·實現(xiàn)智慧企業(yè)的關(guān)鍵是認知協(xié)同。它與昆蟲王國的群體智慧（Swarm Intelligence）有許多相通之處。日本文化為實踐智慧企業(yè)提供制度條件，因為它契合群體智慧。在日本文化之外，我們可以利用人工智能的增強能力設(shè)計類似的賦能結(jié)構(gòu)，實踐智慧企業(yè)戰(zhàn)略。

·本文的主要貢獻在兩個方面：1）闡述從專業(yè)化勞動分工到認知分工與協(xié)同的趨勢。2）解釋人工智能的增強能力是實現(xiàn)智慧企業(yè)認知協(xié)同的關(guān)鍵技術(shù)途徑。

(資料圖)

《擁有智慧的企業(yè)》

野中郁次郎和合作者寫的《擁有智慧的企業(yè)》一書的要點有三個：1) 在人能改造環(huán)境和創(chuàng)造未來的時代，企業(yè)的實踐智慧（Phronesis）著力點在有人文意義、有社會價值的持續(xù)創(chuàng)新上。2）為此，企業(yè)要讓每位員工成為不但能變化、而且有思想的孫悟空。3）與之對應(yīng)的管理方法是營造創(chuàng)變的“場”（Ba）和提煉持續(xù)創(chuàng)新的新組織習性（Kata）。

野中的“智慧企業(yè)”發(fā)展了西方管理的三個重要思想：核心競爭力、動態(tài)能力和組織習性。簡而言之，核心競爭力容易陷入“刻舟求劍”的怪圈；動態(tài)能力過于大而化之，成為一種“雜貨筐”概念；而源自經(jīng)濟進化理論的組織習性（Organizational routines）遜于解釋人改造環(huán)境、創(chuàng)造未來的強烈意愿和能動性，特別是創(chuàng)變者（Entrepreneurs）打破舊習性、建立新習性的沖動價值。因此，野中闡述的“卡塔”（Kata）、創(chuàng)變的“場”（Ba）和實踐智慧（Phronesis）可以成為一套新管理實踐。

可是，野中的智慧企業(yè)有一個極其重要的推廣條件：從專業(yè)化勞動分工走向基于問題情境的認知協(xié)同。亞當·斯密和涂爾干（Emile Durkheim）建議勞動分工，因為它有助于能力專業(yè)化和差異化，其假設(shè)是，人的學習能力和應(yīng)用能力各有優(yōu)勢和劣勢。專業(yè)化勞動分工可以揚長避短，綜合個人能力，建立有差異化的組織優(yōu)勢。經(jīng)濟上的專業(yè)化分工對應(yīng)演變出管理方面的組織結(jié)構(gòu)。它演變出垂直等級功能結(jié)構(gòu)。為激發(fā)創(chuàng)新，企業(yè)也試驗各種組織流程再造，包括矩陣、任務(wù)突擊隊和“合弄制”（Holacracy）。但是，橫向組織結(jié)構(gòu)的效果、穩(wěn)定性和維持成本一直困擾著追求持續(xù)創(chuàng)新的企業(yè)領(lǐng)導者，因為協(xié)調(diào)（Coordination）與合作（Cooperation）的組織交易成本太高。

“協(xié)調(diào)”要求成員持續(xù)的相互調(diào)整?！昂献鳌毙枰蓡T判斷什么時候支持同事、什么時候要求同事支持。協(xié)調(diào)與合作的背后是任務(wù)性質(zhì)和組織角色的切換。切換涉及到判斷、溝通、改變、再續(xù)、整合等一系列組織活動。人與人之間的任務(wù)和角色切換成本遠高于流水線生產(chǎn)中的工具切換（Retooling）,因為它要求復(fù)雜的認知協(xié)同。

認知協(xié)同關(guān)系到一系列集體思考活動：1）成員之間理解變化中的問題性質(zhì)；2）成員有能力貢獻對新問題的定義和解決方法；3) 成員愿意主動參與問題討論；4）對于不同于執(zhí)行力的認知協(xié)同，成員有接受模糊性、暫時性和悖論問題的智慧習性。

上述認知活動的協(xié)調(diào)和合作成本極高，因為人的“有限理性”和專家隱性知識設(shè)置了很高的學習成本和溝通成本。所以，企業(yè)還是主要保持垂直等級的縱向組織結(jié)構(gòu)，兼顧部分橫向組織結(jié)構(gòu)。這樣，“持續(xù)的創(chuàng)新”就始終是一個戰(zhàn)略難題。難題的本質(zhì)是認知協(xié)同成本高。

野中的解決方法有二：一是突出強調(diào)建設(shè)持續(xù)創(chuàng)新的智慧企業(yè)的必要性；二是建議全員參與創(chuàng)新的新組織習性和創(chuàng)新互動的場。接下來，企業(yè)領(lǐng)導者要做的就是推動智慧企業(yè)的“卡塔”和“場”。

“智慧企業(yè)”的價值不難理解。持續(xù)創(chuàng)新的必要性也已經(jīng)廣為人知。但是，卡塔和創(chuàng)變場的案例主要來自日本企業(yè)。其中的一個關(guān)鍵因素是它們與日本文化兼容。例如，卡塔反映的是柔道“守、破、離”的文化。如果日本文化是一個必要前提條件，那么，智慧企業(yè)就很難普遍適用。

