我们如何学习使用智能机器？- Matt Beane

TED 精选 2019-06-03

人工智能时代口译技术应用研究
王华树 | 国内首部聚焦口译技术应用和教学的著作
新书推荐


口笔译教育与评价国际论坛二号公告
在厦门大学百年校庆之际，邀您齐聚厦门、共襄盛举
论坛推荐

The path to skill around the globe has been the same for thousands of years: train under an expert and take on small, easy tasks before progressing to riskier, harder ones. But right now, we’re handling AI in a way that blocks that path — and sacrificing learning in our quest for productivity, says organizational ethnographer Matt Beane. What can be done? Beane shares a vision that flips the current story into one of distributed, machine-enhanced mentorship that takes full advantage of AI’s amazing capabilities while enhancing our skills at the same time.

00:01
清晨六点半，

00:03
克里斯汀正推着她的前列腺病人进手术室。她是一名实习住院外科医生，学习是她工作的一部分。这天，她非常想参与进行神经保留手术，这要求医生有极度精细的切割技巧，以让病人恢复勃起的功能。不过，这还要看主治医生的意思，但那会儿他并不在手术室。克里斯汀和其他手术人员给病人打了麻醉。首先，她在病人的下腹部切开了一道8英寸的切口，

00:35
当她把切口固定好，便让护士打电话给主治医生。主治医生赶到后，穿上手术服。

00:42
接着，两人共同开始手术，他们四只手都在病人体内，主治医生负责指导，克里斯汀则主导了手术。当病人的前列腺被取出后，主治医生让她进行了部分神经保留的操作，他脱掉了手术服，开始处理一些文件。而克里斯汀在一个初级住院医生的协助下于8：15完成了手术，克里斯汀还让他给病人做了最后的缝合。克里斯汀感觉好极了，病人很快就会恢复，而她也无疑比凌晨六点半时的自己更进了一步。

01:22
虽然，医生的工作挑战性极高。但克里斯汀的学习过程其实和我们的并无分别，通过观察专家的操作，从简单、安全的部分开始着手，过渡到风险更高、难度更大的工作，

01:36
其中确保她准备就绪，并且有专家在一旁指导。我这一生都被这种学习过程所吸引。这样基本的步骤，体现了人之常情，人们为这个过程赋予不同的名字，学艺、训练、教导和在职培训，在外科手术中，这被称为“看、做、教”，但实际步骤是一样的，这也是千百年来所有人在培养人才时所用的方式。但如今我们应用人工智能的方法却反其道而行之。为了提高效率，我们牺牲了学习必经的过程。我在麻省理工学院做手术时第一次发现了这个现象，但现在我发现这样的现象随处可见，遍布各行各业，以及各项人工智能的应用场景中。如果我们无动于衷，成千上万的人在学习如何掌握人工智能时，将会碰壁。让我们再用外科手术作为例子，时间快进六个月，还是凌晨六点半，克里斯汀推着另一个前列腺病人进手术室。但这一次，是去自动化手术室。主治医生把一个长着四只手、重一千镑的机器人连接到病人身上，医生们都脱掉了手术服，来到三五米外的控制台，而克里斯汀只负责观察。在机器人的帮助下，主治医生独自便可完成手术，他也是这么做的，即使他知道克里斯汀需要练习，他也希望可以给她机会，

03:14
但是他同样清楚克里斯汀操作得更慢，还有失误的风险，而病人的安全永远是第一位的。所以克里斯汀在这次手术中完全没有机会碰到病人的神经，

03:25
她能在四个小时的手术中操刀超过一刻钟就算是走运了，而且她很清楚，万一她出现失误，主治医生就会重新操刀，她又不得不回到观察者的角色，感到非常沮丧和失落。正如我过去八年做的所有关于机器人的研究一样，在这次研究的开始，我也提出了一个宏大的问题：我们要如何与智能机器共存？为了寻找答案，我花了两年半的时间，观察了数位外科医生和住院医生。他们既做传统的手术，也做自动化手术，我采访他们，试图了解他们的学习过程。这次研究覆盖了美国18所顶级的教学医院，研究结果显示出相同的趋势。大部分住院医生都和克里斯汀一样，他们“看”得很多，但“做”的机会却很少。所以他们难以进步，也无从学习。这一现象对外科医生来说十分重要，但我想知道，这样的现象有多普遍？还有哪些领域也是这样，人工智能阻碍了人们的学习？为了找到答案，我联系了一个年轻但正迅速成长的研究团队。他们在不同领域都做了一些关于人工智能的实地研究，包括初创公司、监管治安部门、投资银行和在线教育等。

