文 丨鮑勇劍（加拿大萊橋大學(xué)迪隆商學(xué)院終身教授，復(fù)旦大學(xué)管理學(xué)院EMBA項(xiàng)目特聘教授）
2025年國際數(shù)學(xué)奧林匹克競(jìng)賽有兩位特別的金牌得主：谷歌 DeepMind 的 Gemini Deep Think 和 OpenAI 的實(shí)驗(yàn)型大語言模型。它們用自然語言生成的解答被 IMO 官方認(rèn)可并確認(rèn)其“金牌級(jí)”表現(xiàn)。2018年，GPT-1的模型參數(shù)是1.17億；2023年，GPT-4的模型已達(dá)1.7兆億的參數(shù)。隨著資本投入增加，支持機(jī)器智能的算力、算法、算據(jù)（可以運(yùn)算處理的數(shù)據(jù)）正以幾何級(jí)數(shù)上升。相比之下，人腦活動(dòng)會(huì)調(diào)動(dòng)860億神經(jīng)元和100兆億突觸，每個(gè)突觸約等同于一個(gè)參數(shù)。一次復(fù)雜思考，人腦只要用20瓦；GPT則需要千百倍的能量處理一條問詢。人們可以從不同角度比較生物智能和機(jī)器智能（Machine Intelligence）的優(yōu)劣。有人認(rèn)為，超級(jí)人工智能會(huì)無限接近但永遠(yuǎn)不會(huì)超越人類的生物智能。1903年，懷特兄弟模仿鳥的飛行原理，發(fā)明了第一架飛行器，這架飛行器有上百個(gè)部件；今天，波音747有六百萬個(gè)部件。飛機(jī)能否變得像鳥一樣？我們可以爭(zhēng)論這樣的問題，但是對(duì)企業(yè)而言，更有意義的問題是，飛行意味著什么？怎樣才能飛得更遠(yuǎn)、更高？
企業(yè)對(duì)現(xiàn)階段機(jī)器智能發(fā)展的合理認(rèn)識(shí)包括四點(diǎn)。第一，人工智能可以模擬人腦的所有功能活動(dòng)。第二，認(rèn)識(shí)論是關(guān)于知識(shí)是什么、如何獲得、怎樣確認(rèn)的學(xué)說。從這個(gè)角度看，除了已知的全部知識(shí)，機(jī)器智能掌握的知識(shí)還在以幾何級(jí)數(shù)在提高。第三，機(jī)器智能已經(jīng)呈現(xiàn)出不同于生物智能的新屬性。受生理?xiàng)l件限制，人類難以反向模仿機(jī)器智能的新屬性，但組織可以容納機(jī)器智能，推動(dòng)人機(jī)協(xié)同。第四，人機(jī)協(xié)同要求的戰(zhàn)略選擇不是讓機(jī)器適應(yīng)人，而是拜師機(jī)器智能，擁抱機(jī)器智能，建立智能體組織。根據(jù)上下文語境，本文會(huì)交替使用生物智能和人類思維能力、人工智能和機(jī)器智能兩組概念。
自2010年起，人類進(jìn)入了以數(shù)字化和人工智能為代表的第四次工業(yè)革命。這一次自動(dòng)化不僅能實(shí)現(xiàn)虛擬控制（cybernetic）和物理世界的融合，還能實(shí)現(xiàn)智能體AI與社會(huì)各個(gè)部分的聯(lián)結(jié)。這個(gè)過程中，機(jī)器智能在大力推動(dòng)生產(chǎn)力發(fā)展的同時(shí)，也改變著社會(huì)生產(chǎn)關(guān)系。構(gòu)建融合生物智能和非生物智能的智能體組織，正逐漸成為企業(yè)的戰(zhàn)略任務(wù)。
本文首先介紹機(jī)器智能在認(rèn)知、感知、推理和行動(dòng)等方面的新屬性，然后提出建立智能體組織的四步策略。本文并非探討人工智能發(fā)展的文獻(xiàn)綜述，而是從普及機(jī)器智能與管理知識(shí)的角度總結(jié)新屬性。
機(jī)器智能非常機(jī)智
機(jī)器智能從模仿人類的大腦思維活動(dòng)，特別是腦神經(jīng)網(wǎng)絡(luò)活動(dòng)開始，目前已經(jīng)“青出于藍(lán)而勝于藍(lán)”，并且有了許多人類無法比擬的新屬性。許多常見的格言警語都反映了人類生物智能的局限性，如“學(xué)會(huì)抓大放小，避免面面俱到”“做事自始至終”“難改既成事實(shí)”“謀定而后動(dòng)”等。當(dāng)前機(jī)器智能具備大模型、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、多模態(tài)、即時(shí)推理和行動(dòng)的能力，幾乎可以突破生物智能的局限性。機(jī)器智能可以做到抓大不放小，能夠面面俱到；可以同步處理開頭結(jié)尾，并讓事實(shí)一直處于優(yōu)化的過程中，邊謀劃邊行動(dòng)。機(jī)器智能已經(jīng)非常機(jī)智了。從組織管理角度看，機(jī)器智能表現(xiàn)出三種顯著的能力：理解分工、認(rèn)知協(xié)同、循環(huán)（改善）行動(dòng)。
