有些复杂的技能支撑着产生未来力量的所有人类表现。机器可以模仿它们，但不可能完美地复制。本文所讨论的5种能力是想象力、创造力、推理能力(归纳和演绎)和解决问题能力。
01 想象
在为第一次火星旅行做准备的时候，美国宇航局的工程师们提出了许多新概念。美国宇航局的托马斯说，其中一个概念是可以指导宇航员进行紧急护理的急救医疗系统。
信号在地球和火星之间传输需要40分钟的时间，如果宇航员在火星上受伤或生病，他们无法实时地咨询地球上的医生。因此火星任务需要一个紧急护理的诊断和治疗系统，即一个“掌上医生”。
火星之旅受到载重和能源的制约，两个方面都不能超出限制。你无法携带太重的东西，也不能像在地球上一样，可以使用整个机房的计算资源。美国宇航局有什么好办法?Thomas实际上还没有答案。但是，美国宇航局遇到的这个谜题说明人类仍然胜过计算机领域。完美的答案需要非凡的想象力。
“这是一个数据科学问题，”Thomas说，“因为你掌握了很多信息，但是抓不住重点。”美国宇航局不得不决定开发一个基于火星的系统，装备了传感器和其他设备来监测宇航员和周围环境。
美国宇航局将如何挑选出计划护理的疾病?它需要一个能够处理各种条件的智能的系统。长期的慢性疾病，如感染，仍然可以依靠地球上的专家来处理。而动脉出血等急症必须当场得到解决。那么严重性介于两者之间的问题，比如中毒，该如何处理呢?
解决开发一个“掌上医生”这类问题是人们的强项。计算机无法想象，至少不能在没有参照原型的情况下提出新颖的想法。想象力不仅需要插值或外推，更需要创造性。计算机不会造成会议室中充满了各种疯狂、野心勃勃、有趣和富有远见的想法。人类的想象力才是灵感迸发和梦想的源泉。
在人与机器协同工作时，你不必追求更聪明和更有想象力。你只需要敞开心扉接受各种各样的可能性。
例如，抓住自动驾驶汽车带来的契机。自动驾驶汽车上路后，司机可以像在火车或者飞机上，甚至是在起居室、饭厅或卧室里一样从容不迫地度过时光。在这个飞驰在高速公路上并与平行数字宇宙挂钩的生活单元里，人们会使用哪些娱乐、教育、饮食或个人健康(如按摩)的产品和服务?
从实用角度看，想象力通常要求以各种可能性作为原料，从中提炼出一个主题。
- 如果你经商，如何利用这个新主题来赚钱?(提供与汽车位置同步的国家地理频道风格的解说节目?)
- 如果你在政府或第三部门工作，如何更好地履行为人民服务的使命?(根据机器学习推断出的当地史上事故的发生模式来发出安全警报?)
你如何将数据、算法和网络融合在一起，创造出这些新资产?你必须点燃自己的想象力引擎，用新颖的概念、策略或愿景来吸引众人的目光。这是你肩上的任务。
考虑一下David Rose在创建Ditto实验室和之前的五家创业公司时所采用的想象方法。Rose说他在Ditto中采用了一种饱经企业家检验的妙招。他想象如何将新兴的机器智能力量应用到新的“问题空间”里。这个灵感源于学术研究。
“结果非常神奇，”他说，“你可以从学术界精选出影响深远的伟大的技术和思想。”
开始时，Rose注意到麻省理工学院的同事们一直在开发计算机视觉技术，以解决诸如自动驾驶汽车和无人机识别物体等高难度问题。计算机视觉只有在机器能辨别出不同的物体时才能起作用。即使对于视网膜扫描仪、指纹读取器和面部识别等已经普及的应用，分辨不同的事物仍然是一个挑战。
Rose转而考虑用计算机来识别最有区分度的一类图像：徽标和商标。
因此Ditto就诞生了。该公司的成功在于认识到由像素组成的照片提供了一个新的非结构化数据流，而机器可以将其转换成结构化数据。由此发展出的新能力，可以更好地回答营销人员感兴趣的许多问题。
现在，Rose已经将“大数据”和“大照片”结合，预计还要加入“大情感”，这是Affectiva业务的主要支柱。
听起来像是天方夜谭，但这正是关键点。明天的领导力需要由计算机的感知、记忆和整理能力支持的强大想象力。
这种想象与过去的创新思维并不相同。你必须使用幼儿园没教过的概念，比如众包(让国际化的团队解决新问题)和将无形的情感信息转化为1和0的序列(Affectiva正在研究如何将希望、灵感和挫折用编码表示)。
02 创造
你能将想象中的事物创造出来吗?计算机离这一目标还很远。因此，创造活动，也就是将各种新式的组件装配起来时形成的想象，是数学公司时代让领导者脱颖而出的第二个关键能力。
创造不是执行既有的计划，而是打造出组成计划的各个要素。它是关于如何利用流行的外包、网络与合作等方式，把愿景的组成部分落实到位。
我们来看一看优步公司的情况。它的600亿美元的市场价值不是通过拥有和运营大量的工厂和设备来实现的。它没有发明地图导航或者信用卡授权支付功能。它没有雇佣司机，也不提供汽车。那优步的核心资产到底是什么?它是一个由大量知识产权聚合起来的集合体。
