人工智能的能与不能

 人工智能终于成真，并即将对商业产生深远的影响。但它并不是魔法，因此，本文说明对你的组织来说，人工智能能做什么，以及做不到什么。

250多年来，经济成长的根本动力一直都是技术创新。其中最重要的，是经济学家说的“通用技术”(general-purpose technology)：这类技术包括蒸汽机、电力和内燃机。每一类都催生了一波波的互补性创新和机会。举例来说，有了内燃机，汽车、货车、飞机、链锯和割草机应运而生，还有大卖场式零售商、购物中心、交叉配送仓库(cross-docking warehouse)、新的供应链，而你若仔细想想，连郊区也是。沃尔玛(WalMart)、UPS和优步(Uber)等各式各样的公司，都找到善用这种技术的方式，创造出获利的新商业模式。

我们这个时代，最重要的通用技术是人工智能，尤其是机器学习，也就是机器有能力持续不断改善本身的表现，人类交付任务给机器时，不必确切解释如何完成所有那些任务。过去几年之间，机器学习已远比从前有效且普及。我们现在建立的一些系统，已懂得如何自行执行任务。

为什么这件事非同小可?理由有二。第一，我们人类了解的事情，比我们能说出来的更多。有很多事情，我们有能力做到，但没有办法确切解释如何做到，从辨识人的脸，到玩古老亚洲斗智游戏围棋时下聪明的一步棋，都包括在内。在机器学习之前，无法明确表达自己的知识，就表示我们不能把许多任务自动化。而现在，我们做得到了。

第二，机器学习系统往往很擅长学习。它们能在广泛的活动上，展现出超乎人类的表现，包括侦测诈欺和诊断疾病。优异的数字学习者，正被部署到经济的各个角落，它们造成的冲击会十分深远。

在商业领域，人工智能势必会产生改造一切的冲击，规模不亚于先前的通用技术。虽然世界各地已有成千上万的公司开始使用它，但大多数的大机会还没有被开发。未来十年，人工智能的影响将会扩大，因为制造、零售、运输、金融、健康照护、法律、广告、保险、娱乐、教育，以及其他每一种产业，都会改造本身的核心流程和商业模式，以充分利用机器学习。现在的瓶颈，是在管理、执行和商业想象上。

然而，人工智能和其他许多新技术一样，产生许多不切实际的期望。我们见到商业计划动不动就提到机器学习、神经网络，以及这种技术的其他形式，却很少提及它的真正能力。举例来说，单单称一个约会网站是“人工智能驱动”，并不会使它的效果更好，但可能有助于筹募资金。本文将避开这些杂音，直接说明人工智能的真正潜力、它的实务意涵，以及有哪些障碍妨碍采用它。

现在，人工智能能做什么?

人工智能这个词，是达特茅斯学院(Dartmouth)数学教授约翰.麦卡锡(John McCarthy)，在1955年创造的。来年，他针对这个主题，筹办开创性的研讨会。此后，可能部分由于它那引发人们想象的名称，这个领域产生了比它梦幻般宣言和承诺还要多的东西。1957年，经济学家赫伯特.赛蒙(Herbert Simon)预测，十年内计算机会在西洋棋比赛上打败人类(实际上花了四十年)。1967年，认知科学家马文.明斯基(Marvin Minsky)说：“一个世代内，创造人工智能时遇到的问题，将会大幅解决。”赛蒙和明斯基都是知识巨人，却都错得十分离谱。因此，对于未来的突破提出戏剧性的说法，却遭到某种程度的怀疑，这情况是可以理解的。

我们先来探讨人工智能已经在做什么，以及它改善的速度有多快。最大的进展在两大领域：感知(perception)与认知(cognition)。在感知方面，一些最实用的进展和语音有关。语音识别要达到完美，还有一大段距离，但数百万人正在使用它，例如Siri、Alexa和Google Assistant。你正在看的这篇文章，是先向计算机口述，然后以足够的正确程度转成文字，速度比打字要快。

史丹福大学计算机科学家詹姆斯.蓝德(James Landay)和同事的研究发现，平均来说，目前进行语音识别，比在手机上打字约快三倍。以前的错误率是8.5%，现在已经降为4.9%。引人注目的是，这么大幅度的改善，不是过去十年发生的，而仅仅是2016年夏天以来的成果。

