你的管理决策正在被AI悄悄改写
文| 鲍勇剑加拿大莱桥大学迪隆商学院终身教授、复旦大学管理学院EMBA特聘教授
作为管理的核心活动，决策正在被人工智能改变，它首先体现在金融机构的决策模式中。
对于银行信用卡业务，好信用不等于好客户。优质客户是那些愿意借钱、习惯分期还款、能够分期还款的消费者。过去，为分辨优质客户，决策模型最高能容纳二百维（变量）的数据分析。现在，人工智能企业第四范式把信用卡账单分期模型提升至五千万维，使账单分期推荐短信的响应率提升了68%，卡中心的账单分期手续费提升61%。这种跨越式的赋能已经不只是改变决策精准度，而是触发人们重新思考管理决策的基本原则和方法。
有限理性和满意即可是管理决策两个基本原则。而人工智能的决策模式正改造它们的前提条件，并向着极限理性和最优化决策的方向演变。
最早出现在他1947年的《管理行为》（Administrative Behavior）一书中，司马贺（Herbert Simon）认为，与外部环境隐含的规律相比，人的认知能力有限。这种有限性表现在计算能力、获取信息成本和思维模式这三个方面。因此，实际决策中，理性的人更习惯于使用启发性的经验规则（heuristics）指导令人满意的选择。这就是有限理性（bounded rationality）的规律和满意即可（satisficing）的方法。司马贺的研究影响至少两代经济学家（行为经济学和制度经济学）。后来的两位诺奖经济学家, 威廉姆森 (Oliver Williamson) 和泰勒（Richard Thaler）, 也分别继承司马贺的有限理性和满意即可的概念，建立自己的行为经济学和制度经济学的理论框架。
随着人工智能最新的发展，有限理性的决策前提越来越无法维持。首先，人脑发明和创造出来的人工智能可以裂变超越人的认知水平。对人脑而言的有限性，人工智能可以轻易突破。其次，机器之间的数据交流和分析本质上不同于人脑思维。它让基于人脑思维特征总结出的有限理性成为一个不相关的概念。再次，人工智能中的迁移学习极大地消除了人的认知学习过程中隐性知识的地位和角色。它使得人类决策中专家判断的隐性知识优势逐步消失。随着算法、大数据、计算机基础设施和对行业需求理解的深入，替代有限理性和满意即可的新概念解释必将出现。它们的具体特征还在变化发展中。但基本上会朝着极限理性和最优选择的方向发展。
人工智能在某些方面超越自然人的认知水平，这已经是现实。以银行信用卡业务分析为例，从二百维的分析模型到五千万维，这已经不是自然人可以处理和理解的阶段。更重要的是，人工智能支持下的模型可以扩容到亿万维，只要分析任务需要。对于银行信用卡管理者而言，他们可以要求模型追求最优化目标。同时，相对于人工智能支持下的模型分析能力，银行经理提出的任务要求难度永远低于系统可以扩容的能力。从这个能力和任务比较的角度看，对于银行经理，他们可以采用极限理性和最优选择思维。与过去的决策思维定势相比，这种新思维更符合环境现实，更能提升决策的有效性。
人工智能的专家戴文渊用BRAIN概括说明突破自然人的认知水平已经是现实。完整的人工智能系统有五个内生要素：第一是符合人工智能格式的大数据（big data），这个数据是需要按照人工智能的要求来收集数据。第二是要形成反馈（response），要定义准确什么是好的，什么是不好的。有反馈，机器可以自我学习和成长。第三是算法 （algorithm）。科学家越优秀，算法越高级。而算法一旦产生，它的运行效果可以超过创造它的科学家。第四是体系架构 (infrastructure)。大数据环境下，结构设计已经包括预置的优势或劣势。第五是需求(needs)。有了需求，就有业务主题范围，就可以在此范围内追求优化决策。这样的人工智能BRAIN代表着内生的、追求自我优化的闭环回路。在许多业务领域，它已经能够自动总结生成规律，并超越行业专家水平。
