第13章
分解决策

今天的人工智能工具与科幻小说里有着类人类智慧的机器（它们通常被称为“通用人工智能”，或AGI，或“强人工智能”）相去甚远。目前这一代人工智能可提供预测工具，除此之外提供不了什么了。

对人工智能的这种看法并未对其造成损害。正如史蒂夫·乔布斯所说：“人和高等灵长类动物的区别就在于，我们制造工具。”他举了自行车的例子，认为这种工具让人在机动性上获得了超能力，超过了其他任何物种。他认为计算机也一样：“在我看来，计算机是我们制造出来的最了不起的一种工具，计算机就像是我们大脑的自行车。”

今天，人工智能工具可以预测言语的意图（如亚马逊的Echo），预测命令型文本（如苹果的Siri），预测你想要购买的东西（如亚马逊的推荐页面），预测哪些链接能把你带到你寻找的内容上（如谷歌搜索），预测何时踩下刹车以避免危险（如特斯拉的自动驾驶仪），预测您接下来想要阅读的新闻（如Facebook的新闻推送）。这些人工智能工具无一能执行完整的工作流程。相反，它们每一种提供的都是预测的内容，以方便人们做出决定。人工智能增强了人的能力。

但你怎么才能确定是否应该用人工智能工具来执行企业中的特定任务呢？每一项任务的核心都牵涉到一组决策，而这些决策都包括了一些预测要素。

我们提供了一种方法，可将人工智能放到任务所在的背景下进行评估。一如我们建议分解工作流程以确定任务，以此查看人工智能能否在任务中发挥作用，我们现在还想建议：将每一项任务再分解成更小的构成要素。

人工智能画布

颠覆性创新实验室让我们接触到了许多初创公司，它们利用最新的机器学习技术来创建全新的人工智能工具。实验室里的每一家公司都开发出了一种具体的工具来进行预测，有一些针对的是消费者体验，但大多数针对的是企业。后一类企业侧重于识别企业工作流程中的任务机会，好让自家产品以此为目标，进行精准定位。它们解构工作流程，识别出一项包含预测要素的任务，然后开发工具进行预测，进而以这一工具作为公司的立足之本。

我们在为这些公司提供建议的时候发现，把决策的各个部分分解为单独的要素很有帮助（参考图7-1）：预测、输入、判断、训练、行动、结果和反馈。在此过程中，我们设计出一种“人工智能画布”来帮忙分解任务，以期理解预测机器的潜在作用（见图13-1）。画布可以是思考、构建和评估人工智能的辅助工具，它为识别一项任务的决策中所包含的各个组成部分提供了指导方针，它逼得人在描述每一组成部分时保持头脑清晰。

为了理解它的运作原理，让我们来看看初创企业Atomwise，该公司提供一种旨在缩短开发潜在药物的时间的预测工具。有望成为药物的药物分子可能存在数百万种，但逐一购买并进行测试既耗时又费钱。制药公司怎样判断该检测哪一种呢？它们根据研究来观察哪一种分子有最大概率成为有效药物，并以此做出合理的猜测或预测。

Atomwise的首席执行官亚伯拉罕·海费茨（Abraham Heifets）给了我们一个快捷且科学的解释：“一种药物要能发挥作用，必须跟目标疾病相结合，同时一定不能跟你肝脏、肾脏、心脏、大脑里的蛋白质，以及其他会导致毒副作用的东西相结合。简而言之，‘能粘上你想要它粘上的东西，且不粘上你不想让它粘上的东西’。”

所以，如果制药公司能够预测结合亲和力，那么，它就能够识别哪些分子最有可能发挥作用。Atomwise设计了一种人工智能工具来进行这一预测，让识别潜在药物的任务变得更高效了。该工具使用人工智能来预测分子的结合亲和力，因此Atomwise可以向药物公司推荐哪些分子对病毒蛋白质有着最佳结合亲和力，并按高低顺序列出清单。例如，Atomwise或许可以提供跟埃博拉病毒有着最高结合亲和力的前20种分子。Atomwise的预测机器可以同时处理数百万种可能性，而不是一次只检测一种分子。虽然制药公司仍然需要结合人类与机器的判断和行动来检测、校验候选的分子，但Atomwise的人工智能工具大大降低了成本，加快了找到这些候选分子这一首要任务的进度。

判断什么时候出现？在识别特定候选分子对制药产业带来的总价值时。这一价值分为两种形式：靶向疾病，并理解潜在副作用。在选择分子进行检测的时候，制药公司需要判断靶向疾病后带来的回报，以及副作用带来的代价。海费茨指出：“你对化疗副作用的容忍度，比对痤疮膏副作用的容忍度高。”

Atomwise的预测机器从结合亲和力数据中学习。截至2017年7月，它在结合亲和力方面有了3800万个公共数据点，此外还有比这更多的通过购买或自学的数据点。每个数据点由分子和蛋白质特征，以及使这两者结合的方法组成。随着Atomwise给出更多推荐，它可能会得到客户的进一步反馈，预测机器将继续改进。

有了蛋白质特征的数据，Atomwise可以借助这台机器来预测哪些分子具有最高的结合亲和力。这台机器还可以通过蛋白质特征的数据来预测从未出现过的分子是否有可能具备高结合亲和力。

