原创 | 高维智慧企业的认知协同策略（卡塔纪元）

导语

实现智慧企业的关键是认知协同。它与昆虫王国的群体智慧（Swarm Intelligence）有许多相通之处。日本文化为实践智慧企业提供制度条件，因为它契合群体智慧。在日本文化之外，我们可以利用人工智能的增强能力设计类似的赋能结构，实践智慧企业战略。

本文的主要贡献在两个方面：

1）阐述从专业化劳动分工到认知分工与协同的趋势。

2）解释人工智能的增强能力是实现智慧企业认知协同的关键技术途径。

文 / 鲍勇剑、涂威威、黄缨宁

野中郁次郎和合作者写的《拥有智慧的企业》一书的要点有三个：1) 在人能改造环境和创造未来的时代，企业的实践智慧（Phronesis）着力点在有人文意义、有社会价值的持续创新上。2）为此，企业要让每位员工成为不但能变化、而且有思想的孙悟空。3）与之对应的管理方法是营造创变的“场”（Ba）和提炼持续创新的新组织习性（Kata）。

野中的“智慧企业”发展了西方管理的三个重要思想：核心竞争力、动态能力和组织习性。简而言之，核心竞争力容易陷入“刻舟求剑”的怪圈；动态能力过于大而化之，成为一种“杂货筐”概念；而源自经济进化理论的组织习性（Organizational routines）逊于解释人改造环境、创造未来的强烈意愿和能动性，特别是创变者（Entrepreneurs）打破旧习性、建立新习性的冲动价值。因此，野中阐述的“卡塔”（Kata）、创变的“场”（Ba）和实践智慧（Phronesis）可以成为一套新管理实践。

可是，野中的智慧企业有一个极其重要的推广条件：从专业化劳动分工走向基于问题情境的认知协同。亚当·斯密和涂尔干（Emile Durkheim）建议劳动分工，因为它有助于能力专业化和差异化，其假设是，人的学习能力和应用能力各有优势和劣势。专业化劳动分工可以扬长避短，综合个人能力，建立有差异化的组织优势。经济上的专业化分工对应演变出管理方面的组织结构。它演变出垂直等级功能结构。为激发创新，企业也试验各种组织流程再造，包括矩阵、任务突击队和“合弄制”（Holacracy）。但是，横向组织结构的效果、稳定性和维持成本一直困扰着追求持续创新的企业领导者，因为协调（Coordination）与合作（Cooperation）的组织交易成本太高。

“协调”要求成员持续的相互调整。“合作”需要成员判断什么时候支持同事、什么时候要求同事支持。协调与合作的背后是任务性质和组织角色的切换。切换涉及到判断、沟通、改变、再续、整合等一系列组织活动。人与人之间的任务和角色切换成本远高于流水线生产中的工具切换（Retooling）,因为它要求复杂的认知协同。

认知协同关系到一系列集体思考活动：1）成员之间理解变化中的问题性质；2）成员有能力贡献对新问题的定义和解决方法；3) 成员愿意主动参与问题讨论；4）对于不同于执行力的认知协同，成员有接受模糊性、暂时性和悖论问题的智慧习性。

上述认知活动的协调和合作成本极高，因为人的“有限理性”和专家隐性知识设置了很高的学习成本和沟通成本。所以，企业还是主要保持垂直等级的纵向组织结构，兼顾部分横向组织结构。这样，“持续的创新”就始终是一个战略难题。难题的本质是认知协同成本高。

野中的解决方法有二：一是突出强调建设持续创新的智慧企业的必要性；二是建议全员参与创新的新组织习性和创新互动的场。接下来，企业领导者要做的就是推动智慧企业的“卡塔”和“场”。

“智慧企业”的价值不难理解。持续创新的必要性也已经广为人知。但是，卡塔和创变场的案例主要来自日本企业。其中的一个关键因素是它们与日本文化兼容。例如，卡塔反映的是柔道“守、破、离”的文化。如果日本文化是一个必要前提条件，那么，智慧企业就很难普遍适用。

