編者按：未來的世界，人類需要害怕人工智能嗎？
Alpha Go擊敗了世界第一棋士柯潔；相傳第一輛無人駕駛公共汽車已經進入試用；天貓、淘寶、京東用雙11不斷刷新電子平台營收額......科技正在迅速地改造每一個產業，重新塑造我們的世界，而人類又將如何面對挑戰？在《機器、平台、群眾》（台灣天下文化出版）一書中，數位趨勢頂尖思想家、MIT首席學者艾瑞克•布林優夫森及安德魯•麥克費，點出現代數位革命的三個基本層面：人腦與機器之間、產品與平台之間、核心與群眾之間的再平衡。在這三個層面的變遷中，重心移向每一個配對中的第二項，這對企業經營及我們的生活帶來巨大的影響。
自動駕駛車、無人機、3D列印機、人工神經網絡......，種種形式的數位機器超越以往的限制，扮演起全新的角色。線上平台改變了成本結構，改進了供給與需求的媒合，在錄音音樂、城市交通運輸、電腦硬體、團體運動等無數的產業，創造出傑出可畏的全新競爭者。在網際網路上集結的群眾，已經建造出作業系統與百科全書，一再擊敗所屬領域裡的專家，為許多創業機會提供資金，甚至還改造貨幣。
本書充滿科幻科技已經成真的例子，以及新創公司變成全球重炮的故事。但作者並非只是綜述這些新發展而已，他們還解釋現今與未來一切創新與顛覆背後的基本原理，這些原理植基於經濟學及其他學科，正被全球各地具有洞察力的大大小小組織善加利用。
本版節選書中片段，看看在這場風起雲湧的數位變革浪潮中，人類的智慧可以扮演怎樣的角色。■文：安德魯•麥克費、艾瑞克•布林優夫森 譯：李芳齡 節選自《機器、平台、群眾》（台灣天下文化出版）
有一則老笑話是，在未來的工廠裡，將有兩名員工：一個人和一條狗，人的職務是餵狗，狗的職務是看人，不讓人碰觸任何機器。未來的公司，真的會變成這種面貌嗎？
我們可不這麼認為。人類固然有電腦沒有的偏誤，但也有電腦欠缺的長處。就拿其中一項來說吧！我們隨時從感官接收大量資訊，而且不會事先篩選資訊，來什麼就接收什麼，哪怕只是很短的時間，我們也難以只聽特定聲音、只看特定事物。電腦則是剛好相反，下指令的人要它們蒐集什麼資料，它們就蒐集那些資料，很難蒐集更多或其他資料。......因此，在多數的情況下，由人類檢查電腦的決策，確保那些決策合情合理，會是比較好的做法。長期研究分析與科技領域的學者湯瑪斯．戴文波特（Thomas Davenport），將這種做法稱為「望向窗外」（look out of the window）。這個名詞並非全然是聯想式的隱喻，是一個飛機駕駛給戴文波特的靈感。他告訴戴文波特，在開飛機時，他高度仰賴飛機的機械操作，但也必須時而望向窗外，掃視天際線。這種方法非常有益，不只是為了防止錯誤，也有助於維護一家公司的聲譽。
Uber的教訓
叫車平台Uber，在2014 年末就學到了慘痛教訓。當時，Uber的加成計費（surge pricing，在尖峰時段暫時調高費率），令許多用戶十分不爽。Uber的辯護理由是（我們也同意），加成計費有助於平衡尖峰時段的供需，當實際或預期的Uber車輛供給不敷需求時，該公司的演算法將會調升費率，鼓勵更多駕駛加入提供服務。
這項實務在2014年12月，招來了大量的負面輿論，起因是一名伊朗教士在澳洲雪梨一間咖啡館挾持了十八名人質，許多人慌忙逃離事件的發生地區，其中一些利用Uber叫車，Uber的電腦系統便對這股激增的需求做出反應，啟動加成計費。許多人看來，在危機爆發時，這是非常不當的反應，所以該公司遭到強烈抨擊。
Uber發出了下列聲明：「（在事件發生時，）我們沒有立刻關閉加成計費，這是錯誤決策。」顯然，該公司也內建在一些情況下取消加成計費的設定。
比方說，後來在2015年11月13日的晚上，伊斯蘭恐怖分子在巴黎發動了一連串的攻擊，在第一起攻擊行動發生的三十分鐘內，Uber就取消該市的加成計費，並提醒所有用戶這個緊急事件。
像這樣的例子，足以顯示將人類判斷與演算法結合的好處。不過，公司在採用這種方法時，也必須小心，因為我們實在太鍾情於自己的判斷力，往往過度自信，許多人（如果不是絕大多數的話）經常太快凌駕於電腦之上，縱使是在電腦的答案較佳時。前文提過社會學家克里斯．史奈德斯，他對荷蘭採購經理人的預測能力進行研究，他發現「有演算模型輔助的專家，預測準確度通常介於純模型和無模型輔助的專家之間。所以，提供演算模型給專家，他們的預測準確度將會提高，但純模型預測的能力仍然較佳。」
倒置夥伴關係 畫出清楚界線
最後一個有助益的做法，一些公司已經開始採行，就是把人機的標準夥伴關係倒置，不再由機器提供資料給人類當作判斷參考，而是把人類的判斷當成一個資料點，輸入演算法。谷歌首創將這個方法用於人才招募上，人才招募對該公司非常重要，但分析顯示，人機標準夥伴關係的成效很差。
拉茲洛．博克（Laszlo Bock）在擔任谷歌資深人資長時發現，當時所採用的大多數新員工遴選方法近乎無效。他的團隊檢視究竟是什麼因素，造成公司員工工作表現的差異；他們發現，錄用前的徵信調查（reference check）只能解釋7%的差異性，先前工作經驗的年資只能解釋3%，無條理結構的面試只能解釋14%（就是那種最常見的面試，在開頭時詢問：「你最大的長處是什麼？」或「請逐項談談你的履歷表。」）博克說，這類面試的問題在於：它們形成了一種情況，其實是試圖在確認我們對此人的想法，不是真的在評估對方。
心理學家把這稱為「確認偏誤」（confirmation bias），我們只根據最少的互動，得出了一張快照，在無意間做出判斷，卻深受既有偏見和想法的左右。不知不覺中，我們從原本是在評估一位應徵者，變成了在尋求證據，確認自己的初步印象。
這又是把偏誤和毛病帶入一項重要決策裡。那麼，有什麼更好的人才招募方法？谷歌改為高度倚賴有條理結構的面試，這項因素對員工錄用之後實際工作表現的解釋度超過25%。所謂的有條理結構面試，包含一套用以評估應徵者的預先設定問題，例如評估應徵者的一般認知能力。谷歌採用了一種人才招募流程，所有面試官使用結構性面試，詢問應徵者大致相同的問題，博克解釋：「我們使用一致的面試評分表格......，面試官必須評估應徵者表現如何，表格上清楚定義了每一項表現的等級......一份簡明的人員招募評分表格......，把混亂、模糊且複雜的工作情況簡化，得出可評量、可比較的結果。」
在此方法中，個別面試官的判斷仍然受到重視，但這些判斷被量化，用以對應徵者打分數。博克認為，這個方法並未貶低面試流程或去人性化；相反地，應徵者也感謝自己受到客觀、公平的對待（透過新流程應徵但未獲錄用者，有80%表示會推薦朋友應徵谷歌），僱用決策變得更容易，因為「可以看出優秀者和普通者之間的清楚界線」，博克如此說道。