如何學習與智慧型機器共事？

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。

凌晨六點半，

克莉絲汀推著她的
前列腺病人進入手術室。

她是住院醫師——
培訓中的外科醫師。

學習是她的義務。

今天她非常希望能參與
部分的雙側神經保留手術，

需要精湛的手術技巧，
讓病人保有勃起的功能。

不過，這還要看主治醫師的意思，
而他還沒有到場。

克莉絲汀和團隊給病人打了麻醉，

她在病人的下腹部開了
第一道 8 英吋的切口。

當她把切口夾好，
她請護理師打電話給主治醫師。

主治醫師到場，穿上手術服，

接著，他們的四隻手
就大都在病人體內，

在主治醫師的指導下，
由克莉絲汀操作。

當病人的前列腺被取出後，

（太好了！他讓她做了
部分神經保留手術。）

主治醫師脫掉了手術服，

開始填寫資料。

而克莉絲汀在八點十五分完成了手術，

一位資淺的住院醫師在旁觀摩學習。

她讓他為病人做最後的縫合。

克莉絲汀感覺好極了！

病人應該很快就會恢復，

無疑地，比起做這個手術前，
她是一位更好的外科醫師。

這是種極端的工作。

但克莉絲汀邊做邊學的方式
和我們大多數人無異：

觀察專家如何操作，

從簡單、安全的部分開始著手，

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。

我一直對這樣的學習過程感到著迷。

我覺得這似乎是人類
之所以為人類的基本要素之一。

人們為這過程賦予不同的名字：
學徒、訓練、師徒制、在職訓練。

外科稱之為
「看一次、做一遍、教一位」，

但過程是一樣的，

這也是數千年來，
全球在培養人才時運用的方式。

現在我們應用人工智慧的方式
阻礙了這條學習路徑。

為了更高的生產率，
我們犧牲了在工作中學習的機會。

我最初在麻省理工學院的手術
發現了這一個現象，

但現在，我發現這個情況隨處可見，

遍佈各行各業，
應用著各種人工智慧的技術。

如果我們對此不做出改變，

在我們學著面對人工智慧技術時，
成千上萬的人將受挫。

讓我們回到外科手術作為例子，

時間快轉六個月，

同樣是凌晨六點半，克莉絲汀推著
另一位前列腺病人進來，

但這一次，病人被推到機器人手術室，

由主治醫師主導著
把一個有著四支手臂、

重一千磅的機器人，
連接到病人身上。

他們都脫下了手術服，

來到 10 ~ 15 英尺外的控制台，

而克莉絲汀只能旁觀。

在機器人的幫助下，
主治醫師一個人便可完成手術，

他基本上也這麼做，

他知道克莉絲汀需要練習，

他也希望可以讓她主導，

但是他同樣清楚她會比較慢，
可能會有失誤，

而他的病人第一。

在這次手術中，克莉絲汀
沒有任何機會接近那些神經，

在長達四小時的手術中，
若她能操作十五分鐘就算幸運了。

她知道一旦她有失誤，

他只要輕敲螢幕，
她又回到旁觀的角色，

感覺像個戴笨蛋高帽的
孩子在角落裡罰站。

就像這八年來我所做的
有關機器人與工作的研究，

我以一個重要且有爭議的問題開始：

我們如何學習與智慧型機器共事呢？

為了找出答案，
我花了兩年半的時間

觀察數十位做傳統與機器人手術的
住院醫師和外科醫師，

訪問他們，

基本上，當他們在學習的時候，
我和他們混在一起。

我涵蓋了十八所美國頂尖的教學醫院，

故事都是相同的。

絕大多數的住院醫師的
處境跟克莉斯汀一樣。

他們有很多「看一次」的機會，

但「做一遍」的機會少之又少。

他們沒有機會受挫，
也沒能進一步學習。

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。

哪些產業也在運用人工智慧時，
阻礙了做中學呢？

為了找出答案，我聯繫了一群
小而成長中的年輕研究者，

他們腳踏實地研究過人工智慧

