1
00:00:01,292 --> 00:00:03,167
清晨六点半，

2
00:00:03,583 --> 00:00:08,458
克里斯汀正推着
她的前列腺病人进手术室。

3
00:00:09,500 --> 00:00:11,750
她是一名实习住院外科医生，

4
00:00:12,333 --> 00:00:14,500
学习是她工作的一部分。

5
00:00:15,292 --> 00:00:18,617
这天，她非常想
参与进行神经保留手术，

6
00:00:18,617 --> 00:00:23,110
这要求医生有极度精细的切割技巧，
以让病人恢复勃起的功能。

7
00:00:23,500 --> 00:00:27,075
不过，这还要看主治医生的意思，
但那会儿他并不在手术室。

8
00:00:27,625 --> 00:00:29,912
克里斯汀和其他手术人员
给病人打了麻醉。

9
00:00:29,912 --> 00:00:33,750
首先，她在病人的下腹部
切开了一道8英寸的切口，

10
00:00:35,042 --> 00:00:38,763
当她把切口固定好，
便让护士打电话给主治医生。

11
00:00:39,583 --> 00:00:41,875
主治医生赶到后，穿上手术服。

12
00:00:42,458 --> 00:00:48,218
接着，两人共同开始手术，
他们四只手都在病人体内，

13
00:00:48,708 --> 00:00:51,625
主治医生负责指导，
克里斯汀则主导了手术。

14
00:00:52,875 --> 00:00:57,252
当病人的前列腺被取出后，主治医生
让她进行了部分神经保留的操作，

15
00:00:57,542 --> 00:00:58,742
他脱掉了手术服，

16
00:00:58,742 --> 00:01:00,167
开始处理一些文件。

17
00:01:00,833 --> 00:01:06,208
而克里斯汀在一个
初级住院医生的协助下

18
00:01:06,583 --> 00:01:08,972
于8：15完成了手术，

19
00:01:08,972 --> 00:01:12,125
克里斯汀还让他
给病人做了最后的缝合。

20
00:01:12,833 --> 00:01:15,875
克里斯汀感觉好极了，

21
00:01:16,250 --> 00:01:17,773
病人很快就会恢复，

22
00:01:17,773 --> 00:01:21,000
而她也无疑比凌晨六点半时的
自己更进了一步。

23
00:01:22,208 --> 00:01:25,042
虽然，医生的工作挑战性极高。

24
00:01:25,417 --> 00:01:29,250
但克里斯汀的学习过程
其实和我们的并无分别，

25
00:01:29,625 --> 00:01:31,512
通过观察专家的操作，

26
00:01:31,512 --> 00:01:34,658
从简单、安全的部分开始着手，

27
00:01:34,658 --> 00:01:36,877
过渡到风险更高、难度更大的工作，


28
00:01:36,877 --> 00:01:39,250
其中确保她准备就绪，
并且有专家在一旁指导。

29
00:01:40,042 --> 00:01:42,888
我这一生都被这种学习过程所吸引。

30
00:01:42,888 --> 00:01:46,625
这样基本的步骤，体现了人之常情，

31
00:01:47,750 --> 00:01:53,092
人们为这个过程赋予不同的名字，
学艺、训练、教导和在职培训，

32
00:01:53,542 --> 00:01:56,833
在外科手术中，
这被称为“看、做、教”，

33
00:01:57,625 --> 00:01:58,933
但实际步骤是一样的，

34
00:01:58,933 --> 00:02:03,167
这也是千百年来所有人
在培养人才时所用的方式。

35
00:02:04,333 --> 00:02:08,833
但如今我们应用人工智能的
方法却反其道而行之。

36
00:02:09,625 --> 00:02:12,315
为了提高效率，我们
牺牲了学习必经的过程。

37
00:02:13,292 --> 00:02:16,065
我在麻省理工学院做手术时
第一次发现了这个现象，

38
00:02:16,065 --> 00:02:18,565
但现在我发现这样的现象随处可见，

39
00:02:18,565 --> 00:02:22,500
遍布各行各业，
以及各项人工智能的应用场景中。

40
00:02:23,083 --> 00:02:28,908