虽然世界各地已有成千上万的公司开始使用人工智能，但大多数的大机会还没有被开发。

图像辨识也大幅改善。你可能已经注意到脸书(Facebook)和其他应用程序，现在认得出你张贴照片中朋友的脸孔，并提醒你标记他们的名字。安装在智能手机里的应用程序，认得出野外中的几乎任何鸟类。图像辨识甚至取代企业总部中的身分识别证。无人驾驶汽车中使用的视觉系统，以前确认行人时，每三十张图像就会错误一次(这些系统中的相机，每秒就记录约三十张);现在，它们的错误次数，是每三千万张不到一次。一个名为ImageNet的大型数据库，拥有数百万张常见、模糊，或是十分诡异的图片，辨识图像的最佳系统，辨识那个数据库里图片的错误率，从2010年的高于30%，降为2016年的4%左右(见图：“小狗或马芬蛋糕?”)。

近年来采用的一种新方法，是以非常大型或“深度”的神经网络为基础，因此改善的速度迅速加快。视觉系统的机器学习方法，仍有许多缺陷;但连人也很难迅速认出小狗的脸，或者更令人尴尬的是，看到牠们可爱的脸孔，但其实并不存在。

第二类的重大改善，是在认知和问题解决方面。机器已经在扑克牌和围棋方面，击败最优秀的人类高手，专家本来预测至少还要再十年才会达到这样的成就。Google的DeepMind团队使用机器学习系统，改善数据中心的冷却效率达15%以上，即使人类专家之前已经将它们优化了。网络安全公司深度本能(Deep Instinct)使用智能代理(intelligent agent)，侦测恶意软件。

PayPal也用智能代理来防范洗钱。使用IBM技术的一套系统，将新加坡一家保险公司的理赔流程自动化。数据科学平台公司Lumidatum的一套系统，实时提供建议，以改善顾客支持。数十家公司正使用机器学习，决定要在华尔街执行哪些交易，而且在它的协助之下，做成愈来愈多信用决策。亚马逊(Amazon)运用机器学习，来优化存货，和改善对顾客的产品建议。无限分析公司(Infinite Analytics)开发出一套机器学习系统，预测用户会不会点按某一则广告，为一家全球消费性包装产品公司改善在线广告刊登效果。另一套机器学习系统，用来改善巴西一家在线零售商的顾客搜寻与发现过程。前述第一套系统提高广告的投资报酬率三倍，第二套系统使得年营业收入增加1.25亿美元。

机器学习系统不只取代许多应用软件中比较旧的算法，现在，更在许多过去人类较擅长的任务上，表现卓越。这些系统仍然很不完美，但它们在ImageNet数据库约5%的错误率，表现已经与人类的水平相当，或者更好。语音识别现在也几乎等同于人类的表现，即使在嘈杂的环境中也是如此。达到这个门坎，开启了改造职场和经济的庞大新可能性。以人工智能为基础的系统，一旦在某个任务上的表现超越人类，就会远比从前更可能迅速扩散。举例来说，分别是无人机和机器人制造商的Aptonomy与Sanbot，正使用改良后的视觉系统，将不少保全工作自动化。软件业者Affectiva等公司，正在使用它们来辨识焦点小组成员的喜悦、惊讶和愤怒等情绪。有几家深度学习新创企业使用它们扫瞄医疗图像，以协助诊断癌症，Enlitic就是其中一家公司。

这些是令人印象深刻的成就，但是，以人工智能为基础的系统，应用范围仍然相当狭隘。例如，ImageNet数据库有高达几百万张图像，人工智能辨识ImageNet图像的表现可圈可点，但是，不见得一定能在外界各种不同的条件和情况下，取得类似的成功率，因为照明清况、角度、图像分辨率和背景，可能非常不同。从更根本的层面来说，若有一套系统可了解中文的语音，并翻译成英文，我们会对这套系统的能力赞叹不已，但我们不能期待这种系统懂得特定的中国字是什么意思，更别提是让它们告诉我们，到了北京要去哪里用餐了。如果某个人有一项任务执行得很好，我们自然会假定那个人，在相关任务上也拥有一些能力。但机器学习系统受到训练是要去做特定的任务，通常它们的知识不会扩大应用(generalize)。有些人误以为计算机狭隘地理解某件事，就意味着它能更广泛地了解其他事物，可能主要是因为这种谬误，而造成人们对人工智能进展感到困惑，并出现浮夸的说法。机器要展现涵盖各种领域的普遍智慧，这样的境界仍然相当遥远。

