隱藏的行為塑造未來的7種無形力量目錄\h第一章行為何以成為新的全球貨幣\h剃須刀片\h我們何以成了“刀片”\h行為技術的誕生\h第二章預言機器：為何不能沿用老辦法解決新問題\h你的數字自我\h文化再現\h鐘與云\h可拆解的鐘類問題\h無解的云類問題\h第三章大膽曝光：人們如何愛上公開隱私\h可接受的未來\h窺探的眼睛\h我什么也沒做錯\h誰在監視誰\h第四章將來完成時：與車對話\h未來觸手可及\h駛入公路\h電梯司機\h智能行為\h通往自主之路\h6分鐘的恐慌\h未來的基石\h信任的基石\h廣泛分布式的未來\h第五章摩擦和工業時代的終結：行為如何重塑企業\h數字生態圈\h數字變革\h摩擦的終結\h被過去所挾持\h模糊的商業界限\h掌握生態圈的觸點\h圍墻花園\h助力經濟發展的生態圈燃料\h第六章超個性化：為百億人打造未來\h我的可樂\h數字化的作用\h你并非自己所想的那樣\h個性化代言人\h機器人\h犯錯的狗\h第七章忠誠品牌：大眾化營銷的終結\h扭轉品牌危機\h駕駛行為\h有個性的汽車\h第八章數字窘境：保衛未來\h虛擬貨幣關聯\h你是否知道自己是誰\h機器人規則\h新武器競賽\h沒有終點線第一章

行為何以成為新的全球貨幣“人已成為其工具之工具。”——亨利·戴維·梭羅（HenryDavidThoreau）理解行為是21世紀的制勝法寶。鑒于此，本書開篇第一章將探討企業如何利用“你”——即將迅速成為21世紀最有價值、最令人垂涎的商品——來解析人們的行為。人們在數字世界和實體世界中的行為，正以空前的速度被記錄、存儲在巨型倉庫中并進行分析，這些巨型倉庫儼然已成為數字金礦。人們的行為記錄像商品一樣被買入，最后被賣給出價最高者，其目的不僅是要搞懂你，而且是要推測你的行為。為了能享受全天候提供知識信息、網絡連接、輕松消費和超個性化體驗的產品、服務和應用，人們正逐漸放棄自己的個性和最私密的時刻，這猶如一場看不見的交易。在這個過程中，行為逐漸成為算法驅動下的新型資本、商業模式和科技基石，算法工具能夠從人們瀏覽網頁、購物、健身、飲食及駕駛等習慣中找出隱藏的深層次規律。突然間，每個人都有了一個數字自我，它是人們個性化行為的數字合集。你無法給數字自我下定義，至少無法有意為之，因為你尚且不是其所有者，也沒有接觸的途徑。但在諸多方面，它基于你每時每刻的生活方式，充分地體現了你最真實的一面：一個脫離了肉體、絲毫不情緒化且一貫坦誠的你。從表面上看，這似乎是一樁非常不劃算的交易，一樁為了某些尚不明確的好處而暴露自己的交易。然而，人們依然心甘情愿地放棄那些信息，有時甚至有意為之，不過多數時候還是在不知不覺中放棄的。60%的美國人都有Gmail（谷歌的免費郵箱服務）賬號，不過在這60%的人中，會把自己過去一年來郵箱的使用情況告訴街邊的陌生人，說“這些是我最隱私的想法和通信記錄，給你看”的人，可能連6%都不到。但其實谷歌通過郵箱獲得這些人的數據幾乎沒有任何成本，是你拿自己的行為作為貨幣換取其服務。不妨想想，你每天瀏覽的網站、使用的智能手機及應用、家中的傳感器、電子設備、你開的車，甚至當你的目光掃過雜貨店貨架時眼球的運動，從以上種種細節中，每天能捕捉到超過250條關于你的生活和行為的數據。\h[1]截至2020年，地球上平均每人每秒將產生約1.7兆字節（Megabyte，MB）的新信息。\h[2]令人驚訝的是，當今世界上90%的信息都是在過去短短兩年的時間內產生的。這些信息的來源無處不在：用于收集購物行為的傳感器、上傳到社交媒體網站的信息、數字圖片和影像、購物交易、手機定位信息及GPS（全球定位系統）信息等。2010年，德國政治家馬爾特·施皮茨（MalteSpitz）想了解德國電信公司（DeutscheTelekom）對其手機使用情況的掌握程度，于是提出上訴，要求后者提供其個人手機使用記錄。為了大膽揭示信息的詳盡程度，施皮茨向《時代在線》（ZeitOnline）提供了六個月的歷史記錄，后者根據施皮茨的通話、短信、社交網絡及網頁瀏覽等信息，繪制了其在此期間的詳細出行地圖。\h[3]施皮茨的信息包含超過30萬個數據點，相當于平均每天有約2000個數據點，而且這僅來自他個人的手機及公開的歷史瀏覽記錄信息。這些數據究竟有多大價值？預估結果相去甚遠，每個人的信息價格是1~12美元不等。\h[4]這聽起來似乎不算什么，無非相當于一個小份比薩的價錢，甚至在紐約，估計只夠買一塊比薩。這就像那個由來已久的游戲：根據身體的化學元素構成來估計人的價值，結果約為4.5美元。\h[5]恐怕多數人都不會接受，這樣一個數字怎么能代表具有意識和生產力的人類的準確價值呢？對數字自我而言也是同樣的道理。雖然獲得一個人的數字自我的數據或許僅需12美元，但就獲得這些數據的公司而言，其價值至少是這個價格的20倍，具體取決于這些公司自身的價值。有一個更為直觀的衡量方法就是，將各大社交媒體公司的市值分攤到每個用戶身上。如圖1.1所示，單位用戶帶來的平均市值不低于100美元。一兩百美元看似不多，但獲得的“你”的信息將會不斷增值，目前還沒人能計算出結果。圖1.1數字自我的價值圖1.1說明：目前行為商業尚在起步階段，要弄清楚數字行為的價值非常困難。不過大致可以根據主要的社交媒體公司的市值，以及每個公司擁有的用戶數量來衡量。如圖所示，結果從50~200美元不等。同時，你的數字自我包含的信息，要比這些社交媒體平臺掌握的信息多得多。不過這個數值可以當作一個最低參考值。被捕捉行為和掌握數字自我的范圍并不僅限于人類。在我們設想的未來，自動駕駛汽車、智能設備和具備學習能力的機器，都將擁有數字自我（我們也稱其為“數字孿生體”）。有了人工智能的支持，汽車將能夠進行決策并采取行動，從而形成其自身的行為記錄。如今，每輛新車每小時能產生4太字節（Terabyte，TB。1TB約為1000GB或100萬MB）的數據。\h[6]本書第四章將介紹，將來這些車會成為自己的主人，并自行完成維護、投保、購買和銷售等行為。這雖然很難理解，但所有必需的構成元素以及本書所述的一切技術都已準備就緒。只要觀察一下牙牙學語的孩子與科技的互動就會明白，行為已逐漸成為人們互動中一個普遍期待的環節。我們都見過還穿著紙尿褲的幼兒翻書的情景，他們會因為平板電腦或智能手機沒有回應自己的行為而感到疑惑、沮喪。在他們眼中，世界應該像人類一樣表現出行為和智慧，而雜志就像是一臺有瑕疵的iPad（蘋果平板電腦），如果它沒有及時響應，那一定是壞了。不過先別想得太遠，我們不妨岔開話題，問問自己，我們為什么會變成產品？剃須刀片1895年，金·吉列（KingGillette）萌生了一個非常聰明的想法：把他那昂貴、笨重、需要高昂維修費的直刃剃須刀，替換為價格實惠得多并且方便普通人使用的工具。他想到用一次性剃須刀片，然而這個想法并未很快獲得成功。直到后來他拿下了為美國陸軍提供剃須刀和刀片的合同，事情才開始有所好轉。士兵回家的時候一定會帶上吉列剃須刀和不少刀片。關于金·吉列成功的故事，還有不同的版本。其中一個版本是這樣的：吉列最初免費贈送剃須刀片，希望借此銷售更多的剃須刀（剃須手柄）。很快吉列意識到應該反過來才對，一旦人們買了吉列剃須刀，他的刀片不就成了不可或缺的商品了嗎？這就是“放棄剃須刀，刀片才是搖錢樹”的“剃須刀與刀片”營銷模式（razors-and-bladesmodel），接受過大學基礎商業課程或營銷課程的人對這一模式應該都不陌生。還有另一個版本則給出了更貼近實際，也更為復雜的解釋。為使其剃須刀和刀片在競爭中長期保持優勢地位，吉列申請了專利，希望用戶產生非比尋常的品牌忠誠度，認為只有吉列的刀片才能搭配它的剃須刀使用，從而讓吉列能夠以優勢品牌進行價格定位，并在未來的100年成為市場領跑者。不論吉列究竟采用了何種策略，諸多公司及行業都采用了“剃須刀與刀片”的標準商業模式。