This book makes artificial intelligence easier to understand by recasting it as a new cheap commodity -- predictions. It's a brilliant move. I found the book incredibly useful.

以上是凯文凯利对《AI极简经济学》这本书的评价，他说这本书将人工智能视为一种全新的平价商品——预测能力，这让我们能更加轻松地理解人工智能，实为天才之举。我感觉这本书出奇地有用。

这篇文章会分享这本书的一些核心观点，文末是作者对后续问题的一些回答。

《AI极简经济学》 博集天卷 | 湖南文艺出版社 阿杰伊·阿格拉沃尔 / 乔舒亚·甘斯 / 阿维·戈德法布/ 著；闾佳/ 译

一个全新而重要的概念

优秀的书籍会在读者心智中种下一个概念；更棒的书籍会让这个概念成为人们交流新概念的基础。

举个例子，在《黑天鹅》这本书之前，公众很少关注那些发生概率极低但一旦发生则影响巨大的现象；但是那本书出版之后，公众不仅可以用“黑天鹅”三个字对那种类型的事件进行简单代指，而且也会更多地讨论与之相关的话题。后来出版的《灰犀牛》属于同类概念。英文中catchphrase的意思是流行语，这些新概念词汇非常容易被人的记忆抓住，从而引发社会讨论。

《AI极简经济学》对AI概念做了同样的事情——将模糊的、没有共识的词“人工智能”换成了“预测机器”。前者听起来扑朔迷离，后者明确地告诉人们，这项技术在和人类经济史上出现过的机器们一样，不过是一种生产力提升机器；唯一的区别是，这个机器的功能是提高“预测”的准确度。

这种穿透本质的理解来自作者经济学家的背景。经济学家对世界有着与众不同的看法，他们会从供应关系、生产和消费、价格与成本的框架来思考一切问题。他们从最基础的价格着手，如果某样东西的价格下降，那么我们会更多地使用它——这就是简单的经济学。

如果说经济学家擅长做某件事的话，那就是“戳穿噱头”。当其他人看到改头换面的新发明时，他们只看到价格下跌。这种情况正在人工智能行业发生：正在变得不断廉价的东西叫做“预测”。

预测更廉价，廉价创造价值

预测是填补缺失信息的过程。预测将运用你现在掌握的信息（通常称为数据）来生成你尚未掌握的信息。

当预测更廉价，意味着预测会变得更多。最开始，它会被应用于传统事物，例如库存管理和需求预测；但逐渐地，它也会被用来解决非传统事物。常见的例子是智能翻译和无人驾驶汽车，曾经在封闭空间需要基于“如果-那么”采取行动的车辆，在今天需要做的是，根据输入的视觉信息，来“预测”一个正常人类驾驶员会怎么做。

再举一个不那么常见的例子——iPhone上“最重大的科学项目”是软键盘。在iPhone诞生之前，在手机上使用软键盘的体验都非常糟糕，许多苹果工程师甚至拿出了放弃QWERTY键盘的设计方案。但最后的解决方案是，键盘看起来依然是QWERTY的图形，不过在打字的时候，一组特定键的表面区域会放大。

当你输入t的时候，下一个字母很可能是h，因此h键所在的区域会放大；输入h之后，e和i又相应放大，以此类推。让键的大小随着人输入的字母而变化，后来的文字自动修订功能是同样的原理，再后来，工程师们意识到，键不一定非得被人们找准然后点击。

简单说，之所以廉价会创造价值是因为，当某种商品的价格低到你注意不到时，它就能改变世界。例如，照明成本的急剧下降，使我们的行为发生了转变，从先前需要在开灯前衡量下成本，到现在毫不迟疑地打开电灯开关。

这种下降给了我们机会去做原先无法做到的事情；它把“不可能”变成了“可能”。廉价照明带来的一些影响很容易想象，另一些却不那么明显。下一节要讲的就是，对于企业家来说，预测价格的下降与我何干？

