管理智能化需要另辟蹊徑

[摘? ? 要] 人工智能技術(shù)沿著機器人、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)系統(tǒng)三條道路發(fā)展。基于神經(jīng)網(wǎng)絡(luò)的人工智能技術(shù)正在取代其他技術(shù)成為主導(dǎo)人工智能技術(shù)，但神經(jīng)網(wǎng)絡(luò)技術(shù)存在過度模型化、參數(shù)化、模型不可解釋等缺點，導(dǎo)致其在管理智能化道路上難以有大的發(fā)展。人工智能技術(shù)的發(fā)展，需要在專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)模型有機結(jié)合的基礎(chǔ)上，進行技術(shù)創(chuàng)新，探索智能化技術(shù)。本文認(rèn)為，管理智能化技術(shù)的發(fā)展方向是在各個專業(yè)管理領(lǐng)域?qū)ふ夷軌驅(qū)崿F(xiàn)智能化的準(zhǔn)確計算方法和因素窮盡方法。

[關(guān)鍵詞] 智能管理;管理智能化;人工智能技術(shù)

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2020. 17. 067

[中圖分類號] TP24? ? [文獻(xiàn)標(biāo)識碼]? A? ? ? [文章編號]? 1673 - 0194（2020）17- 0155- 03

信息技術(shù)的發(fā)展使人類社會正在從工業(yè)文明時代邁入信息文明時代，人工智能和人類智能相結(jié)合開啟人機融合智能時代。在這個時代重復(fù)性或機械式的腦力勞動將大量被人工智能技術(shù)取代（Trajtenberg，2018）[1]。但是，這種估計未免過于樂觀。只要簡單回顧一下人工智能技術(shù)發(fā)展的歷史，就不難看出沿著傳統(tǒng)的人工智能技術(shù)的發(fā)展路徑很難使管理工作的智能化水平達(dá)到6σ（百萬分之一失敗率、廢品率）級別的質(zhì)量要求。

1949年赫布（Hebb）[2]借鑒神經(jīng)元理論，第一次提出基于無監(jiān)督學(xué)習(xí)的單層神經(jīng)網(wǎng)絡(luò)模型，它將輸入信息按照它們的相似性劃分為若干類，之后通過調(diào)整特征類型之間的激活水平（權(quán)重系數(shù)），來尋求對測算集信息和訓(xùn)練集信息來說具有最佳學(xué)習(xí)速率的模型。之所以將基于神經(jīng)網(wǎng)絡(luò)模型的求解過程稱為機器學(xué)習(xí)問題而不是模型優(yōu)化問題，主要是因為這種方法所建立的模型是基于模型訓(xùn)練集樣本數(shù)據(jù)的基礎(chǔ)上，而其準(zhǔn)確性、可靠性測試則需要測試集樣本數(shù)據(jù)之上進行，通過這種訓(xùn)練集和測試集數(shù)據(jù)調(diào)整之后的模型最終要應(yīng)用到這些訓(xùn)練、學(xué)習(xí)數(shù)據(jù)之外的真實場景數(shù)據(jù)之中。

神經(jīng)網(wǎng)絡(luò)模型簡單來說是用一個模型將輸入信息（數(shù)據(jù)）按照它們的相似性劃分為若干類型，之后通過激活水平調(diào)整（權(quán)重系數(shù)調(diào)整），來提高對數(shù)據(jù)特征的識別能力。1958年Rossenblatt提出的感知器模型[3]，通過對輸入數(shù)據(jù)的正則化（regularization）處理，依靠權(quán)重衰減等泛化技術(shù)（generalization），使模型對數(shù)據(jù)的識別能力進一步提高。但是，1969年Minsky出版的《Perceptron》一書，用數(shù)學(xué)方法證明感知器模型是線性分類模型，而異或問題是線性不可分的，如果將計算層增加到兩層，則計算量會過大，并且也沒有有效的算法模型來求解。此后人工智能技術(shù)陷入低潮，直到1982年Hopfield提出反饋神經(jīng)網(wǎng)絡(luò)（BP，Back Propagation）[2]，通過建立多層感知器（MLP，Multilayer Perceptron，一種前饋人工神經(jīng)網(wǎng)絡(luò)模型），將輸入的多個數(shù)據(jù)集映射到單一的輸出的數(shù)據(jù)集上，以解決任何線性不可分問題。于是帶來了基于求機器學(xué)習(xí)算法模型為基礎(chǔ)的人工智能技術(shù)的第二次高潮。

