第一部分 为什么现在需要人工智能
大数据时代，人工智能在统计分析等方面越来越接近人类
不了解计算机科学的人一听到“人工智能”，可能会联想到是有人类智力的机器人。
但是，实际情况却大不相同。2011年，以日本国立情报研究所（NII）为中心成立的“人工智能能否考进东大”项目的负责人——NII社会共有知识研究中心长新井纪子强调：“人工智能并不理解文章以及词汇的含义。”
“人工智能”是一个跨学科的研究领域，这其中包含了各种各样的学科技术。虽说模拟人类大脑的研究正在推进，但就现有的计算机处理能力而言仍然无法将这类研究应用到现实中。目前，已经被实际应用的统称为人工智能的技术千差万别。若试着了解“人工智能能否考进东大”项目，便会对此有较深的体会。
这是一个致力于让应用人工智能的软件——“东Robo君”挑战东京大学入学考试的项目（详情参考第三部分的文章《“东Robo君”让我们明白——人工智能所不擅长的事，只有人类才能做得到》）。虽然被统称为“东Robo君”这一个名字，但实际情况是根据不同科目分别准备了不同的软件。理解每一个科目的问题都使用了“自然语言处理”技术[1]，但是解答问题的技术却因科目不同而不尽相同。数学科目方面，采用“量词消去方法”[2]的数据处理程序来答题。物理科目方面，将问题归类为“平衡问题”“动态问题”“初始值问题”等，并分别准备了各种不同的解法。历史、社会学等社科类题目中，为了回答针对知识类问题（即记忆类问题）的提问，而采用了“文本蕴含识别”技术[3]。
这一项目让我们明白，现如今，在被称为人工智能的技术当中，既有其擅长的领域也有其不擅长的领域，并没有可以应对所有问题的万能方法。新井纪子指出：“以人工智能为基础的数学思维是由逻辑、概率和统计三种方法构成的。我们要考虑的是使用三者中哪一种，更接近人类所考虑的价值和意义。”
人工智能技术难以被定义
自古人们就应用逻辑、概率、统计的方法解决问题。比如，在汽车导航中，可以找到最短路径的迪杰斯特拉算法（Dijkstra’sAlgorithm）早在1959年就被提出来了；在购物网站上经常出现的“推荐商品”是在分析了每一个用户所购买的商品相关性后得出的，这种方法是由出生于1822年的英国统计学家弗朗西斯·高尔顿（Francis Galton）提出的。
那么，怎样的技术可以称之为人工智能呢？实际上这是随着时代变化而变化的。20世纪70—80年代也曾有过人工智能热潮，那时被实际应用的技术的代表案例是“以知识为基础的专家系统”。这是一种用计算机模仿人类专家知识（理论思维）的技术，可以视为在软件中内置了一种根据不同条件而进行不同选择的“Yes/No流程图”结构。
由谷歌旗下DeepMind公司开发的人工智能围棋系统——AlphaGo，在打败围棋世界冠军、职业九段棋手李世石后被广为人知。从现在的情形来看，应该没有人还会把之前的“专家系统”体系当作是人工智能技术了吧。我们很难根据某个标准来判断什么是人工智能技术，换言之，人工智能是难以被定义的。
在石山洸所写的文章（《与人工智能愉快共处能提高人类的工作效率》）中也提到，2016年9月斯坦福大学公布的报告《人工智能百年研究》（AI 100）中对人工智能的定义是：“人工智能是基于设想人类如何使用神经系统，如何通过身体感受，如何推理，如何行动（但处理机制本身不同）的计算机科学和技术的集合。”那么，为人类活动提供支持的软件大多可以符合这一定义。
“深度学习”成为人工智能技术开发的突破口
现如今，人工智能重新引起人们的关注部分是因为一种被称为深度学习（Deep Learning）的技术。这一技术成为迄今为止处于发展瓶颈期的人工智能技术的突破口。当然，计算机、智能终端的巨大进步也为人工智能的突破提供了坚实的基础。
深度学习是一种为了在计算机上实现与人类学习具有相同功能的“机械学习”技术，是一种模拟人类大脑结构的神经网络并进行机械学习的技术。
机械学习的基本功能是，根据被给予的大量数据学习结果总结规律或者进行分类。以前的机械学习技术需要人类指定应该关注哪一点，例如，为了识别兔子的照片，就必须事先指定耳朵的特征。但用这种技术，却无法用来识别猫与狗。因为这类机械学习没有变通性，只能应用于特定的场景，而无法推广至一般用途。
