非原创，转载，学习用，勿侵权。
AI，也就是人工智能到底改变了什么？其实本质很简单，类似于搜索引擎让获取信息变得廉价了，人工智能让预测变得廉价了。
当人工智能的精度和准确性还没有达到较高水平的时候，人工智能更多的是充当一个信息提供者的角色，让决策者能够处理更多的「如果」和「那么」。
从人类整体来说，人工智能可能确实会让一些职位减少乃至消失，然而同时也会创造出更多的新职位，所以人类整体失业可能并非是一个现实的威胁。
简介
经常能听到有人说，AI 是全新的东西，会颠覆，会改变世界。《AI 极简经济学》这本书的几位作者全都是多伦多大学罗特曼商学院的资深教授，在经济学和创新领域研究等方面都已经耕耘多年。这本书的主旨，就是用经济学的思路来讨论 AI 对社会、经济、管理和组织方面可能带来的变化，同时也更深入地探讨了 AI 的本质。
今天我要推荐的书是《AI 极简经济学》。乍一看这本书的书名，你可能还以为它是蹭 AI 热点，浮光掠影般地介绍几个经济学概念，再跟 AI 这个概念捆绑一下，然而上手一读，你会发现这本书所体现的作者的思想深度和对 AI 的理解都相当深刻。事实上，这本书的几位作者全都是多伦多大学罗特曼商学院的资深教授，在经济学和创新领域研究等方面都已经耕耘多年。这本书的主旨，就是用经济学的思路来讨论 AI 对社会、经济、管理和组织方面可能带来的变化，同时也更深入地探讨了 AI 的本质。
经常能听到有人说，AI 是全新的东西，会颠覆，会改变世界。问题在于，这样的话其实在最近的十几年内里，我们已经听到不止一次了。而从经济学家的角度来说，其实很少有什么是真正「全新」的和「与众不同」的。
比如开源软件，也曾经被认为是颠覆性的，是依赖于人类本性中利他主义光辉的乌托邦，然而两位经济学家，梯若尔和勒纳却在一篇论文中指出，开源软件的本质依然依赖于个人利益的长期最大化——只是很多时候这种收益是非金钱性的，而是通过开源软件的影响力，体现在对开发者声誉的提高和职业生涯的提升上，比如更大的概率找到更好的工作，拿到更高的薪水等。
再比如互联网。互联网，尤其是搜索引擎的出现对生活产生了深远的影响。「随手搜一下」所产生的流量，养活了一系列相关的公司，也产生了大量的相关工作职位。在经济学家们看来，这无非就是信息的获取变得廉价了，本质上是特定活动的相对成本的降低所产生的商业模式乃至于行业结构体系的变化。
经济学规律，从来没有变过。哪怕是经济学一年级学的供给和需求曲线，依然可以被用来理解这些「全新的经济现象」。所以，如果说经济学家有什么共同的擅长的话，那就是「戳穿噱头，从本质来看到问题」。
那么从这个意义上来说，AI，也就是人工智能到底改变了什么呢？其实本质很简单，类似于搜索引擎让获取信息变得廉价了，人工智能让预测变得廉价了。
那么预测廉价会有什么直观的影响呢？本质上，预测能力也是一种生产资料。一种生产资料的突然降价，意味着预测的供给会突然多很多，这是简单的供求关系的经济学。而同样是根据简单经济学，一旦预测的供给增加，那么以前依赖于预测的一些商业机会或者资产就会大幅度增加，这就是所谓的「互补品」效应，比如说打印纸便宜了，那么打印机就会变得更加畅销。而当预测到达一定精度的时候，就会发生质的变化，不仅提高了决策的质量，甚至会改变组织和社会的运作方式。
书中举了一个很简单的例子，就是电商的销售模式。淘宝和京东都提供很多商品推荐，随着 AI 的进步，推荐的成功率会明显得到提升，从三十分之一到十分之一，就是一个显著的改变。但是，如果预测的精度持续不断提高，就可能造成组织结构和商业模式的变化。
比如说，现在我们觉得先下单，后收货是天经地义的事情，这很大程度上是因为，淘宝、京东的推荐成功率很低，每推荐二十个商品，有一个能够被消费者下单，就已经非常不错了，然而当预测的精度大幅度提升，比如说到了 90%，这个时候下单这个操作就变得有点多余了，电商就可以自动统筹规划安排送货，做到先送后买，如果消费者不满意送的货，再退给电商就可以了。所以新技术的应用，往往都是这样，先从一个具体的方面开始积累，然后慢慢地影响到决策流程，然后技术开始扩散，成为普遍的工具，进而影响到组织的战略，最终对社会形态产生深远的影响。
接下来，我们就按照这个由浅入深、由量变到质变的顺序，用经济学来分析人工智能的影响。
