机器学习与行动者能力:技术可供性视角——以谷歌AlphaGo为案例

邱国栋,任 博

(东北财经大学 工商管理学院,辽宁 大连 116025)

0 引言

18世纪以来,世界多次发生重大科技革命,对社会生产力、经济结构及国际竞争格局产生了深远影响。源于人类及人类社会对于实践活动的客观需要,新一轮科技革命正在孕育兴起。新时期科技革命具有智能化、生态化特征[1],其正在对人类社会带来难以估量的影响。人工智能是新一轮科技革命和产业变革的重要驱动力量,加快发展新一代人工智能事关我国能否抓住新一轮科技革命和产业变革机遇。在此背景下,2018年,经国务院批准,世界人工智能大会(WAIC)正式创办。2022年9月,第五届世界人工智能大会(WAIC)智能社会论坛指出,以新一代人工智能为核心的新兴技术正在推动经济社会各领域从数字化、网络化向智能化加速跃升,人类快速步入智能社会。智能社会意味着颠覆性技术的广泛推广与情境应用,从哲学层面审视,技术进步通常表现为人类改造自然的能力和人类潜在能力的增强[2],即技术可供性理论所言及的技术向特定用户群体提供面向目标行动的可能性[3]。本质上而言,机器学习是新兴智能技术的关键进入路径,如何在理论层面诠释并体现其核心内涵与价值,即机器学习与行动者之间的作用关系,以支持个人、组织甚至人类社会在适应技术环境深刻变化的同时,持续增强实践应对能力、彰显竞争优势效能,成为社会各界广泛关注的话题。

实践界与理论界均证实了学习、能力及其它变量间的相互作用关系。其中,从理论层面看,壳牌石油策划经理盖亚斯(RiedeGes)认为学习能力是胜过竞争对手的唯一持久的竞争优势;于克信[4]指出,企业家和高层管理者需要学习、共享知识,强化融于企业核心能力之中的战略领导能力,从而促进企业获取动态竞争优势;易凌峰等[5]认为,提高组织学习水平和知识管理质量,是增强企业核心竞争力的内部路径。从实践层面看,机器学习已被广泛应用于决策支持、人脸识别及数据检测等相关领域。尤其是谷歌公司(Google)旗下基于机器学习技术开发的智能围棋程序AlphaGo曾多次战胜人类顶尖棋手,进一步颠覆了人类对于机器学习的主观认知,为本文研究带来重要启示。首先,机器学习能够与行动者能力建立某种联系,且这种联系并非单纯基于人的主观思辨与推断,而是立足于“实践-理论”双重验证基础之上;其次,相较于传统学习方式,机器学习对于行动者能力提升具有独特发生机制。然而,通过对国内外现有文献进行梳理发现,鲜有学者针对上述问题开展具体研究。

综上所述,本文认为社会变革要求“组织跟随技术变”,智能时代要求“组织结构跟随智能变”[6],应用智能技术的人工智能体是构成新型组织的核心要素之一。从人工主体智能化实现过程与目标看,机器学习是人工智能的核心,是计算机获取学习能力和智力的方法或途径,其并非对人类学习(个体学习、组织学习)的根本替代,而是模拟和实现人类的部分学习功能[7],是人类开展实践活动的辅助性技术工具,为人类提供认识世界的新思路、新工具和新方式[8]。机器学习作为新时期特定的学习方式,可以产生某种机器知识,并提升科学知识生产效率[9],进而释放行动者自身能力。所以,从理论构建层面看,对机器学习与行动者能力关系进行探索,既能反映现实世界对于现代管理理论发展的推动性,又能体现现代管理理论对于新现象研究的必要性。基于此,本文以谷歌AlphaGo为研究案例,基于技术可供性理论,运用扎根理论研究方法,系统分析机器学习对行动者能力的作用机理。研究结论有助于促进我国各层次主体在新经济形势下提高自我能力、建立差异化竞争优势、增进竞争效能,进而以中国式智慧、中国式方案探寻中国式现代化道路,全面推进中华民族伟大复兴。