在数学公司，领导者的创造力有时会被归结为设计出好的方案，将企业、政府或非营利组织的专有机器智能资源连接成一个整体。创造价值的秘诀在于整合数字资源的供应商，每个供应商都有办法让计算机不用合并硬件就可以进行交互和合并代码。这创造了一种全球数据科学大熔炉，具有丰富的深度和多样性。
在近期，数学公司之间使用应用程序编程接口(API)交流。API是秘密交换数据或者说幕后交换数据的通道，在公司之间建立起强大的联系。尽管API只是技术发展中的铺路石，但它们能在竞争对手和消费者的视野之外组成新型的战略联盟。
API使得即时、大规模的数据交换过程不再需要人工参与，机构间可以共享和访问各种信息，并且只有机构自己知道如何利用这些信息。因此机构可以做自己最擅长的事情，可以专注于在组织生态系统中发展自己生产力最高和最能盈利的领域。
创造不再是在地下室发明一个设备，并申请专利来垄断利润，尽管这仍然是一个不错的主意。它意味着在全球性的实验室中构建新颖的概念，并将其分享以创造利润。如果你领导一个数学公司，可以将日常经营融入数学社会来提升公司的战斗力。
在数学社会中，机构之间就像如今的互联网设备一样互相连接。如果你不能通过资产并购来接入数学社会，那还可以通过数字功能融入方式来建立连接。
Ditto实验室的Rose将如今的领导者视为API集合的管理者，就像现在他们在复杂的生产链中切换买家和卖家的角色一样。举例来说，Ditto可能会同时成为Affectiva的供应商和买家，而这两家公司都可能是耐克(Nike)和宝洁(Procter & Gamble)等大公司的供应商和买家。
如果一家公司能够将产品部件外包给实体供应链，那它也可以将数据和代码外包给一个虚拟的供应链。创造力来自寻找出最有利的生存方式。
“你努力向客户提供他们看重的数据洞察力和交互性，”Rose说，“客户不关心你的见解从何而来。”要想取得成功，“你需要思维活跃的人，能不断在新的数据世界中挖掘新的用户体验。你需要的不只是疯狂的发明家，还有出色的沟通者，他们能够确定引入新事物的恰当时间。”
创造行为包括考虑如何在实体生态系统中进行交互，就像优步为Epi-demico等公司运送疫苗时所做的那样。在机器智能时代，为了保护私有财产而与外界隔绝的做法，可能会错失开发利用全球性数字资源的机会，那是一个爆炸性增长的财富宝库。
建立正确的组合意味着改变你的时间分配方式：将更多的时间花在社区、其他行业的同行、创业公司和大学实验室上。现在，机构比以往更像是一个大型组织的一部分。如果你想成为一个数学公司的优秀领导者，必须扩展公司与外部的连接，从而倍增自己的价值。
03 & 04 推理：归纳和演绎
现在我们又回到了起点：提出问题。这通常是你开始施展人类擅长的第三种和第四种认知能力的地方——归纳推理和演绎推理。
归纳推理变得更加重要了，因为它促进你与机器进行积极的互动，寻找答案。这就是人机伙伴关系的闪光之处，没有平行的数字世界，你将失去许多可能性。
例如，美国中西部的一家大型连锁医院(下文称之为MedWest)的研究人员想知道是否能够阻止脓毒症恶化到非常致命的状态。脓毒症是一种全身性的感染，患者通常需要住院治疗。研究小组收集了过去几年里数千名脓毒症患者的医院电子记录。一些患者病情加重，发展到更危险的重症脓毒症，而其他患者则没有。
医学领导者要求研究人员回答一个关键问题：是否可以观察到两组患者的生命体征差异，并为脓毒症的恶化提供早期预警?如果这样的警示信息存在，那将是一个重大突破，因为一旦患者发展到严重的败血症，治疗手段往往太迟了，无法避免患者死亡。
研究团队将病人的记录汇集在一起后，按时间顺序将病人的生命体征数据排序。然后，他们用一种新的分析方法来搜索生命体征随时间变化的模式。
他们发现，在脓毒症患者病情开始恶化的几个小时之前，他们的生命体征通常按确定的规律变化。这是医生没有察觉到的一种模式。研究人员立即开始在MedWest监测患者的这些变化，以便及早实施救治方案和挽救生命。
这就是归纳推理的力量，提出适合于人和机器共同来解答的问题。作为领导者，你是这股力量的起点。有了机器智能做助手，你提出问题，机器会帮助寻找新的答案。你不会带着理论偏好和偏见开始解决问题之旅。你只需启动调查，然后一路驶向终点，那里出现的答案可以彻底改变我们的生活。
作为领导者，你拟定的问题涉及方方面面：谁、什么、何时、何地、为什么。
以默克公司为例，问题可以是谁在购买或使用这种疫苗?在生产中，哪些变量是最不可控的?在一个工作日中，哪些时段生产的批次不合格率最高?我们应该在哪里寻找异常?为什么周一生产的批次的质量最高?通过数据，你了解到公司的生产线在全球供应和制造生态系统中的地位如何?基于这些认识，你如何着手做某些事情?
