【腦中小劇場 20秒神速激勵,把一個人拉出谷底】
.
情況是這樣的:
.
你是一個籃球教練,場景是總冠軍賽第二戰,你的中鋒正陷入某種麻煩,因為他被對方主將打爆了。這位子弟兵是頭一回打總決賽,他是選秀冠軍,年僅22歲(看起來像40歲),擁有絕佳戰力,但缺乏大賽經驗,因此整場被對方壓著打。
.
時間來到最後一節,機會所剩無幾,球隊需要他跳出來反擊,而暫停時間只剩20秒。
.
只剩20秒,你會對他說什麼呢?
.
來看看這支影片吧 https://www.youtube.com/watch?v=vtAydMADcB4&t=21s
.
片中的主角,是NBA太陽隊的教練蒙提威廉斯(Monty Williams )。他用20秒的時間,對他的子弟兵艾頓說了下列這段話(內容可參考影片字幕,亦可參考粉專翻譯版本),整理如下:
.
「這樣好了,我們只要做兩件事。第一,等下防守的時候,如果跟不上對方主將,那就隨便找個人防守就好。」
「第二,看著我。你給自己訂了一個高標,所以才會看起來那麼沮喪,那很好。你現在要做的,就是上場去達成那個目標,以你的實力絕對沒問題!」
「不用管什麼數據,拿出實力搞定比賽就好,既然你給自己訂了一個高標,那就用實力去搞定比賽,去吧!」
.
結果,這位中鋒醒過來了,他展現了和前三節截然不同的自信,大殺四方,也讓球隊笑到最後。事後,威廉斯的這段信心喊話(pep talk)被放上推特,斬獲愛心無數,許多人認為這20秒是致勝的關鍵,也是真正的領袖風範。
.
這絕對不是事先擬好的劇本,但我認為,就連劇本都該抄下這段對白。倘若仔細分析這段對白,可以發現它做到了五件事:
.
1. 【建立選項】
.
「這樣好了,我們只要做兩件事。」
.
這是很精準的開場,直接給出兩個選項。畢竟狀態低落的人,最擔心的就是眼前只剩一條出路,而且是沒希望的那種。因此若能開出第二條路,就能降低絕望感。
.
2. 【權衡排序】
.
「第一,等下防守的時候,如果跟不上對方主將,那就隨便找個人防守就好。」
.
安排選項時,先給出輕鬆的選項,而且「允許」對方輕鬆,讓他感受到「現在不需要強迫自己」。這點非常重要,在緊張的狀態下,強逼一個人多半只會產生反效果。
.
3. 【提出備案】
.
「第二,看著我。」
.
明明第一個選項就很抒壓,為什麼還要來個第二點?很簡單,因為對方不一定會認同第一個選項。
.
威廉斯之所以提出兩個選項,另一個原因在於,他很清楚對方是個會「自我要求」的球員,要他棄守敵方主將,等於叫他投降。因此教練才會在第二點的開頭說「看著我」,因為對方看起來根本不想鳥第一個選項。
.
第一個選項,可以視為某種測試,藉由對方的反應,來決定自己的建議要給到哪裡。即便對方對前一個選項不領情,也不代表白費力氣,因為「允許」對方輕鬆,就是一種貼心的做法。
.
4. 【同理至上】:
.
「你給自己訂了一個高標,所以才會看起來那麼沮喪,那很好。」
.
這句開頭非常窩心,對很多人而言,這句話太重要了,因為他們之前最常聽到的只有「你幹嘛把自己搞這麼累?」事實上,不是他們想把自己搞得很累,他們只是想把事情做好,但要把事情做好本來就很容易累。
.
這句話除了展現「同理」的技巧外,還「允許」對方失落,不強求他改變自己的行事風格,而是接納他的沮喪。要激勵一個人之前,一定要先澈底理解他的困境,搞清楚他為何低落,然後陪他一起摸到地板,之後的語言才能幫他反彈。
.
5. 【移除障礙】:
.
「不用管什麼數據,拿出實力搞定比賽就好。」
.
重點來了,「搞定比賽」這幾個字每個教練都會講,而且都很激動,但不是口水噴得遠或青筋爆得粗就會有用。威廉斯的激勵之所以奏效,在於他先「移除」了某個障礙,而那個障礙就是「數據」。
.
對球員而言,數據是帶在身上的桂冠,是決定身價的憑證。但對一個防守型球員來說,他的價值可能是協助阻擋,或是讓對方不敢進犯禁區,但這些貢獻很難被寫進數據庫,變成身上的勳章。
.
「不用管什麼數據,拿出你的實力就好」。這句話背後的訊息是,「我平常就在觀察你,所以知道你的價值,數據不代表一切」,媽啊,這聽了之後還能不上場拼命嗎?不只在球場,任何職場都有苦力型的職員,一旦能被理解,激勵才能產生後勁,唯有留心觀察,才能讓激勵多一層背書。
.
上述五點,是讓激勵奏效的重要步驟。然而在這過程中,威廉斯的視線始終保持專注,手也適時安撫對方,語氣溫和平穩,最後理當疾聲激勵的時刻,他也沒在客氣。這種從肢體散射的感染力,把整段語言包覆成一種暖心的允許,而非盲目的激情。
.
要能在短短20秒內組織這段話,若非時間管理大師,大概只有一個可能,就是一個人「本性」與「習慣」。
.
蒙提威廉斯在今年的NBA最佳教練票選中,以些微落差屈居第二,但在教練公會票選中,他拿下了最佳教練。威廉斯的信心喊話片段時常被放上網路,當成某種標竿與示範,但不是心理學啟發了他,而是他待人的習慣一向如此。
.
因此,不一定要念過心理學,也不一定要成為心理師,重點是有沒有「同理心」和「觀察力」。因為有同理心,才能在一開始給出選項,降低對方的焦慮。因為有觀察力,才能明白數據無法說明一切,並以此激勵對方。
.
「同理心」和「觀察力」是種珍貴的天賦,有些人念了很多書,花了很多時間練習,才勉強從扉頁間擠出這種能力。有些人則幸運許多,天生就自帶這兩種天賦。
.
倘若你是前者,或許可以參考前述的五項步驟,試著讓激勵變得更有效。倘若你是後者,請好好善待這兩項天賦,然後用這兩項天賦好好善待其他人。發揮你的同理心與觀察力,心懷善意地給出鼓勵,因為這樣做,
.
明天不一定會更好,但或許能阻止世界變壞。
.
#有效激勵的五個步驟
#建立選項
#權衡排序
#提出備案
#同理至上
#移除障礙
同時也有1部Youtube影片,追蹤數超過24萬的網紅啟點文化,也在其Youtube影片中提到,《哈克翻過來看世界》系列工作坊(三)~為生命整地,結出新果實~03/09(六) & 03/10(日) 課程資訊:https://www.koob.com.tw/contents/3685 【人際維基】桌遊體驗會~讓你一玩就懂別人的在乎~ 02/24(日)或 03/16(六)14:00 活動資訊:h...