04:43
和我一样，他们花了至少一年的时间，用了数百个小时进行观察采访研究对象，甚至和他们一起生活、工作。我们共享了数据，我想从中寻找出规律。

04:57
不管在什么行业，利用何种人工智能，结果都非常相似。企业、机构都卯足了劲，想从人工智能中获益，而这一行为导致学习者从专业工作中脱离出来。初创公司的管理者把联系消费者的工作外包出去，警察在没有专家的支持下去做犯罪预测工作，初级银行家被排除在复杂分析之外，教授也要独自开始做在线课程。而这些种种带来的后果和上述外科例子是一样的，在工作中学习变得越来越难，这样的情况需要得到改善。据麦肯锡估计，到2030年，我们中有5亿到10亿人，将不得不在日常工作中适应人工智能。而我们却以为在职学习机制将一直存在，在我们想要学习的时候就唾手可得。埃森哲最新的员工调查显示，多数员工在工作时才能真正掌握技能，而不是在培训中。我们一直在关注人工智能对未来潜在的影响，但却忘了它在目前最大的影响，就是它阻碍了我们学习的步伐，而学习恰恰是我们目前最需要的东西。现在有一个小群体找到了学习的方法，通过改变和突破规则。因为现有的方法不奏效，所以他们要改变和突破规则，来获取和专家一起学习的机会。

06:33
在我经历的环境里，住院医生在医学院时可以参与到自动化手术中，牺牲他们的通识教育课程，他们花了数百个小时研究模拟器和手术记录，虽然他们更应该在手术室里实操。最重要的是，他们找到了奋斗的方法，在有限的专家指导下进行现场操作。我称之为“影子学习”，因为它修改了规则，让学习者在聚光灯之外学习，而所有人都对此睁一只眼闭一只眼，因为这样的学习的确有效。记住，这样学习的学生都是学霸。显然，这样的方式并不对，也并不可持续，没有人应该要冒着被开除的风险，去学习应掌握的技能，但我们可能真的要向这些人学习。他们为了学习不惜冒着巨大的风险，

07:32
他们明白需要保护那些工作中遇到的困难和挑战，而强迫自己去解决难题，不断挑战自己的极限。他们也保证身边有足够的专家资源指导他们，在必要的时候出来提供支持。让我们把努力和专家支持结合起来，将其应用到人工智能中。我这里有一个具体的例子，在有机器人之前，

08:01
如果你是一个拆弹专家，你经常要直接处理简单易爆装置，一个年轻的警官就在你几百米之外，他只能观察你，并且在你觉得安全的时候才能提供帮助，才能接近装置。现在你们并排坐在防弹卡车里，一起看着视频，他们远程控制着机器人，而你大声地指挥工作，这样一来，他们反而可以有更好的机会学习。我们可以把这种方式应用到外科手术、初创企业、治安系统、投资银行和在线教育等等行业中。好消息是，我们有了更好的工具辅助学习，

08:39
网络和云技术的发展意味着我们不再需要专家进行一对一、面对面的教学，专家和学习者甚至不需要在同一个机构中。我们可以利用人工智能来辅助学习，在学习者奋斗的过程中指导他们，还可以指导专家进行更有效的教学，将两者以更智慧的方式联系起来。现在已经有在职人员有这样的教学系统，但是他们也仅仅是关注入职培训，更大的危机其实出现在在职培训当中。我们必须要做得更好，现在出现的问题要求我们要做得更好，来创造价值，来更好地利用人工智能带来的便利，同时也让我们的技术变得更加成熟。这才是我小时候梦想的未来，而现在正是去开创这一未来的最佳时机。谢谢。（掌声）