下载掌阅APP，畅读海量书库
立即打开
“深度患者（Deep Patient）”并不知道被击中头部人类会感到头晕，不知道糖尿病患者不应该一口气吃5磅
的三角巧克力，它甚至也不知道手臂和手腕的骨头是相连的。它唯一知道的就是2015年纽约西奈山伊坎医学院的研究人员给它输入的医疗记录：整整70万份令人头大和无从下手的患者病历。然而，“深度患者”在分析了这些数据之间的关系后，不仅能够判断出个别患者罹患特定疾病的概率，而且在某些情况下它做出的判断比人类医生的诊断更准确，甚至能对一些迄今为止人类医生完全无法预测的疾病做出准确判断。
1
你问医生为什么“深度患者”建议你开始服用降脂药，或者进行预防性手术，医生或许回答不上来，但这并不是因为医生不够聪明或者不够专业。“深度患者”运用的是一种叫深度学习（本身就是一种机器学习方法）的人工智能，它能在对数据背后的意义一无所知的情况下，发现数据之间的关系。它构建了一个由信息节点构成的网络，每个信息节点的权重决定了它所连接的点被“激活”的可能性，而这反过来又会影响它们所连接的点，就像大脑中神经元被激活的方式一样。打个比方，为了理解为什么“深度患者”预测一个特定病人有72%的概率会发展成精神分裂症患者，医生就必须消化吸收数以百万计的信息节点以及它们之间的每个连接和权重。然而信息量太大，而且它们之间的关系太过复杂。作为患者，你当然可以拒绝“深度患者”给出的概率结论，但这样做是有风险的。从现实情况看，我们使用的“黑盒”诊断系统虽然无法解释它给出的预测，但在某些情况下它的确比人类医生更准确。
这就是我们将要迎接的未来，而且不仅仅是在医学这一个领域。你手机的导航系统、输入法的联想功能、语言翻译、音乐推荐等等，都已经依靠机器学习得以实现了。
这种计算形式在越来越先进的同时，也变得愈发神秘。例如，如果你从围棋所有可能的走法中减去国际象棋可能的走法步数，剩下的数仍然比宇宙中所有原子的个数多出许多倍。 2 然而，谷歌公司研发的基于人工智能的阿尔法围棋（AlphaGo）经常能击败顶尖的人类棋手，即便除掌握有记录的13万场棋局中的6000万种下法的数据外它对围棋一无所知。如果你试图通过检查阿尔法围棋的内部状态找到它下出特定一步棋的原因，那么你可能只会看到一组数据之间难以言喻的复杂加权关系。也许，阿尔法围棋也无法用人类可以理解的方式解释它为什么下了某一步棋。
对阿尔法围棋的下棋方式，一些评论者表示无法用语言去描述和解释。围棋大师樊麾说：“这不是人类的下法。我从未见过有人这样下棋。”他接着轻轻说道：“下得真是漂亮！漂亮！漂亮！漂亮！” 3
深度学习的算法之所以有效，是因为它比任何人都能更好地捕捉宇宙的复杂性、流动性，甚至是美。在这个宇宙中，所有事物都在时刻影响着彼此。
正如我们将会看到的那样，机器学习只是帮助我们面对错综复杂的日常世界的众多工具和认知策略中的一种。但获得这个认知上的好处是要付出代价的，那就是我们必须放弃我们始终坚持的对这个世界的理解，以及对这个世界所发生的事情的缘由的一贯认知。
长期以来，人类一直认为，如果能够理解事件发生的永恒定律，我们就能够完美地预测、规划和管理未来。我们如果知道天气如何变化，天气预报就能告诉我们是否要带雨伞去上班。如果知道是什么让用户选择点击脸书上的这个推送而不是另一个，我们就可以设计出完美的宣传广告。如果知道流行病是如何发生的，我们就可以防止其蔓延。因此，我们的职责就是通过发现支配世界的规律和模式来理解事件是如何发生的。
考虑到我们的知识并非总是尽善尽美，上述假设其实已经建立在一个更深层的假设之上。我们与宇宙不言自明的约定是：只要我们足够努力，足够清晰地思考，宇宙就会揭示自身的秘密，因为宇宙是可知的。它至少在一定程度上是可以被我们的意志征服的。