桂冠 家 的 價值 認同 感 在 李開復 Kai-Fu Lee Facebook 的精選貼文
近日,我與阿萊克斯·彭特蘭教授(Alex Pentland)展開了一場”AI如何重塑人類社會”的精彩對話。
《連線》雜誌的資深撰稿人威爾·奈特(Will Knight)主持了這場對話。
阿萊克斯·彭特蘭教授任教于麻省理工學院,為全球大資料權威專家之一,現任MIT連接科學研究所主任、MIT媒體藝術與科學教授,擁有“可穿戴設備之父”、《福布斯》“全球七大權威大資料專家”、《麻省理工科技評論》“年度十大突破性科技”兩度桂冠獲得者等頭銜,曾參與創建MIT媒體實驗室,是全球被引述次數最多的計算科學家之一。
對話金句:
李開復:
AI最大的機會蘊藏在與傳統企業的結合中,這種價值的產生極其迅速,只需要幾個月,甚至短短幾周。
未來突破很難預測,對奇點、超級智慧的爭辯,在我看來都過於樂觀了。
小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,不要與巨頭核心業務正面硬碰。
阿萊克斯·彭特蘭:
AI絕非試圖取代人類,而是促進多元文化之間的相互連接、團隊合作,讓人們更好的進行社交和連接彼此。
最困難的其實是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
我在對話中表示,當我們試圖解決AI問題時,應該用技術來解決技術的問題,可以尋求與監管部門協作,而不只是丟給他們,“新技術會衍生新的問題,我們應該多方嘗試用更進階的技術性解決方案,就像電腦病毒剛出現時,殺毒軟體隨之誕生。”
彭特蘭教授認為,人工智慧的核心,是促進多元文化之間的相互連接。不只是工程師或科學家,連經濟學家、政治家都必須參與進來。“國家之間應該促進合作、制定互通標準,就像TCP/IP互聯網協定那樣,避免AI冷戰。” 我們都贊同,AI發展從來不是單打獨鬥,跨學科思維、跨領域合作尤為重要。 這場對話是麻省理工學院中國創新與創業論壇(MIT-CHIEF) 組織的高峰對話系列活動,主題是《計算與未來: AI與資料科學如何重塑人類社會》。
麻省理工學院中國創新與創業論壇(MIT-CHIEF)由麻省理工學院的中國留學生創立,至今已有十年,是北美歷史最悠久的、由高校學生組織的中國創新創業論壇。系列高峰對話邀請了頂級科學家、投資人及創業者,共同探討科技創新及商業化過程中面臨的挑戰。
以下是我們對話的核心內容,由我的同事整理、分享給大家:
Part I 主題演講
▌李開復:各方應協作,讓AI 更務實
非常榮幸再次受到MIT-CHIEF的邀請,對於人工智慧的看法,這次我主要想講四點。
第一點是我書裡的主題,人工智慧的超能力。我們已經從人工智慧的發明期步入應用期階段,從應用落地層面來說,正迎來了AI發展最大的機遇。
很多科技公司目前已對人工智慧進行了多樣化佈局,從視覺、語言、觸覺和其他感知技術,到自動化機器人、無人駕駛等,對很多領域開啟了深遠的影響。雖然眼下所見的AI應用仍有局限性,但我預測未來的格局會非常龐大,依據統計,各行各業採用AI的程度目前不到5%,AI應用的中長期增長曲線相當可期。
第二點是我很欣喜看到的一點,AI正在和傳統行業深度融合。隨著人們對人工智慧的瞭解越來越多,更多的AI公司湧現出來。
AI最大的機會蘊藏在與傳統企業的結合中,創新工場也正在説明金融、製造、物流、零售、醫療等行業的公司進行AI變革。
作為AI投資人,我認為在這些行業如果找到正確的AI應用方向,就能帶來上千萬的回報。這種商業價值的產生是極其迅速的,通常只需要幾個月,甚至短短幾周就能看到成果。
現在人工智慧在傳統產業的滲透率仍在個位數,仍然有很大的提升空間。然而對於很多公司來說,它們需要的是高度定制化的方案,而非通用型AI方案,所以融合的過程中,不可避免會遇到不少挑戰和痛點。
第三,我早年做過很多科研工作,很高興能看到關於系統一和系統二(System One, System Two)的討論,我們期待人工智慧技術從系統一升級為系統二,即從識別、決策、優化等能力,升級到感知、認知等進階智慧的能力。
有不同的學派都在努力讓人工智慧更接近人類智慧,其中一個流派主張回歸經典的AI理念,甚至重新構建嶄新的模型結構,在深度學習技術的基礎上利用人類的知識。但我更支持另一個理論——深度學習的潛力還沒有完全釋放。
回看人工智慧過去60多年的歷程,最大的突破來自於計算能力和資料量大增而產生的可擴展演算法。我們看到了卷積神經網路(CNN)帶來的喜人成績,還有預訓練自然語言處理模型(Pre-Trained Models for Natural Language Processing)的廣泛運用。
預訓練模型與人類語言學習的模式類似,不管是英語還是中文,在習得這些語言之後,再去學習程式設計、藝術、化學。在無人監督的學習環境中,這種模式比我們想像得還要強大,就像阿爾法圍棋(AlphaGo)一樣。
最後一點我想說的是,如何讓AI變得更務實。
AI有很多問題,例如隱私、資料安全、治理和監管,在此就不一一討論了。當我們試圖解決這些AI難題時,有人認為讓監管部門加強管理是唯一辦法,其實不然,我們是否也可以朝著研發更厲害的技術性解決方案去努力?