從另一個角度看，對執(zhí)行組織任務(wù)，人工智能已經(jīng)從能力自動化（Automation）發(fā)展到數(shù)據(jù)智能增強（Augmentation）。增強的認知能力降低有限理性影響，擴大利用隱性知識和直觀感知能力。所有的組織任務(wù)都涉及到解析和解決問題。在解題上，認知協(xié)同可以被分解為四種決策活動：1）決定（Determination），它包括明確的因果關(guān)系和目標與手段之間的對應(yīng)關(guān)系；2）反思（Deliberation），它包括識別偏差和從失敗中學習；3）設(shè)計 （Design），它包括重新優(yōu)化排序目標和安排價值感知過程；4）探索（Discovery），它包括發(fā)現(xiàn)新問題和提出新秩序參數(shù)。野中的智慧企業(yè)講的就是這四種決策活動如何通過卡塔和場達到認知協(xié)同的境界。我們認為，智慧增強階段的人工智能可以支持同樣的智慧實踐，制造持續(xù)創(chuàng)新的管理效果。

本文將首先用“群體智慧”（Swarm intelligence）現(xiàn)象重新表述野中的智慧企業(yè)、卡塔和場的思想。然后，我們說明，刻畫人工智能模型復(fù)雜度與表達能力的VC維與智慧企業(yè)有邏輯上的相似性。VC維度可以用來刻畫人工智能模型的復(fù)雜/精細化程度，也可以類似標識一個企業(yè)的智慧豐富程度。之后，我們解釋認知協(xié)同對應(yīng)的四種問題情境觀。最后，我們說明，人工智能策略可以兼顧認知協(xié)同的四種活動，從而幫助實現(xiàn)高維智慧企業(yè)。

來自昆蟲世界的啟發(fā)：群體智慧

在圣塔菲研究所（Santa Fe Institute）,研究復(fù)雜性現(xiàn)象的科學家波納貝（Eric Bonabeau）等學者發(fā)現(xiàn)，昆蟲學家對螞蟻和蜜蜂等群聚性昆蟲的觀察與復(fù)雜系統(tǒng)的自組織特征有關(guān)。在利用環(huán)境資源和維系蟻群和蜂群高度秩序性方面，螞蟻王國和蜂巢都有分布式、靈活、魯棒和自組織的系統(tǒng)特征。同一時期，貝尼（Gerardo Beni）等學者把昆蟲群聚世界的社會性和群體智慧介紹到人工智能領(lǐng)域。他們研究昆蟲世界社會群聚特征，以及對人工智能“演化計算”的影響。

復(fù)雜的昆蟲王國有令人嘆為觀止的精美秩序。它們是怎樣協(xié)調(diào)和合作的？科學家發(fā)現(xiàn)，復(fù)雜昆蟲世界其實遵守一些簡潔的自組織互動規(guī)則。

第一，“間接溝通，主動共識” （Stigmergy）。螞蟻之間沒有接觸交流，但它們通過環(huán)境留痕，間接溝通。例如，找到食物的螞蟻會在行進路途上分泌一種激素。順著同樣路徑的螞蟻也會沿途不斷分泌激素。它們在環(huán)境中留下的激素信號被同伴接受。同伴主動做出配合響應(yīng)。昆蟲群體合作完成各項任務(wù)，都是通過“主動共識性”規(guī)則來協(xié)調(diào)。

第二，“缺位就替補的多重角色” （Multiagency）。昆蟲王國中，分工明確。保衛(wèi)巢穴、采集食物、建筑巢穴均有特定的一群昆蟲完成。不過，昆蟲有分工，但無任務(wù)差異化限制。當負責孵化的缺位不在時，臨近負責保衛(wèi)的昆蟲會替補承擔孵化功能。類似的靈活和多角色任務(wù)協(xié)調(diào)在螞蟻和蜜蜂等群聚昆蟲王國中很普遍。

第三，“反應(yīng)門檻規(guī)則” （Threshold-based collaboration）。什么時候主動替補？它依據(jù)某種數(shù)量密集度門檻。不同昆蟲王國有高低不同的反應(yīng)門檻。這種門檻規(guī)則自動影響昆蟲的自組織行為。例如，當負責孵化的蜜蜂數(shù)量降低到一定程度時，負責保衛(wèi)的蜜蜂就近替補，承擔孵化功能。

第四，“適應(yīng)環(huán)境的多種招募方法”。根據(jù)環(huán)境中食物分布的情況，發(fā)現(xiàn)新食物的螞蟻有不同招募方法，有時是招募單個螞蟻去新食物源，有時是成隊招募。成隊招募，往往是在環(huán)境食物源較少的情況下。單個招募，一般是環(huán)境食物來源多，有選擇。

第五，“沿順雛形的累積行動”。建筑巢穴時，螞蟻和蜜蜂搬運和放置材料也有規(guī)律。它們會順著巢穴中已經(jīng)出現(xiàn)的雛形，延續(xù)積累。剛剛開始階段，材料分類放置的雛形為后續(xù)累積設(shè)定了形態(tài)方向。后來的似乎很快就能順著同樣的形態(tài)，不斷累積。

昆蟲世界的群體智慧啟發(fā)了人工智能學習方法。推而廣之，人們用它描述“通過集體的自組織行為，分布式解決問題的策略”。群體智慧與野中建議的卡塔和場的方法有內(nèi)在的相通之處。從昆蟲世界到人工智能和智慧企業(yè)，群體智慧已經(jīng)遠遠超過簡單的生態(tài)模仿。它為企業(yè)成員之間認知協(xié)同提供了一個可以借鑒的知識呈現(xiàn)和表述形式。