从另一个角度看，对执行组织任务，人工智能已经从能力自动化（Automation）发展到数据智能增强（Augmentation）。增强的认知能力降低有限理性影响，扩大利用隐性知识和直观感知能力。所有的组织任务都涉及到解析和解决问题。在解题上，认知协同可以被分解为四种决策活动：1）决定（Determination），它包括明确的因果关系和目标与手段之间的对应关系；2）反思（Deliberation），它包括识别偏差和从失败中学习；3）设计（Design），它包括重新优化排序目标和安排价值感知过程；4）探索（Discovery），它包括发现新问题和提出新秩序参数。野中的智慧企业讲的就是这四种决策活动如何通过卡塔和场达到认知协同的境界。我们认为，智慧增强阶段的人工智能可以支持同样的智慧实践，制造持续创新的管理效果。

本文将首先用“群体智慧”（Swarm intelligence）现象重新表述野中的智慧企业、卡塔和场的思想。然后，我们说明，刻画人工智能模型复杂度与表达能力的VC维与智慧企业有逻辑上的相似性。VC维度可以用来刻画人工智能模型的复杂/精细化程度，也可以类似标识一个企业的智慧丰富程度。之后，我们解释认知协同对应的四种问题情境观。最后，我们说明，人工智能策略可以兼顾认知协同的四种活动，从而帮助实现高维智慧企业。

来自昆虫世界的启发：群体智慧

在圣塔菲研究所（Santa Fe Institute）,研究复杂性现象的科学家波纳贝（Eric Bonabeau）等学者发现，昆虫学家对蚂蚁和蜜蜂等群聚性昆虫的观察与复杂系统的自组织特征有关。在利用环境资源和维系蚁群和蜂群高度秩序性方面，蚂蚁王国和蜂巢都有分布式、灵活、鲁棒和自组织的系统特征。同一时期，贝尼（Gerardo Beni）等学者把昆虫群聚世界的社会性和群体智慧介绍到人工智能领域。他们研究昆虫世界社会群聚特征，以及对人工智能“演化计算”的影响。

复杂的昆虫王国有令人叹为观止的精美秩序。它们是怎样协调和合作的？科学家发现，复杂昆虫世界其实遵守一些简洁的自组织互动规则。

第一，“间接沟通，主动共识” （Stigmergy）。蚂蚁之间没有接触交流，但它们通过环境留痕，间接沟通。例如，找到食物的蚂蚁会在行进路途上分泌一种激素。顺着同样路径的蚂蚁也会沿途不断分泌激素。它们在环境中留下的激素信号被同伴接受。同伴主动做出配合响应。昆虫群体合作完成各项任务，都是通过“主动共识性”规则来协调。

第二，“缺位就替补的多重角色” （Multiagency）。昆虫王国中，分工明确。保卫巢穴、采集食物、建筑巢穴均有特定的一群昆虫完成。不过，昆虫有分工，但无任务差异化限制。当负责孵化的缺位不在时，临近负责保卫的昆虫会替补承担孵化功能。类似的灵活和多角色任务协调在蚂蚁和蜜蜂等群聚昆虫王国中很普遍。

第三，“反应门槛规则” （Threshold-based collaboration）。什么时候主动替补？它依据某种数量密集度门槛。不同昆虫王国有高低不同的反应门槛。这种门槛规则自动影响昆虫的自组织行为。例如，当负责孵化的蜜蜂数量降低到一定程度时，负责保卫的蜜蜂就近替补，承担孵化功能。

第四，“适应环境的多种招募方法”。根据环境中食物分布的情况，发现新食物的蚂蚁有不同招募方法，有时是招募单个蚂蚁去新食物源，有时是成队招募。成队招募，往往是在环境食物源较少的情况下。单个招募，一般是环境食物来源多，有选择。

第五，“沿顺雏形的累积行动”。建筑巢穴时，蚂蚁和蜜蜂搬运和放置材料也有规律。它们会顺着巢穴中已经出现的雏形，延续积累。刚刚开始阶段，材料分类放置的雏形为后续累积设定了形态方向。后来的似乎很快就能顺着同样的形态，不断累积。

昆虫世界的群体智慧启发了人工智能学习方法。推而广之，人们用它描述“通过集体的自组织行为，分布式解决问题的策略”。群体智慧与野中建议的卡塔和场的方法有内在的相通之处。从昆虫世界到人工智能和智慧企业，群体智慧已经远远超过简单的生态模仿。它为企业成员之间认知协同提供了一个可以借鉴的知识呈现和表述形式。

