我们的自由式未来

①我们的教育标准和长期管理标准都需要改变。我们的认证系统和文凭主义都落后于现在和未来人机合作的现实。

②IT正在而且将会更加广泛地渗透到以人力为主的领域，那些拥有或获得这类技能的雇员将得到更好的待遇。

在传统的象棋比赛中，人们会很小心地采取措施来防止参赛者咨询电脑，否则就被视为作弊。自由式象棋把这类束缚抛到了九霄云外。你可以参阅书籍、使用电脑、打电话给你的特级大师朋友、大声嚷嚷，什么事都可以做。特级大师加里·卡斯帕罗夫开玩笑说：“即使有魔鬼协助他们，大概也会被允许。”唯一重要的只是着数（move）。然而，为了让比赛更有意思，自由式象棋的时间限制很严格（通常的标准是60分钟基本时间，每步附加15秒），因此，人类处理电脑建议的效率至关重要。考虑到电脑的性能，任何人都无法完全吸收它们产生的信息量。然而，选手必须决定最后要下哪一步，而人类必须承担这个做决定的任务。

要在自由式象棋比赛中成为顶级大师需要什么条件呢？这和在传统象棋中成为顶尖棋手的条件完全不同。

从2005年起，人们举行了一系列自由式象棋锦标赛。在第一次比赛中，特级大师们也参赛了，但冠军却被扎克斯（ZackS）所取得。在最后一个回合中，扎克斯打败了俄国特级大师弗拉基米尔·多布罗夫（Vladimir Dobrov）和他的高水平同事（等级分在2600分以上），当然他们都使用了电脑程序。扎克斯是谁？这其实是一个组合，成员是来自汉普郡（Hampshire）的两个人，史蒂文·克雷姆顿（Steven Cramton）和扎卡里·史蒂芬（Zackary Stephen），两人的等级分都相对较低，分别是1685分和1398分。这样的等级分说明，他们即使在地方俱乐部也不会是有力选手，更不可能成为地区冠军。但在汇总不同电脑信息上，他们却是最优秀的。他们在比赛中除了使用一些强大的硬件之外，还使用了众多象棋搜索引擎，包括“弗里茨”“碎纸机”（Shredder）、“青年人”“棋虎”（Chess Tiger）。扎克斯二人组的行为更像是疯狂的、三头六臂的技术DJ，而不像是冷静沉着、会双手抱头陷入沉思的典型象棋选手。他们对所用的程序——也许还有他们自己——非常、非常了解。

安森·威廉姆斯（Anson Williams）是另一个在传统象棋上表现平平的顶尖自由式象棋选手。他住在伦敦，是一个电信工程师和软件开发师。这个瘦弱的年轻人有加勒比黑人的血统，喜欢保龄球和约翰·塞巴斯蒂安·巴赫（Johann Sebastian Bach）。他的队友尼尔森·赫尔南德斯（Nelson Hernandez）说他是一个爽快、有虔诚信仰的人，并且对自己的职业全心投入。

安森没有任何正式的象棋等级评分，但他估计自己的棋力水平大概在1700分或者1800分，也可能和一个合格的地方俱乐部选手差不多。然而，他在自由式比赛中凭着自己的四核笔记本电脑取得了优异的成绩。安森和他的团队能在比赛中击败任何特级大师，在四次自由式锦标赛的51场顶级比赛中，安森的队伍获得了23胜1负（以及27平）的成绩。

和安森、尼尔森·赫尔南德斯同队的还有陈颖恒（音）。她将近30岁，刚从伦敦经济学院毕业，现就职于金融行业，并且完全不是传统棋手。她是安森的女朋友，相关技术也是从安森那里学到的。

尼尔森·赫尔南德斯这样描述他对比赛的热情：

这听起来可能比在真实的棋盘上下棋（over-the-bord, OTB）要简单，但你要知道你的对手也能做同样的事，因此也有同样强大的资源，比赛真的没那么简单。要即时协调好所有事情并且选择尽可能好的走法，这非常需要技巧……

