如何學習與智慧型機器共事?
-
0:01 - 0:03凌晨六點半,
-
0:04 - 0:09克莉絲汀推著她的
前列腺病人進入手術室。 -
0:10 - 0:12她是住院醫師——
培訓中的外科醫師。 -
0:12 - 0:15學習是她的義務。
-
0:15 - 0:19今天她非常希望能參與
部分的雙側神經保留手術, -
0:19 - 0:23需要精湛的手術技巧,
讓病人保有勃起的功能。 -
0:24 - 0:27不過,這還要看主治醫師的意思,
而他還沒有到場。 -
0:28 - 0:30克莉絲汀和團隊給病人打了麻醉,
-
0:30 - 0:34她在病人的下腹部開了
第一道 8 英吋的切口。 -
0:35 - 0:39當她把切口夾好,
她請護理師打電話給主治醫師。 -
0:40 - 0:42主治醫師到場,穿上手術服,
-
0:42 - 0:48接著,他們的四隻手
就大都在病人體內, -
0:49 - 0:52在主治醫師的指導下,
由克莉絲汀操作。 -
0:53 - 0:55當病人的前列腺被取出後,
-
0:55 - 0:58(太好了!他讓她做了
部分神經保留手術。) -
0:58 - 0:59主治醫師脫掉了手術服,
-
0:59 - 1:01開始填寫資料。
-
1:01 - 1:06而克莉絲汀在八點十五分完成了手術,
-
1:07 - 1:09一位資淺的住院醫師在旁觀摩學習。
-
1:09 - 1:12她讓他為病人做最後的縫合。
-
1:13 - 1:16克莉絲汀感覺好極了!
-
1:16 - 1:18病人應該很快就會恢復,
-
1:18 - 1:22無疑地,比起做這個手術前,
她是一位更好的外科醫師。 -
1:22 - 1:25這是種極端的工作。
-
1:25 - 1:29但克莉絲汀邊做邊學的方式
和我們大多數人無異: -
1:30 - 1:32觀察專家如何操作,
-
1:32 - 1:35從簡單、安全的部分開始著手,
-
1:35 - 1:40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。 -
1:40 - 1:43我一直對這樣的學習過程感到著迷。
-
1:43 - 1:47我覺得這似乎是人類
之所以為人類的基本要素之一。 -
1:48 - 1:53人們為這過程賦予不同的名字:
學徒、訓練、師徒制、在職訓練。 -
1:54 - 1:57外科稱之為
「看一次、做一遍、教一位」, -
1:58 - 1:59但過程是一樣的,
-
1:59 - 2:03這也是數千年來,
全球在培養人才時運用的方式。 -
2:04 - 2:09現在我們應用人工智慧的方式
阻礙了這條學習路徑。 -
2:10 - 2:13為了更高的生產率,
我們犧牲了在工作中學習的機會。 -
2:13 - 2:16我最初在麻省理工學院的手術
發現了這一個現象, -
2:16 - 2:19但現在,我發現這個情況隨處可見,
-
2:19 - 2:22遍佈各行各業,
應用著各種人工智慧的技術。 -
2:23 - 2:26如果我們對此不做出改變,
-
2:26 - 2:32在我們學著面對人工智慧技術時,
成千上萬的人將受挫。 -
2:33 - 2:35讓我們回到外科手術作為例子,
-
2:36 - 2:38時間快轉六個月,
-
2:38 - 2:43同樣是凌晨六點半,克莉絲汀推著
另一位前列腺病人進來, -
2:43 - 2:47但這一次,病人被推到機器人手術室,
-
2:48 - 2:50由主治醫師主導著
把一個有著四支手臂、 -
2:50 - 2:52重一千磅的機器人,
連接到病人身上。 -
2:53 - 2:55他們都脫下了手術服,
-
2:55 - 2:58來到 10 ~ 15 英尺外的控制台,
-
2:59 - 3:03而克莉絲汀只能旁觀。
-
3:04 - 3:07在機器人的幫助下,
主治醫師一個人便可完成手術, -
3:07 - 3:09他基本上也這麼做,
-
3:10 - 3:12他知道克莉絲汀需要練習,
-
3:12 - 3:14他也希望可以讓她主導,
-
3:14 - 3:18但是他同樣清楚她會比較慢,
可能會有失誤, -
3:18 - 3:19而他的病人第一。
-
3:20 - 3:25在這次手術中,克莉絲汀
沒有任何機會接近那些神經, -
3:25 - 3:30在長達四小時的手術中,
若她能操作十五分鐘就算幸運了。 -
3:30 - 3:33她知道一旦她有失誤,
-
3:33 - 3:37他只要輕敲螢幕,
她又回到旁觀的角色, -
3:37 - 3:40感覺像個戴笨蛋高帽的
孩子在角落裡罰站。 -
3:42 - 3:44就像這八年來我所做的
有關機器人與工作的研究, -
3:44 - 3:47我以一個重要且有爭議的問題開始:
-
3:47 - 3:50我們如何學習與智慧型機器共事呢?
