平价改变一切
所有人或多或少都有个AI时刻（AI moment）。我们习惯在媒体上看到大量新科技将改变生活的故事。有些人是科技爱好者，赞扬未来的可能性，也有人是科技恐惧者，哀悼逝去的美好旧日时光。但几乎所有人都习惯科技新闻不变的节奏，以至于大家会习焉不察、人云亦云的说：唯一对改变免疫的事情就是改变本身。直到我们有了自己的AI时刻，我们才明白这个科技不一样。
有些资讯工程学家在2012年经历到AI时刻。当时多伦多大学一个学生团队在ImageNet视觉物体辨识竞赛中胜出，表现令人印象深刻，于是来年所有最后决赛队伍都使用当时仍新颖的「深度学习」（deep learning）方法比赛。物体辨识不只是一场竞赛，而是让机器能够「预见」。
有些科技公司的执行长是在2014年1月经历AI时刻，那时他们看到新闻头条说，Google以超过6亿美元的价格收购英国的DeepMind，即使当时这家新创公司的营收几乎是收购价的九牛一毛，但这也说明这家公司的AI已经自己学会玩雅达利（Atari）电玩游戏，而不是藉由程序设定来玩游戏，而且表现得比人类好。
有些人则是在同一年稍后经历到AI时刻。那时，知名物理学家史蒂芬．霍金（Stephen Hawking）强调说：「文明给予的一切是人类智慧的结晶……成功创造AI将是人类史上最大的事件。」1
其他人第一次经历到的AI时刻，则是双手离开快速行驶中的特斯拉（Tesla）方向盘，利用自动辅助驾驶AI（Autopilot AI）开车的时候。
中国政府经历到的AI时刻，是在目睹DeepMind的AlphaGo击败南韩围棋高手李世乭，同年稍后又打败世界顶尖高手、来自中国的柯洁的时候。《纽约时报》（New York Times）描述这场比赛是中国的「史普尼克时刻」（Sputnik moment）。2就像苏联发射史普尼克卫星之后，美国开始大举投资科学一样，中国对这件事的响应是提出一个国家战略，发下豪语要在2030年主导AI界，并投入资金。
我们的AI时刻则发生在2012年，当时申请加入创造性破坏实验室的早期AI公司中，采用最新机器学习方法的公司原来很少，后来风起云涌。申请者横跨各种产业，包括新药研发、顾客服务、制造、质量保证、零售、医疗器材产业。这项科技十分强大，而且用途广泛，在各种应用都能创造重大价值。我们决定从经济学的角度来了解其中的意义。我们知道AI和其他科技一样受到经济学的影响。
简单来说，这项科技令人惊叹。早先，有名的创投业者史帝夫．裘维森（Steve Jurvetson）曾打趣道：「接下来五年所体验到像魔法一般的产品，差不多都是由这些算法建立的。」3裘维森形容AI如「魔法一般」，呼应《2001太空漫游》（2001: A Space Odyssey）、《星际大战》（Star Wars）、《银翼杀手》（Blade Runner），以及比较近期的《云端情人》（Her）、《全面进化》（Transcendence）与《人造意识》（Ex Machina）等电影对AI广泛的描述。我们能够理解裘维森为何会形容AI应用如「魔法一般」，而且我们深有同感。身为经济学家，我们的职责就是将看似神奇魔法的概念，变得清楚简单，而且实用。
看穿夸张的炒作
经济学家看待世界的方法与多数人不同。我们透过供给与需求、生产与消费、价格与成本等力量所控制的框架看待一切。虽然经济学家常常彼此意见不同，但都还是在共同框架的背景下进行讨论。我们争论的是假设与诠释，而非稀有性与订价竞争的角色等基本假设。这种看待世界的方法给我们与众不同的优势。从负面的角度来看，我们的观点枯燥乏味，而且在晚宴时不太受人欢迎。但是从正面的角度来看，这却为商业决策提供清晰明确的有用信息。