了解机器学习

关于机器学习的最重要事情，是它意味要用根本上完全不同的方式来制作软件：机器从例子中学习，而不是明确编写程序，以得到特定的结果。这和以前的做法大不相同。过去五十年来的大部分时候，信息科技及应用的进步，都是聚焦在把目前的知识和工作程序写成程序代码，并嵌入机器中。没错，编码(coding)这个词，是指开发人员很辛苦地将脑中的知识，转化成机器能了解和执行的形式。这个方法有根本上的缺点：我们拥有的许多知识，是难以完整说明的内隐(tacit)知识。我们几乎不可能写下一些指令，教另一个人学习如何骑脚踏车，或是辨识朋友的脸孔。

换句话说，我们懂的事情，比我们能表达出来的更多。这个事实十分重要，因此有个名称：博蓝尼悖论(Polanyi's Paradox)，因为博学多闻的哲学家博蓝尼在1964年说明了这个现象。博蓝尼悖论不只限制我们能告诉另一个人的事情，一直以来，也为我们赋予机器智慧的能力，设下根本的限制。长久以来，这限制了机器在经济中能有效执行的活动。

机器学习正在克服这些限制。在第二次机器时代的第二波浪潮中，人类打造的机器正从各种例子中学习，并使用结构化的回馈意见，解决它们本身的问题，例如，博蓝尼提出有关脸孔辨识的经典问题。

不同类型的机器学习

人工智能和机器学习有许多类型，但近年来，大部分的成功集中在一类：监督式学习系统(supervised learning system)，也就是把某个问题的许多正确答案的例子给机器。这个流程，几乎总是要把一组投入元素X，对映到一组产出Y。举例来说，投入元素可能是各种不同动物的照片，正确的产出，可能是这些动物的标记：狗、猫、马。投入元素也可能是来自录制声音的波形，产出可能是“是”、“否”、“你好”、“再见”等(见图：「监督式学习系统」)。

监督式学习系统

这个领域的两位先驱汤姆.米契尔(Tom Mitchell)和麦可.乔丹(Michael I. Jordan)注意到机器学习最近的进展，包括将一组投入元素与一组产出作比对。其中一些例子如下：

成功的系统往往使用一组训练数据组，其中有数千、或甚至数百万个例子，每个例子都标记正确的答案。接着，就放手让系统去观察新的例子。如果训练进行良好，系统预测答案的正确率会很高。

促成这些成功背后的算法，仰赖的是一种使用神经网络的“深度学习(deep learning)”方法。深度学习算法大幅胜过旧世代的机器学习算法：它们更能善用数量更多得多的数据集。

随着训练数据中的例子数目增加，旧系统也会改善，但只能改善到某一个程度，在那之后，额外增加数据也不会使预测变得更准。这个领域的大师之一吴恩达(Andrew Ng)表示，深度神经网路似乎不会像这样成效趋于持平：更多资料会使预测愈来愈好。有些非常大的系统，使用3,600万个或更多例子加以训练。当然，运用极大的数据集，需要愈来愈大的处理能力，因此，非常大的系统常必须在超级计算机和专用计算机架构上运作。

任何情况中，如果你有许多行为数据，并且试着预测结果，都是监督式学习系统的潜在应用。领导亚马逊消费者业务的杰夫.威尔克(Jeff Wilke)说，监督式学习系统已大量取代以记忆为基础的过滤式算法，这种过滤式算法过去是用来向顾客做个人化推荐。在其他情况中，设定存货水平和优化供应链的传统算法，已被根据机器学习、更有效率和更稳健的系统取代。摩根大通银行(JPMorgan Chase)引进一个系统，审查商业贷款合约;以前需要放款行员36万个小时的工作，现在能在几秒之内完成。而且，监督式学习系统现在还可用来诊断皮肤癌。这些只是少数一些例子而已。

标记一堆数据，用它来训练监督式学习者，是相当直截了当的做法;正因如此，监督式机器学习系统，比非监督式机器学习系统更常见，至少在目前是这样。非监督式学习系统设法自行学习。我们人类是出色的非监督式学习者。我们对世界的大部分知识(例如辨认一棵树)，是在几乎没有标记数据、甚至完全没有标记数据的情况下学到的。但要开发出用这种方式运作的成功机器学习系统，是极为困难的。