其中不乏人們熟知的索尼公司的Walkman（個人隨身音樂播放器）與盒式磁帶、PlayStation（家用電視游戲機）與游戲卡帶、噴墨式打印機與墨盒、iPhone（蘋果智能手機）與手機應用程序等。2016年，蘋果公司iPhone的總銷售額約為2000億美元，而應用商店里應用程序的銷售額竟達到了近300億美元。\h[7]就蘋果公司的情況而言，“剃須刀”（iPhone）的整體銷售額更高，但可以看出“刀片”（應用程序和服務）的實際利潤正在逐步逼近，最終很可能會成為蘋果公司最大的利潤來源，因為這部分收入主要來自第三方應用程序開發商，蘋果公司無須任何花費就能獲得30%的版稅收入。到20世紀90年代末，當互聯網首次進入主流社會時，“剃須刀與刀片”模式發生了非同尋常的變化。如果把互聯網看作“剃須刀”，那么其潛力之一就是讓軟件應用程序發揮“刀片”的作用，并且實現遠遠大于實體刀片的規模。互聯網的目的是成為人人都能免費使用的平臺，至少擁有硬件設備的人都能使用。這有別于“剃須刀與刀片”模式的根基——所有權經濟學（ownershipeconomics），因為沒有哪家公司能夠獨享其帶來的福利，不過這一點很快就會改變。我們何以成了“刀片”20世紀90年代出現了一種新型軟件。隨著互聯網應用的普及，與互聯網相關的需求不斷增長，各種免費應用程序層出不窮，能夠滿足人們的各類需求，從購書到出售二手鞋，一類被稱為互聯網公司（dot-com）的群體很快宣布對這一新領域的所有權。互聯網公司的理念廣泛傳播，甚至威脅到了眾多中間商（包括實體店、汽車經銷商、出版商、影音租借店等）或功能類似中間商的其他行業參與者的生存。在炒作與投機中誕生的互聯網泡沫最終于2000年破裂，股市市值瞬間蒸發了近5萬億美元。顯然，互聯網現象具備所有投機泡沫的特點，但這并非導致其失敗的唯一原因。即便沒有投機性投資活動，互聯網模式依然存在缺陷。真正摧毀互聯網公司的是所謂的“賺眼球”（capturingeyeballs）現象。互聯網公司的潛在價值取決于登錄其網站的人數，而問題在于，利用“眼球”變現并非易事。一方面是因為通過互聯網進行購銷活動的電子商務仍處在發展初期，摩擦在所難免；另一方面，也是更主要的原因，“眼球”的實際價值尚不明確。互聯網公司曾試圖放棄“剃須刀”，但沒弄清楚“刀片”是什么。不過，在互聯網泡沫中也有為數不多順勢成功發展的公司，如亞馬遜、谷歌、臉書等。這類公司在業務的長期價值方面都有一個共同特點，即它們能夠改變創造價值的方式。這些公司并未企圖通過贏得大量客戶的“眼球”，以及那些根據個人需求使用應用程序的人來賺取利潤，而是把客戶變成了產品。這種觀點很有創意，也很簡單。人成了“刀片”！對用戶的行為了解越多，就越能更好地定位廣告、產品，提升其他產品和服務的銷售，有時甚至連用戶自己都不知道這正是他們想要的。這說明人們對市場的看法有了翻天覆地的變化。200年來，人們一直在玩猜謎游戲，企圖通過開展團體深度訪談、進行粗略人口統計、掌握季節趨勢等可見指標預測大眾需求，從而幫助我們認識、分析廣闊的市場，以期破解隱藏的市場驅動力。如今，我們即將進入一個全新的時代，產品、服務、娛樂，甚至政治選舉都能根據個人偏好來設定。這是我們第七章將要討論的超個性化，即通過某個人的線上及線下行為，剖析連他自己都無法理解的個人特征。但不要把它與個性化混為一談，個性化是指對普通營銷活動的提升，或在產品上增加個人姓名等細微的變化。但從根本上看，這些變化并未催生全新的模式。20世紀媒體帝國的誕生，源于向廣告商銷售獲取各類消費群體市場的渠道。20世紀初期，世界上最富有的人既不是石油大亨也不是鋼鐵巨頭，而是威廉·赫斯特（WilliamHearst）。他利用遍及美國各大城市的30份報紙，在鼎盛時期建立了世界上最大的廣告帝國。大眾媒體采用的人口統計學基礎是群體而非個體。尼爾森電視收視率能告訴你，年齡在30~50歲、家庭年收入為5萬~6萬美元、開皮卡車的男性中，有多少人在觀看超級碗（SuperBowl）比賽，但它無法告訴你“我”是否在觀看，以及“我”為什么會看超級碗。現代社會，大眾媒體采用的人口統計方法逐漸被大數據（BigData）取代。但大數據并不了解你，它只是把你放入一個具有相似行為的數據庫中。有了大數據，雜貨店能夠獲悉年齡在20~30歲的男性，在周六下午經過雜貨店時經常會購買啤酒和尿布，但大數據無法告訴你在這些男性中，哪些人一邊觀看ESPN（娛樂與體育節目電視網）的足球比賽，一邊通過谷歌搜索撫慰哭鬧新生兒的方法。通過本書我們會明白，從了解市場到了解個人的轉變是最深刻的變化之一，它將決定未來的價值是如何創造的。因此，一場獲取地球上每個人信息的競賽已經開始。然而，有一個很重要的問題是，你的數字自我（再次說明，指定義你行為的數字合集）是完全不成體系的信息，沒有所有者來賦予其意義。眾多的應用程序、平臺、設備及地點都想最大限度地捕捉你的信息，而你的數字行為就分散在這樣一個巨大的生態圈中。亞馬遜知道你通過其平臺購買的商品；谷歌知道你使用其搜索引擎搜索了哪些信息；通用汽車公司知道你如何使用OnStar（安吉星）系統駕駛汽車；塔吉特（Target）公司知道你在哪個商品過道或區域花的時間最長、消費最多；只要你通過Travelocity（在線旅游服務公司）訂票，它就知道你的旅行目的地和選擇的交通工具；如果你使用iPhone，蘋果公司就會知道你的步行距離和睡眠質量；臉書根據你發布的內容就能知道你養的寵物、喜歡的食物以及你的心情；如果你用過Roomba（掃地機器人）吸塵器，iRobot（機器人制造商）就會知道你會如何布置家具。你成千上萬的不經意之舉，那些你以為只有自己可見的行為，突然間被諸多你根本沒有聽說過的公司追蹤和交易。突然之間，包括亞馬遜、Netflix（網飛）、Spotify（聲田）在內的網絡公司開始根據你的購買或搜索記錄為你推薦商品。這個功能有時確實很實用，但大多數時候都令人哭笑不得。例如，誰會在日食發生的兩個星期之后再買一副觀看日食的眼鏡？接下來出現了新的變化。各種基于人們的電子郵件對話、谷歌搜索記錄及網頁瀏覽習慣的廣告，開始出現在人們使用的瀏覽器上。然而奇怪的是，出現在某網頁上的廣告跟網頁的內容幾乎沒有必然的聯系。如果你曾在家得寶（HomeDepot）網站上搜索擋風門的價格，你可能會在寵物網站上看到有關擋風門的廣告。起初這一切看似巧合，但接連出現就顯得老套而詭異，而且還會愈演愈烈。2008—2009年，臉書等公司開始追蹤其用戶在其他網站上的行為。換句話說，即便你不登錄臉書網站，它也能追蹤到你的行為。這就是臉書早期推出的“燈塔”（Beacon）項目，但該項目最終遭到集體訴訟，臉書不得不終止它，并且CEO馬克·扎克伯格（MarkZuckerberg）為此發表了公開道歉。\h[8]開發這項功能，我們犯了許多錯誤，在解決問題時還犯了更多錯誤。我們推出的這項功能表現很差，我為此道歉……我們沒能迅速采取行動，花了太多時間來決定正確的解決方式。雖然最終問題得到了解決，但我并不滿意，因為我們本應該做得更好。但另一個項目沒有終止。當時臉書正在開發Connect（連接）服務，開發完成后很快就發布了。Connect是一個單點登錄的應用程序平臺，第三方可借助這一平臺讓其用戶使用臉書憑證登錄。Connect獲得了成功，主要是因為它為不喜歡記憶各種用戶名和密碼的人提供了另一種登錄途徑，那就是用臉書憑證登錄。然而，用戶在享受這些便利的同時，通過Connect也分享了自己在眾多應用程序上的行為數據。這樣做的遠不止臉書一家。