對群體智慧做抽象表述，它們有下面的共性特征：1）它們都是關(guān)于一個復(fù)雜系統(tǒng)社會組織過程；2）都強調(diào)自組織能力；3）都只需要極少的、根本性的規(guī)則；4）都認可個體獨立性和群體多樣性的價值；5）都認識到分布式、非中央控制的協(xié)調(diào)形式的優(yōu)勢；6） “多角色行動者” （Multiagency），成員有分工，但又可以執(zhí)行相鄰的任務(wù)。對于智慧企業(yè)的持續(xù)創(chuàng)新，上述六條也是卡塔背后的抽象邏輯。

日本文化與群體智慧有極高的契合度。這也是野中的智慧企業(yè)思想容易在日本企業(yè)推行的重要制度因素。在其它文化背景下，推行智慧企業(yè)，認知協(xié)同的成本很高。但是，人工智能已經(jīng)從能力自動化（Automation）發(fā)展到智慧增強（Augmentation）。它可以成為智慧企業(yè)的賦能技術(shù)結(jié)構(gòu)。人工智能中的遷移學習（Transfer learning）和VC維度思想概念完全可以容納智慧企業(yè)對多樣性、自組織、少且根本的規(guī)則、多角色行動者、主動共識和分布式互動“場”協(xié)調(diào)的要求。

以下，我們先解釋人工智能的遷移學習和VC維度與群體智慧邏輯的契合關(guān)系。然后，我們說明在實踐群體智慧邏輯過程中，智慧企業(yè)需要在四種問題情境方面實現(xiàn)認知協(xié)同。最后，我們解釋人工智能不同的決策算法是怎樣支持解決四類問題過程中的認知協(xié)同的。

實現(xiàn)AI的群體智慧：遷移學習和VC維

野中的智慧企業(yè)強調(diào)，企業(yè)領(lǐng)導者要組織全員參與持續(xù)創(chuàng)新。它是一種高級形態(tài)的群體智慧。全員參與能提供廣泛的信息來源，能混合借鑒各層級員工的隱性知識到動態(tài)的認知協(xié)同過程中，是持續(xù)創(chuàng)新的源泉。就認知協(xié)同的功能而言，人工智能中的深度學習方法，例如遷移學習（Transfer learning）和VC維度思想概念可以支持同樣的活動。

簡而言之，遷移學習就是將一個領(lǐng)域開發(fā)得到的知識（或某種不變量），運用到另一個領(lǐng)域，“舉一反三”，提升另一個領(lǐng)域解決問題的效率以及效果熱力學中，我們用能量轉(zhuǎn)換的概念研究物質(zhì)的熱性質(zhì)。我們關(guān)注能量形式轉(zhuǎn)移過程中的熱力學原理。同樣的邏輯，人在一個知識領(lǐng)域?qū)栴}的理解、學習和應(yīng)用有著共同點，有著本質(zhì)特征。找到本質(zhì)特征的不變量，模擬它的知識表述方式，然后，我們就可以舉一反三，反千萬。

遷移學習是每個人所具備的基本技能。例如，學過意大利語的，學西班牙語會快很多；學過數(shù)學的，學物理會容易一些；學過國際象棋，再轉(zhuǎn)中國象棋，會比那些新入門的有更高領(lǐng)悟力，這就是遷移學習。它對人來說是很自然的。即，過去學過的東西對于未來相關(guān)的場景有幫助。

從波蘭尼（Michael Polanyi）到野中，他們研究的隱性知識也是遷移學習的一種專家知識形式。在自己的領(lǐng)域，專家有較高的判斷力，因為他們能夠?qū)⒔?jīng)歷過的實踐場景和知識思考遷移到新現(xiàn)象中。智慧企業(yè)中，全員參與的持續(xù)創(chuàng)新也是利用來自各部門員工的隱性知識，創(chuàng)造新知識。不過，人工智能可以把圍繞隱性知識的認知協(xié)同提升到一個指數(shù)級別的高度。

首先，人的知識表述受限于個人經(jīng)驗、標準化語言形式、溝通雙方理解和表達能力的差異、人的學習習慣。但人工智能的“遷移學習”不必依循人腦思維路徑，也就不必受隱性知識因素的約束。遷移學習最關(guān)鍵的一個點就是知識表達（Representation）。比方說造汽車和造飛機，相互之間知識技能可以借鑒，是因為我們能建立兩部分制造技能的公共知識表達，如果建立不起來，沒辦法遷移學習。而人的公共知識表述有許多限制。

其次，過去機器學習都沒有遷移學習，所有的機器學習都像是從剛出生的嬰兒開始學。它把數(shù)學學會了，當它進入到物理的時候，過去學過的所有的東西都忘記了，又重新開始。遷移學習要解決的是未來能讓機器活到老學到老，不斷跨領(lǐng)域終身學習。目前，遷移學習在公共知識表達上已經(jīng)取得突破，以及在遷移的技術(shù)方法上也已經(jīng)有非常豐富的體系以及很多的落地應(yīng)用。人工智能的知識表達不僅可以做到高帶寬的、高速的、大內(nèi)存、大存儲，而且能夠以人不能理解的編碼方法讓機器更高效地交互。這就突破了人腦決策的有限理性。我們經(jīng)常用一個成語叫做面面俱到。它對于人是貶義詞。又如事無巨細，也是貶義詞。但對于計算機就是褒義詞，能夠通盤考慮，精打細算。反之也然，我們說抓大放小，形容一個人有水平。但是放在計算機上就是貶義詞，對應(yīng)了人的有限理性。

