WEBVTT

00:00:01.292 --> 00:00:03.167
清晨六点半，

NOTE Paragraph

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。

00:00:09.500 --> 00:00:11.750
她是一名实习住院外科医生，

00:00:12.333 --> 00:00:14.500
学习是她工作的一部分。

00:00:15.292 --> 00:00:18.617
这天，她非常想
参与进行神经保留手术，

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。

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。

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。

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，

NOTE Paragraph

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。

00:00:39.583 --> 00:00:41.875
主治医生赶到后，穿上手术服。

NOTE Paragraph

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，

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。

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，

00:00:57.542 --> 00:00:58.742
他脱掉了手术服，

00:00:58.742 --> 00:01:00.167
开始处理一些文件。

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

00:01:06.583 --> 00:01:08.972
于8：15完成了手术，

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。

00:01:12.833 --> 00:01:15.875
克里斯汀感觉好极了，

00:01:16.250 --> 00:01:17.773
病人很快就会恢复，

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。

NOTE Paragraph

00:01:22.208 --> 00:01:25.042
虽然，医生的工作挑战性极高。

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，

00:01:29.625 --> 00:01:31.512
通过观察专家的操作，

00:01:31.512 --> 00:01:34.658
从简单、安全的部分开始着手，

00:01:34.658 --> 00:01:36.877
过渡到风险更高、难度更大的工作，


NOTE Paragraph

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。

00:01:40.042 --> 00:01:42.888
我这一生都被这种学习过程所吸引。

00:01:42.888 --> 00:01:46.625
这样基本的步骤，体现了人之常情，

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，

00:01:53.542 --> 00:01:56.833
在外科手术中，
这被称为“看、做、教”，

00:01:57.625 --> 00:01:58.933
但实际步骤是一样的，

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。

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。

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。

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，

00:02:16.065 --> 00:02:18.565
但现在我发现这样的现象随处可见，

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。

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，

00:02:28.908 --> 00:02:31.375
将会碰壁。

00:02:33.125 --> 00:02:34.897
让我们再用外科手术作为例子，

00:02:35.708 --> 00:02:37.617
时间快进六个月，

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。

00:02:43.207 --> 00:02:46.333
但这一次，是去自动化手术室。

00:02:47.667 --> 00:02:49.315
主治医生把一个

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，

00:02:52.750 --> 00:02:55.158
医生们都脱掉了手术服，

00:02:55.158 --> 00:02:58.333
来到三五米外的控制台，

00:02:59.167 --> 00:03:02.917
而克里斯汀只负责观察。

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，

00:03:07.422 --> 00:03:09.035
他也是这么做的，

00:03:09.917 --> 00:03:12.012
即使他知道克里斯汀需要练习，

00:03:12.012 --> 00:03:13.625
他也希望可以给她机会，

NOTE Paragraph

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，

00:03:17.747 --> 00:03:19.167
而病人的安全永远是第一位的。

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，

NOTE Paragraph

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，

00:03:30.250 --> 00:03:32.875
而且她很清楚，万一她出现失误，

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，

00:03:36.917 --> 00:03:39.542
感到非常沮丧和失落。

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，

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：

00:03:47.215 --> 00:03:50.042
我们要如何与智能机器共存？

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。

00:03:56.635 --> 00:03:59.175
他们既做传统的手术，
也做自动化手术，

00:03:59.175 --> 00:04:03.250
我采访他们，试图了解他们的学习过程。

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，

00:04:07.565 --> 00:04:09.083
研究结果显示出相同的趋势。

00:04:09.875 --> 00:04:12.417
大部分住院医生都和克里斯汀一样，

00:04:12.958 --> 00:04:14.750
他们“看”得很多，

00:04:15.583 --> 00:04:17.875
但“做”的机会却很少。

00:04:18.333 --> 00:04:20.861
所以他们难以进步，也无从学习。

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？

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？

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。

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，

00:04:37.920 --> 00:04:40.930
包括初创公司、监管治安部门、