Quantcast（數字廣告公司）、Acxiom（安客城）、Corelogic（房地產數據分析公司）、Datalogix（廣告分析公司）、eBureau（科技創業公司）、IDAnalytics（身份和信用數據分析公司）、Intelius（信息商業公司）、PeekYou（社會化找人服務搜索引擎）、Rapleaf（網絡追蹤公司）和RecordedFuture（威脅情報公司）等大眾熟知的數據經紀公司，大多已經開始利用線上及線下渠道收集大量個人數據，它們已經開始利用cookies（儲存在用戶本地終端上的數據）將這些數據關聯到每個人。美國聯邦貿易委員會（FTC）的一項調查表明，高達220個關于你的數據點通過這些公司關聯到你個人。這些數據涵蓋了你的住址、位置等基本信息，還包括你的社會安全號碼（SSN）、駕照號碼、使用社交媒體的習慣，以及你正在服用的非處方藥。\h[9]是不是感到毛骨悚然？想想看，收集這些數據是多么容易。基于本書的一項調查，目前全球有34億人使用智能手機，其中80%的人不論是白天還是夜晚，始終把智能手機放在距離自己不到三步的范圍內。汽車、住房甚至連睡覺的床都配備了傳感器。突然間人們所有的行為在不知不覺中就變得一覽無余。不論你是否喜歡，這就是新常態：人們的隱身斗篷已不復存在。市場營銷的目標不再是剖析細分市場，而是剖析你。人們隱藏的行為用于為擁有這些數據的公司創造利益，這一切仿佛“奧威爾式”（Orwellian）\h[10]的不祥之兆，并非只有你一人感覺如此。當我們剛開始寫作本書時，一位同事建議用“黑暗數字”（DarkDigital）作為書名，意指光鮮的外表下暗藏邪惡，公司正逐漸變成“老大哥”，而我們應該揭露（或者更準確地說是曝光）這一切。人們對隱私暴露的影響絕不陌生，討論這個問題以及如何才能更好地保護數字自我將花費大量時間。但本書關注的重點不僅在于人們的行為如何被用于對付人類自身，還在于這些數據將如何為人們的生活、商業和社會創造重要價值。我們知道，人工智能的出現給人們隱藏的行為帶來了嚴重威脅。但其實隨著歷史進程的推進，人們的行為本就在逐漸變得透明。其原因并非某個實體暗中為自己謀私利，而是更大的透明度能惠及整個社會。行為技術的誕生GPS是迄今為止最早投入使用同時也是使用最廣泛的行為追蹤技術。該系統自1978年起一直為美國軍隊所用，如今它能借助24顆衛星準確定位裝有GPS的物體。發明該系統的是美國海軍研究物理學家羅杰·伊斯頓（RogerEaston），他發明的“衛星導航系統和被動測距技術”于1974年1月29日獲得美國專利，專利號為3789409。伊斯頓對基于地面定位系統的研究始于1943年。\h[11]然而直到1983年，蘇聯空軍擊落意外飛入蘇聯領空的韓國007號航班客機，美國總統羅納德·里根（RonaldReagan）才下令對私營部門開放GPS。盡管軍隊曾限制私人獲取GPS的某些數據，但到2000年時，比爾·克林頓（BillClinton）總統對私營部門開放了GPS的全部數據。GPS給人們帶來的益處是多方面且顯而易見的：提高了安全性，提升了急救工作人員的效率和速度，同時增強了追蹤人員和財產的能力。但有些益處經常出人意料。例如，在汽車回收率較高的地區，汽車經銷商通常會在銷售的車輛上安裝GPS追蹤設備，本意是在車主無法按期還款時追蹤車輛的位置，但這些設備恰巧還能用于破獲劫車案和綁架案。在一件媒體廣泛報道的劫車案中，丹尼·孟（DannyMeng）的奔馳汽車遭到劫持，劫匪是2013年4月制造波士頓馬拉松恐怖襲擊并殺害校警肖恩·科利爾（SeanCollier）的沙尼耶夫（Tsarnaev）兄弟，丹尼向警察提供了其支持GPS的車輛登錄信息，警方據此追蹤到了劫匪的位置并將其逮捕。GPS已經廣泛運用于諸多安全設備和追蹤設備中。2015年8月，得克薩斯州羅利特鎮的一起綁架案成了頭條新聞，一名患有亞斯伯格癥候群（Asperger’sSyndrome）的15歲女孩遭到綁架，而她的母親用女孩裝有GPS的可穿戴設備定位到了她的位置。母親通過女孩的可穿戴設備中的內置話筒，聽到了襲擊發生時女孩與綁匪搏斗的聲音。這是首個私人使用GPS的案例，就像20世紀80年代的科幻片一樣新奇。\h[12]當今規模最大的GPS應用技術，可能要數美國聯邦航空管理局（FAA）的“下一代”（NextGen）空管項目。該項目計劃于2020年給所有商用飛機配備機載GPS和全數字化通信設備，以取代地面雷達系統。\h[13]這個項目對航空安全和油耗有著不可估量的影響。美國各大航空公司每年所需油耗超過170億加侖\h[14]，總成本接近250億美元。\h[15]“下一代”空管項目預計每年能降低12%的油耗和排放量，相當于220萬輛汽車每年的油耗和排放量。從便利的角度看，GPS帶來的收益及其不可或缺性都是不可否認的，類似的例子成千上萬，無一不證明了GPS具備更大的社會價值和經濟價值。因此，這也是當今人們愿意用隱私交換透明度和價值的一個絕佳范例。然而，提升透明度和失去隱私不可避免地伴隨著一定的風險。人們雖然可以使用各種科技手段和法律手段來保護自己，但偏偏無法消除這種風險。實際上，隨著本書所討論的科技和行為記錄手段的進步，這種風險還將顯著提高，而且是人們無法及時察覺的。不過與此同時，價值也將大幅提升。維持科技進步的公式很簡單，用一個簡單的問題就能說清楚：新的價值是否遠大于新的風險？既然最終能夠獲得價值，為什么人們還會一直懼怕科技呢？更何況事實不斷證明，人們非常擅長運用新技術創造積極的影響。這種恐懼主要有兩個方面的原因。（1）人們用100%的標準來衡量新技術的準確性和可靠性，然而當前的情況距離這個目標還非常遙遠。人們用達到完美作為衡量新技術效率的標準，卻不考慮它所帶來的實際收益，以及在沒有該技術的情況下本就存在的實際風險。例如，本書還將深入討論自動駕駛汽車，關于自動駕駛汽車的各種爭論主要在于，自動駕駛汽車做出的決定可能會造成傷亡。要完全杜絕這樣的事故是不可能的。不過有一點可以肯定，自動駕駛汽車的安全駕駛概率整體上高于人類駕駛員。從保險的角度出發，人類駕駛員操控汽車比人工智能駕駛汽車的代價要高得多，因此自動駕駛汽車很可能會因為其經濟影響迎來引爆點。（2）人們用新技術已知的風險來判定未知的收益。預見新技術（人們感受到與實際存在）的風險，要比預測它未來的收益容易得多。例如1997年，當通用汽車公司首次推出安吉星系統的時候，沒人相信它能用于預防劫車事件。雖然安吉星并未公布其成功阻止偷車或劫車案例的數量，但根據2007—2008年該技術的使用情況估計，其成功阻止了5%~10%的類似事件，即保護了2500~5000輛汽車（其中不包括使用基本GPS定位的車輛）。其實，安吉星的設計初衷是滿足早期對遙控解鎖的需求，而這一技術的受歡迎程度對通用汽車公司來說也是意外之喜。由于人們用完美的標準來衡量新技術，看到的未知風險要多于未知收益，所以在親自體驗之前很難估計新技術的積極影響。顯然，使用GPS會讓人們失去部分隱私，但GPS對個人以及對整個社會的價值遠遠彌補了這方面的不足，這一點很難反駁。并不是說隱私無足輕重，而是需要更多謹慎的新手段來保護隱私，對此我們也會在本書中展開討論。因為進步總是來自那些能創造積極影響的新技術。本書的目的并非阻止科技進步，因為它就像海嘯一樣，你只能眼睜睜地看著它發生卻無力阻止。其實人們最該擔憂的并非科技，而是全球人口——2050年即將達到98億。與此同時，世界上發展中國家的人口正在以每周100萬人的速度向經濟發達地區轉移。過去20年就有10億人加入了這一隊伍，預計未來20年還將增加20億人。人們需要面對的問題是：“如何保障這些人的衣食住行，給予他們關愛和支持，同時為逐步壯大的全球經濟提供發展動力？”不過可以確定的是：僅通過提升當前的技術不足以支持未來的發展。一方面是因為當前的規模化生產、農業及交通的發展無法大幅提升，人們必需的服務同樣無法實現大規模升級。根據世界經濟論壇的數據，以當下社會培養醫生并授予職業資格的速度，需要再花300年的時間才能彌合世界上醫療領域的供求缺口。