好書推薦《#人慈》部落格文末抽書兩本
想像一下,如果有兩個星球,你認為自己住在哪一個?星球A:飛機墜機後,生存者禮讓最需要救援的人。星球B:事故發生後,生存者爭先恐後地往出口擠,不惜將他人踩在腳下。這個問題被用來問過許多學生,幾乎所有人都選了星球B。但事實是,我們住在星球A。這個世界真正面臨的威脅在於我們對人性太過悲觀。
部落格文章 https://readingoutpost.com/humankind/
Podcast 用聽的 https://readingoutpost.soci.vip/
.
#這本書在說什麼?
.
《人慈》這本書的作者是歐洲最著名的年輕思想家之一羅格.布雷格曼(Rutger Bregman),他是同時也是一位歷史學家、作家、記者。有鑑於報章媒體、政治宣傳、普羅大眾對於「人性」的偏誤解讀,他想透過這本書傳達一個核心訊息:「大部分的人在內心深處,其實是相當正派的」。
作者在書中旁徵博引,以詳盡的事實和深入的查證,說明了人類無論是出於天性、身為孩童時、在無人島上、當戰爭爆發、當危機來襲,對於自己「好」的一面,有著強烈偏好。如果你至今仍然認為,人類就是天生自私、貪得無厭、陰險狡詐,那麼這本書絕對會讓你大為改觀。
這本書讓我感到大為驚喜的,是作者既大膽、又謹慎的考證態度,他勇於對歷史上知名的眾多案例(例如《蒼蠅王》、《史丹佛監獄實驗》、《米倫格爾電擊器實驗》)提出反面看法,而且其證據令人信服。在媒體慣用人性「惡」的一面吸引眼球的世界裡,這是一本思想激進的書,只不過是偏向人性「善」的那面光譜。這種書很罕見,卻彌足珍貴。
.
#人性本惡?三個精彩翻案
.
人類有考據的數萬年歷史以來,充滿了大大小小的衝突和鬥爭,我們也從故事裡看到領導人無論為了私利、國家的經濟、民族的情節而發動戰爭。難道,人類不就是天性好鬥嗎?只要有誘因存在,人們就會甘願殺得你死我活嗎?從歷史的考據裡面,我們會發現人性跟我們想得很不一樣:絕大部分的人不願意傷害另一個人。讓我們先從書中三個精彩的翻案來找到線索。
.
1.#蒼蠅王小說的翻案
.
《蒼蠅王》是一本膾炙人口的小說,在我國中的時候,老師也放過翻拍的影片當作社會科學的教材。內容大意是在說,因為飛機墜機,六個英國男孩漂流到一座無人島上,在沒有大人的情況得自立求生。過程發生了許多權力爭執、失去理智、弱肉強食的情節,最後只剩下兩個孩童倖存的故事。這個虛構故事在感嘆「人心的黑暗」,也被列為標準的社會教材讀物。
作者把持著一個懷疑的態度,他深入瞭解了虛構的《蒼蠅王》小說作者威廉.高汀(William Golding)的生平。作者發現高汀是一名有憂鬱傾向的酗酒者,他還會打小孩,他也曾說過:「我瞭解納粹,因為本質上來說我也是那一類」,這才讓作者明白,原來寫出《蒼蠅王》的作家是一個多麼不快樂的人。
因此,作者根據事實為主,追尋了一條實際發生過的類似案例,六名少年在太平洋落難,漂流到阿塔島(`Ata)的真實故事。這則故事跟小說大相逕庭,六名少年在荒島上發揮團結的本領,協調出遇到衝突的處理方式,還彼此在受傷時互相照顧。受困15個月後,六人獲救時仍氣色飽滿,而且士氣高漲地不可置信。真實版的《蒼蠅王》,其實是一個友情和忠誠的故事。
發現阿塔島生存的船長彼得.華納(Peter Warner):「人生教了我許多事,其中包括了一個經驗,就是你永遠要尋找人的善良光明面。」
.