1 文献综述与研究框架

1.1 技术可供性:理论起源与概念界定

20世纪70年代末,美国生态心理学家吉布森在其著作《The Ecological Approach to Visual Perception》一书中提出可供性理论,意为动物与环境的互补性;Turvey等[10]肯定了可供性理论在心理学领域的应用前景。首先,可供性理论为精确制定和测试相关行为及感知假设提供了一个分析框架;其次,可供性理论提出一种整合心理学现象和机制的方法,且没有屈服于任何一种片面性观点;最后,可供性理论有望让心理学重回寻求合法关系的轨道。20世纪90年代初,Gaver[11]延续吉布森(Gibson)关于可供性的基本主张,提出技术可供性的概念,意指行为主体与所处技术环境之间的连接关系[12]。为适应社交生活中复杂的“新兴社会—技术”关系,Nagy &Neff[13]提出想象可供性概念,即用户可能会对通信技术、数据和媒体抱有一定期望,这些期望在实践中会决定他们如何处理这些技术以及他们认为应该采取哪些行动。

伴随着新兴技术的逐步兴起与广泛应用,技术可供性理论得到社会各界的普遍关注。其中,罗玲玲、王磊[14]认为可供性与技术之间的关系是值得深入挖掘的“富矿”,设计界应用可供性的繁荣只是表面,要追溯这一繁荣背后的缘由需要深入技术才能找到;谢卫红等[3]全面梳理技术可供性知识结构,指出技术可供性是应用最广泛的一种可供性。尤其是近10年来,以数字技术为代表的新一轮信息技术革命进一步丰富了技术可供性内涵。因此,从演进路径看,“技术可供性”源自心理学“可供性”概念[12],其更注重技术与技术使用者之间的互动关系[11]。

综上所述,本文认为技术可供性体现用户对于技术的感知和期望,并反映技术给予用户的可能效应,通常呈现于用户与技术之间的交互作用过程。该理论加深了人类对技术社会属性的理解,为深入挖掘并建立人与技术之间的可持续发展关系奠定了坚实的理论基础。

1.2 机器学习:内涵、兴起与应用

(1)机器学习的内涵。从狭义角度看,机器学习是一类算法,属于计算机科学的一个子领域;从广义角度看,它是一种综合计算机科学、工程学、统计学等多学科知识的新技术[15]。机器学习基于大量数据特征值,不断优化计算程序的性能标准,让程序实现“学习”,进而发现数据特征并展开统计预测任务[16]。机器学习是新一代信息技术(人工智能)的一个前沿分支学科,同时也是实现人工智能的重要途径[17]。按学习形式划分,机器学习主要包括监督学习、半监督学习、无监督学习和强化学习。按学习方法划分,机器学习主要包括传统统计机器学习算法和深度学习算法[18]。由此可见,广被提及的深度学习是机器学习基于特定算法技术的一种学习模型[19]。

(2)机器学习的兴起。机器学习的兴起与AI技术发展密不可分。从历史发展看,人工智能经历了诞生期(20世纪40-50年代)、黄金期(20世纪50-70年代)、低谷期(20世纪70-80年代)、繁荣期(1980-1987年)、萧条期(1987-1993年)及回暖期(1993年至今)6个阶段。从智能程度看,人工智能经历了推理期、知识期、学习期3个阶段[20]。其中,学习是响应人类为实现计算机智能化发展的客观需要。因此,对于机器学习的技术起源可追溯至1950年(图灵指出机器学习的可能性)。20世纪50年代中后期,基于神经网络的“连接主义”、基于逻辑表示的“符号主义”以及以决策理论为基础的学习技术相继出现,时至20世纪80年代,机器学习成为一个独立学科领域,各类学习技术得以蓬勃发展。

(3)机器学习的应用。目前,机器学习在公司数量、融资金额等方面遥遥领先[21],并被广泛应用于经济学、政治学和社会学领域[22]。其中,就经济学而言,机器学习在大数据背景下对于丰富经济数据多样性、提高经济预测准确性、改善平均处理效应及效应异质性具有重要作用[15]。就政治学而言,大数据利用回归模型、决策树、神经网络等各类机器学习算法,能够在复杂社会系统中实时预测政治倾向、政府开支、政府决策等特定现象或趋势[23]。就社会科学而言,机器学习有助于拓展研究视野、获得潜藏指标、启发理论假设、助力因果推断、实现数据增生,进而推动理论创新[16]。

综上所述,在工业4.0背景下,人工智能和机器学习融入工作流程[24],机器学习在实践层面表现出对人类认知劳动的极大辅助作用,诸如提升科学知识生产效率、提取和传递默会知识、产生某种机器知识等[9]。尤其是基于深度神经网络的机器学习一定程度上实现了人类建模能力的外化(学习能力实质上就是选择信息和建模的能力)[25]。总体而言,现有研究已经初步证实机器学习对于行动者部分能力具有提升作用。

