面上是:
少一些面包, 不要果酱。
实际上这句广告词巧妙地运用了语义双关的修辞方法,因为在非正式英语里,bread一词有“钱”的意思,而jam一词则有“交通堵塞”的意思。
因此,该广告词想表达的意思是:
乘坐伦敦地铁,省时省钱,风雨无阻。
这样翻译虽然实现了原文与译文之间的意义对等,但其不尽如人意之处在于双关修辞的效果丧失殆尽,可谓美中不足,也就是“明明单词都认识,但就是翻译不出来。”

一个语种与另一个语种并不是简单的单词对应的关系,文化体系才是障碍,所以在弱人工智能迈向强人工智能这一事件,单就翻译而言,机器远远不能够取代人类。抛开语言翻译,那么AI会让哪些工作没有价值。单纯的预测,所谓具备完善的数据、有明确目标、基于已有经验而进行的工作,会变得没有价值。

例如市场投放人员,工作的主要内容是,尝试投放所有可用的渠道,并且计算 ROI,然后继续提升高 ROI 渠道的投入、减少低 ROI 渠道的投入。其次运营活动人员,负责配置各种活动。活动都是已经成型的几种模板,他会基于每次用户数据的波动,从自己的经验判断应该选择哪种活动,以及在活动中配置怎样的具体规则。

这两种就是很典型的,会快速被替代的工作。如果你正在做这类工作,还望警惕。而像产品和运营的决策往往都不具备“大量的迭代数据和迭代结果”的条件,尤其是一个决策可能跟一大堆约束条件、影响因素耦合在一块。

在这样的场景下,AI 可能会替代产品经理:要做短视频,可以自动组合出几千甚至上万种产品方案并提供给用户使用,基于用户的使用习惯,来找出最佳的方案,继续自动组合持续迭代。

在具备这样足够灵活的生产和检验条件之前,产品经理还不太可能被替代。不过看如今互联网产品设计模式的发展,已经在向这样的未来迈进。

一线的互联网公司都在用不止有两个用例的A/B test、用完备的数据埋点统计分析用以找到解决方案,虽然还不够智能,但都在陆续替代产品经理的工作、让产品经理变得逐渐不重要起来。

产品经理很像是基于规则在做产品,而现在逐渐出现了不少决策都是基于统计的。有没有觉得跟机器翻译的历史很像?

而AI 会让给哪些工作更有价值?
在《AI极简经济学》里认为,数据、判断和行动是互补品,会变得更重要。这三者分别是什么呢?

数据,指的不是做数据统计的人,或者做数据分析的人,而是指拥有数据的人/组织和有能力获取数据的人/组织。比如,基于统计的消费推荐变得愈发重要,那阿里、京东的产品和背后的数据积累就变得重要;基于统计的无人驾驶变得愈发重要,那交通部门、导航软件和网约车平台就变得重要。

有大量做数据工作的人,反而其实是在做 AI 替代品的工作,比如说单纯的导航功能,有角色会根据过往的用户出行数据来做分析和统计,以便找出一些规则。但足够强大的 AI 根本不需要规则,只要输入足够,就能给出好太多的预测,就会把这样的角色替代掉。(实际场景可能复杂得多,需要做判断,仍然需要人的参与。)

判断,指的是要告诉 AI 哪些是对的、哪些是错的。

AI 学习和掌握一个能力,是为了人类服务的,那这个“服务的目的”,是必须人来赋予。这里就需要人来给出判断,就像销售行业里面的电销机器人一样,电话机器人好不好用并不是体现在单纯的机器对于大数据的读取和反馈实现,因为单单靠机器人来实现人机交互不可能的,所以还需要客服人员的辅助来完成,从这个方向上来看好像并不是取代,更多的成为了协助,所有无论是效率上面还是质量上面又有显著提升。

比如,刚刚提到的导航功能,就可以用机器学习做得足够智能,可以算作是 AI 产品。但是这就代表不需要任何产品运营的参与了吗?当然不是,对于这个产品需要达成的目标尤其是约束条件,仍然是人要赋予的。

最短时间当然是第一要素,但在多大程度上用户会为节省时间而愿意付高速费?多大程度上用户会很讨厌堵车或者等红绿灯?等等,这些基于人感受的判断,会影响导航推荐路线的策略。

行动,当然就是基于预测的执行了。拿到了无人驾驶的好算法,该怎样应用?拿到用户消费行为的推荐,该怎样应用?不过,通常执行的内容本身又会延伸出是否有可能被 AI 替代的问题。

想到条件逐步成熟,未来可能会出现一个基于统计的优异产品决策 AI ,就像 2005 年的 Google 杀进机器翻译领域一样,还是颇有些危机感的。