2.#史丹佛監獄實驗的翻案
.
我讀過許多談到心理學的書籍,都喜歡引用一個知名的案例,那就是《史丹佛監獄實驗》。實驗主持人飛利浦.金巴多(Philip Zimbardo)教授把24名參加的學生隨機分成兩組,12人當囚犯,12人當獄卒,觀察人類當囚犯的反應,以及擔任獄卒的人施加權力的表現。整個實驗因為囚犯精神狀態快速崩潰、獄卒施加的處罰越來越過火,結果實驗到第六天就被迫中止。
這個實驗的結論彷彿要告訴我們:「當你給予人們權力,他們就會開始為惡,發展出一些不人道的規則」。作者深入考察之後發現,這簡直是一場天大的騙局。實驗並不是任憑12名獄卒自己決定如何處以,而是金巴多本人直接給獄卒灌輸思想:「你們要創造一種挫折感,製造恐懼,要剝奪他們的個體性…」,最後獄卒定的17條規則裡,有11條根本是實驗團隊給予的意見。這簡直是引導式的邪惡。
你或許也會好奇,那如果是實驗團隊「完全不介入」的狀況會怎樣?兩個英國心理學家2002年在電視節目上複製了一次同樣的實驗,但這次沒有告訴獄卒該怎麼管理、該怎麼懲罰。結果呢?節目無聊到不行。第二天,獄卒把食物分給囚犯。第五天,一名囚犯提議設立民主制度。第六天,獄卒跟囚犯一起抽菸。最後一集,大部分人一起坐在沙發上消磨時間。這麼無聊的故事,難怪我們都沒聽過。
.
3.#電擊器實驗的翻案
.
還有一個更出名的《米倫格爾電擊器實驗》,目的是為了測試受測者,在面對權威者下達違背良心的命令時,人性所能發揮的拒絕力量到底有多少。受測者身為「老師」,當隔壁房間的「學生」答錯題目時,就要按下電擊器,懲罰坐在電椅上面的學生。「學生」是由實驗人員假冒的,受電擊所發出的哭喊也是演出來的,但受測的「老師」並不知道,他們會「以為」這些電擊都是真的。
每一次學生答錯,懲罰的電壓伏特數就要提高,實驗主持人史丹利.米倫格爾(Stanley Milgram)教授會要求老師繼續施罰。120伏特時學生會開始喊痛,150伏特時尖叫並喊著退出實驗,200伏特時大叫大叫血管裡的血都凍住了!超過320伏特時開始撞牆並失去聲音。結果,有65%的受測者一路聽從指揮,開到了450伏特,幾乎是把學生電死的程度。實驗的結論幾乎告訴我們,只要有權威要求,連普通人都願意電死一個路人甲?
作者考核過後的翻案顯示了另一種事實。幾乎所有受測者都曾抗命,想要停手,但實驗方會加強壓力逼迫就範,從錄音檔聽起來更像是霸凌和脅迫。事後調查,只有一半的受測者認為隔壁的學生是真的在受苦,其他人覺得只是實驗效果。許多受試者也表示,因為他們真心「信任」米倫格爾教授的實驗對人類一定有幫助,所以即使當下不忍心,也願意咬著牙繼續做下去。
綜合以上三個翻案結果,大部分的人在內心深處,其實是相當正派的,但引用作者所說的:「如果你催促地夠用力,給予足夠刺激、又拐又騙,許多人確實是有能力做惡。但是邪惡通常不是在表面之下,它是需要費盡功夫才能扯出來的。」邪惡得要披上善良的外衣才行。
.
#人怎麼會互相傷害?
.
所以,人真的是天性好鬥、殺得你死我活的物種嗎?綜觀歷史大小戰爭,這個說法似乎成立,但是當我們把尺度放到人與人面對面的相處,就是另一種樣貌。舉戰爭為例,兩軍人馬大動干戈的時候,所有人一定都是拔刀互砍、舉槍互射吧?在那種生死存亡的關頭,不是敵死,就是我亡了,不是嗎?