1.3 行动、行动者与行动者能力

学术界对行动者及行动者能力内涵的界定不尽相同。为更好地开展本文研究,需要对相关概念作出准确界定。关于“行动”,现代汉语词典将其解释为“为达到某种目的而进行的活动”;Bergen &Santo[26]认为,行动是指目标实现的过程。关于行动者,行动者网络理论认为,行动者包括在相互结成的网络中具有能动性的所有“人”和“非人”[27];王芳[28]从社会学角度出发,将行动者定义为人(个人与法人)。关于行动能力,其主要在环境教育领域得到关注,并被定义为成功做某事的本领[26]。Jensen &Schnack[29]认为,行动能力是指在现在和将来采取行动并对自身行动负责的能力;Eraut[30]对能力的理解更加深刻,他认为Capability是一个人思考或做所有事情的能力,Competence是指针对特定工作或工作类别完成任务预期标准所需要的能力,Additional Capability是指通过进一步学习拓展当前能力的额外能力,上述3种能力分别代表行动者的期望能力、现实能力和获取能力;Wanda等[31]从可持续发展角度出发,重新界定行动能力,认为其是指可持续发展中的行动力(ACiSD),ACiSD由个人能力和人际能力的平衡组合组成。其中,个人能力要求对可持续发展充满热情,致力于寻找解决方案,了解可持续发展问题和行动的可能性,具有远见和批判性思维,是一种对个人能力的积极感知。人际能力增加了为建议选择提供论据的意愿、对他人和文化观点的开放性、促进合作的沟通技能以及对团队能力和集体支持可持续发展行动效果的信心。

本文主要探究新兴技术(机器学习)对人类的影响作用,将行动界定为以目标为导向所采取的行为举止,行动者是指包含个体与群体层面的人。借鉴相关学者对能力的定义,将行动者能力界定为行动者(人)基于可持续发展理念,在努力实现特定任务目标过程中所具备的对目标结果负责的能力。

1.4 研究框架

通过对相关文献进行梳理,本文在洞彻技术可供性理论发展脉络、理论意义与实践启示的基础上,对机器学习、行动者、行动者能力概念进行界定。本文认为,在新一轮科技革命背景下,机器学习是人类学习能力的外化表现,机器学习与行动者之间的关系符合技术可供性理论内涵,即行为主体与技术主体通过互动产生一个或多个支持主体目标的可能性[3]。然而,两者之间如何相互作用、彼此促进,从而持续提高行动者能力有待深入探讨。据此,本文构建基于技术可供性理论的研究框架,如图1所示。

图1 基于技术可供性理论的研究框架Fig.1 Research framework based on technology affordance theory

2 研究设计

2.1 研究方法

案例研究通过突出情境、展示过程和揭示关系讲述引人入胜的故事[32],适合对某一复杂和具体问题进行全面考察,能够建立新理论或者对现存理论进行修正[33]。其中,单案例研究可对广为接受的理论进行反驳,并对先前未有的科学现象进行探索(毛基业等,2008)。“更好的故事”往往偏向于单案例研究,尤其是基于过程理论的单案例研究[32]。本文基于科技变革情境,以可验证的方式对技术可供性视角下“机器学习与行动者能力”这一独特、前所未有的社会现象作出系统性解释。即运用归纳逻辑发现相关经验规律,采用单案例研究方法陈述相关概念或变量之间的逻辑关系,属于理论构建研究。目前,扎根理论是国际上公认的比较科学的质性研究范式[34],其借助经验发现,通过归纳而非演绎进行理论建构[35-36]。因此,本文运用扎根理论方法对所选单案例进行探索性研究。

2.2 案例选取

(1)案例选取原则。本文案例选取遵循理论抽样原则,案例选取是从案例研究中构建理论的一个重要方面[37]。为更好地揭示研究问题,应选择典型案例,而非随机案例(叶康涛,2006)。典型案例一般具备3个特征:一是案例结果出乎意料或者反直觉;二是现有理论不能解释该案例或认为该案例不可能存在;三是可为以往没有研究过的现象提供重要启示(李高勇,2015)。基于以上原则,本文选取谷歌AlphaGo作为研究案例,原因在于:首先,深度学习是AlphaGo的主要工作原理,而深度学习是机器学习的一个分支,该案例能够突出研究情境,符合理论抽样原则;其次,围棋因其复杂性而被称为人工智能最具挑战性的经典游戏,而AlphaGo是第一个击败人类职业围棋选手、围棋世界冠军的计算机程序,结果出乎意料,具备典型性特征;再次,开发人员让AlphaGo与自身不同版本进行数千次对抗,每次都能从错误中吸取教训。而且,随着时间推移,AlphaGo不断进步,在学习和决策方面变得越来越强大,这种现象对现有社会科学理论具有极大挑战。综上所述,以谷歌AlphaGo作为研究案例构建本土管理理论,充分响应了案例研究从“好的故事”到“好的理论”[32]这一重要课题。

