［摘要］人工智能技術(shù)沿著(zhù)機器人、專(zhuān)家系統、神經(jīng)網(wǎng)絡(luò )系統三條道路發(fā)展。基于神經(jīng)網(wǎng)絡(luò )的人工智能技術(shù)正在取代其他技術(shù)成為主導人工智能技術(shù)，但神經(jīng)網(wǎng)絡(luò )技術(shù)存在過(guò)度模型化、參數化、模型不可解釋等缺點(diǎn)，導致其在管理智能化道路上難以有大的發(fā)展。人工智能技術(shù)的發(fā)展，需要在專(zhuān)家系統和神經(jīng)網(wǎng)絡(luò )模型有機結合的基礎上，進(jìn)行技術(shù)創(chuàng )新，探索智能化技術(shù)。本文認為，管理智能化技術(shù)的發(fā)展方向是在各個(gè)專(zhuān)業(yè)管理領(lǐng)域尋找能夠實(shí)現智能化的準確計算方法和因素窮盡方法。

［關(guān)鍵詞］智能管理；管理智能化；人工智能技術(shù)

信息技術(shù)的發(fā)展使人類(lèi)社會(huì )正在從工業(yè)文明時(shí)代邁入信息文明時(shí)代，人工智能和人類(lèi)智能相結合開(kāi)啟人機融合智能時(shí)代。在這個(gè)時(shí)代重復性或機械式的腦力勞動(dòng)將大量被人工智能技術(shù)取代（Trajtenberg，2018）［1］。但是，這種估計未免過(guò)于樂(lè )觀(guān)。只要簡(jiǎn)單回顧一下人工智能技術(shù)發(fā)展的歷史，就不難看出沿著(zhù)傳統的人工智能技術(shù)的發(fā)展路徑很難使管理工作的智能化水平達到6σ（百萬(wàn)分之一失敗率、廢品率）級別的質(zhì)量要求。

1949年赫布（Hebb）［2］借鑒神經(jīng)元理論，第一次提出基于無(wú)監督學(xué)習的單層神經(jīng)網(wǎng)絡(luò )模型，它將輸入信息按照它們的相似性劃分為若干類(lèi)，之后通過(guò)調整特征類(lèi)型之間的激活水平（權重系數），來(lái)尋求對測算集信息和訓練集信息來(lái)說(shuō)具有最佳學(xué)習速率的模型。之所以將基于神經(jīng)網(wǎng)絡(luò )模型的求解過(guò)程稱(chēng)為機器學(xué)習問(wèn)題而不是模型優(yōu)化問(wèn)題，主要是因為這種方法所建立的模型是基于模型訓練集樣本數據的基礎上，而其準確性、可靠性測試則需要測試集樣本數據之上進(jìn)行，通過(guò)這種訓練集和測試集數據調整之后的模型最終要應用到這些訓練、學(xué)習數據之外的真實(shí)場(chǎng)景數據之中。