真實的戰爭傷亡統計很有意思,例如二戰英國陣亡的軍人死因中,10%是子彈和反坦克地雷;15%是詭雷、爆破和其他;75%是手榴彈、迫擊砲和空投炸彈。大部分的士兵都是隔個一定「距離」被殲滅的。真正喊著敵人是「害蟲」,一旦碰面就格殺毋論的,通常是離戰場最「遙遠」的政客和領導人。
根據研究,二戰的生存老兵超過一半從未殺過人,只有20%的軍人曾經擊發過武器。美國南北戰爭最激烈的蓋茨堡戰役中,回收的27,000把火槍,還裝有彈藥的比例達到90%。12,000把裝有兩顆彈藥,其中6000把超過三顆。但火槍設計成那樣,就是一次只能射出一顆子彈,那幹嘛裝那麼多顆子彈?因為大部分的士兵都『沒有』在試圖殺敵。人,打從心底不喜歡傷害另一個人。
.
#如何改善?三種範例
.
在這本書的下半部,作者有一則引述徹底震撼了我的思想。這句引言來自英國哲學家暨諾貝爾文學獎得主伯蘭特.羅素(Bertrand Russell),他給未來世代這個建議:「當你學習任何東西或者思考任何哲學問題時,只該問自己事實有哪些,那些事實證明什麼是真實。永遠別被自己希望相信的事、或者自以為如果別人信了就對社會有益的事所分心,只要專心一意去看事實是什麼。」
這個非常理性的觀念,一開始相當很吸引我,但作者及時把我拉了回來。他提到除了探究事實之外,你本身「相信」什麼,才是以改善世界的動力來源。
第一種相信的力量,叫做「畢馬龍效應」。科學家做過一種實驗,把兩群同樣普通的老鼠,分別標示聰明和愚笨。請不知情的學生照顧老鼠,然後進行迷宮遊戲,看哪一組比較快逃出迷宮。結果聰明的那組獲勝,事後發現學生「相信」這些老鼠比較聰明,給予比較好也溫柔的待遇。同樣的實驗在一群小學生上進行,不知情的老師對聰明組的學生更關注、更鼓勵,事後結算成績,聰明組的孩子其智力表現提高了最多。
第二種相信的力量,叫做「魔像效應」。曾經有科學家在美國做過一個不道德的實驗,他把二十個孤兒分成兩組,跟其中一組說他們是善於表達的人,跟另外一組說他們注定要變成口吃者。這個實驗結果害得許多口吃組的受測孩童,一輩子患有語言障礙。這種效應常導致貧窮學生更加落後、無家可歸者失去希望、已經被孤立的青年人更加極端。
一如正面的期待能夠引發好的結果,負面的期待也能夠讓惡夢成真。接下來介紹書中三個真實世界的例子,來看看如何運用「相信」的力量,來改善我們的工作、教育和民主運作。
.
1.#論工作的內在動機
.
研究發現,外在誘因例如紅利會減低員工的內在動機和道德標準。給予外在誘因會獲得相等的回報:按照工時給付,就會增加更多的工時(無論是否裝忙)。按照發表數目給予稿費,就會得到更多的發表文章(無論品質優劣)。按照手術量來給付,手術就會更多(無論是否必要)。
荷蘭的最大的鄰里照護平台「博祖克」(Buurtzorg)採取逆向而行的策略,這個組織沒有業績目標或分紅,沒有管理階層,沒有客服中心。運作的自主權下放給每一個十二人的團隊,團隊自己定行程表,自行雇用同事。省去的營運費用和會議時間都回歸到團隊本身。
執行長喬斯.德.柏洛克(Jos de Blok)是從最基層出身的人,他相信員工內心會選擇做「正確」的事。他說傳統的管理階層「喜歡憑空想像一些計畫給那群工蜂做」,還說「拿掉管理階層,工作還是照常進行」,他認為讓團隊自我導向、動手執行腦中想法,是最實際的做法。博祖克沒有人資部,被評為最佳雇主;沒有行銷部,卻獲得最佳行銷獎。
(延伸資源:在台灣有「台灣居護」引進了這套照護模式)
.