(2)案例进化过程。在AlphaGo诞生之前,计算机与人类较量几乎获得除围棋之外所有棋类游戏的胜利。原因在于,围棋作为一种博弈类游戏,虽然游戏规则简单,但棋局情形复杂,被认为是人工智能最大的挑战。为攻克上述难题,DeepMind研究团队创建了AlphaGo,使其成为截至目前最强大的“围棋选手”。本文根据所搜集到的资料,梳理AlphaGo的进化历程,如图2所示。

图2 AlphaGo进化历程Fig.2 Evolution of AlphaGo

第一阶段:对战机器(早期)。为检验、评估AlphaGo的具体性能,研究者使其与多种计算机程序进行比赛,在495局比赛中赢得494局,胜率为99.79%。其中,在与CrazyStone、Zen、Pachi三种当时最强大的商业程序对局中,胜率分别为77%、86%和99%,凸显了一种将高级搜索树与深度神经网络相结合的计算机程序的强大对弈能力。

第二阶段:对战人类(2015—2017年)。2015年10月,AlphaGo Fan与蝉联2013—2015年三届欧洲围棋冠军的棋手樊麾对战,以5∶0获胜;2016年3月,AlphaGo Lee与韩国著名棋手李世石对战,以4∶1获胜;2017年1月,AlphaGo Master在相关网站注册账号,与人类顶级玩家在线对战,获得60场连胜的骄人战绩;2017年5月,AlphaGo Master与中国九段选手柯洁对战,以3∶0获胜。赛后,Demis Hassabis宣布AlphaGo不再与人类棋手对战,自此退役。

第三阶段:自我升级(2017—2020年)。2017年10月,DeepMind公司发布AlphaGo Zero,其在没有游戏先验知识且只有基本游戏规则输入的情况下,通过强化学习形式与自己对战。最终,仅用时3天便超越AlphaGo Lee;用时21天,能力达到AlphaGo Master水平;用时40天,超过AlphaGo的其它版本。2018年12月,DeepMind公司发布AlphaZero,用时4小时,便超越国际象棋程序Stockfish;用时2小时,便超越日本将棋程序Elmo;用时30小时,便超越围棋程序AlphaGo Lee。2020年12月,DeepMind公司发布MuZero,无需被告知游戏规则便可掌握围棋、国际象棋、将棋和雅达利(Atari)。

2.3 数据来源

案例研究可以容纳丰富多样的数据源,包括访谈、档案数据、调查数据、民族志和观察资料等[38]。根据数据来源的原始性,主要包括一手数据和二手数据两种类型。访谈是搜集丰富经验数据的高效方法,但其通常会引发“下意识”反应,即数据偏见,而限制偏见的一个关键方法是组织大量知识丰富的信息提供者(来自不同层级、职能领域、群体和地理区域的组织参与者以及来自其它相关组织的参与者和市场分析师等外部观察者),使他们从不同角度看待焦点问题[38]。二手数据具有较高程度的可复制性、客观性以及较低的获取成本(苏敬勤等,2013)。因此,为确保研究结论信效度,本文同时运用两类数据进行研究。

考虑到新冠肺炎疫情的影响,本文主要借助腾讯问卷调查系统(wj.qq.com)向互联网领域从业者及相关专家发放调研问卷,以获取一手数据资料。结果显示,在参与调研的人群中,36人为本科学历、57人为硕士学历、5人为博士学历,且多数人毕业于知名高校并就职于华为、中兴、小米等科技型公司,反馈意见能够满足本文对问卷调研专业性与代表性的要求。与此同时,AlphaGo作为新一轮人工智能发展的代表性成果,在世界范围内产生持久、深远的影响力,目前已引起各界人士的广泛关注,相关新闻媒介、学术期刊及官网平台拥有大量可供查阅的质性材料,为本文获取二手数据创造了便利条件。