我的角色……相当专业化。在比赛的时候，我尽量不参与任何事，全无作为，只是看着安森击败对手。但在比赛之间，我会非常积极地参与到开场准备中来。事实上这很矛盾，因为我并不是一个象棋选手。我完全是从分析的和电脑导向的角度来解读比赛的。

安森在下棋的时候动个不停，从一台机器到另一台机器不断切换，因为在自由式象棋中，如同队友尼尔森所说，“最重要的是尽快处理尽可能多的电脑信息”。

编写“里布卡”程序的瓦希克·拉伊利赫（Vasik Rajlich）认为顶级选手都是“天生的怪人”，虽然他强调这个词的用法是褒义的。他自己也是一个顶极自由式棋手，他把速度和快速处理信息看作成功的关键。根据他的看法，人们有此能力就能表现优秀，如果没有就完全没戏。最好的自由式选手不一定擅长象棋，但他们能迅速学会自由式比赛的技巧，有的人只需要24小时的练习就能熟练掌握。他在这里指的是达夫·尼尔森（Dagh Nielsen），这个人是顶级自由式选手之一，他比赛时就好像是在快速旋转的旋涡之中进行操作一样。

有的选手仅凭一个象棋引擎就前来参赛，他们把电脑设置成自动操作，并不提供任何额外的人工协助。这些“团队”没有获得最高奖赏，而且也被更热衷的参与者们所鄙视。达夫·尼尔森估计人机合作的自由式团队比单纯的机器要高出至少300个埃罗（Elo）等级分，当然这是在几年以前。尼尔森·赫尔南德斯估计自由式团队的优势大概在100到150分之间，类似于世界第一的选手与第75名选手之间的差距。

如果没有电脑程序，就算最厉害的特级大师也不太可能有资格进入自由式决赛。

美国籍特级大师中村光（Hikaru Nakamura）在尝试自由式象棋的时候虽然也使用了电脑程序，但表现并不是特别好。问题出在哪儿？只是他对机器不够信任。他一度夸口说：“我依靠我的头脑，因为它七天里有六天都比‘里布卡’要灵光。”他错了。

自由式团队会研究他们的机器对手在以前的比赛中用过的开局，这是因为，据卡斯帕罗夫观察，自由式象棋中最初的优势通常就意味着最终的胜利。选手们还知道不同引擎的弱点，以及有时候一个引擎如何能够弥补另一个的弱点。他们比程序更懂得时间管理——在比赛中哪个节点电脑程序应该花费更多时间来推算。最重要的是，他们理解电脑搜索这一过程。他们有一种神秘的感觉，能够知道什么时候程序预测的结果可能因为更强大的下法而发生“逆转”。他们会在该程序的另一个复本或者程序上试演这些着数，并且希望将对手引入陷阱。如果对手只是盲目地听从程序的建议，而意识不到可能会发生的形势逆转，那么这个更具洞察力的团队就可能会获胜。换句话说，人类在改进程序，并且尝试更加深入地分析某些信息，而电脑并不知道如何做到这一点。

自由式象棋专家阿诺·尼克尔（Arno Nickel）曾说：“你必须创造一些特别的东西才能取得胜利。”瓦希克·拉伊利赫（Vasik Rajlich）说，迄今为止，程序和顶尖自由式团队之间的差距没有发生太大变化。人类的确给团队带来了额外的东西，至少在现在是如此，但他怀疑这一现状还能维持多久。

自由式象棋最高级别的比赛大概就已经是象棋的最高水平了，但是谁能对此做出评判呢？人机组合比赛的水准已经超出了任何人类——或者任何机器——的评判能力。没有任何搜索引擎能断言人机组合的棋力是目前象棋领域的最高水平，因为组合策略太过艰深，已经超出了机器本身的正确评判能力。

我在家花了很多个小时下一种自由式象棋。我的iPad上的“碎纸机”程序的棋力评级大概是2200分，也就是大师级别——非常好，但还比不上世界一流选手。（我可以把它设置成更高级别，但这样它就会变慢很多，况且我还希望偶尔能够打败它。）整个过程很简单。我让“碎纸机”和自己比赛，但是我会偶尔否决程序的决定。事实上这是一场“我+‘碎纸机’”与“碎纸机”的比赛。人机组合通常都会获胜。在比赛中的4——5个关键时点，我会推翻程序的战略判断，并想出更好的着数，或者我认为的更好的着数。之后，我再把最高执行权让给程序。这一方法可能五次中有四次都会奏效。