首先，機(jī)器智能可以分門別類地處理圖像、文字、音頻、視頻、地理空間坐標(biāo)、三維、時(shí)間順序、感應(yīng)、生物遺傳基因、二進(jìn)制等12種不同形式和內(nèi)容的數(shù)據(jù)信息。人類也可以處理大部分類型的數(shù)據(jù)，但只能一次處理一種，并且“帶寬”有限。所以，人類認(rèn)知存在許多偏見，如最近發(fā)生的事、有顯著特征的信息會(huì)更具影響力。相比之下，機(jī)器智能同步處理各類數(shù)據(jù)的“理解分工”能力非常強(qiáng)大，它能分辨噪聲，平衡偏見影響，綜合多種多樣的信息來源，然后根據(jù)戰(zhàn)略目標(biāo)分配決策因素的權(quán)重。
其次，機(jī)器智能可以把分門別類處理過的數(shù)據(jù)再融會(huì)貫通起來，實(shí)現(xiàn)“認(rèn)知協(xié)同”。按照設(shè)定目標(biāo)，機(jī)器智能已經(jīng)能夠做到多模態(tài)、多智能體的動(dòng)態(tài)溝通和整合。人腦當(dāng)然也有認(rèn)知協(xié)同能力，我們的感知、意識(shí)和認(rèn)知必須協(xié)同，然后才有行動(dòng)，日常生活中的穿衣吃飯都涉及一系列協(xié)同行為。但是，人類的認(rèn)知協(xié)同與機(jī)器智能協(xié)同有兩個(gè)重要區(qū)別。其一，個(gè)人認(rèn)知協(xié)同水平有高低之分，機(jī)器智能采集了最優(yōu)樣本來學(xué)習(xí)模仿且快速進(jìn)化。例如，RPA（Robotic Process Automation,機(jī)器人流程自動(dòng)化）融匯了行業(yè)和組織頂級(jí)專家的技能和經(jīng)驗(yàn)。其二，人與人之間的集體認(rèn)知協(xié)同遠(yuǎn)比個(gè)人自我認(rèn)知協(xié)同復(fù)雜和困難。例如，現(xiàn)代組織按照工作任務(wù)復(fù)雜程度和變化程度來分配可拆解或不可拆解的、連續(xù)或并行的任務(wù)，不同任務(wù)形式都對(duì)認(rèn)知協(xié)同能力有要求。除了工作任務(wù)設(shè)計(jì)以外，現(xiàn)代組織還需要用組織結(jié)構(gòu)、組織文化、團(tuán)隊(duì)正念等方法提高員工之間的認(rèn)知協(xié)同水平。即便如此，人類認(rèn)知協(xié)同的表現(xiàn)也極其不穩(wěn)定，需要領(lǐng)導(dǎo)者來補(bǔ)差、增強(qiáng)，但也往往不盡如人意。機(jī)器智能能分解任務(wù)背后的信息需求和交換特征，進(jìn)而通過各種工具和技術(shù)推進(jìn)整合。通過混合使用各種工具和技術(shù)，機(jī)器智能可以實(shí)現(xiàn)組織成員之間難以達(dá)到的認(rèn)知協(xié)同高度。
最后，機(jī)器智能已經(jīng)發(fā)展出循環(huán)（改善）行動(dòng)能力（以下簡(jiǎn)稱“循環(huán)行動(dòng)”）。人類組織一般只能想好了做，做錯(cuò)了學(xué)，學(xué)會(huì)了再做。這種認(rèn)知與行動(dòng)的階段性特征可以縮短，但始終存在。所以人會(huì)后悔，因?yàn)榧瘸墒聦?shí)和后果不能變更，只能等到下一次行動(dòng)去彌補(bǔ)。機(jī)器智能的深度學(xué)習(xí)技術(shù)可以實(shí)現(xiàn)邊想邊做，邊做邊想，即時(shí)學(xué)習(xí)，同步糾錯(cuò)，循環(huán)改善。例如，ReAct （Reason + Act）技術(shù)能夠讓大模型執(zhí)行“思考—計(jì)劃—行動(dòng)—觀察—反思”的循環(huán)改善回路。