综上所述,本文通过网络调研法获取一手数据,通过非参与式观察法获取二手数据,同时运用两种数据对核心问题展开研究,在实践层面具有可操作性,在理论建构层面具有科学性。本文数据来源与编码情况如表1所示。

2.4 数据分析

作为探索性研究方法,扎根理论遵循归纳性逻辑思维,在编码环节主要包括一级编码(开放式登录)、二级编码(关联式登录)和三级编码(核心式登录)3种程序[39]。为保证数据分析的严谨性,本文参照贾旭东、衡量(2016)对于质性数据的分析思路,并结合Gioia等[40]提出的“一阶—二阶—聚合”数据分析方法,对获取的经验资料进行编码分析。一是结合研究兴趣,基于既有文献和现实情境涌现确定研究问题(机器学习与行动者能力)。二是以谷歌AlphaGo、互联网领域从业者及专家作为理论抽样样本,收集相关数据并予以整理和记录。三是对所获数据进行开放性编码(一级编码)、选择性编码(二级编码),确保核心范畴出现。其中,在一级编码过程中摈弃主观偏见认识,将原始语句概念化、范畴化,最终形成包括AI方法约束、AI方法创新、程序性能测试在内的14个一阶概念;在二级编码过程中坚持辩证思维逻辑,对相关概念、范畴进行抽象提取,最终形成包括AI路径探索、AI路径实践、知识输入学习在内的7个二阶主题。四是对研究笔记进行理论性编码(三级编码)、理论初构,并对数据、模型及文献进行反复比较,最终构建与研究主题高度相关的理论模型。其中,在三级编码过程中把握理论敏感度要求,对二阶主题进行归纳分析,最终形成包括机器学习赋能、行动者能力提高、行动者能力精进在内的3个聚合构念。

表1 数据来源与编码Tab.1 Data sources and codings

综上所述,本文基于技术可供性视角,遵循扎根理论建构程序[34],对谷歌AlphaGo的时序发展变化过程进行深入分析,探究智能模式情境下机器学习与行动者能力之间的互动关系。

3 案例分析与发现

本文基于所掌握的一手数据和二手数据,围绕AlphaGo进化过程的3个关键节点(对战机器阶段、对战人类阶段、自我升级阶段),对机器学习与行动者能力这一核心问题进行深入分析。其中,对回收的98份有效调研问卷进行统计分析发现,92人认为机器学习能够提高行动者能力(占比93.9%)。进一步分析发现,在AlphaGo对战机器阶段,行动者呈现机器学习赋能这一主观认知;在AlphaGo对战人类阶段,行动者的能动作用提高了自身能力;在AlphaGo自我升级阶段,技术迭代促使行动者能力进一步精进。

3.1 对战机器阶段:机器学习赋能

众所周知,AlphaGo并不是人类创造的第一款围棋程序。20世纪60年代,计算机围棋逐渐兴起,随着应氏杯、奥林匹亚杯及北美杯等各类正式计算机围棋大赛的举办,众多围棋爱好者纷纷参与程序编写,各类程序相继付诸实践,有力推动了人工智能在围棋领域的应用。2006年,Coulom开发的计算机程序CrazyStone首次在计算机奥运会上获得九路围棋冠军;2008年,王一早开发的计算机程序MoGo首次在九路围棋中达到段位水平;2012年,加藤英树开发的计算机程序Zen在十九路围棋中以3∶1的成绩战胜约翰特朗普;2014年,日本围棋九段棋士衣田纪基让四子负于CrazyStone;2015年,Facebook开发的计算机程序DarkForest表现出与人类相似的下棋风格和惊人实力[41]。纵然计算机围棋程序进步飞速,但围棋作为一种复杂的策略型博弈游戏,在AlphaGo面世之前,业界普遍认为计算机程序与人类职业棋手相差甚远。石田芳夫认为,其它软件与职业选手实力相当至少还有10年(N3)。正如AlphaGo开发团队DeepMind所言:“为捕捉游戏的直观元素,我们需要一种新方法(N4)。”由此可见,戴密斯·哈萨比斯团队已经认识到其它围棋AI程序方法的局限性,因此将高级搜索树和深度神经网络相结合,使用“价值网络”评估棋盘位置,使用“策略网络”选择走法,通过深度神经网络结合人类专家游戏中的监督学习和自我游戏中的强化学习进行训练[42],利用这种搜索算法,AlphaGo以99.8%的胜率击败了其它围棋程序[42]。2016—2017年,众多围棋AI纷纷效仿AlphaGo架构实现飞跃性发展(N3),充分体现了机器学习在AI路径实践过程中的赋能引领作用(见表2)。

