前言 現在──重新思考AI經濟學的時候
2018年，我們出版了《AI經濟的策略思維》（Prediction Machines），當時認為書中已就人工智慧（AI）經濟學道盡該說的一切。但我們錯了。雖然，我們充分意識到AI當時仍處於起步階段，科技將持續演進，但我們知道基礎經濟不會改變。這就是經濟學的美妙之處。科技在變，但經濟不變。我們在那本書中提出了有關AI經濟學的架構，這個架構至今仍十分有用。然而，《AI經濟的策略思維》架構只講述了故事的一部分，也就是單點解決方案。此後的幾年，我們發現AI故事的另一個關鍵──系統部分──尚未闡明。現在，我們要在這裡講述這個故事。為什麼一開始我們會跳過呢？將時間回溯到2017年，我們在撰寫《AI經濟的策略思維》時進行解釋。
那一年，加拿大AI先驅們展示了深度學習在圖像分類方面的卓越性能，五年後，大眾對這項新技術的興趣急遽增長。每個人都在談論AI，有人猜測它可能會將加拿大推向世界科技舞台之巔。這不再是一個是否的問題，而是何時的問題。
我們創辦了以科學為導向的新創企業計畫，名為「創新破壞實驗室」（Creative Destruction Lab, CDL），其中一個範疇專門致力於AI。每個人都在問：「你們認為加拿大第一家AI獨角獸，也就是第一家估值達十億美元的AI新創公司，會在哪裡誕生？」我們下注的城市是：「蒙特婁（Montreal）。或是多倫多（Toronto）。或者可能是埃德蒙頓（Edmonton）。」
我們並不孤單。加拿大政府也在做相同的押注。2017年10月26日，我們在「創新破壞實驗室」舉辦了年度AI會議，邀請加拿大總理杜魯道（Justin Trudeau）與會。在我們「機器學習與智慧市場」會議上，他強調了投資於集中區的重要性，這些地理區域擁有多樣的行業參與者，包括大型企業、新創公司、大學、投資者和人才，整體效果大於部分總和，能促進創新並創造就業機會，其中關鍵概念是地理共享的重要性。幾個月後，他的政府宣布為五個新的「超級叢集」提供重要資金，其中包括以蒙特婁為基地的AI叢集。
我們對於AI的商業化具有信心。在這個領域，我們被認為是全球專家，編寫了一本關於AI經濟學的暢銷書；發表了大量有關此主題的學術論文和管理文章；正在共同編輯一本將成為該領域博士生主要的參考書籍《AI經濟學：議程》（The Economics of Artificial Intelligence: An Agenda，暫譯）；我們創辦了一個AI商業化的計畫，據我們所知，這是全球範圍內AI公司聚集度最高的；我們在世界各地向商界和政府領導人發表演講；還參與了AI相關的政策委員會、工作小組和圓桌會議。
我們認為AI應該視為「預測」的觀點，獲得很多從業者的共鳴。我們應邀前往Google、Netflix、亞馬遜（Amazon）、Facebook和微軟等公司進行演講。Spotify是全球最大的音樂串流媒體服務提供商之一，其產品、工程、資料和設計主管古斯塔夫．瑟德斯特倫（Gustav Söderström），在一次採訪中提到我們的書：
（作者們）在他們的著作《AI經濟的策略思維》中，將其描述得非常恰如其分。想像一下機器學習系統的預測準確度，就像收音機上的音量旋鈕一樣……當你轉到旋鈕上的某個點──你的預測足夠準確時──某件事就會發生。你跨越了一個門檻，實際上你應該基於機器學習重新思考整個業務模型和產品……透過「每週新發現」（Discover Weekly），我們從「先購物，後出貨」的模式轉變為《AI經濟的策略思維》所描述的「先出貨，後購物」的模式。我們已經達到了一個（預測）準確度的水準，可以從只是提供用戶更好的工具來自主製作播放清單，轉變為給他們一個每週播放清單，讓他們保存真正喜歡的曲目。我們將願景從「讓你自己創建更好的播放清單工具」，轉變為「你永遠不應該再自己創建播放清單」。