2.#論教育的玩耍本質
.
自古以來,愈是聰明的動物愈會玩耍,玩耍更深植於人類天性當中。創造力和學習力來自於自由地玩耍,孩子會自然地渴望探索這個世界。當社會工業化之後,學校的體制越來越制式化,學生的課表被排滿,家長連下課的時間也不放過。最近針對十個國家的民調顯示,監獄囚犯待在戶外的時間比孩子還要多。研究也發現一個趨勢,孩子愈來愈覺得「自己的生命被他人所決定」。這是一個快要忘記怎麼「玩耍」的世代。
荷蘭的「阿哥拉」(Agora,希臘語「市集」的意思)是一個沒有年級、班級、教室的學校,也沒有功課和成績,一組學生團隊就只有配一位「輔導員」,但自主權在學生身上,他們自己決定要學什麼。整個學校就像一個主題樂園,學生透過玩耍和探索,找到自己當下有興趣的題目攻讀,學校提供對應的資源給他們學習。相較於傳統教育把孩童當植物灌溉,這所學校將孩童當「人」看待。
在這裡,與眾不同是常態,一千個學生就有一千種學習路徑。這裡幾乎找不到霸凌的蹤影,因為不以年齡和能力區隔孩童,沒有誰的進度會落後,沒有誰的表現太過突出,每個人都在綻放當下最好的自己。作者引述道:「玩耍的相反不是工作,玩耍的相反是抑鬱。」問題不是孩子能不能掌控自由,而是大人有沒有勇氣給他們自由?我們是否問過自己,教育的意義究竟是什麼?
(延伸閱讀:Agora: Meet the school with no classes, no classrooms and no curriculum,英文文章)
.
3.#論民主政體的模樣
.
作者提到,世界上愈來愈多的民主政體正遭受七種瘟疫侵襲:政黨持續腐化、公民不再信任彼此、少數人遭排除、選民失去興趣、貪贓枉法的政客、有錢人逃稅、人們發現當代民主充滿貧富不均(怎麼跟我住的地方這麼像!?)。但世界上有地方嘗試了解法,簡單到令人難以置信,卻很少上新聞(你應該猜得到為什麼)。
委內瑞拉的托雷斯市(Torres)的民選首長胡立歐.查維茲(Julio Chávez)選擇一種嶄新的信念,他相信:「每個人心中都有一位積極認真的公民」。他的競選政見只有一個,下放權力給所有托雷斯市民,而且他遵守了承諾。所有的政府集會邀請全體居民參加,不只是討論,還要決議城市所有預算的使用。
結果人們空前踴躍參與政治,在最需要的地方蓋起了住宅和學校,有效地鋪整馬路清掃街區。因為預算透明,大幅削減了貪污和權威的弊病。市民們還一起要求提高稅收,並且說道:「過去我們不瞭解市政稅要用來支付那麼多東西。」這個被稱為「參與式民主」的方式,深受民眾喜愛,卻鮮少在新聞上被提及。
(在台灣我還沒聽過類似的試營運模式,有人聽過嗎?)
.
後記:#相信善的一面
.
《人慈》是我今年讀過最意猶未盡的一本書,作者的大膽思想,配上嚴謹的查證,讓人讀來格外痛快。從這本書中,我也慢慢體認到,問題不是二元化的「人性本惡或本善」選擇題。反而,透過這些精采的正反論述,猶如偵探小說抽絲剝繭般的分析,我理解到的是人性真正的「複雜」。
如同現在人工智慧和大數據這麼發達,如果只讓電腦演算法來判決,那麼歷久不衰的《蒼蠅王》人心黑暗論肯定佔據上風;《史丹佛監獄實驗》和《米倫格爾電擊器實驗》無以計數的論文和書籍引用,肯定讓演算法覺得這才是人性的真理。無數對人性帶有扭曲和偏誤的描寫佔據了媒體的版面。然而,事實呢?