就从基础的「价格」开始。当某样东西的价格下跌，我们就会用得更多。这是简单的经济学，而且正是此刻AI的状况。AI随处可见，充斥在手机应用程序中，使供电系统优化，并取代基金经理人。很快它就会开车载着你四处走，或是空运包裹到你家。
如果说经济学家只擅长一件事，那就是看穿夸张的炒作。其他人看到的是革命性的新创新，我们看到的是简单的价格下跌。但不只如此，要了解AI对组织有什么影响，你必须知道价格的精确改变，以及价格变化如何影响更广泛的经济体系。只有这个时候你才能建立行动计划。经济史告诉我们，重大创新的影响，通常会在最出乎意料的地方感受到。
就以1995年商用网络的故事为例。当时多数人在看电视剧《欢乐单身派对》（Seinfeld）的时候，微软推出公司第一个多任务操作系统Windows 95。同一年，美国政府取消最后一个商用网络传输流量的限制，而且网景（Netscape）浏览器的发明者正庆祝商用网络第一家重要公司的股票上市（initial public offering, IPO）。这标示一个时间的转折点，网络从一种新奇科技，成为横扫经济体的商业浪潮。
网景公司即使还没有创造出明显的获利，刚上市时的市值还是超过30亿美元。而创投估计这些新创公司的市价有数百万美元，即使那些公司还「没有营收」（pre-revenue），这又是个新名词。刚拿到企管硕士的毕业生拒绝到报酬优渥的传统公司工作，转向有潜力的网络公司。随着网络的效应开始扩散到各个产业与价值链的上下游，科技拥护者不再称网络是新科技，而是「新经济」。这个名词流行了起来。网络超越科技，从根本上渗透到人类的活动之中。政治人物、企业高阶经理人、投资人、创业家，以及大型新闻媒体开始使用这个名词。所有人都开始谈着新经济。
除了经济学家以外。我们并没有看到一个新的经济体或新的经济学。对经济学家来说，这看起来就跟旧经济没什么不同。没错，出现了一些重要的变化。商品与服务可以用数字的方式配送、沟通很容易，而且只要点一下搜寻键就能找到信息。但这些事情以前都做得到，不同的是，现在可以用低廉的价格完成。网络的兴起，使得配送、沟通，以及搜寻的成本下降。科技进展被重新定义，由昂贵变为平价，或是由稀少变得充足，用这点来思考对商业的影响具有珍贵意义。
举例来说，如果你还记得第一次使用Google，大概还记得被那看似神奇的存取信息功能感到目眩神迷。从经济学家的角度来看，Google把搜寻变得更便宜。当搜寻变得更便宜，透过其他管道提供搜寻服务来赚钱的公司（例如黄页、旅行社、分类广告）就会发现自己身处竞争危机。另一方面，有赖客户主动上门的公司（例如自助出版作者、冷僻搜藏品卖家、业余电影制片）则会蓬勃发展。
这种特定活动的相对成本改变，大幅影响一些公司的商业模式，甚至彻底使一些产业出现转变。不过，经济法则没有改变，我们还是从供给和需求来理解一切，同时根据现有的经济原理制定策略、提出政策，并对未来做出预期。
平价意味着随处可见
当某个非常基本的东西价格大幅下降，整个世界就会改变。就以照明来说，说不定你是在某种人造光线下阅读这本书。此外，你大概从没思考过使用人造光线看书是否值得。照明如此便宜，所以可以尽情地使用。但是就像经济学家威廉．诺德豪斯（William Nordhaus）精细的观察到，同样亮度的照明，在1800年代初期付出的费用可能是现在的400倍。4以那样的价格来说，你会注意到成本，所以在使用人造光线阅读这本书之前会思考再三。后来照明价格下跌，点亮世界，不但将夜晚变成白天，还让我们得以在自然光无法穿透的高楼大厦里生活与工作。要是人造光线的成本没有跌落到几乎微不足道，如今我们拥有的一切几乎都不可能实现。
科技的变化让一度昂贵的东西变便宜。照明的成本下跌如此多，因而改变我们的行为，从思考究竟该不该使用，到变成不假思索就打开电灯开关。如此大幅度的价格下跌，创造出一些机会，让我们做以前不曾做过的事，把不可能的事变成可能。所以经济学家对照明之类的基本生产要素价格大幅下跌感到着迷，也就不足为奇了。