如果仍以工業時代的速度增長，來自全球大規模基礎設施的壓力最終將瓦解制造業、教育業和農業；而如果仍然按照現有商業模式推動行業發展，將無法遏制其瓦解之勢。如果還想擴大當前的工業模式，增長的局限性很快將把各行各業和各個國家壓垮。僅從人口的角度看，隨著世界人口年齡金字塔結構逐漸向老齡化過渡，原本十分緊張的社會福利系統將承受更為巨大的壓力。目前25~29歲的人口數量是65~69歲人口數量的兩倍，兩者在總人口中所占比例分別為7.9%和3.1%。到2050年，這個比例將分別變為6.8%和5.2%；到2100年將變為6.1%和5.2%。換句話說，存在了5000年之久的人口年齡金字塔結構正在土崩瓦解，取而代之的是每個年齡段的人口數量趨于相同的摩天大樓結構。\h[16]因而支撐這一新型社會發展的意義深遠。事實上，我們需要加速剖析人類、機器以及生態圈中隱藏的微妙行為，更重要的是理解這些（數字和實體）行為之間的關系，它們正以超乎想象的速度發展。只有做到加速認知，再依靠人工智能等技術來發現隱藏行為的規律，人們才能更加明確未來的挑戰和解決方案的復雜性。因此，我們所說的揭秘隱藏的行為，是指所有事物的行為：人類、汽車、設備、企業、供應鏈、生態系統，這一切都將通過傳感器連接至云端，傳感器還會捕捉其背景及行為的細微差別。在如此海量的數據中，藏著人們用肉眼無法看到的線索，找到這些線索，深入細致地剖析世界及人類自身的行為，我們才能以全新的方式預測未來。雖然聽起來極富戲劇性，但這并非單一思維模式的簡單轉變，而是要換一種新的看待問題的方式。人們正走向我們眼中的多重思維世界，在這個世界中，我們需要用不同的方式來看待和解決各種挑戰。當然，人們不能就此摒棄過去200年在工業化進程中學到的東西，而是要利用我們掌握的知識，以不威脅地球和人類生存的方式，持續改進現有的工業模式，從而滿足上百億受過良好教育、參與經濟發展且具備生產力的人的發展需求。描繪這一切變化導致的世界末日的情景是輕而易舉的，可能還會讓人們感到恐懼，并為好萊塢提供一個精彩的劇本素材。但那只是一孔之見。2017年，美國太空探索技術公司（SpaceX）和特斯拉的創始人埃隆·馬斯克曾在麻省理工學院的一次演講中談到對人工智能具有的毀滅性潛能的擔憂，他說：“研究人工智能猶如打開了潘多拉魔盒。”俄羅斯總統普京也曾預言，全球第一個掌握人工智能技術的領導人將是“世界的領導人”。其實我們不難設想出各種場景，例如我們在前文討論過的，連通性和透明度將大幅提升人們生活的價值，并創造出更多的附加值，人們很難想象如果沒有這些價值該如何生存。在本書第八章我們將討論如何保護人們免受人工智能威脅的話題。然而，為了更全面地討論人工智能，在這里我們要先快速地插入一個話題。正如前文所述，每一次重大的科技進步都伴隨著風險，并且風險要比其能帶來的收益明顯得多。例如，人們都深知核武器強大的殺傷力，空中蘑菇云的樣子至今還烙印在人們的心中。但與此同時，核技術也在諸多方面造福了人類，如煙霧探測器、食品保鮮、能源、醫療、水脫鹽處理、太空探索等。那些威脅人類生存的技術也在推動人類文明的進步。由于人工智能存在超越人類智慧的潛能（或威脅，觀點因人而異），人們對其感到恐懼也情有可原。不過，本書要提出另一種觀點。在工業化模式的轉型過程中，要想應對各種各樣的挑戰，必須推動人工智能技術的進步。隨著對這些挑戰以及人工智能影響力的討論越來越深入，我們將具體分析其背后的成因。不過在此之前，我們將從更宏大的角度展開討論。與地球的壽命相比，人的一生極其短暫，因此人們漸漸接受了一種觀點，即人類受到了某種保護或者具備免疫能力，不會遭遇滅頂之災。然而，地球的歷史會讓我們看到相反的一面。大約7萬年（如果把地球40億年的壽命看作24小時，這只是其中不到兩毫秒的時間）前，人口數量下降到了幾千人。\h[17]而據稱15萬年前，全球人口僅剩600人。\h[18]在120萬年前，地球上也出現過類似的人口數量驟減的情況。\h[19]顯然，人類克服了一定的艱難險阻才走到了今天。但這并不意味著我們已經戰勝了流行病、小行星撞地球、地質災害等自然風險，或氣候變化、核武器等人為造成的風險，這種想法太過愚蠢。因此，我們深信研究人工智能非常有必要，這樣才能了解自然，以及人類越加復雜而相互關聯的行為，僅憑人類自身的力量無法弄明白這些問題。我們堅信人工智能將帶給人們數不清的收益，這些收益將遠遠超過人們現在所害怕的影響。這些收益不單來自對我們個體行為的理解，還有對一個高度互聯的世界更為復雜的行為的剖析。例如，人工智能將在下列領域推動人類進步：了解導致氣候變化的因素，以及減緩甚至逆轉氣候變化的方法；研發預防流行病的疫苗；讓上百億人從發展中國家進入社會經濟發達國家，并保障他們的衣食住行。人工智能還可能賦予人類成為星際物種的能力，為人們的長遠生存未雨綢繆——著名物理學家史蒂芬·霍金（StephenHawking）曾預言，人類必須在100年內完成該計劃才能生存。其實，多數人并不會因擔憂流行病或小行星撞地球的風險而徹夜難眠。因此，我們的想象可以更“接地氣”一些。在研究星際生存這個問題之前，我們眼前還有更多亟待解決且同樣重要的問題，如我們如何生活、經營企業、發展經濟等。揭示隱藏的行為并使之為己所用，要從基礎問題考慮，即從人們的生活、工作和娛樂開始考慮。而要實現上述目標并利用現有且還在大量產生的數據財富，需要人們在思維方式上做出極大的改變，要用新的眼光來看待身邊的問題和挑戰，從而更好地預測自身行為的結果。預測未來一直是最受青睞的消磨時光的方式，只是人們似乎從來都不擅長此事。但這一點正在改變，一方面是因為現在有技術和數據的支持，另一方面是由于人們開始用新的思維方式來思考解決問題的途徑。這正是本書接下來要討論的話題。\h[1]KeldsenandKoulopoulos,TheGenZEffec...).\h[2]JohnGantzandDavidReinsel,“TheDigitalUniverseStudyIn2020:BigData,BiggerDigitalShadows,andBiggestGrowthintheFarEast—UnitedStates,”InternationalDataCorporation(IDC),February2013,/collateral/analystreports/idc-digital-universe-united-states.pdf.\h[3]Germany,ZEITONLINEGmbHHamburg.“Http://opendata.zeit.de/widgets/dataretention/.”ZEITONLINE.AccessedOctober08,2017,http://www.zeit.de/datenschutz/malte-spitz-data-retention.\h[4]EmilySteeletal.,“HowMuchisYourPersonalDataWorth?”FinancialTimes,June12,2013,/how-much-isyour-personal-data-worth/#axzz2z2agBB6R;Facebook$24billionyearlyrevenues/2billionusers=$12/user.\h[5]Mayocliniclibrarian.\h[6]PatrickNelson,“JustOneAutonomousCarWillUse4,000GbOfData/Day,”NetworkWorld,December7,2016,/article/3147892/internet/one-autonomous-carwill-use-4000-gb-of-dataday.html.