与此相反，深度学习可以通过读取大量带有兔子标签的照片自动提取特征，同时还可以找到人类没有注意到的特征。在可以获取新知识这一点上，人们期待深度学习会出现超越人类的技术奇点（technological singularity）。此外，人们也期待新的人工智能技术能以单一技术囊括一般用途。实际上AlphaGo中应用的基础技术也是一种奇点。
虽与学术定义大相径庭，但简单来说可以把人工智能技术理解为“是一种对于无法用已知方法简单解决的问题，即使无法提出最佳解法，也可以在较短时间内提出较优答案的技术”。
人工智能成为“第四次工业革命”的原动力
在不远的将来，“和人工智能做同事”的时代定会到来。按照工作内容的不同，在某些领域人工智能已经超越了人类。AlphaGo使用了解说人员所认为的“人类棋手一定不会使用的下法”，先后几次赢了职业围棋棋手。此后，同样的下法开始在职业棋手中间流行起来。“东Robo君”虽未能考取东大，但其考分仍超过了考生的平均分，并达到了被称为“MARCH”和“关关同立”[4]的关东、关西一流私立大学的平均录取分数线。
在日本经济产业省，开始引入人工智能“秘书”，测试其是否能帮助职员为高级官员草拟出席内阁会议或国会问询的答辩内容。比如，被问及一个政策时，人工智能在读取过去五年国会会议记录的基础上，迅速为文员或秘书提供相应数据和过往答辩中的理由充分的论点。此举是为了以“劳动方法改革”为目标，提高公务员的劳动生产率。以上举出的例子都属于白领工作的一部分，想必从事这类工作的主体会渐渐从人类转变为人工智能。
但是，人们因此而一味抱怨被人工智能抢走了饭碗是无济于事的。在过去，人类也先后几次被机器抢走了工作。第一次工业革命中的蒸汽机；第二次工业革命中由电力驱动的电机以及由石油驱动的内燃机；第三次工业革命中由于信息通信技术的发展，计算机正在替代人类，几乎没有人会否定这一趋势。
可能在不远的将来，与云服务、物联网连接的人工智能替代各种职业的现象会被称为“第四次工业革命”。但是，社会整体的劳动生产率提高对于人类来讲绝非坏事。
正如第一部分中将介绍的瑞可利的石山洸、NII的新井纪子以及第二部分中野村综合研究所的文章中所提到的那样，有很多工作是人工智能无法完成的。人工智能可以做的就交给人工智能，与这样的“同事”一起工作，人类将会承担起那些只有人类才可以胜任的高附加值工作。
放眼未来，世界上的发达国家已经开始为人工智能研究投入大量资金。在《日本经济报》的报道（2016年12月9日）中，根据日本文部科学省下属的科学技术与学术政策研究所的分析，在人工智能主要学术论文的发表方面，美国、中国占据多数，日本影响力的滞后是十分明显的。同时，美国和中国对人工智能的教育和投资都比日本积极，让我们不仅看到了前沿研究，并能想像人工智能作为“同事”融入的时代。正因为日本处于少子化且移民政策并不明朗的状态，才更应该大力发展人工智能在现实中的应用。
人工智能并非“神奇魔杖”，看错用途也会有生命危险
虽说很多工作领域都预测会出现人工智能的奇点，但仍旧无法断言这些领域能否完全被人工智能所替代，因为人工智能也会出错。
打败顶级职业棋手的AlphaGo，在唯一输掉的第四战中临近结束时接连走出“坏棋”，使战况一度恶化。担任转播解说的高尾绅路九段也评论道：“不知道它在做什么，这些明显是坏棋。”此外，谷歌公司的照片管理应用软件——Google Photos，可以使用人工智能在上传的照片上自动加标签，却在黑人男性的照片上标注了“大猩猩”的标签。
诸如此类事例中的人工智能“小失误”，人们看完笑笑也就过了，但是在实际应用中根据其用途也有可能造成巨大损失。
这一方面的典型案例就是发生在2016年5月的美国特斯拉“自动驾驶”致死事故。这辆汽车搭载了使用人工智能的自动驾驶系统，虽然它的用途定位是协助人类驾驶，但实际上人类驾驶员完全放手不管汽车也是可以行驶的。事故发生时，驾驶员可能并没有握住方向盘，这起事故被报道为“第一起自动驾驶死亡事故”。