1956年，布魯姆（Benjamin Bloom）提出認(rèn)知領(lǐng)域分類法，將認(rèn)知能力劃分為六個(gè)等級(jí)，從低到高依次為知識(shí)（記憶學(xué)習(xí)）、領(lǐng)會(huì)（理解學(xué)習(xí)）、應(yīng)用（實(shí)踐學(xué)習(xí)）、分析（相關(guān)性學(xué)習(xí)）、綜合（創(chuàng)造學(xué)習(xí)）、評(píng)價(jià)（批判學(xué)習(xí)）。傳統(tǒng)大學(xué)教育按照這個(gè)階段順序培養(yǎng)學(xué)生，為人類智能搭建進(jìn)步階梯?，F(xiàn)代企業(yè)員工的認(rèn)知能力也有類似的等級(jí)特征。機(jī)器智能通過理解分工、認(rèn)知協(xié)同和循環(huán)行動(dòng)可以同時(shí)具備高度優(yōu)化的各個(gè)級(jí)別的認(rèn)知能力，并且以指數(shù)級(jí)進(jìn)化。這是組織需要拜師機(jī)器智能的重要原因。拜師機(jī)器智能不是為了反向?qū)W習(xí)，因?yàn)槿祟惙聪蚰７聶C(jī)器智能的生理限制很多。拜師機(jī)器智能是為了充分理解其進(jìn)化中的屬性，進(jìn)而將其嫁接至組織現(xiàn)有體系，形成新的組織基因，最終建立有意義的智能體組織。為深度了解“理解分工、認(rèn)知協(xié)同、循環(huán)（改善）行動(dòng)”對(duì)組織管理的影響，下文將分析機(jī)器智能的9個(gè)技術(shù)特征。
機(jī)器智能的9R特征
機(jī)器智能從基礎(chǔ)模型、技術(shù)路線、解題方法和應(yīng)用方案四個(gè)層次形成了動(dòng)態(tài)發(fā)展的知識(shí)體系。例如，大語言模型、轉(zhuǎn)換技術(shù)、遷移學(xué)習(xí)、小數(shù)據(jù)建模即代表著一種有等級(jí)層次、依次對(duì)應(yīng)、目標(biāo)/情境/問題匹配的知識(shí)體系。隨著世界大模型、量子計(jì)算、神經(jīng)網(wǎng)絡(luò)符號(hào)智能（Neurosymbolic AI）和克服災(zāi)難性遺忘繼續(xù)學(xué)習(xí)技術(shù)的出現(xiàn)，機(jī)器智能的知識(shí)體系還會(huì)升級(jí)換代。不過，其體系特征已經(jīng)比較穩(wěn)定。為幫助管理者了解機(jī)器智能與管理相關(guān)的屬性，本文選擇9個(gè)技術(shù)要點(diǎn)串聯(lián)機(jī)器智能的知識(shí)體系。這9個(gè)技術(shù)要點(diǎn)的英文都以R開頭，以方便管理者記憶和傳播（見圖1）。
機(jī)器智能是指機(jī)器或計(jì)算機(jī)系統(tǒng)在感知、理解、推理、學(xué)習(xí)、決策以及解決問題等方面表現(xiàn)出的智慧和能力。在執(zhí)行動(dòng)態(tài)戰(zhàn)略目標(biāo)過程中，機(jī)器智能可以與環(huán)境互動(dòng)，適應(yīng)環(huán)境并利用環(huán)境資源，其過程呈現(xiàn)出9個(gè)顯著特征。
多模識(shí)別（Recognition） 多模識(shí)別是從原始數(shù)據(jù)中識(shí)別模式、對(duì)象或信號(hào)的過程，是機(jī)器智能的感知系統(tǒng)（如計(jì)算機(jī)視覺、語音識(shí)別和手勢(shì)檢測(cè)）。常用技術(shù)包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和注意力機(jī)制，這些技術(shù)使AI能夠處理圖像、聲音或文本，正確標(biāo)注或解釋它們。機(jī)器智能在識(shí)別階段就能處理既廣泛又細(xì)致的數(shù)據(jù)，其“理解分工”水平遠(yuǎn)遠(yuǎn)高于人類，這啟發(fā)管理者重新定義勞動(dòng)分工的內(nèi)容和邊界。
表征學(xué)習(xí)（Representation） 表征或表示指的是信息、知識(shí)和概念在人工智能系統(tǒng)內(nèi)部的編碼方式，主要有符號(hào)表示（基于邏輯的結(jié)構(gòu)）和分布式表示（神經(jīng)網(wǎng)絡(luò)中的密集向量）。常用技術(shù)包括嵌入表示、知識(shí)圖譜和自動(dòng)編碼器。目前，機(jī)器智能已有多種捕捉關(guān)鍵信息特征同時(shí)減少無關(guān)噪聲的方法。這些方法源于專家經(jīng)驗(yàn)的輸入，結(jié)合機(jī)器自主學(xué)習(xí)持續(xù)優(yōu)化，在處理速度提升、參數(shù)量適配和反饋機(jī)制完善上展現(xiàn)出日新月異的發(fā)展態(tài)勢(shì)。表征學(xué)習(xí)與其他功能反復(fù)協(xié)同，在一些專業(yè)領(lǐng)域，如生物和化學(xué)，機(jī)器智能對(duì)復(fù)雜信息的洞見和呈現(xiàn)能力已經(jīng)超過人類。
