WEBVTT

00:00:01.292 --> 00:00:03.397
凌晨六點半，

00:00:03.583 --> 00:00:08.718
克莉絲汀推著她的
前列腺病人進入手術室。

00:00:09.500 --> 00:00:12.060
她是住院醫師——
培訓中的外科醫師。

00:00:12.333 --> 00:00:14.820
學習是她的義務。

00:00:15.292 --> 00:00:18.652
今天她非常希望能參與
部分的雙側神經保留手術，

00:00:18.667 --> 00:00:22.542
需要精湛的手術技巧，
讓病人保有勃起的功能。

00:00:23.500 --> 00:00:26.838
不過，這還要看主治醫師的意思，
而他還沒有到場。

00:00:27.625 --> 00:00:30.018
克莉絲汀和團隊給病人打了麻醉，

00:00:30.042 --> 00:00:33.940
她在病人的下腹部開了
第一道 8 英吋的切口。

00:00:35.042 --> 00:00:38.838
當她把切口夾好，
她請護理師打電話給主治醫師。

00:00:39.583 --> 00:00:42.045
主治醫師到場，穿上手術服，

00:00:42.458 --> 00:00:48.250
接著，他們的四隻手
就大都在病人體內，

00:00:48.708 --> 00:00:52.085
在主治醫師的指導下，
由克莉絲汀操作。

00:00:52.875 --> 00:00:54.622
當病人的前列腺被取出後，

00:00:54.622 --> 00:00:57.542
（太好了！他讓她做了
部分神經保留手術。）

00:00:57.542 --> 00:00:58.768
主治醫師脫掉了手術服，

00:00:58.792 --> 00:01:00.657
開始填寫資料。

00:01:00.833 --> 00:01:06.208
而克莉絲汀在八點十五分完成了手術，

00:01:06.583 --> 00:01:09.018
一位資淺的住院醫師在旁觀摩學習。

00:01:09.042 --> 00:01:12.125
她讓他為病人做最後的縫合。

00:01:12.833 --> 00:01:15.875
克莉絲汀感覺好極了！

00:01:16.250 --> 00:01:17.809
病人應該很快就會恢復，

00:01:17.833 --> 00:01:21.600
無疑地，比起做這個手術前，
她是一位更好的外科醫師。

NOTE Paragraph

00:01:22.208 --> 00:01:25.042
這是種極端的工作。

00:01:25.417 --> 00:01:29.370
但克莉絲汀邊做邊學的方式
和我們大多數人無異：

00:01:29.625 --> 00:01:31.518
觀察專家如何操作，

00:01:31.542 --> 00:01:34.684
從簡單、安全的部分開始著手，

00:01:34.708 --> 00:01:39.963
然後在專家的指導和確認合格之下，
接手風險更高、難度更大的工作。

00:01:39.982 --> 00:01:42.964
我一直對這樣的學習過程感到著迷。

00:01:42.964 --> 00:01:47.025
我覺得這似乎是人類
之所以為人類的基本要素之一。

00:01:47.750 --> 00:01:53.192
人們為這過程賦予不同的名字：
學徒、訓練、師徒制、在職訓練。

00:01:53.542 --> 00:01:57.023
外科稱之為
「看一次、做一遍、教一位」，

00:01:57.625 --> 00:01:58.969
但過程是一樣的，

00:01:58.993 --> 00:02:03.167
這也是數千年來，
全球在培養人才時運用的方式。

00:02:04.333 --> 00:02:09.143
現在我們應用人工智慧的方式
阻礙了這條學習路徑。

00:02:09.625 --> 00:02:12.815
為了更高的生產率，
我們犧牲了在工作中學習的機會。

NOTE Paragraph

00:02:13.212 --> 00:02:16.101
我最初在麻省理工學院的手術
發現了這一個現象，

00:02:16.125 --> 00:02:18.601
但現在，我發現這個情況隨處可見，

00:02:18.625 --> 00:02:22.500
遍佈各行各業，
應用著各種人工智慧的技術。

00:02:23.083 --> 00:02:25.538