如今，人工智能也开始被应用于医疗场景（具体请参照第三部分的文章《IBM沃森完成癌症治疗分析工作》），万一出错可能也会导致生命危险。在被人工智能替代时，无论哪种职业，看清其技术成熟度以及错误发生时的风险，是必不可少的。
人工智能与人类是共同进步的伙伴
石山洸 瑞可利技术研究所推进室室长
自2016年下半年起，停留在科幻小说中的人工智能热已告一段落，而朝着探讨该如何在商业中实现人工智能的应用方向转变。媒体谈论“人工智能”这一关键词时，也开始从技术视角转向商业视角，特别是最近，人工智能在“第四次工业革命”这样的语境中逐渐被提起。
在“第四次工业革命”这一关键词被广泛认知的背景之下，发生了两件事。第一件事是2015年达沃斯世界经济论坛发布了关于第四次工业革命的报告，指出了可能在10年内冲击社会主流的21个技术变革之后，世界经济论坛创造人兼执行主席克劳斯·施瓦布（Klaus Schwab）的《第四次工业革命：转型的力量》在日本出版。这是一本浓缩了第四次工业革命的好书，也可以看作商业人士为了理解人工智能与商业关系必读的第一本参考书。第二件事是在日本政府的主导之下，设定了第四次工业革命的经济发展目标。具体是指：日本的GDP在未来20年内将从现在的不到500兆日元提高到600兆日元，其中将通过第四次工业革命拉动30兆日元。由于这两件事，第四次工业革命这一关键词已经扎根于日本社会，舆论也从“科幻小说型人工智能论”转向“应用型人工智能论”。
在政府的目标规划中，以人工智能为核心创造的30兆日元占整个GDP的5%。因此，也可以认为在未来20年内，有5%的人类员工可能被人工智能所替代。反过来说，在未来20年内倘若没有5%的劳动者被人工智能所替代的话，也就意味着日本第四次工业革命的目标没有达成。归根结底，能否与人工智能做同事是日本经济发展的关键。
在美国，“robotic process automation”（机器人流程自动化）以及“digital labor”（数字化劳动力）这样的关键词已经开始扎根。“和人工智能做同事”的时代并非遥不可及，它已经成为当下亟需讨论的课题。
在日本企业文化中，在变革方面大多倾向于由一线员工层层上传，而非由高级管理层层层下达，故即使企业决策层制定了用于人工智能的预算也不足以引起变革。因此，应该为每一个普通员工规划好使用人工智能的方式、期限，以及其从机械劳动中解脱后能够创造出多大的附加值。
什么是人类所追求的创造力？
并非单纯依靠人工智能就能够创造高附加值。反过来，仅仅靠人类的劳动力也无法实现第四次工业革命。这需要两者的配合，想要创造高附加值的关键是要让两种劳动力差异化。
研究人类社会行为的美国社会学家尔文·戈夫曼（Erving Goffman）认为，人类合作的基础是“具备别人所不具备的价值”。也就是说，人类具有人工智能所不具备的价值是人类与人工智能协作的基础，也是实现和人工智能做同事的第一步。
在经济学中有替代品与互补品的思维方式。咖啡与可可是替代品；而咖啡与砂糖是互补品。如果人类与人工智能互为替代品，就会产生竞争关系；如果能成为互补品，就会产生合作关系。为了实现后者，人类必须全力创造出人工智能所不具备的价值。
那么，何为人工智能所不具备的人类价值呢？这就是很多读者想到的“创造力”。很多人会认为最近人工智能在写小说、作曲、作画等创造力方面也并不逊色于人类。然而现阶段仍可断言，人类具备超越人工智能的创造力。没错，这就是人类自身创造出“人工智能”的创造力。
图1 “和人工智能做同事”时代的工作方法蓝图
在图1中展示了“和人工智能做同事”时代的蓝图。在这个构架中，用“能动性创造力”与“开放性创造力”表示了人类的创造力的两个维度。另外，分别用三个等级评价各个创造力。所谓能动性创造力的三个阶段是按照“不使用人工智能（无兴趣）→使用人工智能（较少的兴趣）→创造人工智能（较大的兴趣）”发展，发展程度越高创造力就越具有主观能动性。开放性创造力的三个阶段是指“运用人工智能为了满足生存需要而工作（生理性需要）→运用人工智能为了自身愉快而工作（心理性需要）→运用人工智能为了奉献社会而工作（社会性需要）”，越是靠后，价值提供对象的范围越广，创造力越开放。