神經(jīng)網(wǎng)絡(luò )模型簡(jiǎn)單來(lái)說(shuō)是用一個(gè)模型將輸入信息（數據）按照它們的相似性劃分為若干類(lèi)型，之后通過(guò)激活水平調整（權重系數調整），來(lái)提高對數據特征的識別能力。1958年Rossenblatt提出的感知器模型［3］，通過(guò)對輸入數據的正則化（regularization）處理，依靠權重衰減等泛化技術(shù)（generalization），使模型對數據的識別能力進(jìn)一步提高。但是，1969年Minsky出版的《Perceptron》一書(shū)，用數學(xué)方法證明感知器模型是線(xiàn)性分類(lèi)模型，而異或問(wèn)題是線(xiàn)性不可分的，如果將計算層增加到兩層，則計算量會(huì )過(guò)大，并且也沒(méi)有有效的算法模型來(lái)求解。此后人工智能技術(shù)陷入低潮，直到1982年Hopfield提出反饋神經(jīng)網(wǎng)絡(luò )（BP，Back Propagation）［2］，通過(guò)建立多層感知器（MLP，Multilayer Perceptron，一種前饋人工神經(jīng)網(wǎng)絡(luò )模型），將輸入的多個(gè)數據集映射到單一的輸出的數據集上，以解決任何線(xiàn)性不可分問(wèn)題。于是帶來(lái)了基于求機器學(xué)習算法模型為基礎的人工智能技術(shù)的第二次高潮。從反饋神經(jīng)網(wǎng)絡(luò )模型（BP）開(kāi)始，研究者們更多地從數學(xué)上尋求問(wèn)題的解，而不再盲目模擬人腦來(lái)建立模型。1986年Rumelhart、Hintonh和McClelland提出誤差反饋神經(jīng)網(wǎng)絡(luò )（Error Back Proragation）［4］，通過(guò)輸入信號正向傳播和識別誤差反向傳播來(lái)調整各層神經(jīng)網(wǎng)絡(luò )模型的權值，以尋求模型識別（學(xué)習）精度的提高。1989年Bengio提出卷積神經(jīng)網(wǎng)絡(luò )模型（CNN，Convolutional Neural Networks，是一種深度前饋神經(jīng)網(wǎng)絡(luò )模型）［5］，通過(guò)卷積層（convolutional layer）和池化層（pooling layer）的區分，可以直接輸入原始圖像信息并進(jìn)行識別，通過(guò)局部權值的共享降低了網(wǎng)絡(luò )識別的復雜性。但是，在2006年之前，訓練一個(gè)深度有監督的前饋神經(jīng)網(wǎng)絡(luò )一直沒(méi)有產(chǎn)生出理想的效果（在訓練集和測試集中的誤差較大）。2006年Hinton提出深度可信神經(jīng)網(wǎng)絡(luò )（Deep Belief Networks，DBNs）［6］，將無(wú)監督學(xué)習用于（預）訓練每一層；在每一層學(xué)習到的結果作為下一層的輸入；用有監督訓練來(lái)調整所有層（加上一個(gè)或者更多的用于產(chǎn)生預測的附加層）；深度可信神經(jīng)網(wǎng)絡(luò )DBNs在每一層中可使用無(wú)監督學(xué)習RBMs來(lái)訓練，為解決深層結構相關(guān)的優(yōu)化難題帶來(lái)希望。Bengio等通過(guò)引入多層自動(dòng)編碼器（auto－encoders）技術(shù)［7］，將多維輸入向量的圖像直接輸入網(wǎng)絡(luò )，避免了數據特征提取和分類(lèi)過(guò)程中的數據重建，從而使深度神經(jīng)網(wǎng)絡(luò )技術(shù)近幾年在圖像識別、語(yǔ)音識別等領(lǐng)域獲得重大突破，并掀起了人工智能技術(shù)發(fā)展的第三次浪潮。2017年谷歌公司開(kāi)發(fā)完成的AlphaGo Zero，選擇完全放棄從人類(lèi)已積累的棋局來(lái)學(xué)習下棋經(jīng)驗的實(shí)踐路徑，用無(wú)監督增強深度學(xué)習模型，從一張白紙開(kāi)始讓機器通過(guò)自我對弈來(lái)學(xué)習積累下棋策略，經(jīng)過(guò)三天的自我學(xué)習，使其達到了能夠打敗任何人類(lèi)棋手的地步。

其實(shí)1956年John McCarthy提出“人工智能（Artificial Intelligence）”概念以來(lái)，人工智能一直沿著(zhù)三條技術(shù)路線(xiàn)展開(kāi)，

一是研發(fā)模仿人類(lèi)的機器人，二是基于規則的專(zhuān)家系統，三是基于模型的機器學(xué)習算法。機器人研發(fā)實(shí)際上是專(zhuān)家系統和機器學(xué)習算法在模仿人的機器設計中的應用。從理論方法角度來(lái)看，人工智能主要是專(zhuān)家系統和機器學(xué)習方法。

