拆解决策
如今的AI工具还远远比不上科幻小说中具有人类般智慧的机器（通常这称为「通用人工智能」﹝artificial general intelligence, AGI﹞或「强人工智能」﹝strong AI﹞）。最新一代的AI只提供预测工具而已。
这样的看法并不是贬损AI，就像贾伯斯说的：「真正把我们从高等灵长类区分开来的其中一件事，就是我们可以建造工具。」他举的例子是把脚踏车当工具，在移动上给了人类超越其他动物的超能力。而他对计算机也有相同的感觉：「对我而言，计算机就是我们想出来最杰出的工具，等于是我们心智的脚踏车。」1
如今，AI工具可以预测说话者的意图（亚马逊的Echo）、预测指令的背景（苹果的Siri）、预测你想要买什么（亚马逊的推荐）、预测哪些连结能让你找到想要的信息（Google搜寻）、预测什么时候要用到剎车来避免危险（特斯拉的Autopilot），以及预测你想看的新闻（脸书的动态消息）。这些AI工具没有一个是执行完整的工作流程，相反的，每个都提供一个预测的要素，让人更容易做决定。AI给人力量。
但要怎样决定是否该在企业里的某些任务中使用AI工具？每个任务的核心都有一组决定，而那些决定都有预测的要素。
我们提供一种方式在一项任务的背景下评估AI。就像我们建议透过拆解工作流程来分辨任务，找出AI是否能够发挥作用。现在我们建议将每个任务拿来拆解，找出组成的要素。
AI Canvas
创造性破坏实验室让我们接触到许多新创公司，这些公司利用最新的机器学习科技，建立新的AI工具。实验室里的每家公司都以创造一种具体工具为主，有些是针对消费者体验，但多数都是针对企业客户。后者专注在辨识企业工作流程的任务机会，以便聚焦并定位产品。它们会拆解工作流程，找出有预测要素的任务，并提供工具来完成那项预测，以此建立自己的事业基础。
在宣传的时候，我们发现一个有帮助的作法，就是将决策的组成区分为各自独立的要素（参考图7-1），包括预测、输入、判断、训练、行动、结果与回馈。过程中，我们发展出AI Canvas协助拆解任务，以便了解预测机器的潜在作用（见图13-1）。这张Canvas是个辅助工具，可以仔细思考、建立与评估AI工具。AI Canvas提供规则，找出一项任务决策所有的要素，而且迫使人类清楚明白地描述每个要素。
为了了解怎么运作，我们以新创公司Atomwise为例，它提供一项预测工具，在发现大有可为的药物前景时缩短研发时间。几百万种可能的药物分子有机会成为药物，但是每种药物的购买与测试都昂贵费时。制药公司如何判定给哪些进行测试？他们根据研究显示最有可能成为有效药物的分子，做出信息充分的猜测或预测。
Atomwise执行长亚伯拉罕．海费兹（Abraham Heifets）向我们快速解释其中的技术，他说：「一项药物要有效，必须和疾病标靶结合，而且绝对不能和肝脏、肾脏、心脏、大脑的蛋白质，以及其他会引发中毒副作用的东西结合。归根结底就是『坚持你想坚持的东西，不要坚持你不想坚持的东西』。」
因此，如果制药公司可以预测结合亲和力（binding affinity），就能分辨哪些分子最有可能发生作用。Atomwise提供一个AI工具来预测，使得执行分辨潜在药品的任务变得更有效率。这个工具使用AI去预测分子的结合亲和力，这样，Atomwise就能以排序的方式，将与某种疾病蛋白质的结合亲和力最好的分子推荐给制药公司。
举例来说，Atomwise也许提供与伊波拉病毒结合亲和力最好的前20个分子。Atomwise不是一次只测试一种分子，它们的预测机器可以处理几百万种可能性。虽然制药公司仍需要结合人类与机器的判断和行动，对候选分子进行测试验证，但使用Atomwise的AI工具可以大幅降低成本，而且可以加速进行这个首要任务，找出候选分子。
哪里需要用到判断？就在确认特定候选分子对制药产业的聚合价值（aggregate value）。这个价值有两种形式：锁定疾病与了解可能的副作用。挑选分子进行测试时，制药公司必须判定锁定疾病的报酬与副作用的成本。就像海费兹说的：「你对化学治疗的副作用容忍度，会比抗痘乳膏来得高。」
Atomwise预测机器从结合亲和力的数据学习。截至2017年7月，透过购买或自行学习，有3800万笔有关结合亲和力数据与更多的公开数据。每个数据的组合包含分子与蛋白质特征，以及分子与蛋白质结合的衡量标准。随着Atomwise做出更多推荐，它会获得顾客更多的回馈，而预测机器也会持续改进。
有了蛋白质特征的数据，Atomwise可以利用这个机器去预测哪些分子的结合亲和力最高，还能以蛋白质特征的数据去预测不曾制造过的分子是否可能有高度亲和力。
拆解Atomwise挑选分子任务的方法，就是填写AI Canvas（见图13-2）。意思就是要找出下列几项要素：