这个架构的目标是：在2020年以前达成5%的同事转变成人工智能，在能动性与开放性两个方面实现创造人工智能的创造力的最高形态——“创造人工智能奉献社会”。
在发展人工智能方面，人类应该消极应对，还是应该积极应对？结论当然是应该积极应对。我来介绍两个有代表性的主题活动吧。
消极应对人工智能即为反乌托邦，积极应对即为乌托邦
2013年举办了一场名为“未来的婚姻——Marry Me！2050”的主题活动。这是以科技取得巨大进步的2050年的婚姻为题材，创作批判性设计作品的活动。在这个活动上有学生展示了“到2050年，通过大数据与DNA分析在一个人出生的瞬间便可决定其结婚对象”的世界观构想的设计作品。
第二个要讲的是，为世界知名的设计咨询公司IDEO创始人汤姆·凯利（Tom Kelley）《创新的艺术》一书出版而举办的主题活动。在主题演讲中，凯利讲到：“虽然日本被认为是世界上最富有创造力的国家，但日本人自己并不这样认为。”为了将书中提到的思维方法落实到实践，活动邀请了数位日本演讲嘉宾登台，其中有一位嘉宾分享了自己的案例，他虽然对于自己的外形没有自信，却通过积极主动地应用社交媒体、游戏等新技术找到了结婚对象。
从这两个主题活动中可以看到哪些世界观差距呢？两者的差距在于我们对以人工智能为首的新技术是被动应用，还是主动应用。正如读者从此类事例中感受到的那样，被动世界让我们联想到反乌托邦（黑暗世界），而能动世界会让我们联想到乌托邦（理想世界）。我们人类和人工智能做同事的最初灵感不正是“能否应用人工智能积极地创造附加值”这一点吗？
人工智能擅长解决被给予的问题，但却不能主动发掘具有解决价值的问题。发现问题正是我们人类的工作。处于开放性创造第三阶段的“奉献”能力正是一种提取“对别人起何种作用”的能力。换成思考社会问题的话就比较好理解了，人类的认知力才是最强的物联网、传感器、发现市场需求的装置。
在提供服务的形态中，也有发挥人类能力的关键点。因为服务可分为如下两种：需要人与人交流提供的服务，以及需要人工智能协助提供最佳选择的服务。
人工智能与人类协作创造附加价值的价值链主要有三阶段：①价值认知，即由于人类自身存在的思维局限性而产生的人工智能的开放性创造力如何发挥；②价值计算，即发挥人工智能能动性创造力而产生的成本与产出；③如何同时发挥开放性创造力与能动性创造力所形成的合作价值问题。有了能动性创造力后还要通过与开放性创造力共同创造附加值，因此，开放性创造力是尤为重要的。
从奇点到多奇点
今后，通过发挥能动性与开放性创造力将创造出各种各样的人工智能同事。那么，人工智能同事的能力何时会赶超人类呢？
其答案就在我们的身边。各位读者，你们认为人类同事的能力可以按照单一标准按顺序排列吗？很可能你想到了你的两个同事，“相比A同事而言B同事可以把这个工作处理得更好，因为那个工作是B同事所擅长的领域”。难道不是这样的情况吗？或者，让指定的同事与另外的同事相互评价。应该不会出现相同的评价吧。
人类的能力是基于相对价值观的，不能以单一价值观衡量。当把人工智能作为同事看待时也是如此。若没有评价标准、价值观前提，也就无法回答“人工智能的能力是否会超越人类”这样的问题了。
在“人工智能超越人类”这样的语境中一定会登场的关键词是“奇点”（singularity=single+larity）。技术特异点，这个词汇在人工智能语境中是作为“人工智能超越人类智力的奇点”的意思被使用，多用于“某时间点人工智能全方位超越人类能力”的语境中。
但是，如上所述，无法用单一标准、价值观来衡量人类的能力。瑞可利人工智能研究所（Recruit Institute of Technology, RIT）顾问、美国卡耐基梅隆大学教授汤姆·米切尔提出了表示奇点为复数存在的词汇“multilarity”。因为奇点一词的前提是（multilarity=multi+larity）立足于人工智能的智力可以用单一的、绝对的尺度来衡量，因而可以用一件具体的事，或者用某一个特殊时刻来定义“人工智能超越人类智力”这件事。但与人类能力一样，人工智能也是无法用单一、绝对尺度来衡量的相对事物。在这种前提下，人工智能超越人类的事物就变成了复数存在。米切尔教授提出“multilarity”，隐含了对于用“非黑即白的思路”来处理人类与人工智能关系的担忧。
