中断
经济学家对数字世界的看法
德国WHU - Otto Beisheim管理学院的经济学家和院士Martin Prause博士回答了关于数字技术将如何改变我们的学习、互动和工作方式的问题，并从数字技术对社会和经济的影响的大背景下进行了解答。
社交能力的机器人
印孚瑟斯:未来的工作场所将由人类和人工智能(AI)代理/机器人组成。你认为“社交型”机器人，被灌输了受认知偏见影响的人类行为特征，会让人与机器人更好地互动吗?或者，这将破坏构建人工智能的目的——没有这些人类倾向?
马丁博士:答案取决于人们感兴趣的环境，一个人是喜欢模仿人类思维的视角，还是喜欢创造一种新的推理方式，有外貌还是根本没有。
吸收人类行为并充当人类替代品的智能系统的出现，与构建完全理性的智能代理一样重要。举个著名的例子，谷歌的助手用喃喃的声音给理发师打电话，让自己看起来更自然。伯克利·迪特沃斯特(Berkeley Dietvorst)等人(2016)进一步指出，如果人们觉得自己是负责人，那么他们很可能会接受略微不完美的算法做出的决定。智能系统不应只提供单一的最优解决方案，而应提供一系列近似的最优解决方案供选择，这将导致更好的人机交互。
我怀疑灌输认知偏见会导致“善于交际的机器人”。认知偏差的一个著名例子是群体思维，当团队对和谐的渴望超过了理性决策时，就会出现这种错误。为什么算法要刻意复制这些缺陷，让人觉得更人性化或更自然?在我看来，其他技术，如谷歌和Dietvorst所示，更有希望促进智能系统的社交性。
最大化数字的值
INFOSYS：商业领袖和政府机构应考虑最大限度地提高经济和社会的数字倡议的价值是什么？
马丁博士:伦理问题是最重要的。如果人们不能跟上科技的进步，特别是数字创新，他们的经济传播就会受到阻碍。在人工智能驱动的系统中，决策是如何做出的，基于什么信息，个人数据是如何处理、存储、保护的，以及谁拥有这些数据?这些问题在欧洲一般数据保护条例中尤为重要。
其次,教育问题关于数字媒体的正确使用应该得到解决，以获得对技术的更多自信，而不是仅仅是被动的消费者。然后还有很多技术问题关于标准、可访问性和成本。计算机集成制造，智能自主系统的早期应用于90年代初，由于缺乏理解和熟练的劳动力、抗拒变革和组织的不兼容性而失败。(mcgaugehey和Snyder 1994，第249页)。
定义数字伦理
印孚瑟斯:成功采用数字技术的公司如何重新考虑其企业道德和行为准则，将新兴的数字道德准则纳入其中?你认为现在是时候为数字环境制定一个国际道德标准了吗?
马丁博士:亚马逊、苹果、Facebook、谷歌、IBM和微软等大型科技公司已经通过联合行动(www.partnershiponai.org)来解决这个问题，分享人工智能的最佳实践，并考虑人工智能对社会的影响。类似的伦理标准也存在于其他科学领域，如生物医学或社会科学。例如，在德国，一个名为“Deutsche ethkrat”的道德委员会探讨了工业4.0对劳动力的影响(Arbeitswelt 4.0)或大数据在医疗领域的后果。
我认为,一个数字环境道德标准的国际机构可能会失败，原因有两个:特殊性和文化。“数字环境”是发达国家迫在眉睫的课题。这意味着要为不同的社会制定国际标准。我认为阻力来自文化差异。不同文化对数字化的看法和方法非常不同。例如，美国、中国和欧洲的数据隐私法完全不同，导致了不同的商业模式。因此，即使所有的观点都被合理地合并，这些标准也需要一个抽象级别，使得它们无法执行。
投资技能以保持相关性
印孚瑟斯:对于人工智能对人类，尤其是对劳动力的影响，人们的看法分歧极大。当企业专注于再培训和提高技能时，行业还应该做些什么来确保他们的劳动力仍然有价值并有报酬地就业?
马丁博士:如果我们谈论的是人工智能，我们应该更具体:弱AI还是强AI?如果我们谈论弱人工智能，即由机器自动化的特殊目的任务，我们谈论的是未来十年的影响。如果我们谈论的是强大的人工智能，即拥有创造性能力的机器，能够处理不熟悉的情况，并比人类更好、更廉价地完成任务，那么时间跨度可以从10年延伸到45年。
在最近的人工智能会议上，学者们表示，在未来45年内，强大的人工智能有50%的可能性在工作的各个方面超过人类。(Grace等人，2017)。现实看起来很有希望。
人工智能目前被机器学习(ML)的最新进展所主导。ML是一种基于大型训练集的自动模式识别和预测方法。最近在计算机视觉(自动驾驶汽车)、游戏(IBM -国际象棋、DeepMind -围棋、Facebook - Dota 2)、自然语言处理(个人助理)和知识理解(阿里巴巴-牛津阅读测试)方面的研究成果都处于薄弱人工智能科学突破的前沿。
下一步将是将ML和机器推理结合起来(Parkes和Wellman, 2015)。到目前为止，ML和AI还没有得到回报。我们观察到一个“生产悖论”，即人工智能的新进展并没有实现预期的生产率提高(酒店，2016年)。Brynjolfsson等人(2017)认为，这是由于错误的希望、错误的衡量、重组滞后或集中分布，还是租金消散，目前仍在争论中。因此，预测是具有挑战性的。目前对人工智能的投资在本质上似乎更具有战略性，而不是为了创造短期优势。
继Brynjolfsson和Mitchell(2017)之后，多种经济因素将普遍受到人工智能的影响，特别是ML。具体来说，ML将在统计数据揭示数据模式的重复性任务中取代人工劳动(Ng, 2016)。然而，它们不会轻松取代由多个相互关联或非结构化任务组成的工作，非创新的工作，例如零售、运输、金融和客户管理都处于危险之中(Stiglitz, 2014)。为了维持相关的员工队伍，组织应该投资于管理和领导技能，以在VUCA环境中竞争，而人工智能是VUCA环境中不确定的一部分。到目前为止，将人工智能作为一项战略投资，并在这个方向上构建能力可能是一个可行的举措。
创造新的学习场所
印孚瑟斯:您能否详细说明商业模拟和体验式学习如何为企业提供价值，帮助它们在数字环境中创建学习场，增强战略思维、提高学习能力、加速创新?
马丁博士:数据越来越多地在IoT设备到社交网络的公司边界之外创建，并且通常是非结构化，不完整，更快的变化。这些数据的特点是对公司的运作和管理挑战。在操作方面，需要增强的方法来处理大数据。在管理方面，必须重新定义决策过程和管理角色。决策是数据驱动，在某些公司文化中可能困难，其中决策结构已经成熟。领域专家的角色从提供答案转变为理解数据并提出正确的问题。
业务分析方法(分为描述性、预测性和说明性阶段)解决了这些挑战。描述性和预测性分析广泛使用数据挖掘和机器学习技术将数据转化为知识，而规范性阶段更多地关注模拟，以提出有关业务价值和竞争优势的正确问题。模拟是一种无风险的工具，可以让高管参与情景规划、战略测试和竞争分析。Robin Bell和Mark Loon(2015)在他们的研究中强调，商业模拟有助于高管进行战略思考，并将所有业务方面的点连接起来。它通过弥合理论和实践之间的差距来培养批判性思维。它使数据驱动的企业文化成为可能，这是获取数字化利益的基础。业务模拟简化了情景分析的使用，以提出开箱即用的问题，并考虑不同的业务视角，以避免战略决策中的认知偏差。