徐光啟說，“欲求超勝，必先融通”。我們需要全員參與持續(xù)創(chuàng)新，因為它能夠融通全員智慧，獲得認知協(xié)同的系統(tǒng)效果。遷移學習能夠支持更高維度的組織認知協(xié)同。

人工智能的另一概念也有助于突破智慧企業(yè)的一個實踐障礙：組織成員認知協(xié)同過程中，怎樣做到既深入，又寬廣？人工智能的VC維理論是由兩位學者（Vapnik和Chervonenkis）建立的統(tǒng)計學習理論，它反映可學習函數(shù)集的模型容量（反映了模型的復(fù)雜性、表達能力等）。VC維越大則模型或函數(shù)越復(fù)雜，可表達可學習的知識就越豐富，機器的學習能力也就隨之越強。通俗解釋，如果人類的智商水平可以用大腦的腦細胞數(shù)來衡量，那么機器的智商水平就可以用VC維來衡量，即超高智商的人工智能，需要超高維度的機器學習模型來實現(xiàn)。簡單地講，過去模型很難兼顧深和寬二個維度，數(shù)據(jù)特征的多元性、多樣性越高，模型擬合度越低，可靠性越低。而隨著大數(shù)據(jù)時代的到來，越來越多的數(shù)據(jù)支撐以及人工智能技術(shù)的研究突破解決了這個悖論，在大數(shù)據(jù)的支撐下，需要想方設(shè)法提高機器學習的模型維度來提升機器的智能程度。我們比喻VC維是人工智能的IQ，是機器智商。它概括機器智能的復(fù)雜度、表現(xiàn)力、豐富性和靈活范圍。在野中的智慧企業(yè)思想中，創(chuàng)新互動的場（Ba）兼顧縱向?qū)I(yè)分工和橫向認知協(xié)同的需求。在人工智能賦能的認知協(xié)同過程中，持續(xù)提升的VC維兼顧學習的深度和廣度。

做為一個持續(xù)創(chuàng)新的智慧企業(yè)，它的群體智慧來自全員參與而到達的認知協(xié)同。為同樣的目標，人工智能的遷移學習技術(shù)和VC維邏輯思想可以指數(shù)級提升認知協(xié)同。

無論是人的認知協(xié)同，還是人機融合的認知協(xié)同，它們的目標都是為更優(yōu)的決策提供幫助——理解現(xiàn)象，發(fā)現(xiàn)問題，解決問題。下面，我們說明，持續(xù)創(chuàng)新的決策關(guān)系到四種問題情境。而人工智能可以增強所有問題情境中人的決策能力。

認知協(xié)同的問題情境和決策類型

愛因斯坦說，假如給我1小時拯救地球，我要用59分鐘想清楚，這是一個什么問題。他的夸張表述提醒我們，搞清楚決策問題性質(zhì)是第一原則。

管理中的決策事關(guān)三方面：目標、手段和實現(xiàn)過程。決策活動包括理解問題和對應(yīng)的選擇目標、手段和實現(xiàn)過程。決策活動的差別受到三者確定性和不確定性的影響。借用奈特（Frank Knight）對不確定性的定義，我們看到管理中四種問題情境：

第一種是可以“執(zhí)行”的問題。它屬于“已知并己知”（Known knowns）的決策。20世紀90年代，企業(yè)開始強調(diào)執(zhí)行力、流程再造和精益化生產(chǎn)。它們都有共同的前提假設(shè)，即我們可以獲得想要獲得的信息。通過收集最佳表現(xiàn)信息，我們能夠建立起可靠的因果關(guān)系知識。然后，按照總結(jié)的規(guī)律，推廣和重復(fù)最佳表現(xiàn)活動，并產(chǎn)生優(yōu)化的結(jié)果。從20世紀50年代開始的商業(yè)策略管理基本上追循同樣的邏輯。即使后來“有限理性”概念修改了優(yōu)化原則，并替代以滿意原則，商業(yè)策略理論和實踐還是相信目標和手段是可知的，它們之間有內(nèi)在的對應(yīng)關(guān)系。

第二種是可以“設(shè)計”的問題。它屬于“無知的已知”（Unknown knowns）的決策。進入21世紀，人們越來越認識到社會復(fù)雜系統(tǒng)中的人的意愿和體驗因素的重要性。在多元文化和價值觀社會環(huán)境中，管理往往面臨“刁怪問題” （Wicked problems）,因為文化、社會心理和人的意愿因素。在社會意愿系統(tǒng)中，人們的策略目標和實現(xiàn)目標的手段都是可以改變的。因為可以改變，管理問題的定義也可以被替換。例如，在有些國家和地區(qū)，戴口罩和社交活動禁令被認為是對人身自由限制。一個公共衛(wèi)生問題被替換成為政治信仰問題。又如，線上網(wǎng)絡(luò)課程被認為是體驗感差的教育技術(shù)。但是，當線上和線下融合設(shè)計出現(xiàn)后，線上選擇被重新認識，被視為新的賦能技術(shù)。

第三種是需要“反思”的問題。它屬于“已知的無知”（Known unknowns）的決策。需要反思的問題有兩類。一類是需要科學反思的問題。引發(fā)它的是執(zhí)行錯誤、偏差和失敗?？茖W反思重點在于用科學方法做實驗，測試假設(shè)。根據(jù)實驗結(jié)果，我們修改現(xiàn)有的規(guī)律和規(guī)則。另一類是需要價值反思。引發(fā)它的是不同利益相關(guān)者和群體之間的沖突。對于價值觀沖突引發(fā)的管理失敗，我們要從倫理道德和人文價值觀的角度去反思現(xiàn)有管理實踐是否合適。例如，人工智能與人類勞動者之間的關(guān)系、人工智能對就業(yè)機會的影響等。