ReAct（推理 + 行動(dòng)） ReAct是一種提示策略，AI模型交替執(zhí)行推理（逐步思考）和行動(dòng)（調(diào)用工具或API等），這使大語言模型在與外部系統(tǒng)交互時(shí)能夠保持邏輯連貫。常用技術(shù)包括鏈?zhǔn)酵评?、工具使用集成以及記憶模塊。機(jī)器智能在思考和行動(dòng)同步協(xié)同方面的能力啟發(fā)組織重新思考戰(zhàn)略規(guī)劃和執(zhí)行之間的循環(huán)反饋。供應(yīng)鏈伙伴之間的合作形式也會(huì)因此發(fā)生改變，如希音（SHEIN）模式，合作伙伴要適應(yīng)小批量、實(shí)驗(yàn)營銷和快速物流之間的不斷協(xié)同。
RAG（檢索增強(qiáng)生成） RAG從外部知識(shí)庫中檢索相關(guān)文檔或數(shù)據(jù)來增強(qiáng)AI的回答，結(jié)合信息檢索技術(shù)（向量搜索、BM25）和生成模型（Transformer），提高了答案的準(zhǔn)確性、真實(shí)性和時(shí)效性。RAG提醒管理者重新想象企業(yè)內(nèi)部和外部資源之間的關(guān)系。公司邊界是新制度經(jīng)濟(jì)學(xué)的核心問題，而RAG的邏輯是跨邊界調(diào)動(dòng)外部資源。機(jī)器智能倒逼管理者思考利用內(nèi)外資源的合約方式和治理結(jié)構(gòu)。
強(qiáng)化學(xué)習(xí)（Reinforcement） 強(qiáng)化學(xué)習(xí)指的是AI通過與環(huán)境的反復(fù)試錯(cuò)交互來學(xué)習(xí)，從而最大化長(zhǎng)期回報(bào)。關(guān)鍵方法包括Q學(xué)習(xí)、策略梯度和演員-評(píng)論家算法，常用于機(jī)器人、游戲和決策系統(tǒng)。怎樣把強(qiáng)化學(xué)習(xí)嫁接到組織內(nèi)部流程中，這是管理者的新課題，目前尚無成熟方案。
迭代優(yōu)化/精煉（Refinement） 優(yōu)化/精煉是通過迭代反饋來改進(jìn)AI輸出的過程，可能包括微調(diào)模型、改進(jìn)提示或進(jìn)行后處理。常用技術(shù)包括基于梯度的優(yōu)化、提示工程以及人類參與的審查。當(dāng)前的迭代優(yōu)化主要發(fā)生在技術(shù)層面。企業(yè)需要把戰(zhàn)略目標(biāo)、企業(yè)價(jià)值觀、政策規(guī)范、風(fēng)險(xiǎn)控制和企業(yè)文化等組織軟性因素植入迭代優(yōu)化過程中，這樣才能支持機(jī)器智能和生物智能之間的價(jià)值觀協(xié)同。
反思機(jī)制（Reflection） 反思是一種元認(rèn)知過程，AI會(huì)評(píng)估自己的推理或輸出，以識(shí)別錯(cuò)誤并改進(jìn)未來的表現(xiàn)。常用技術(shù)包括自一致性檢查、錯(cuò)誤分析和迭代推理循環(huán)。反思機(jī)制是機(jī)器智能向認(rèn)識(shí)論階段發(fā)展的一個(gè)標(biāo)志。機(jī)器智能已經(jīng)不局限于方法論層次的優(yōu)化，如數(shù)據(jù)清洗，遷移學(xué)習(xí)等，開始強(qiáng)調(diào)多種學(xué)習(xí)方式并舉。例如，通過概率權(quán)重方法篩選參數(shù)，是學(xué)對(duì)，要點(diǎn)在因果關(guān)系的大概率分布；通過主動(dòng)識(shí)別錯(cuò)誤方法反思基本模式的弱點(diǎn)，是學(xué)錯(cuò)，要點(diǎn)在關(guān)注發(fā)生偏差的小概率事件規(guī)律。同時(shí)，反思機(jī)制還包括自主學(xué)習(xí)和自動(dòng)學(xué)習(xí)，要點(diǎn)在總結(jié)復(fù)雜互動(dòng)過程中涌現(xiàn)的新屬性。過去，反思能力被認(rèn)為是人類認(rèn)知的強(qiáng)項(xiàng)，難以替代?，F(xiàn)在，機(jī)器智能不是替代人類反思，而是提供更強(qiáng)大的替補(bǔ)功能。