\h[7]LarryDignan,“Apple’sAppStore2016RevenueTops$28BillionMark,DevelopersNet$20billion,”ZDNet,January5,2017,/article/apples-app-store-2016-revenue-tops-28billion-mark-developers-net-20-billion/.\h[8]ErickSchonfeld,“ZuckerbergSavesFace,ApologizesForBeacon,”TechCrunch,December5,2007,/2007/12/05/zuckerberg-saves-face-apologies-for-beacon/.\h[9]全部數據匯總參閱本書結尾部分。\h[10]Orwellian的詞源是英國小說家喬治·奧威爾（GeorgeOrwell），該小說家因撰寫政治諷刺小說而著名。“奧威爾式”可釋義為“受嚴格統治而失去人性的社會”。——編者注\h[11]U.S.NavalResearchLaboratory,“FatherofGPSandPioneerofSatelliteTelemetryandTimingInductedintoNationalInventorsHallofFame,”March31,2010,/media/news-releases/2010/father-of-gps-and-pioneer-of-satellitetelemetry-and-timing-inducted-into-national-inventors-hall-offame.\h[12]JulieFancher,“RowlettMomUsedGPStoFindGirlWhoWasSexuallyAssaulted,”DallasNews,August20,2015,https://www./news/crime/2015/08/20/rowlett-mom-used-gpsto-find-girl-who-was-sexually-assaulted.\h[13]USDepartmentofTransportation,FederalAviationAdministration,“NextGEN,”accessedOctober2,2017,/nextgen//.\h[14]1美制加侖≈3.8升。\h[15]USDepartmentofTransportation,BureauofTransportationStatistics,“AirlineFuelCostandConsumption(U.S.Carriers-Scheduled)January2000–July2017,”accessedOctober2,2017,/fuel.asp?pn=1.\h[16]KeldsenandKoulopoulos,TheGenZEffec...\h[17]GeologicalSociety,“Super-Eruptions:GlobalEffectsandFutureThreats,”accessedOctober2,2017,/~raman/VBigIdeas/Supereruptions_files/Super-eruptionsGeolSocLon.pdf.\h[18]SteveMirsky,“WhenHumansAlmostDiedOut;EarthyExoplanets;AndScientificAmerican’s165thBirthday,”(podcast),August12,2010,/podcast/episode/when-humans-almost-died-out-earthy-10-08-12//.\h[19]DebraBlack,“WereEarlyHumansClosetoExtinction?”TheStar,January27,2010,/business/tech_news/2010/01/27/were_early_humans_close_to_extinction.html.第二章

預言機器：為何不能沿用老辦法解決新問題“意識的作用在于給予眾生未來的‘知識’。”——弗蘭克·奈特（FrankKnight），

20世紀早期經濟學家，芝加哥學派創始人1993年，AT&T（美國電話電報公司）拍了一個廣為流傳的大眾傳媒廣告“你的未來”，這是一個由電視和印刷廣告構成的系列商業廣告，旨在描繪遙遠的未來。廣告畫面有車載GPS、觸摸屏、平板電腦、電子病歷、電子書籍、網絡會議、點播視頻，并伴隨著演員湯姆·賽立克（TomSelleck）充滿磁性的聲音：“你有沒有試過不帶地圖，走遍美國？這是屬于你的未來，而誰能帶給你這樣的未來？AT&T。”這是一個非常有遠見的廣告。實際上，今天當我們再回過頭來看這個廣告時，會感覺AT&T似乎擁有一個可以透視未來的水晶球。盡管AT&T幾乎分毫不差地預見了未來的技術，但它未能把其中任何一項帶入人們的生活。AT&T雖然特別擅長預測這些技術最終的用武之地，但在預測未來方面的表現卻差得一塌糊涂，尤其不懂得把握時機并讓未來為己所用。這怎么可能呢？能夠預測技術的未來，不就等同于能夠預測未來嗎？其實不然，因為其中有一項是難以預測的：行為方式并非一成不變。我們選擇AT&T這個例子并沒有特殊的原因，僅僅是因為它能夠精準地描繪出技術的未來。通過AT&T的例子可以看出，預測技術的未來輕而易舉。然而要等上20年，才會有實際的行為支持這些技術的廣泛應用。人們很容易就把這種割裂歸咎于技術，認為當時的技術發展水平還不夠成熟。但如果AT&T或其他公司曾嘗試把類似“你的未來”廣告中的技術推向市場，那些技術就會和蘋果公司的牛頓掌上電腦（NewtonPDA）經歷同樣的命運，這款電腦堪稱世界上第一款掌上電腦，無巧不成書，它同樣誕生于1993年，但最終難逃夭折的厄運。問題在于，雖然技術是實實在在可見的，也是確定無疑且可預測的，但在行為的背后隱藏了太多神秘且多變的影響因素。你可以預測技術的進步，因為變量是已知的。實際上，過去50多年的技術發展軌跡并沒有那么難以預測，因為它們幾乎完全遵循摩爾定律（Moore’sLaw），無論在哪個時期，摩爾定律對功率、存儲能力以及計算成本等的預測都準確得驚人。\h[1]如一些科學家所稱，倘若某天摩爾定律突然到了物理極限，人類無法再在硅片上集成更多的納米級晶體管，無法在U盤上存儲更多的指令，世界將會變成什么樣？計算機的發展會不會進入停滯期？我們，也可以說人類文明，面對日益復雜的社會、經濟和生態問題，是否會走向自身能力的極限？其中哪一項與你的行為有關？我們如何收集并利用這些行為？本書的寫作初衷是，我們相信，無論計算機硬件的發展速度如何，人類在利用計算機應對當今及未來挑戰的過程中，想要實現下一次量子躍遷，關鍵在于開發計算機認識和揭示行為的能力。但直到現在，人們還未獲得足夠的數據來認識行為，即便有了數據，在技術層面我們也尚未達到認識行為的水平。正在逐漸顯露的隱藏力量并非技術，而是自然系統和人造系統極度復雜的行為，正是這些行為構成了人類世界。我們對人類、設備及系統的各種行為的了解越深，就越能預測這些行為未來將如何演變和表現。你的數字自我這些行為的數字形態即我們所稱的數字自我（對設備而言，則是一個數字孿生體），代表了人或物的數據點集合，可以從這些數據點中總結出人或物當前的行為模式，還能預測未來的行為。但我們要重申，如開篇所述：這并不是眾所周知的大數據。大數據是利用與龐大的系統、市場、工廠或經濟體的行為相關的海量數據集合，而我們所探討的其實更接近馬丁·林斯特龍（MartinLindstr?m）所稱的“小數據”（SmallData）。