人的智能主导算法工作和进化方向。同样的例子在产品层面也屡见不鲜。推荐算法已经应用在很多互联网产品中,但也闹了不少笑话。搜索了一次红内裤结果,就满屏的红内裤推荐,看了一次美女图,结果新闻客户端上天天推荐美女图,这对用户带来的价值有多少呢?
推荐算法的价值是给用户找到“意料之外情理之中”的信息。一个买家下单了小号的婴儿纸尿裤,这可能说明他有了下一代,3个月后给他推荐中号纸尿裤就是对的。另一个读者点开了亚马逊雨林旅行攻略的文章,他可能正在谋划一次探险,给他推荐《野外生存必读》就是对的。
这种思维方式就是“联想”,对人类来说很简单,对机器来说太复杂。工业平板电脑厂家机器只会重复性思维,要把人的复杂的、创造性的联想思维告诉机器,算法才会实现这个思维。当然,可能一位算法工程师会说,只要数据足够大,我就可以让机器联想,但反过来这也恰恰说明,将人的创造力加诸算法将带来怎样的效率提升。
创造性地利用算法人工智能vs人的智能
智能商业当然依赖计算机领域的突破。AlphaGo 就是算法本身的突破,而怎么创造性地用好这些新算法,才是下一步的大挑战。这和社会科学理论的突破也有很大关系,例如打车软件在高峰低谷时段的动态定价模型,就是建立在经济学关于供需均衡的理论基础上的。
更典型的例子则是淘宝。淘宝本质上不是一个统一的在线大市场,而是很多个相互区隔又相互影响的双边市场的集合。那么,怎样将这些不同的市场区隔出来,怎样根据不同市场的特质界定“优质”的商品,怎样制定适合不同市场的不同机制使优质商品能浮现出来,在我们人类自己想明白这些问题之前,在社会科学就“市场区隔”这个主题实现理论突破之前,算法是无法自动给我们一个答案的。
本质上,这些都是人的创造力对算法产生的决定性作用,洞察在前,算法在后。很多人以为在数据智能时代已经不需要社会科学理论了,不需要因果关系了,不需要人的洞察力了,智能的机器都搞定了,这其实是大的误区。算法无法超越设定者的框架,即便深度学习(Deep Learning)可以给我们更多在相关性层面上的发现,它也无法超出其本身的局限。
真正超越性的力量仍然在人类本身:人对事物本质的洞察,对因果的思考,对理论的提炼,以及将这些创见落实到数据维度、算法结构和产品模型的能力。每一次人类在这些方面取得的创造性成果,都带动数据智能发生一次关键性突破。