对群体智慧做抽象表述，它们有下面的共性特征：1）它们都是关于一个复杂系统社会组织过程；2）都强调自组织能力；3）都只需要极少的、根本性的规则；4）都认可个体独立性和群体多样性的价值；5）都认识到分布式、非中央控制的协调形式的优势；6） “多角色行动者” （Multiagency），成员有分工，但又可以执行相邻的任务。对于智慧企业的持续创新，上述六条也是卡塔背后的抽象逻辑。

日本文化与群体智慧有极高的契合度。这也是野中的智慧企业思想容易在日本企业推行的重要制度因素。在其它文化背景下，推行智慧企业，认知协同的成本很高。但是，人工智能已经从能力自动化（Automation）发展到智慧增强（Augmentation）。它可以成为智慧企业的赋能技术结构。人工智能中的迁移学习（Transfer learning）和VC维度思想概念完全可以容纳智慧企业对多样性、自组织、少且根本的规则、多角色行动者、主动共识和分布式互动“场”协调的要求。

以下，我们先解释人工智能的迁移学习和VC维度与群体智慧逻辑的契合关系。然后，我们说明在实践群体智慧逻辑过程中，智慧企业需要在四种问题情境方面实现认知协同。最后，我们解释人工智能不同的决策算法是怎样支持解决四类问题过程中的认知协同的。

实现AI的群体智慧：迁移学习和VC维

野中的智慧企业强调，企业领导者要组织全员参与持续创新。它是一种高级形态的群体智慧。全员参与能提供广泛的信息来源，能混合借鉴各层级员工的隐性知识到动态的认知协同过程中，是持续创新的源泉。就认知协同的功能而言，人工智能中的深度学习方法，例如迁移学习（Transfer learning）和VC维度思想概念可以支持同样的活动。

简而言之，迁移学习就是将一个领域开发得到的知识（或某种不变量），运用到另一个领域，“举一反三”，提升另一个领域解决问题的效率以及效果热力学中，我们用能量转换的概念研究物质的热性质。我们关注能量形式转移过程中的热力学原理。同样的逻辑，人在一个知识领域对问题的理解、学习和应用有着共同点，有着本质特征。找到本质特征的不变量，模拟它的知识表述方式，然后，我们就可以举一反三，反千万。

迁移学习是每个人所具备的基本技能。例如，学过意大利语的，学西班牙语会快很多；学过数学的，学物理会容易一些；学过国际象棋，再转中国象棋，会比那些新入门的有更高领悟力，这就是迁移学习。它对人来说是很自然的。即，过去学过的东西对于未来相关的场景有帮助。

从波兰尼（Michael Polanyi）到野中，他们研究的隐性知识也是迁移学习的一种专家知识形式。在自己的领域，专家有较高的判断力，因为他们能够将经历过的实践场景和知识思考迁移到新现象中。智慧企业中，全员参与的持续创新也是利用来自各部门员工的隐性知识，创造新知识。不过，人工智能可以把围绕隐性知识的认知协同提升到一个指数级别的高度。

首先，人的知识表述受限于个人经验、标准化语言形式、沟通双方理解和表达能力的差异、人的学习习惯。但人工智能的“迁移学习”不必依循人脑思维路径，也就不必受隐性知识因素的约束。迁移学习最关键的一个点就是知识表达（Representation）。比方说造汽车和造飞机，相互之间知识技能可以借鉴，是因为我们能建立两部分制造技能的公共知识表达，如果建立不起来，没办法迁移学习。而人的公共知识表述有许多限制。

其次，过去机器学习都没有迁移学习，所有的机器学习都像是从刚出生的婴儿开始学。它把数学学会了，当它进入到物理的时候，过去学过的所有的东西都忘记了，又重新开始。迁移学习要解决的是未来能让机器活到老学到老，不断跨领域终身学习。目前，迁移学习在公共知识表达上已经取得突破，以及在迁移的技术方法上也已经有非常丰富的体系以及很多的落地应用。人工智能的知识表达不仅可以做到高带宽的、高速的、大内存、大存储，而且能够以人不能理解的编码方法让机器更高效地交互。这就突破了人脑决策的有限理性。我们经常用一个成语叫做面面俱到。它对于人是贬义词。又如事无巨细，也是贬义词。但对于计算机就是褒义词，能够通盘考虑，精打细算。反之也然，我们说抓大放小，形容一个人有水平。但是放在计算机上就是贬义词，对应了人的有限理性。

