扰乱
经济学家对数字世界的看法
来自德国WHU - 奥托·贝思海姆管理学院的经济学家和院士博士回答了关于数字技术如何改变我们学习，互动和工作的问题的问题，在他们对社会和大的经济的影响的背景下。
机器人的“社会性”
Infosys：未来的工作场所将包括人类和人工智能（AI）代理/机器人。您认为'社交'机器人，灌输受认知偏见影响的人类行为特征，可以允许更好的人机互动，或者将破坏建立AI代理的目的 - 没有这些人类易感性？
马丁博士：答案取决于一个人有兴趣的上下文，无论是一个有利于模仿人类思维的角度或创造新的推理方式，还有外表或根本没有。
吸收人类行为和作为人类替代品的智能系统的出现与建立完全合理的智能代理人一样突出。借用谷歌助手的着名示例，用穆格勃勃的声音打电话给美发师来行动更加自然。伯克利迪维尔斯特等人进一步走了一步。（2016年）如果他们觉得它们负责，人们可能会接受略微不完美算法的决定。智能系统代替提供单一最优解决方案，应该提供一系列近似最佳解决方案可供选择，这将导致更好的人机交互。
我怀疑灌输认知偏差将导致“社交机器人”。一个着名的认知偏见例子是群体认为，当对和谐的欲望超过理性决策时，在团队中发生的错误。为什么算法应该故意将这些缺陷恢复为更像人类或自然？在我看来，如谷歌和饮食道所示，其他技术更有希望推进智能系统的社会性。
数字价值最大化
印孚瑟斯:商业领袖和政府机构应该考虑哪些问题，以最大限度地提高数字创新对经济和社会的价值?
马丁博士：道德问题是最重要的。如果人们没有与技术的进步保持一致，特别是数字举措，他们的经济扩散将受到阻碍。如何根据什么信息进行AI驱动系统的决策，如何处理，存储，安全和谁拥有数据？这些问题鉴于欧洲一般数据保护监管尤其重要。
第二，教育问题关于应该解决数字媒体的正确使用，以获得更多关于技术的自信，而不是被动消费者。然后有很多技术问题关于标准，可访问性和成本。计算机综合制造，早日在90年代初期应用智能自治系统，由于缺乏了解和熟练的劳动力，抵抗变化，以及组织不相容的缺乏。（McGaughey und Snyder 1994，第249页）。
定义数字道德
INFOSYS：已成功采用数字技术的公司如何重新考虑其企业道德和行为准则，以包括数字伦理的新兴学科？您认为现在是数字环境的国际道德标准的时间吗？
马丁博士：大型技术公司，如亚马逊，苹果，Facebook，谷歌，IBM和微软已经在联合计划（www.partnerchonai.org）上讨论了这个问题，以分享AI的最佳实践，并考虑AI对社会的影响。在其他科学中存在类似的道德标准，例如生物医学或社会科学。例如，在德国，伦理委员会，“德意志ethikrat”，探讨了行业4.0对劳动力（Arbeitswelt 4.0）的影响或在医学环境中大数据的后果。
我认为，数字环境的国际道德标准体现可能出于两个原因：特异性和文化。“数字环境”是发达国家的一个迫在眉睫的部分。这将意味着为不同的社会制定国际标准。由于文化差异，我会期待阻力。文化视图和方法非常不同。例如，美国，中国和欧洲的数据隐私法完全不同，导致不同的商业模式。因此，即使所有观点都相当合并，此类标准也需要抽象程度，使其无法执行。
投资技能以保持相关性
Infosys：关于AI对人类的影响，尤其是劳动力的影响极为不同。虽然组织专注于重塑和上升，但其他行业都应该确保他们的劳动力仍然相关和收益雇用？
马丁博士：如果我们在谈论AI，我们应该更具体：弱ai或强壮的ai？如果我们谈论弱AI，那意味着机器自动的特殊用途任务，我们正在谈论未来十年内的影响。如果我们谈论强大的AI，那意味着机器，可以更好地处理不熟悉的情况和完成任务的创造能力，而且比人类更好，更便宜，时间地平线从10到45年延伸到45岁。
最近的AI会议的学者表示，有50％的几率可能会在未来45年内在工作的各个方面表达人类。（Grace等，2017）。现实看起来很有希望。
AI目前在机器学习（ML）的最新进展之中主导。ML是基于大型训练集的模式识别和预测的自动化方法。最近的计算机愿景（自动驾驶汽车），游戏播放（IBM-Chess，DeepMind - Go，Facebook - Dota 2），自然语言处理（个人助理）和知识理解（阿里巴巴 - 牛津阅读测试）都在弱ai科学突破的最前沿。
下一个大步将是用机器推理将ml组合（帕克斯和韦尔曼，2015年）。截至目前，ML和AI还没有退还。我们遵守“生产悖论”，即，AI的新进展不会达到预期的生产率（Holtel，2016）。如Brynjolfsson等人所争论，这是否是由于虚假希望，不索取，重组，或集中分布，或租金耗散。（2017），正在辩论。因此，使预测是挑战性的。AI的投资似乎是目前在大自然中更具战略性，而不是创造短期优势。
在Brynjolfsson和Mitchell（2017）之后，多种经济因素将受到艾美的影响，特别是毫不闻之。具体而言，ML将取代人工劳动力在重复的任务中，其中统计数据揭示数据中的模式（NG，2016）。虽然，它们不会轻易取代作业，其中包括多个相互关联或非结构化的任务，非创业性工作，例如在运输，财务和客户管理中的零售业（Stiglitz，2014）。为了维持相关的劳动力，组织应该投资管理和领导技能，以在Vuca环境中竞争哪个，这是一个不确定的一部分。截至目前，以其为此方向的战略投资和建设能力可能是一个可行的举措。
创造新的学习理由
Infosys：您能详细说明商业仿真和体验学习如何为企业提供价值，在创建促进战略思维的学习基础，提高学习和加速数字环境的创新？
马丁博士：从物联网设备到社交网络，越来越多的数据被创建在企业边界之外，通常是非结构化的、不完整的、变化迅速的。数据的这些特征给公司的运营和管理带来了挑战。在操作方面，需要一种增强的方法来处理大数据。在管理方面，决策过程和管理角色必须重新定义。决策是数据驱动的，这在一些企业文化中可能比较困难，因为这些企业的决策结构已经建立得很好了。域专家改变角色提供理解数据并询问正确的问题。
经营分析方法，分为描述性，预测和规定阶段，解决这些挑战。虽然描述性和预测分析进行了广泛利用数据挖掘和机器学习技术将数据转化为知识，但规范性阶段更加侧重于模拟，以询问有关业务价值和竞争优势的正确问题。仿真是一种无风险的工具，可以在情景规划，战略测试和竞争分析中聘用高管。Robin Bell和Mark Loon（2015）在他们的研究中亮点，商业仿真帮助高管在战略思维中，并在所有商业方面连接点。通过弥合理论与实践之间的差距，它促进了批判性思考。它支持数据驱动的公司文化，这是获得数字化益处的基础。业务仿真简化了使用场景分析来询问开箱即用的问题，并考虑不同的商业视角，以避免战略决策中的认知偏见。