專(zhuān)家系統在上個(gè)世紀70年代到90年代獲得了快速發(fā)展，諾貝爾經(jīng)濟學(xué)獎獲得者西蒙期望將“人的決策過(guò)程和問(wèn)題求解過(guò)程”（Simon，1978）用計算機軟件來(lái)代替，IMB公司研發(fā)的深藍（Deep Blue）機器人在1997年戰勝?lài)H象棋冠軍Garry Kasparov，使基于規則的專(zhuān)家系統的發(fā)展達到了頂峰。在2014年深度學(xué)習技術(shù)在圖像識別領(lǐng)域獲得重大突破之后，IBM公司成立“Watson Group（沃森集團）”繼續在基于規則的人工智能系統的開(kāi)發(fā)方面努力。2015年IBM與德州大學(xué)MD安德森癌癥中心（UT MD Anderson Cancer Center）合作成立人工智能醫療部門(mén)Watson Health，開(kāi)發(fā)臨床決策應用系統Oncology Expert Advisor（OEA，腫瘤專(zhuān)家顧問(wèn)），期望通過(guò)人工智能技術(shù)一舉解決當前困擾人類(lèi)的腫瘤診療問(wèn)題。但是實(shí)踐探索效果并不理想，合作單位于2016年底宣布終止合作，2018年IBM的人工智能醫療部門(mén)宣布大裁員，使沿著(zhù)開(kāi)發(fā)專(zhuān)家系統的人工智能發(fā)展道路受挫。

基于神經(jīng)網(wǎng)絡(luò )模型的機器學(xué)習方法本質(zhì)上是用通過(guò)模擬的學(xué)習訓練來(lái)尋求輸入數據與輸出結果之間的真實(shí)關(guān)系，并通過(guò)設置參數（模型變量）來(lái)提高模型的復雜度和識別能力，通過(guò)增加深度（模型層數）來(lái)提高其模型的識別效率（學(xué)習速率），通過(guò)調整參數權值（激活函數及其水平）來(lái)提高模型與數據的擬合度。這一方法以谷歌公司成功開(kāi)發(fā)阿爾法圍棋（AlphaGo）軟件在2016年打敗世界冠軍李勝石，在2017年成功開(kāi)發(fā)AlphaGo Zero而達到頂峰。這給人留下了一種錯覺(jué)，似乎認為谷歌公司使用的無(wú)監督增強深度學(xué)習技術(shù)，所建立的人工智能模型和算法，未來(lái)將能夠實(shí)現各種類(lèi)型的智能化。其實(shí)不然。谷歌公司能夠建立打敗人類(lèi)的下棋能力的根本原因，是因為在模型訓練的時(shí)候，人們已經(jīng)事先設置了清晰的下棋規則和明確的輸贏(yíng)判斷標準，并且讓模型在一個(gè)固定的樣本數據（棋盤(pán)約束下的各種可能走棋步數）下訓練，如果沒(méi)有這些下棋規則、沒(méi)有人為固定機器模型的搜尋、學(xué)習范圍，讓其完全從一張白紙開(kāi)始學(xué)習，則很難建立起能夠打敗人類(lèi)冠軍的機器模型。谷歌公司AlphaGo Zero的勝利，恰恰說(shuō)明，基于規則的人工智能技術(shù)和基于模型的人工智能技術(shù)相結合，才能達到人工智能應用的最佳效果。

基于神經(jīng)網(wǎng)絡(luò )模型的機器學(xué)習方法存在一個(gè)致命的缺點(diǎn)，即經(jīng)過(guò)數據訓練所建立的模型，沒(méi)有對誤判結果的解釋能力，不能對誤判數據樣本及其案例追溯詢(xún)問(wèn)，導致模型準確率的提高完全依賴(lài)訓練樣本的質(zhì)量，期望模型識別準確率達到99．9％比較困難，要讓其達到工業(yè)化、自動(dòng)化生產(chǎn)應用要求的6σ（百萬(wàn)分之一）的誤差水平則更加困難。這是1999年筆者開(kāi)始尋找其他途徑來(lái)腦力勞動(dòng)智能化并于2001年探索性地開(kāi)發(fā)出《智能化財務(wù)分析系統》的根本原因［8］。即使到今天，神經(jīng)網(wǎng)絡(luò )模型的不可解釋性、不可追溯性問(wèn)題仍然沒(méi)有解決。而IBM的腫瘤專(zhuān)家顧問(wèn)系統的失敗，并不是基于規則的專(zhuān)家系統的發(fā)展方向的失敗，而是IBM公司選擇讓機器來(lái)解決人類(lèi)目前都不能解決的“腫瘤”問(wèn)題的選擇應用方向上的失敗。人工智能首先是“人工”的“智能”，如果人類(lèi)在認識上、理論上還沒(méi)有解決相關(guān)問(wèn)題，期望計算機模型、軟件等機器通過(guò)自己學(xué)習來(lái)解決也不現實(shí)。盡管近年來(lái)，基于模型的機器學(xué)習人工智能技術(shù)在圖像識別、語(yǔ)音識別等領(lǐng)域獲得了較大突破。但在管理領(lǐng)域，在讓計算機來(lái)代替人從事管理工作的領(lǐng)域，目前還沒(méi)有出現突破［9］。這主要是因為作為基于大數據訓練的深度學(xué)習技術(shù)，不能和人類(lèi)那樣吸取經(jīng)驗教訓，不能識別并糾正錯誤，不適合進(jìn)行因果關(guān)系識別和邏輯推理［10］，因此難以真正代替人從事腦力勞動(dòng)。智能管理的實(shí)現，需要另辟蹊徑。