就像電腦病毒剛出現時,殺毒軟體隨之誕生;面對千年蟲難題時,也迅速找到了技術應對方案。我們可以通過研發新技術,應對DeepFake深度換臉程式的挑戰;或者通過聯邦學習技術,在保證資料私密性的同時,滿足深度學習訓練需求。
作為握有技術能力的群體,我們需要與監管部門一起協作,而不只是把工作丟給他們。相信有了各方的助力,我們可以讓AI的應用變得更有深度,更加務實,更高效地克服現在面臨的種種問題。
▌阿萊克斯·彭特蘭:國家間應建立互通標準,避免“AI冷戰”
我對當前的深度學習技術不太樂觀。
最為主要原因是,深度學習不僅需要龐大的資料來源,而且要求這些資料長時間恒定不變,以保證模型訓練結果的可靠性,例如人類的面容、語言,就是相對穩定不變的資料來源。
但深度學習卻沒法應對快速變化的真實情況。亞馬遜在新冠疫情蔓延速度暴增時,出現了倉庫貨物緊缺,不得不停止送貨服務。這種經過深度學習高度優化後的系統發生崩潰,就是因為快速變化的疫情,和深度學習對恒定資料來源的需求是矛盾的。
另外,我想談談如何通過聯邦學習,促進資料的流通。
大多數公司沒有足夠豐富的資料,需要聯合不同的資料來源。基於這種需求,出現了很多新商業模式,比如“資料經紀人”——他們不出售資料,而是把資料借出去,作特定需求的使用。
“資料經紀人”業務湧現了很多,他們促進了資料的流通,也加強了資料的隱私性。因此,像聯邦學習這樣的技術和商業策略結合,有效解決了資料在合規性和所有權方面的難題。
聯邦學習也依賴於新的基礎設施建設,為資料應用和深度學習提供基礎環境,比如區塊鏈技術。現在世界上很多國家在做相關系統的建設實驗,新加坡等國家設置了一種相互競爭的區塊鏈系統,來解決支付和物流問題。我們最近也幫助瑞士做了類似的實驗,涉及不同資料的互通性和連貫性問題。
我們仍在研究如何用儘量少的資料,實現人工智慧的目標。少量資料是指不斷更新的短期資料,這些資料能使AI應對迅速變化的情況,並及時做出調整。
我們打算將AI與其他基礎科學結合,例如阿爾法圍棋(AlphaGo)就是這類結合的初步嘗試。這些方法不依賴于大量恒定資料,可能會比深度學習更加強大。
除此之外,我們在探討用AI保障聯邦學習過程中不同資料方的權益,這是實現不同國家之間的互通性、支付信任度、物流運輸等方面合作的關鍵前提。
另一方面,我們探索如何將AI技術應用於加密資料上。我們和大公司以及政府密切合作,找出解決系統入侵和保障網路安全的方法。
我同時花了很多時間研究與政府的合作。政府很多時候不知道如何通過大資料做決策,也不知道如何進行資料優化。而AI能夠幫助政府實現更高的效率,比如聯合國現在已經有了很多可持續發展目標的相關評估指標,世界經濟論壇也可以為會員國提供不同的標準測算。
基於我們已有的多中繼資料庫,現在可以利用AI實現全新的資料優化方式,將貧困、不平等這種之前無法量化的指標,通過可量化的指標進行評估。
同時,要真正實現這個目標,我們還需要制定統一的互通性標準。如果沒有這個標準,國家之間就不會相互信任去合作,就可能出現AI冷戰。
因此我們需要找到促進合作的方式,就像TCP/IP互聯網協議那樣。而之前我提到的,新加坡、瑞士等現在正在嘗試的區塊鏈系統,將有希望解決國家間缺乏互通標準的問題。
Part II 對話
▌ 美國線上教育發展難度更大,只在ZOOM上講課是不夠的
Q1:疫情加速了行業的改變,遠端醫療、線上教育開始蓬勃發展,這只是AI對人類社會產生影響的冰山一角。想請兩位談一談,目前看好AI在哪些領域應用的未來前景?
李開復:疫情的確對整個社會產生了實質性的影響,人們行為習慣發生了很多改變,更願意接受線上學習和工作了。
這種新的行為習慣產生了大量資料流程,為AI應用帶來了更多可能性。比如大健康領域以及遠端醫療中所產生的資料,可以訓練更智慧的模型。同時更多人開始在基因組學、新藥研發方面結合新的AI技術進行研究,因此我相信AI在醫療健康領域的潛能是非常巨大的。
AI與教育的結合也很值得期待。一方面可以説明老師處理重複性的日常事務,例如批改作業,讓老師得以將時間精力投入到更有創造性的事情上,能更悉心地為孩子提供優質教學。另一方面可以提高學生的課堂參與度和積極性,比如設置卡通版AI虛擬老師,讓課程充滿趣味性。
在中國,有很多線上教育公司在疫情之前就已經發展迅速,像創新工場投資的VIPKID,讓國外的純正英語老師線上上教授中國學生。目前,中國的線上教育已經擴展到了更多科目,包括體育、舞蹈、書法等素質教育課程。
相比之下,美國線上教育發展的難度會更大。畢竟只在ZOOM上講課是不夠的,好的線上教育必須要有好的內容。
▌AI核心是增強人際互聯,應注重文化多樣性
阿萊克斯·彭特蘭:李開復博士提到的教育案例,我不是很認同。
MIT大約20年前就在教育中使用AI,重點根本不是內容,我們甚至提倡將內容免費開放給大眾。
AI絕非試圖取代人類的作用,我們更強調用AI增強人與人之間的互動,讓人們更好的社交和連接彼此。比如手機上人工智慧技術,不是要取代你,而是讓你高效地找到最適合的工作、最正確的人,讓你更容易的獲取資訊,並進行創新。
我們可以利用資料激發更強的創新力,培養領導力。只有基於這樣的宗旨,才能促進更有創造力的教育和學習,這比關注教育內容本身重要得多。
在加拿大,有家創業公司正在訓練普通民眾學習AI,比如水管工,教學效果非常不錯。他們的教育方式不是簡單的教授基本知識,而是以一種能夠激發人們互動思考的方式。
我們之前在中國調研了3000多個孵化器,發現創業公司成功的要素裡,第一個是文化多樣性,也就是說創始團隊背景的複雜性和多樣性。第二個是團隊成員專業的多樣性,他們能否發揮自己所長,並很好地進行團隊合作。
1956年,馬文·明斯基 (Marvin Minsky)提出了人工智慧這個詞。但我們對於人工智慧的理解,不應該只停留在“人工”層面,而應擴展到多元文化之間的相互連接、團隊合作,我把它叫做延伸智能(Extended Intelligence)。這也是我想強調的,人工智慧這個名詞有一定的偶然性,但它的核心點是增強人與人之間的互聯性。
▌AI未來突破難預測,奇點、超級智慧過於樂觀
Q2:未來十年AI有沒有可能取得重要突破?比如GPT-3近期展現驚人的能力。兩位認為未來的突破方向是什麼?
李開復:過去60多年來,深度學習是唯一的重大突破。在這之後,卷積神經網路(CNN)和GPT-3等都算是重要的改善,我對於人工智慧的漸進式改善保持樂觀。
對科學家來說,他們更期待著技術上的突破式進展。但我覺得未來十年基礎科研或許不會有大的突破。但模型相對容易,只要有大量的資料,就可以從實驗室進入到行業應用,CNN和GPT-3都是模型加海量資料的成果。
我是務實派的,雖然持有樂觀態度,但並不是一位“未來學家”。未來的突破很難預測,對奇點(Singularity)的爭辯,甚至預測超級智慧的出現,在我看來都過於樂觀了。
阿萊克斯·彭特蘭:我同意李博士的觀點。很多生物機制很難解釋,包括用感知認識事物、理解聲音、尋找食物等,是深度學習演算法做不到的。但深度學習可以研究科學、制定規則、研究理論,並進行實踐。
從務實的角度來說,我最感興趣的就是聯邦學習。就醫療而言,我們有這麼多醫院,在新冠疫情期間做了很多的實驗,為什麼這些實驗資料不能進行聯合呢?
儘管資料有不相容的地方,但這也是一個很好的機會去探究不同的資料之間的關聯性。在未來,我們對資料的需求也許會越來越少,外科醫生或者物理學家或許不需要太多資料,因為他們對規則已經瞭若指掌了。
▌不要墨守成規,要跨領域、跨學科應對挑戰
Q3:人工智慧會有什關鍵挑戰?對於想從事這個行業的人,有什麼是需要瞭解的關鍵點?