魯棒穩(wěn)健（Robustness） 魯棒性是指AI系統(tǒng)在多種條件下（包括噪聲、對(duì)抗攻擊或數(shù)據(jù)不完整）保持可靠運(yùn)行的能力。常用技術(shù)包括對(duì)抗訓(xùn)練、數(shù)據(jù)增強(qiáng)、正則化（Regularization）和防御性蒸餾。魯棒技術(shù)既對(duì)沖人類決策的偏見，也平衡機(jī)器智能存在的缺點(diǎn)和風(fēng)險(xiǎn)。受制于有限理性，人類只能選擇適度滿意原則（satisfying principle），而機(jī)器智能可以通過提高系統(tǒng)穩(wěn)健性持續(xù)優(yōu)化。
反思記憶（Reflexion） （自我）反思記憶是一種特殊的人工智能技術(shù)，AI會(huì)利用之前推理步驟的反饋動(dòng)態(tài)調(diào)整未來的推理策略，常用于大語言模型代理的自適應(yīng)規(guī)劃中。常用技術(shù)包括強(qiáng)化學(xué)習(xí)、自我反思和基于記憶的自我改進(jìn)的規(guī)劃。這些技術(shù)改造了記憶功能，支持不需要額外訓(xùn)練的自我糾錯(cuò)和自主代理活動(dòng)。反思記憶被認(rèn)為會(huì)向機(jī)器智能的自我意識(shí)演化。在機(jī)器能否有意識(shí)的爭(zhēng)論中，以辛頓（Geoffrey Hinton）為代表的科學(xué)家認(rèn)為機(jī)器智能可以有涌現(xiàn)出的自我意識(shí)，它可能會(huì)拆毀人類思維與機(jī)器智能之間的最后一堵墻；持保守觀點(diǎn)的一派則認(rèn)為人類思維有社會(huì)性，只有人類才能產(chǎn)生價(jià)值觀和社會(huì)規(guī)范。不過，現(xiàn)在已經(jīng)有人工智能的社會(huì)模型?！爸悄荏w社會(huì)”（AgentSociety）有1萬個(gè)成員，開放智能體模擬（Oasis, Open Agent Social Interaction Simulation）有超過100萬成員，通過大量智能體之間循環(huán)往復(fù)的互動(dòng)，它們已經(jīng)可以生成虛擬社會(huì)的社會(huì)規(guī)范和價(jià)值觀。
機(jī)器智能9R特征不是對(duì)人工智能技術(shù)的文獻(xiàn)概括，而是旨在啟發(fā)管理者形成向機(jī)器智能學(xué)習(xí)的動(dòng)機(jī)。機(jī)器智能已經(jīng)全面掌握了人類的思維方法，它還能瞬間、即時(shí)、同步、跨界、循環(huán)反饋和反思，多模態(tài)、億萬參數(shù)、自動(dòng)、自主、迭代、強(qiáng)化學(xué)習(xí)和持續(xù)學(xué)習(xí)。至此，企業(yè)的戰(zhàn)略問題不再是讓機(jī)器適應(yīng)人，而是拜機(jī)器智能為師！
對(duì)于人機(jī)協(xié)同，一個(gè)較普遍的建議是，先用機(jī)器智能解決企業(yè)的痛點(diǎn)問題，從降本增效做起。這是被動(dòng)學(xué)習(xí)的策略，其隱性后果是強(qiáng)化既有的以人類生物智能為中心的組織能力，延長(zhǎng)零打碎敲式的變革。被動(dòng)學(xué)習(xí)順應(yīng)人性特點(diǎn)，容易啟動(dòng)。然而，在了解機(jī)器智能可以帶來的顛覆式?jīng)_擊后，企業(yè)還要有主動(dòng)學(xué)習(xí)的策略。拜師機(jī)器智能即主動(dòng)學(xué)習(xí)的策略：主動(dòng)順應(yīng)技術(shù)和社會(huì)趨勢(shì)，暫時(shí)擱置人的優(yōu)越感，重新想象一切戰(zhàn)略問題；主動(dòng)對(duì)標(biāo)建立智能體組織。
建立智能體組織的四種策略
如果一家留學(xué)中介公司遇到下面四種情境及管理挑戰(zhàn)，應(yīng)該選擇怎樣的人工智能技術(shù)來應(yīng)對(duì)？
情境1 留學(xué)申請(qǐng)涉及許多環(huán)節(jié)，有各種文件要求。在填寫學(xué)校申請(qǐng)表時(shí)，一般需要提供成績(jī)單、簡(jiǎn)歷、自我介紹、推薦信；有些學(xué)校提供助學(xué)金，需要家庭財(cái)產(chǎn)證明；外國留學(xué)生一般還需要提供經(jīng)濟(jì)擔(dān)保。到了申請(qǐng)簽證環(huán)節(jié)，不同國家還有各種文件要求。流程各個(gè)節(jié)點(diǎn)的任務(wù)都很重要。例如，語言考試有報(bào)名截止日期，考試成績(jī)需要及時(shí)送達(dá)申請(qǐng)的大學(xué)?？傊?，留學(xué)申請(qǐng)具有任務(wù)多、時(shí)間敏感度高、文件格式和標(biāo)準(zhǔn)比較復(fù)雜等特點(diǎn)。