但现在，我们的新工具，特别是机器学习和互联网 4 ，让我们深切地感受到我们周围数据和信息量的庞大。我们开始接受这样一个事实，即这个世界真正的复杂性远远超过我们用来解释它的定律和模型。我们容量巨大的新机器比我们更容易理解这一点，然而作为机器，从根本上说它们并不真正理解任何东西。
反过来这又挑战了另一个假设，即我们认定的一个更低等级的假设：宇宙对我们来说是可知的，因为人类（我们假设）是唯一能够认识宇宙规律的生物。至少从古希伯来人开始，我们就认为自己是上帝创造的独一无二的生物，有能力接受他给我们的对真理的启示。自古希腊时代起，我们就把自己定义为能够看到世界的混乱表象之下的逻辑和秩序的理性动物。我们最基本的认知策略正是基于我们和世界之间的这种特殊关系。
想要改变如此根深蒂固的自我认知无疑是痛苦的。被信息过载压得喘不过气来，紧张地等待我们的商业、政府或文化被再一次颠覆，这些只是一种对更深层次的弊病的局部痛苦：我们感觉到自己并没有像想象中那样很好地适应我们的宇宙——有时我们甚至会用机器人帝国崛起的笑话来表达这种不安。进化决定了我们头脑的首要功能是谋求生存，追求真理只能退居其次。我们声称的人类的与众不同之处——情感、直觉、创造力，更像是一种固执的自我安慰，甚至显得我们有点儿着急。
我们应该去拥抱这种切实发生的幻灭，因为否定无法改变既定事实。我们认识和管理未来的能力正处于巨大飞跃的开端：我们一度想把我们的世界缩小到我们可以预测、控制和感到舒适的规模，而现在我们正在构建将世界的复杂性全盘考虑在内的全新认知策略。
我们之所以迈出这一步，是因为这些策略已经使我们更加高效，让我们能接触到更多的人和想法，并使我们更具创造力，更加快乐。它已经重新诠释了许多我们在商业和个人生活中最根本的认知方式和最习以为常的做法，并且正在渗透到我们文化的每个角落之中。
这些迹象无处不在，但在许多情况下，它们隐藏在实践和看起来已经稀松平常的观念之中。在机器学习引起人们的关注之前，互联网已经让我们慢慢习惯了这些变化……
当奥巴马第一次总统竞选团队在其网站上试验两种注册按钮时，他们发现，命名为“了解更多”的按钮获得的点击量远远超出“现在加入我们”或“立即注册”按钮。
另一项测试显示，奥巴马一家的黑白照片的点击量竟然意外地远远高于该网站一直使用的彩色照片。
随后，当竞选团队把“了解更多”的按钮与黑白照片放在一起时，注册人数增加了40%。
综合起来看，竞选团队估计，在其通过电子邮件触达的1300万人中，近1/3的人和约7500万美元的捐赠因这种A/B测试的优化而获得。在这种测试中，网站对不知情的随机用户试用不同版本的广告或内容，然后根据测试结果来决定为其余用户提供哪个版本。 5
让竞选团队更惊讶的是，一段候选人在集会上鼓动群众的视频，其点击量远远低于单纯的文本信息。考虑到候选人的演说才能，有什么能解释这种反常的差异呢？竞选团队不知道，他们也无须知道。即便不知晓原因，实证数据也会告诉他们应该把哪些内容发布到竞选网站上。从结果看，奥巴马获得了更高的点击量，更多的捐款，也许还有更多的投票。
A/B测试已成为一种常见的做法。你在谷歌搜索页面上获得的结果是A/B测试的结果。 6 网飞官网电影的排序是A/B测试的结果。甚至《纽约时报》使用的某些新闻标题也是A/B测试的结果。 7 2014年至2016年，微软必应搜索网站的软件工程师进行了21200次A/B测试，其中1/3直接导致了服务的变更。 8
A/B测试非常有效，而且这种有效性并不基于任何对结论的解释性假设，同时，测试本身也不会给出任何这种假设。例如，在亚马逊的一些广告里，为什么年轻女子微笑的形象在左边而不是在右边时会产生更多的销量？我们可以编一个理论出来，但我们最好还是在制作下一个广告时对模特的位置再次进行A/B测试。黑白照片对奥巴马有效，并不意味着他的竞选对手约翰·麦凯恩就应该放弃自己的彩色照片。使用蓝色背景而不是绿色背景对亚马逊的户外烤肉架销售有帮助，但我们没有理由因此就认为它对室内烤肉架或烧烤食谱也会起作用。