正如人类有多样性一样，人工智能同事也存在着多样性。并且，人类正是凭借能动性创造力与开放性创造力创造出了这一多样性。创造力的多样性孕育出人工智能同事的多样性，成为创造多姿多彩社会的源泉。
石山洸
与人工智能愉快共处能提高人类的工作效率
石山洸 瑞可利技术研究所推进室室长
本文将基于人工智能实际运用于商业的例子，分析在哪个领域中导入人工智能可以使导入效果最大化。除了对“和人工智能做同事”时代的展望，深入了解现有应用案例也是非常重要的。首先，我要在这里说明一下原因。
在现实案例中确认人工智能的导入效果是极为重要的
想必有很多人看过关于“以人工智能为核心的技术抢走了人类的饭碗”这种类似的新闻。但实际上，极少有人理解人工智能是怎样“抢饭碗”的。为了验证这一点，在2016年10月举办的“HR Summit”论坛上，笔者在其中一个环节——“由于最新的脑科学、人工智能、信息技术的进步，人力资源将如何变化？”演讲时做了一个测试。对参加该活动的约200名人力资源工作从业者进行了举手式提问。
第一个问题是：“有没有看到过人工智能抢走人类饭碗的相关新闻？”100%的人都举手了。接下来的问题是：“有没有人看过有关牛津大学人工智能专家迈克尔·A.奥斯本调查报告[5]的新闻？”不愧是人力资源工作从业者，几乎有一半的人举手。紧接着，当问起“有没有人读过该调查报告”时，举手人数骤减到一成以下。最后，当问到“是否理解该报告中提到的‘高斯过程分类’（Gaussian Process Classifier）”时，终于没有人举手了。
这个测试并非是严谨的，仅是为了大体把握人们是否在用思维定势看待“人工智能抢走饭碗”问题。就技术与雇佣问题，之前提到的汤姆·米切尔教授指出：
瑞可利技术研究所CEO哈勒维（Alon Halevy）指出以下几点：
米切尔与哈勒维看法的共同点是并非始终按照思维定势讨论，而是强调从具体事例出发确认具体效果方法的重要性。下面将分析已经成功导入的人工智能现实应用案例。
解决数据科学家人才不足的问题
大数据应用于商业的速度在加快，预计在不远的将来就会出现数据科学家人手不足的情况。2011年5月，美国麦肯锡咨询公司发表《大数据是革新、竞争和生产力的下一个前沿》（Big Data:The Next Frontier for Innovation, Competition, and Productivity）的报告，计算了截至2018年，美国将有14万—19万人具备高水平分析能力，可以用大规模数据组作决策的经理或者分析师将会出现150万的缺口。数据科学家可以算是一种期待通过人工智能导入来提高生产力的职业。
美国DataRobot公司是研究开发这一领域的企业之一，该公司的部分数据业务通过人工智能软件“DataRobot”提供。一旦使用这一软件，以前数据科学家所承担的工作就会变得像使用Excel一样简单。把Excel的数据拖放到DataRobot，并选择想要预测的项目之后，只要按下预测按钮就可以生成预测结果。即便是没有数据分析知识的人，也可以熟练掌握数据科学家的工作。
这一事例印证了哈勒维所说的工作与职业种类的关系。在某一职业种类所必须的10个工作之中，如果有8个可以被人工智能所替代的话，人们为了从事这一业种就需要具备与剩余两个工作相关的技能。这样想来，人工智能替代工作并非单纯抢走了饭碗，反而可以理解为增加了就业和培训的针对性。
瑞可利集团已于2015年11月向DataRobot公司购买预测服务，2016年9月底前试着把上述软件导入瑞可利集团各公司，结果建立了4855个预测模型。其中，约有80%是由非数据科学家的普通员工在日常工作的间隙建立的。
据分析，当把开发预测模型的工作委托给外部企业时，每一个模型的报价在300万日元左右，4855个模型的估价约为145亿日元。仅凭导入DataRobot就可以创造如此价值，可以说在这一试验中人工智能的生产力是非常巨大的。