我們的方法──設計調整品質後，預測變得非常實惠的世界──具有實際重要的意義，並為AI戰略提供寶貴的洞察。
那麼，為什麼我們如此有信心，第一家AI獨角獸將來自蒙特婁、多倫多或埃德蒙頓？我們正在聯絡最近兩位圖靈獎（Turing Award，相當於計算機科學的諾貝爾獎）得主，他們因在深度學習方面的開創性工作而獲得認可，他們分別位於蒙特婁和多倫多，以及一位在埃德蒙頓、強化學習的主要先驅。加拿大政府正準備慷慨資助三家致力推進機器學習研究的新機構，它們分別位於蒙特婁、多倫多和埃德蒙頓。許多全球企業正匆忙在蒙特婁（例如愛立信﹝Ericsson﹞、Facebook、微軟、華為、三星）、多倫多（例如輝達﹝Nvidia﹞、LG電子﹝LG Electronics﹞、嬌生公司﹝Johnson & Johnson﹞、羅氏﹝Roche﹞、湯森路透﹝Thomson Reuters﹞、Uber、Adobe）和埃德蒙頓（例如Google DeepMind、亞馬遜、三菱、IBM）建立AI實驗室。
可以說，我們對AI的商業化有很多了解。然而，我們的猜測可能有很多是錯的，甚至是大錯特錯。第一家加拿大AI獨角獸並非來自蒙特婁、多倫多或埃德蒙頓。甚至不是我們第二次進行的猜測──溫哥華、卡加利（Calgary）、滑鐵盧（Waterloo）或哈利法克斯（Halifax）。如果不是來自這些，那麼加拿大的科技中心從哪裡來？2020年11月19日，《華爾街日報》（Wall Street Journal）刊登了一篇報導，標題為「那斯達克（Nasdaq）以27.5億美元收購反金融犯罪公司Verafin」。Verafin的總部位於紐芬蘭（Newfoundland）的聖約翰（St. John’s）。很少有人，當然包括我們在內，會預測加拿大第一家AI獨角獸出現在位於北美東北角的小鎮。
紐芬蘭的聖約翰可說是遠在天邊。紐芬蘭是加拿大最東的省分，人口僅約50萬，並不在科技社群的關注中。事實上，即使是加拿大鄰國──美國，許多美國人直至2017年東尼獎（Tony Awards，編按：美國劇場界最高榮譽），因為熱門百老匯音樂劇《來自遠方》（Come from Away）被提名為最佳音樂劇及其他四個獎項，才第一次聽說紐芬蘭。這部音樂劇根據真實故事改編，講述了911襲擊事件後一週內，38架飛機被指示降落在紐芬蘭，幽默善良的當地居民接待了來自世界各地7000名滯留的旅客。然而，就在那裡，由布蘭登兄弟（Brendan Brothers）、傑米．金恩（Jamie King）和雷蒙．佩雷帝（Raymond Pretty）創辦了Verafin，最終為北美3000家金融機構提供詐騙檢測軟體。我們怎麼可能錯過這一點？這是純粹的巧合嗎？隨機的機會？即使是專家有時也會犯錯。後見之明是最清楚的。低概率事件還是有可能發生。
讓那斯達克買單的是AI。Verafin大量投資、建立了能夠預測詐騙並驗證銀行客戶身分的工具。這些是金融機構的關鍵功能，無論是在營運還是在法遵方面皆是如此。要做到這一點需要大數據，而銀行和信用合作社的數據資料是其中最大的。
進一步思考，會發現像Verafin這樣的企業在業界獨占鰲頭並非偶然，而是不可避免的趨勢。我們對於預測機器可能性的關注，使我們忽視了實際商業應用的機率。雖然，我們一直關注AI本身的經濟特性──降低預測成本──但我們低估了構建新系統的經濟特性，這些系統必須嵌入AI。
