Asia Data

哈佛商学院的研究将这条不明确的界线称为“锯齿状边界”。 哈佛商学院这项研究的作者之一 Ethan Mollick 在他的精彩文章中这样解释： “有些任务从逻辑上看似乎……同样困难——比如，写一首十四行诗和一首恰好 个字的诗——但实际上难度不同。人工智能擅长写十四行诗，但由于它用符号而不是单词来概念化世界，所以它总是写出 个字以上或以下的诗。 同样，一些意想不到的任务（如创意生成）对人工智能来说很容易，而其他看似对机器来说很容易的任务（如基础数学）对法学硕士来说却是一个挑战。” 为了检验这一点，哈佛商学院的研究包括一项任务，该任务将利用人工智能的盲点，让其对人类可以轻松解决的问题给出错误但令人信服的答案。


果然，在没有人工智能帮助的情况下，人类顾 阿尔及利亚电话数据 问 的题，但当他们使用人工智能时，他们的表现更差，只有 - 的时间能正确回答。 这就是为什么莫里克警告不要“在驾驶时睡着了”。过度依赖人工智能会导致错误，尤其是当人类让人工智能接管它无法处理的任务时。在 Fabrizio Dell'Acqua 的另一项哈佛商学院研究中，使用先进人工智能的招聘人员发现自己变得粗心大意，判断力下降。他们忽略了高素质的应聘者，最终做出的决定比那些使用不太复杂的人工智能或根本不使用人工智能的人更糟糕。当人工智能表现得非常好时，人类往往会脱离，让机器完全控制，而不是将其用作增强工具。


半人马和机器人：人工智能的两种方法 好的，我们了解到： 在速度和质量方面，使用人工智能的顾问的表现优于未使用人工智能的顾问，而表现最差的顾问的进步也最大。 最优秀的人类在创造性发散思维方面仍然胜过人工智能。 过度依赖人工智能可能会导致知识工作者脱离工作并让机器接管，从而导致错误和绩效下降。 那么，我们应该如何利用所有这些见解来确定何时何地使用人工智能呢？ HBSBCG 研究确定了两种方法来应对这种参差不齐的局面。 使用“半人马”方法的员工明确地在人类和机器之间划分工作，根据每个实体的优势战略性地分配任务（例如，人类指导策略，人工智能完成蛮力工作）。