想象一下，你是一名军事指挥官，正在制定作战计划。你必须从战略上考虑士兵、后勤、敌军情报以及许多其他的战争因素。当然，你的目标是赢得这场战斗，但是胜利需要付出代价，需要权衡各种利弊，应该如何抉择?
你可以向机器寻求建议，它加载了反应实际战况的模型，然后提供比如说25个选项，每个选项都是从你无法理解的复杂性中筛选出来的。
在这种情况下，你想要的不是单一的最优答案，而是希望机器列举出你未曾想到的选项，从中确定当前状况下具有最优代价和权衡的解决方案。这就是在机器智能时代人和机器紧密合作的方式，以便在调查中充分挖掘归纳方法的威力。
归纳推理的最基本方法是观察事物本身，没有先入为主的理论告诉你将会从复杂的数据中发现什么。一旦你提出了问题，就让机器智能用算法来提供答案。
你提出的数据和模型的问题反映了复杂系统的运行规律。这些数据比你以前存储的要广泛得多。这些模型比你的大脑能想到的任何模型都复杂得多。只要你按照机器能回答的方式来提出合适的问题，获得新颖有用的答案的可能性就会大大增加。
有一句关于数据的老话：垃圾进，垃圾出。提问题也是这个道理。糟糕的问题只会得到无用的见解。
你是否会问先有鸡还是先有蛋?这么做的话，你不会得到任何答案，因为你提出的是鸡和蛋的层次上的问题。相反，你可以这么问，在生物进化史上，卵生动物的祖先是什么时候出现的?站在数百万年进化史的角度提问，你可以获得一些真实的可能性。
这就是为什么作为领导者你需要站在这个过程的顶端，以更广阔、更具分辨力的眼光凝望这个世界。
你有可以依赖的工作和生活经验，看待事物的观点和组织知识。就像苏格拉底所说，你在过着“审视的生活”。通过审视的目光和一颗永远对未知事物好奇的心，你对重要的行动提出了一连串的质疑。随着对问题的不断深入的思考，你形成了独特的理论。
这并不是说一开始你就知道了明确的问题。很少会这么幸运。首先，你需要学习如何与数据科学家合作，以便查询请求的格式能够被机器理解。
另一方面，如果你采用纯归纳方法，并接受意料之外的结果，那就不能在问题中对可能的结果做任何假设。关键是要拿出有价值的问题，这些问题成为推动组织到达终极关键问题的引擎。
如果说归纳推理是通过观察来发现真相，则演绎推理是通过实验来验证假设。归纳推理中，你可以从自己认为可能的事物出发形成推论。演绎推理中，你可以根据确定的前提来导出结论。实践中两种推理方式我们都会采用，但在一些圈子里，归纳推理因其间接、非正式的特点而受到冷遇。
当你以新的方式与机器协作时，可以使用这两种推理方式来完成很多事情。交替使用两种推理方式通常是揭开复杂事物神秘面纱的捷径。科学家的工作方式就是这样的。他们一旦有了科学理论，就转而使用演绎推理来寻找可以改变任何东西的问题。
旧金山警方的领导层希望安排更有针对性的巡逻来减少汽车盗窃案件。在数据科学家的指导下，他们查询了犯罪数据库，发现了盗车案件的三个热点地区以及案件发生最频繁的时段，即周六晚上七点钟前后。
在警察的帮助下， 数据科学家发现主要的热点地区周围都是公园。一个新的理论因此诞生：在城市中，公园的荒野地区是窃贼发起盗窃活动和撤退的最好地点。这揭示了应该在何时何地加强巡逻，随后的反馈数据可以验证，“公园理论”是否是应对汽车盗窃的巡逻方案的最好答案。
因此，你可以看到在人机合作中，人类一方的直觉能促进更好的问题和答案出现。在没有思考的情况下，直觉让你冒出一个想法，而机器耐心地等待着测试这个理论。
05 构建问题解决方案
第五种让机器感到挣扎，而人类十分拿手的能力是构建问题的解决方案。第一个挑战是明确问题的本身以及它的构成。然后你要决定怎样依靠人机协作来寻找答案。
再一次，就像科学研究一样，要取得巨大的成果，明确问题和着手解决问题的方式与投入的脑力劳动同样重要。确定了如何建立、引导、发现和分析的过程之后，计算机就可以执行任务和数学计算。
解决问题的方法很多，准备开始的步骤也很多。我们将使用什么数据?哪些算法最有用?用哪一类建模方法?合理的操作步骤是什么?