這本書中段的畢馬龍和魔像效應教我們的就是,人們「相信」的事情往往會發展成「事實」,更是一個令人驚醒的提點。無論是書中獄卒和囚犯的故事、老師和學生的故事、老闆和員工的故事、父母和子女的故事,一再說明了:「當你把一個人當人看,他就會表現得像一個人。」反之。讀完這本書後,你可以踏實地選擇自己相信的那一面。
瞭解事實,讓我們得以明辨是非。擁有信念,才能以行動改變世界。原來,關於人性,我讀過的許多論點幾乎都是錯的。永遠別被自己希望相信的事所分心。只管去看,事實是什麼。然後在事實背後,找出值得相信的事情,讓它成為新的事實。這絕對是一本必讀之書。
.
Kobo電子書7折代碼:WAKIKIND
Kobo 購書連結:https://bit.ly/3z7sRHr
使用期限:9/12~9/18
.
感謝 時報出版|商業人文線 提供抽獎贈書
「大小 威廉 斯 誰 比較 強」的推薦目錄:
大小 威廉 斯 誰 比較 強 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
AI機器人將如何顛覆製造業?
面對AI機器人帶來的破壞式創新,台灣製造業該怎麼把握機會,在自動化典範轉移的亂局中,占有一席之地?
Bastiane Huang
Feb 6 · 1
在先前Robotics 2.0系列文章中,我們討論了AI如何讓機器人做到過去做不到的靈巧工作,並能夠開始自主學習。第一篇文章介紹了AI如何開啟Robot2.0時代。第二篇文章則描述AI機器人在倉儲運輸業的應用,透過觀察這個新技術的第一個應用場景,來預測這一切將如何影響我們的生產力、就業狀況以及日常生活。
這篇文章我們將聚焦目前大量運用傳統機器手臂及自動化設備,同時占台灣產值最高(30%)的製造業。具有自主學習能力而且靈巧的AI機器人,將如何影響製造業流程及整體產業結構?供應鏈上的各廠商又該如何因應Robotics 2.0帶來的破壞性創新?
「未來已經到來,只是先被一部分人看見。」 — 作家威廉.吉布森
The future is already here — it’s just not very evenly distributed. — William Gibson
製造業自動化現況
根據國際機器人聯合會(IFR)發布的最近報告,全球工業機器手臂的出貨量在2018年創下新紀錄,來到38萬4,000台。其中中國仍是最大市場(占比35%),接著是日本,美國,台灣排名全球第六。
汽車以及電子製造業依然是工業手臂的最大應用市場(占比60%),遠遠領先其他包含金屬,塑膠及食品等產業。具體原因我們在第一篇文章也討論過,由於傳統機器人和電腦視覺的限制,目前除汽車業和電子業以外,倉儲、農業和其他產業幾乎都還沒開始使用機械手臂。而這樣的情形將會被AI機器人及深度學習等新技術所改變。看到這裡,你可能會想:自動化及工業機器手臂在製造業既然已經有幾十年的歷史,該自動化或可以被自動化的部分應該都已經自動化了,還有什麼創新的空間呢?
出乎意料地,就連自動化程度最高的汽車製造業,離所謂的全自動化關燈工廠(lights out factory)也還有很大一段距離。舉例來說,汽車組裝的部分大多依然是由人工來完成。這也是車廠最勞力密集的部分,平均一間汽車工廠裡有3分之2的員工都在裝配車間。就連一向追求革新與顛覆,主張追求最高自動化的特斯拉執行長馬斯克,都不得不公開承認,特斯拉生產線自動化的進度不如預期。
究竟為什麼自動化這麼困難?