如果我们无动于衷，成千上万的人
在学习如何掌握人工智能时，

41
00:02:28,908 --> 00:02:31,375
将会碰壁。

42
00:02:33,125 --> 00:02:34,897
让我们再用外科手术作为例子，

43
00:02:35,708 --> 00:02:37,617
时间快进六个月，

44
00:02:37,617 --> 00:02:43,207
还是凌晨六点半，克里斯汀推着
另一个前列腺病人进手术室。

45
00:02:43,207 --> 00:02:46,333
但这一次，是去自动化手术室。

46
00:02:47,667 --> 00:02:49,315
主治医生把一个

47
00:02:49,315 --> 00:02:52,208
长着四只手、重一千镑的
机器人连接到病人身上，

48
00:02:52,750 --> 00:02:55,158
医生们都脱掉了手术服，

49
00:02:55,158 --> 00:02:58,333
来到三五米外的控制台，

50
00:02:59,167 --> 00:03:02,917
而克里斯汀只负责观察。

51
00:03:04,375 --> 00:03:07,422
在机器人的帮助下，
主治医生独自便可完成手术，

52
00:03:07,422 --> 00:03:09,035
他也是这么做的，

53
00:03:09,917 --> 00:03:12,012
即使他知道克里斯汀需要练习，

54
00:03:12,012 --> 00:03:13,625
他也希望可以给她机会，

55
00:03:14,250 --> 00:03:17,747
但是他同样清楚克里斯汀
操作得更慢，还有失误的风险，

56
00:03:17,747 --> 00:03:19,167
而病人的安全永远是第一位的。

57
00:03:20,250 --> 00:03:25,437
所以克里斯汀在这次手术中
完全没有机会碰到病人的神经，

58
00:03:25,437 --> 00:03:29,792
她能在四个小时的手术中
操刀超过一刻钟就算是走运了，

59
00:03:30,250 --> 00:03:32,875
而且她很清楚，万一她出现失误，

60
00:03:33,458 --> 00:03:36,500
主治医生就会重新操刀，
她又不得不回到观察者的角色，

61
00:03:36,917 --> 00:03:39,542
感到非常沮丧和失落。

62
00:03:41,595 --> 00:03:44,649
正如我过去八年做的
所有关于机器人的研究一样，

63
00:03:44,649 --> 00:03:47,215
在这次研究的开始，
我也提出了一个宏大的问题：

64
00:03:47,215 --> 00:03:50,042
我们要如何与智能机器共存？

65
00:03:50,792 --> 00:03:56,635
为了寻找答案，我花了两年半的时间，
观察了数位外科医生和住院医生。

66
00:03:56,635 --> 00:03:59,175
他们既做传统的手术，
也做自动化手术，

67
00:03:59,175 --> 00:04:03,250
我采访他们，试图了解他们的学习过程。

68
00:04:04,250 --> 00:04:07,565
这次研究覆盖了
美国18所顶级的教学医院，

69
00:04:07,565 --> 00:04:09,083
研究结果显示出相同的趋势。

70
00:04:09,875 --> 00:04:12,417
大部分住院医生都和克里斯汀一样，

71
00:04:12,958 --> 00:04:14,750
他们“看”得很多，

72
00:04:15,583 --> 00:04:17,875
但“做”的机会却很少。

73
00:04:18,333 --> 00:04:20,861
所以他们难以进步，也无从学习。

74
00:04:21,291 --> 00:04:25,665
这一现象对外科医生来说十分重要，
但我想知道，这样的现象有多普遍？

75
00:04:25,665 --> 00:04:28,958
还有哪些领域也是这样，
人工智能阻碍了人们的学习？

76
00:04:30,208 --> 00:04:34,562
为了找到答案，我联系了一个
年轻但正迅速成长的研究团队。

77
00:04:34,562 --> 00:04:37,920
他们在不同领域都做了一些
关于人工智能的实地研究，

78
00:04:37,920 --> 00:04:40,930
包括初创公司、监管治安部门、

79
00:04:40,930 --> 00:04:43,585
投资银行和在线教育等。