徐光启说，“欲求超胜，必先融通”。我们需要全员参与持续创新，因为它能够融通全员智慧，获得认知协同的系统效果。迁移学习能够支持更高维度的组织认知协同。

人工智能的另一概念也有助于突破智慧企业的一个实践障碍：组织成员认知协同过程中，怎样做到既深入，又宽广？人工智能的VC维理论是由两位学者（Vapnik和Chervonenkis）建立的统计学习理论，它反映可学习函数集的模型容量（反映了模型的复杂性、表达能力等）。VC维越大则模型或函数越复杂，可表达可学习的知识就越丰富，机器的学习能力也就随之越强。通俗解释，如果人类的智商水平可以用大脑的脑细胞数来衡量，那么机器的智商水平就可以用VC维来衡量，即超高智商的人工智能，需要超高维度的机器学习模型来实现。简单地讲，过去模型很难兼顾深和宽二个维度，数据特征的多元性、多样性越高，模型拟合度越低，可靠性越低。而随着大数据时代的到来，越来越多的数据支撑以及人工智能技术的研究突破解决了这个悖论，在大数据的支撑下，需要想方设法提高机器学习的模型维度来提升机器的智能程度。我们比喻VC维是人工智能的IQ，是机器智商。它概括机器智能的复杂度、表现力、丰富性和灵活范围。在野中的智慧企业思想中，创新互动的场（Ba）兼顾纵向专业分工和横向认知协同的需求。在人工智能赋能的认知协同过程中，持续提升的VC维兼顾学习的深度和广度。

做为一个持续创新的智慧企业，它的群体智慧来自全员参与而到达的认知协同。为同样的目标，人工智能的迁移学习技术和VC维逻辑思想可以指数级提升认知协同。

无论是人的认知协同，还是人机融合的认知协同，它们的目标都是为更优的决策提供帮助——理解现象，发现问题，解决问题。下面，我们说明，持续创新的决策关系到四种问题情境。而人工智能可以增强所有问题情境中人的决策能力。

认知协同的问题情境和决策类型

爱因斯坦说，假如给我1小时拯救地球，我要用59分钟想清楚，这是一个什么问题。他的夸张表述提醒我们，搞清楚决策问题性质是第一原则。

管理中的决策事关三方面：目标、手段和实现过程。决策活动包括理解问题和对应的选择目标、手段和实现过程。决策活动的差别受到三者确定性和不确定性的影响。借用奈特（Frank Knight）对不确定性的定义，我们看到管理中四种问题情境：

第一种是可以“执行”的问题。它属于“已知并己知”（Known knowns）的决策。20世纪90年代，企业开始强调执行力、流程再造和精益化生产。它们都有共同的前提假设，即我们可以获得想要获得的信息。通过收集最佳表现信息，我们能够建立起可靠的因果关系知识。然后，按照总结的规律，推广和重复最佳表现活动，并产生优化的结果。从20世纪50年代开始的商业策略管理基本上追循同样的逻辑。即使后来“有限理性”概念修改了优化原则，并替代以满意原则，商业策略理论和实践还是相信目标和手段是可知的，它们之间有内在的对应关系。

第二种是可以“设计”的问题。它属于“无知的已知”（Unknown knowns）的决策。进入21世纪，人们越来越认识到社会复杂系统中的人的意愿和体验因素的重要性。在多元文化和价值观社会环境中，管理往往面临“刁怪问题” （Wicked problems）,因为文化、社会心理和人的意愿因素。在社会意愿系统中，人们的策略目标和实现目标的手段都是可以改变的。因为可以改变，管理问题的定义也可以被替换。例如，在有些国家和地区，戴口罩和社交活动禁令被认为是对人身自由限制。一个公共卫生问题被替换成为政治信仰问题。又如，线上网络课程被认为是体验感差的教育技术。但是，当线上和线下融合设计出现后，线上选择被重新认识，被视为新的赋能技术。

第三种是需要“反思”的问题。它属于“已知的无知”（Known unknowns）的决策。需要反思的问题有两类。一类是需要科学反思的问题。引发它的是执行错误、偏差和失败。科学反思重点在于用科学方法做实验，测试假设。根据实验结果，我们修改现有的规律和规则。另一类是需要价值反思。引发它的是不同利益相关者和群体之间的冲突。对于价值观冲突引发的管理失败，我们要从伦理道德和人文价值观的角度去反思现有管理实践是否合适。例如，人工智能与人类劳动者之间的关系、人工智能对就业机会的影响等。