00:04:40.930 --> 00:04:43.585
投资银行和在线教育等。

NOTE Paragraph

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

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。

00:04:54.458 --> 00:04:56.875
我们共享了数据，
我想从中寻找出规律。

NOTE Paragraph

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。

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，

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。

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，

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，

00:05:20.875 --> 00:05:24.125
初级银行家被排除在复杂分析之外，

00:05:24.500 --> 00:05:27.583
教授也要独自开始做在线课程。

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，

00:05:32.295 --> 00:05:35.292
在工作中学习变得越来越难，

00:05:36.958 --> 00:05:38.375
这样的情况需要得到改善。

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，

00:05:43.763 --> 00:05:47.958
将不得不在日常工作中
适应人工智能。

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，

00:05:50.995 --> 00:05:52.952
在我们想要学习的时候就唾手可得。

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，

00:05:57.882 --> 00:06:00.083
而不是在培训中。

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，

00:06:04.753 --> 00:06:08.462
但却忘了它在目前最大的影响，

00:06:08.462 --> 00:06:11.917
就是它阻碍了我们学习的步伐，

00:06:12.375 --> 00:06:14.390
而学习恰恰是
我们目前最需要的东西。

00:06:15.458 --> 00:06:21.500
现在有一个小群体
找到了学习的方法，

00:06:23.625 --> 00:06:26.667
通过改变和突破规则。

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，

00:06:31.780 --> 00:06:33.700
来获取和专家一起学习的机会。

NOTE Paragraph

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，

00:06:39.395 --> 00:06:42.958
牺牲他们的通识教育课程，

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，

00:06:50.202 --> 00:06:52.833
虽然他们更应该在手术室里实操。

00:06:53.375 --> 00:06:56.835
最重要的是，
他们找到了奋斗的方法，

00:06:56.835 --> 00:07:00.625
在有限的专家指导下进行现场操作。

00:07:01.792 --> 00:07:06.055
我称之为“影子学习”，
因为它修改了规则，

00:07:06.055 --> 00:07:08.125
让学习者在聚光灯之外学习，

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。

00:07:13.677 --> 00:07:16.833
记住，这样学习的学生都是学霸。

00:07:17.792 --> 00:07:21.000
显然，这样的方式并不对，
也并不可持续，

00:07:21.708 --> 00:07:23.857
没有人应该要冒着被开除的风险，

00:07:23.857 --> 00:07:26.067
去学习应掌握的技能，

00:07:26.792 --> 00:07:28.848
但我们可能真的要向这些人学习。

00:07:29.917 --> 00:07:32.167
他们为了学习不惜冒着巨大的风险，

NOTE Paragraph

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，

00:07:37.057 --> 00:07:40.043
而强迫自己去解决难题，

00:07:40.043 --> 00:07:42.042
不断挑战自己的极限。

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，

00:07:45.838 --> 00:07:47.792
在必要的时候出来提供支持。

00:07:48.875 --> 00:07:52.333
让我们把努力和专家支持结合起来，

00:07:52.708 --> 00:07:55.458
将其应用到人工智能中。

00:07:56.375 --> 00:07:59.203
我这里有一个具体的例子，

00:08:00.125 --> 00:08:01.335
在有机器人之前，

NOTE Paragraph

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，

00:08:07.333 --> 00:08:09.440
一个年轻的警官就在你几百米之外，

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，

00:08:12.773 --> 00:08:14.250
才能接近装置。

00:08:15.208 --> 00:08:19.075
现在你们并排坐在防弹卡车里，

00:08:19.075 --> 00:08:20.928
一起看着视频，

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，

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。

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、

00:08:33.082 --> 00:08:35.707
投资银行和在线教育等等行业中。

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，

NOTE Paragraph

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，

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。

00:08:49.292 --> 00:08:52.333
我们可以利用人工智能来辅助学习，

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，

00:08:58.310 --> 00:09:00.792
将两者以更智慧的方式联系起来。

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，

00:09:06.333 --> 00:09:09.125
但是他们也仅仅是
关注入职培训，

00:09:09.458 --> 00:09:12.042
更大的危机其实出现在
在职培训当中。

00:09:12.417 --> 00:09:14.242
我们必须要做得更好，

00:09:14.242 --> 00:09:16.875
现在出现的问题
要求我们要做得更好，

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，

00:09:23.042 --> 00:09:25.792
同时也让我们的技术变得更加成熟。

00:09:26.333 --> 00:09:29.083
这才是我小时候梦想的未来，

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。

00:09:32.333 --> 00:09:33.483
谢谢。

00:09:33.483 --> 00:09:36.258
（掌声）