80
00:04:43,585 --> 00:04:49,540
和我一样，他们花了至少一年的时间，
用了数百个小时进行观察

81
00:04:49,540 --> 00:04:53,707
采访研究对象，甚至
和他们一起生活、工作。

82
00:04:54,458 --> 00:04:56,875
我们共享了数据，
我想从中寻找出规律。

83
00:04:57,917 --> 00:05:03,462
不管在什么行业，利用何种
人工智能，结果都非常相似。

84
00:05:04,062 --> 00:05:07,648
企业、机构都卯足了劲，
想从人工智能中获益，

85
00:05:07,648 --> 00:05:11,250
而这一行为导致学习者
从专业工作中脱离出来。

86
00:05:12,333 --> 00:05:15,883
初创公司的管理者把
联系消费者的工作外包出去，

87
00:05:15,883 --> 00:05:19,875
警察在没有专家的支持下
去做犯罪预测工作，

88
00:05:20,875 --> 00:05:24,125
初级银行家被排除在复杂分析之外，

89
00:05:24,500 --> 00:05:27,583
教授也要独自开始做在线课程。

90
00:05:29,125 --> 00:05:32,295
而这些种种带来的后果
和上述外科例子是一样的，

91
00:05:32,295 --> 00:05:35,292
在工作中学习变得越来越难，

92
00:05:36,958 --> 00:05:38,375
这样的情况需要得到改善。

93
00:05:39,542 --> 00:05:43,763
据麦肯锡估计，到2030年，
我们中有5亿到10亿人，

94
00:05:43,763 --> 00:05:47,958
将不得不在日常工作中
适应人工智能。

95
00:05:49,000 --> 00:05:50,995
而我们却以为
在职学习机制将一直存在，

96
00:05:50,995 --> 00:05:52,952
在我们想要学习的时候就唾手可得。

97
00:05:53,500 --> 00:05:57,882
埃森哲最新的员工调查显示，
多数员工在工作时才能真正掌握技能，

98
00:05:57,882 --> 00:06:00,083
而不是在培训中。

99
00:06:01,292 --> 00:06:04,753
我们一直在关注
人工智能对未来潜在的影响，

100
00:06:04,753 --> 00:06:08,462
但却忘了它在目前最大的影响，

101
00:06:08,462 --> 00:06:11,917
就是它阻碍了我们学习的步伐，

102
00:06:12,375 --> 00:06:14,390
而学习恰恰是
我们目前最需要的东西。

103
00:06:15,458 --> 00:06:21,500
现在有一个小群体
找到了学习的方法，

104
00:06:23,625 --> 00:06:26,667
通过改变和突破规则。

105
00:06:27,083 --> 00:06:31,780
因为现有的方法不奏效，
所以他们要改变和突破规则，

106
00:06:31,780 --> 00:06:33,700
来获取和专家一起学习的机会。

107
00:06:33,700 --> 00:06:39,395
在我经历的环境里，住院医生
在医学院时可以参与到自动化手术中，

108
00:06:39,395 --> 00:06:42,958
牺牲他们的通识教育课程，

109
00:06:44,417 --> 00:06:50,202
他们花了数百个小时
研究模拟器和手术记录，

110
00:06:50,202 --> 00:06:52,833
虽然他们更应该在手术室里实操。

111
00:06:53,375 --> 00:06:56,835
最重要的是，
他们找到了奋斗的方法，

112
00:06:56,835 --> 00:07:00,625
在有限的专家指导下进行现场操作。

113
00:07:01,792 --> 00:07:06,055
我称之为“影子学习”，
因为它修改了规则，

114
00:07:06,055 --> 00:07:08,125
让学习者在聚光灯之外学习，

115
00:07:09,542 --> 00:07:13,677
而所有人都对此睁一只眼闭一只眼，
因为这样的学习的确有效。

116
00:07:13,677 --> 00:07:16,833
记住，这样学习的学生都是学霸。

117
00:07:17,792 --> 00:07:21,000
显然，这样的方式并不对，
也并不可持续，

118