如果當時我們能更清楚地理解這一點，不是評估先進機器學習模型的生產實力，而是調查專注預測問題的應用程式前景，這些嵌入系統已經為機器預測做好設計，無需取代人類預測。我們應尋找已擁有大型數據科學家團隊，並將預測分析整合到其工作流程中的企業。我們會很快發現金融機構是最普遍的領域之一，因為它們雇用了大量的資料科學家來預測詐騙、洗錢、制裁不合規，以及金融交易中的其他犯罪行為。接著，我們會尋找正運用最新AI技術來解決這些問題的小企業。可以發現當時加拿大只有少數這樣的公司，其中之一就是總部位於紐芬蘭的Verafin。
我們意識到，現在該是重新思考AI經濟學的時候了。Verafin的方法遵循了《AI經濟的策略思維》路徑圖。這一點並不令人意外。然而，大家比較不容易發現的是，為什麼許多其他應用需要更長的時間才能實現規模化部署。我們意識到除了考量技術本身的經濟性，還要考慮技術運作的系統。我們必須理解是怎樣的經濟力量，推動銀行自動檢測詐騙和電子商務產品推薦等領域快速採用AI，但在保險自動核保和藥物研發上採用進展緩慢。
對於在現有組織架構中實施AI所面臨的挑戰，我們不是唯一低估者。我們多倫多大學（University of Toronto）的同事傑弗瑞．辛頓（Geoffrey Hinton），因其在深度學習上的開創性工作而被譽為「AI教父」，他可能也低估了實施的困難度。以前他曾開玩笑地說：「如果你是放射科醫師，就像是已經越過懸崖邊緣的土狼，但還沒有往下看，所以不知道腳下已沒有路地。人們應該停止培訓放射科醫師。顯然在五年內，深度學習將會做得比放射科醫師好。」儘管他在技術進步的速度上是正確的──現在，AI在許多診斷任務中表現都優於放射科醫師，但在他發表上述言論後五年，美國放射學會（American College of Radiology）報告聲稱：放射科新生的培訓人數並未下降。
我們漸漸意識到自己進入了歷史上的獨特時刻：「過渡時期」──目睹了這項技術的威力後，但在其廣泛應用之前。有些實踐是我們所謂的單點解決方案，相對簡單。這些解決方案採用AI，只是將較早的機器生成預測分析替換為更新的AI工具（例如Verafin，這些應用正迅速推進中）。而其他實踐，則需要重新設計產品或服務以及交付的機構，才能充分實現AI的效益，不枉投資成本。在後者的情況，公司和政府正競相尋找有利可圖的途徑來實現這一目標。
我們將焦點從探索神經網路（neural networks），轉向探索人類認知（我們如何做出決策）、社會行為（為什麼某些產業急於迅速擁抱AI，而其他人則持抵制態度）、生產系統（某些決策如何依賴其他決策），和產業結構（我們如何隱藏某些決策以保護自己免受不確定性的影響）。
為了探索這些現象，我們會面了使用AI的公司領導者、產品經理、企業家、投資者、資料科學家和電腦科學家。並與專家、政策制定者召開了研討會和會議，近距離觀察數百個由創投支持的AI新創企業實驗中，有哪些成功和失敗的案例。
當然，我們回頭探索了經濟學的基本原理，作為蓬勃發展中AI經濟學實證研究領域的一部分，而這個領域在幾年前我們撰寫《AI經濟的策略思維》時，幾乎不存在。我們開始將各點連結起來，構建一個經濟框架，區分單點解決方案和系統解決方案。這不僅能夠解決Verafin難題，還能為下一波的AI採用提供預測。透過專注於系統解決方案而不是單點解決方案，我們可以解釋這項技術最終將如何在各個產業中廣泛應用，使某些企業站穩腳步並干擾其他企業。是時候撰寫另一本書了，正是這本。