-
3:51 - 3:54為了找出答案,
我花了兩年半的時間 -
3:54 - 3:59觀察數十位做傳統與機器人手術的
住院醫師和外科醫師, -
3:59 - 4:00訪問他們,
-
4:00 - 4:04基本上,當他們在學習的時候,
我和他們混在一起。 -
4:04 - 4:08我涵蓋了十八所美國頂尖的教學醫院,
-
4:08 - 4:09故事都是相同的。
-
4:10 - 4:12絕大多數的住院醫師的
處境跟克莉斯汀一樣。 -
4:13 - 4:15他們有很多「看一次」的機會,
-
4:16 - 4:18但「做一遍」的機會少之又少。
-
4:18 - 4:21他們沒有機會受挫,
也沒能進一步學習。 -
4:21 - 4:26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。 -
4:26 - 4:29哪些產業也在運用人工智慧時,
阻礙了做中學呢? -
4:30 - 4:35為了找出答案,我聯繫了一群
小而成長中的年輕研究者, -
4:35 - 4:38他們腳踏實地研究過人工智慧
-
4:38 - 4:41在不同的領域的運用,
包括:新創、警政、 -
4:41 - 4:44投資銀行和線上教育。
-
4:44 - 4:48像我一樣,他們花了至少一年,
以及數百個小時 -
4:48 - 4:54觀察、訪問,並經常和他們
研究的對象肩並肩一起工作。 -
4:54 - 4:57我們分享了數據,而我觀察模式。
-
4:58 - 5:03不論是哪種產業、工作、人工智慧,
故事都是相同的。 -
5:04 - 5:08所有組織都非常努力地
運用人工智慧以得到更好的成果, -
5:08 - 5:12在這過程中,他們剝奪了
學徒習做專家工作的機會。 -
5:12 - 5:16新創公司的經理人
外包他們的客服窗口。 -
5:16 - 5:20警察在沒有專家的協助下,
學著做犯罪預測。 -
5:21 - 5:24資淺的銀行家無法
接觸到複雜的分析, -
5:24 - 5:28而教授得在沒有幫助的狀況下
打造線上課程。 -
5:29 - 5:32所有這些帶來的影響
跟手術的情形是一樣的。 -
5:32 - 5:36做中學變得越來越困難。
-
5:37 - 5:39這情況不能繼續下去。
-
5:40 - 5:41麥肯錫顧問公司估計:
-
5:41 - 5:44大約有五~十億人在 2030 年以前,
-
5:44 - 5:48必須將人工智慧應用在日常工作中。
-
5:49 - 5:53我們以為當我們在做的時候,
會有在職訓練。 -
5:54 - 5:55埃森哲顧問公司最新的工作調查顯示:
-
5:55 - 6:00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。 -
6:01 - 6:05當我們高談闊論人工智慧
對未來的潛在衝擊, -
6:05 - 6:08此時此刻,人工智慧
對我們最重要的影響是 -
6:09 - 6:12我們應用人工智慧的方式,
阻礙了人們邊做邊學的機會。 -
6:12 - 6:14而那是我們最需要學習的時候。
-
6:15 - 6:22在我們的研究對象中,
有一小群人找到一種學習方式。 -
6:24 - 6:27他們透過打破常規來學習。
-
6:27 - 6:32被准許的作法不可行,
所以他們改變了遊戲規則, -
6:32 - 6:34才得以與專家一同實際操作。
-
6:34 - 6:39我看到的是,住院醫師
在醫學院裡為了參與機器人手術, -
6:39 - 6:43犧牲了上全科醫師的課為代價,
-
6:44 - 6:50他們多花了數百個小時
使用模擬器與看手術錄影來學習。 -
6:50 - 6:53那是他們本來應當
在手術室裡學習的。 -
6:53 - 6:55或許更重要的,
-
6:55 - 7:01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。 -
7:02 - 7:06我稱之為「在陰影中學習」
因為這違反了規則, -
7:06 - 7:09學生得要偷偷摸摸地學習。
-
7:10 - 7:14大家對此睜一隻眼閉一隻眼,
因為這樣的確有效。 -
7:14 - 7:17但記住,這些僅是少數的明星學生。
-
7:18 - 7:21顯然,這樣並不恰當,
這不是長久之計。 -
7:22 - 7:24沒有人應該冒著被開除的風險,
-
7:24 - 7:26去學習他們工作必要的技巧。
-
7:27 - 7:29但我們必須從這些人身上學習。
-
7:30 - 7:33他們為了學習而承擔高度風險。
-
7:33 - 7:37他們明白必須保護工作中
受挫與挑戰的機會, -
7:37 - 7:39以推動他們自己去挑戰
-
7:39 - 7:42比他們的能力能解決的
更困難的問題。 -
7:42 - 7:45他們也確保會有一個專家在旁,
-
7:45 - 7:48提供建議跟收拾殘局,
以防他們搞砸了。 -
7:49 - 7:53讓我們設計