实际上，影响人们偏好的因素完全有可能是难以察觉且变化无常的。也许50岁以上的男性更喜欢模特广告在页面左侧，但前提是这个广告的页面标题很有趣。底特律的女性更喜欢模特广告在页面右侧，前提是持续阴了两天，灿烂的阳光刚刚透过窗户照进来。有些人喜欢黑白照片，前提是他们刚看过高对比度的视频。有些人更喜欢彩色照片，就因为他们最喜欢的棒球队刚刚输掉一场比赛。针对影响人们偏好的因素，我们也许能从这些个性中总结出一些共性，也许不能。我们不知道，影响结果的因素可能和世界本身一样纷繁复杂。
我们从小就相信，世界的真相和本质可以用一些永恒不变的定律来表达。学习这些定律，你就能做出预测。发现新的定律，你就能预测更多事情。如果有人想知道你是如何做出一个预测的，那么你可以把定律和输入的数据告诉他。但是在A/B测试中，我们通常没有任何的心理框架去解释为什么一个广告版本比另一个的效果更好。
想想抛沙滩球，你会期望球在你抛出去的大致方向上划出一个弧线，因为我们基于物理的认知模型考虑到了重力和动量。但就算球朝别的方向飞去，你也不会不相信物理了。你会默认自己没有考虑某些因素，也许刮了一阵风，也许你抛球的手滑了一下。
这正是我们的A/B测试不涉及的部分。我们不需要知道为什么黑白照片和“了解更多”的标签能增加竞选捐款。而且，即使我们从民主党的广告中吸取的经验对共和党对手无效——它们很可能是无效的，那也没关系，我们只需要再进行一次成本很低的A/B测试就可以了。
A/B测试只是一个例子，它含蓄地向我们表明，原理、定律和普遍原则并不像我们想象的那么重要。也许——也许——所谓原理恰恰是我们在无法处理现实的细微之处时拿来做简化的工具。
* * *
我们刚刚看了两种完全不同的计算机技术：一种是编程技术（机器学习）；另一种是能让我们遇到他人，倾听他们的表达，感受他们创造力的全球村（互联网）。当然，这些技术通常是相互交织的：机器学习通过互联网大规模地搜集信息，同时越来越多的基于互联网的服务需要应用机器学习，进而反哺机器学习。
这两种技术至少有3点共同之处：规模庞大，互通性，复杂性。这些共同点使我们了解了世界的运转方式。
它们的庞大（规模）并不是我们在参观世界上最大的麻线球或者想象世界上所有的土豆都堆在一起时的那种大。机器学习和互联网规模庞大的特性在于，它们是细致入微的。这两种技术都依赖于精细化和独特性蓬勃发展，而不是通过概括或压制“边缘”信息和想法来忽略细节。
这两种技术的互通性意味着它们包含的点点滴滴的信息都是相互影响的，而无须考虑物理距离造成的障碍。互通性对这两种技术都是至关重要的：一次只能将一个部件连接到另一个部件的网络不是互联网，而是过时的电话系统。新技术的互通性是庞大的、多路径的、零距离的且必不可少的。
机器学习和互联网的庞大规模和互通性导致了它们的复杂性。大量碎片化信息之间的联系有时会导致一连串事件的发生，这些事件的结局会与它们的初始目标相去甚远。微小的差异会导致这些系统产生意想不到的变化。
我们并不是因为这些技术规模庞大、互通且复杂才使用它们的，我们使用它们是因为它们有效。我们使用这些技术取得的成功向我们展示出，世界远比我们想象的更复杂、更混乱，而这反过来又鼓励我们探索新的方法及认知策略，挑战我们对“理解”及“解释”本质和重要性的假设，并最终引导我们对因果性产生新的认知。
几千年来，我们对因果性有很多看法。古希腊的观点认为，事物自然而然会努力发展成它们现在的样子，而更现代的观点认为，事件都是由机器般冷酷无情的因果关系操控的。纵观人类文明史，无论是哪个时期，我们似乎都普遍接受了关于因果性的4种假设——这些假设现在正受到挑战。
一家公司几乎想象不到比这更糟的噩梦：航空公司在其安全须知上增加了一条提示，提醒人们在飞机上关闭该公司的产品，以免其在空中爆炸。