2018年，我們出版了《AI經濟的策略思維》（Prediction Machines），當時認為書中已就人工智慧（AI）經濟學道盡該說的一切。但我們錯了。雖然，我們充分意識到AI當時仍處於起步階段，科技將持續演進，但我們知道基礎經濟不會改變。這就是經濟學的美妙之處。科技在變，但經濟不變。我們在那本書中提出了有關AI經濟學的架構，這個架構至今仍十分有用。然而，《AI經濟的策略思維》架構只講述了故事的一部分，也就是單點解決方案。此後的幾年，我們發現AI故事的另一個關鍵──系統部分──尚未闡明。現在，我們要在這裡講述這個故事。為什麼一開始我們會跳過呢？將時間回溯到2017年，我們在撰寫《AI經濟的策略思維》時進行解釋。
那一年，加拿大AI先驅們展示了深度學習在圖像分類方面的卓越性能，五年後，大眾對這項新技術的興趣急遽增長。每個人都在談論AI，有人猜測它可能會將加拿大推向世界科技舞台之巔。這不再是一個是否的問題，而是何時的問題。
我們創辦了以科學為導向的新創企業計畫，名為「創新破壞實驗室」（Creative Destruction Lab, CDL），其中一個範疇專門致力於AI。每個人都在問：「你們認為加拿大第一家AI獨角獸，也就是第一家估值達十億美元的AI新創公司，會在哪裡誕生？」我們下注的城市是：「蒙特婁（Montreal）。或是多倫多（Toronto）。或者可能是埃德蒙頓（Edmonton）。」
我們並不孤單。加拿大政府也在做相同的押注。2017年10月26日，我們在「創新破壞實驗室」舉辦了年度AI會議，邀請加拿大總理杜魯道（Justin Trudeau）與會。在我們「機器學習與智慧市場」會議上，他強調了投資於集中區的重要性，這些地理區域擁有多樣的行業參與者，包括大型企業、新創公司、大學、投資者和人才，整體效果大於部分總和，能促進創新並創造就業機會，其中關鍵概念是地理共享的重要性。幾個月後，他的政府宣布為五個新的「超級叢集」提供重要資金，其中包括以蒙特婁為基地的AI叢集。
我們對於AI的商業化具有信心。在這個領域，我們被認為是全球專家，編寫了一本關於AI經濟學的暢銷書；發表了大量有關此主題的學術論文和管理文章；正在共同編輯一本將成為該領域博士生主要的參考書籍《AI經濟學：議程》（The Economics of Artificial Intelligence: An Agenda，暫譯）；我們創辦了一個AI商業化的計畫，據我們所知，這是全球範圍內AI公司聚集度最高的；我們在世界各地向商界和政府領導人發表演講；還參與了AI相關的政策委員會、工作小組和圓桌會議。
我們認為AI應該視為「預測」的觀點，獲得很多從業者的共鳴。我們應邀前往Google、Netflix、亞馬遜（Amazon）、Facebook和微軟等公司進行演講。Spotify是全球最大的音樂串流媒體服務提供商之一，其產品、工程、資料和設計主管古斯塔夫．瑟德斯特倫（Gustav Söderström），在一次採訪中提到我們的書：
（作者們）在他們的著作《AI經濟的策略思維》中，將其描述得非常恰如其分。想像一下機器學習系統的預測準確度，就像收音機上的音量旋鈕一樣……當你轉到旋鈕上的某個點──你的預測足夠準確時──某件事就會發生。你跨越了一個門檻，實際上你應該基於機器學習重新思考整個業務模型和產品……透過「每週新發現」（Discover Weekly），我們從「先購物，後出貨」的模式轉變為《AI經濟的策略思維》所描述的「先出貨，後購物」的模式。我們已經達到了一個（預測）準確度的水準，可以從只是提供用戶更好的工具來自主製作播放清單，轉變為給他們一個每週播放清單，讓他們保存真正喜歡的曲目。我們將願景從「讓你自己創建更好的播放清單工具」，轉變為「你永遠不應該再自己創建播放清單」。