李開復:首先,大背景在改變,新科技層出不窮,我們每年都需要學習新的東西。
其次,人工智慧可能引起各種問題,包括偏見、歧視、倫理道德等,是否危害人類的身體健康,無人駕駛技術該何去何從等等。
第三,人工智慧的研發需要深刻地理解技術對社會、生活與人類健康會產生的影響。我非常欣賞斯坦福和MIT這樣的高校,能夠把AI教育擴展到各個學科,讓研發人員及早意識到自己的責任和價值。
阿萊克斯·彭特蘭:是的,我朋友做過一個有關電的趣味類比,電動馬達最初在工廠裡用於生產的時候,並沒有發揮出多大的作用,因為大家並不知道如何改造生產流程。
AI在一些領域發揮的作用是顯著的,但應用到其他領域時,就需要改造流程。很多情況下,最困難的就是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
而有意思的是,就像李博士提到的,像MIT和斯坦福這樣的高校確實在認真嚴肅地對待這個問題。
比如,我今天早上正好就這個話題跟G20領導人對話,大家一致認為我們必須從跨領域、跨學科的角度去面對這個問題,不能只是工程師或者社會科學從業者們在做,經濟學家,政治家等等都必須參與進來緊密合作。
隨著AI的應用領域越來越廣,除了必須具備強有力的技巧來建立社會規則,還需要對研究經費、企業投入等進行各種調整。
▌雖然大公司實力不容小覷,但依舊對小公司抱有期待
Q4:AI研究會消耗大量的資源,我們是否應該將資源往學術界平衡?現在已經發生資源的重新分配和平衡了嗎?
李開復:就人才而言,現在已經有重新平衡的跡象了。
過去,頂尖大學的學者基於待遇和種種考量,不少選擇去企業界工作。而近期,曾任職於百度、海爾、位元組跳動等公司的數位優秀AI科學家已經回歸高校。
但像GPT-3這樣的技術,仍然不是大學和小公司能支付得起的。支撐GPT-3運行的電腦是世界算力第五的超級電腦。每進行一次演算法訓練,就要花費460萬美金,只有像騰訊、穀歌、微軟這個級別的公司才能負擔得起如此強大的算力。
我觀察到,近年的AI創業公司已經和5年前截然不同了。它們一般由AI科學家和商業人才共同創建,為了解決特定問題而生,並非紙上談兵做突破性科研,切入的領域也往往是巨頭公司忽略的地方。
例如,為製造業進行AI賦能,不是一件輕鬆的事,需要去工廠實地勘查,瞭解運作方式。大公司因為賺錢很容易,不願意做這些性價比低的苦活累活。這些小公司的努力一旦有了成果,就會給產業界帶來革命性的影響。所以,雖然大公司的實力不容小覷,但我依舊對小公司抱有期待。
阿萊克斯·彭特蘭:大學和公司是一種融合的關係,不僅體現在人才流動上,也會進行資訊資源分享,彼此是整體性的合作態勢。
當然這也不是絕對,產業界的保密需求還是存在的,只是從學校的出發點來說,我們願意毫無保留地為大家提供更好的研究成果,並與企業合作,形成標準化平臺。
▌人工智慧取代人類需要上百年或更久
Q5:兩位認為什麼是AI不能取代的?
李開復:一類是創造力、分析能力、邏輯辯論能力,瞭解自己知道什麼不知道什麼,這些是人工智慧無法取代的。另外一類是同理心,人類之間的信任、友誼,自我認知、意識等。
阿萊克斯·彭特蘭:人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
▌AI創業建議I:找到小切入點,不要與巨頭正面硬碰
Q6:李博士提到了AI在小企業中的運用,可否再舉例說明是如何運用的?
李開復:這個問題分兩部分:一個是小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,並且不要與巨頭核心業務正面硬碰。
對於那些中小型非AI、但想應用AI的公司,需要確保有足夠的資料,以訓練與核心商業價值掛鉤的AI模型,並且有願意變革的開放性公司文化。
所以,早期應用AI的公司可能規模較大,因為他們有足夠大的資料,和可相容變革的商業模型。每個例子都不同,不是任何一家公司都要應用AI。
阿萊克斯·彭特蘭:如果我們放寬AI的定義,或許水管工、合同工都有資料,通過一些簡單的分析、整合,AI也可以在很大程度上改進他們的工作。
這些都是很小的切入點,基於簡單的AI分析、機器學習,依舊可以產生巨大的潛力。
▌ AI創業建議II:知曉技術,同時理解商業
Q7:兩位再分享一下最後的建議?
李開復:我們在步入一個AI開始滲透到方方面面的令人振奮的時代,我希望所有的學生們都能參與到這個改革浪潮中。要深刻地理解人工智慧的商業落地,而不僅僅鑽研技術本身。
阿萊克斯·彭特蘭:不要太較真於深度學習或者冗長的演算法,一切始於要解決的現實問題。不要止步於技術本身,要明白資料類型、形態和規律,關注商業流程。
感謝葉樂斐、劉諾、藍萱、張昊、陳冬傑、劉子昂、張梓煜、錢淩寒、水一方、沈雍在校譯和審閱上對本文的貢獻。
桂冠 家 的 價值 認同 感 在 李開復 Kai-Fu Lee Facebook 的精選貼文
近日,我與阿萊克斯·彭特蘭教授(Alex Pentland)展開了一場”AI如何重塑人類社會”的精彩對話。
《連線》雜誌的資深撰稿人威爾·奈特(Will Knight)主持了這場對話。
阿萊克斯·彭特蘭教授任教于麻省理工學院,為全球大資料權威專家之一,現任MIT連接科學研究所主任、MIT媒體藝術與科學教授,擁有“可穿戴設備之父”、《福布斯》“全球七大權威大資料專家”、《麻省理工科技評論》“年度十大突破性科技”兩度桂冠獲得者等頭銜,曾參與創建MIT媒體實驗室,是全球被引述次數最多的計算科學家之一。
對話金句:
李開復:
AI最大的機會蘊藏在與傳統企業的結合中,這種價值的產生極其迅速,只需要幾個月,甚至短短幾周。
未來突破很難預測,對奇點、超級智慧的爭辯,在我看來都過於樂觀了。
小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,不要與巨頭核心業務正面硬碰。
阿萊克斯·彭特蘭:
AI絕非試圖取代人類,而是促進多元文化之間的相互連接、團隊合作,讓人們更好的進行社交和連接彼此。
最困難的其實是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
我在對話中表示,當我們試圖解決AI問題時,應該用技術來解決技術的問題,可以尋求與監管部門協作,而不只是丟給他們,“新技術會衍生新的問題,我們應該多方嘗試用更進階的技術性解決方案,就像電腦病毒剛出現時,殺毒軟體隨之誕生。”
彭特蘭教授認為,人工智慧的核心,是促進多元文化之間的相互連接。不只是工程師或科學家,連經濟學家、政治家都必須參與進來。“國家之間應該促進合作、制定互通標準,就像TCP/IP互聯網協定那樣,避免AI冷戰。” 我們都贊同,AI發展從來不是單打獨鬥,跨學科思維、跨領域合作尤為重要。 這場對話是麻省理工學院中國創新與創業論壇(MIT-CHIEF) 組織的高峰對話系列活動,主題是《計算與未來: AI與資料科學如何重塑人類社會》。
