更多 >>>

为什么说算法不是万能的?

  2021-06-28

一、算法不是万能的

在快速变化的环境中,心神不宁的人们想摆脱现实的不确定性,于是向科学的力量求助,并认为AI、大数据分析、算法新技术一定能够更好地解释一切复杂和快速变革的全局。很多人对于技术的倚重不仅来自技术带来的效率提升,而且更加来自“技术崇拜”——用近乎虔诚的态度对待技术。甚至有一种激进的思维希望用算法理解世界的方方面面,并且认为科学知识优于其他类型知识。


此思维代表的是“唯科学主义”意识形态(scientism)——对算法技术的痴迷。持有此意识形态的人认为,算法是智慧与经验的替代品。在他们看来,无论是在医疗、教育、政府,还是在我们个人生活领域,人工智能与大数据分析技术都可以给出最优答案。


但是,算法并非全知全能,如果太过信赖技术,人的判断力还会被削弱。就像是我们专心盯着GPS,听从它发出的每一条指令,反而失去了对头上闪耀的星星的感知力。对于组织的决策者来说,只有具体的数据分析结果,依然无法胸有成竹;只有抽象的数据,而没有对现实的感知,就难以从数据中获得还原真实全貌的能力。数据没有了具体的语境背景和色彩,所呈现的只是这个世界的抽象表征,而不是世界本身。如果管理者、决策者总是被一层层抽取到的数据所包围,他们的想象力和直觉就会枯竭。就像是只吃各种维生素和工业提纯后的营养液,导致味觉退化。人的独特能力是不能够被机器和技术替代的。


算法技术本身不能给出有关真实性的全部答案。因为大数据背后的假设关注的是相关性,而不是因果关系,所以大数据可以提供信息,但是无法给出解释;大数据可以构建事物在统计上的显著关系,却不能解释为何会出现这样的现象。经济学家蒂姆·哈福德说:“大数据并没有解决困扰了统计学家和科学家几百年的问题——关于洞察力的问题,也就是如何推断到底发生了什么,并找出如何干预或优化一个系统的方式。”


谷歌的“流感趋势检索”案例呈现出了以上问题。2008年,谷歌的研究人员提出了一个用搜索词条预测疾病大规模暴发的想法。经过筛选与流感相关的检索,并对这些检索进行追踪,研究人员想当然地认为他们可以比美国疾病控制与预防中心(CDC)更早预测出流感的暴发。他们所采用的技术被命名为“临近预报”(now-casting)。这似乎是一次算法技术上的成功——谷歌的检索可以比美国疾病控制与预防中心提早两周预测出流感暴发。然而之后不久,谷歌的流感趋势预测就不灵验了——它并没有预测出2009年的H1N1流感大暴发,而且高估了2012~2013年的流感疫情。问题在于,谷歌的算法对于任何与流感季节相关的检索都会产生反应,但这些检索的背后不一定与真正的流感暴发有关。比如,像“高中篮球”和“鸡汤”这样的检索都会引发谷歌算法的流感警报。这是因为大数据并不关注解释,而只是反映经验主义者的思维


大数据想要从等式中去除偏见,充分采用演绎思维,摒弃归纳的探究方式。它的逻辑是,在数据充分的情况下,数字就可以指向结论,根本不需要理论。但是,就如同谷歌流感趋势的例子所展示的,我们还需要进行更深入的分析,以探讨数据的相关性,并确定因果关系。大数据无法摆脱对传统研究方法的依赖,因为数据的意义仍然来自人对数据的解读。


如果像谷歌这样处理数据的话,大数据永远不能做到保持中立,不偏不倚。类似的,我们经常用所谓的“技术”手段来了解真实情况,但是却如隔靴搔痒。比如,公司管理者想要通过客户的“痛点”或“未被满足的需求”来帮助客户、消费者或员工。这些说法背后是一种居高临下的态度,拿着技术工具的放大镜俯视别人,将他人的经历抽象化、将人流动的想法和细微的个性差异解剖、放大分析,本质上是一种简化。


科学知识不断发展,但是来自科学技术的信息却导致我们对其他形式的信息与求知方式置若罔闻。而往往是那些能够接受各种形式的信息的人最终胜出。如果一个人只是相信科学知识和技术,那ta就会都被限制在了自己构建的“技术牢笼”:有的人被困在桌上堆满了数字表格的会议室里,还有的人被困在充斥着空洞的缩略语的战略会议中。无论是被困于哪种“技术牢笼”,ta都难以在复杂的环境下领会真正真实的生活。


比如,在一家制药公司,ERP系统可以告诉管理者有多少销售人员完成了季度目标,但是不能让管理者明白究竟是什么塑造了一位成功的销售人员;在一家时装公司,最新的市场细分模型能展示出不同的奢侈品消费者是怎样消费的,但是不能揭示出他们在消费时追求的是一种什么样的体验和心情;一家销售养老保险的公司要理解变老的感受,才能够走进老年人消费者的心里,赢得他们的好感和信任。而一个人变老的感受,是算法量化模型可以描述清楚的吗?