通过运用该软件，数据科学家的工作方法也发生了巨大变化。以前，数据整理、预测模型的选择、参数调整所需要的时间占了总工作时间的80%，用于解决新问题的公式化过程仅占了总时间的20%。而通过运用DataRobot，前者的工作占比可以削减至20%，后者即创造价值的工作用时变为80%，在一定时间内可建立模型的数量也提升了5倍。其结果是，可以争取更多时间与各个部门探讨、寻找新课题。
分析此事例可知，导入DataRobot可以达到以下效果：①解决了数据科学家供给不足的问题；②即便不是数据科学家也可以进行数据分析工作，从而增加了就业机会；③提高数据科学家与非数据科学家两者的生产力；④对于数据科学家而言，有更多的时间用于创造新价值；⑤数据科学家与公司内各部门及客户的互动增加。以上是人工智能所带来的五个积极因素。
导入任何人皆可开发人工智能的基础设施尤为重要
读者请看前一篇文章中的图1（第18页），来判断数据科学家的这一案例处于图1中的什么位置。在纵轴（能动性创造力）中，由于所有工作人员都从事人工智能的开发，可以定位在第三个阶段——“创造”。横轴（开放性创造力）中，从数据科学家与公司其他部门和客户交流来看，也应该定位于第三阶段——“社会性需要”。也就是说，这个案例已经达到了图1的最右上方区域。
如此看来，营造环境得以让不是专家的人们也能够开发人工智能是非常重要的。并且，为了确立日本在第四次工业革命中的竞争优势地位，我们也应该这样做。举例来说，我们可以试着假设有两家公司。A公司拥有20个人工智能研究人员，每年运营100个项目。B公司只有两个人工智能研究人员，但公司给即便没有编程与数据分析能力的员工也配备了可从事人工智能开发的基础设施。假设B公司有500个员工的话，由于所有员工都可以开发人工智能，按每人每年10个来算，一年总计可以运营5000个项目。
此时，A公司与B公司竞争，谁会取得胜利？答案很明显，当然是B公司。原因有两点：首先，因为B公司把人工智能加速引进工作现场，数据支持着B公司的人工智能在竞争中处于优势地位，并在可获取数据的工作现场实现PDCA（计划、执行、检查、处理）的高速循环，这成为B公司取胜的关键。原因之二，是因为产出的项目数多。二者的项目数差距有50倍之多。即使人工智能专家数量少，若能够完善基础设施的话，所有员工都可以参与人工智能开发。
人们可能会认为，欧美的人工智能技术领军企业一定拥有很多的专家，但令人意外的是，很多企业都采取B公司的做法。例如，谷歌公司提供人工智能最新技术——TensorFlow[6]的开放源代码，让任何人都可以很容易地使用“深度学习”功能。这是在该公司完善基础设施的过程中应运而生的。
若进一步梳理，人工智能开发项目可以分为三个阶段。第一阶段是“专家化”，这是一种采用多数人工智能专家的状态。第二阶段是“组织化”，这是一种类似于以“大数据部门”为主体组织架构的项目运营状态。第三阶段是“民主化”，这是一种通过应用基础设施让全体员工都能够参与人工智能开发的状态。积极投身数据分析与人工智能的日本企业大体被定位于第二阶段。考虑到今后的竞争战略以及要想实现第四次工业革命就必须向第三阶段迈进。
用人工智能验证认知障碍疗法的效果
接下来，我要介绍医疗护理领域的人工智能应用案例。在少子化、高龄化的日本，医疗护理人才的不足以及高离职率已经成为亟待解决的问题，这一领域迫切需要人工智能的导入。
现在，为人们所关注的认知障碍治疗手段之一是源自法国的Humanitude疗法[7]。这是一种将伊夫·金纳斯特（Yves Gineste）与罗塞特·马雷斯科蒂（Rosette Marescotti）共同开发的护理哲学与实践技术相结合，而形成的新的认知障碍治疗手段，已经开始在德国、加拿大、美国以及日本推广。
虽然这是一种拥有30多年历史的治疗手段，但仍存在质疑声：“Humanitude疗法是否真的会对认知障碍起作用？”这一质疑阻碍了该治疗手段的普及。在这种背景下，人工智能研究人员开始行动了。在静冈大学的竹林洋一研究室，科研人员利用NIRS（近红外成像技术，包含评估大脑功能的成像装置等）拍摄了患者接受Humanitude治疗过程的视频，并对视频做了分析。具体做法是，在拍摄的视频中加上是否有Humanitude疗法的标签，把带有标签的患者的状态转化做成大数据。并运用人工智能技术，对大数据进行分析，成功验证了在治疗进行时大脑是否会有活性变化。研究结果证明，Humanitude疗法对于认知障碍是有疗效的。