尽管计算机是个数学计算高手，但它自己并不能推断出要做哪些计算。这并非期望你成为算法专家，但你应该有良好的直觉，明白算法可以做什么、不可以做什么，以及在哪里可以使用它们。
下面这个简单的例子展示了人类在与机器合作解决问题时所拥有的力量。在一家大型金融机构中，我们的任务是找到一种早期检测欺诈的方法，以阻止大部分的欺诈活动，帮助机构挽回资金。
欺诈的表现方式有数百种，由于欺诈事件层出不穷，欺诈者又行动迅速，我们很难在追踪案件时跟上他们的行动模式。依靠10年来积累的数据和400多个变量，我们尝试将“恶意行为”建模，使其可以被检测出来，从而阻止未来的犯罪者。
我们改变了解决问题的方式。我们没有问：“如何对恶意行为建模?”而是问：“如果也对良好行为建模，会有什么帮助?”正如我们所发现的，对遵守操作规则的良好客户的特点建模，再综合其他的恶意行为模型，这会把检测和阻止欺诈的效率提高很多。
这意味着在实践中目光不应该局限在个别交易上，而应当重点关注相似人群(例如，居住环境和收入结构接近的人群)的共同行为模式。
在“良好”行为的模式指引下，我们更加容易发现关心的异常行为并对其采取行动。“恶意”行为及其与良好行为的差别显得尤为突出。从这个问题出发，最终我们为该机构发现了超过10亿美元的规模大、范围广的欺诈事件。
另一个问题求解的例子来自对比谷歌和特斯拉在构建自动驾驶车辆软件时采用的不同方式。谷歌使用了几百万个道路场景训练它的模型，以确保驾驶程序可以预见和应对任何想象到的情况。它只将软件安装在自己生产的汽车上并用自己的测试司机。
与此相反，特斯拉公司在它生产的每一辆汽车上都添加了自动驾驶功能，供所有的司机使用，并带有一个惰性车内自动驾驶测试功能。特斯拉汽车的一些软件可以协助客户进行有限自动驾驶。软件的另一个功能是记录驾驶员的所有行为，它对汽车没有影响，这样特斯拉可以不断地积累数据，以便未来实现完全自动驾驶功能。
比较一下两种解决问题方式的结果：谷歌花了6年时间收集到100万英里的真实自动驾驶汽车数据，而特斯拉的7万辆汽车每10小时就能产出100万英里的驾驶员数据。谁将率先利用数据抢占下一个突破口?
我们得到的教训是：你不可能命令电脑“提升一下我的业绩”(或者“改进一下我的汽车软件”)。你仍然需要提出问题并且指明如何来构建它。
就像人类对机器的其他优势一样，你会在某些任务上表现得更好，并且你需要进一步发展对人机协作非常重要的关键能力。如果你正在选择优先发展的能力，以保证成功之路有坚实的支撑，本文就为你精心准备了一张候选列表。
关于作者：乔希·沙利文(Josh Sullivan)，美国知名咨询公司博思艾伦的合伙人，创建和领导该公司的数据科学团队，致力于向企业领导者展示数据科学如何解决复杂的组织问题。他与数百家财富五百强公司以及政府机构合作，通过采用数学公司的原则来帮助它们重塑组织以获得商业成功。安吉拉·朱塔弗恩(Angela Zutavern)，博思艾伦咨询公司副总裁，是数学型公司理念下的领导力、转型和创新方面的专家。她主导的机器智能和数据科学战略已帮助数百个企业和组织获得竞争优势。她的工作还涉及深度学习和量子机器学习领域。
本文摘编自《数字时代的企业进化：机器智能+人类智能=无限创新》，经出版方授权发布。