第四种是需要“探索”的问题。它属于“无知的无知”（Unknown unknowns）的决策。需要探索的问题往往只存在于我们想象力的边缘地带。它首先属于人类好奇和文学式猜想范围。例如，电脑的硅体智慧和人脑的有机体智慧结合后，会产生怎样的混元智慧？又如，假如因为地缘政治冲突和流行疾病的反复，全球演变为一个个孤岛，人类社会将怎样进化或退化？它们均属于无知的无知范畴。在这个范畴，我们既不知道什么是合适的问题，更不知道什么是解决问题的手段。但是，我们可以想象各种各样的问题。在制造问题的文学想象过程中，我们启动一系列可以实验的假设和先验的思考维度。它们的使命是开启值得思考的问题。例如，19世纪，两位统计学家（Heinrich Wilhelm Brandes and Sir Francis Galton）首先试图用格式化的气象图描述各地气候，然后形成连续的气象预报。他们的预报是极其不准确的，但首创的方法开启了气象预报系统。

下图总结认知协同的四种问题情境。无论是全员认知协同还是人机认知协同，它们背后都涉及到对这四种类型问题的决策（见图1）。

发展至今，人工智能已经有针对上面四种问题情境的决策模型。以第四范式的“自动机器学习”（AutoML）系统为例，它的基本决策模型是一个OODA思维框架，OODA是西方军事学家博伊德（John Boyd）提出的作战理论，现已被广泛应用到企业管理经营领域，其核心思路是观察（Observe）-判断（Orient）-决策（Decide）-行动（Action）四个环节的迭代循环。

从观察开始（Observe），这个环节的核心是感知业务现状，这是企业经营者做经营决策优化的第一步。在这个环节里，AI在人的指导下去感知问题情境，收集图像、文本和语音等多模式数据。过去，人的观察受有限理性能力限制，只能“抓大放小”，不能“面面俱到”。现在，AI能够支持海量数据收集，近乎实时的多模态数据处理（图像、文本、声音等），以及极强的规模化可复制的能力。AutoML 已经有对结构化、非结构化以及半结构化数据处理能力，比如针对图像的自动计算机视觉能力，针对文本的自动自然语言处理能力，以及对于知识图谱的自动知识图谱学习能力等等。过去，对许多原始数据（即对尚未建立强相关性的现象观察），人们依赖专家的隐性知识去识别与决策有关的洞察（Insight）。现在，AI有多种方法去自动化处理残缺的数据，单项的数据（只有正项或负项）、小样本数据等等，AI可以在很大程度上帮助人类更加快速地从海量数据收集并提取与决策有关的信息，更高效、更有效地感知业务现状。

然后，是判断（Orient），这个环节的核心是对业务进行深入地洞察以及对未来进行精准地预判，之所以需要预判，是因为企业经营者所有的决策都是影响未来，都需对未来负责。这个环节一般要解决两类问题，一类是对现状的判断或者更加深入地洞察，另一类是对未来更加精准地预判。（1）对于现状的判断或洞察，AI能够增强人的，更多的是提供更加准确以及全面的判断。例如，一线员工处理已经程序化的事物。他们只需要按照组织流程和习性去执行。研发人员处理需要反思的问题。他们用实验方法测试假设，总结规则，形成新的流程和习性。中级管理人员综合市场、运营和研发力量，处理设计相关的问题，思考新价值和新产品。而高管则要对未知市场现象作出判断，判断是否要调度资源，思考进入未知领域。这个过程中，我们看到三个需认知协同的挑战：