情境2 留學(xué)中介公司向?qū)W生推薦學(xué)校時(shí)，可能會(huì)受多種因素影響。例如，不同國家和地區(qū)的教育環(huán)境、學(xué)校的市場(chǎng)定位與辦學(xué)傳統(tǒng)，以及學(xué)生來源背景變化、同一時(shí)期申請(qǐng)學(xué)生的數(shù)量與背景等，都會(huì)影響申請(qǐng)成功的概率，這都會(huì)成為中介推薦學(xué)校時(shí)的重要考量。個(gè)人要想掌握這些參數(shù)和變化幾乎不可能，因此申請(qǐng)過程具有盲目性。中介機(jī)構(gòu)基于歷史數(shù)據(jù)和經(jīng)驗(yàn)，能夠因人而異地實(shí)現(xiàn)學(xué)生和學(xué)校的匹配，其服務(wù)價(jià)值正在于此。
情境3 越來越多的人把留學(xué)當(dāng)作一種人生歷練，而不只是為了拿學(xué)位。學(xué)校的排名很重要，留學(xué)生活的豐富多彩程度也是申請(qǐng)人會(huì)考慮的因素。由于申請(qǐng)人的個(gè)人偏好和能力特長(zhǎng)不同，怎樣提供內(nèi)容豐富并定制化的學(xué)業(yè)安排是中介公司面臨的新挑戰(zhàn)，同時(shí)也為公司創(chuàng)造差異化價(jià)值帶來機(jī)遇。
情境4 隨著地緣政治變化，出國留學(xué)的風(fēng)險(xiǎn)也在增加。政府政策變化會(huì)帶來政策風(fēng)險(xiǎn)。例如，美國政府調(diào)整政策可能會(huì)使哈佛的外國留學(xué)生面臨簽證問題，留學(xué)生可能需要轉(zhuǎn)學(xué)到加拿大的多倫多大學(xué)等院校完成學(xué)業(yè)。地緣沖突可能帶來人身安全風(fēng)險(xiǎn)。例如，在中東地緣沖突頻繁地區(qū)求學(xué)的學(xué)生可能會(huì)面臨需要緊急撤離的情況。另外，如留學(xué)目的地暴發(fā)或蔓延流行疾病，外國學(xué)生也會(huì)面臨留守或回國的選擇困境。在部分突發(fā)場(chǎng)景下（如政策變動(dòng)、風(fēng)險(xiǎn)預(yù)警等），家長(zhǎng)和學(xué)生不僅需要及時(shí)的信息告知，還需要具體的行動(dòng)建議，他們希望事先授權(quán)中介機(jī)構(gòu)代為采取針對(duì)性行動(dòng)，避免拖延和無知導(dǎo)致的災(zāi)難性后果。
針對(duì)上述情境，人工智能都有適配的方法。情境1是典型的RPA應(yīng)用場(chǎng)景，情境2可以使用預(yù)測(cè)性人工智能，情境3可采用生成式人工智能，情境4則用得上方興未艾的智能體AI（Agentic AI）。圖2顯示了四種策略側(cè)重的價(jià)值，下文將逐一介紹四種策略選擇的要點(diǎn)，并闡述企業(yè)應(yīng)如何循序漸進(jìn)地采納這四種策略。
機(jī)器智能在理解分工、認(rèn)知協(xié)同和循環(huán)行動(dòng)三個(gè)維度具有巨大優(yōu)勢(shì)，當(dāng)這三個(gè)維度在智能體AI階段匯合時(shí)，傳統(tǒng)組織要么被替代，要么選擇融合，建立智能體組織。在新組織形態(tài)下，人類員工將致力于兩種“元?jiǎng)?chuàng)”活動(dòng)：一種是創(chuàng)造實(shí)體社會(huì)新理念的形而上學(xué)（Metaphysics）， 另一種是創(chuàng)造虛擬社會(huì)新理念的形而上學(xué)（Meta-matrix）。扎克伯格把“臉書”改名為“Meta”，正是出于類似考慮。