在此基础上，京都大学的中泽笃志研究室，开始了对自动化分析的应用研究。凭借该研究，一旦把治疗过程的视频发送给人工智能，就可以用红色文字显示改善方法建议。此举不仅仅提升了治疗的效果，同时也减轻了医护人员的负担，预期可降低医护人员的离职率。
上述研究的意义主要有以下几点：①缓解了医护人员供不应求的问题；②科学检验了Humanitude疗法的有效性；③提升了医护人员提供医疗护理服务的质量；④提升了医护人员的劳动生产率；⑤人类与人工智能携手解决了仅凭人工智能所无法解决的问题。以上五点积极要素是导入人工智能所带来的结果。
若把这一案例套用在图1的构想图框架中，由于医护人员使用了人工智能研究人员开发的系统，从而提升了医疗服务质量。根据这一点，纵轴（能动性创造力）可以定位于第二阶段——“使用”。同时，人工智能研究人员提出了医疗护理领域的课题并解决了问题，就这点而言，横轴（开放性创造力）可以定位于第三阶段——“社会性需要”。
数据科学家与医护人员，是以人工智能应用为目的的基础设施“创造者”和“使用者”，使两个角色都很好地发挥了作用。在数据科学家案例中，DataRobot公司开发了基础设施，非数据科学家通过使用这一基础设施实现了生产力质的飞跃。在医疗护理案例当中，静冈大学从事与完善基础设施相关的开发研究，通过科学验证认知障碍护理疗法，为新疗法以及未来远程疗法的普及贡献了力量。像这种基础设施“创造者”和“使用者”角色能很好发挥作用的场景，可以引导人工智能走向成功。为此，人工智能研究者不要独占技术，而是要一边灵活选择有偿使用与无偿使用两个选项，一边开放作为社会基础设施的技术，这一点也是相当重要的。通过这样的努力，可以扩大人工智能在GDP中所占的份额，并能够调节因为应用人工智能而产生的收入差距。
人工智能提供从人才录用到职位分配的人力资源工作支持
接下来，将分析白领工作的代表——人力资源工作。人力资源工作大体分为外部人力资源与内部人力资源两类。
构成外部人力资源基础的数据有两个——求职者的简历、企业招聘的岗位说明。这两个数据有相同的特点，即这些数据都是非结构化的“自然语言”。对于计算机与人工智能而言，明确区分“输入项目”与“被输入值”对应关系的数据是比较容易处理的。另一方面，用自然语言写的数据很难判断在什么地方输入了哪个项目的数据。人工智能为了理解简历以及岗位说明的内容，需要分析非结构化自然语言数据。
为了解决这一点需要使用“自然语言处理”技术。如果进行自然语言处理，可以确保人工智能理解的简历、岗位说明内容具有一定的正确率。由于自然语言处理技术的水平不同，所读取的精度会存在一定的差距，如何实现高精度成为关键。
一旦完成自然语言处理，人工智能便可以理解简历以及岗位说明中的内容特征，这些被称为“特征量”。运用这些特征量可以计算简历与岗位的匹配程度。如果有数据可以说明过去有何种简历的人才，从事了何种岗位要求的工作的话，计算简历与岗位说明的匹配度也就变得容易了。换言之，人工智能可以学习过去的匹配数据。
如果可以按照以上的流程开发人工智能，资料筛选以及简历审查等以往需要人工操作的工作便可以被人工智能替代。这样一来，人们可以把更多时间花在制定人力资源战略等具有更高附加值的工作上面，进而大幅提高外部人力资源的劳动生产率。
接下来要讲的是内部人力资源。外部人力资源当中提到了拥有何种简历的人才从事了何种岗位的工作这一点。录用信号只是表示匹配度的数据之一，录用按照“在线检索→应聘→面试→录用→入职”的流程，对于越靠后的流程，评价匹配性数据就越重要。如果人工智能可以学习被录用一年以后的就职者为企业创造的业绩以及就职者工作积极性的数据的话，匹配的精度会变得更高。由于后者的数据是就职之后的，故属于内部人力资源数据范畴。
美国启动了“人力资源科技”（HR—TECH）的新举措