1）判断和选择有时间滞后性。无法即可响应。

2）判断分工伴生认知隔阂。低、中、高管理层各自关注任务的一个方面，很难全局全景地理解问题。

3）问题现象是全面的、敏感的、复杂的。但各层管理者只能在人的认知能力范围内裁剪现象。他们一般用“平均值”思维去框限浑然一体的现象。

对于AI，上面的认知协同挑战都有方法解决。首先，因为有大功率处理器和可以大规模复制业务场景的应用软件，AI可以做到毫秒级的即刻响应。其次，人的认知维度有限，成千上百已经是天才。但是，AI可以有万亿级的规则维度去捕捉现象维度。再次，根据人的指令，AI可以平均值，也可以极值处理数据。两者没有数据质量妥协关系。AI“裁剪”观察现象的细粒度和保真度极高，甚至可以对模糊现象作增强处理。最后，AI对四类问题现象的判断不必要非此即彼。它可以做到“面面俱到”。换言之，一个现象可以同时在四个问题类别内处理，并比较优化结果。例如，对新冠防疫问题，它可以是执行层面需要决定的问题，比如，（1）对现状的洞察与判断：判断出目前人群中潜在的病毒携带者，（2）对未来的预测：预测疫情未来的走势以及各种管控手段对结果的影响。出现情况，首先从检验开始，快速识别潜在病毒携带者，做好有效隔离预防措施，补充医疗资源。这是已经建模的决策，可以自动反应。它也同时可以为其它三个象限的问题。比如，不同社区条件下，是否可以对问题有不同定义和理解。再如，对于新出现的病例，有没有完全探索性的解释方向？

在对业务的现状以及未来有了精准判断之后，AI辅助人的四类决策（Decide），即决定、设计、反思和探索。如图1所讨论的，这四种决策可以同步开展，并通过强化学习和迁移学习相互反哺。最后一个阶段是行动（Act）。对不同象限内的问题和决策，AI可以支持管理者的不同行动风格。在决定和反思范畴，已经建模的AI应用软件能自动化一系列程序，把人从有限理性束缚中解放出来。AI也能够得益于人的直观能力，针对偶然现象，尚未标识的偏差、新现象，构建数据闭环，收集新数据，模型自学习，强化模型可靠性。在设计和探索范畴，AI能跨领域建议思考的样板、雏形和态势，增强人的创造性思维活动。图2概括了AI和人类认知能力之间相契合的问题与决策版图。

AI增强的高维认知协同实例

解决问题决策（Determination）

新冠流行初期，第四范式受委托，收集数据，建立反应模型。虽然开始的时候只有少量小样本数据，AI的学习工具可以自学习，自适应，并随着数据量和对疫情的理解不断优化预测能力。模型显示，当疫情在一个地方发生后，虽然有诸多立即需要采取的措施，但是其实施大规模检测，了解疫情分布是首要的行动。后来，大规模检测的方法成为标准动作。在时间紧迫性极高的新冠疫情防范过程中，它极大提升防疫效率。

一家国际连锁超市的仓库管理中有物流配件的合理配置问题。受地方大小限制，太多太少都制造物流瓶颈。而物流配件需求与成千上万种货物搬运、商店配货要求、货物季节变化等诸多因素相关。过去，企业只能凭借经验，建立较大的容错幅度，配备更多的人力来协调。现在，AI可以用环境学习工具模拟建立一个与仓库物流有高保真度的数字孪生虚拟环境。季节性的变量与参数可以在模拟环境下高保真显示。AI应用也可以预警需求变化，成为管理人员的决策助手。有AI支持，管理人员可以关注其它仓库物流需要优化和改进的地方。在同一套AI沟通语言环境中，各个环节的管理人员更加容易快速表达问题，快速讨论决策选择，快速实施决定的方案。这种认知协同效果是前所未有的。

设计问题决策（Design）

一家民营私人银行众多客户需求和业务背景千差万别。因此，他们对金融服务的价值偏好有极高的多元多样性。过去，标准服务之外，银行市场营销部门很难有多种多样的服务设计。凭借历史经验，银行最多有100条规则来安排组合服务产品，而且正确性也强差人意。现在，AI应用软件可以支持千万条不同的规则。通过标注超过2千万数据集，银行可以精确地建议不同组合的服务产品。重要的是，市场营销人员的时间和精力被解放出来。他们可以集中在与客户社交互动和直观感知维度，提升客户的体验价值。

另外一个设计问题的例证是关于糖尿病的防治和长期治理。糖尿病既是一种身体疾病，也是一种与生活方式有关的慢性病。医治慢性病，除了医生和病人的努力，它还需要每个家庭和社区的帮助。过去，糖尿病治疗方案就那么几种，不可能做到千人千方，因为观察、监控、诊断、建议、提醒、反馈等一系列流程涉及的信息量和分析维度超过医生的能力范围。现在，AI应用软件可以建立与每个病人之间的合作治理关系，为每个人提供定制的健康规划。

