隨著Google的人工智能程序AlphaGo以4比1大敗南韓圍棋棋圣李世石（Lee Sedol），簡單的結(jié)論是：人工智能（AI）在對抗人類上已達到另一個里程碑，提高了人類的恐懼，擔心機器最終可能取代員工，甚至經(jīng)理人。但是，AlphaGo雖然以令人信服的方式獲勝，它已透露，人工智能仍然有一些缺失，特別是在涉及機器的直覺時。
Google在2014年以五億美元收購了AlphaGo的開發(fā)者DeepMind，以擴大其蓬勃發(fā)展的人工智能投資組合。AlphaGo的深度學習演算法，借助「走棋網(wǎng)絡(luò)」（ “policy network” ）和「估值網(wǎng)絡(luò)」（“value network”），不僅儲存了名人賽過往數(shù)百萬個棋局，也儲存了它和自己對奕的妙招。這兩個網(wǎng)絡(luò)的命名，聽起來有管理的意味，而且是以提高效率為目的，不單是為了提升電腦的原始計算能力?！缸咂濉梗ā眕olicy’’）有助于縮小最有可能獲勝的每一手的廣度；而「估值」（“value”）借著評估棋局尚未結(jié)束時每個位置的獲勝者，從而降低了搜索的深度。在定義良好的棋賽中的規(guī)則設(shè)定，限制搜索是很有道理的。
但是，在管理者所處的環(huán)境下，對競爭規(guī)則的管制較少，更重要的是，就利害關(guān)系來說，每個結(jié)果并不相等。換句話說，在商業(yè)上，要緊的不只是你輸或贏，也包括輸贏多少。在第三局比賽中，這種對人工智能的限制變得很明顯，AlphaGo沒有增加它的優(yōu)勢，反而下了「悠閑的幾手」（ “l(fā)eisurely moves.”）。在圍棋方面，每場棋賽都是獨立的。AlphaGo只關(guān)心贏得那場特定的比賽。不過，在商業(yè)上，你成功的重大幅度，可幫助你在后續(xù)的比賽中保住你的機會。如果你的競爭對手處于下風，你可能會想讓他永遠無法翻身。
人們以為AlphaGo擁有的另一個優(yōu)勢，是它的時間管理，其實那是限制。AlphaGo安裝了一個特殊的演算法，以便它在下每一手時，所花的時間相同。這個功能的好處是，AlphaGo可避免耗盡比賽規(guī)定的時間，而且不會在終局階段操之過急。這和棋圣李世石形成鮮明的對比，他會在整個比賽的策略性關(guān)鍵時刻，多花幾分鐘。在AlphaGo唯一嘗到敗績的第四局，其致命的一手使用了同樣「有效率」的時間。事后來看，更多的分析可能會讓AlphaGo走到較安全的位置。在商場上會有這種時候：例行的商業(yè)決策可以很快作出，但在公司面臨后果影響深遠的新狀況時，需要花較多時間去思考如何適應(yīng)及因應(yīng)。人工智能需要較多時間去發(fā)展這個層級的判斷。
最后，想一想AlphaGo的自我訓練演算法。盡管AlphaGo擁有千年以上的人類下圍棋的知識，它的失敗歸因于一個失誤，當下它被打了個措手不及：李世石下了出人意外的一手。更糟的是，AlphaGo的回應(yīng)不佳，而且直到下了許多手后，才意識到那個失誤。內(nèi)部的學習，無論是在公司或在產(chǎn)業(yè)層面上，可能有它的局限性，尤其是在今日的分享經(jīng)濟和聚合經(jīng)濟內(nèi)。但是，新狀況需要新解決方案，那是在古老的策略書上不一定能找到的。經(jīng)理人經(jīng)?？粗渌胤?，例如面臨演算法問題的不同產(chǎn)業(yè)，希望找到獨特的解決方案。此外，即使人類可能比機器容易犯錯，我們的優(yōu)勢就在于，有能力承認自己容易犯錯并加以改善，正如李世石的做法。等到AlphaGo發(fā)現(xiàn)自己的錯誤而要修正路線時，為時已晚。
人工智能的定義，往往是將人類思想改善到盡善盡美。但正如李世石所言，落敗的是他，「不是人類」，定義人類的，可能是我們在不完美中的謙遜和復(fù)原力；如果人工智能真的對經(jīng)理人構(gòu)成威脅，這些素質(zhì)仍然有待培養(yǎng)。