在人工智能开发领域，需要考虑把内部人力资源数据应用到外部人力资源当中，或者把外部人力资源与内部人力资源联系起来的应用场景。例如，像上述案例那样把内部数据应用到外部数据当中，可以预测将来会有一番作为的入职者，从而在录用职员时更关注这些特征。也就是说，内部人力资源的工作关乎于外部人力资源生产力的提高。
由于可以预测怎样的人才可以在怎样的领域有一番作为，这一技术也可以应用于员工的部门分配当中。进而，不仅局限于预测，通过让人工智能学习“员工培训、管理情况”与“员工成长记录表”的对应数据，可以让它来推荐怎样的员工适合怎样的培训和管理。
近年来，在美国的人力资源工作中，启动了“人力资源科技”（HR—TECH）、“人力资源分析”（People Analytics）的新举措，具体的如分析员工的邮件、计划表等大数据，用传感设备追踪员工的实时交流数据，运用可穿戴设备对员工进行健康管理分析等。人们期待通过人工智能综合分析这些数据，以提高岗位分配精度，进而提高管理精度。
人工智能与很多企业的人力资源部门的全新尝试——健康管理的联系也是很密切的。举一个具体例子，介绍一个智能手机应用程序——“我的抑郁日记”。这是一款通过让抑郁症患者记录日常生活进而实现身体状况管理的应用程序，这对于帮助员工从停职休假状态回归工作状态有一定的帮助。此应用程序使用了《丈夫得了抑郁症》原著作者细川貂貂设计的图标，由瑞可利公司开发的。
当帮助抑郁症员工从停职状态回归到工作状态时，职业健康医生会与该员工进行30分钟左右的面谈。但在短短30分钟内，仅凭听取其近况很难作出判断。由于身体状况并不稳定，面谈结果有可能受当天的身体状况影响。
通过使用“我的抑郁日记”，职业健康医生可以提前了解员工日常生活的数据，并且还可以根据有深度学习功能的软件预测员工的康复状况。
在日本自治体的区域振兴中同样应用了人工智能
下面的案例是关于日本自治体[8]在区域振兴中如何应用人工智能。在这个案例中，富有“开放性创造力”的日本自治体引导人工智能走向成功。
长野县小布施镇于2016年12月举办了题为“社交网站与人工智能的进步将如何改变区域间交流”的专题讨论会，包括镇长在内的很多镇民参加了讨论会。其间，大家讨论了在该镇支柱产业——农业领域应用人工智能筛选板栗的想法。
板栗的筛选一年只进行一次，因此，即便是做了10年农活的人也只有10次经验。实际上板栗筛选在板栗栽培、收获中对于技术能力的要求是最高的。如果人工智能可以支援这一工作，从事农业的人才数量将会增加。这样一来，该镇的农田利用率会得到提高，板栗产量也会随之增加，品质也会得到提升，进而可以期待板栗价格的提高。通过在板栗的筛选作业中导入人工智能可以取得多种成效。
为什么在小布施镇，仅仅用一天的时间就可以进行如此有意义的讨论呢？小布施镇是一个出了名的可以让游客尽情休闲娱乐的镇子，这里的文化是“在娱乐的间隙工作”。有镇民谈到：“如果只是漫无目的的娱乐，也仅仅停留在娱乐的阶段。但如果认真考虑娱乐的意义的话，娱乐也可以变成工作。”这也正是“开放性创造力”能扎根于该镇文化的基础。每个区域都具有底蕴深厚的创造力，若能以此为动力并在此基础上导入人工智能，区域振兴的前景将一片光明。
在区域振兴中该如何使用人工智能，正是我们所面临的课题。2016年9月，斯坦福大学公布了《人工智能百年研究》报告。如题所示，这是一篇斯坦福大学在召集各个研究机构的学者，对人工智能长期以来给人类带来的各种影响梳理后撰写的报告。该报告开头的概述部分对于人工智能的定义是：“人工智能是基于设想人类如何使用神经系统，如何通过身体感受，如何推理，如何行动（但处理机制本身不同）的计算机科学技术的集合。”这就意味着只要是能从人类获得灵感的科学、技术，都可以被称为人工智能，这是一个相当广义的定义。相比拘泥于人工智能的狭义定义而言，这个定义是一个放眼社会中实际应用情况的实用型定义。在区域振兴中，需要这种实用主义人工智能解释以及大胆的想法。
至此，我们已经分析了在数据科学、医疗护理、区域振兴、人事领域与人工智能同事协同工作的场景。正如前文所提到的那样，正是“能动性创造力”与“开放性创造力”推动了与人工智能同事共事向前发展。希望各位读者在自己的职场中发挥这两个创造力，尽情享受与人工智能携手工作的乐趣。