人工智能中的机器交互让有限理性思维失效。过去的人工智能其实是在模拟人或者理解人。这就要求计算机把自己变得越来越像人，比方说图像识别，计算机试图模拟人眼睛聚焦的特征去识别。而计算机的机器本质不是这样的，它是高带宽、高速、大内存、大存储的这样一个机器，人是低带宽、运算速度比较慢、容量也比较小。新的人工智能设计思想能够假设没有人参与决策过程沟通时，机器能够怎样做。
由此，不受人的有限理性约束，没有人参与的时候，机器和机器之间的交互可以高带宽、高速、大内存。举例来说，因为有限理性，人必须借助简化的启发性经验规则来决策。而机器不必简化规则，在一个设定的任务范围内，机器可以运用千万条规则做选择。机器的分析能力远远超过任务需求的复杂性。所以，机器可以追求极限理性和最优选择。这就是机器交互的特征。它让有限理性和满意即可的概念变得不相关。
例如，第四范式的人工智能决策系统帮助一家企业分析汽车贷款商机。在过去自然人决策环境下，许多细节信息被忽略，包括其中的商机。这种忽略是必要的和有效的，因为它符合有限理性和满意即可的规律。但新的人工智能决策系统可以涵盖分析所有的细节，并建议最优化的商机。过去，人指导机器。受人的有限理性影响，满意即可是经济有效的选择。现在，人工智能提醒人。它的赋能水平远高于任务要求。因此，以极限理性的思维追求最优选择，它才是新的管理决策风格。
除了利用和计算数据能力有限，造成管理决策中的有限理性和满意即可的还有隐性知识的因素。能够用标准化语言表达和传输的知识是显性知识。它一般被当作可以普遍学习和使用的公共知识。同时存在的还有另一个范畴的知识。它就是属于个人经验范畴的、没有标准化语言呈现的、需要身体力行才能理解的隐性知识。匈牙利哲学家波兰尼（Michael Polanyi） 曾说：你（专家）能讲出来的比知道的少。讲不出的专家判断部分就是隐性知识。日本学者野中郁次郎（Ikujiro Nonaka）把它和东方思维结合在一起，指出隐性知识感性直观特征、模糊性、随应用场景的灵活性。总之，隐性知识属于专家个人拥有的私人经验智慧。它的传递和理解难度给普通管理者的决策带来限制。先知先觉隐性知识的组织毕竟为少数。因此，一般管理者只能接受决策过程中的有限理性和满意即可。它也构成核心竞争力策略研究中的一个悖论：隐性知识成为竞争优势的重要来源。但后来者认知能力有限，难以快速获取专家水平的隐性知识。这个悖论正在人工智能迁移学习技术影响下逐渐消失。
隐性知识的背后其实是知识呈现和表述形式。人的知识表述受限于个人经验、标准化语言形式、沟通双方理解和表达能力的差异、以及人的学习习惯。但人工智能的迁移学习不必依循人脑思维路径，也就不必受隐性知识因素的约束。迁移学习最关键的一个点就是叫做知识表述。比方说数学和物理，我们能够建立起两部分知识的公共知识表述，掌握其中一项的知识就能促进另一项学习。根据人工智能专家杨强教授和戴文渊的研究，迁移学习是人所具备的基本技能。例如，人在掌握的多种语言和游戏技能之间可以互相促进。即使涉及专家拥有的隐性知识，笔者自己的研究也显示，它们可以通过与专家在同样问题情境下共同工作而有效转移。因此，隐性知识转移和学习是一个速度和规模大小的技术问题。它已经是人工智能可以解决的问题。
解决的原理还是超越过去模拟人思维的设计路线，从机器学习的长项入手，找到隐性知识表述的公共方法。对这种公共知识表述，人脑也许难理解和学习，但高带宽、高速、大内存的机器可以。例如，阿尔法狗没有办法告诉李世石，它为什么下这一步棋会赢。不是说不能表达，而是它无法用人类的语言去描述，但机器之间可以。迁移学习已经在公共知识表述上取得突破。这就解决隐性知识在专家和普通管理者之间转移和理解的有限性。
受人工智能发展的影响，管理决策思维正从有限理性和满意即可过渡到极限理性和最优选择。在这个过渡中，我们对待管理行为的许多态度也需要更新。
《创新需要猪队友》