從反饋神經(jīng)網(wǎng)絡(luò)模型（BP）開始，研究者們更多地從數(shù)學(xué)上尋求問題的解，而不再盲目模擬人腦來建立模型。1986年Rumelhart、Hintonh和McClelland提出誤差反饋神經(jīng)網(wǎng)絡(luò)（Error Back Proragation）[4]，通過輸入信號正向傳播和識別誤差反向傳播來調(diào)整各層神經(jīng)網(wǎng)絡(luò)模型的權(quán)值，以尋求模型識別（學(xué)習(xí)）精度的提高。1989年Bengio提出卷積神經(jīng)網(wǎng)絡(luò)模型（CNN，Convolutional Neural Networks，是一種深度前饋神經(jīng)網(wǎng)絡(luò)模型）[5]，通過卷積層（convolutional layer）和池化層（pooling layer）的區(qū)分，可以直接輸入原始圖像信息并進行識別，通過局部權(quán)值的共享降低了網(wǎng)絡(luò)識別的復(fù)雜性。但是，在2006年之前，訓(xùn)練一個深度有監(jiān)督的前饋神經(jīng)網(wǎng)絡(luò)一直沒有產(chǎn)生出理想的效果（在訓(xùn)練集和測試集中的誤差較大）。2006年Hinton提出深度可信神經(jīng)網(wǎng)絡(luò)（Deep Belief Networks， DBNs）[6]，將無監(jiān)督學(xué)習(xí)用于（預(yù)）訓(xùn)練每一層;在每一層學(xué)習(xí)到的結(jié)果作為下一層的輸入;用有監(jiān)督訓(xùn)練來調(diào)整所有層（加上一個或者更多的用于產(chǎn)生預(yù)測的附加層）;深度可信神經(jīng)網(wǎng)絡(luò)DBNs在每一層中可使用無監(jiān)督學(xué)習(xí)RBMs來訓(xùn)練，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來希望。Bengio等通過引入多層自動編碼器（auto-encoders）技術(shù)[7]，將多維輸入向量的圖像直接輸入網(wǎng)絡(luò)，避免了數(shù)據(jù)特征提取和分類過程中的數(shù)據(jù)重建，從而使深度神經(jīng)網(wǎng)絡(luò)技術(shù)近幾年在圖像識別、語音識別等領(lǐng)域獲得重大突破，并掀起了人工智能技術(shù)發(fā)展的第三次浪潮。2017年谷歌公司開發(fā)完成的AlphaGo Zero，選擇完全放棄從人類已積累的棋局來學(xué)習(xí)下棋經(jīng)驗的實踐路徑，用無監(jiān)督增強深度學(xué)習(xí)模型，從一張白紙開始讓機器通過自我對弈來學(xué)習(xí)積累下棋策略，經(jīng)過三天的自我學(xué)習(xí)，使其達(dá)到了能夠打敗任何人類棋手的地步。

其實1956年John McCarthy提出“人工智能（Artificial Intelligence）”概念以來，人工智能一直沿著三條技術(shù)路線展開，一是研發(fā)模仿人類的機器人，二是基于規(guī)則的專家系統(tǒng)，三是基于模型的機器學(xué)習(xí)算法。機器人研發(fā)實際上是專家系統(tǒng)和機器學(xué)習(xí)算法在模仿人的機器設(shè)計中的應(yīng)用。從理論方法角度來看，人工智能主要是專家系統(tǒng)和機器學(xué)習(xí)方法。

專家系統(tǒng)在上個世紀(jì)70年代到90年代獲得了快速發(fā)展，諾貝爾經(jīng)濟學(xué)獎獲得者西蒙期望將“人的決策過程和問題求解過程”（Simon，1978）用計算機軟件來代替，IMB公司研發(fā)的深藍(lán)（Deep Blue）機器人在1997年戰(zhàn)勝國際象棋冠軍Garry Kasparov，使基于規(guī)則的專家系統(tǒng)的發(fā)展達(dá)到了頂峰。在2014年深度學(xué)習(xí)技術(shù)在圖像識別領(lǐng)域獲得重大突破之后，IBM公司成立“Watson Group （沃森集團）”繼續(xù)在基于規(guī)則的人工智能系統(tǒng)的開發(fā)方面努力。2015年IBM與德州大學(xué)MD安德森癌癥中心（UT MD Anderson Cancer Center）合作成立人工智能醫(yī)療部門Watson Health，開發(fā)臨床決策應(yīng)用系統(tǒng)Oncology Expert Advisor（OEA，腫瘤專家顧問），期望通過人工智能技術(shù)一舉解決當(dāng)前困擾人類的腫瘤診療問題。但是實踐探索效果并不理想，合作單位于2016年底宣布終止合作，2018年IBM的人工智能醫(yī)療部門宣布大裁員，使沿著開發(fā)專家系統(tǒng)的人工智能發(fā)展道路受挫。