2016年，乘客就听到了关于三星Galaxy Note 7手机的安全警告。
在35部手机自燃后——最终数量为400部左右，三星召回了全部250万部手机，损失约50亿美元，公司市值减少了140亿美元。
三星称，问题出在锂离子电池上，并且这一缺陷影响的手机只占总销量的0.01%。 9
那为什么99.99%的手机没有自燃呢？我们有几种不同的答案。首先，也许最后自燃的几个在制造时出了问题，材料不合格，或者组装没做到位。其次，可能是一些极端情况导致手机自燃，比如用户坐在手机上导致手机承载的压力过大。再次，也许我们需要将这两种解释结合起来，一些人将少数质量不合格的设备置于极端环境。
不管选择哪种解释，我们都会坚持一个不言自明的基本原则：如果对同一类型的对象执行相同的操作没有得到相同的效果，那么要么实际上它们不是同类型的对象（自燃的手机与99.99%的手机不同），要么原因不同（自燃的手机在颠簸的环境中被挤压）。事件总是以某种有规律的方式发生着。
但是……
愈发明显的是，这些规律并不总是能成为我们应对世界复杂性的最有用的工具。A/B测试可能对每种情况的细微之处都非常敏感，但如果你想要运用自然规律做到这种程度，那么难度不亚于让你精确地找出一块刚好能把你的挡风玻璃砸出蛛网裂痕又不让其彻底裂开的碎石。如果还怀疑这一点，你就仔细想想，既然我们可以直接通过定律来确定A/B测试的结果，那么我们一开始直接用定律好了，也就不用做什么A/B测试了。我们不用搭建什么“深度患者”系统，让医生直接诊断就好了。我们也会知道哪些手机会自燃，因而它们就不会出现在行李中。而围棋大师们也不用再惊叹阿尔法围棋在面对复杂棋局时所下的一步棋是多么美妙了。
古埃及人知道，如果吃一些柳树皮，他们的疼痛就会减轻。古埃及人没有我们所谓的科学理论来解释为什么这样会起作用（虽然他们的医学实践在当时是先进的，但是这些实践都基于神、灵魂和身体通道堵塞这些传统观念），不过柳树皮的确有效。18世纪60年代，英国牧师爱德华·斯通重新发现了柳树皮的这种作用，但他同样不具备科学理论。1899年，拜耳公司根据柳树皮中的化学物质开始生产我们现在所知的阿司匹林，当时拜耳公司也没有受到科学理论的指导。直到20世纪70年代末，相关理论才问世，其发现者也因此获得1982年的诺贝尔奖。 10
虽然都缺乏理论指导，但是埃及人和拜耳公司还是有区别的：与埃及人不同，拜耳公司的化学家相信 存在 一种理论——一种由受规律制约的化学作用解释的因果关系，并且我们最终会发现它。
我们坚定不移地信奉这样的宗旨，即规律引发的变化不仅适用于所有类似的情况，而且人类可以了解这些规律。这使得我们成为宇宙中与众不同的存在。
但是……
机器学习比以往任何时候都更精确地做出了“深度患者”那样的重要预测，而我们可能永远无法理解这些预测。我们天真地以为，我们能够了解事件是如何发生的。但如今，这种信心正在被一点一点地侵蚀。
何塞菲娜·卡萨斯对BuzzFeed网站（美国新闻聚合网站）进行了调查，她建议，如果想让你的帖子产生病毒式传播，那么标题一定要有数字。知行合一的她，给这篇调查起的标题就是“5个让你的推特和脸书上的标题和BuzzFeed的一样棒和点击量超高的小技巧”。 11
她的帖子验证了因果论对我们做出的一个最基本的承诺：事件的发生遵循可知的规律，所以你只需要改变合适的条件就可以促使特定的事件发生。
但是……
一个和其他100万个视频没什么区别的视频在被发布到互联网上之后，出于我们可能永远无法理解的原因，它在全世界掀起了一股风潮，1700万人将一桶冰水浇在自己的头上，为一项慈善公益事业筹集了1亿美元。 12 其他数以千计的慈善机构受到启发，尝试着对该活动做一些调整，但没有起到任何作用。我们的推送充斥着各种不可复制的变量，它们就像A/B测试中哪个按钮将获得更多的点击量一样不可预测。
