[摘? ? 要] 人工智能技術沿著機器人、專家系統(tǒng)、神經(jīng)網(wǎng)絡系統(tǒng)三條道路發(fā)展?；谏窠?jīng)網(wǎng)絡的人工智能技術正在取代其他技術成為主導人工智能技術，但神經(jīng)網(wǎng)絡技術存在過度模型化、參數(shù)化、模型不可解釋等缺點，導致其在管理智能化道路上難以有大的發(fā)展。人工智能技術的發(fā)展，需要在專家系統(tǒng)和神經(jīng)網(wǎng)絡模型有機結合的基礎上，進行技術創(chuàng)新，探索智能化技術。本文認為，管理智能化技術的發(fā)展方向是在各個專業(yè)管理領域尋找能夠實現(xiàn)智能化的準確計算方法和因素窮盡方法。

[關鍵詞] 智能管理;管理智能化;人工智能技術

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

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

信息技術的發(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合開啟人機融合智能時代。在這個時代重復性或機械式的腦力勞動將大量被人工智能技術取代（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發(fā)展的歷史，就不難看出沿著傳統(tǒng)的人工智能技術的發(fā)展路徑很難使管理工作的智能化水平達到6σ（百萬分之一失敗率、廢品率）級別的質量要求。

1949年赫布（Hebb）[2]借鑒神經(jīng)元理論，第一次提出基于無監(jiān)督學習的單層神經(jīng)網(wǎng)絡模型，它將輸入信息按照它們的相似性劃分為若干類，之后通過調整特征類型之間的激活水平（權重系數(shù)），來尋求對測算集信息和訓練集信息來說具有最佳學習速率的模型。之所以將基于神經(jīng)網(wǎng)絡模型的求解過程稱為機器學習問題而不是模型優(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練集樣本數(shù)據(jù)的基礎上，而其準確性、可靠性測試則需要測試集樣本數(shù)據(jù)之上進行，通過這種訓練集和測試集數(shù)據(jù)調整之后的模型最終要應用到這些訓練、學習數(shù)據(jù)之外的真實場景數(shù)據(jù)之中。

神經(jīng)網(wǎng)絡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整（權重系數(shù)調整），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，依靠權重衰減等泛化技術（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。此后人工智能技術陷入低潮，直到1982年Hopfield提出反饋神經(jīng)網(wǎng)絡（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習算法模型為基礎的人工智能技術的第二次高潮。

從反饋神經(jīng)網(wǎng)絡模型（BP）開始，研究者們更多地從數(shù)學上尋求問題的解，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（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整各層神經(jīng)網(wǎng)絡模型的權值，以尋求模型識別（學習）精度的提高。1989年Bengio提出卷積神經(jīng)網(wǎng)絡模型（CNN，Convolutional Neural Networks，是一種深度前饋神經(jīng)網(wǎng)絡模型）[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，通過局部權值的共享降低了網(wǎng)絡識別的復雜性。但是，在2006年之前，訓練一個深度有監(jiān)督的前饋神經(jīng)網(wǎng)絡一直沒有產(chǎn)生出理想的效果（在訓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（Deep Belief Networks， DBNs）[6]，將無監(jiān)督學習用于（預）訓練每一層;在每一層學習到的結果作為下一層的輸入;用有監(jiān)督訓練來調整所有層（加上一個或者更多的用于產(chǎn)生預測的附加層）;深度可信神經(jīng)網(wǎng)絡DBNs在每一層中可使用無監(jiān)督學習RBMs來訓練，為解決深層結構相關的優(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[7]，將多維輸入向量的圖像直接輸入網(wǎng)絡，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)絡技術近幾年在圖像識別、語音識別等領域獲得重大突破，并掀起了人工智能技術發(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習下棋經(jīng)驗的實踐路徑，用無監(jiān)督增強深度學習模型，從一張白紙開始讓機器通過自我對弈來學習積累下棋策略，經(jīng)過三天的自我學習，使其達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習算法。機器人研發(fā)實際上是專家系統(tǒng)和機器學習算法在模仿人的機器設計中的應用。從理論方法角度來看，人工智能主要是專家系統(tǒng)和機器學習方法。

專家系統(tǒng)在上個世紀70年代到90年代獲得了快速發(fā)展，諾貝爾經(jīng)濟學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（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)展達到了頂峰。在2014年深度學習技術在圖像識別領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)臨床決策應用系統(tǒng)Oncology Expert Advisor（OEA，腫瘤專家顧問），期望通過人工智能技術一舉解決當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)絡模型的機器學習方法本質上是用通過模擬的學習訓練來尋求輸入數(shù)據(jù)與輸出結果之間的真實關系，并通過設置參數(shù)（模型變量）來提高模型的復雜度和識別能力，通過增加深度（模型層數(shù)）來提高其模型的識別效率（學習速率），通過調整參數(shù)權值（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而達到頂峰。這給人留下了一種錯覺，似乎認為谷歌公司使用的無監(jiān)督增強深度學習技術，所建立的人工智能模型和算法，未來將能夠實現(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，是因為在模型訓練的時候，人們已經(jīng)事先設置了清晰的下棋規(guī)則和明確的輸贏判斷標準，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、學習范圍，讓其完全從一張白紙開始學習，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)則的人工智能技術和基于模型的人工智能技術相結合，才能達到人工智能應用的最佳效果。

基于神經(jīng)網(wǎng)絡模型的機器學習方法存在一個致命的缺點，即經(jīng)過數(shù)據(jù)訓練所建立的模型，沒有對誤判結果的解釋能力，不能對誤判數(shù)據(jù)樣本及其案例追溯詢問，導致模型準確率的提高完全依賴訓練樣本的質量，期望模型識別準確率達到99.9%比較困難，要讓其達到工業(yè)化、自動化生產(chǎn)應用要求的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《智能化財務分析系統(tǒng)》的根本原因[8]。即使到今天，神經(jīng)網(wǎng)絡模型的不可解釋性、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”，如果人類在認識上、理論上還沒有解決相關問題，期望計算機模型、軟件等機器通過自己學習來解決也不現(xiàn)實。盡管近年來，基于模型的機器學習人工智能技術在圖像識別、語音識別等領域獲得了較大突破。但在管理領域，在讓計算機來代替人從事管理工作的領域，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)訓練的深度學習技術，不能和人類那樣吸取經(jīng)驗教訓，不能識別并糾正錯誤，不適合進行因果關系識別和邏輯推理[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、云計算技術、人工智能技術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遠超過了人腦。而定性問題，最終都可以歸結為因果關系分析和邏輯判斷問題。因果關系分析只要能夠轉化成為“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實現(xiàn)[11]。

通過準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)。如果將定性問題轉化為因果關系邏輯判斷，那么計算機軟件也能夠比人類更快速、更準確地完成這類管理問題的解決。有了解決管理問題的準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確計算方法和因素窮盡方法，才能實現(xiàn)相關管理工作的智能化。

主要參考文獻

[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？[J].經(jīng)濟管理，2006（1）：20-23.