首先，AI 的立足点，当然是预测。而预测本身是填补缺失信息的过程，本质上是用我们已经知道的信息，去生成我们不知道的信息。比如判断账户是否被盗用、判断手机是否被盗，这些本质上都是在用过去的信息判断现在。
那么如何才能让预测更加准确呢？要想预测准确，这依赖于现有数据的训练和配合。这中间就涉及一个重要的权衡，就是收集数据的代价和数据能够给自己带来的效用。一方面，更多的数据带来更多的信息，更多的信息带来更加准确的预测，从而带来更大的商业价值；而另一方面数据收集存在收益递减的情况，也就是当你已经有了一百万条数据的时候，再额外多收集一万条所带来的收益，远远小于从零到一万条给模型带来的提高。
和人类的预测能力相比，当数据足够多的时候，人工智能预测的准确性往往远远高于人类。然而这并不意味着人类将被取代，相反，人工智能和真实的人类正在逐渐地体现出越来越强的互补性。比如当数据很少的时候，人工智能往往表现较差，而人类往往能展示出更强的预测能力。《黑天鹅》这本书中就提到过，人们无法通过旧数据来预知从来没有发生过的事件，而人类的「直觉」和「灵感」则可能捕捉到很少的数据样本中的信息，从而推断出某个以前从来没有发生过的事情出现的可能性。
与此同时，因为人工智能重关联不重因果，所以经济学家们津津乐道的「反事实条件」，人工智能目前也依然没有很好的方法。有一个很有意思的下象棋的案例。上个世纪曾经有人设计了一个学习下象棋方法的程序，一切似乎都运行得不错，对棋局的评估非常准确，然而真正下一盘棋的时候，研究人员发现程序经常无缘无故把最强的棋子「王后」给牺牲掉，从而输掉比赛。
后来，研究人员通过仔细研究训练的棋局，发现这些象棋大师们经常巧妙地牺牲「王后」来换取巨大的优势，从而赢下比赛，也就是说，因为大师们要做出关键性的一击，所以不得不牺牲王后；但是人工智能所看到的是：牺牲了王后，所以棋局赢了。
机器并不能真正理解因果顺序，错误地认为牺牲王后是赢棋的关键所在。当然，现在国际象棋的人工智能已经解决了这个问题，但是这种因为因果关系倒置而产生的问题，对机器学习来说依然是一个挑战。
上面我们简单地介绍了预测，接下来就看看预测所帮助的对象——决策。
决策的核心是判断，而预测是在不确定的条件下做出正确判断的关键因素，但是这里要注意的是，预测不能代替判断，它只是帮助判断的工具。比如特斯拉电动车的系统就内置了人工智能来学习人类的驾驶习惯，然而要对人类的所有驾驶行为和反应进行统一的编码是非常不切实际的，并且还有很多非常罕见的动作和情形，也是机器很难把握的。
当人工智能的精度和准确性还没有达到较高水平的时候，人工智能更多的是充当一个信息提供者的角色，让决策者能够处理更多的「如果」和「那么」。在没有良好预测的情况下，我们往往更倾向于做出「差不多就可以」的方案，因为进一步提高会非常困难，比如说机场休息室——这个发明的意义就在于：卡时间到机场去登机是非常困难的，因为从出发地到机场的路况和交通情况很难被精确估计，所以人们不能够精确掌握时间，为了保险起见，就需要提前到机场。这本身是一个次优的选择，而为了让这个次优的选择不那么让人难以接受，所以人们发明了「机场候机室」，让提前赶到的人们可以在候机室里面继续工作或者娱乐一段时间。
可以设想，在人工智能预测精度有了很大提高，每一辆交通工具都对路况和交通了如指掌的时候，精确地规划从出发地到机场就成为可能，这种情况下，机场候机室存在的作用就贬值了，人工智能就不仅仅作为一个辅助者，而是会作为一种更好的应对风险的工具而存在，这就是我们将要提到的第三点。
从工具的角度来说，人工智能所带来的自动化，会大幅度缩短工作流程。因为很多时候工作流程是串行的，也就是在一个链条上，有一个人，或者一个部门慢下来了，那么整个工作流程都会受到影响。就拿学校的招生来说，审核每个学生的材料，然后进行分类就是非常消耗人工的工作，混杂有很多主观和客观的条件，然而最终的结果很难说非常尽如人意。
如果人工智能能够成功根据申请人的资料来预测该申请人毕业之后的去向和薪酬的话，那么也就意味着人工智能能够对申请人的质量进行排名。如果这个排名的精度比较低，那么它将仅仅只是一个辅助；而如果排名的精度相当高，成为了工具，那么学校就会为了更好地利用人工智能的排名而改变工作的流程，比如取消人工排序的程序、加大市场营销力度（因为现在可以得到更好的排名，营销带来的回报相比之前提升了），乃至于增加奖学金名额（因为现在可以更加确定奖学金真的给予了那些有潜力的申请者）。