00:07:21,708 --> 00:07:23,857
没有人应该要冒着被开除的风险，

119
00:07:23,857 --> 00:07:26,067
去学习应掌握的技能，

120
00:07:26,792 --> 00:07:28,848
但我们可能真的要向这些人学习。

121
00:07:29,917 --> 00:07:32,167
他们为了学习不惜冒着巨大的风险，

122
00:07:32,792 --> 00:07:37,057
他们明白需要保护那些工作中
遇到的困难和挑战，

123
00:07:37,057 --> 00:07:40,043
而强迫自己去解决难题，

124
00:07:40,043 --> 00:07:42,042
不断挑战自己的极限。

125
00:07:42,458 --> 00:07:45,838
他们也保证身边有
足够的专家资源指导他们，

126
00:07:45,838 --> 00:07:47,792
在必要的时候出来提供支持。

127
00:07:48,875 --> 00:07:52,333
让我们把努力和专家支持结合起来，

128
00:07:52,708 --> 00:07:55,458
将其应用到人工智能中。

129
00:07:56,375 --> 00:07:59,203
我这里有一个具体的例子，

130
00:08:00,125 --> 00:08:01,335
在有机器人之前，

131
00:08:01,335 --> 00:08:06,167
如果你是一个拆弹专家，
你经常要直接处理简单易爆装置，

132
00:08:07,333 --> 00:08:09,440
一个年轻的警官就在你几百米之外，

133
00:08:09,440 --> 00:08:12,773
他只能观察你，并且在
你觉得安全的时候才能提供帮助，

134
00:08:12,773 --> 00:08:14,250
才能接近装置。

135
00:08:15,208 --> 00:08:19,075
现在你们并排坐在防弹卡车里，

136
00:08:19,075 --> 00:08:20,928
一起看着视频，

137
00:08:20,928 --> 00:08:25,252
他们远程控制着机器人，
而你大声地指挥工作，

138
00:08:25,252 --> 00:08:28,500
这样一来，他们反而可以
有更好的机会学习。

139
00:08:29,125 --> 00:08:31,742
我们可以把这种方式应用到
外科手术、初创企业、治安系统、

140
00:08:33,082 --> 00:08:35,707
投资银行和在线教育等等行业中。

141
00:08:36,375 --> 00:08:38,875
好消息是，我们有了
更好的工具辅助学习，

142
00:08:39,750 --> 00:08:44,017
网络和云技术的发展意味着我们不再
需要专家进行一对一、面对面的教学，

143
00:08:44,017 --> 00:08:48,625
专家和学习者甚至
不需要在同一个机构中。

144
00:08:49,292 --> 00:08:52,333
我们可以利用人工智能来辅助学习，

145
00:08:53,167 --> 00:08:58,310
在学习者奋斗的过程中指导他们，
还可以指导专家进行更有效的教学，

146
00:08:58,310 --> 00:09:00,792
将两者以更智慧的方式联系起来。

147
00:09:03,375 --> 00:09:05,917
现在已经有在职人员
有这样的教学系统，

148
00:09:06,333 --> 00:09:09,125
但是他们也仅仅是
关注入职培训，

149
00:09:09,458 --> 00:09:12,042
更大的危机其实出现在
在职培训当中。

150
00:09:12,417 --> 00:09:14,242
我们必须要做得更好，

151
00:09:14,242 --> 00:09:16,875
现在出现的问题
要求我们要做得更好，

152
00:09:17,375 --> 00:09:22,250
来创造价值，来更好地利用
人工智能带来的便利，

153
00:09:23,042 --> 00:09:25,792
同时也让我们的技术变得更加成熟。

154
00:09:26,333 --> 00:09:29,083
这才是我小时候梦想的未来，

155
00:09:29,458 --> 00:09:31,625
而现在正是去开创
这一未来的最佳时机。

156
00:09:32,333 --> 00:09:33,483
谢谢。

157
00:09:33,483 --> 00:09:36,258
（掌声）