第四種是需要“探索”的問題。它屬于“無知的無知”（Unknown unknowns）的決策。需要探索的問題往往只存在于我們想象力的邊緣地帶。它首先屬于人類好奇和文學式猜想范圍。例如，電腦的硅體智慧和人腦的有機體智慧結(jié)合后，會產(chǎn)生怎樣的混元智慧？又如，假如因為地緣政治沖突和流行疾病的反復(fù)，全球演變?yōu)橐粋€個孤島，人類社會將怎樣進化或退化？它們均屬于無知的無知范疇。在這個范疇，我們既不知道什么是合適的問題，更不知道什么是解決問題的手段。但是，我們可以想象各種各樣的問題。在制造問題的文學想象過程中，我們啟動一系列可以實驗的假設(shè)和先驗的思考維度。它們的使命是開啟值得思考的問題。例如，19世紀，兩位統(tǒng)計學家（Heinrich Wilhelm Brandes and Sir Francis Galton）首先試圖用格式化的氣象圖描述各地氣候，然后形成連續(xù)的氣象預(yù)報。他們的預(yù)報是極其不準確的，但首創(chuàng)的方法開啟了氣象預(yù)報系統(tǒng)。

下圖總結(jié)認知協(xié)同的四種問題情境。無論是全員認知協(xié)同還是人機認知協(xié)同，它們背后都涉及到對這四種類型問題的決策（見圖1）。

無論是全員認知協(xié)同還是人機認知協(xié)同，它們背后都涉及到對這四種類型問題的決策。

發(fā)展至今，人工智能已經(jīng)有針對上面四種問題情境的決策模型。以第四范式的“自動機器學習”（AutoML）系統(tǒng)為例，它的基本決策模型是一個OODA思維框架，OODA是西方軍事學家博伊德（John Boyd）提出的作戰(zhàn)理論，現(xiàn)已被廣泛應(yīng)用到企業(yè)管理經(jīng)營領(lǐng)域，其核心思路是觀察（Observe）-判斷（Orient）-決策（Decide）-行動（Action）四個環(huán)節(jié)的迭代循環(huán)。

從觀察開始（Observe），這個環(huán)節(jié)的核心是感知業(yè)務(wù)現(xiàn)狀，這是企業(yè)經(jīng)營者做經(jīng)營決策優(yōu)化的第一步。在這個環(huán)節(jié)里，AI在人的指導下去感知問題情境，收集圖像、文本和語音等多模式數(shù)據(jù)。過去，人的觀察受有限理性能力限制，只能“抓大放小”，不能“面面俱到”。現(xiàn)在，AI能夠支持海量數(shù)據(jù)收集，近乎實時的多模態(tài)數(shù)據(jù)處理（圖像、文本、聲音等），以及極強的規(guī)?；蓮?fù)制的能力。AutoML 已經(jīng)有對結(jié)構(gòu)化、非結(jié)構(gòu)化以及半結(jié)構(gòu)化數(shù)據(jù)處理能力，比如針對圖像的自動計算機視覺能力，針對文本的自動自然語言處理能力，以及對于知識圖譜的自動知識圖譜學習能力等等。過去，對許多原始數(shù)據(jù)（即對尚未建立強相關(guān)性的現(xiàn)象觀察），人們依賴專家的隱性知識去識別與決策有關(guān)的洞察（Insight）。現(xiàn)在，AI有多種方法去自動化處理殘缺的數(shù)據(jù)，單項的數(shù)據(jù)（只有正項或負項）、小樣本數(shù)據(jù)等等，AI可以在很大程度上幫助人類更加快速地從海量數(shù)據(jù)收集并提取與決策有關(guān)的信息，更高效、更有效地感知業(yè)務(wù)現(xiàn)狀。

然后，是判斷（Orient），這個環(huán)節(jié)的核心是對業(yè)務(wù)進行深入地洞察以及對未來進行精準地預(yù)判，之所以需要預(yù)判，是因為企業(yè)經(jīng)營者所有的決策都是影響未來，都需對未來負責。這個環(huán)節(jié)一般要解決兩類問題，一類是對現(xiàn)狀的判斷或者更加深入地洞察，另一類是對未來更加精準地預(yù)判。（1）對于現(xiàn)狀的判斷或洞察，AI能夠增強人的，更多的是提供更加準確以及全面的判斷。例如，一線員工處理已經(jīng)程序化的事物。他們只需要按照組織流程和習性去執(zhí)行。研發(fā)人員處理需要反思的問題。他們用實驗方法測試假設(shè)，總結(jié)規(guī)則，形成新的流程和習性。中級管理人員綜合市場、運營和研發(fā)力量，處理設(shè)計相關(guān)的問題，思考新價值和新產(chǎn)品。而高管則要對未知市場現(xiàn)象作出判斷，判斷是否要調(diào)度資源，思考進入未知領(lǐng)域。這個過程中，我們看到三個需認知協(xié)同的挑戰(zhàn)：