麻省理工學院中國創新與創業論壇(MIT-CHIEF)由麻省理工學院的中國留學生創立,至今已有十年,是北美歷史最悠久的、由高校學生組織的中國創新創業論壇。系列高峰對話邀請了頂級科學家、投資人及創業者,共同探討科技創新及商業化過程中面臨的挑戰。
以下是我們對話的核心內容,由我的同事整理、分享給大家:
Part I 主題演講
▌李開復:各方應協作,讓AI 更務實
非常榮幸再次受到MIT-CHIEF的邀請,對於人工智慧的看法,這次我主要想講四點。
第一點是我書裡的主題,人工智慧的超能力。我們已經從人工智慧的發明期步入應用期階段,從應用落地層面來說,正迎來了AI發展最大的機遇。
很多科技公司目前已對人工智慧進行了多樣化佈局,從視覺、語言、觸覺和其他感知技術,到自動化機器人、無人駕駛等,對很多領域開啟了深遠的影響。雖然眼下所見的AI應用仍有局限性,但我預測未來的格局會非常龐大,依據統計,各行各業採用AI的程度目前不到5%,AI應用的中長期增長曲線相當可期。
第二點是我很欣喜看到的一點,AI正在和傳統行業深度融合。隨著人們對人工智慧的瞭解越來越多,更多的AI公司湧現出來。
AI最大的機會蘊藏在與傳統企業的結合中,創新工場也正在説明金融、製造、物流、零售、醫療等行業的公司進行AI變革。
作為AI投資人,我認為在這些行業如果找到正確的AI應用方向,就能帶來上千萬的回報。這種商業價值的產生是極其迅速的,通常只需要幾個月,甚至短短幾周就能看到成果。
現在人工智慧在傳統產業的滲透率仍在個位數,仍然有很大的提升空間。然而對於很多公司來說,它們需要的是高度定制化的方案,而非通用型AI方案,所以融合的過程中,不可避免會遇到不少挑戰和痛點。
第三,我早年做過很多科研工作,很高興能看到關於系統一和系統二(System One, System Two)的討論,我們期待人工智慧技術從系統一升級為系統二,即從識別、決策、優化等能力,升級到感知、認知等進階智慧的能力。
有不同的學派都在努力讓人工智慧更接近人類智慧,其中一個流派主張回歸經典的AI理念,甚至重新構建嶄新的模型結構,在深度學習技術的基礎上利用人類的知識。但我更支持另一個理論——深度學習的潛力還沒有完全釋放。
回看人工智慧過去60多年的歷程,最大的突破來自於計算能力和資料量大增而產生的可擴展演算法。我們看到了卷積神經網路(CNN)帶來的喜人成績,還有預訓練自然語言處理模型(Pre-Trained Models for Natural Language Processing)的廣泛運用。
預訓練模型與人類語言學習的模式類似,不管是英語還是中文,在習得這些語言之後,再去學習程式設計、藝術、化學。在無人監督的學習環境中,這種模式比我們想像得還要強大,就像阿爾法圍棋(AlphaGo)一樣。
最後一點我想說的是,如何讓AI變得更務實。
AI有很多問題,例如隱私、資料安全、治理和監管,在此就不一一討論了。當我們試圖解決這些AI難題時,有人認為讓監管部門加強管理是唯一辦法,其實不然,我們是否也可以朝著研發更厲害的技術性解決方案去努力?
就像電腦病毒剛出現時,殺毒軟體隨之誕生;面對千年蟲難題時,也迅速找到了技術應對方案。我們可以通過研發新技術,應對DeepFake深度換臉程式的挑戰;或者通過聯邦學習技術,在保證資料私密性的同時,滿足深度學習訓練需求。
作為握有技術能力的群體,我們需要與監管部門一起協作,而不只是把工作丟給他們。相信有了各方的助力,我們可以讓AI的應用變得更有深度,更加務實,更高效地克服現在面臨的種種問題。
▌阿萊克斯·彭特蘭:國家間應建立互通標準,避免“AI冷戰”
我對當前的深度學習技術不太樂觀。
最為主要原因是,深度學習不僅需要龐大的資料來源,而且要求這些資料長時間恒定不變,以保證模型訓練結果的可靠性,例如人類的面容、語言,就是相對穩定不變的資料來源。
但深度學習卻沒法應對快速變化的真實情況。亞馬遜在新冠疫情蔓延速度暴增時,出現了倉庫貨物緊缺,不得不停止送貨服務。這種經過深度學習高度優化後的系統發生崩潰,就是因為快速變化的疫情,和深度學習對恒定資料來源的需求是矛盾的。
另外,我想談談如何通過聯邦學習,促進資料的流通。
大多數公司沒有足夠豐富的資料,需要聯合不同的資料來源。基於這種需求,出現了很多新商業模式,比如“資料經紀人”——他們不出售資料,而是把資料借出去,作特定需求的使用。
“資料經紀人”業務湧現了很多,他們促進了資料的流通,也加強了資料的隱私性。因此,像聯邦學習這樣的技術和商業策略結合,有效解決了資料在合規性和所有權方面的難題。
聯邦學習也依賴於新的基礎設施建設,為資料應用和深度學習提供基礎環境,比如區塊鏈技術。現在世界上很多國家在做相關系統的建設實驗,新加坡等國家設置了一種相互競爭的區塊鏈系統,來解決支付和物流問題。我們最近也幫助瑞士做了類似的實驗,涉及不同資料的互通性和連貫性問題。
我們仍在研究如何用儘量少的資料,實現人工智慧的目標。少量資料是指不斷更新的短期資料,這些資料能使AI應對迅速變化的情況,並及時做出調整。
我們打算將AI與其他基礎科學結合,例如阿爾法圍棋(AlphaGo)就是這類結合的初步嘗試。這些方法不依賴于大量恒定資料,可能會比深度學習更加強大。
除此之外,我們在探討用AI保障聯邦學習過程中不同資料方的權益,這是實現不同國家之間的互通性、支付信任度、物流運輸等方面合作的關鍵前提。
另一方面,我們探索如何將AI技術應用於加密資料上。我們和大公司以及政府密切合作,找出解決系統入侵和保障網路安全的方法。
我同時花了很多時間研究與政府的合作。政府很多時候不知道如何通過大資料做決策,也不知道如何進行資料優化。而AI能夠幫助政府實現更高的效率,比如聯合國現在已經有了很多可持續發展目標的相關評估指標,世界經濟論壇也可以為會員國提供不同的標準測算。
基於我們已有的多中繼資料庫,現在可以利用AI實現全新的資料優化方式,將貧困、不平等這種之前無法量化的指標,通過可量化的指標進行評估。
同時,要真正實現這個目標,我們還需要制定統一的互通性標準。如果沒有這個標準,國家之間就不會相互信任去合作,就可能出現AI冷戰。
因此我們需要找到促進合作的方式,就像TCP/IP互聯網協議那樣。而之前我提到的,新加坡、瑞士等現在正在嘗試的區塊鏈系統,將有希望解決國家間缺乏互通標準的問題。
Part II 對話
▌ 美國線上教育發展難度更大,只在ZOOM上講課是不夠的
Q1:疫情加速了行業的改變,遠端醫療、線上教育開始蓬勃發展,這只是AI對人類社會產生影響的冰山一角。想請兩位談一談,目前看好AI在哪些領域應用的未來前景?