二、人的独特认知能力


所以,要寻找因果关系和现象形成的过程机制,依然需要人的投入、思考和归纳。只有人们自己可以从对具体经验和复杂现实的体察中总结提炼出捕捉整体真实性的理论框架。要把握这个VUCA时代的机会,企业高管不能迷信技术算法,更要随时掌握政治、科技、文化社会领域的新知识,并且理解不同方面信息是如何相互交织、共同塑造的。


比如,食品生产业务不仅是由定制市场进入战略、资本投入、产品市场定位构成。做好这个生意,还需要管理者理解人与食物的关系:如何消费和分享食物、美食聚餐对于人们的文化意义等。企业的发展战略也不仅是不同周期的计划目标和财务报表,也是与文化、人、情感相关。要真正了解生活在社会和组织环境中的人,学习者需要平视人,做人所做,见人所见,才能思人所想,获得同样的人的视角与思维方式。此外,要了解一种文化和人行为的社会背景,你还要去了解这样文化的历史、传承和习俗,从而获得人行为背后的复杂动机与经历的影响。


所有这些,都不是技术崇拜者和唯科学主义者迷信的统计学“大数据”和算法能够领悟的,而是需要真实场景的“厚数据(thickdata)


对于“厚数据”的关注,体现在金融大鳄索罗斯的投资方法论中。因在童年时期经历了世界范围的战争,看到了人类的不理智,索罗斯对历史的非线性发展异常敏感。他意识到,宏大的政治事件,往往是由那些看似微不足道的人物事件引发的。理性的货币政策与条约的表象之下,是人们的愤怒、受伤的自我和地盘之争。


索罗斯基金管理公司所具有的人文思维文化要求投资人必须探寻数据背后的文化。索罗斯的投资伙伴罗伯特·约翰逊所遵循的独特流程是:“多数时候,数据并不是数字,它们无法在表格中量化。数据是经历,是报纸上的文章,是人们的反应,是对话,是描述性数据。”


索罗斯和同事们的决策过程并不是在办公室中反复摆弄各种模型分析数据,而是来到真实的“田野”进行调研,是从与真实的不同的人进行的互动中获得了真实的感受,而不是通过机械的经济学基础理论和大数据分析去感知市场动向。


投资和商业决策都需要数据来支持,但如果只是把数据理解为单纯的数字,你可能就会错过更本质的信息。像索罗斯这些投资者的天赋,就是能够在如海洋般浩瀚的数据、印象、事实、经验、观点和观测中找出规律,并把这些规律整合成一种洞察力。这需要与相关数据进行直接、几乎是感官上的接触,需要对什么与什么相匹配,什么源于什么,什么导致什么有一种敏锐的感知能力和整体思维能力。


类似的,英国历史学家哲学家以赛亚·伯林发现,就如同索罗斯这样的大金融家能够同时整合多种复杂要素一样,伟大的政治领袖也具有一套可以被称为“完全平凡、经验主义和准美学式”的个人技能。这些技能的特点,是以经验、对他人的理解和对环境的敏感为基础的现实参与。“整合那些千变万化、多姿多彩、稍纵即逝的,像一只只蝴蝶一样难以捕捉、分类的信息”。


这是一种了不起的能力,是算法和人工智能不能够替代人类的原因,因为人类有洞见。温斯顿·丘吉尔说:“真正的才华,体现在人们对未知、危险和矛盾的信息的判断之中。”


所以,那些认为只要数据够多,算法够先进,就可以无所不能的判断是站不住脚的。这和“唯科学论”和“拜科学教”的迷信一样,本质上是一种认知惰性和对未知领域的恐惧。





免责声明:本文来自网络,不代表中宜云控互联网科技股份有限公司的观点和立场





云服务   免费啦

即日起,凡新注册用户均可免费试用7天(基础配置)

免费试用