当我们学习打造稳健的非监督式学习者，会出现令人振奋的可能性。这些机器能以全新的方式，观察复杂的问题，协助我们发现一些目前我们还不知道的各种形态;例如，疾病的蔓延、市场中不同证券的价格波动、顾客的购买行为等。这种可能性，使得脸书人工智能研究主管、纽约大学教授扬.勒丘恩(Yann LeCun)把监督式学习系统比喻成蛋糕上的糖霜，非监督式学习则是蛋糕本身。

以人工智能为基础的系统，一旦在某个任务上的表现超越人类，就会远比从前更可能迅速扩散。这个领域里的另一个成长中的小领域，就是强化式学习(reinforcement learning)。这种方法被嵌入擅长玩雅达利(Atari)电玩游戏的系统，以及围棋等棋盘游戏中。它也协助优化资料中心的电力使用，以及发展出股票市场的交易策略。Kindred研发的机器人，使用机器学习，来辨识和整理他们以前不曾遇过的对象，加快消费性产品配销中心的「拿取与放置」流程。强化式学习系统中，程序设计师会厘清系统的目前状态和目标、列出容许的行动，并说明限制每项行动所获得结果的环境要素。这套系统使用容许采取的行动，来判断如何才能尽量接近目标。如果人类能明确设定目标，但不见得知道要如何达到那个目标，那么这些系统运作得很好。举例来说，微软(Microsoft)使用强化式学习，若是有较多的访客点按连结，就会「奖赏」系统更高的分数，用这种方式来选择MSN.com新闻报导的头条新闻。这套系统试着根据设计者给它的规则，极大化它得到的分数。当然，这表示强化式学习系统会优化，以达到你明确表示要奖赏的目标，而不见得是你真正在意的目标，例如终身顾客价值，因此，清楚地设定正确目标，是非常重要的。

让机器学习得以运作

目前想要使用机器学习的组织，有三个好消息。第一，人工智能技能正在迅速扩散。全世界的数据科学家和机器学习专家仍不够多，但对他们的需求，有在线教育资源和各个大学努力去满足。其中最好的，包括Udacity、Coursera和fast.ai，不仅教导入门概念，实际上还教导聪明、上进的学生创造工业级的机器学习部署。对这方面有兴趣的公司，除了训练本身的人员，还可以利用Upwork、Topcoder和Kaggle等在线人才平台，寻找有可验证专长的机器学习专家。

第二个受欢迎的发展，是现代人工智能需要的算法和硬件，可视需要购买或租用。Google、亚马逊、微软、Salesforce和其他公司，正透过云端，提供强大的机器学习基础设施。这些对手之间激烈的竞争，意味想要实验或部署机器学习的企业，会发现长期而言，可用的能力愈来愈强，价格却愈来愈低。

最后一个好消息，可能最为人低估：你可能不需要那么多资料，就可以开始有效利用机器学习。大部分机器学习系统，只要给它们更多数据去运作，它们的绩效就会改善。因此合理的结论似乎是，有最多资料的公司会胜出。这种说法若要正确，前提必须是：如果「胜利」是指「主宰单一应用的全球市场，例如广告定向(ad targeting)或语音识别等应用」。但如果成功的定义并非如此，而是要显著改善绩效，那么，所需要的足够数据，往往令人意外地很容易取得。

举例来说，Udacity共同创办人塞巴斯钦.特伦(Sebastian Thrun)注意到，他的一些销售人员在聊天室回复入站查询方面，成效远高于其他人。特伦和他的研究所学生扎伊德.伊南(Zayd Enam)知道，他们的聊天室登录，基本上是一组有标记的训练数据，这正是监督式学习系统需要的。导致达成销售的互动，标记为成功，其他所有的互动，标记为失败。伊南使用这些数据来预测，成功的销售人员，在响应一些极为常见的查询时，可能会提供哪些答案，然后和其他销售人员分享那些预测，敦促他们取得更好的绩效。在一千次训练周期之后，销售人员提高成效的幅度达54%，而且能同时服务两倍多的顾客。

人工智能新创公司WorkFusion采取类似的方法。它和一些公司合作，用更高程度的自动化，来进行办公室后端流程，例如，支付国际发票和结算金融机构之间的交易。这些流程过去一直没有自动化，是因为它们相当复杂;相关的信息，不见得每次都以相同的方式呈现(“我们如何知道他们谈的是什么货币?”)而且需要某种程度的解读和判断。WorkFusion的软件，在背景观看人类做工作，并使用人类的行动，作为“分类”这项认知任务的训练数据(“这张发票是用美元。这张是用日圆。这张是用欧元……”)。一旦系统对本身的分类能力有足够的信心，就会接管分类流程。