RPA是基于規(guī)則的自動(dòng)化技術(shù)，用于執(zhí)行重復(fù)性、結(jié)構(gòu)化任務(wù)，以提升效率和流程標(biāo)準(zhǔn)化為核心，幾乎不涉及認(rèn)知型工作。嚴(yán)格地說，RPA缺乏學(xué)習(xí)與推理能力，只能算人工智能的前序，但其對(duì)建立智能體組織有不可替代的作用。實(shí)施RPA的組織必須從整理數(shù)據(jù)開始，但并不是所有的數(shù)據(jù)都能成為算據(jù)，即可以計(jì)算處理的數(shù)據(jù)。例如，沒有相關(guān)性標(biāo)簽、混雜計(jì)算單位、缺乏標(biāo)準(zhǔn)格式或者前后不一致的數(shù)據(jù)即無法成為算據(jù)。RPA會(huì)促使企業(yè)使用標(biāo)準(zhǔn)化數(shù)據(jù)格式，組織成員也會(huì)逐漸建立對(duì)數(shù)據(jù)價(jià)值的認(rèn)識(shí)，從而夯實(shí)智能體組織的基礎(chǔ)。另外，組織會(huì)梳理工作流程，邀請(qǐng)內(nèi)外部專家對(duì)業(yè)務(wù)進(jìn)行流程改造，以求提高效率、降低錯(cuò)誤率、減少運(yùn)營成本。在前述虛構(gòu)案例中，中介公司可以用RPA來解決第一種情境下的管理問題。
預(yù)測(cè)性人工智能（Predictive AI）利用統(tǒng)計(jì)模型與機(jī)器學(xué)習(xí)模型，基于歷史數(shù)據(jù)預(yù)測(cè)未來結(jié)果。人工智能9R屬性提到的許多技術(shù)手段都能夠輔助實(shí)現(xiàn)前瞻性洞察，支持決策選擇。前述虛構(gòu)案例的第二種情境中，解決學(xué)校選擇問題便比較適合采用預(yù)測(cè)型人工智能。預(yù)測(cè)型人工智能已經(jīng)比較成熟了，模型中的偏見現(xiàn)象也得到了足夠的重視。在穩(wěn)定環(huán)境中，其準(zhǔn)確率比較高，但當(dāng)環(huán)境波動(dòng)大、數(shù)據(jù)新奇度高時(shí)，可靠性會(huì)受到影響。同時(shí)，預(yù)測(cè)型人工智能是基于歷史數(shù)據(jù)來預(yù)測(cè)未來，因此對(duì)重復(fù)出現(xiàn)的現(xiàn)象有較高預(yù)測(cè)性，但很難提出新穎的建議。
從RPA到預(yù)測(cè)性人工智能，企業(yè)擁抱人工智能的程度上了一個(gè)新臺(tái)階。企業(yè)已經(jīng)熟悉數(shù)據(jù)策略，了解多模態(tài)數(shù)據(jù)價(jià)值，并開始利用不同的基礎(chǔ)模型理解多維度復(fù)雜現(xiàn)象。過去，當(dāng)組織成員遭遇多維度復(fù)雜現(xiàn)象時(shí)，受制于有限理性，只能用習(xí)慣的簡(jiǎn)化規(guī)則去理解，并接受“滿意即止”的決策行動(dòng)?，F(xiàn)在，如9R特征所呈現(xiàn)的，人工智能可以用各種技術(shù)手段實(shí)現(xiàn)理解分工，繼而實(shí)現(xiàn)認(rèn)知協(xié)同。
生成式人工智能（Generative AI）通過深度學(xué)習(xí)數(shù)據(jù)中的形態(tài)，創(chuàng)造出豐富的新主意、新形式和新內(nèi)容。它利用大語言模型、擴(kuò)散模型等技術(shù)，基于學(xué)習(xí)模式生成全新內(nèi)容（文本、圖像、代碼、設(shè)計(jì)等），具有知識(shí)整合、創(chuàng)意生成、快速原型設(shè)計(jì)的能力。在前述虛構(gòu)案例的第三個(gè)情境中，生成式人工智能可以提出新穎的、豐富的、個(gè)性化的留學(xué)選擇。目前，生成式人工智能的局限是可能出現(xiàn)虛構(gòu)內(nèi)容（hallucination），缺乏更加多元化的原創(chuàng)數(shù)據(jù)。這一局限可以通過9R分析及最近開發(fā)的方法突破，例如，人工合成的數(shù)據(jù)已經(jīng)出現(xiàn)，利用人工干涉（human-in-loop）可以減少虛構(gòu)問題。
怎樣利用生成式人工智能創(chuàng)造新客戶、新市場(chǎng)、新服務(wù)價(jià)值？對(duì)此，許多企業(yè)還缺乏想象力。到了這個(gè)階段，人工智能技術(shù)與組織新思維之間要相互砥礪、激蕩。如果僅僅囿于解決當(dāng)下業(yè)務(wù)的痛點(diǎn)，生成式人工智能不會(huì)促進(jìn)企業(yè)走向智能體組織。一個(gè)解放思維的方法是收集各行各業(yè)新穎的轉(zhuǎn)型案例，思考其他企業(yè)是怎樣重新想象任務(wù)流程和價(jià)值興奮點(diǎn)的。例如。泉州一家外貿(mào)鞋廠用AI分析歷史上曇花一現(xiàn)的鞋類設(shè)計(jì)，并生成最奇特的拖鞋，等賣上一波行情后就轉(zhuǎn)移。這是以事件管理思維擁抱機(jī)器智能的全新商業(yè)模式。