“我+‘碎纸机’”的组合打败“碎纸机”，我并不需要和“碎纸机”一样优秀，我只需要对比赛有足够的理解就行了。借用决策理论的话来说，我需要有一种“元理性”（meta-rational）。也就是说，我必须意识到，在大多数情况下，“碎纸机”的判断比我好，这时候我应该听从它的建议。但在以下这些情况下，我最有可能推翻它的决策并取得成功：当战略局势非常复杂时;最后阶段，当程序开始胡乱提出一些可疑的开放性选择（1.e4g5?）时;当程序一味贪求棋子数量时。iPad版“碎纸机”能处理的时间范围有限，有时候我能比机器看得更远，不过在这种时候我必须万分小心。如果不是因为时间范围的限制，我不可能在计算上超过机器，但我并不总是知道问题是否出在时间范围上。尽管如此，这种冒险获得成功的概率还是比失败大。

这种自由式模式之所以重要，是因为它的应用将会越来越广。不要把这个时代想成是机器接管人类事务的时代，毕竟机器本身就蕴含着人机合作的原则——就算在它们独自运作时也是如此。

电脑在开始比赛时会咨询它的“开局之书”。开局之书像一个巨大的数据库，收集了已经被实践并记录过的高水平比赛，（可能）还包括一些程序设计者为了增加电脑信息而额外附加的并没有被实践过的变局。数据储存成本很低，因此一个好程序的开局之书通常会包括数百万种变化。换句话说，电脑几乎知道所有与标准象棋开局有关的东西。这有点像是为了帮助电脑通过图灵测试（Turing test）而在它的数据库中加入大量历史对话记录（这样电脑就能模仿人类对话）。

当电脑开局的时候，它并没有在思考，只是坐拥迄今为止人类关于象棋开局的精华知识。程序会查阅内存里的信息，不需计算就展开行动，搜索开局之书，寻找过去顶级选手用过的最有效的开局。这就像是和一个能（迅速）查阅地球上每本书和每个象棋数据库的人类对弈。具体情况取决于开局的选择，但是通常在前20步里——在有的变局里可能是30步或更多——你与电脑对弈也就是在和近乎完美的对手对弈。不过，近乎完美的是人类的集体经验，而不是电脑的计算。要是你对开局的理解不如电脑（哈），你在一开始就会处于绝对劣势。比赛在本质上已经成为“出色的你对战伟大的人机组合”。

一些电脑象棋的批评者认为，电脑对于开局之书的依赖是不对的或者不公平的。事实上，大多数程序都允许你在设置中关掉开局之书，在这种情况下，电脑就必须自己想出开局的方法。就算是最好的电脑也不太擅长这一点，因为比赛前期的变量数目太过庞大，并且长期战略通常比短期战术更为重要。在多数比赛的前15步左右，一个相当优秀的棋手（或者是一个顶级大师）都会比没有开局之书的一流软件要下得好。软件要在没有开局之书的情况下比赛，就好像是在不了解任何历史的情况下写出关于商业、政府或教育的有意义的论述一样。

旧式的人类对弈的象棋比赛中，也隐藏着很多人机合作。在开局阶段出奇招的价值日益重大。

如果我很了解你针对我的各种开局会走哪20步，就可以在第21步引入新的走法。另外，我还能预见比赛可能会进展到哪一步。在比赛开始前的空闲时间，我已经让电脑推荐了21步之后针对各种反应的最好走法。我去比赛之前已经用这些电脑分析把自己武装起来。事实上，在比赛的某个关键环节，你是在对抗我和电脑的组合。这就类似于求职者在参加面试前先记住来自智能机器的利润预测数据。