企業(yè)管理工作復雜多樣、個(gè)性化程度很高，將企業(yè)管理工作智能化、交由計算機軟件來(lái)完成，如果不是不可能也至少讓人難以置信。因為，管理工作需要和人打交道，需要面對大量的不確定性問(wèn)題，怎樣才能讓計算機軟件來(lái)可靠地代替？大數據技術(shù)、云計算技術(shù)、人工智能技術(shù)為提供了大量可以使用的決策信息和強大的計算能力，在一定程度上解決了因為信息不對稱(chēng)而導致的不確定性問(wèn)題和因人的能力有限而產(chǎn)生的決策失誤。但是，要讓計算機軟件來(lái)實(shí)現管理工作的自動(dòng)化，還仍然需要在理論上和方法上獲得創(chuàng )造性突破。

從本質(zhì)上來(lái)說(shuō)，要回答的企業(yè)管理問(wèn)題，都可以歸為兩大類(lèi)：一類(lèi)是定量問(wèn)題，一類(lèi)是定性問(wèn)題。定量問(wèn)題完全可以交由計算機來(lái)完成，計算機的計算能力遠遠超過(guò)了人腦。而定性問(wèn)題，最終都可以歸結為因果關(guān)系分析和邏輯判斷問(wèn)題。因果關(guān)系分析只要能夠轉化成為“如果IF……，那么THEN……，否則ELSE……＂的邏輯判斷，計算機也能夠快速、準確地實(shí)現。如果所有的企業(yè)管理問(wèn)題，都可以區分為、歸結為定量問(wèn)題和定性問(wèn)題兩大類(lèi)，那么從理論上來(lái)講企業(yè)管理的智能化、計算機化就完全能夠實(shí)現［11］。

通過(guò)準確計算法讓計算機軟件來(lái)回答定量問(wèn)題，現在沒(méi)有人會(huì )懷疑其不能實(shí)現。如果將定性問(wèn)題轉化為因果關(guān)系邏輯判斷，那么計算機軟件也能夠比人類(lèi)更快速、更準確地完成這類(lèi)管理問(wèn)題的解決。有了解決管理問(wèn)題的準確計算方法和因素窮盡方法，就可以讓計算來(lái)解決定量管理問(wèn)題和定性管理問(wèn)題，管理工作的智能化也就能夠通過(guò)編寫(xiě)計算機自動(dòng)執行軟件而實(shí)現。由此可見(jiàn)，智能管理的核心是要找到能夠回答定量問(wèn)題的準確計算方法和回答定性問(wèn)題的因素窮盡方法。這和工業(yè)革命以來(lái)人們通過(guò)行動(dòng)作研究、工序研究、流程研究，以尋求機械化、自動(dòng)化技術(shù)來(lái)代替人類(lèi)從事體力勞動(dòng)的過(guò)程非常類(lèi)似，需要在各行各業(yè)的管理工作中尋找準確計算方法和因素窮盡方法，才能實(shí)現相關(guān)管理工作的智能化。

主要參考文獻

［1］Trajtenberg，M．AI as the Next GPT：A Political－Economy Perspective

［R］．NBER Working Paper，2018．

［2］D．O．Hebb：The Organization of Behavior［M］．New York：Wiley，1949．

［3］Frank Rossenblatt．A Probabilistic Model for Visual Perception［J］．Acta

張金昌.管理智能化需要另辟蹊徑[J].中國管理信息化,2020,23(17):155-157.