看似微不足道的行為觀察，包含了非常具體的屬性，指向尚未滿足的客戶需求。那些開創性的構思或徹底轉變品牌的全新方式，其基礎都是小數據。\h[2]林斯特龍指出了正確的方向，而我們還想更深入地探索，看看數據如何做到超個性化：不僅發現尚未滿足的需求，還能發現未知的需求。在我們看來，數字自我具備與自身展開智能協作與對話的能力，這與單純把數據當作分析和推測行為的工具不同，它變成了人們商業活動和生活中積極的合作伙伴。這些數據的價值在于它們能夠幫助人們認識行為，并基于這種認識規劃未來，而當今所謂的數據分析（大數據或小數據）僅開發了這種價值的10%都不到。正如冰山露在水面上的往往只是尖尖一角，接下來，我們不妨用經典的冰山理論來做個類比。為了便于理解，我們假設眼前是成千上萬座緊密相連的冰山，假設你是船長，你的船恰好位于這一片冰山群的中心。為了增加一點風險因素，我們假設船正在全速前進，但此時引擎發生了故障，冰山群也正在向你步步逼近。倘若你對水位線以下的世界一無所知，就不可能安全駛離冰山區。地球上所有有關水面以上的冰山一角僅占冰山總體積的10%的數據，對于你認識冰山其余的90%毫無幫助，在這種情況下，揭示出隱藏部分的數據并非可選項，而是生死攸關的必選項。因此，你的數字自我才如此重要，它揭示了你另外90%的信息，只有這樣你才能知道自己要去往何處、采取什么行動，以及要做怎樣的決定。不過，這也同樣適用于設備、物體和自然現象，它們要么依賴于數字技術（智能手機或供應鏈），要么需要通過傳感器建立數字連接（天氣情況或你的生理機能）。人們很難把物體和系統想象成擁有行為的數字自我，因為我們不太習慣這么做。不錯，這聽起來非常像黑暗科幻小說中的情節——人類被控制欲極強的霸王所統治，但小說中的情節與我們探討的未來大相徑庭。我們的觀點是，原有的事物運作模式已無法預測現有力量對未來的作用，我們正處在新舊交替的、里程碑式的時刻，這也是不可多得的歷史性時刻。文化再現我們以前也曾面臨同樣的境遇，人類遇到的問題超出了自身的能力范圍。過去，面對日益復雜的問題，人們只需稍微調整一下解決方式就能夠戰勝挑戰，并在此基礎上更好地預測未來的發展，這樣的先例不勝枚舉。我們稱之為“文化再現”（aculturaldejavu），因為這與那些獲得新知的時刻有諸多相似之處，我們曾經歷過很多次。但不知為何人類似乎集體失憶，總也認識不到曾經的經歷帶來的改變是何等深刻。16世紀出現了一場思想革命，但直到幾百年后這場革命及其擁護者才得到認可。哥白尼引入了他的太陽系日心說模型，與之相對的是托勒密的地心說模型，哥白尼絕非第一個提出太陽系的中心是太陽而非地球的人，但印刷術的發明使他的作品得到了廣泛的傳播。然而200年來，人們對日心說爭論不休，許多人愿意相信日心說和地心說可以共存，只是兩者描繪的是兩個極端，以此維持過去的模式。最終日心說更勝一籌，因為它能精確地預測行星未來的位置，這是地心說模型做不到的。20世紀初，當牛頓物理學發展到極限的時候，又出現了一次類似的科學革命——愛因斯坦的相對論開始登場。愛因斯坦并未遭遇如哥白尼那樣大的阻力，而事實上他的宇宙運行模型思想更為激進，他提出了無數奇怪的量子亞原子現象（quantumsubatomicphenomena）、時間膨脹（timedilation）效應，甚至還有黑洞理論。愛因斯坦的物理模型同樣獲得了認可，因為它讓人們能更好地解釋和預測物理世界的行為。1937年，艾奧瓦州立大學一位名不見經傳的物理學教授約翰·文森特·阿塔納索夫（JohnVincentAtanasoff）發明了第一臺數字計算機，再一次將文明推向下一個知識軌道。\h[3]這些早期的計算機［比如Eniac（電子數字積分計算機）和Univac（通用自動計算機）］的建立基礎都是阿塔納索夫的數字建筑模型，建造它們最初的目的就是預測未來，例如預測一場選舉的結果或一顆彈道導彈的軌跡。每一次這樣的突破，都會顛覆人類思考和看待世界運行的方式，使人們更加清楚地認識到這些原本看不見的力量所操縱的行為，并看到更遠的未來。可以這么說，它們就是曾經的預言機器。也許你會想：“沒錯，但它們跟我有什么關系？”你想過沒有，如果不是哥白尼、愛因斯坦和阿塔納索夫，我們就不可能開發出GPS這樣廣泛應用的技術。行星的運行、時間膨脹、數字技術對衛星的運行都有至關重要的作用。因此說到GPS，你不僅要感謝羅杰·伊斯頓和羅納爾德·里根，還要感謝哥白尼、愛因斯坦以及阿塔納索夫。實際上，如果不是因為對世界運行背后的隱藏力量有了認識上的突破，AT&T的廣告片“你的未來”中展示的任何一項技術都不可能開發成功。最重要的是，這些重大突破讓我們認識到事情的起因，從而更加確信自己對其行為的理解和認識，這樣我們才能夠更準確地預測未來。可以說，對未來的清晰認識是所有重大技術變革背后的驅動力。人們渴望可預測性，我們的社會、經濟、政府和商業的繁榮都有賴于此，我們離那個目標越近，世界就會越可靠、越充滿確定性，人類才能越發繁榮。奇怪的是，取得這樣的進步，往往是因為人類已有的模式、概念和工具已無法理解復雜的世界，以往一直認可和習慣的方式在建設未來的過程中也顯得力不從心。同樣，我們相信工業時代的模式即將終結，雖然此前這種模式一直十分奏效。面對未來可能出現的挑戰，要想實現下一次量子躍遷，人類需要一個截然不同的框架。在這個新的框架里，我們對個人、商業、組織、社會體制、政府，甚至生態系統運行的理解都將有很大不同。只有這樣，我們才能更好地預測這些行為將如何塑造未來。那么，在今天這種背景下，要做到這一點，人們要突破的諸如牛頓或愛因斯坦式難題的障礙是什么呢？\h[4]我們認為，根本在于，要從解決工程系統的問題轉向解決新興系統帶來的問題。人們的數字自我、揭示隱藏力量的能力、行為商業，以及本書中涉及的所有話題均代表了新興系統。因此我們首先必須探討一下這些新興系統是如何運作的，它們與工程系統為何差別那么大？別被“新興系統”這個短語的字面意思嚇到了，雖然它看似跟相對論一樣難懂，但其實一點也不難以理解。不過其影響卻絲毫不輸相對論。鐘與云近一個世紀以來，物理學家教會我們，如果把時鐘扔到墻上砸碎，再把所有的碎片都撿起來，就能通過還原工程的方法弄清楚時鐘的工作原理。因為時鐘的工程學原理就是這樣，是一個智能化的，遵循已知的、清晰易懂的機械和物理原理而設計的。這招對工程系統確實很管用，但對很多非工程系統可能就完全行不通了，如生態系統（自然系統或人造系統）、經濟體系、市場體系、氣候系統等，這些系統都在隱藏力量的驅動下表現出了很多行為。我們把這樣的系統稱為新興系統，它們瞬息萬變，難以預測。即便能預測它們在某一種特定情形下的運作方式，也不意味著你能理解它們未來會如何表現。\h[5]工程系統遵從能夠被人們理解的、可見的規則；而新興系統的表現取決于潛在的力量，這些力量經常是未知的、不可見的。換言之，工程系統是可預測的、概率性的；而新興系統則是不可預測的、不確定的。50年前，卡爾·波普爾——20世紀最著名的哲學家之一，把所有復雜的問題歸為鐘類（工程類）和云類（新興類）兩種，他用這樣的類比，簡明扼要地揭示出工程系統和新興系統之間的差異。盡管波普爾的這個想法很簡單，卻可以幫助我們重新認識當下的挑戰。可拆解的鐘類問題跟摔壞的時鐘一樣，電腦的硬件、軟件構成十分復雜，但還是可以拆解成不同的部件，通過重新組裝和調試來理解其工作原理。這就是傳統程序員一天到晚在做的事情。波普爾注意到在鐘類體系中，各個部分及其相互間的互動行為是“有規律、有秩序且完全可以預測的”，這就是所謂簡化論思維最典型的例子，也是解決即便最復雜的鐘類問題的理想方法。從偉大的吉薩金字塔群到迪拜哈利法塔，這就是數千年來人們解決問題、尋找答案的方式。1966年，卡爾·波普爾的書《鐘與云》（OfClocksandClouds）出版，而恰巧在幾年后就出現了一個針對解決復雜鐘類問題的最為經典的案例：兩名宇航員駕駛阿波羅11號登上月球，之后又安全返回地球。