平价照明带来的一些影响很容易想象，有些影响则没有那么容易想象。当新科技把某样东西变便宜了，会受影响的事物未必都十分明显，无论这项科技是人造光线、蒸汽动力、汽车，还是运算技术。
史丹佛大学经济学家提姆．布雷斯纳汉（Tim Bresnahan）是我们的导师，他指出，计算机做的只有计算，没有其他事情。5计算机的出现与商业化，使得计算变得更便宜。当计算变得更便宜，我们不但会进行更多传统的计算应用，还会将刚变便宜的计算用在与传统计算无关的应用，例如音乐。
号称第一位计算机程序设计师的爱妲．勒芙蕾丝（Ada Lovelace）是第一个看到这种潜力的人。1800年代初期，她在非常昂贵的照明下工作，在查尔斯．巴贝奇（Charles Babbage）设计、还属于理论的计算机上写出最早有记录的程序，计算一连串的数字（称为伯努利数﹝Bernoulli numbers﹞）。巴贝奇也是经济学家，而且我们会在这本书中看到，这并不是唯一一次经济学与资讯工程学的交会。勒芙蕾丝知道，套用现代新创公司的术语，计算可以「规模化」，并开启更多可能。她知道计算机的应用不限于数学的运算：「比方说，假设和声与谱曲音调的基本关系能够接受这样的表示方式和改编，机器或许就能谱写复杂程度不一的精密科学乐曲。」6当时还没有发明计算机，但勒芙蕾丝看出计算器器可以储存并重复播放音乐，这是定义艺术与人性的一种形式。
实际状况正是如此。在一个半世纪后，计算的成本降得够低时，出现数千种众人做梦都不曾想过的应用。计算是太多事物的重要生产要素，所以当它就像从前的照明一样变便宜时，世界也改变了。将一样东西简化到以成本来判断，就可以看穿夸张的炒作，虽然这无助于让最新且最伟大的科技看起来那么激动人心。你从来没有见过史帝夫．贾伯斯（Steve Jobs）发表「新的加法机器」，虽然这就是他一直以来做的事。借着降低某些重要东西的成本，贾伯斯的新加法机器产生变革。
这就让我们想到了AI。AI的重大经济意义正是因为它让某些重要的东西变得便宜许多。此时你可能会想到智力、推理，或思想本身变便宜，你可能想象到处都是机器人或没有肉体的东西，例如《星际争霸战》（Star Trek）中友善的计算机，让你避开思考的需求。勒芙蕾丝有过同样的想法，但很快就把这个想法给抛开了。至少就计算机来说，她写道：「（它）称不上创造什么东西，它能做些我们知道要如何命令它去执行的事，它能进行分析，但没有能力去预测任何可以分析的关系或真相。」7
尽管伴随AI的概念有种种夸张的炒作和包袱，不过艾伦．图灵（Alan Turing）后来所谓的「勒芙蕾丝女士的异议」（Lady Lovelace’s Objection）依然成立。计算机还是无法思考，所以思考不会变便宜。不过，将来会变便宜的是非常普遍的东西，例如计算。你可能甚至没有察觉到那个东西有多普遍，以及价格下跌对我们的生活与经济有多大的影响。
新的AI科技会把什么东西变得如此平价？那就是预测。因此，就像经济学告诉我们的，不但我们会开始使用更多预测，还会看到它出现在让人意外的新地方。
平价会创造价值
预测是将缺失的信息填补起来的过程。预测是藉由拥有的信息，通常称为「数据」，用来产生你没有拥有的信息。很多有关AI的讨论都着重在多样的预测技术，这些技术使用的晦涩名称和标签愈来愈多，包括分类、分群（clustering）、回归、判定树（decision trees）、贝氏估计（Bayesian estimation）、神经网络（neural networks）、拓朴数据分析（topological data analysis）、深度学习、增强学习（reinforcement learning）、深度增强学习（deep reinforcement learning）、胶囊网络（capsule network）等等。这些技术对有兴趣使用AI解决特定预测问题的科技专家来说很重要。
