数据资料的量越大,「预测分析术」(predictive analytics)就可能带来越多的利润和生产力。可是,这只是传统的想法。创新者如果比较想要创造、而非预测未来,应该仔细观察当前最顶尖的科学家如何处理他们的大数据。「人工智能」(AI, artificial intelligence)正逐渐让步给「自动化假设」(AH, automated hypothesis)。未来,会愈来愈引发突破性创新的是「自动化假设」,而非「人工智能」。
如同《产经济学人》杂志最近的报导指出:「目前,有超过90个科学家团队在发展能生假设(hypothesis-generation)的软体。他们希望把这项软件运用在公开资料库里庞大的科学文献库上(跟据一项统计,至少多达五千万份的科学报告),而非运用在食谱上。」换句话说,全球的数据科学家都了解,拍位元组(petabytes,10的15次方)和艾位元组(exabytes,10的18次方)能够让运算变得具有创意和想像空间,就像是想像力能刺激假设产生一样。他们正投入心力,以因应此局势。
这样的创意非常吸引人:与其使用数据来解决现有问题,「自动化假设」的科技可以创造一套具有争议性的问题,并加以解决。或者,说的更正确一点,也就是创造一些值得测试的假设。全球企业和创业家都一样可以运用大量的数据组,来创造跟创新有关的商业假设。「自动化假设」的引擎所能做的,不只是推荐阅读哪本书,或观赏哪部电视剧,会提议媒体消费的全新选择和概念。有任何人怀疑,亚马逊购物网站(Amazon)和美国网路汇流媒体公司Netflix会想要运用自家多达艾位元组的数据,为顾客和合作伙伴打造出全新的产品和服务吗?
类似的道理,你也可以确定,许多(就算不是大多数)行事极为低调的「量化避险基金」(quantitative hedge funds)拥有自家高度发展的「自动化假设」引擎,不停地推荐交易战略和投资主题,让公司能够评估与进一步修正。没错,因为「快闪小子」(Flash Boys)而声名鹊起的高频「运算法」交易(high-frequency “algorithmic” trading)的确让人印象深刻,可是这些投资之所以成功都是善于执行上而已。庞大数据组的全球互通性,成功地管理一套投资假设(investment hypotheses)的组合,已经变成了成功管理一套投资组合的根本条件。
对于渴望创新的人来说,相较于只会回应正确答案的系统,设计出会提出正确问题的系统会来的更有价值。个人最近一本拙作《创新者的假设:廉价实验如何比好点子更具有价值》(The Innovator’s Hypothesis: How Cheap Experiments Are Worth More Than Good Ideas)里的重要洞见是,能够执行以高价值的商业假设为基础,快速、简便和可以扩大规模的实验的能力,正成为创新成功的一项新的核心技能。随着企业针对其顾客、通路、用途、抱怨及社群媒体等事项搜集了更多数据之后,我们便不会只是观察到人们分析着数据的同时,心中想着「最佳化」(optimization);我们会看到产生出「创新假设」(innovation hypotheses)的机器推荐新的配置构造、组合、特色、定价方式以及商业模式,做进一步的测试。突破性创新者的假设并不需要一定是由人类提出。未来可能不会是。
具有高影响力的创新者会越来越依赖「自动化假设」协助产生的顿悟和洞见,以便激发他们高超的创意与创新技能。创新的挑战并不是彻底搜寻资料,寻找有趣的模式,而是决定哪些假设值得进行最立即和创新的实验,能够把规模扩大,变成一项价值非凡、全新的产品、服务、流程或是使用者经验。未来,「自动化假设」的收获者跟真实世界里的实验者,这两者之间的创新合作会渐渐形塑企业文化。
将来,「自动化假设」跟「预测分析术」的混合将会不可避免。「自动化假设」会让行销人员和金融家,以及工程师和设计家都感到兴奋,而它将会同时是运算艺术,也会是软体科学。这就好像我们的显微镜、望远镜或者核磁共振造影设备会说「这一点看起来蛮有意思的。那我们来试一试,看看会有什么结果……?」。
当然,当我们开始把「自动化假设」跟「机器学习」(ML, machine learning)混合在一起的时候,事情就会变得更为有趣和创新了。不过,这只是一项商业假设罢了。