要成功完成這種不可能完成的任務，需要解決的難題之多，多到讓人無法想象。然而這個復雜系統被拆解成了單個的構件，由40多萬名工程師和技術人員設計、制造每一個類似時鐘的獨立的部件，這些獨立的部件又被組裝成更復雜的子系統，最終每一個子系統成功實現彼此關聯，整合成一個完整的系統，把人類帶上了月球。直至今日，登月計劃仍是一個關于雄心壯志、堅持和天才的精彩故事，但這個故事還有鮮為人知的一面，只是大家覺得理所當然罷了。登月返航的目的并非僅為建造能夠脫離地心引力進入外太空的偉大交通工具，而且是為了創造出高度可預測的模型，為這些交通工具規劃準確的行駛路線。阿波羅11號的飛行員駕駛的太空飛船行駛速度是3400千米／小時，這樣才能與以3700千米／小時的速度運行的月球相遇。設想一下，兩個物體相距25萬英里\h[6]，以四倍于0.38口徑子彈的速度飛行，最終勝利會師。盡管現在看起來，這好像不算什么。但在當時，能夠精確地預測位置、速度、加速度和其中的無數變量，以及許許多多的飛行動作，可以說是非常了不起的成就，尤其是憑借一臺僅有64KB內存、運行速度為0.043MHz的電腦——如今iPhone6手機的內存是那臺電腦的1.2億倍，運行速度則是32600倍。\h[7]就是用這樣一臺不起眼的，或許還比不上一臺微波爐配置的電腦，以及無數的計算尺，人類解決了世界上最復雜的鐘類問題。人們沿用同樣的方法，使用配置逐漸提高的電腦，不斷嘗試和解決了各種問題，就這樣一直走到了今天。但這個老辦法對云類問題卻束手無策，因為這是完全不一樣的問題。無解的云類問題利用簡化論思維處理鐘類問題的“拆解法”屢試不爽。雖然你也可以照搬這個方法來拆解云類問題，但是最終得到的只是單個水分子，對你理解“云”這樣的新興系統展現出的幻化萬千的行為毫無幫助。就物理學的云來說，水分子相互牽制，往往是瞬息萬變，但總是合力為之，這樣的描述不算離譜。飄浮在我們頭頂上的云是由彼此分離、臨時結合的組成部分構成，它們彼此間若即若離，任何坐飛機穿過輕柔的積云的人都可以證明，云間填充的氣流既快又不可預測，它們的最終形態積雨云是自然界中最強大、最具破壞力的一種力量，可以形成大暴雨。小小的水滴本身幾乎沒有任何破壞力，但當它們結合起來時可以形成自然界中最可怕的現象，尤其是在快速聚合的時候。這些看似微小、不起眼的粒子用出人意料的方式聚合在一起，造成了新興系統典型的不確定性。我們能看見系統的各個部分，卻不能理解整個系統的行為。新興系統還有更深層的、隱藏的行為。\h[8]想要理解新興系統不能單憑認識每個獨立的部件來實現，只能把它們當作整體來研究。要了解一片單獨的云，需要了解其他云的表現方式。不僅如此，還要認識到無數同樣復雜的交互影響，如溫度、大氣壓、風、陽光，甚至它們形成的地區等。此外，還有一些影響云的變量是我們無法徹底了解的，云的行為在本質上就是不規則的、無序的、高度不可預測的。另外，你有沒有注意到，我們在描述云的時候，認為它是有行為的？對一片顯然沒有智力可言的云來說，這似乎是一種很奇怪的屬性，但我們在描述這種沒有生物大腦的物體、系統和事物時，傾向于認為它們也擁有特定的行為方式。我們通常會用“行為”這個詞來描述事情是如何發生的，哪怕我們還未了解其成因。我們對云的行為的認識要比對它們為何有這樣的行為的認識深刻得多。如果能真正了解云，就像對鐘那樣了如指掌，人們就無須對比各種天氣預報了，因為所有天氣預報都會提供同樣精確的預測，結果確定無疑。新興系統的出現沒有確定無疑一說，隨之而來的是未知的以及不可知的變量，讓我們措手不及。換言之，新興系統行為背后的原則只有經歷過才能理解（不過我們會在第四章中看到，面對新興系統還有另一種選擇，可以應對固有的高度不確定性）。人們經常在看到新興系統的已知規則子集時就妄下結論，誤以為整個系統都是工程性的。一個簡單的例子就是對比各種棋牌游戲：井字游戲、國際跳棋、國際象棋以及圍棋（見圖2.1）。井字游戲是一個十分簡單的鐘類問題，只需幾個半導體就可以布好一個基本的回路，不用電腦就能創造出一個自動化的對手，其水平不亞于任何一個人類對手。我們中年長的那一位在16歲時玩過井字游戲，那時候個人電腦尚未誕生，規則很清晰，只有有限的幾步。實際上，只有255168種可能的游戲變化。國際跳棋可能更復雜一些，總共有5×1020種可能的變化——因此讓這樣一個鐘類游戲顯得十分有趣——但歸根結底還是一個鐘類游戲，因為它的步數也是有限的，每一步都遵循某種簡單的電腦編程規則集。\h[9]國際象棋既有趣又變化萬千。從數學的角度來說，其可以算出的變化多達10120種，比宇宙中已知的原子數量還要多。換言之，這種游戲的變化可以說是無窮的，因為我們的電腦內存無法容納所有的變化（至少從我們目前掌握的技術來看無法做到）。突然我們有了一個僅依靠機械的方法無法徹底解決的問題，但最終它還是變成了一個新興問題，因為我們無法用公式推算出所有可能的結果。這種時候你可能會想：“等一下，目前有一臺電腦已經戰勝了最優秀的人類玩家。”是的，1997年，IBM（國際商業機器公司）的深藍（DeepBlue）——一臺分析國際象棋的超級電腦——打敗了世界頂級象棋玩家加里·卡斯帕羅夫（GarryKasparov），但即使在深藍的創造者（IBM的工作人員）看來，深藍解決的還是鐘類問題，它只是比普通的電腦快了很多。卡斯帕羅夫每秒可以推算三步棋，而深藍每秒可以算兩億步，這是一個典型的利用遠超過人類的暴力算法（bruteforce）完勝人類對手的例子。這就是我們所說的，通過機械化的方法可以部分解決新興問題。然而，此時電腦超越人類對手的程度還是微不足道，深藍雖然贏了，但只是險勝，僅以3比2戰勝了卡斯帕羅夫（六場比賽中有一場是平局），這說明人類本身具備獨特的能力，能夠在無須暴力算法的情況下解決新興問題。這就是我們所說的直覺，我們認為這是人類獨有的特質。自1937年阿塔納索夫發明第一臺數字計算機以來，計算機的發展重點就變為提高速度、帶寬和存儲能力。其發展理念是，只要你擁有足夠多的算法，就能用暴力算法解決問題。但如果涉及新興系統，問題就無法解決了，因為范圍太大了。以圍棋為例，雖然乍看上去是一個非常簡單的游戲，只有黑白兩種棋子，但人們都認為圍棋是所有棋牌游戲中最復雜、難度最大的，一定程度上需要人類特有的直覺和創造力。圍棋不是一個有解的游戲，要在19×19的方形棋盤上呈現所有可能的游戲變化近乎不可能。保守估計，圍棋的變化數量可以達到10170（在可觀測的宇宙中，只有1080個原子）。\h[10]還有人估計，這個數量可能高達10800（假設每一步棋都合理，而非隨意出棋）。\h[11]如果后者成立的話，那么游戲的變化數量可以達到10100，即10的古戈爾次方（googolplex）。所以，你可以說圍棋相較于同類有規則的棋牌游戲，堪稱最接近新興系統的棋牌游戲。但在2016年3月15日，全世界最好的圍棋選手李世石（LeeSodol）卻以四局三負的成績，敗給了谷歌DeepMind（深度思考）推出的人工智能圍棋手AlphaGo（阿爾法圍棋）。圖2.1四種棋牌游戲可能的合理步數圖2.1說明：從簡單的井字游戲到圍棋，可能的步數（以10為底數）有了顯著的增加。由于插圖采用了對數標尺，所以沒有切實體現出這種變化的實際量級。例如，如果嚴格按照比例尺來畫這張圖表，假設國際跳棋的柱高為1毫米，那么圍棋的高度就是1034千米，遠遠超出了可視化宇宙的界限。所以，到底是什么讓AlphaGo在處理新興問題方面能夠領先深藍這么多？首先，AlphaGo擁有強大的計算能力：1920個標準處理器和280個加強版處理器，我們稱之為GPU（圖形處理器）。這是專為要求極高的游戲任務定制的。