一旦我能使比赛进入我曾经预想过但你没有想到的局面，你的对手就不只是我了，而是“我和电脑的组合”。在以前的象棋比赛中，我的创新走法仅仅意味着你的对手是“我和我的准备工作”。与人机组合相比，这样的对手威胁性小多了。

顶级大师准备最高水平的比赛时，会花大量时间来探索这些出乎意料的新招，希望以此改变比赛中的力量平衡。他们会把一些开局创新组合起来，并且在程序里提前对其进行分析。接下来，他们会试图把对手引入这一局势，从而在比赛的某些环节实现“我和电脑联手对抗你”；一旦实现，他们将获得巨大的优势。从某种意义上说，他们就像试图进入拳击场的某个位置，在那里有确保胜利的特殊机械武器。双方选手越优秀，这类潜在优势就越重要。

棋力平平却从象棋引擎中获益最大的是这样一些人，他们懂得如何使用电脑进行训练，以及如何向电脑学习。象棋程序的出现有利于那些记忆力极佳和在学习中严谨自律的人。一个选手如果无法记住他准备好的走法，就不能从这一策略中受益;一个记忆力好的人能在头脑中储存电脑程序的分析，并且随时将其用于工作面试等情况。

在大量现实情况中，对事实性或者分析性材料的即时掌握确实能带来很大的优势。会议中的讨论，销售电话中的策略与对答，在法庭上争执的律师，以及面临紧张人事冲突的经理人，都需要在瞬间的注意中用到大量事先准备的信息。在所有这些情况下，越来越重要的是，工作者从电脑中学到了什么或者没学到什么，以及他们能记住多少电脑提供的信息和建议。

在自由式象棋比赛中，探索开局创新所引发的竞争十分明显，催生了极其精细的劳动分工。我们再来说说安森·威廉姆斯自由式团队中的一员——尼尔森·赫尔南德斯。曾经有七年的时间，尼尔森每个星期都会花20——25个小时来建设开局数据库，这是世界上最好的开局数据库之一。他会找到顶级大师和电脑的比赛，捕捉数据，记录比赛结果，并且检查这些记录下来的信息是否准确。这个数据库里有太多信息，因为竞争原因，他不愿意让我公开其数目，但我可以告诉读者，在我听到这个数目的时候，我简直惊呆了。依靠这个数据库，他的团队可以全面了解哪些开局方法在以前的顶级比赛中获得过成功，哪些方法则没有。这个数据库使他们可以下出象棋世界里最好的开局，并且试演随后的走法。

见到尼尔森的时候，我找不到合适的词句来赞美他：“我不能说你是迄今最优秀的象棋选手之一，但是你有非常惊人的特质，我只是不确定那是什么特质。”他只是笑了笑作为回答。

顺便提一下，“威廉姆斯-赫尔南德斯-陈”这个自由式团队的正式名字不属于可以公开的信息。我知道一些关于他们队名的说法，但他们不愿意告诉我完整的信息，也不愿意让我告诉读者。他们将其作为不完全公开的信息，并且在每次锦标赛中都更换名字。这也就意味着其他自由式团队更难针对他们的开局做好准备，也更难知道他们在特定回合的对手是谁。

秘密团队、棋类游戏、名字代号，这些听起来是不是都有点太像儿童游戏了？自由式象棋的模式真的会那么重要吗？我是不是疯了才会认为，专注于具体评价或者完成具体任务的直接人机合作将给我们的经济带来革命性的变化，其中还包括服务行业的很大一部分？这真的会是一个生死攸关的问题吗？

医疗诊断正在迫切呼唤人工智能的进一步应用。电脑已经可以对某些医疗状况做出诊断，这常常是通过一种被称为人工神经网络（artificial neural networks，ANN）的技术来实现的。梅奥诊所（Mayo Clinic）已经尝试过使用ANN程序来诊断病人是否患有心内膜炎——这是一种心脏感染；更多精确诊断已经使一些病人避免了不必要的有创检查。通用电气公司和人工智能医药公司（Artificial Intelligence in Medicine, Inc）都在进一步开发可以用于诊断的软件程序。