自動化至今無法跨越的技術限制
現今的自動化生產線普遍為大量生產設計,因此能有效降低成本,但也因此缺乏彈性。面對消費者越來越短的產品生命週期,越來越多的少量多樣客製化生產需求,人類往往比機器人更能夠因應新的產品線,也不需要花費很多時間去重新編寫程式或更改製造工序。
1. 靈巧度與複雜度
儘管科技在快速進步,人類還是比機器人靈巧許多。在訪談電子代工廠商的過程中發現,儘管組裝產品(assembly)已經高度自動化,但備料(kitting)的程序還是必須由人來完成。
備料在製造及倉儲業都很普遍,是提高生產效率的重要步驟。指的是把組裝產品需要的各個零散部件集合起來,打包並放置在工具包(kit)的過程。之後機器人再從工具包中拿取各個零件並進行組裝作業,這時候因為各個零件都在一個固定的位置和角度,自動化編程相對容易。相反地,備料時必須從雜亂無序的零件盒中辨識並拿取零件,零件的位置角度不一,甚至可能重疊或纏繞在一起,這對現有的機器視覺及機器人技術都是一項挑戰。
2. 視覺與非視覺性的回饋
另外一方面,很多複雜的裝配作業需要靠作業員的經驗或「感覺」。不論是安裝汽車座椅或是將零件放入工具包裡,這些看似簡單的動作,事實上都需要作業員或機器人接收,並根據各種視覺甚至觸覺訊號,來調整動作的角度及力道。
這些精細的微調使得傳統的自動化編程幾乎派不上用場,因為每次撿取或放置物品都不完全相同,需要像人一樣有從多次的嘗試當中,自主學習歸納的能力,而這正是機器學習,特別是深度及強化學習,能夠帶給機器人的最大改變。
Robotics 2.0:AI可以讓工廠機器人做到哪些事?
AI帶給機器手臂最大的改變就是:以往機械手臂只能重複執行工程師編寫程序,雖然精準度及速度都很高,但卻無法應對任何環境或製程改變。但是現在因為AI,機器可以自主學習更複雜的任務。具體來說,AI機器人較傳統機械手臂在3大方面有重大突破:
1. 視覺(Vision System)
就算是最高階的3D工業相機,仍然無法像人眼一樣,既可以精準判斷深度距離,又可以辨識透明的包裝、反射表面、或是可變形物體。這也是為什麼很難找到一款相機,既可以提供準確的深度,又能夠辨識大多數的包裝及物品,然而,這樣的情形很快就會被AI改變。
機器視覺在過去幾年取得了巨大的進展,幾間來自於矽谷及波士頓的新創,包括OSARO和Covariant,利用深度學習(deep learning),語意分割(semantic segmentation),及場景理解(scene understanding)提高了低階相機的深度及影像辨識,讓製造商不需要使用昂貴的相機,也能得到足夠準確的影像訊息,成功辨識透明或反射物體包裝。
2. 可擴充性(Scalability)
深度學習不需像傳統機器視覺一樣,需要事先建構每一個物品的3D模型。只需要輸入圖片,經過訓練,人工神經網路就能自動辨識影像中物體。甚至能使用非監督或自監督學習,降低人工標籤數據或特徵的需要,讓機器更近接近人一樣的學習,免去人為干預,讓機器人面對新的零件再也不需要工程師重新編寫程序。隨著機台運作,收集到的數據越來越多,機器學習模型的準確度也會進一步提升。
目前一般生產線通常有震動台、送料器、輸送帶等週邊設備,確保機器人能夠正確拿取需要的部件。如果機器學習再進一步發展,讓機器手臂更加智能,或許有一天這些比機械手臂更昂貴四五倍以上的週邊設備將不再被需要。
另一方面,由於深度學習模型一般儲存在雲端,這也讓機器人能夠互相學習,共享知識。舉例來說,若有一台機器手臂經過一個晚上的嘗試,學會如何組合兩個零件,便能夠很輕易地將這個新的模型更新到雲端,並分享給其他同樣也連結到雲端的機器手臂。這不但省去了其他機器的學習時間,也確保了品質的一致性。
3. 智能放置(Intelligent Placement)
一些對我們來說一點也不困難的指令:請小心輕放,或把物品排列整齊,對機器手臂而言卻是巨大的技術挑戰。
如何定義「小心輕放」?是在物體碰觸到桌面的瞬間停止施力?還是在移動到距離桌面6公分處放手讓物體自然落下?或是越靠近桌面就越降低速度?這些不同的定義又會怎麼樣影響物品放置的速度和精確度?