但AlphaGo真正的實力并不在于每秒千百萬條指令或幾兆的內存，而是它能夠通過眾所周知的深度學習（DeepLearning）形成某種直覺。簡單來說就是，深度學習可以從千百萬種圍棋游戲中歸納出各種規律，并在此基礎上決定走哪一步最好。\h[12]在AlphaGo的例子中，開發人員在這臺人工智能設備中輸入了千百萬種可能的圍棋著數，包括所有他們在網上能找到的兩人對弈的棋局。為了進一步強化這種深度學習，AlphaGo自己跟自己下棋——一遍又一遍，下了千百萬遍。如果對人工智能的工作原理有一定的了解，就會更容易理解后面的論述。在AlphaGo身上其實有兩套獨立的算法，共同決定下一步棋該如何走。第一種是“策略網絡”（policynetwork），它的作用是基于之前經歷過的所有對弈，根據具體情況推斷出走哪步棋最好。AlphaGo隨后轉向第二種算法，稱為“估值網絡”（valuenetwork），計算出每一步棋可能的成功概率。這兩種算法共同構成了一套動態變化的規則，讓AlphaGo能遵循這個規則下棋。我們做個類比，假設你正在做一個艱難的決定，你要做的第一件事可能就是先想出最好的一些選項，一旦你有了這些選項，下一步很可能就是找到最有可能成功的那個選項。在你面對新興系統時，這種從經驗中學習的能力是必備的，因為它讓挑戰和挑戰者（或物）之間能夠開展對話。最后，記住這一點，AlphaGo不是由程序員訓練出來的，而是它自己訓練自己。對此，我們將在后續章節繼續討論。在探討人工智能如何改變我們對計算的看法時，這是最重要也是人們了解得最少的一個方面。但就目前來看，可以說就連探索AlphaGo或任何其他人工智能工作原理的人，或許都未必理解它們做出某個決定或做出某種行為的原因。人工智能不同于那些由人來編程的計算機，它可以一邊給自己編程，一邊學習——完全不同于人類的學習方式。沒有人會正兒八經地教你走路，即使他們真的這么做了，估計你也聽不懂他們在說什么，因為我們大多數人都是先學會走路后學會說話。我們會在第四章討論自動駕駛汽車時繼續探討這些話題，但現在我們暫且接受這樣一個現實：通過任何預先設定的規則是無法完全理解或預測新興系統的。新興也不是一個僅限于物理或機械裝置的概念，它同樣也是經濟學的重要組成部分。1914年，經濟學家、芝加哥經濟學派創始人弗蘭克·奈特在其康奈爾大學博士論文中提到了固有不確定性的作用，他的著作《風險、不確定性和利潤》（RiskUncertaintyandProfi,）也是基于這篇論文展開的。奈特的經濟學研究方法不算正統，但他的前提非常簡單：不確定性是對未來缺乏了解的表現。奈特構建了一個復雜的矩陣，來描述生活中多種多樣的不確定性，他甚至還進一步聲明“意識的作用在于給予眾生未來的‘知識’”。奈特式的經濟學認為即使有再多的信息，也無法增加對某一事件的確定性。這可能是奈特工作成果中最反直覺的部分。畢竟，如果某新興系統的不確定性是因為對未來缺少了解，那么在擁有了一定的信息之后，這種情形不應該有所改善嗎？在奈特描述的情境中，這種了解只能通過親身經歷獲得，而不能提前獲取。實際上，對這些情形了解的信息越多，越容易導致決策延遲、錯失良機。結合實際思考一下，面對不確定性時，你的第一反應往往是先緩緩，厘清整個事件，然而在這種情況下，恰恰需要你馬上行動起來，隨機應變，這就是人們所說的“不確定性原理”（UncertaintyPrinciple），隨著不確定性的增加，反應的時間會越來越少。\h[13]我們身邊到處都是這種新興系統帶來的不確定性——天氣、股票市場、經濟體系、市場體系、政治運動、生物圈、交通情況、人類行為、某些疾病——這一切都帶有一定的不確定性，人們不可能完全理解。計算機配置再高，連通性再好，也不能解決云類問題所帶來的挑戰，只能在問題的表面取得初步進展，但在使用暴力算法獲得進展方面，人們正在接近極限。這就是物理的極限。不僅摩爾定律有上限，而且如果我們繼續以當前的加速度存儲數據，很快就會碰到一些相當可笑的場景。預計世界數據中心（所有云數據的存儲地）每年消耗的能源比英國全年消耗的能源高出25%，其碳足跡堪比整個航天工業。僅就日本而言，如果該國的數據中心繼續保持現有的增長速度，到2030年就會耗盡整個國家的能源輸出。\h[14]然而，更讓人吃驚的是另一個現實：如果我們繼續以現在的軌跡發展，馬上就會面臨空間不足以存儲所有數據的窘境。到2020年，預計世界每年會產生44澤字節（Zettabytes，44后面有21個零）的數據\h[15]，到2025年，這個數據將陡增至180澤字節。這意味著我們的數據年產出量每兩年就會翻一番，而且還將繼續加速。按照這種速度，到2220年，哪怕是把太陽系中每一個原子都用來存儲數據，我們也會突破極限。我們實在不能再繼續這樣用有限的解題規則，把所有問題都當作工程系統的問題來解決了。這并非要摒棄以前用于解決鐘類問題的方式，因為鐘類問題不會消失，我們還會看到比以往更多的類似問題。但這確實意味著，人類需要認識到技術問題之間的差異，鐘類問題的解決依靠的是線性、簡化論推理的方法，而新興問題則需要依靠行為學來解決。關于新興系統的這些討論，聽起來可能有些愚蠢，甚至讓人費解，但它直接指出了人類為何需要借助人工智能開拓未來。人類正處在文明的分水嶺，要么選擇工業時代的建造工具繼續得過且過；要么添置一套新的工具，以便在面對未來的挑戰時更加得心應手。這些新的工具既可以幫助我們運作商業，也有助于重塑我們的社會。本書中所探討的話題——自動駕駛汽車的發展、無摩擦力數字生態圈的出現、超個性化以及忠誠品牌的價值——都源于人們解決問題方式上的根本轉變，從單純地應對水面上顯而易見的部分問題，到探索隱藏于水下的更復雜、更有趣的部分。要揭示我們每個人獨有的個體行為，隱藏的那部分才是最有意思的。真正的大幕正是從這里拉開的。\h[1]“50YearsofMoore’sLaw,”Intel,accessedOctober2,2017,/content/www/us/en/silicon-innovations/moores-law-technology.html.\h[2]MartinLindstr?m,SmallData:TheTinyCluesThatUncoverHugeTrends(NewYork:Picador,2017).\h[3]“JohnVincentAtanasoff:TheFatheroftheComputer,”(obituary),accessedOctober2,2017,/~td2177/JVAtanasoff/JVAtanasoff.html.\h[4]此處用牛頓／愛因斯坦，旨在說明盡管愛因斯坦的物理學理論在理解事情的起因上有了巨大的飛躍，卻并未否定牛頓對事物發展的解釋，兩者可以共存，而且事實如此。\h[5]在上，與吉姆·海斯一起就托普勒以及他對鐘與云的類比進行了深入探討。\h[6]1英里≈1.61公里。\h[7]TibiPuiu,“YourSmartphoneIsMillionsofTimesMorePowerfulThanAllofNASA’sCombinedComputingin1969,”ZMEScience,September10,2017,/research/technology/smartphone-power-compared-to-apollo-432//.\h[8]改編自托馬斯·科洛波洛斯，《云上沖浪》（CloudSurfin）（布魯克林：Bibliomotion出版公司，2012年）。\h[9]“500BillionBillionMovesLater,ComputersSolveCheckers,”ChessNews,accessedOctober2,2017,/post/500-billion-billion-moves-later-computerssolve-checker