3.2 对战人类阶段:行动者能力提高

机器学习可以帮助行动者更好地理解并学习重要元素(N1)。首先,基于正向思维对研究案例予以审视,自人机大战以来,职业棋手、社评专家及相关企事业机构借助不同方式表达了机器学习对于行动者能力的提升作用。其中,《连线》杂志曾经指出,樊麾在以“教练”身份与AlphaGo进行对弈训练期间,其棋力水平大涨(N3);李世石认为,阿尔法围棋非常出色,对围棋了如指掌(N3);棋圣聂卫平曾称呼AlphaGo为阿老师(N3);而柯洁所在团队于2018年正式引入由腾讯人工智能实验室(AI Lab)研发的AI程序“绝艺”辅助日常训练,其多次帮助国家围棋队斩获世界冠军,并得到中国围棋协会主席高度认可(N2)。其次,基于求异思维对研究案例予以审视。以往人们普遍认为AlphaGo是直接与人类职业棋手执子对弈,但通过相关报道可以发现,2015—2017年,AlphaGo无论是以线下方式与樊麾、李世石及柯洁等职业棋手对战,抑或是以Master为名在知名围棋网站与国际高手过招,其背后均存在一位不为人知的落子代执人——黄士杰。对于黄士杰博士本人而言,其虽然自幼热爱、学习围棋,并在相关赛事斩获佳绩,但专业能力尚处于业余水平,却凭借AlphaGo代言人身份屡屡战胜世界名将,并获得引人注目的斐然成绩。由此可见,AlphaGo的出现颠覆了人们对于人工智能甚至人机关系的传统认知。在某一特定情境下,早期人类对于机器的智慧输出大于机器对于人类的智慧输入,而后期人类对于机器的智慧输出却小于机器对于人类的智慧输入,即人类在与机器交互过程中存在“智慧逆差”“智慧顺差”现象,这间接证明在知识输入学习、知识创造输出及知识转化运用过程中,机器学习或运用机器学习的人工智能体对知识主体与知识受体具有凝结与反转作用。综上所述,机器学习能够在短时间内获取、掌握人类经过数千年实践积累所形成的经验策略,并以创造性机器经验反向指导人类,进而提高行动者自我能力(见表3)。

表2 AlphaGo对战机器阶段机器学习赋能的典型证据Tab.2 Typical evidences of machine learning empowerment in the stage of Alphago combating machine

表3 AlphaGo对战人类阶段行动者能力提高的典型证据Tab.3 Typical evidences of enhanced actor competence in the stage of Alphago combating mankind

续表3 AlphaGo对战人类阶段行动者能力提高的典型证据Tab.3(Continued) Typical evidences of enhanced actor competence in the stage of Alphago combating mankind

3.3 自我升级阶段:行动者能力精进

2017年5月,AlphaGo在中国乌镇围棋峰会以3∶0的成绩与届时世界顶级棋手柯洁完成比赛。赛事结束后,AlphaGo创始人戴密斯·哈萨比斯宣布该AI程序不再与人类职业棋手对决,但它会继续进行自我强化升级。2017年10月,DeepMind发布了新版程序AlphaGo Zero,不同于AlphaGo先前版本的学习方式,AlphaGo Zero不再受限于人类知识,其从完全随机的棋局开始与自己对弈,取得强于所有先前版本程序的优异表现,并发现新知识、非常规策略和创造性招式(N4)。2017年底,DeepMind推出进化版本AlphaZero,从头开始自学如何掌握国际象棋、将棋和围棋,并在每一种情况下都击败了世界冠军计算机程序(N4)。2020年12月,最新程序版本MuZero面世,它不仅学会了围棋、国际象棋和将棋,而且在无需被告知任何游戏规则情况下精通一系列视觉复杂的雅达利游戏(N4)。尽管如此,不能简单将AlphaGo在棋类游戏或视觉游戏上的成功归结为机器学习对于人类能力影响作用的极限。正如戴密斯·哈萨比斯所言,要打造能探索宇宙的终极工具,就需要让AlphaGo实现通用人工智能(N3)。实际上,DeepMind团队自2016年便将AlphaGo与医疗领域相结合,其所创建的AlphaFold人工智能系统能够准确预测蛋白质结构(N4),作为支持研究人员努力的强大工具,是迄今为止人工智能对于推进科学知识所作的最重要贡献(N4),也是机器学习为人类创造利好并极限激发行动者能力的有力证据(见表4)。