如果我們對此不做出改變，

00:02:25.538 --> 00:02:32.085
在我們學著面對人工智慧技術時，
成千上萬的人將受挫。

00:02:33.125 --> 00:02:35.177
讓我們回到外科手術作為例子，

NOTE Paragraph

00:02:35.708 --> 00:02:37.643
時間快轉六個月，

00:02:37.667 --> 00:02:43.143
同樣是凌晨六點半，克莉絲汀推著
另一位前列腺病人進來，

00:02:43.167 --> 00:02:46.753
但這一次，病人被推到機器人手術室，

00:02:47.667 --> 00:02:49.941
由主治醫師主導著
把一個有著四支手臂、

00:02:49.941 --> 00:02:52.448
重一千磅的機器人，
連接到病人身上。

00:02:52.750 --> 00:02:55.184
他們都脫下了手術服，

00:02:55.208 --> 00:02:58.333
來到 10 ~ 15 英尺外的控制台，

00:02:59.167 --> 00:03:03.017
而克莉絲汀只能旁觀。

00:03:04.375 --> 00:03:07.428
在機器人的幫助下，
主治醫師一個人便可完成手術，

00:03:07.452 --> 00:03:09.445
他基本上也這麼做，

00:03:09.917 --> 00:03:12.018
他知道克莉絲汀需要練習，

00:03:12.042 --> 00:03:13.985
他也希望可以讓她主導，

00:03:14.250 --> 00:03:17.643
但是他同樣清楚她會比較慢，
可能會有失誤，

00:03:17.667 --> 00:03:19.167
而他的病人第一。

00:03:20.250 --> 00:03:25.045
在這次手術中，克莉絲汀
沒有任何機會接近那些神經，

00:03:25.417 --> 00:03:30.142
在長達四小時的手術中，
若她能操作十五分鐘就算幸運了。

00:03:30.250 --> 00:03:33.175
她知道一旦她有失誤，

00:03:33.458 --> 00:03:36.890
他只要輕敲螢幕，
她又回到旁觀的角色，

00:03:36.917 --> 00:03:39.862
感覺像個戴笨蛋高帽的
孩子在角落裡罰站。

NOTE Paragraph

00:03:41.583 --> 00:03:44.388
就像這八年來我所做的
有關機器人與工作的研究，

00:03:44.388 --> 00:03:47.226
我以一個重要且有爭議的問題開始：

00:03:47.250 --> 00:03:50.182
我們如何學習與智慧型機器共事呢？

00:03:50.792 --> 00:03:53.645
為了找出答案，
我花了兩年半的時間

00:03:53.645 --> 00:03:59.125
觀察數十位做傳統與機器人手術的
住院醫師和外科醫師，

00:03:59.125 --> 00:04:00.265
訪問他們，

00:04:00.265 --> 00:04:03.923
基本上，當他們在學習的時候，
我和他們混在一起。

00:04:04.250 --> 00:04:07.601
我涵蓋了十八所美國頂尖的教學醫院，

00:04:07.625 --> 00:04:09.083
故事都是相同的。

00:04:09.875 --> 00:04:12.417
絕大多數的住院醫師的
處境跟克莉斯汀一樣。

00:04:12.958 --> 00:04:15.180
他們有很多「看一次」的機會，

00:04:15.583 --> 00:04:17.875
但「做一遍」的機會少之又少。

00:04:18.133 --> 00:04:21.261
他們沒有機會受挫，
也沒能進一步學習。

NOTE Paragraph

00:04:21.291 --> 00:04:25.691
這對外科醫師來說是很重要的消息，
但我想知道這個情況擴散的程度。

00:04:25.691 --> 00:04:29.428
哪些產業也在運用人工智慧時，
阻礙了做中學呢？

00:04:30.208 --> 00:04:34.518
為了找出答案，我聯繫了一群
小而成長中的年輕研究者，

00:04:34.542 --> 00:04:37.976
他們腳踏實地研究過人工智慧

00:04:38.000 --> 00:04:40.976
在不同的領域的運用，
包括：新創、警政、