换句话说，有很多的岗位是因为人工智能工具的出现，而需要被重新设计的。一份工作就是一组任务的集合，在应用人工智能工具的时候，一些任务被自动化了，一些任务还没有，那么显然没有被自动化的那些工作的权重和优先级都可能被随之相应地调整。
刚才说的学校招生是一个显然的例子。还有一些更微妙的改变——工作名称没有变，然而实质和重点可能完全不同。比如校车司机。以后有了自动驾驶之后，我们是不是还需要校车司机呢？
其实还是需要的。因为驾车只是司机的主要职能，除此之外，司机还要负责维持最低限度的乘车秩序，当出现计划外的突发情况时进行处理（比如有学生得了急病需要立刻送医院）等，所以即便有了自动驾驶，一个类似司机的职位依然会存在。但是司机的性质发生了改变：对硬技能——驾车的要求降低了，然而对软技能：组织和管理乘客的要求则相应提高了。这也反映了在人工智能的影响下，人力资源管理的一个趋势：对很多初级的硬技能要求下降，对人际关系的技能要求提升了。这其实也是对人力资源管理的一个挑战：因为人际技能的绩效是非常难以制定出相对量化的考核目标的，那么对于人工智能普及之后的人力资源管理和绩效考核，需要开发出相应的新方法。
当工具对工作流程产生深远影响之后，下一步所改变的就是组织的形式和制度设计。这就意味着，人工智能会对组织的战略产生影响。
几百年来，人们一直在争论一个话题，就是最优的企业边界在什么地方。也就是说，什么任务和活动应该是放在企业内部执行的，什么应该外包给其他企业，或者通过战略协作关系来执行。
这中间就牵扯到不确定性和控制权的权衡。如果什么都尽可能在企业内部完成，那么不确定性会更低，并且企业的高层会更加有控制权，尤其是牵扯到知识产权问题的时候，很多关键的环节如果依赖于外部的公司，往往容易造成商业机密的泄露和公司的损失。而外包则可以充分利用市场的优势，找到自己所能联系范围内最好的企业，为自己提供上游或者下游的服务。
比如说很多大型航空公司，都会自己运营一些区域性的航线，而这些区域性的航线往往都有本地的小企业在运营，其成本要显著低于大企业来直接运营。
按照传统的经济学教科书理论，这个时候大企业应该会倾向于和小企业签订合同，把区域航班外包给这些本地企业，自己主要运营大范围的国际乃至洲际航线。然而现实是，这些大的航空企业往往依然会忍受很高的运营成本，亲自运营一些小的区域航线。这是为什么呢？
答案就是因为不确定性。经济学家格罗斯曼和摩尔在一系列的文章中指出，显示世界的合同往往是不完备的，总有很多意外情况，总有很多合同规定不到的空间，这个时候，对于「合同之外的控制权」就变得非常重要了，而如何获得合同之外的控制权呢？答案就是产权——自己来亲自持有相应的资产，也就拥有了完整的控制权。
但是，通过持有产权的方式来规避市场的不确定性本身也是一种折中，代价就是公司往往不得不承受本来不需要承受的成本或者风险，就像上面所说的航空公司的例子一样。当市场的不确定性越大，企业的最优边界就扩展得越大，也就是说企业会倾向于让更多的行为发生在企业的内部；而当市场的不确定性越小，企业的最优边界就越小，也就是企业可以只保留自己的核心竞争力，其他的辅助部分，则可以尽量地留给市场，通过合同的方式来解决。
而人工智能，如同我们刚才说的，恰恰是有效减少不确定性的工具，那么当人工智能得到广泛应用之后，更多的「小而灵活」的企业方案，将成为更加可行的选择，这就是人工智能对企业组织形式的影响。
同时，战略还关乎价值的分配，也就是谁最终来获得人工智能预测所创造的价值呢？很多人的理解是，数据持有者将拥有人工智能创造价值的大头，其实这句话也对也不对。因为它混淆了数据的层次。
对人工智能而言，数据分为三种：训练、输入和反馈。训练数据用来创造和调整模型，输入数据用来输入模型产生预测，而反馈数据用来改进预测的机制。
而数据持有者是一个笼统的概念，到底是哪一个意义上的数据持有者呢？比如说一家牛奶销售企业用历史数据做了一个未来销售量的预测机，当预测机已经建立，那么历史数据的任务就完成了。就像书中所说的，历史数据今天可能有价值，但是不太可能成为持续价值的源头，为了实现持续的价值，需要有持续的数据流。比如说，对于初创企业来说，和大公司合作进行业务整合的机会当然是宝贵的，但是如果初创企业本身无法获得反馈数据的所有权，那么将无法根据反馈来改进自己的产品和模型，进而提升自己的核心竞争力。