李開復:疫情的確對整個社會產生了實質性的影響,人們行為習慣發生了很多改變,更願意接受線上學習和工作了。
這種新的行為習慣產生了大量資料流程,為AI應用帶來了更多可能性。比如大健康領域以及遠端醫療中所產生的資料,可以訓練更智慧的模型。同時更多人開始在基因組學、新藥研發方面結合新的AI技術進行研究,因此我相信AI在醫療健康領域的潛能是非常巨大的。
AI與教育的結合也很值得期待。一方面可以説明老師處理重複性的日常事務,例如批改作業,讓老師得以將時間精力投入到更有創造性的事情上,能更悉心地為孩子提供優質教學。另一方面可以提高學生的課堂參與度和積極性,比如設置卡通版AI虛擬老師,讓課程充滿趣味性。
在中國,有很多線上教育公司在疫情之前就已經發展迅速,像創新工場投資的VIPKID,讓國外的純正英語老師線上上教授中國學生。目前,中國的線上教育已經擴展到了更多科目,包括體育、舞蹈、書法等素質教育課程。
相比之下,美國線上教育發展的難度會更大。畢竟只在ZOOM上講課是不夠的,好的線上教育必須要有好的內容。
▌AI核心是增強人際互聯,應注重文化多樣性
阿萊克斯·彭特蘭:李開復博士提到的教育案例,我不是很認同。
MIT大約20年前就在教育中使用AI,重點根本不是內容,我們甚至提倡將內容免費開放給大眾。
AI絕非試圖取代人類的作用,我們更強調用AI增強人與人之間的互動,讓人們更好的社交和連接彼此。比如手機上人工智慧技術,不是要取代你,而是讓你高效地找到最適合的工作、最正確的人,讓你更容易的獲取資訊,並進行創新。
我們可以利用資料激發更強的創新力,培養領導力。只有基於這樣的宗旨,才能促進更有創造力的教育和學習,這比關注教育內容本身重要得多。
在加拿大,有家創業公司正在訓練普通民眾學習AI,比如水管工,教學效果非常不錯。他們的教育方式不是簡單的教授基本知識,而是以一種能夠激發人們互動思考的方式。
我們之前在中國調研了3000多個孵化器,發現創業公司成功的要素裡,第一個是文化多樣性,也就是說創始團隊背景的複雜性和多樣性。第二個是團隊成員專業的多樣性,他們能否發揮自己所長,並很好地進行團隊合作。
1956年,馬文·明斯基 (Marvin Minsky)提出了人工智慧這個詞。但我們對於人工智慧的理解,不應該只停留在“人工”層面,而應擴展到多元文化之間的相互連接、團隊合作,我把它叫做延伸智能(Extended Intelligence)。這也是我想強調的,人工智慧這個名詞有一定的偶然性,但它的核心點是增強人與人之間的互聯性。
▌AI未來突破難預測,奇點、超級智慧過於樂觀
Q2:未來十年AI有沒有可能取得重要突破?比如GPT-3近期展現驚人的能力。兩位認為未來的突破方向是什麼?
李開復:過去60多年來,深度學習是唯一的重大突破。在這之後,卷積神經網路(CNN)和GPT-3等都算是重要的改善,我對於人工智慧的漸進式改善保持樂觀。
對科學家來說,他們更期待著技術上的突破式進展。但我覺得未來十年基礎科研或許不會有大的突破。但模型相對容易,只要有大量的資料,就可以從實驗室進入到行業應用,CNN和GPT-3都是模型加海量資料的成果。
我是務實派的,雖然持有樂觀態度,但並不是一位“未來學家”。未來的突破很難預測,對奇點(Singularity)的爭辯,甚至預測超級智慧的出現,在我看來都過於樂觀了。
阿萊克斯·彭特蘭:我同意李博士的觀點。很多生物機制很難解釋,包括用感知認識事物、理解聲音、尋找食物等,是深度學習演算法做不到的。但深度學習可以研究科學、制定規則、研究理論,並進行實踐。
從務實的角度來說,我最感興趣的就是聯邦學習。就醫療而言,我們有這麼多醫院,在新冠疫情期間做了很多的實驗,為什麼這些實驗資料不能進行聯合呢?
儘管資料有不相容的地方,但這也是一個很好的機會去探究不同的資料之間的關聯性。在未來,我們對資料的需求也許會越來越少,外科醫生或者物理學家或許不需要太多資料,因為他們對規則已經瞭若指掌了。
▌不要墨守成規,要跨領域、跨學科應對挑戰
Q3:人工智慧會有什關鍵挑戰?對於想從事這個行業的人,有什麼是需要瞭解的關鍵點?
李開復:首先,大背景在改變,新科技層出不窮,我們每年都需要學習新的東西。
其次,人工智慧可能引起各種問題,包括偏見、歧視、倫理道德等,是否危害人類的身體健康,無人駕駛技術該何去何從等等。
第三,人工智慧的研發需要深刻地理解技術對社會、生活與人類健康會產生的影響。我非常欣賞斯坦福和MIT這樣的高校,能夠把AI教育擴展到各個學科,讓研發人員及早意識到自己的責任和價值。
阿萊克斯·彭特蘭:是的,我朋友做過一個有關電的趣味類比,電動馬達最初在工廠裡用於生產的時候,並沒有發揮出多大的作用,因為大家並不知道如何改造生產流程。
AI在一些領域發揮的作用是顯著的,但應用到其他領域時,就需要改造流程。很多情況下,最困難的就是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
而有意思的是,就像李博士提到的,像MIT和斯坦福這樣的高校確實在認真嚴肅地對待這個問題。
比如,我今天早上正好就這個話題跟G20領導人對話,大家一致認為我們必須從跨領域、跨學科的角度去面對這個問題,不能只是工程師或者社會科學從業者們在做,經濟學家,政治家等等都必須參與進來緊密合作。
隨著AI的應用領域越來越廣,除了必須具備強有力的技巧來建立社會規則,還需要對研究經費、企業投入等進行各種調整。
▌雖然大公司實力不容小覷,但依舊對小公司抱有期待
Q4:AI研究會消耗大量的資源,我們是否應該將資源往學術界平衡?現在已經發生資源的重新分配和平衡了嗎?
李開復:就人才而言,現在已經有重新平衡的跡象了。
過去,頂尖大學的學者基於待遇和種種考量,不少選擇去企業界工作。而近期,曾任職於百度、海爾、位元組跳動等公司的數位優秀AI科學家已經回歸高校。
但像GPT-3這樣的技術,仍然不是大學和小公司能支付得起的。支撐GPT-3運行的電腦是世界算力第五的超級電腦。每進行一次演算法訓練,就要花費460萬美金,只有像騰訊、穀歌、微軟這個級別的公司才能負擔得起如此強大的算力。
我觀察到,近年的AI創業公司已經和5年前截然不同了。它們一般由AI科學家和商業人才共同創建,為了解決特定問題而生,並非紙上談兵做突破性科研,切入的領域也往往是巨頭公司忽略的地方。
例如,為製造業進行AI賦能,不是一件輕鬆的事,需要去工廠實地勘查,瞭解運作方式。大公司因為賺錢很容易,不願意做這些性價比低的苦活累活。這些小公司的努力一旦有了成果,就會給產業界帶來革命性的影響。所以,雖然大公司的實力不容小覷,但我依舊對小公司抱有期待。
阿萊克斯·彭特蘭:大學和公司是一種融合的關係,不僅體現在人才流動上,也會進行資訊資源分享,彼此是整體性的合作態勢。
當然這也不是絕對,產業界的保密需求還是存在的,只是從學校的出發點來說,我們願意毫無保留地為大家提供更好的研究成果,並與企業合作,形成標準化平臺。
▌人工智慧取代人類需要上百年或更久
Q5:兩位認為什麼是AI不能取代的?