表4 AlphaGo自我升级阶段行动者能力精进的典型证据Tab.4 Typical evidences of the actor competence improvement in the self-upgrading stage

4 结语

4.1 研究结论

本文立足于“机器学习与行动者能力”这一核心问题,基于技术可供性视角,对谷歌公司(Google)旗下前沿人工智能公司DeepMind所开发的AlphaGo进行扎根理论分析,得出如下结论:

(1)机器学习具备技术可供性特征。机器学习作为新一代科技革命浪潮下的前沿引领技术,是计算机认识世界、改变世界的进入路径,是特定对象(管理主体)作用于其他对象(管理客体)的新式工具、手段及程序方法,推动包含人、资源、机器人这一高阶组织形式的形成[6]。在实际管理活动中,机器学习能够有效驱动人工智能基于人类经验或完全自主的重组并革新组织内部知识结构,创造并输出新知识和新策略,为个人或组织提供一种或多种面向并实现既定目标的可能性。因此,机器学习能够赋予并激发技术使用者额外潜能,符合现有研究对于技术可供性概念的界定。

(2)机器学习能够提升行动者能力。受各种因素影响,人类所拥有并表现出来的实际能力存在阈值,但受益于人类的非限制性信念(从行动到结果对所经历的事情始终抱有“有助、有望、有价值”的坚定信念),使得机器学习技术取得长足进步与发展。从某种意义上讲,机器学习并不是一种体现人类科技发展水平的象征,而是一种满足人类对知识获取需要、趋近人类主观意志的独特学习方式,其扩大并加深了人类对于客观世界所存“开源知识”的触及范围与理解程度,进而提高了特定对象的行动能力。

(3)技术迭代助力行动者能力精进。随着科学技术的不断发展,人工智能学习方式发生根本性改变,从基于已知训练样本完成学习任务的监督学习转向无需已知训练样本完成学习任务的非监督学习。对于AI程序而言,学习方式改变释放了其在实践过程中主动获取认识和经验的潜能,而“机器认识”“机器经验”成为机器学习创新认识客观世界的重要基础。对于行动者而言,依托机器对客观世界的创新性认识,将为人类带来新启发、新思路和新技能,对行动者本人产生“创造性破坏”效应,即行动者能力将在单一目标取得“点式精进”成效,在多种目标取得“线式精进”甚至“面式精进”成效。

上述研究结论全面展现了行动者与机器学习之间的作用关系。一是机器学习与技术可供性理论的核心内涵高度契合;二是机器学习符合行动者的主观认知,其能够赋予行为主体更大的可能性;三是行动者与机器学习之间具有不可否认的能动作用。一方面,人类对于生产实践的需要推动科学技术不断进步;另一方面,新兴技术发展提高并精进了行动者的行动能力。据此,本文构建技术可供性视角下机器学习与行动者能力理论模型,如图3所示。

图3 技术可供性视角下机器学习与行动者能力理论模型Fig.3 Machine learning and actor competence theory model from the perspective of technology affordance

4.2 理论贡献

(1)概念界定与视角验证。本文通过对国内外文献库进行检索、查阅与梳理,厘清了技术可供性理论演化路径。在此基础上,结合学者对技术可供性概念的界定,进一步剖析技术可供性理论的基本内涵,对于深入理解“技术”与“可供性”的内在联系具有重要意义。与此同时,本研究运用科学研究方法验证机器学习的可行性,为后续相关领域引入并应用机器学习视角开展深入研究奠定了坚实的理论基础。

(2)机制解析与理论延伸。发展人工智能已成为当今社会主流趋势,而机器学习则是开启人工机器或人工系统智能化的重要驱动力。当前研究主要集中于概念诠释、机制探索及应用展望等方面,其应用主要分布在新闻传播、工业设计及在线教育等领域。本文对人工智能领域代表性企业开展研究,基于底层逻辑诠释智能时代技术可供性的本质与形态,基于过程逻辑解析机器学习提高并精进行动者能力的作用机制,基于顶层逻辑发现并构建符合时代特征的“机器学习与行动者能力”理论模型,进一步完善了传统技术可供性理论并延伸了其适用范围。