如果你每次做同样的事引发的行为都不一样，那么这背后还有什么规律可言？
如果你想提起一袋100磅重的土豆，你要花费的力气就是提起一袋50磅重的土豆的两倍。在一般的物理原则下，事情就是这样。
但是……
一颗小石子击中挡风玻璃就能把玻璃砸碎，一个雪球能引发雪崩，一段业余的视频可以像病毒一样传播开来，让数百万人走上街头。在这些情况下，一次巨大事件的引发仍然需要巨大的能量，但是如果系统规模足够庞大、足够复杂且互通性非常高，遍布于整个系统的微小变化就足以产生这种能量。
现在，我们大多数人将每天的大部分时间都花在这样一个系统上：互联网。而对深度学习系统那成千上万个微小变量，我们如果调整对了，就能预测出被我们称为人体的复杂系统里危及生命的心脏问题。
* * *
随着我们逐渐远离这4种假设，也许我们对事件因果的惯性理解终于开始朝着世界实际的运行方式靠拢了。对这种运行方式，科学家其实已经研究一段时间了。
你上车，开车去购物中心。在路上，你停下来让救护车先行通过。这是一次普普通通的日常驾驶。
布雷登·R.艾伦比和丹尼尔·萨瑞维茨在《科技人类状况》（The Techno-Human Condition）一书中希望我们意识到，一次看似再普通不过的驾驶，实际上有多么复杂。你的汽车就是他们所说的一级复杂系统，因为你可以打开引擎盖，弄清楚它是如何工作的。购物中心的存在归功于二级复杂性：在汽车出现之前，去购物中心很不方便，但是你不能仅仅通过检查一辆汽车就预测出购物中心的兴起。救护车只能作为三级系统的一部分来解释，三级系统的存在是因为多个系统的交叉存在：汽车、道路、交通法规、依赖于集中设施的医疗保健系统等等。如果只看到汽车引擎盖下面的东西，你就永远都预测不到救护车的出现。 13 艾伦比和萨瑞维茨提出这一点是为了劝阻我们不要再将一级系统的解决方案应用于三级系统的问题，例如气候变化。但他们也分析得出另一个结果，即我们周围的简单事件之所以看起来简单，是因为我们忽略了让它们成为可能的复杂系统。
然而，直到大约60年前，我们才得出一个直接解决复杂性问题的理论。如果我们愿意过度简化一下它的历史，那么我们可以将1972年该学科奠基人之一爱德华·洛伦兹的一次演讲，作为混沌理论进入公众视野的开始：“可预测性：巴西的一只蝴蝶扇动几下翅膀，居然在得克萨斯州引发了龙卷风？” 14 这种令人难以置信的想法，很容易让媒体把它报道成另一个“这帮疯子又想出了什么疯主意”的案例。
当然，混沌理论根本不是什么疯主意。事实上，在机器学习让我们不用总是理解数据之间的规律就能使用数据之前，在互联网让我们直接体验复杂系统有多么不可预测之前，混沌理论就为我们打破变化是如何发生的这一固有认知奠定了基础。
混沌理论并不疯狂，它只是看起来疯狂，因为它描述的是非线性系统——随着规模的扩大，这些系统的行为会完全不同。例如，如果想多拉点儿人参加原定人数为4人的晚餐聚会，你就不能只添几把椅子，再往菜里多加点儿料，因为那只是一个线性系统。在某个特定的时刻，你会意识到必须租一个大厅，找一个宴会承办人，与当地警察协调安排交通，并放弃让每个人都站起来做自我介绍的想法。这将是一个本质上完全不同的聚会。
天气是一个更典型的非线性系统。例如，温度的微小上升会影响气压和风速，这足以改变空气中的水蒸发和凝结的模式，从而导致飓风。当较小的影响对系统的行为产生巨大的影响时，你就得到了一个非线性系统。
混沌理论为我们提供了用于对高度复杂的非线性系统进行建模的数学工具，从而使我们能够严格分析一切，从巨石周围的水流，到气候变化，再到在《侏罗纪公园》里水珠在劳拉·邓恩手中流动的方向。 15 当然，这种新科学的解释通常超出了没有高等数学专业背景的人的理解，我也是其中一员。