在導入每項人工智慧時 -
7:53 - 7:56加入學習機會及專家協助的組合。
-
7:56 - 8:00這裡有個清楚的案例,
我能在現實中找到。 -
8:00 - 8:01在機器人出現之前,
-
8:01 - 8:07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。 -
8:07 - 8:09一個資淺的警官在數百公尺外支援,
-
8:10 - 8:11他可以觀察並協助,
-
8:11 - 8:14直到你確定裝置是安全的
並邀請他們到近距離。 -
8:15 - 8:19現在你們肩並肩地坐在防彈車裡。
-
8:19 - 8:21你們一同觀看機器人傳來的影片資訊。
-
8:21 - 8:25資淺者控制著遠端機器人,
而你大聲引導著作業。 -
8:25 - 8:28受訓者的學習效果
比機器人出現之前更佳。 -
8:29 - 8:33我們可以按比例複製這樣的模式
到手術、新創公司、警政、 -
8:33 - 8:36投資銀行、線上教育,
以及更多產業。 -
8:36 - 8:39好消息是我們有新的工具去執行。
-
8:40 - 8:44網路跟雲端代表著我們不再需要
一對一的師徒制, -
8:44 - 8:49他們不再需要去到同一個空間
甚至在不同的組織單位裡。 -
8:49 - 8:52我們可以打造人工智慧來協助。
-
8:53 - 8:58當學生困惑時教導他們,
當專家指導學生時協助專家, -
8:58 - 9:01並以聰明的方式聯繫這兩群人。
-
9:03 - 9:06有人正在開發這樣的系統,
-
9:06 - 9:09但他們大多專注於正式的訓練。
-
9:09 - 9:12但更深的危機是工作做中學的部分。
-
9:12 - 9:14我們必須做得更好。
-
9:14 - 9:18今天所面臨的挑戰促使我們要更好地
-
9:18 - 9:23創造應用人工智慧無限潛能的工作,
-
9:23 - 9:26同時讓我們在工作時
也能加強我們的技能。 -
9:26 - 9:29這是我從孩提時代以來
一直有的夢想。 -
9:29 - 9:32現在就是創造它的時刻。
-
9:32 - 9:34謝謝大家。
-
9:34 - 9:36(掌聲)
- Title:
- 如何學習與智慧型機器共事?
- Speaker:
- 麥特·比恩
- Description:
-
數千年來,全球學習技能的途徑都是一樣的。那就是在專家的訓練之下,我們從小而簡單的工作開始,然後進階到風險更高、更困難的工作。但現在我們應用人工智慧的方式,阻擋了這條學習的途徑——犧牲了學習機會來達到更多生產力,組織人類學家麥特·比恩這麼說。我們可以做什麼呢?比恩分享了一個願景——將翻轉現況。一個由智慧型機器輔助的對應導師制,在將人工智慧潛能的發揮到極致之際,同時也加強我們的工作技能。
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 09:50
Helen Chang edited Chinese, Traditional subtitles for How do we learn to work with intelligent machines? | ||
Helen Chang approved Chinese, Traditional subtitles for How do we learn to work with intelligent machines? | ||
Helen Chang edited Chinese, Traditional subtitles for How do we learn to work with intelligent machines? | ||
Melody Tang accepted Chinese, Traditional subtitles for How do we learn to work with intelligent machines? | ||
Melody Tang edited Chinese, Traditional subtitles for How do we learn to work with intelligent machines? | ||
Melody Tang edited Chinese, Traditional subtitles for How do we learn to work with intelligent machines? | ||
Melody Tang edited Chinese, Traditional subtitles for How do we learn to work with intelligent machines? | ||
Melody Tang edited Chinese, Traditional subtitles for How do we learn to work with intelligent machines? |