巴氏涂片（Pap smears）对于筛查子宫颈癌非常有用，从20世纪90年代起，自动成像系统就开始被用来扫描巴氏涂片。图像搜索软件能比人类更快地扫描涂片，寻找异常细胞的踪迹，但在此发挥作用的不只是机器。软件找出的图像会由人类专家仔细研究，而且，已经有证据表明，这类人机合作无论在准确度还是在速度上，都优于独立工作的人类。

机器还能再次检查人类的诊断，找出极度疲倦的医生所犯的错误，还能跟上并储存医学研究里的最新进展。顺便提一下，医学杂志的数量每几年就会翻倍，这已经远远不是人类记忆所能跟上的速度了。虽然我们的科学和医学不断发展，误诊的现象却仍然普遍。

当然，完全依赖电脑的模式识别技术是不负责任的行为，因为人眼能以电脑所不能的方式发现图像错误或者数据输入错误。一个人机合作的“团队”则能够避免机器的某些失误；销售医疗软件的公司通常都会要求软件在人类监管下使用。

一项新的医疗技术可以使用类似“沃森”的软件程序来分析病人的症状报告，参考大量数据来找出可能的病因。但是电脑能恰当地提出后续问题吗？或者，能猜出病人在症状描述的哪些地方可能撒谎或者夸张了吗？电脑能针对不同背景和教育水平的病人相应地解释诊断结果吗？短期之内还不能，因此我们还得回到合作上来。

显然，要使这样的合作有效，我们必须要有一台非常聪明的机器。但是，假设机器已经插上电源，准备就绪，与它合作的人需要有多专业呢？如果工作人员必须是高薪医师，就算合作改善了医疗结果，合作团队的成本也会很高。我们的社会还完全无法接受以下事实——更不要提美国医学会（American Medical Association）了：与电脑共事的人不需要是一个医生，甚至不需要是一名医疗专家。她必须善于理解和纠正电脑的错误，这是一个与专业完全无关的技能。她可能需要有一些关于医学、脑部扫描及其他方面的知识，但对这类医学知识的掌握不需要精深到名牌大学医学博士的程度。她可能更需要掌握关于智能机器的知识，例如它们如何运行，以及它们的失误会导致什么后果。

同时，在医疗诊断领域还存在着大量未经许可的，或者说“灰色”的人机合作。谁，或者什么，是当今美国接受咨询最多的“医生”？答案是谷歌，它能让用户在网上找到超过30亿篇的医学论文。你今天感觉不太对劲吗？很多人在这种时候都会上谷歌输入症状，看看会搜索出什么。只有在搜索之后，他们才会决定要不要去看医生或是去急诊室，要不要服用更多药物或是完全停止服药。无论我们喜欢与否，机器医生的时代已经到来。

私人用户使用谷歌作为诊断工具的效果如何？我们还不知道。有多少家庭用户知道类似“‘代谢综合征’站点：教育网”这样的关键词能产生更好的搜索结果呢？也许并不多。

唐衡威（Hangwi Tang）和珍妮弗·吴（Jennifer Hwee Kwoon Ng）在一项研究中详细分析了26个诊断案例，并且把症状输入谷歌。在58%的情况下，谷歌都给出了正确的诊断，在其他情况下，它的答案只是不够明确。这个研究没有考虑错误或者误导性结果可能会带来的损失，因为不确定失败的后果，我们仍然无法在新的医疗机构中进行大规模实验。硬要说有什么结论的话，那就是这个研究支持我们在医药领域发展更常规和更权威的合作方法。我们已经有了电脑化的医生，这说明了信息技术的力量正在迅速扩张；接下来的问题是，我们的机械医疗助手有多好、多可靠。