混沌理论形成后不久，一种相关现象就成为其研究对象——复杂适应系统。公众对这类系统的理解，还要归功于蕾切尔·卡森1962年出版的畅销书《寂静的春天》，这本书让人们意识到错综复杂的生态系统（这是个1935年才被造出来的词语）的脆弱之处。 16 改变一个元素可能会对整个相互影响的系统产生戏剧性的影响，这种说法令人惊讶的程度，不亚于一只蝴蝶在理论上可以引发飓风，或者黄石国家公园重新引入狼群所引发的一系列改变，并最终改变了当地河流的流向。 17 如此复杂的系统可能会带来一些涌现效应，这些效应我们是无法仅仅通过观察其组成部分去理解的，就像无论怎样细致地解剖一个大脑，你都无法在其中找到一个想法、一种痛苦或一个人一样。
在过去的几十年里，混沌理论及复杂适应系统理论的科学领域之外的许多发展让我们明白，世界似乎并不像我们数百年来所想的那么容易理解。这些发展有许多发生在全球范围内：第二次世界大战动摇了我们对西方文化合理性的信念；哲学存在主义教导了一代人，其意义只是我们的发明；女权主义挑战了纯粹分析思维的崇高性，指出这种思维通常是男性维护权力的举动；所谓后现代哲学已经否认了我们不同的诠释背后存在一个单一的现实。行为经济学指出了我们的行为有多么不合理，比如，如果一个谎言被揭穿，它在我们的脑海中就会变得更牢固。
这些影响让我们开始质疑，我们对因果性的理解是否过于简单，是否受到了过去对历史权力结构的限制，我们是否过于天真地认为大脑是一种寻求真理的可靠工具。相反，我们开始发现，事件背后的因果关系如此复杂，如此难以理解，并且往往基于具体情况本身最细微的特性，以至为了理解它们，我们不得不把它们简化成比现象本身更简单的故事。
黑暗隧道的尽头出现一丝光亮。我们终于拥有了从庞大而混乱的细节中提取有价值信息的工具，我们拥有了可以让我们从理论中获取实际价值的工具。互联网的世界中充满了无数的复杂与混乱。人工智能以机器学习尤其是深度学习的形式，正让我们从过去被我们视为过于庞大、混乱和琐碎的数据中获益。
因此，现在，我们终于从混沌理论转向混沌实践——将这一理论那令人兴奋的想法应用于日常生活。
在本书的其余部分，我们将探讨为了应对世界的复杂性而产生的全新的认知策略。在这之前，我们先看一下当下各行各业的人士，在意识到表象秩序之下的混沌时所采取的实际做法。
在商业领域，我们将柔性生产作为最佳做法，因为它能帮助我们避免低估或高估根本无法预测的市场需求。我们钦佩地谈论那些能够完成关键转型或自我颠覆的公司。一些领先的公司正在推出最小化可行产品，这些产品只包含用户愿意为之付费的功能，这样公司就可以看到用户的真正需求。与传统的任务管理流程相比，公司通常依赖于敏捷开发流程，以更好地应对新想法及技术开发中的复杂的依赖关系。许多公司正在为随时可能摧毁企业根基的黑天鹅事件做着准备。 18
政府、非营利组织和其他公共机构，以及一些营利性公司，一直采用开放平台来提供数据和服务，而不去设想或限定用户使用这些数据和服务的方式。使用这些数据，独立开发人员可以创建这些机构从未想到的应用程序和服务。通过采用开放标准，用户可以聚合来自多个组织的数据，从而创建数据原始发布者无法预见的新发现和资源。
在科学领域，先进的统计分析工具可以超越假设和理论。机器学习和深度学习正在开辟全新的领域，用人类数都数不过来的变量和它们之间错综复杂的微妙关系来做各种预测。
在游戏这个使电影业的收入相形见绌的领域，用户通常可以创建自己的游戏模组（mod），实现全面改动（total conversion），从而以游戏商家难以想象的方式改造游戏。
在我们的个人生活中，从自由职业者 19 浪潮到零工经济时代，我们已经习惯了这样一种观念，即当代人不会像婴儿潮一代那样将一个职业干到老。
如果你知道的只是上文斜体的一些新概念，你就会认为，我们在过去20年里做的那些发明与革新都是为了避免去预测未来会发生什么。