我們的方法──設計調整品質後，預測變得非常實惠的世界──具有實際重要的意義，並為AI戰略提供寶貴的洞察。
那麼，為什麼我們如此有信心，第一家AI獨角獸將來自蒙特婁、多倫多或埃德蒙頓？我們正在聯絡最近兩位圖靈獎（Turing Award，相當於計算機科學的諾貝爾獎）得主，他們因在深度學習方面的開創性工作而獲得認可，他們分別位於蒙特婁和多倫多，以及一位在埃德蒙頓、強化學習的主要先驅。加拿大政府正準備慷慨資助三家致力推進機器學習研究的新機構，它們分別位於蒙特婁、多倫多和埃德蒙頓。許多全球企業正匆忙在蒙特婁（例如愛立信﹝Ericsson﹞、Facebook、微軟、華為、三星）、多倫多（例如輝達﹝Nvidia﹞、LG電子﹝LG Electronics﹞、嬌生公司﹝Johnson & Johnson﹞、羅氏﹝Roche﹞、湯森路透﹝Thomson Reuters﹞、Uber、Adobe）和埃德蒙頓（例如Google DeepMind、亞馬遜、三菱、IBM）建立AI實驗室。
可以說，我們對AI的商業化有很多了解。然而，我們的猜測可能有很多是錯的，甚至是大錯特錯。第一家加拿大AI獨角獸並非來自蒙特婁、多倫多或埃德蒙頓。甚至不是我們第二次進行的猜測──溫哥華、卡加利（Calgary）、滑鐵盧（Waterloo）或哈利法克斯（Halifax）。如果不是來自這些，那麼加拿大的科技中心從哪裡來？2020年11月19日，《華爾街日報》（Wall Street Journal）刊登了一篇報導，標題為「那斯達克（Nasdaq）以27.5億美元收購反金融犯罪公司Verafin」。Verafin的總部位於紐芬蘭（Newfoundland）的聖約翰（St. John’s）。很少有人，當然包括我們在內，會預測加拿大第一家AI獨角獸出現在位於北美東北角的小鎮。
紐芬蘭的聖約翰可說是遠在天邊。紐芬蘭是加拿大最東的省分，人口僅約50萬，並不在科技社群的關注中。事實上，即使是加拿大鄰國──美國，許多美國人直至2017年東尼獎（Tony Awards，編按：美國劇場界最高榮譽），因為熱門百老匯音樂劇《來自遠方》（Come from Away）被提名為最佳音樂劇及其他四個獎項，才第一次聽說紐芬蘭。這部音樂劇根據真實故事改編，講述了911襲擊事件後一週內，38架飛機被指示降落在紐芬蘭，幽默善良的當地居民接待了來自世界各地7000名滯留的旅客。然而，就在那裡，由布蘭登兄弟（Brendan Brothers）、傑米．金恩（Jamie King）和雷蒙．佩雷帝（Raymond Pretty）創辦了Verafin，最終為北美3000家金融機構提供詐騙檢測軟體。我們怎麼可能錯過這一點？這是純粹的巧合嗎？隨機的機會？即使是專家有時也會犯錯。後見之明是最清楚的。低概率事件還是有可能發生。
讓那斯達克買單的是AI。Verafin大量投資、建立了能夠預測詐騙並驗證銀行客戶身分的工具。這些是金融機構的關鍵功能，無論是在營運還是在法遵方面皆是如此。要做到這一點需要大數據，而銀行和信用合作社的數據資料是其中最大的。
進一步思考，會發現像Verafin這樣的企業在業界獨占鰲頭並非偶然，而是不可避免的趨勢。我們對於預測機器可能性的關注，使我們忽視了實際商業應用的機率。雖然，我們一直關注AI本身的經濟特性──降低預測成本──但我們低估了構建新系統的經濟特性，這些系統必須嵌入AI。