反思问题决策（Deliberation）

在服务金融企业和医疗机构的过程中，AI应用软件可以因人而异，千人千面。但是，实践过程中，派生的问题和伴生的问题也不断出现。它们往往不是技术因素，而是社会文化和政治政策因素引发的。有些因素不可能在新事物出现之前就预先存在。它们往往是被AI强大技术效果激发出来的。例如，客人和病人的隐私保护问题。它需要机器和管理者共同反思，共同调整AI系统处理信息的方法。对于隐私保护，AI应用现在已经有基于特征切分的隐私加密技术。它能防止追溯个人信息，但同时允许企业对加密后的信息进行分析和利用。它是人与机器合作，共同反思管理过程中偏差和新现象的一个好例子。

有些场景下，我们刻意允许偏差，容忍失败，保持较高的容错率，因为我们需要有反思的机会。例如，全部标注数据，它当然会提高模型的准确度，但是标注数据有时成本是百万或千万级。而且，前期完美的模型不一定能容纳后来的新变化。石油油井勘探过程就是类似的场景。由于地质条件差异很大，AI模型最好能够先从少量标注数据开始，通过自动半监督学习、主动学习等技术，逐步标注新增加的油井信息。它既是经济的方法，也是进化学习的需要。在这个过程中，人与机器之间的认知协同非常紧密，因为机器需要专家对新情况做预先判断，专家可以依靠机器的早期模型调整参数，优化模型。它是一个人机认知共同演化的过程。

探索问题决策（Discovery）

渐冻症疾病识别和防治可以算是一个探索问题决策。渐冻症病例低于万分之三，而且病人特征差异很大。它的许多症状和起因可以算是“不知的无知”，即没有什么可以借鉴的先例，也没有可靠的研究参数。这种病早期容易误判，样本少，而且是正样本（来的时候，求诊的已经有病了。）对于这样的高不确定性的问题，AI应用软件可以对未标记数据做噪音负样本处理，用自动半监督学习逐步标注数据。这样就有了开始的参数。有贝尔斯概率论知识的读者了解，只要有起始参数，我们就可以逐渐从“不知的无知”进入“已知的无知”。而对后者，我们有科学实验的方法去证实和证伪。在探索领域，AI的相关应用软件可以让科学家认知速度和质量到达指数增长的阶段。

另一个通用的探索问题决策是如何降低探索的风险和成本？通过环境学习（Environment Learning）技术，AI可以为任何场景模拟一个数字孪生的环境，环境学习技术能够解决以往数字孪生环境难以构建的核心难题，通过数据驱动的方式，让机器主动从高维的环境中学习到高维的环境知识与环境规律，并利用这样的环境知识与规律构建高精度的数字孪生环境。在精准的数字孪生环境中，实验没有实体效果的风险，能够大规模模拟各种场景，并对决策结果做更加准确的预判。例如，电动车企业用数字孪生环境测试人车相撞的各种后果。没有数字孪生环境，这样的实验风险高，有违伦理，成本大。类似的探索可以广泛运用到企业持续创新过程中。夸张地讲，在数字孪生环境中，人们可以像儿童玩耍一样，任意想象场景、参数、模型和互动效果。“专气自柔，能如婴儿乎？” 老子认为，创新最高境界是像婴儿那样无拘无束，自由自在地想象。有AI支持的数字孪生环境，游戏般的快乐认知协同已经是现实。

并且再加以利用AlphaGo中的核心技术强化学习（Reinforcement Learning）技术，能够让机器自动从环境的各种变化中学习应对策略，得益于深度学习的发展，机器不再受制于人类已有的有限的实践经验的约束（比如围棋中有限的“人类棋谱”，数量级是数千万），机器能够从海量的“自博弈”模拟场景（比如围棋中的自博弈棋局，数量级至少是百亿千亿，甚至更多，可以无穷无尽）中总结最佳应对策略的规律，并在实际世界中实时快速响应环境变化，帮助企业经营者实时高效地作更加精准的决策，提升整体运营效率。

关于AI支持下，人机认知协同实例，我们图3做个概括。

执行认知协同战略

必须要指出，我们对认知协同的重要性才刚刚开始理解。野中的《拥有智慧的企业》一书触发我们对认知协同的关注。虽然我们分析了AI在四个决策领域起到的认知协同作用，大多数企业还是把重点放在AI的自动化功能、AI替代部分专家的认知能力、AI采集人的智慧并保留在机器认知能力中。如果这样，AI和管理人之间的矛盾和冲突只会加剧。

我们认为，一个由AI赋能的智慧企业应该是一个高VC维的、认知协同的场（Ba）（见图4）。它不仅与野中的智慧企业和持续创新思想一致，而且有跨文化的实践价值。