从廉价到战略

当超越阈值的预测能力足够廉价，它就可以改变一家公司的商业模式。

今天亚马逊会向用户个性化地推荐商品，它的推荐准确度也许只有10%，就是说用户会在推荐的10个商品中购买1个。但是假设有一天，推荐算法的准确度达到了80%，亚马逊就可能选择直接把商品寄到用户家，于此同时花时间组建一个逆向物流网络，将用户不要的商品收回。

但是不同公司的商业模式都可能被如何改变，在今天仍未可知。不过，为了帮助企业家了解AI和自身企业发展的关系，本书提供了一项工具——人工智能画布。

人工智能画布 - 用来思考AI如何帮助企业发展

画布上每一个空格包含了一项机器辅助下的决策流程，从“预测”环节开始。首先，明白“我们需要知道什么信息从而做出决定”。第二步是判断，你给不同的结果以及失误赋予多少价值。第三步是行动，判断之后你要采取的行动具体是什么？第四步是结果，你用什么来衡量结果是否成功？以上四项基本上是做决策的核心要素。

下面的一列都和数据有关。输入：你需要什么样的数据从而运行一套预测算法；训练：你需要什么样的数据去训练这套预测算法；反馈：如何利用结果量不断使算法进步？

以安防警报产品为例，我们来理解下如何使用这个画布。

1）预测：预测警报被触发的原因是人还是其他什么东西（是vs否的问题）；2）判断：比较对错误警报做反应的成本和对正确警报不做反应的成本；3）行动：当警报被触发，派遣安全小组；4）结果：观察行动和警报结果是否一致（即派遣安全队的决定是否正确）；5）输入：警报器所在地的传感器数据、比如行动轨迹、温度、视觉影像等；6）训练：历史传感器数据和对应的警报结果；7）反馈：新生成的传感器数据和警报结果。

基于画布的思考可以帮助企业家认识到自己的业务流程可能被AI预测机器如何改造；了解了之后，整个管理层就要判断，这种可能出现的改造会在多远的未来被实现。3年就可以实现的预期和20年相比，会影响今天的转型和投资决策。例如，如果安全警报的预测正确率在99%以上，那么安防公司可能就要投资研发现场抓捕设备、而不是花太多时间建立地勤响应团队了。

来自作者Joshua Gans的问答

答：我们在研究今天这种基于机器学习的AI时，发现它的数据特性与人类预测行为相同。

（预测是人类智慧的基础，作为创造力和生产力增长的核心，人类的智慧是靠大脑使用记忆进行预测来实现的。我们的大脑不断地预测我们即将体验到的事情——我们会看到什么、感受到什么、听到什么。随着我们的成长和成熟，大脑的预测会越来越准确，预测往往会变成真的。然而，要是预测未能准确地昭示未来，我们会注意到异常，并将这一信息反馈到大脑，让大脑更新算法，进行学习，对模型做更进一步的优化。）

我们认为近期AI能力的提升就是体现在机器预测能力的进步上。当然AI本身是一个宽泛的概念，它指的是智慧的多种形态被机器表现出来。只不过在今天，它只表现了预测能力，其他形态的智慧例如行动和判断还暂时没有。

答：我们所做的是把决策流程分解成不同部分，但是很难说哪些部分会将被机器取代。但是原则上，除了价值判断之外的一切都可以被机器执行。当然这还需要一段时间。机器预测也只是在一些领域变得容易，在另一些领域依然很难。

（在已知的已知、已知的未知、未知的未知和未知的已知这四种情况中，只有第一种更容易被预测机器执行。）

答：任何技术都会带来意想不到的结果，其中一些需要监管。制造业和其制造的污染面临这种情况。AI也会面临这种情况。我不太了解青少年沉迷的具体情况，但我怀疑沉迷的原因不单单是AI。

答：联合国肯定没法立法影响不同国家，不同国家当然会有不同的发展方式。这其实是件好事，因为我们并不那么清楚“正确”的隐私保护法应该是什么。当不同的国家走不同的路时，我们更有可能发现。我不是特别担心“逐底竞争”的问题，因为很难说哪条路向下、哪条路向上。