00:04:41.000 --> 00:04:43.601
投資銀行和線上教育。

00:04:43.625 --> 00:04:48.096
像我一樣，他們花了至少一年，
以及數百個小時

00:04:48.096 --> 00:04:53.967
觀察、訪問，並經常和他們
研究的對象肩並肩一起工作。

00:04:54.458 --> 00:04:57.415
我們分享了數據，而我觀察模式。

00:04:57.917 --> 00:05:03.125
不論是哪種產業、工作、人工智慧，
故事都是相同的。

00:05:04.042 --> 00:05:07.734
所有組織都非常努力地
運用人工智慧以得到更好的成果，

00:05:07.852 --> 00:05:11.720
在這過程中，他們剝奪了
學徒習做專家工作的機會。

00:05:12.333 --> 00:05:15.558
新創公司的經理人
外包他們的客服窗口。

00:05:15.833 --> 00:05:20.395
警察在沒有專家的協助下，
學著做犯罪預測。

00:05:20.875 --> 00:05:24.035
資淺的銀行家無法
接觸到複雜的分析，

00:05:24.500 --> 00:05:28.023
而教授得在沒有幫助的狀況下
打造線上課程。

00:05:29.125 --> 00:05:32.351
所有這些帶來的影響
跟手術的情形是一樣的。

00:05:32.375 --> 00:05:35.762
做中學變得越來越困難。

NOTE Paragraph

00:05:36.958 --> 00:05:39.035
這情況不能繼續下去。

00:05:39.542 --> 00:05:40.823
麥肯錫顧問公司估計：

00:05:40.823 --> 00:05:44.080
大約有五～十億人在 2030 年以前，


00:05:44.080 --> 00:05:48.320
必須將人工智慧應用在日常工作中。

00:05:48.920 --> 00:05:53.131
我們以為當我們在做的時候，
會有在職訓練。

00:05:53.500 --> 00:05:55.242
埃森哲顧問公司最新的工作調查顯示：


00:05:55.242 --> 00:06:00.463
多數人透過做中學得到工作的
關鍵技能，而非透過正式的訓練。

00:06:01.292 --> 00:06:04.809
當我們高談闊論人工智慧
對未來的潛在衝擊，

00:06:04.833 --> 00:06:08.348
此時此刻，人工智慧
對我們最重要的影響是

00:06:08.542 --> 00:06:12.077
我們應用人工智慧的方式，
阻礙了人們邊做邊學的機會。

00:06:12.255 --> 00:06:14.240
而那是我們最需要學習的時候。

NOTE Paragraph

00:06:15.458 --> 00:06:22.040
在我們的研究對象中，
有一小群人找到一種學習方式。

00:06:23.625 --> 00:06:26.667
他們透過打破常規來學習。

00:06:27.083 --> 00:06:31.726
被准許的作法不可行，
所以他們改變了遊戲規則，

00:06:31.750 --> 00:06:33.726
才得以與專家一同實際操作。

00:06:33.750 --> 00:06:39.351
我看到的是，住院醫師
在醫學院裡為了參與機器人手術，

00:06:39.375 --> 00:06:43.118
犧牲了上全科醫師的課為代價，

00:06:44.417 --> 00:06:50.268
他們多花了數百個小時
使用模擬器與看手術錄影來學習。

00:06:50.292 --> 00:06:53.153
那是他們本來應當
在手術室裡學習的。

00:06:53.375 --> 00:06:55.045
或許更重要的，

00:06:55.045 --> 00:07:01.015
他們在有限的專家指導下，
找到在實際的手術中練習的機會。

00:07:01.792 --> 00:07:06.005
我稱之為「在陰影中學習」
因為這違反了規則，

00:07:06.005 --> 00:07:08.645
學生得要偷偷摸摸地學習。

00:07:09.542 --> 00:07:13.643
大家對此睜一隻眼閉一隻眼，
因為這樣的確有效。

00:07:13.667 --> 00:07:17.283
但記住，這些僅是少數的明星學生。

NOTE Paragraph

00:07:17.792 --> 00:07:21.190