你是正确的，这正是我们想做的事。
本书的目的是揭示一种隐藏于商业、个人生活和制度变化背后的底层逻辑的改变。
本书计划研究我们生活中某些特定领域发生这些变化前后的情况，尽管在大多数情况下，这些变化还没有完全结束。我们过去是如何探寻事件背后的机制和原因的？这方面的新变化对商业领袖、公民和全人类的好处（和挑战）是什么？
本书的结构在时间上是跳跃的。第一章和第二章介绍了我们进行预测的旧方法，然后介绍了基于人工智能的新方法，并对比探究了我们在认知上前后发生的变化。然而，人工智能并不是唯一改变我们对世界认知的技术。过去当我们面对未来时，我们往往依赖于对未来的预测。因此，在第三章，我们回顾了过去20年使用数字网络来摆脱这种依赖的各种方式。在第四章，我们会寻找到目前为止我们所讨论的所有变化的底层逻辑。第五章和第六章探讨了这一新的底层逻辑产生的两个深远影响：我们的顶层战略是如何随着底层认知逻辑的改变而改变的，以及这方面最新的进展。第七章思考了这一切在商业和实际用途之外的意义。
本书的独特之处在于，除了前言和最后一章，每一章都以一篇短文结尾，内容涉及这些变化是如何影响我们最基础的认知的——比如，我们如何思考道德的含义，或者我们如何在生活中界定正常与意外。我把这些简短的文章称为“尾声”，虽然音乐的尾声意味着一个乐章的结束，但我希望这些文章能打开新的篇章，让我们意识到这些变化在生活中可能会产生深远的影响。
一个全新的未来展现在眼前，这种感觉完美地契合了我们将要探索的主题。
尽管本书的作者不喜欢谈论自己，但是提供一点儿背景可能会对读者理解本书有帮助。当我还在大学主修哲学专业的时候（虽然从严格意义上讲，我主修意义——那是20世纪60年代），我就一直思索本书涉及的问题。在博士学习和许久前的6年哲学教授任教期间，我一直都在研究这些问题。我们的工具如何影响我们对世界的理解与体验，我们的体验和对世界的理解又是如何反过来影响我们的工具的？我们的日常体验教会了我们哪些我们的观念极力否认的东西？并且，最重要的是，我们在试图使世界变得可理解和可控制的过程中牺牲了什么？
在进入高科技行业后（起初我是一名营销作家，但最终成了营销副总裁兼战略营销顾问），我对这些问题的兴趣就更加浓厚了。20世纪80年代，我迷上了互联网，接着沉迷于早期的万维网，因为在我看来，它们打破了那些通过限制可能性来实现控制的各种体制和认知方式。这正是我写的关于互联网的4本书背后的主题，从第一本《线车宣言》（合著），到最近的一本《知识的边界》。自2004年起，我在哈佛大学伯克曼-克莱因互联网与社会中心担任研究员，现在是该中心的高级研究员。我也是哈佛大学肖伦斯坦中心的新闻研究员，同时是美国国务院富兰克林专家项目的研究员，并且是谷歌公司人类与人工智能系统交互方式研究项目（PAIR）的常驻作家。 20 此外，差不多有5年的时间，在我参与指导的哈佛大学图书馆创新实验室里，我以各种实用的方法来实践本书所阐述的一些核心思想。
我之所以写作本书，是因为我们正在经历一场关乎我们对自我及世界的认知的深刻变化。我们应该重新思考变化是如何发生的这一基本假设，以便我们的认知能“向前一步”。我们对现实有多少控制权？找到合适的变量仍然是改变局势最有效的方法吗？我们可以从技术创造出的成功和发展中学到什么？解释的作用是什么？什么带来了成功？对这些问题以及本书更多内容的思考将引导我们走上意想不到的道路。本书的最后，不会有一章列出一系列编了序号的成功法则。要是有该多好！相反，正如我们即将看到的，向前一步意味着我们必须接受全新技术向我们展示并让我们应用的复杂性和混沌。
通过这本书，我希望我们可以瞥见这场人类认知的变革，瞥见这场使一系列一度令人困惑的现象变得可以理解，甚至是稀松平常的革命。这是我们对世界认知的革命，而这自然也会决定，我们在眼前的现状中能看到怎样的未来。
这将改变一切。