我们的教育标准和长期管理标准都需要改变。我们的认证系统和文凭主义都落后于现在和未来人机合作的现实——这主要是在医学领域。但这毕竟只是一个领域。

诊断性测试这个概念实际上非常广泛。诊断行为的主体可以是管理者、律师、三年级教师、银行信贷员，这些工作全都有机会利用机器智能的潜力。

我的博客“边际革命”上最近有两则评论很好地总结了工作的新时代。第一则是一名自称为威尔·威（Wil W）的读者写的：

我觉得我们低估了未来五年内社会对于兼职信息技术（IT）工作者的需求。对这样一些雇员的需求正在上升：他们不是IT工作者，但有一些IT方面的培训和缺乏能力。这类雇员不会花费超过20%的时间来做和IT有关的事，但是这20%的时间将会被用来使用和改进技术，从而提高整体商业生产率。这一现象通常被称为IT的分散化，但这更多关系到人们在工作场所使用的工具。

稍微想象一下流水线上一个没有受过电脑培训和缺乏电脑技能的工人的价值。过去，我们99%的时间都要依靠这样的工人。但现在，电脑在生产过程中的比重已经越来越大。对公司来说，这个工人的价值正在下降或是停留在一个最小值，即使生产率提高，其价值也不会增加。

现在想象一下新的工人。他并没有电脑科学的学位，但有着高于平均水平的培训经历和电脑技能。更重要的是，在既定生产进程之外的领域，他也能熟练使用电脑。这名工人对于公司的价值不仅比第一个工人大，而且随着电脑使用率的提高，价值还会不断增加。

我并不是说教育就是解决问题的办法，而是说IT正在而且将会更加广泛地渗透到以人力为主的领域，那些拥有或获得这类技能的雇员将得到更好的待遇（或者应该得到更好的待遇，如果可行的话）。

第二条评论来自读者吉沃茨（JWatts）：

我在自动化控制行业工作，专业领域是人机交互（human machine interface, HMI）开发。所以我在你提到的那些方面很有经验。控制产业一直在向更高程度的自动化发展，我认为这一趋势也在扩散到其他领域。最显著、最常见的例子有自动柜员机（ATM）、食品杂货店等地的自动结账柜台及快餐店的图形菜单显示器。

人们容易觉得餐厅的菜单显示只是琐碎小事，但它却减少了大量浪费，节省了劳力。它使得错误下单的事件大大减少，也使整体处理速度变快了……

一个不懂电脑的工人对现代美国工厂来说几乎没有价值。即使是拖车司机也会在拖车上配备电脑。在几乎所有生产高价值产品的工厂里，电脑数量简直比工人还多（而且所有低价值产品的工厂都消失了，或者正在迁往北美以外的地方）……

我很怀疑“教育”能解决问题，因为它有点多余。一个能熟练使用智能手机的工人一定也能使用现代工业电脑。要是你会玩任何一个策略类电子游戏，你就完全能适应现代生产线。事实上，社会本身就在积极热心地开展培训。更多正式教育不太可能带来很多好处。

和我一起工作过的操作员里，没有人需要知道怎么写梯形代码，虽然有的人确实会写而且水平极高。如果我的工作表现只有应有水平的一半，HMI和可编程控制器（Programmable Logic Controller, PLC）（一种工业用电脑）就应该把工作过程中重复的部分都加以自动化。操作员最有价值的贡献就是故障检修，精心设计的系统使这一过程简单直接。你基本不会在大学里学会这类故障检修，而是在适应最新版苹果手机的过程中。

关于使用智能机器工作和娱乐，自由式方法给了我们什么更广泛的教训呢？它们和第二、第三章中得出的关于劳动力市场的广泛教训大同小异：

1. 人机合作的团队是最好的团队；

2. 操作智能机器的人并不需要是具体任务领域的专家；

3. 如果一个人的技能低于某个临界值，那么让他和机器合作将比让机器独自工作效率更低；

4. 了解自己的极限，这比以前更重要。

我们可以用人机合作的概念来界定无价值或“零边际产出”的工人与有潜在价值的工人之间的差异。无价值的工人就是指那些与电脑合作后导致最终结果变差的人。有潜在价值的工人则保证其加入会使机器表现得更好。用经济学的语言来说，与从前相比，在今天的劳动力市场上，有生产价值的工人和智能机器更像是一对“互补品”。

这些强大的新兴互补品对经济的影响，为我们走出我在别处提到过的“大停滞”铺出了道路。然而，尽管回报丰厚，它对多数人来说将是一条可怕的道路。