机器学习正在三个层次上推动变革：任务与职业、商业流程、商业模式。重新设计任务与职业的一个例子，是使用机器视觉系统，来辨识潜在的癌细胞，好让放射科医生把心力专注在真正危急的病例上、与病患沟通，以及与其他医生协调。重新设计流程的一个例子，是亚马逊订单履行中心根据机器学习，引进机器人和优化算法之后，改造工作流程和楼面规划。同样的，公司应重新思考商业模式，以充分利用机器学习系统，这种系统可以用个人化方式，聪明地推荐音乐和电影。与其根据消费者的选择，一首一首地销售歌曲，更好的模式可能是让顾客订阅个人化电台，这个电台可以预测和播放那个顾客会喜欢的音乐，即使他之前不曾听过那些音乐。

注意，机器学习系统很少取代整个工作、流程或商业模式。最常见的情形，是它们与人类的活动互补，让人类的工作更有价值。“把所有的任务交给机器”，不太可能是这个新分工方式的最有效准则。相反地，如果成功完成某个流程需要十道步骤，其中一、两道可能自动化，其余的部分由人类来做，会更有价值。举例来说，Udacity的聊天室销售支持系统，并没有试着打造可接管所有对话的机器人。相反地，它会建议人类销售人员如何改善绩效。人类仍居于主导地位，但效能和效率远高于从前。这么做的可行性，远高于尝试设计机器来做人类会做的每件事。这通常会使相关人员的工作变得更好、更令人满意，最后提供更好的成果给顾客。

设计和执行新方式，来结合技术、人类技能与资本资产，以满足顾客需求，这一切都需要大规模的创意与规划。机器不是非常擅长这种任务。因此，在机器学习的时代当创业家或企业经理人，是社会中奖酬最高的工作之一。

风险与限制

第二次机器时代的第二波浪潮，也伴随着新的风险。尤其是机器学习系统的“可解释能力”(interpretability)经常偏低。意思是，人类难以清楚了解系统如何做成决定。深度神经网络可能有数亿个连结，每个都对最后的决定贡献了一小部分力量。因此，这些系统的预测，往往无法提出简单、清楚的解释。机器和人类不同，机器不擅长说故事(目前还不擅长)。它们不见得能提出理由说明，为什么某人应征某个职位获得录取，另一个人则落选，或是为什么推荐某种药物。说来讽刺，即使我们开始克服博蓝尼悖论，却正面临它的相反版本：机器懂的，比它们能告诉我们的更多。

这产生了三种风险。第一，机器可能有隐藏的偏误，而偏误来自训练系统所用的数据，而不是设计者刻意制造偏误。举例来说，如果系统使用人类招募人员过去做的决策数据集，学会应录取哪些应征工作的人，它们可能无意间永久沿用了人类决策者的种族、性别、族群或其他方面的偏误。此外，这些偏误可能不是以清楚的外显(explicit)法则来呈现，而是嵌入数千个被考虑的因素之间微妙的互动当中。

第二个风险是，神经网络系统和建立在外显逻辑法则上的传统系统不同，神经网络系统处理的是统计真相(statistical truth)，不是实际真相(literal truth)。因此很难、甚至不可能

完全肯定地证明，系统会在所有的情况下运作，尤其是训练数据里没有呈现的情况。对于关键任务的应用，例如，控制核能发电厂或攸关生死的决定，缺乏可验证性令人担忧。

第三，当机器学习系统的确会犯错，几乎不可避免会犯错，可能就很难诊断什么事情出了差错，并改正错误。导出解决方案的根本结构，可能复杂得难以想象，而且，如果接受训练的系统所处状况改变，解决方案可能很不理想。

虽然这些风险都很严重，但合适的比较标准并不是以“完美”为标准，而是可能得到的最佳替代方案。毕竟，人类也会有偏误，也会犯错，也可能难以确实地解释我们如何做成某个决定。以机器为基础的系统，优点在于它们经过一段时间之后能够逐渐改进，而且若是给它们相同的数据，会得到前后一致的答案。

这是否意味着人工智能和机器学习能做的事没有极限?感知和认知涵盖很广的领域：从开车到预测销售额，到决定录用或升迁谁。我们相信，人工智能有很好的机会，不久就会在大部分或所有这些领域，达到超人的表现水平。

那么，人工智能和机器学习不能做什么事?

