本文共字，预计阅读时间。

好久没发文了，今天想说一说人工智能时代与数字化发展的熵增问题。

人工智能的发展初衷并不复杂，总体上就是希提升效率，创造增量价值。

但这么说总感觉有些因果倒置，更准确的说法应该是，人们为了提升效率创造增量价值，而选择用人工智能来达到这一目的。

为何这么说？需求是创造价值的核心要素。只要需求真实存在，通过各种方式来解决，都不是核心问题。人工智能不是目的，也不是终极形态，甚至也未必就带来绝对好的用户客户体验。人工智能只不过是当前人们在提升效率创造增量价值过程中的一种方法手段。只是一种选项，代表的是由算力而形成的一整套新质产业链。

今天商业银行的大踏步迈入人工智能时代，一方面是对自身数字基础能力的再升级，成为大产业链条中资金融通的一环。另一方面则是通过效率升级，提升对公或对私客户的获得感。从业务视角来看我们可能更关注后者。

我们应该用什么方法来评判效率优劣呢？以及我们用什么方法来判断路子走对了没有？很多人说应该是数字化发展相关的指标，用户指标，活跃指标等等。

这些说法看起来对，但禁不住琢磨，因为这些指标与所谓的效率提升增量价值创造都难以直接挂上钩，这些都只是代表了一种粘性状态，而非效率状态。

效率状态看的并不是这些，而是人时效。人时效的定义我们不用阐述过多，人均每工作小时产生的价值贡献。你可以用收入或利润除去所有员工的工作时长总数。然后分部门/机构，分层级，分平台，分项目，来看看效率进化效果是否得到体现。

人工智能的发展应带来人时效的提升，但是有多少机构敢于去评价人工智能时代本机构人时效的影响，有胆量的可以试一试。

现实的情况是人工智能的快速发展，很可能没有人员工作模式与配套机制，用传统数字化发展方式应对人工智能的应用，导致人工智能时代形成的熵增远超于以往。

（注：熵增物理定义：熵增过程是一个自发的由有序向无序发展的过程(Bortz, 1986; Roth, 1993)。热力学定义：熵增加，系统的总能量不变，但其中可用部分减少。）

为什么会有熵增？当大量过程信息数据被记录并纳入决策流程，无效信息增加，在一定程度上增加了数据干扰。曾经做决策只看A，最多看A+B，今天需要研究ABCD……Z的影响，甚至还想看各种组合，开始穷举并“遍历”可能的情况。

而在处理这些天量数据的过程中，会因为“高并发”且“海量”的需求，导致很多与数据打交道的工作岗位成为“热点”环节，而高并发就带来高风险，高错率。

我们今天开玩笑，2M的带宽硬要跑1TB的并发量，即便你吐血跑下来了，也很难被认定为质量高，甚至最终结论为速度慢效率低且故障百出。在这个过程中，为了让数据更加可靠，很多机构投入大量人力为熵增形成的数据背书。

在数字化发展中，这种人力弥补数据能力的情况常常发生，如果将人力资源用于应对这种复杂的冗余信息处理，熵增数据清洗，那似乎偏离了数字化发展的初衷，或者说人工智能应在数据爆炸时代，帮助人类抵消一部分因熵增而形成的分析与决策难度。应避免大海捞针的事情出现，而非成为大海捞针的工具法宝。

我们时常说，人工智能时代最难的事情是搞清楚人该做什么事情，以及AI该做什么事情，其中人该做什么又区分为客户做什么和员工做什么。如果无法具象的回答这个问题，人很有可能沦为数据与AI的奴隶，并逐步演化为“新型剥削”。

人工智能必然连接海量数据，当数据熵增到达一定程度，终将影响整个管理逻辑。若是大量人力变成了数据的翻译器，或变成传统工作汇报与推动机制之下的数字讲解员，变成人工智能的工具人，能力平权背后也可能变成能力退化，人工智能本身可能就没有那么大的魅力与效益了。

熵增是数字化发展中必须经历的一个阶段，而这个更需要人工智能去解决，在这个过程中，人不是AI的附庸而应该是AI去熵的受益者。

回归第一性原理，今天人工智能发展的聚焦点，或许应该集中在数字化高速发展，熵快速增加之下，内部效率问题的解决。

数字化与智能化快速发展带来的数据爆炸与算力瓶颈，不应该异化为劳动密集型人力资源投入的新领域。

人工智能背景下脆弱的内部管理甚至会成为大机构数字化发展中的致命死结。这种死结，正在被越来越严峻的“业绩焦虑”所捆绑，焦虑之下，数字化的发展或将引发更多的风险。

这种风险有很多，也不便一一列举。但最大的风险或许就是为了AI而AI，或是为了抹除一些传统的不美好而强行AI。

今天金融机构人工智能的发展，我想可能要注意几个事项：

1、人的作用不该用来判断数据分析的结果。数据分析，就该是“测试逻辑”，蔽除人性用数据和自动触发来验证，形成数理最优解。人来判断只会让数据分析变成数据统计，服务于人自身的预想目标。

2、人的作用不该用来做细分遍历的任务执行。人的任务承载是有限的，人应该更多处理“人情世故”背后的关系管理，高度细分的任务本身就需要系统化执行。

3、人的作用不该用来解决内部管理的流程监督。SOP与工作流的管理监督都应该系统与机制来解决。

4、人的作用不该用来翻译数据形成“数据的人工汇报”。数据本质上就是数据，能用数据直接说明的内容，不应该靠人力再去拔高粉饰过分解读。

5、数据该有固定的工作时长，去测试、分析、校验。人更应该回到对校验结果的探索，以及对资源分配策略的研究，去找问题，去常态化输出策略。

数字化发展到AI时代，缓解不了任何人的焦虑，但这些发展本就该实现人时效的提升。方能用技术成就人，而非用人力的消耗成就技术。

希望所有人都不必沦为人工智能的奴隶，不被熵增所压垮。

未必正确，欢迎探讨。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。