在不同的領域的運用，
包括：新創、警政、

投資銀行和線上教育。

像我一樣，他們花了至少一年，
以及數百個小時

觀察、訪問，並經常和他們
研究的對象肩並肩一起工作。

我們分享了數據，而我觀察模式。

不論是哪種產業、工作、人工智慧，
故事都是相同的。

所有組織都非常努力地
運用人工智慧以得到更好的成果，

在這過程中，他們剝奪了
學徒習做專家工作的機會。

新創公司的經理人
外包他們的客服窗口。

警察在沒有專家的協助下，
學著做犯罪預測。

資淺的銀行家無法
接觸到複雜的分析，

而教授得在沒有幫助的狀況下
打造線上課程。

所有這些帶來的影響
跟手術的情形是一樣的。

做中學變得越來越困難。

這情況不能繼續下去。

麥肯錫顧問公司估計：

大約有五～十億人在 2030 年以前，

必須將人工智慧應用在日常工作中。

我們以為當我們在做的時候，
會有在職訓練。

埃森哲顧問公司最新的工作調查顯示：

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。

當我們高談闊論人工智慧
對未來的潛在衝擊，

此時此刻，人工智慧
對我們最重要的影響是

我們應用人工智慧的方式，
阻礙了人們邊做邊學的機會。

而那是我們最需要學習的時候。

在我們的研究對象中，
有一小群人找到一種學習方式。

他們透過打破常規來學習。

被准許的作法不可行，
所以他們改變了遊戲規則，

才得以與專家一同實際操作。

我看到的是，住院醫師
在醫學院裡為了參與機器人手術，

犧牲了上全科醫師的課為代價，

他們多花了數百個小時
使用模擬器與看手術錄影來學習。

那是他們本來應當
在手術室裡學習的。

或許更重要的，

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。

我稱之為「在陰影中學習」
因為這違反了規則，

學生得要偷偷摸摸地學習。

大家對此睜一隻眼閉一隻眼，
因為這樣的確有效。

但記住，這些僅是少數的明星學生。

顯然，這樣並不恰當，
這不是長久之計。

沒有人應該冒著被開除的風險，

去學習他們工作必要的技巧。

但我們必須從這些人身上學習。

他們為了學習而承擔高度風險。

他們明白必須保護工作中
受挫與挑戰的機會，

以推動他們自己去挑戰

比他們的能力能解決的
更困難的問題。

他們也確保會有一個專家在旁，

提供建議跟收拾殘局，
以防他們搞砸了。

讓我們設計
在導入每項人工智慧時

加入學習機會及專家協助的組合。

這裡有個清楚的案例，
我能在現實中找到。

在機器人出現之前，

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。

一個資淺的警官在數百公尺外支援，

他可以觀察並協助，

直到你確定裝置是安全的
並邀請他們到近距離。

現在你們肩並肩地坐在防彈車裡。

你們一同觀看機器人傳來的影片資訊。

資淺者控制著遠端機器人，
而你大聲引導著作業。

受訓者的學習效果
比機器人出現之前更佳。

我們可以按比例複製這樣的模式
到手術、新創公司、警政、

投資銀行、線上教育，
以及更多產業。

好消息是我們有新的工具去執行。

網路跟雲端代表著我們不再需要
一對一的師徒制，

他們不再需要去到同一個空間
甚至在不同的組織單位裡。

我們可以打造人工智慧來協助。

當學生困惑時教導他們，
當專家指導學生時協助專家，

並以聰明的方式聯繫這兩群人。

有人正在開發這樣的系統，

但他們大多專注於正式的訓練。

但更深的危機是工作做中學的部分。

我們必須做得更好。

今天所面臨的挑戰促使我們要更好地

創造應用人工智慧無限潛能的工作，

同時讓我們在工作時
也能加強我們的技能。

這是我從孩提時代以來
一直有的夢想。

現在就是創造它的時刻。

謝謝大家。

（掌聲）