李開復:一類是創造力、分析能力、邏輯辯論能力,瞭解自己知道什麼不知道什麼,這些是人工智慧無法取代的。另外一類是同理心,人類之間的信任、友誼,自我認知、意識等。
阿萊克斯·彭特蘭:人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
▌AI創業建議I:找到小切入點,不要與巨頭正面硬碰
Q6:李博士提到了AI在小企業中的運用,可否再舉例說明是如何運用的?
李開復:這個問題分兩部分:一個是小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,並且不要與巨頭核心業務正面硬碰。
對於那些中小型非AI、但想應用AI的公司,需要確保有足夠的資料,以訓練與核心商業價值掛鉤的AI模型,並且有願意變革的開放性公司文化。
所以,早期應用AI的公司可能規模較大,因為他們有足夠大的資料,和可相容變革的商業模型。每個例子都不同,不是任何一家公司都要應用AI。
阿萊克斯·彭特蘭:如果我們放寬AI的定義,或許水管工、合同工都有資料,通過一些簡單的分析、整合,AI也可以在很大程度上改進他們的工作。
這些都是很小的切入點,基於簡單的AI分析、機器學習,依舊可以產生巨大的潛力。
▌ AI創業建議II:知曉技術,同時理解商業
Q7:兩位再分享一下最後的建議?
李開復:我們在步入一個AI開始滲透到方方面面的令人振奮的時代,我希望所有的學生們都能參與到這個改革浪潮中。要深刻地理解人工智慧的商業落地,而不僅僅鑽研技術本身。
阿萊克斯·彭特蘭:不要太較真於深度學習或者冗長的演算法,一切始於要解決的現實問題。不要止步於技術本身,要明白資料類型、形態和規律,關注商業流程。
感謝葉樂斐、劉諾、藍萱、張昊、陳冬傑、劉子昂、張梓煜、錢淩寒、水一方、沈雍在校譯和審閱上對本文的貢獻。
桂冠 家 的 價值 認同 感 在 啟點文化 Youtube 的最佳貼文
《哈克翻過來看世界》系列工作坊(三)~為生命整地,結出新果實~03/09(六) & 03/10(日)
課程資訊:https://www.koob.com.tw/contents/3685
【人際維基】桌遊體驗會~讓你一玩就懂別人的在乎~ 02/24(日)或 03/16(六)14:00
活動資訊:https://www.koob.com.tw/contents/3072
[ 2019.04.13 開課!]【寫作小學堂】~寫出專屬風格,找回文字悸動~第二期
打造一盞自己的聚光燈,建立起專屬於你的品牌印象
課程資訊:https://www.koob.com.tw/contents/3655
【2019/05/03開課】《人際回應力-看懂情緒,輕鬆對談》~第19期
一個人的命運,是回應力的總和!
課程資訊:http://www.koob.com.tw/contents/157
更多學員心得分享:http://goo.gl/Guc6V6
線上課程【不用開口,就讓你擁有人際好感】
啟動人際溝通的關鍵影響力 https://goo.gl/v3ojdo
桌遊【人際維基】~一玩就懂得別人的在乎:https://goo.gl/Ej4hjQ
到蝦皮購買【人際維基】:https://goo.gl/ASruqR
=============================
以下為本段內容文稿:
就在上個月,我們才剛剛結束的2018年的金馬獎頒獎典禮,有一個獎項,叫做『最佳貢獻』的得主,叫廖慶松先生。
或許你知道他是一個剪接師,但你可能不知道的是,他沒有顯赫的學歷。然而在這樣的背景底下,在二十多年前,在國內的各大專院校,電影的相關科系,卻都有他教學的身影,至今桃李滿天下。
一般來說呢,在大專院校裡面,無論擔任講師啊、助理教授,最起碼都要有碩士以上的學歷。
那特別是在二十多年前,那個時代仍然是很重視學歷,而有一點輕忽實作,那「廖桑」的例子,還是很令人感覺到意外。
其實呢,廖桑他以長年投入在剪接工作,的實際的操作經驗裡面,他的「實務」早就超過了那些「理論性的知識」。那麽究竟「實際操作」的一個價值跟理論,到底要怎麼樣去看待?
我們在面對自己的人生面裡的時候,我們要怎麼樣來幫自己,安排一個更適當的腳步?我就透過這個例子,作為一個開頭。今天要跟你講一個,你可能都知道,但是,你從來沒有這麼想過的一個故事。
這個故事是這樣喔,飛機的發明者,是萊特兄弟嘛。那他們的「飛行者一號」這個航空器,是絕大部分的人都認同,在地球上第一架有自己的動力,而且試飛成功的飛機。
然而,很多人不知道的是萊特兄弟,他們其實連高中文憑都沒有拿到。而他們能踏上研發飛機,的這樣的一個契機,是從一八八八年開始。
那個時候呢,萊特兄弟為了幫他們的父親,去趕製教會所需要的手冊。他們呢,就合力把一台舊式腳踏車,絞鏈啊、彈簧啊,這些機械設備拆下來。
然後,再按照自己對機械的熱情,跟「動手做」的精神,找了一堆破銅爛鐵,組合出一台很陽春的影印機。
但是,令人意外的是,這一台影印機運作的非常好。他們不僅幫自己的父親,解決了問題;他們還順勢開了自己的印刷廠,做起了生意。
就這樣子過了幾年,那個時候世界上,推出了第一輛現代概念裡面的腳踏車、單車,這讓萊特兄弟熱愛機械跟改造的創作魂,有了發洩的新出口。
他們無時無刻都在想,怎麼樣讓這個單車,變得更容易操控、更符合機械的力學,去提升騎單車的整體體驗。
甚至於,他們打造單汽缸的引擎,作為動力的來源,還成為那個時候業界競相學習的一個指標。
可是呢,發明飛機跟改造腳踏車,這根本是天差地遠的兩回事嘛!尤其在十九世紀末,那樣的一個背景底下。
那個概念就像是喔,我們現在一般人,沒有經過特殊的學習跟訓練。你要開始去想、你要開始動手,去設計AI人工智慧,差不多的邏輯啊!
這不僅是全新、未知,而且那個知識領域的跨度,真的是非常非常大。那對於沒有任何學術、理論知識的萊特兄弟來說,這真的非常的困難,有如登天一般啊!