可以预计在将来，对于数据所有权的问题——到底是应该买数据还是做数据，企业之间会有更加明确的划分和战略规划。
当然，人工智能也存在着很多应用上的风险。比如算法歧视。在当前，我们可以用人为的方式来尽量减轻歧视的发生，比如规定企业雇佣，银行贷款不能根据种族、性别来区分。然而如果我们把这些交给算法，那么算法一旦给这些因素分配了正的权重，则有可能产生恶性的反馈循环。如同经济学家阿罗所指出的，歧视本身可能会影响人们对自己收益的预期，进而影响到自己学习的动机和效果，从而最终让歧视自我实现。人工智能下的算法歧视，同样也面临这个问题。
除此之外，在数据的层面，人工智能算法还面临着被逆向工程和虚假反馈的危险，也就是竞争对手通过大量的查询和反馈，来获得自己千辛万苦算出来的模型的参数。而虚假反馈则出现在恶意训练模型上。2016 年，微软在 Twitter 上推出了名为 Tay 的人工智能聊天机器人，然而没过多久，它就被训练成一个同情纳粹的种族主义者。毫无疑问，这是在 Tay 和用户的对话中，用户把这些行为逻辑教给了 Tay，这也说明在现实世界中要破坏一个机器学习的模型是多么容易。
这些风险，都是从企业战略的角度需要直面的，目前并没有很好的办法去解决，企业始终要在优化和风险之间做一个权衡。
到企业战略这个层面，再往下讨论，就是对社会的影响了。最直接的一个担忧就是，人工智能会不会导致失业？
这个问题的回答并不是那么显而易见。首先，最直观的确实是替代效应，人工智能会替代一些职位，比如导游和电话客服。然而和替代效应并行的，还有生产力效应。人们之所以愿意在某些行业和工作中用人工智能来替代真正的人力，必然是因为人工智能在成本和效率上比人力有优越之处，也就是说，这种替代本身，会带来生产力的增加。而这种生产力的增加，会导致其他尚未由 AI 所取代的产业的繁荣，以及这些行业对劳动力需求的增加。
更重要的是，就像诺贝尔经济学奖获得者里昂惕夫所说的，人相对于机器最本质的区别，就是人可以从事新的、更加复杂的任务。就像 MIT 的经济学大师阿西莫格鲁指出的那样：「人类发展的均衡路径上，最核心的权衡，便发生在机器自动化对现存的行业和工作职能的替代，和新的行业和工作职位的产生之间。」
从人类整体来说，通过我们上面的分析，人工智能可能确实会让一些职位减少乃至消失，然而同时也会创造出更多的新职位，所以人类整体失业可能并非是一个现实的威胁。然而，这并不意味着人口之间的收入不平等会缓解。随着人工智能的出现，必然会有一批人力资本价值在贬值，而另外一批人力资本产生增值。
人类学习的窗口和时间终究是有限的，故而每次随着新技术的产生和大规模应用，那些被新技术所偏好的技能会成为宠儿；而那些被人工智能替代的技能持有者，则很可能面临失业的危险。
最后，书中还提到了中国在人工智能方面所特有的优势。首先就是中国对人工智能的科研和产业投入非常巨大。单单一座城市在人工智能上投入的资源，就比加拿大一个国家还要多。
其次，中国人口众多，数据规模非常庞大，而人工智能是数据和算法结合起来不断演进发展的领域，所以大量的历史数据和每天都在产生的可观的数据流，也给中国的公司带来了优势。而数据要产生优势的另外一个关键方面，就是数据的可访问性。这一点中国也领先于欧美国家。
中国对隐私的立法相对不多，但是这在人工智能时代，可能反而带来了某些优势，尤其是个性化和面部识别领域。中国拥有大量集中用于识别的照片库，这一点对于训练出优秀的人脸识别模型非常重要，而欧洲对隐私的监管比其他地方更为严格，这基本上断绝了欧洲的公司在人工智能上抢占先机的可能。
由此也产生了一个有趣的现象，就是各个国家都在暗地里放松隐私限制来改善自己在人工智能上的地位，这也带来了获取用户数据，训练更好的模型和引发客户不满可能性之间的权衡。有权衡就有机会，去中心的区块链可能就提供了一种新的方式，对数据库进行去中心化，保证了人们数据的完整性，同时又可以让人工智能学习的时候加以控制。
最后，作者也对未来超级人工智能的出现做了展望。随着人工智能的继续发展，可能在未来我们会达到一个崭新的人工智能的「顿悟时代」。等到了那个时代，副作用之一可能就是经济学将不再那么简单了。
我对这本书的推荐，就到这里了。以上我讲述的内容基于 2018 年 12 月湖南科技出版社出版的《AI极简经济学》。
愿好书陪伴你成长。