4.3 政策建议

(1)研发层面:强化基础学科建设,夯实科研攻坚力量。世界顶尖科学家协会主席罗杰·科恩伯格指出,基础科学是人类进步的希望;中科院院士刘维民认为基础科学是科技发展的重要基石;中科院院士朱日祥表示,基础研究是科技创新的源泉。由此可见,基础科学对于构建国家核心竞争力具有不可替代的作用。2020年,为选拔适用于国家重大战略需求且综合素质过硬或基础学科拔尖的人才队伍,教育部启动实施招生改革试点工作——强基计划。该计划施行以来成效显著,但受多种因素影响,我国基础科学研究较之欧美发达国家仍有差距。因此,应适时将“强基计划”升级为“强基战略”,在规制层面指导社会各层次教育机构及相关部门强化数学、物理、化学等基础学科建设,激发拔尖创新人才对于前沿科技及关键领域的探索热情,夯实我国创新驱动发展战略下的科研攻坚力量,进而维护、增进并实现国家利益与发展目标。

(2)转化层面:完善政策法规体系,助力科技成果转化。戴密斯·哈萨比斯、大卫·席尔瓦及黄士杰在开展AlphaGo项目研究之前,已经投身于与计算机科学有关的学科研究很多年。可见,基础科学研究具有长期性、复杂性及不可预见性等特征,主要体现在科研成果产出上。其中,长期性需要直接或间接调配使用自我经验与他人经验,在某种意义上体现为一种递归函数效应;复杂性需要直接或间接选择控制解释变量与无关变量,在某种意义上体现为一种多重回归效应;不可预见性需要直接或间接绝对收敛目标集合与结果集合,在某种意义上体现为一种柯西分布效应。因此,为进一步提升科技项目攻坚转化成效,政府应结合基础科学研究的本质,在风险容忍与激励补偿层面建立并完善相应法规机制,降低机构或个体研发风险,并坚定基础研究者的科研精神与科研信心。

(3)应用层面:重视新兴技术应用,提高行为主体能力。首先,本文回答了“机器能思考吗”这一源自图灵时代便广受计算机、人工智能相关领域关注的核心问题。机器学习作为一种实现人工智能从无到有、由弱至强的关键路径,其在原始资料搜集、分析、判定层面为人类应对现实世界中普遍存在的非确定性问题提供了强有力支撑;与此同时,机器学习所表现出来的创造性行为也突破了人类固有的思维限定,上述现象是“机器思考”的集中体现;其次,近年来人们愈发担心人类被机器所取代,需要明确的是,机器学习并不能被狭隘定义为专属于机器的学习途径,而是一种为满足并服务于人类发展需要的学习方式。基于此,管理者应摈弃偏见,始终遵循自然事物发展规律,深刻认识到机器学习对于管理方法、管理模式及管理效益的赋能引领作用,重视机器学习及其它新兴技术的运用,提高行动者解决所属行业难题的能力,进而促进相关领域健康、稳定发展。

4.4 未来展望

(1)人类的“热思维”决定其正确理解世界万物皆有其道的含义。因此,针对自然规律这一隐性开源知识,推动科学进步是外延人类行动能力的必要过程。而计算机的“冷思维”决定机器学习是认识自我、改变自我、提高自我的进入路径,本质上是以学习试错方式趋近并满足人类的主观意志。因此,针对人类社会出现的困点问题,应在主观认知层面认识到科技创新对于增强社会文明主体能力的重要驱动作用。

(2)本文基于定性研究方法,探索并分析机器学习与行动者能力之间的内在联系,未来将基于成熟量表、新开发量表检验两种变量及其与其它变量之间的作用关系,以进一步揭示机器学习、大数据及人工智能等新兴技术对于行动者能力的作用机理,进而提升相关部门、企事业单位及社会团体的管理决策成效。

(3)高端技术在服务于人类社会的同时,也为不轨分子提供了变相操作或博弈对抗的可能。因此,相关部门应加强从业者思想道德教育,推动反制技术研发,完善市场监管体系,优化刑罚惩治举措,防范算法合谋、信息窃取、网络攻击等高科技犯罪或非道德行为的滋生与蔓延,确保市场主体公平竞争、市场机制高效运行、营商环境平和稳定。

(4)中共二十大报告指出:“我们要坚持推动高质量发展,加快现代化经济体系建设,着力提升产业链供应链韧性和安全水平。”会议强调,没有坚实的物质技术基础,就不可能全面建成社会主义现代化强国。供应链金融对于国家战略目标的顺利实现具有重要支撑作用,而本研究所取得的阶段性成果能够为相关学者带来一些启示,进而助力中华民族伟大复兴。