顯然，這樣並不恰當，
這不是長久之計。

00:07:21.708 --> 00:07:23.893
沒有人應該冒著被開除的風險，

00:07:23.917 --> 00:07:26.067
去學習他們工作必要的技巧。

00:07:26.792 --> 00:07:29.068
但我們必須從這些人身上學習。

00:07:29.917 --> 00:07:32.517
他們為了學習而承擔高度風險。

00:07:32.816 --> 00:07:36.927
他們明白必須保護工作中
受挫與挑戰的機會，

00:07:37.167 --> 00:07:38.933
以推動他們自己去挑戰

00:07:38.933 --> 00:07:42.172
比他們的能力能解決的
更困難的問題。

00:07:42.458 --> 00:07:44.674
他們也確保會有一個專家在旁，

00:07:44.698 --> 00:07:48.112
提供建議跟收拾殘局，
以防他們搞砸了。

00:07:48.875 --> 00:07:52.623
讓我們設計
在導入每項人工智慧時

00:07:52.668 --> 00:07:55.878
加入學習機會及專家協助的組合。

NOTE Paragraph

00:07:56.375 --> 00:07:59.583
這裡有個清楚的案例，
我能在現實中找到。

00:08:00.125 --> 00:08:01.351
在機器人出現之前，

00:08:01.375 --> 00:08:06.677
如果你是個拆彈技術專家
面對簡易爆炸裝置時，你得走近它。

00:08:07.333 --> 00:08:09.476
一個資淺的警官在數百公尺外支援，

00:08:09.500 --> 00:08:11.303
他可以觀察並協助，

00:08:11.303 --> 00:08:14.250
直到你確定裝置是安全的
並邀請他們到近距離。


00:08:15.208 --> 00:08:19.101
現在你們肩並肩地坐在防彈車裡。

00:08:19.125 --> 00:08:20.934
你們一同觀看機器人傳來的影片資訊。

00:08:20.958 --> 00:08:25.118
資淺者控制著遠端機器人，
而你大聲引導著作業。

00:08:25.292 --> 00:08:28.320
受訓者的學習效果
比機器人出現之前更佳。

00:08:29.125 --> 00:08:33.058
我們可以按比例複製這樣的模式
到手術、新創公司、警政、

00:08:33.082 --> 00:08:35.707
投資銀行、線上教育，
以及更多產業。

00:08:36.375 --> 00:08:39.225
好消息是我們有新的工具去執行。

00:08:39.750 --> 00:08:43.672
網路跟雲端代表著我們不再需要
一對一的師徒制，

00:08:44.167 --> 00:08:48.845
他們不再需要去到同一個空間
甚至在不同的組織單位裡。

00:08:49.292 --> 00:08:52.333
我們可以打造人工智慧來協助。

00:08:53.167 --> 00:08:58.226
當學生困惑時教導他們，
當專家指導學生時協助專家，

00:08:58.250 --> 00:09:01.172
並以聰明的方式聯繫這兩群人。

NOTE Paragraph

00:09:03.375 --> 00:09:05.917
有人正在開發這樣的系統，

00:09:06.333 --> 00:09:09.125
但他們大多專注於正式的訓練。

00:09:09.458 --> 00:09:12.312
但更深的危機是工作做中學的部分。

00:09:12.417 --> 00:09:14.268
我們必須做得更好。

00:09:14.292 --> 00:09:17.825
今天所面臨的挑戰促使我們要更好地

00:09:17.825 --> 00:09:22.620
創造應用人工智慧無限潛能的工作，

00:09:23.042 --> 00:09:26.082
同時讓我們在工作時
也能加強我們的技能。

00:09:26.333 --> 00:09:29.083
這是我從孩提時代以來
一直有的夢想。

00:09:29.458 --> 00:09:31.625
現在就是創造它的時刻。

NOTE Paragraph

00:09:32.333 --> 00:09:33.559
謝謝大家。

NOTE Paragraph

00:09:33.583 --> 00:09:36.338
（掌聲）