至於將物品「排列整齊」就更困難了,先不論每個人對整齊的定義都有所不同,為了能將物品精準地放置在想要的位置及角度,我們首先必須要先從正確的位置拿取物品:機械手臂依然不如人手靈巧,且目前一般機器手臂大多使用吸盤或是夾子,要做到人類關節及手指的靈活度,還有一大段距離。
其次我們要能即時判斷夾取物體的角度位置及形狀大小,以下圖的杯子為例,需要知道杯口朝上或朝下,要側放或直放,也要知道放置的地方有沒有其他物品或障礙物,才能判斷將杯子放在哪裡才能最節省空間。 我們因為從出生開始就在學習各種取放物品的任務,這些複雜的作業幾乎不加思索就可以完成,但機器並沒有這樣的經驗,必須重新學習。
經由AI,機器手臂可以更精準地判斷深度,還可以透過訓練,學習判斷及做到杯子朝上,朝下等不同狀態。也可以利用對象建模(Object Modeling),或是體素化(Voxelization),來預測及重建3D物體,讓機器可以更準確掌握實際物品的大小和形狀,進一步將物品放到該放的位置。
AI機器人將如何顛覆製造業?
現在我們知道AI可以讓機器做到許多以往做不到的事,但這對製造業現行的產業結構又會有什麼影響?誰能夠把握住新科技典範轉移技術帶來的機會?哪些公司又會面臨前所未有的挑戰?
AI機器人帶來的破壞式創新(Disruptive Innovation)
破壞式創新由哈佛商學院教授克雷頓‧克里斯汀生(Clayton Christensen)在其著作《創新的兩難》(Innovator’s Dilemma)當中提出。理論的中心思想是:
產業中的既有業者一般會為了服務現有客戶(通常也是利潤最高的客群),而選擇專注於「持續式創新」,改善現有的產品及服務。此時,一些資源較少的小公司把握機會,瞄準被忽略的市場需求,而取得進入市場的立足點。
破壞式創新又分為以下兩種:
(1)低階市場創新
一般大家較為熟悉的是「低階市場創新」,數位照相技術就是一例。早期的數位相機不僅解析度不佳,而且還有快門延遲很長的問題,但隨著數位照相品質及解析度逐漸進步,數位相機逐漸從低階市場晉升為主流。諷刺的是,柯達雖然研發出數位相機,但卻因為無法放棄當時該公司占據全球3分之2的底片市場,而最終被新技術淘汰。這正是所謂的「創新的兩難」,既有業者雖然看到新科技的威脅,但卻因為現有公司結構,策略等種種原因無法及時因應。
(2)新市場創新
「新市場創新」則是指新進公司瞄準既有公司尚未服務到的「新市場」進行創新。例如,電話剛推出的時候只能被用來做短距離的本地溝通,因此電報產業當時的領先者Western Union拒絕購買發明家貝爾的專利,因為該公司最賺錢的是長途電報市場,當時甚至不認為短途溝通會是一個市場,更不用說預見後來人人都用電話溝通的情景了。
而AI機器人帶來的,正是「新市場的破壞式創新」!