在这本书里，我们就不去详细说明这些方法背后的细节。我们强调的是，这些方法都和预测有关：利用你拥有的信息，产生出你没有的信息。我们的重点放在帮助你找出预测后会产生价值的情况，然后着重在从预测中获得最大利益。
更便宜的预测，意味着会出现更多的预测，这是简单的经济学：当某个东西的成本下降了，我们就会用得更多。举例来说，随着计算机产业在1960年代开始起飞，计算的成本随之快速下跌，在已经把计算当成生产要素的地方，就会用到更多计算，例如在美国人口普查局（US Census Bureau）、美国国防部与美国太空总署（在近期的电影《关键少数》﹝Hidden Figures﹞中有描述）。之后，我们会开始把刚变便宜的计算用在传统上非计算的问题，例如摄影。虽然我们曾经用化学解决摄影问题，但是当计算变得够便宜时，我们就会转向以计算为基础的解决方案：数字相机。数字影像只是一连串的0与1，可以用计算重新组合成看得见的影像。
预测也一样。预测目前用在一些传统任务，像是存货管理和需求预测。更重要的是，因为预测变便宜了，所以也用在非传统上的预测问题。Integrate.ai的凯斯琳．贺威（Kathryn Howe）称，看到问题并将问题重新组合为一个预测问题的能力是「AI洞见」（AI Insight），而现在全世界的工程师都在学习这种能力。举例来说，我们将交通运输转变成一个预测问题。自动驾驶车在受控制的环境中存在超过20年了，它们仅限于在有详细平面图的地方使用，如工厂和仓库。有着平面图，意味着工程师可以设计根据基本的「若则」（if-then）逻辑，设计出可供操控的机器人：若有人走到车子前面，则会停止。若货架空了，则会移动到下一个货架。不过，没有人能在一般城市街道中使用这些车辆。因为有太多状况可能会发生，所以有太多「假设的情况」需要写成程序。
自动驾驶车无法在高度可预测、受控制的环境以外的地方运作，除非工程师将导航重新设定为预测问题。工程师不是要告诉机器在各种状况下该怎样做，而是要体认到它们可以专注在单一预测的问题：「人类会怎么做？」现在有很多公司正投资几十亿美元，训练机器在不受控制的环境、甚至是在城市的街道与公路上自动驾驶。
想象AI与一个人类驾驶坐在车里。人类驾驶过几百万英里，透过眼睛与耳朵接收环境的数据数据，并以人脑处理，然后针对接收到的数据做出反应，决定直走或转弯、剎车或加速。工程师藉由汽车配备的传感器（如摄影机、雷达、雷射光），赋予AI眼睛与耳朵，在人类开车时观察接受到的数据，同时观察人类的动作。当某些环境数据出现时，人类是右转、剎车，还是加速？AI对人类的观察愈多，就愈能根据接收到的环境数据预测人类会采取哪些行动。AI是靠着预测人类驾驶遇到特定路况所做的行为来学会开车。
重要的是，当预测这样的生产要素变便宜时，可能会提高其他东西的价值。经济学家称这些商品为「互补品」（complement）。就像咖啡的成本下跌会增加糖与奶油的价值，对自动驾驶车来说，预测的成本下降，使得捕捉车辆周遭数据的传感器价值跟着提高。举例来说，2017年英特尔（Intel）付出超过150亿美元收购以色列新创公司Mobileye，主要就是为了该公司的数据搜集科技能让汽车实际看到物体（停止标志、人等）与标志（巷弄、道路）。
当预测变便宜了，就会有更多预测和用来预测的互补品。这两股简单的经济动力，驱动预测机器创造新的机会。从较低的层次来说，预测机器可以让人类从预测工作中抽身，因而节省成本。随着机器效用增强，预测可以改变决策，并改善决策质量。但到了某个时间点，预测机器可能会变得准确到改变组织做事的方法。有些AI将强烈影响企业的商业模式，AI不再只是执行策略来提高生产力，它们会改变策略。