如果當時我們能更清楚地理解這一點，不是評估先進機器學習模型的生產實力，而是調查專注預測問題的應用程式前景，這些嵌入系統已經為機器預測做好設計，無需取代人類預測。我們應尋找已擁有大型數據科學家團隊，並將預測分析整合到其工作流程中的企業。我們會很快發現金融機構是最普遍的領域之一，因為它們雇用了大量的資料科學家來預測詐騙、洗錢、制裁不合規，以及金融交易中的其他犯罪行為。接著，我們會尋找正運用最新AI技術來解決這些問題的小企業。可以發現當時加拿大只有少數這樣的公司，其中之一就是總部位於紐芬蘭的Verafin。
我們意識到，現在該是重新思考AI經濟學的時候了。Verafin的方法遵循了《AI經濟的策略思維》路徑圖。這一點並不令人意外。然而，大家比較不容易發現的是，為什麼許多其他應用需要更長的時間才能實現規模化部署。我們意識到除了考量技術本身的經濟性，還要考慮技術運作的系統。我們必須理解是怎樣的經濟力量，推動銀行自動檢測詐騙和電子商務產品推薦等領域快速採用AI，但在保險自動核保和藥物研發上採用進展緩慢。
對於在現有組織架構中實施AI所面臨的挑戰，我們不是唯一低估者。我們多倫多大學（University of Toronto）的同事傑弗瑞．辛頓（Geoffrey Hinton），因其在深度學習上的開創性工作而被譽為「AI教父」，他可能也低估了實施的困難度。以前他曾開玩笑地說：「如果你是放射科醫師，就像是已經越過懸崖邊緣的土狼，但還沒有往下看，所以不知道腳下已沒有路地。人們應該停止培訓放射科醫師。顯然在五年內，深度學習將會做得比放射科醫師好。」儘管他在技術進步的速度上是正確的──現在，AI在許多診斷任務中表現都優於放射科醫師，但在他發表上述言論後五年，美國放射學會（American College of Radiology）報告聲稱：放射科新生的培訓人數並未下降。
我們漸漸意識到自己進入了歷史上的獨特時刻：「過渡時期」──目睹了這項技術的威力後，但在其廣泛應用之前。有些實踐是我們所謂的單點解決方案，相對簡單。這些解決方案採用AI，只是將較早的機器生成預測分析替換為更新的AI工具（例如Verafin，這些應用正迅速推進中）。而其他實踐，則需要重新設計產品或服務以及交付的機構，才能充分實現AI的效益，不枉投資成本。在後者的情況，公司和政府正競相尋找有利可圖的途徑來實現這一目標。
我們將焦點從探索神經網路（neural networks），轉向探索人類認知（我們如何做出決策）、社會行為（為什麼某些產業急於迅速擁抱AI，而其他人則持抵制態度）、生產系統（某些決策如何依賴其他決策），和產業結構（我們如何隱藏某些決策以保護自己免受不確定性的影響）。
為了探索這些現象，我們會面了使用AI的公司領導者、產品經理、企業家、投資者、資料科學家和電腦科學家。並與專家、政策制定者召開了研討會和會議，近距離觀察數百個由創投支持的AI新創企業實驗中，有哪些成功和失敗的案例。
當然，我們回頭探索了經濟學的基本原理，作為蓬勃發展中AI經濟學實證研究領域的一部分，而這個領域在幾年前我們撰寫《AI經濟的策略思維》時，幾乎不存在。我們開始將各點連結起來，構建一個經濟框架，區分單點解決方案和系統解決方案。這不僅能夠解決Verafin難題，還能為下一波的AI採用提供預測。透過專注於系統解決方案而不是單點解決方案，我們可以解釋這項技術最終將如何在各個產業中廣泛應用，使某些企業站穩腳步並干擾其他企業。是時候撰寫另一本書了，正是這本。