目前汽車及電子製造業占工業機器手臂出貨量的60%,這也導致市場領先者發那科(FANUC)、ABB、KUKA、安川(YASKAWA)專注於「持續式創新」:做他們最擅長,客戶也最需要的,進一步提高速度及精度。這也使得其他諸如倉儲業、食品製造業,或製造業中的「備料程序」成為被忽略新市場。這些客戶並不需要這麼高速度,高精度的作業,但需要機器手臂更靈活,更能彈性自主學習辨識及處理不同的零件或是工作。
新創AI機器人公司看到這樣未被滿足的需求,開始將人工智慧應用在機器人上,使得機器手臂可以被用在備料,包裝,倉儲等新市場。他們使用較低階的相機搭配機器學習模型,讓以往只能由人工作業的備料,貨物分撿等程序自動化,讓機器手臂可以被運用在更多不同的地方,甚至整個產業。
有趣的是,這些新創公司一般不自行生產機器手臂,而是專注於開發機器學習模型、機器視學及控制軟體,在硬體方面則選擇跟既有機器手臂廠商合作。因此,你可能會想,就算這些機器手臂公司不追求AI創新,他們也不會被時代淘汰,因為自動化還是需要硬體的供應。
但是,這樣想忽略了幾件事:
首先,有些機器手臂公司已經先嗅到了商機,並開始一邊與這些新創公司合作,一邊建立自己的AI團隊。這些公司因為率先採取行動,可以更快地在這些以往服務不到的新市場中建立客群,進一步領先競爭對手。
其次,隨著AI應用的普及,產業鏈中的最大價值,會逐漸由硬體轉向軟體及數據。 這點,我們已經可以從無人車的發展趨勢中看出。一但無人車可以做到高度自主,大部分的價值都會在掌握無人車機器學習模型及自駕數據的特斯拉,或Google等公司的手裡。這也是為什麼車廠人人自危,不是積極併購就是跟矽谷的軟體AI新創公司合作。相比起來,機器手臂及製造商對AI技術的接受速度似乎還不及汽車製造商。
AI機器人帶來的挑戰與機會
AI及機器人的結合帶來許多的可能性,但是這些改變絕非一蹴可幾。機器手臂公司縱使開始投資AI,也依然會面臨當初柯達所面臨的「創新者的兩難」。
要如何重新打造組織及發展策略,才能夠讓轉型的負面影響降到最低,也考驗各個公司管理階層的判斷與決心。
另一方面,開發全新市場也絕非簡單的事,新創公司仍需要和製造廠商密切合作,開發更貼合客戶需求的解決方案。 製造業的流程甚至比倉儲更複雜多樣,新創公司雖然了解AI及機器人技術,但卻不一定了解製造流程。這也給台灣製造廠商一個搶得先機成長轉型的最佳機會。
如果台灣廠商能夠率先和這些新創公司合作,不僅能透過流程自動化提升生產效率及品質,還能做到以往較難做到的少量多樣客製需求,擺脫大量製造,削價競爭的紅海策略。更可以成為新一代AI機器人的試驗場,和國際新創合作開發針對電子或半導體製造業的專屬解決方案,進而銷售到其他國家。
日前,曾任職於Google與百度的吳恩達(Andrew Ng)受邀來台演講中也指出,台灣應該善用自己在半導體與製造業的既有優勢,發展人工智慧,成為除了矽谷、北京之外的下一個AI Hub。 相較於其他像是零售或是消費性網路領域這些現在發展相對成熟的AI應用,台灣在製造產業中發展人工智慧,不但更具有了解應用案例、掌握數據等優勢,也有機會能夠藉由AI機器人等新技術,達到產業轉型的目的。
附圖:KIT工具包 — source: kitting-assembly.ca
深度學習物件辨識範例,由左至右分別為Mask-RCNN, Object Modeling, Grasp Point Prediction。OSARO
傳統及AI機器人創新策略比較 — source: Bastiane Huang
製造業自動化產業鏈- source: Bastiane Huang
資料來源:https://medium.com/marketingdatascience/ai%E6%A9%9F%E5%99%A8%E4%BA%BA%E5%B0%87%E5%A6%82%E4%BD%95%E9%A1%9B%E8%A6%86%E8%A3%BD%E9%80%A0%E6%A5%AD-ee2dbc3db7e4