平价会产生新策略
企业的高阶经理人最常问我们的问题就是：「AI会怎么影响我们的企业策略？」我们用个思想实验（thought experiment）来回答这个问题。大多数的人对于在亚马逊购物都很熟悉。就像在多数网络平台上购物一样，你会逛逛它们的网站、选购产品、放进购物车、付钱，然后亚马逊把东西运送给你。目前亚马逊的商业模式是「购物后出货」（shopping-then-shipping）。
而在购物过程中，亚马逊的AI会预测你想买的东西，推荐产品给你。它的AI表现还算不错，不过，离完美还有一大段距离。以我们的例子来说，AI约有5％的机率准确预测我们想买的东西。在推荐的20件商品中，我们确实会购买的大概只有1件。想想看亚马逊销售的商品有数百万种，这样的表现并不差！
想象一下，亚马逊的AI搜集到更多我们的信息，并利用这些数据来改进预测。这种改进类似把喇叭上的音量转大，只不过不是调高音量，而是调高AI的预测准确度。
到了某个时间点，随着AI的预测准确度跨过一个门坎，就会改变亚马逊的商业模式。对亚马逊来说，当预测变得够准确，更划算的作法就是不等你订货，就可以预测到你会想买的东西，直接出货给你。
于是，你不需要再找其他零售商，而且因为你要的东西就在那里，可能会怂恿你买得更多。亚马逊获得更高的钱包市占率。很明显这对亚马逊很好，但对你更好。亚马逊在你打算购物之前送货，如果一切顺利，就会完全省下购物的工作。调高预测准确度会改变亚马逊的商业模式，从「购物后出货」变成「出货后购物」（shipping-then-shopping）。
当然，顾客可能不想处理把不要的商品退货这种麻烦事，所以亚马逊会投资在退货的基础建设上，也许是一周收货一次的快递车队，方便收走顾客不想要的商品。8
如果这是比较好的商业模式，为什么亚马逊还没有这样做？因为如果现在采取这个作法，收货及处理退货商品的成本会超过钱包市占率增加所创造的营收。举例来说，现在亚马逊出货给我们的95％商品会被退货。我们很讨厌这种状况，亚马逊也会付出高昂的代价。预测还未优异到足以让亚马逊采用新模式。
我们可以想象一个情境，亚马逊因为预期到了某个时间点，新策略可以获利，所以在预测准确度好到足以让公司获利之前就采用新策略。借着更早推出服务，亚马逊的AI可以更快获得更多数据，而且更快改进。亚马逊知道，愈早开始，竞争对手就愈难赶上。更好的预测会吸引更多顾客，更多的顾客会产生更多数据来训练AI，更多的数据会导致更好的预测，以此类推，创造出良性循环。太早采用可能代价高昂，但太晚采用却可能一败涂地。9
我们的重点不在亚马逊会不会或应不应该这样做，虽然保持怀疑的读者或许会很意外亚马逊在2013年已经在美国取得「预期性出货」（anticipatory shipping）专利。10不过，最重要的洞见是，预测准确度增加对策略有重大影响。以这个例子来说，这会将亚马逊的商业模式从「购物后出货」转变成「出货后购物」，创造诱因去进行垂直整合，纳入产品退货服务的营运（包括货车车队），并加快投资的时机。这一切就只因为预测机器的指针调整得更准确。
这在策略上代表什么意义？第一，你必须在搜集情报上进行投资，了解你的产业与相关应用的预测机器准确度会改进得多快、幅度多大；第二，你必须发展一套论点，探讨从准确预测中所创造的策略选项。
要着手进行这个「科幻小说式」的练习，请你先闭上双眼，想象你把手指放在预测机器的旋转钮上，然后套用摇滚乐团脊椎矫正（Spinal Tap）的亘古名言，将音量转到11。[1]
本书架构