1）判斷和選擇有時間滯后性。無法即可響應(yīng)。

2）判斷分工伴生認知隔閡。低、中、高管理層各自關(guān)注任務(wù)的一個方面，很難全局全景地理解問題。

3）問題現(xiàn)象是全面的、敏感的、復(fù)雜的。但各層管理者只能在人的認知能力范圍內(nèi)裁剪現(xiàn)象。他們一般用“平均值”思維去框限渾然一體的現(xiàn)象。

對于AI，上面的認知協(xié)同挑戰(zhàn)都有方法解決。首先，因為有大功率處理器和可以大規(guī)模復(fù)制業(yè)務(wù)場景的應(yīng)用軟件，AI可以做到毫秒級的即刻響應(yīng)。其次，人的認知維度有限，成千上百已經(jīng)是天才。但是，AI可以有萬億級的規(guī)則維度去捕捉現(xiàn)象維度。再次，根據(jù)人的指令，AI可以平均值，也可以極值處理數(shù)據(jù)。兩者沒有數(shù)據(jù)質(zhì)量妥協(xié)關(guān)系。AI“裁剪”觀察現(xiàn)象的細粒度和保真度極高，甚至可以對模糊現(xiàn)象作增強處理。最后，AI對四類問題現(xiàn)象的判斷不必要非此即彼。它可以做到“面面俱到”。換言之，一個現(xiàn)象可以同時在四個問題類別內(nèi)處理，并比較優(yōu)化結(jié)果。例如，對新冠防疫問題，它可以是執(zhí)行層面需要決定的問題，比如，（1）對現(xiàn)狀的洞察與判斷：判斷出目前人群中潛在的病毒攜帶者，（2）對未來的預(yù)測：預(yù)測疫情未來的走勢以及各種管控手段對結(jié)果的影響。出現(xiàn)情況，首先從檢驗開始，快速識別潛在病毒攜帶者，做好有效隔離預(yù)防措施，補充醫(yī)療資源。這是已經(jīng)建模的決策，可以自動反應(yīng)。它也同時可以為其它三個象限的問題。比如，不同社區(qū)條件下，是否可以對問題有不同定義和理解。再如，對于新出現(xiàn)的病例，有沒有完全探索性的解釋方向？

在對業(yè)務(wù)的現(xiàn)狀以及未來有了精準判斷之后，AI輔助人的四類決策（Decide），即決定、設(shè)計、反思和探索。如圖1所討論的，這四種決策可以同步開展，并通過強化學習和遷移學習相互反哺。最后一個階段是行動（Act）。對不同象限內(nèi)的問題和決策，AI可以支持管理者的不同行動風格。在決定和反思范疇，已經(jīng)建模的AI應(yīng)用軟件能自動化一系列程序，把人從有限理性束縛中解放出來。AI也能夠得益于人的直觀能力，針對偶然現(xiàn)象，尚未標識的偏差、新現(xiàn)象，構(gòu)建數(shù)據(jù)閉環(huán)，收集新數(shù)據(jù)，模型自學習，強化模型可靠性。在設(shè)計和探索范疇，AI能跨領(lǐng)域建議思考的樣板、雛形和態(tài)勢，增強人的創(chuàng)造性思維活動。圖2概括了AI和人類認知能力之間相契合的問題與決策版圖。

在設(shè)計和探索范疇，AI能跨領(lǐng)域建議思考的樣板、雛形和態(tài)勢，增強人的創(chuàng)造性思維活動。

AI增強的高維認知協(xié)同實例

解決問題決策（Determination）

新冠流行初期，第四范式受委托，收集數(shù)據(jù)，建立反應(yīng)模型。雖然開始的時候只有少量小樣本數(shù)據(jù)，AI的學習工具可以自學習，自適應(yīng)，并隨著數(shù)據(jù)量和對疫情的理解不斷優(yōu)化預(yù)測能力。模型顯示，當疫情在一個地方發(fā)生后，雖然有諸多立即需要采取的措施，但是其實施大規(guī)模檢測，了解疫情分布是首要的行動。后來，大規(guī)模檢測的方法成為標準動作。在時間緊迫性極高的新冠疫情防范過程中，它極大提升防疫效率。

一家國際連鎖超市的倉庫管理中有物流配件的合理配置問題。受地方大小限制，太多太少都制造物流瓶頸。而物流配件需求與成千上萬種貨物搬運、商店配貨要求、貨物季節(jié)變化等諸多因素相關(guān)。過去，企業(yè)只能憑借經(jīng)驗，建立較大的容錯幅度，配備更多的人力來協(xié)調(diào)?，F(xiàn)在，AI可以用環(huán)境學習工具模擬建立一個與倉庫物流有高保真度的數(shù)字孿生虛擬環(huán)境。季節(jié)性的變量與參數(shù)可以在模擬環(huán)境下高保真顯示。AI應(yīng)用也可以預(yù)警需求變化，成為管理人員的決策助手。有AI支持，管理人員可以關(guān)注其它倉庫物流需要優(yōu)化和改進的地方。在同一套AI溝通語言環(huán)境中，各個環(huán)節(jié)的管理人員更加容易快速表達問題，快速討論決策選擇，快速實施決定的方案。這種認知協(xié)同效果是前所未有的。

設(shè)計問題決策（Design）

一家民營私人銀行眾多客戶需求和業(yè)務(wù)背景千差萬別。因此，他們對金融服務(wù)的價值偏好有極高的多元多樣性。過去，標準服務(wù)之外，銀行市場營銷部門很難有多種多樣的服務(wù)設(shè)計。憑借歷史經(jīng)驗，銀行最多有100條規(guī)則來安排組合服務(wù)產(chǎn)品，而且正確性也強差人意?，F(xiàn)在，AI應(yīng)用軟件可以支持千萬條不同的規(guī)則。通過標注超過2千萬數(shù)據(jù)集，銀行可以精確地建議不同組合的服務(wù)產(chǎn)品。重要的是，市場營銷人員的時間和精力被解放出來。他們可以集中在與客戶社交互動和直觀感知維度，提升客戶的體驗價值。