要对Atomwise筛选分子这一任务进行分解其方法是填写画布（见图13-2）。这意味着确定以下内容：

●行动：你想要做什么？对于Atomwise，它想要测试分子，帮助治疗或预防疾病。

●预测：你需要了解哪些事情才能做出决策？Atomwise预测潜在分子和蛋白质的结合亲和力。

●判断：不同的结果和失误对你来说有多重要？Atomwise及其客户为靶向疾病的相对重要性和潜在副作用的相对成本设定了标准。

●结果：你对任务成功的指标是什么？对Atomwise而言，这一指标就是测试的结果。归根结底，测试能不能带来新药？

●输入：你需要哪些数据来运行预测算法？Atomwise使用关于疾病蛋白质特征的数据来预测。

●训练：你需要哪些数据来训练预测算法？Atomwise使用分子和蛋白质的结合亲和力，以及分子和蛋白质特征的数据。

●反馈：怎样运用结果来改进算法？Atomwise使用测试结果（不管测试是否成功）来改进未来的预测。

Atomwise的价值主张在于，提供一种人工智能工具，使它能够进行预测任务，为客户发现药物这一工作流程提供支撑。它移除了人类手中的预测任务。为了提供这一作用，公司积累了一套独特的数据集来预测结合亲和力。预测的价值在于降低成本，提高药物开发的成功率。Atomwise的客户公司的专家会对与不同类型蛋白质有着不同的结合亲和力的分子所带来的收益做出判断。他们会将预测和判断相结合。

人工智能画布之MBA招生

人工智能画布在大型组织中也很有用。为了应用它，我们将工作流程分解成任务。我们现在假设，人工智能画布的重点是决定招收哪些MBA申请人就读。图13-3是一张合乎此情境的画布。

画布从哪里来？首先，招生需要做出预测：谁将成为优等或高价值学生？这看似直截了当，我们只需要对“优等”进行定义即可。学校的招生策略可以帮忙确认这一点。然而，许多组织都有着模糊和多面向的使命宣言，放在宣传手册上很合适，但用来确定人工智能的预测目标就不太好用了。

商学院有许多策略可以对“优等”的含义做出或明或暗的定义。它们可以是一些简单的指标，比如最大化标准化考试（如GMAT）成绩，或较为宽泛的目标，如所招学生能否提升学校在《金融时报》（Financial Times）《美国新闻与世界报道》（US News&World Report）等媒体上的排名。它们也可能希望学生具备一系列可定量和定性的技能。又或者，它们想要国际化、多样化的学生。任何学校都不可能同时追求所有这些目标，因此，它们必须有所选择。要不然，学校选的人就会样样平庸，无一擅长之处。

在图13-3中，我们假设，学校的战略是在全球范围内对企业发挥最大影响。这一主观概念是战略性的，因为它是全球性的而非地方性的，而且着眼于影响力，而非最大化学生的收入，或者创造财富。

为了让人工智能预测全球企业影响力，我们需要对它进行测量。这里，我们充当了回报函数工程师的角色。我们拥有的哪些训练数据可以充当全球企业影响力的代表？选择之一是找出每个班级最优秀的校友——每年选出影响力最大的50名校友。当然，选择哪些校友靠的是主观评判，但并非做不到。

虽然我们可以把全球企业影响力设定为预测机器的目标，但招收特定学生带来的价值则是个判断问题。如果我们对一个不够格的申请人做了错误的预测，以为他能跻身精英校友之列，让这个人入学的代价有多大？如果，我们对一个优秀的申请人做了错误的预测，认为他没有潜力，而拒绝这个人入学，其损失又是多大？对这种权衡的评估，就是“判断”，这是人工智能画布中的一个明确要素。

一旦我们指定了预测的目标，确定所需的输入数据就很简单了。我们需要新学生的申请信息，以预测他们将来的表现如何。我们还可以使用社交媒体。随着时间的推移，我们将观察到更多学生的职业成果，并根据这些反馈来改进预测。只有确定了我们的目标，判断了犯错的成本，预测才能告诉我们该接受哪些申请人。

本章要点

※需要对任务进行分解，以观察可以在什么位置安放预测机器。它让你可以评估预测增强带来的收益，以及生成该预测要付出的成本。一旦你做出了合理的估计，按投资回报率从高到低对人工智能进行排序，只要预期的投资回报率合理，就可采用人工智能工具。

※人工智能画布是一种帮助我们分解流程的方法。针对每一个决策或任务，填写人工智能画布。这为整个过程引入了规则和结构。它迫使你弄清楚你所需的三类数据：训练、输入和反馈，并且准确地阐述需要预测的是什么，为评估不同行动和结果、行动的可能性以及结果的可能性之间相对价值所需的判断。

※人工智能画布的中心是预测。你需要确定位于任务核心的关键预测，这可能需要人工智能洞见。为回答这个问题，领导团队常常展开事关企业生存的讨论：“我们的真正目标到底是什么？”预测需要的是使命宣言中少有的具体性描述。比方说，对一所商学院来说，说他们宣称自己专注于招收“优等生”是件很容易的事，但为了将预测具体化，我们就需要具体地定义“优等”一词：是就业时获得最高的薪水，还是最有可能五年内就当上CEO？是多样性，还是毕业后最有可能为学校捐款？即便是看似直接浅显的目标，如利润最大化，也并不像它看起来的那么简单。我们该预测采取行动能最大化本周、本季度、本年度还是最近十年的利润？很多时候，公司发现自己不得不回归基本，重新调整自己的目标，明确自己的使命宣言，以此作为实施人工智能战略的第一步。