在预测机器对组织的策略意义尚未明朗之前，你必须先建立基础。这就是我们用来规画本书架构的方法，从底部开始筑起一座金字塔。
第一部分要打基础，解释机器学习如何让预测变得更好。我们会解释这些新进展为什么与学校学的统计学、或分析师进行的分析不同，接着我们会思考预测的一个关键互补品：数据，特别是创造良好预测需要的数据类型，以及如何知道你是否要拥有数据。最后，我们探讨预测机器的表现何时会比人类好，以及人类与机器什么时候可以合作，使预测更准确。
在第二部分，我们会把预测扮演的角色描述为决策的一项生产要素，并解释AI社群至今仍忽略「判断」这个要素的重要性。借着降低不确定性，预测有助于做出决策，判断则会赋予价值。经济学家的说法是，判断是用来决定成果、效用、报酬或利益的技能。预测机器最重大的意义就是增加判断的价值。
实际应用则是第三部分的重点。AI工具把预测机器变得更有用，而且是让设计来执行特定任务的预测机器得以实行的工具。我们勾勒出三个步骤，帮助你了解什么时候建立（或购买）AI工具会产生最高的投资报酬率。有时候这种工具会密切融入现有的工作流程；有时候则会促使工作流程重新设计。我们同时会介绍可具体说明AI工具关键特色的重要辅助工具：AI Canvas。
第四部分转向策略。就像在亚马逊思想实验中描述的，有些AI对一项任务的商业模式有深远的影响，因而会彻底改变企业或产业。这时候，AI就成为组织策略的一个基石。AI如果对策略有影响力，那关注AI的人就会从产品经理及营运工程师跃升到企业决策高层。有时候，很难事先判断一个工具何时会有如此强大的效应。比方说，很少人在第一次使用Google搜寻时就预测到这个工具会改变媒体产业，并成为全球最有价值企业的基础。
除了看好的机会，AI也带来系统性风险，除非你先采取行动，不然可能会冲击你的事业。最热门的讨论似乎着重在AI带给人类的风险，但大家却太少关注AI对组织造成的危机。例如有些以人类产生的数据来训练的预测机器，已经「学会」可能暗藏危险的偏见与刻板印象。
本书最后的部分会应用经济学家的工具组，讨论影响社会更广泛的问题，检视五个最常见的AI争论：
1. 未来人类还有工作吗？有的。
2. 这会造成更多不平等吗？也许会。
3. 会由几家大公司控制一切吗？看情况。
4. 有国家会为了给本国公司竞争优势，制定竞相比烂的政策，来牺牲我们的隐私与安全吗？有的国家会这样。
5. 世界末日要到了吗？你还是有充足的时间从这本书中得到收获。
本章重点
* 经济学提供清楚的观点去了解平价预测所带来的商业意涵。预测机器会用在传统的预测事务（库存与需求预测）以及新的问题（如导航与翻译）。预测成本下跌会影响其他事物的价值，包括增加互补品的价值（数据、判断和行动），并减少替代品的价值（人类预测）。
* 组织可以借着采用AI工具来协助执行现有的政策，善加利用预测机器。当这些工具的威力变强大时，也许会促使政策改变。举例来说，如果亚马逊能预测顾客想要什么，或许就能从「购物后出货」的商业模式变成「出货后购物」的商业模式，在下订单之前将商品运送到家。这种转变会对组织带来变革。
* 在组织善用AI的新策略下，我们会面临新一轮的权衡取舍，考虑AI如何影响社会。我们的选择取决于需求与偏好，而且几乎可以肯定，在不同国家与文化下，选择会有所不同。我们把这本书分成五个部分，来反映AI在各层面的影响，从建立预测的基础到影响社会的权衡取舍，包括：预测、决策、工具、策略与社会。
1. 作者引用1984年《摇滚万万岁》（This Is Spinal Tap）的典故。在这部仿纪录片中有个叫做脊椎矫正乐团（Spinal Tap）的英国金属摇滚乐团，吉他手拿出一个音量从0至11的扩大机。因为一般的扩大机音量是0至10，所以「将音量转到11」是要表达出把一个东西做到极致的态度。
PART I
预测