我们有时会听到有人说：“人工智能永远不会擅长评估情绪化、诡计多端、狡猾、前后不一的人类：它太过一板一眼、不带人性色彩，没办法做那种事。”我们不同意这种说法。像Affectiva的机器学习系统，在根据音调或脸部表情，以察觉人的情绪状态方面，表现已达到或超越人类的水平。其他系统能推断，即使是世界上最佳的扑克牌好手，什么时候在虚张声势，而能在极复杂的一对一无限注德州扑克(Heads-up No-Limit Texas Hold'em)竞赛上击败他们。正确看出一个人的情绪，是细致微妙的工作，但不是魔法。它需要感知和认知，这正是机器学习目前很强的领域，而且持续变得更强。

若要讨论人工智能的极限，一个很好的起始点，就是毕加索(Pablo Picasso)对计算机的观察：“但它们一无用处。只能给你答案。”从机器学习最近的胜利来看，它们绝对不是一无用处，但毕加索的观察仍带来深入的见解。计算机是回答问题的装置，不是用来提出问题。这表示我们仍然会很需要某些人，他们能够看出接下来要处理什么问题或机会，或是要探索什么新领域，像是创业家、创新者、科学家、创造者等等。

虽然人工智能的这些风险都很严重，但合适的比较标准并不是以“完美”为标准，而是可能得到的最佳替代方案。同样地，消极地评估某个人的心理状态或士气，和积极地设法改变它，这两者有很大的不同。机器学习系统变得相当擅长前者，但在后者仍远远落后我们。人类是强烈的社会性物种;最擅长运用社会性驱力(social drive)如同情、自豪、团结、羞耻等，以说服、激励和鼓舞人的是其他人类，不是机器。2014年，TED大会和XPrize基金会宣布设立一个奖项，颁给“在这座讲台发表引人入胜的演说，赢得听众起立鼓掌的第一个人工智能”。我们怀疑这个奖很快就会颁出。

我们认为，在这个超级强大机器学习的新时代中，人类智慧最大和最重要的机会，在于两个领域的交会处：分析接下来要处理什么问题，以及说服许多人去处理那些问题，提出解决方案。这是领导力的合适定义，而这在第二次机器时代，变得远比从前重要。

人类和机器之间目前的分工情况，正在非常快速地崩解。坚持原来见解的公司会发现：相较于愿意且能够将机器学习应用在所有合适地方的对手，以及能分析如何有效整合它的能力与人类能力的公司，坚持原来见解的公司日益落居竞争劣势。

由于技术进步，商业世界已经开始经历地壳变动般的根本改变。和蒸汽动力与电力的情况一样，区分赢家和输家的因素，不在于能不能取得新技术，甚至不在于是否能聘用到最佳的技术人员。相反地，赢家将会是态度够开放的创新者，他们的眼光能够超越现状，设想出非常不同的方法;他们也够聪明，能够运用那些方法。机器学习留给我们最大的成果之一，可能是创造新一代的企业领导人。

我们认为，人工智能，尤其是机器学习，是我们这个时代最重要的通用技术。这些创新对企业和经济的冲击，将不只反映在它们的直接贡献上，也反映在它们能够促成和启发互补性的创新。

机器学习带来很多能力，像是更好的视觉系统、语音识别、智能问题解决等等，有了这些能力，就可能出现新的产品和流程。

有些专家更进一步。丰田研究所(Toyota Institute)现任领导人吉尔.普拉特(Gil Pratt)，把目前这一波的人工智能技术，比喻成五亿年前的寒武纪大爆发，那时孕育出不计其数的新生

命形式。那时候和现在一样，一个关键新能力是视觉。当动物首次得到这种能力，便能远比从前更有效探索环境;这催化了物种的数量大幅增加，包括猎物和掠食者，而且，被填满的生态栖位(ecological niche)范围也大大增加。今天的情况也类似，我们预期会见到各种新产品、服务、流程和组织形式，同时也会有大量的灭绝。在出乎意料的成功之外，必然也会有一些可怕的失败。

虽然很难确切预测哪些公司将主导新的环境，但有个通则很清楚：最灵活和顺应力最强的公司与高阶主管，会繁荣发展。在由人工智能赋予能力的领域里，能迅速察觉和响应机会的组织，将会掌握优势。所以，成功的策略是愿意做实验，以及快速学习。如果经理人不在机器学习的领域加强实验，就没有善尽职责。接下来十年，人工智能不会取代经理人，但使用人工智能的经理人，会取代那些不使用人工智能的经理人。