另外一個設(shè)計問題的例證是關(guān)于糖尿病的防治和長期治理。糖尿病既是一種身體疾病，也是一種與生活方式有關(guān)的慢性病。醫(yī)治慢性病，除了醫(yī)生和病人的努力，它還需要每個家庭和社區(qū)的幫助。過去，糖尿病治療方案就那么幾種，不可能做到千人千方，因為觀察、監(jiān)控、診斷、建議、提醒、反饋等一系列流程涉及的信息量和分析維度超過醫(yī)生的能力范圍?，F(xiàn)在，AI應(yīng)用軟件可以建立與每個病人之間的合作治理關(guān)系，為每個人提供定制的健康規(guī)劃。

反思問題決策（Deliberation）

在服務(wù)金融企業(yè)和醫(yī)療機構(gòu)的過程中，AI應(yīng)用軟件可以因人而異，千人千面。但是，實踐過程中，派生的問題和伴生的問題也不斷出現(xiàn)。它們往往不是技術(shù)因素，而是社會文化和政治政策因素引發(fā)的。有些因素不可能在新事物出現(xiàn)之前就預(yù)先存在。它們往往是被AI強大技術(shù)效果激發(fā)出來的。例如，客人和病人的隱私保護問題。它需要機器和管理者共同反思，共同調(diào)整AI系統(tǒng)處理信息的方法。對于隱私保護，AI應(yīng)用現(xiàn)在已經(jīng)有基于特征切分的隱私加密技術(shù)。它能防止追溯個人信息，但同時允許企業(yè)對加密后的信息進行分析和利用。它是人與機器合作，共同反思管理過程中偏差和新現(xiàn)象的一個好例子。

有些場景下，我們刻意允許偏差，容忍失敗，保持較高的容錯率，因為我們需要有反思的機會。例如，全部標注數(shù)據(jù)，它當然會提高模型的準確度，但是標注數(shù)據(jù)有時成本是百萬或千萬級。而且，前期完美的模型不一定能容納后來的新變化。石油油井勘探過程就是類似的場景。由于地質(zhì)條件差異很大，AI模型最好能夠先從少量標注數(shù)據(jù)開始，通過自動半監(jiān)督學習、主動學習等技術(shù)，逐步標注新增加的油井信息。它既是經(jīng)濟的方法，也是進化學習的需要。在這個過程中，人與機器之間的認知協(xié)同非常緊密，因為機器需要專家對新情況做預(yù)先判斷，專家可以依靠機器的早期模型調(diào)整參數(shù)，優(yōu)化模型。它是一個人機認知共同演化的過程。

探索問題決策（Discovery）

漸凍癥疾病識別和防治可以算是一個探索問題決策。漸凍癥病例低于萬分之三，而且病人特征差異很大。它的許多癥狀和起因可以算是“不知的無知”，即沒有什么可以借鑒的先例，也沒有可靠的研究參數(shù)。這種病早期容易誤判，樣本少，而且是正樣本（來的時候，求診的已經(jīng)有病了。）對于這樣的高不確定性的問題，AI應(yīng)用軟件可以對未標記數(shù)據(jù)做噪音負樣本處理，用自動半監(jiān)督學習逐步標注數(shù)據(jù)。這樣就有了開始的參數(shù)。有貝爾斯概率論知識的讀者了解，只要有起始參數(shù)，我們就可以逐漸從“不知的無知”進入“已知的無知”。而對后者，我們有科學實驗的方法去證實和證偽。在探索領(lǐng)域，AI的相關(guān)應(yīng)用軟件可以讓科學家認知速度和質(zhì)量到達指數(shù)增長的階段。

另一個通用的探索問題決策是如何降低探索的風險和成本？通過環(huán)境學習（Environment Learning）技術(shù)，AI可以為任何場景模擬一個數(shù)字孿生的環(huán)境，環(huán)境學習技術(shù)能夠解決以往數(shù)字孿生環(huán)境難以構(gòu)建的核心難題，通過數(shù)據(jù)驅(qū)動的方式，讓機器主動從高維的環(huán)境中學習到高維的環(huán)境知識與環(huán)境規(guī)律，并利用這樣的環(huán)境知識與規(guī)律構(gòu)建高精度的數(shù)字孿生環(huán)境。在精準的數(shù)字孿生環(huán)境中，實驗沒有實體效果的風險，能夠大規(guī)模模擬各種場景，并對決策結(jié)果做更加準確的預(yù)判。例如，電動車企業(yè)用數(shù)字孿生環(huán)境測試人車相撞的各種后果。沒有數(shù)字孿生環(huán)境，這樣的實驗風險高，有違倫理，成本大。類似的探索可以廣泛運用到企業(yè)持續(xù)創(chuàng)新過程中?？鋸埖刂v，在數(shù)字孿生環(huán)境中，人們可以像兒童玩耍一樣，任意想象場景、參數(shù)、模型和互動效果?！皩庾匀幔苋鐙雰汉?？” 老子認為，創(chuàng)新最高境界是像嬰兒那樣無拘無束，自由自在地想象。有AI支持的數(shù)字孿生環(huán)境，游戲般的快樂認知協(xié)同已經(jīng)是現(xiàn)實。