但是,就在這個時候,第三個契機來了!一八九六年的時候,萊特兄弟,他們看到一個滑翔翼的設計師,墜落死亡的新聞。這對於當時,還沒有征服天空的人類來說,這是一個很震撼的新聞。
他們初次見到,這個滑翔翼的飛行器的這個照片,這讓他們想到,史前巨鳥的那個翅膀。那事實上呢,會出現滑翔翼的設計師,這代表當時正是一個在航空領域,大家要去做軍備競賽,那樣的一個時代。
各方面的人馬跟專家,他們都想要奪得,率先發明出人工飛行器,這樣的一個桂冠,史上留青史嘛。那熱衷機械跟研發的萊特兄弟,他們當然也想要參與,而且也想要贏啊!
這一個競賽,開什麼玩笑!成為史上第一人。於是呢,他們就開始想辦法找資料,每天埋首在物理啊、數學啊,這些領域。
他們甚至於因為滑翔機的靈感,然後,開始把鳥類的書籍,也納入了參考書目裡面。而且實際的去觀察、研究鳥類是怎麼飛行的,他們怎麼振翅?然後,怎麼樣起飛、怎麼樣降落?他們用土法煉鋼的方法,默默的參與這一個競賽。
那個時候跟本沒有人知道他們,也沒有人認為,他們會是拔得頭籌的人。那個時候,多數投入這一場競賽的,都是一些滿肚子的專業知識、這些理論大師,這些叫的出名號、顯赫文憑的這些專家。
那他們都認為,飛機的原型一定是要用某種強力的引擎,先把飛行器送上天空,然後在天空上保持穩定,然後用這樣的一個概念跟邏輯,維持長時間的飛行。
但是事實上的結果是,這些理論跟知識來打造出來的飛機,他們導致了很多失敗的結果。墜機的墜機,死人的死人喔;讓飛機的一個研究,陷入了很大的膠著。
這個時候呢,我就想起一句話喔,這句話我也常說,叫做「別在錯的地方裡,想找對的答案;否則喔,你做的一切努力,只會讓你愈努力愈挫折」。
萊特兄弟他們知道了,這些實驗失敗的原理跟理論之後,他們對照了自己親手打造、改良單車的這樣的經驗。從高級知識份子的這些理論裡面,他們發現有一個邏輯上面的重大錯誤跟盲點。那就是喔,他們都太過重視飛行器的穩定度!
在那個時候的專家、學者,他們把飛機想像成飄浮在半空中的船隻。他們用這樣的類比,所以他們會覺得船隻的設計,是要維持在水面上的平衡。因為這樣的概念,飛行器就必須要保持平穩的直線移動。
對照於我們真實在騎腳踏車的時候,會「左搖右晃」這樣的概念,在這些所謂的專家,他們的判斷裡面喔,會在空中造成非常大的危險。
但是,萊特兄弟從觀察鳥類的飛行,再加上他們本身,對於改造單車多年的實作經驗,他們重新開始思考這個問題。
這些專家、這些學者,他們原初的假設,他們認為這種所謂的「左搖右晃」,這樣的動態平衡。是不是這樣的思考,才是對的;而這些專家,原本的相信才是有問題的呢?
因為他們認為呢,鳥類的飛行和單車的原理其實是很像的。鳥類跟騎單車,從來不是追求四平八穩,而是必須在動態當中保持平衡,是一種「不穩定的動態平衡」。
就像是我們騎單車,或者是鳥類的飛行,都是隨著路況或者是氣流,利用傾斜來靈活控制轉彎,而不是死死的釘在那裡不動。我們轉彎是不是這樣子轉彎?不是這樣子轉彎嘛!
那有了這樣的「重新假設問題」的概念,萊特兄弟他們很實際,他們先設計各種風箏,然後去釐清怎麼樣的形狀,是最適合做為機翼的。
然後按照他們實驗的結果,去做出一些原型,不斷的測試。他們試飛的次數,其實遠超過在同期,那些很有錢、很有理論架構的個人,或者是那些研究機構。
最後我們都知道喔,他們發明出了飛機。這樣的概念就好像是,一個沒有相關文憑,沒有任何資訊背景的人;他去設計出一個AI的跨時代的運用。成為殺手級的運用,而且遍及全世界的運用。
你會覺得這哪有可能嘛!他是不是最起碼,要有一些資訊科技的能力?對啊!在萊特兄弟他的時代裡,那些研究機構,或者是那些很有名、學問很高的人,看起來他們兩個就是這樣的感覺。
他們完全想不出來,這兩個完全不懂得工程學和航空學的傢伙,他們是怎麼樣能夠拔得頭籌、製造出飛機的?!
所以,透過萊特兄弟的故事,我們可以知道,實際操作的經驗結晶,絕對不比理論架構來的低階的思考。相反的,這些務實操作它反而是很多的新科技,和創造力的最重要的源頭。
正在觀賞影片的你喔,如果正好是一般世俗所謂的,功課好、聰明的那些「學霸級」的人物,或許你可以思考一下,太會讀書、考試,到底帶給你的是助力,還是阻力呢?
當你已經先「假設」了什麼才是「正確的答案」,是不是就很容易忽略「實作」的價值。甚至於呢,在錯的前提底下,進行很多其實是徒勞無功的「思想討論」。
真正能幫助我們解決問題的,永遠是實作的價值!透過實作的回饋,你才會知道真正的關鍵在哪裡?哪裡才是你需要在乎的?
然而更重要的是,有什麼原本的假設,需要被挑戰、甚至於被推翻?就像是把飛機當成是「漂浮在空中的船隻」,這個假設顯然是錯誤的。過去也因為這個假設,很多人投入了很多錢而不成功。
然而萊特兄弟,就是沒有被這個假設困住,所以他們才發明出飛機,這個劃時代的產物。
所以呢,無論你想要從事任何創造,或設計的工作,請你務必記得「實作永遠比知識來得更為重要」,否則喔,你會看不見整體的真實狀況,滿頭滿腦的讓你的專業知識,變成是框住自己的天敵,阻礙了你成功的可能性。
希望今天的分享,能夠帶給你一些啟發與幫助,我是凱宇。
如果你喜歡我製作的內容,請在影片裡按個喜歡,並且訂閱我們的頻道,別忘了在訂閱旁邊,有一個小鈴鐺按下去,這樣子你就不會錯過,我們所製作的內容。
然而如果你對於啟點文化的商品,或課程有興趣的話。如同我今天談的,這個主題『學霸的天敵』,我們談實作的重要。
很多東西不是靠思考,不是靠看書就能夠幫助你前進;你得行動,你得真實的踏入教室,透過我們面對面、手把手的前進,你才會有真正的前進。
而且我更知道一點,就是畢竟喔,進教室會有一些時間跟空間的限制。所以,我在這邊也答應大家,我會很努力的製作一系列的「線上課程」;透過網路的工具,你我可以在線上相會。
那如同今天談到的「實作」的價值,我在這一點,已經開始在「實作」了。沒有意外的話,我們會在2019年1月份,推出相關的課程。
希望透過我們線上的學習,能夠幫助你生命到達另外一個高峰,不斷的創造生命的可能性。
在這邊做一個小小的預告,請期待明年1月份,我們推出的關於怎麼樣進入實作、怎麼樣管理你的效率?這樣的一門線上課程。
所以無論你是會進啟點的教室,還是在線上跟我相會,我都很期待,你能夠在你生命當中,透過實作創造更多的可能性,謝謝你的收看,我們再會。