基于神經(jīng)網(wǎng)絡(luò)模型的機器學(xué)習(xí)方法本質(zhì)上是用通過模擬的學(xué)習(xí)訓(xùn)練來尋求輸入數(shù)據(jù)與輸出結(jié)果之間的真實關(guān)系，并通過設(shè)置參數(shù)（模型變量）來提高模型的復(fù)雜度和識別能力，通過增加深度（模型層數(shù)）來提高其模型的識別效率（學(xué)習(xí)速率），通過調(diào)整參數(shù)權(quán)值（激活函數(shù)及其水平）來提高模型與數(shù)據(jù)的擬合度。這一方法以谷歌公司成功開發(fā)阿爾法圍棋（AlphaGo）軟件在2016年打敗世界冠軍李勝石，在2017年成功開發(fā)AlphaGo Zero而達(dá)到頂峰。這給人留下了一種錯覺，似乎認(rèn)為谷歌公司使用的無監(jiān)督增強深度學(xué)習(xí)技術(shù)，所建立的人工智能模型和算法，未來將能夠?qū)崿F(xiàn)各種類型的智能化。其實不然。谷歌公司能夠建立打敗人類的下棋能力的根本原因，是因為在模型訓(xùn)練的時候，人們已經(jīng)事先設(shè)置了清晰的下棋規(guī)則和明確的輸贏判斷標(biāo)準(zhǔn)，并且讓模型在一個固定的樣本數(shù)據(jù)（棋盤約束下的各種可能走棋步數(shù)）下訓(xùn)練，如果沒有這些下棋規(guī)則、沒有人為固定機器模型的搜尋、學(xué)習(xí)范圍，讓其完全從一張白紙開始學(xué)習(xí)，則很難建立起能夠打敗人類冠軍的機器模型。谷歌公司AlphaGo Zero的勝利，恰恰說明，基于規(guī)則的人工智能技術(shù)和基于模型的人工智能技術(shù)相結(jié)合，才能達(dá)到人工智能應(yīng)用的最佳效果。

基于神經(jīng)網(wǎng)絡(luò)模型的機器學(xué)習(xí)方法存在一個致命的缺點，即經(jīng)過數(shù)據(jù)訓(xùn)練所建立的模型，沒有對誤判結(jié)果的解釋能力，不能對誤判數(shù)據(jù)樣本及其案例追溯詢問，導(dǎo)致模型準(zhǔn)確率的提高完全依賴訓(xùn)練樣本的質(zhì)量，期望模型識別準(zhǔn)確率達(dá)到99.9%比較困難，要讓其達(dá)到工業(yè)化、自動化生產(chǎn)應(yīng)用要求的6σ（百萬分之一）的誤差水平則更加困難。這是1999年筆者開始尋找其他途徑來腦力勞動智能化并于2001年探索性地開發(fā)出《智能化財務(wù)分析系統(tǒng)》的根本原因[8]。即使到今天，神經(jīng)網(wǎng)絡(luò)模型的不可解釋性、不可追溯性問題仍然沒有解決。而IBM的腫瘤專家顧問系統(tǒng)的失敗，并不是基于規(guī)則的專家系統(tǒng)的發(fā)展方向的失敗，而是IBM公司選擇讓機器來解決人類目前都不能解決的“腫瘤”問題的選擇應(yīng)用方向上的失敗。人工智能首先是“人工”的“智能”，如果人類在認(rèn)識上、理論上還沒有解決相關(guān)問題，期望計算機模型、軟件等機器通過自己學(xué)習(xí)來解決也不現(xiàn)實。盡管近年來，基于模型的機器學(xué)習(xí)人工智能技術(shù)在圖像識別、語音識別等領(lǐng)域獲得了較大突破。但在管理領(lǐng)域，在讓計算機來代替人從事管理工作的領(lǐng)域，目前還沒有出現(xiàn)突破[9]。這主要是因為作為基于大數(shù)據(jù)訓(xùn)練的深度學(xué)習(xí)技術(shù)，不能和人類那樣吸取經(jīng)驗教訓(xùn)，不能識別并糾正錯誤，不適合進行因果關(guān)系識別和邏輯推理[10]，因此難以真正代替人從事腦力勞動。智能管理的實現(xiàn)，需要另辟蹊徑。企業(yè)管理工作復(fù)雜多樣、個性化程度很高，將企業(yè)管理工作智能化、交由計算機軟件來完成，如果不是不可能也至少讓人難以置信。因為，管理工作需要和人打交道，需要面對大量的不確定性問題，怎樣才能讓計算機軟件來可靠地代替？大數(shù)據(jù)技術(shù)、云計算技術(shù)、人工智能技術(shù)為提供了大量可以使用的決策信息和強大的計算能力，在一定程度上解決了因為信息不對稱而導(dǎo)致的不確定性問題和因人的能力有限而產(chǎn)生的決策失誤。但是，要讓計算機軟件來實現(xiàn)管理工作的自動化，還仍然需要在理論上和方法上獲得創(chuàng)造性突破。