* 行动：你想要做什么？对Atomwise来说，就是测试分子，协助治疗或预防疾病。
* 预测：你做决定时需要知道什么？Atomwise预测可能的分子与蛋白质的结合亲和力。
* 判断：你如何评价不同的结果与错误？Atomwise与它的顾客针对疾病的相对重要性及潜在副作用的相对成本设定标准。
* 结果：任务成功的衡量标准是什么？对Atomwise来说是测试结果。最后，测试会导致新药出现吗？
* 输入：你需要什么样的数据去执行预测的算法？Atomwise利用疾病蛋白质的特征数据进行预测。
* 训练：你需要什么样的数据来训练预测的算法？Atomwise采用分子与蛋白质的结合亲和力数据，加上分子与蛋白质的特征。
* 回馈：怎样以结果来改善算法？Atomwise利用测试结果来改善未来的预测，无论测试成功与否。
Atomwise的价值主张在于完成一项AI工具，支持顾客新药研发工作流程中的预测任务。它从人类手中接掌预测任务。为了提供这样的价值，必须累积独一无二的数据库去预测结合亲和力。预测的价值在于降低成本，并提高药品开发的成功机率。Atomwise的客户使用这样的预测，结合自己的专业，判断分子与不同类型蛋白质的结合亲和力所带来的报酬。
招募企管硕士学生的AI Canvas
AI Canvas在大型组织也很有用。为了应用AI Canvas，我们将工作流程分解成几个任务。这里我们考虑将AI Canvas集中在决定接受哪些企管硕士申请人入学。图13-3提供可能的Canvas说明。
AI Canvas是怎么产生的？首先，招募需要预测谁是优秀或高价值的学生？这似乎简单明了。我们只需要定义「优秀」是什么。学校的策略有助于确认这一点。不过，许多组织有着模糊而多面向的使命宣言，虽然方便放入营销宣传手册，却不是那么方便AI辨认预测目标。
商学院有许多明显或隐含的策略去定义「优秀」的意思。可能是简单的指标，例如在GMAT等标准化测验中的分数最高，或者更广泛的目标，例如招募能提高学校在《金融时报》（Financial Times）或《美国新闻与世界报导》（US News & World Report）排名的学生。他们可能也想要质量与技能兼具的学生，或是想要国际学生，或是想要多样性的学生。没有学校能够同时追求所有的目标，必须做出某种选择，否则就会在各方面都要求妥协，却没有一项杰出。
我们在图13-3中想象学校的策略是在全球商业界发挥最大影响力。这个主观意图是策略性的，因为针对的是全球而非在地，而且寻求的是影响，而非像是尽可能提高学生的收入或创造财富。
要让AI去预测对全球企业的影响，我们就需要加以衡量。在这里，我们担任报酬函数工程师的角色。我们有什么样的训练数据可以充当全球商业界影响力的代表？一个选项大概是找出每一班最优秀的校友：每年50个影响力最大的校友。选出那些校友当然是主观的看法，但不是不可能。
虽然我们可以把对全球企业的影响设定为预测机器的目标，但接受特定学生的价值是判断问题。招收被预测工具误判未来会成为精英校友、但表现欠佳的学生要付出多大代价？那样的权衡评估就是「判断」，是AI Canvas的明确要素。
一旦明确指定预测的目标，要找出所需的输入数据就简单明确了。我们需要入学学生的申请信息，才能预测他们的表现。我们可能也会使用社群媒体。久而久之，我们会观察更多学生的事业成就，并当成回馈数据来改善预测。预测会告诉我们要接受哪些申请人，但是必须先决定我们的目标，并判断犯错的成本。
本章重点
* 任务必须经过拆解，才能看出预测机器可以从哪里切入。这就可以评估预测增强的好处，以及产生预测的成本。一旦产生合理的评估，就可以按照投资报酬率，由高到低给AI排序，只要预期的投资报酬率合理，就可以执行AI。
* AI Canvas是协助拆解流程的工具。把每个决定或任务都填入AI Canvas，这会给流程导入纪律和结构。强迫你清楚了解所需的三类数据：训练数据、输入数据与回馈数据。同时也促使你精确描述需要预测什么；评估不同行动与结果的相对价值所需要的判断、行动的可能性，以及结果的可能性。
* AI Canvas的核心是预测。你必须找出任务核心的关键预测，而这可能需要AI的洞见。回答这个问题通常会在领导团队中引发一场存在主义式的讨论：「总之，我们的真正目标是什么？」
预测的时候需要具体的东西，通常无法在使命宣言中找到。以商学院为例，它们很轻易会说要专注在招募「优秀的」学生，但为了让预测具体，就需要清楚说明「优秀」是什么意思：毕业时获得最高薪资？5年内最有可能获得执行长的职位？最具多样性？毕业后最有可能捐款给学校？
即使看似简单明白的目标，例如获利达到最大，也没有乍看之下那么简单。我们应该预测采取的行动会使这周、这季、这年或这10年的获利达到最大？企业通常会发现必须回到根本，重新调整目标，并让使命宣言更清楚明白，这是进行AI策略的第一步。
