致力于
语言服务行业

我们如何学习使用智能机器?- Matt Beane

关注译直播 精彩不错过
打造中国语言服务行业专属平台
只要关于语言服务那些事
免费提供直播平台与技术

13395997958
15960755939

(同微信)

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)


分享至:
转载请注明出处:TTV 译直播:语言服务行业专属 » 我们如何学习使用智能机器?- Matt Beane
已有 0 条评论 新浪微博

关于我们联系我们