從本質(zhì)上來說，要回答的企業(yè)管理問題，都可以歸為兩大類：一類是定量問題，一類是定性問題。定量問題完全可以交由計算機來完成，計算機的計算能力遠(yuǎn)遠(yuǎn)超過了人腦。而定性問題，最終都可以歸結(jié)為因果關(guān)系分析和邏輯判斷問題。因果關(guān)系分析只要能夠轉(zhuǎn)化成為“如果IF……，那么THEN……，否則ELSE……"的邏輯判斷，計算機也能夠快速、準(zhǔn)確地實現(xiàn)。如果所有的企業(yè)管理問題，都可以區(qū)分為、歸結(jié)為定量問題和定性問題兩大類，那么從理論上來講企業(yè)管理的智能化、計算機化就完全能夠?qū)崿F(xiàn)[11]。

通過準(zhǔn)確計算法讓計算機軟件來回答定量問題，現(xiàn)在沒有人會懷疑其不能實現(xiàn)。如果將定性問題轉(zhuǎn)化為因果關(guān)系邏輯判斷，那么計算機軟件也能夠比人類更快速、更準(zhǔn)確地完成這類管理問題的解決。有了解決管理問題的準(zhǔn)確計算方法和因素窮盡方法，就可以讓計算來解決定量管理問題和定性管理問題，管理工作的智能化也就能夠通過編寫計算機自動執(zhí)行軟件而實現(xiàn)。由此可見，智能管理的核心是要找到能夠回答定量問題的準(zhǔn)確計算方法和回答定性問題的因素窮盡方法。這和工業(yè)革命以來人們通過行動作研究、工序研究、流程研究，以尋求機械化、自動化技術(shù)來代替人類從事體力勞動的過程非常類似，需要在各行各業(yè)的管理工作中尋找準(zhǔn)確計算方法和因素窮盡方法，才能實現(xiàn)相關(guān)管理工作的智能化。

主要參考文獻(xiàn)

[1]Trajtenberg，M. AI as the Next GPT： A Political - Economy Perspective [R]. NBER Working Paper，2018.

[2]D.O. Hebb：The Organization of Behavior[M].New York：Wiley，1949.

[3]Frank Rossenblatt. A Probabilistic Model for Visual Perception[J].Acta Psychologica， 1959，15：296-297.

[4]J. L. McCLELLAND， D. E. RUMELHART， G. E. HINTON. The Appeal of Parallel Distributed Processing[J]. Readings in Cognitive Science，1988：52-72.

[5]Piero Cosi， Yoshua Bengio， Renato De Mori.Phonetically-based Multi-layered Neural Networks for Vowel Classification[J].Speech Communication，1990，9（2）：15-29.

[6]Hinton G E，Salakhutdinov R R. Reducing the Dimensionality of Data with Neural Networks.[J]. Science，2006，313：5786.

[7]Yoshua Bengio.On the Challenge of Learning Complex Functions[J].Progress in Brain Research，2007，165：521-534.

[8]陳佳貴.智能化：企業(yè)管理技術(shù)的發(fā)展方向[N].光明日報，2003-11-21.

[9]Nordhaus，W. Are We Approaching an Economic Singularity？ Information Technology and the Future of Economic Growth[R].NBER Working Paper，2015.

[10]Pearl， J. Theoretical Impediments to Machine Learning With Seven Sparks From the Causal Revolution[R].NBER Working Paper，2018.

[11]張金昌.什么是管理智能化技術(shù)？[J].經(jīng)濟管理，2006（1）：20-23.