智能體AI能夠感知環(huán)境、制定決策并執(zhí)行任務(wù)，以最小化人工干預(yù)實(shí)現(xiàn)目標(biāo)，其過程中常結(jié)合多種工具、API及推理鏈。作為主動(dòng)協(xié)作伙伴，智能體AI能夠管理工作流并自主發(fā)起行動(dòng)。在端到端任務(wù)執(zhí)行中，智能體AI顯示出強(qiáng)適應(yīng)性和自我改進(jìn)能力。目前，智能體AI還有較大局限性。一方面，在倫理風(fēng)險(xiǎn)管控和安全防護(hù)機(jī)制建設(shè)上，亟需建立全球共識(shí)和治理規(guī)范；另一方面，運(yùn)營能耗非常高。Meta（臉書）在美國路易斯安那州建設(shè)的數(shù)據(jù)中心耗電量可達(dá)該州的15%，相當(dāng)于一個(gè)小州的總耗電量。更重要的是，企業(yè)還在摸索全面融通智能體的商業(yè)模式。在上述虛構(gòu)案例中，第四個(gè)情境需要應(yīng)用智能體AI。這家留學(xué)中介公司需要重新想象客戶的安全需求和可能的業(yè)務(wù)。應(yīng)用智能體AI，公司可以在危機(jī)萌芽狀態(tài)主動(dòng)發(fā)起預(yù)警通知、防護(hù)準(zhǔn)備、撤離行動(dòng)等。
一些行業(yè)內(nèi)的領(lǐng)先企業(yè)已經(jīng)開始建設(shè)智能體組織。摩根大通銀行開始為14萬員工配備自研的智能體助手（LOXM）。全球客服軟件巨頭賽富時(shí)（Salesforce）的“智能力量”（Agentforce）能處理66%的客戶網(wǎng)上問詢，還能自動(dòng)回復(fù)84%客戶提問；賽富時(shí)還用智能體AI改造內(nèi)部2000個(gè)工作任務(wù)崗位。對(duì)這些領(lǐng)先企業(yè)而言，建立智能體組織是變革必選題。
上述四種策略互不矛盾。例如，企業(yè)可以從RPA開始，然后根據(jù)業(yè)務(wù)性質(zhì)部署預(yù)測(cè)性和生成式人工智能，這都可以為向智能體組織轉(zhuǎn)型做好能力準(zhǔn)備。融合四種策略，分階段執(zhí)行，是向機(jī)器智能學(xué)習(xí)的較好方法。
收窄的未來：有意義的智能體組織
什么時(shí)候會(huì)出現(xiàn)超級(jí)智能？人類會(huì)不會(huì)被人工智能超越？完全由人工智能自動(dòng)執(zhí)行的生產(chǎn)活動(dòng)會(huì)首先出現(xiàn)在哪些行業(yè)？每年，五家研究機(jī)構(gòu)（ESPAI,FHI, CSER, Metaculus, GJP）會(huì)向千余名AI專家發(fā)放問卷，邀請(qǐng)他們更新對(duì)AI發(fā)展趨勢(shì)的預(yù)測(cè)。盡管各家報(bào)告的側(cè)重點(diǎn)不同，但被調(diào)研的專家都有一個(gè)共同特點(diǎn)：低估了人工智能發(fā)展的速度。人類對(duì)于幾何級(jí)數(shù)變化現(xiàn)象仍然存在想象力局限。未來正在收窄，趨勢(shì)越來越強(qiáng)烈。
雷·庫茲韋爾（Ray Kurzweil）在 2005 年出版了《奇點(diǎn)臨近：當(dāng)人類超越生物學(xué)》（The Singularity Is Near: When Humans Transcend Biology）。他認(rèn)為，人工智能正以指數(shù)級(jí)速度發(fā)展，并將到達(dá)一個(gè)關(guān)鍵點(diǎn)——技術(shù)奇點(diǎn)。那時(shí)，機(jī)器智能將超越人類智能。他將奇點(diǎn)視為進(jìn)化的下一階段——人類突破生物極限，成為生物與非生物智能的混合體。另一位研究者尼克·波斯特羅姆（Nick Bostrom）在《超級(jí)智能》中謹(jǐn)慎提醒混合智能對(duì)人類的風(fēng)險(xiǎn)。他們對(duì)機(jī)器智能隱含的社會(huì)風(fēng)險(xiǎn)有不同看法，但表達(dá)了越來越強(qiáng)烈的共識(shí)：超級(jí)智能正逐漸出現(xiàn)在技術(shù)發(fā)展的地平線上。
生物與非生物智能混合的智能體組織已成為趨勢(shì)，順應(yīng)這一趨勢(shì)最好的路徑，是聚焦人類更擅長(zhǎng)且更愿意從事的創(chuàng)造性活動(dòng)，例如創(chuàng)造豐富的精神世界，為智能體組織賦予無窮的意義和想象力
（文章首發(fā)于《清華管理評(píng)論》。作者授權(quán)界面新聞轉(zhuǎn)載。文章僅代表作者觀點(diǎn)。）