并且再加以利用AlphaGo中的核心技術(shù)強化學習（Reinforcement Learning）技術(shù)，能夠讓機器自動從環(huán)境的各種變化中學習應(yīng)對策略，得益于深度學習的發(fā)展，機器不再受制于人類已有的有限的實踐經(jīng)驗的約束（比如圍棋中有限的“人類棋譜”，數(shù)量級是數(shù)千萬），機器能夠從海量的“自博弈”模擬場景（比如圍棋中的自博弈棋局，數(shù)量級至少是百億千億，甚至更多，可以無窮無盡）中總結(jié)最佳應(yīng)對策略的規(guī)律，并在實際世界中實時快速響應(yīng)環(huán)境變化，幫助企業(yè)經(jīng)營者實時高效地作更加精準的決策，提升整體運營效率。

關(guān)于AI支持下，人機認知協(xié)同實例，我們圖3做個概括。

機器能夠從海量的“自博弈”模擬場景（比如圍棋中的自博弈棋局，數(shù)量級至少是百億千億，甚至更多，可以無窮無盡）中總結(jié)最佳應(yīng)對策略的規(guī)律。

執(zhí)行認知協(xié)同戰(zhàn)略

必須要指出，我們對認知協(xié)同的重要性才剛剛開始理解。野中的《擁有智慧的企業(yè)》一書觸發(fā)我們對認知協(xié)同的關(guān)注。雖然我們分析了AI在四個決策領(lǐng)域起到的認知協(xié)同作用，大多數(shù)企業(yè)還是把重點放在AI的自動化功能、AI替代部分專家的認知能力、AI采集人的智慧并保留在機器認知能力中。如果這樣，AI和管理人之間的矛盾和沖突只會加劇。

我們認為，一個由AI賦能的智慧企業(yè)應(yīng)該是一個高VC維的、認知協(xié)同的場（Ba）（見圖4）。它不僅與野中的智慧企業(yè)和持續(xù)創(chuàng)新思想一致，而且有跨文化的實踐價值。

大多數(shù)企業(yè)還是把重點放在AI的自動化功能、AI替代部分專家的認知能力、AI采集人的智慧并保留在機器認知能力中。如果這樣，AI和管理人之間的矛盾和沖突只會加劇。

實踐智慧企業(yè)認知協(xié)同的場，企業(yè)領(lǐng)導者要建立新的組織習性，即卡塔（Kata）。這個卡塔包括下面九條：

1、高度推崇人類認知優(yōu)勢。它包括感性和直觀能力、對偏差的敏感、美學意識、解釋偶然性的能力、有價值觀、有生命的欲望和沖動。

2、確定AI認知優(yōu)勢的方向在服務(wù)人，在支持組織全員認知協(xié)同，在人機認知協(xié)同方面。AI的認知能力不是用于替代人，而是增強人的認知協(xié)同效果。

3、推廣人機協(xié)同的融通實踐。企業(yè)要制定融通實踐的政策。對每一個被自動化的任務(wù)，企業(yè)同時啟動人機協(xié)同的新任務(wù)。

4、為四種問題決策領(lǐng)域作情境設(shè)計。于是，員工了解自己可以參與哪種情境，貢獻怎樣的智慧。

5、為人機認知協(xié)同規(guī)劃故事執(zhí)行流程。感性的人更能理解有故事情節(jié)的執(zhí)行過程。鑒于AI強大的理性分析能力，企業(yè)需要投放更高比例的資源在感性故事規(guī)劃上。它為管理人參與人機協(xié)同創(chuàng)造平等條件。

6、設(shè)立多維價值觀和績效衡量標準。對人的貢獻，企業(yè)不可以用對機器的效率標準去衡量。一個持續(xù)創(chuàng)新的場要求參差不齊的豐富元素。企業(yè)要為人的智慧貢獻羅列更多的激勵指標。

7、全球企業(yè)都要準備向智慧企業(yè)遷移。新冠疫情為人類紀元制造了一個重要的分水嶺。之前的策略和價值觀都處于一個轉(zhuǎn)變期。未來，智慧企業(yè)和非智慧企業(yè)將有云泥之別。具體差別在哪？一切都在演繹過程中。

8、東西方文化互鑒是智慧企業(yè)另一個生生之源。如果未來AI有一場文藝復(fù)興運動，它一定來自東西方文化互相借鑒的界面。

9、建立“美美與共”的“雙百社會”。甲骨文的“企”是一個有未來欲望的人，通過行動，站立起來。企業(yè)的終極目的是什么？是通過創(chuàng)新創(chuàng)造活動，人的意識集體蘇醒，昂揚站立起來！人工智能把人從重復(fù)性勞動中解放出來。下一步，企業(yè)要追求的是一個百花齊放、百家爭鳴、各美其美、美美與共的人類命運共同體。

據(jù)說，愛因斯坦習慣給學生同一張期中和期末考試卷。學生問其原因。愛因斯坦回答：題目是一樣，答案卻不同了！智慧企業(yè)的題目是一樣的，中國企業(yè)應(yīng)該予以更高文明的答案。

（作者鮑勇劍系加拿大萊橋大學商學院終身教授，復(fù)旦大學管理學院EMBA特聘教授；涂威威系第四范式副總裁，主任科學家；黃纓寧系第四范式產(chǎn)品總監(jiān)。本文首發(fā)于清華管理評論，澎湃科技獲授權(quán)轉(zhuǎn)載。）