温伯格分析了人为什么喜欢作预测 。 人喜欢提前了解所有的可能性 ， 并为它们做准备 ， 尽管常常会出现准备过度、准备不足和准备不当 。 假如上述这三种情况发生 ， 社会就不得不承担巨大的成本 。
与人相比 ， 机器则没有这些盲目性 。 它们在非预期的情况下运作 ， 听从数据的指示 。 机器学习能在对数据背后意义一无所知的情况下 ， 发现数据之间的关系 。 它们发现并证明一切都在同时发生 ， 而不是按顺序发生 。
温伯格的第一个也是最好的例子 ， 是一个名为“深度患者”（Deep Patient）的医疗学习怪物 。
纽约某医学院的研究人员向它输入整整70万份病历 ， 并让它不受限制地找出它能做的事情 。 结果 ， 它作出的诊断和预测远远超出了人类医生的能力 。 虽然该“黑盒”诊断系统无法解释它给出的预测 ， 但在某些情况下 ， 它的确比人类医生更准确 。
这就是深度学习 ， 会带来人类从未考虑过或甚至无法想象的发现 。 温伯格说 ， “深度患者”的教训是 ， 深度学习系统不必将世界简化为人类能够理解的东西 。
这违背了我们迄今为止所建立的一切 。 机器学习对天气、医疗诊断和产品性能的预测比我们做得更好 ， 但往往以牺牲我们对其如何得出这些预测的理解为代价 。
温伯格强调 ， 虽然这可能带来危险 ， 但也是一种解放 ， 因为它使我们能够驾驭我们周围大量数据的复杂性 ， 从混乱和琐碎的数据中获益 。
温伯格将此形容为“从混沌理论转向混沌实践——将这一理论那令人兴奋的想法应用于日常生活” 。 这就是本书英文书名Everyday Chaos的由来 ， 它讨论的并非理论意义上的混沌 ， 而是每日每时的混沌 。
温伯格指出 ， 这种转向并非始于人工智能 ， 而是从有互联网以来就开始了 。 各行各业都采取了那些完全避免预测未来的做法 ， 比如柔性生产、敏捷开发、A/B测试、最小化可行产品、开放平台和用户可修改的视频游戏等 。 他甚至极而言之地说 ， 我们在过去20年里做的那些发明与革新 ， 都是为了避免去预测未来会发生什么 。
我们对这种新的认知模型已经如此适应 ， 以至现在我们对上述与传统认知模型相悖的新事物 ， 已经习以为常了 。
我们在互联网上公认的工作方式 ， 事实上推翻了关于未来如何运作的旧假设：互联网并不试图预测未来并为其做准备 ， 而是通过创造更多深不可测的可能性来造就我们的繁荣 。 网络也降低了在没有定律、假设、模型、甚至对什么会成功的直觉的情况下运作的成本 。
战略不是漫长的计划 ， 也不通往可知的未来
预期和准备 ， 是我们处理日常事务的核心 ， 也是企业做战略规划的核心 。
推荐阅读
- 数字化|零售数字化转型显效 兴业银行手机银行接连获奖
- 研究院|传统行业搭上数字化快车，施工现场变“智造工厂”
- 山西|移动5G+智慧成果亮相山西数字化转型大会
- 猎豹|数字化助力实体消费 机器人让商场“热”起来
- Pro|价格相差1000块钱 买小米12还是小米12 Pro？很多人选错了
- 数字化|商场数字化有本“生意经”
- 数字化|70%规模以上制造业企业到2025年将实现数字化、网络化
- IT|保费涨80% 专车司机还是爱特斯拉
- 限制|多国拒绝禁用“杀手机器人”，潘多拉魔盒还是被打开了？
- 数字货币|是继续欣欣向荣还是泡沫破灭? 专家给出加密货币2022年五大预测