1943年,当世界仍在战争的残酷节奏中运转时,美军资助建造了全球首台电子通用计算机ENIAC。今天这台"老电脑"已经82岁,但它带来的思考远未过时。ENIAC证明了电子计算可以以惊人的速度完成曾经只能靠人力的计算任务,也为后来的人工智能研究奠定了基础。然而,二战期间美军对优秀飞行员创造力的观察,促使学者们意识到仅靠逻辑和规则无法完全复制人类的创造性决策。对今天寻求通过AI重塑业务、提升竞争力的企业而言,这段历史提供了重要启示:AI战略需要同时尊重机器擅长的领域与人脑独有的思维方式,并在两者之间找到互补路径。 理解历史脉络有助于厘清当下的误区。
ENIAC代表着符号化、规则化的计算传统:把问题形式化为数学表达式和明确的逻辑步骤,靠高速计算来解决可预测的任务。随着时间推进,人工智能研究分为符号AI与以数据为驱动的统计学习两条主线。进入21世纪后,生成式AI崛起,使得计算机开始在文本、图像、声音等领域模仿创作行为;而神经符号(neurosymbolic)方法试图将两种传统融合,既保留逻辑推理的可解释性,又借助大规模模式识别的灵活性。这样的现代AI体系看似强大,但历史与实证研究提醒我们,机器并非万能,尤其在处理"突发性""异常信息"和需要即时主动性的情境时,人类的叙事性、行动导向思维仍占优势。 二战飞行员的故事提供了关键洞见。美军最初以为优秀飞行员之所以胜出是因为严格遵循训练手册和战术流程;但事实相反,越是按部就班的飞行员越容易被对手预测。
真正的王牌通过出人意表的行动、生动的即时判断与创造性的策略获得优势。这种"创造力"无法简单归结为统计上的常见模式或规则集合,它更像是对情境的叙事化理解 - - 把眼前信息串成动作序列、预测对手可能的连贯行为并采取出其不意的行动。心理学家后来提出的发散与汇聚思维模型为可编程的创造力提供了部分理论基础:发散思维负责生成大量非线性想法,汇聚思维负责从中筛选最可行的方案。生成式AI可以在发散阶段扮演重要角色,但在涉及"主动识别异常信息""迅速采取创造性行动"时,现有电子计算结构仍有明显短板。 对于企业决策者而言,关键是不要把AI视为能完全取代人类创造力的"黑箱"。相反,更现实也更有前瞻性的策略是设计人机协同的流程,使机器承担其擅长的模式发现、海量信息梳理与创意生成任务,而把需要情境感知、主动性与叙事推理的环节保留给人类团队。
这样的混合模式能充分发挥AI的速度与规模优势,同时保留人类在战略意图、价值判断和对突发"异常信息"做出创造性反应方面的不可替代性。 在组织实践层面,构建能够持久发挥"人为创造力 + 生成式AI"协同效能的AI战略,需关注若干要点。首先,招聘与培养应从单纯的技术能力扩展到叙事能力、跨域联想力与行动导向思维的培养。组织可以通过场景化训练、故事化复盘与角色扮演等方式强化员工识别异常信息与主动采取行动的能力。其次,工作流程设计要嵌入人机互补的决策回路:将AI用于快速生成选项、做初步筛选与风险提示,同时确保人类决策者对最终采取的行动负责,并在关键节点保留人工干预权。第三,衡量与激励机制需要调整,不再仅以模型准确率或产出数量为唯一指标,而要加入对创造性结果、意外情境应对效果与团队学习能力的评估。
第四,数据策略与模型治理必须强调可解释性与责任链,避免在缺乏情境理解的情况下让生成式系统独立驱动高风险决策。 落地这些原则可以采取具体方法。例如,在新产品创意阶段,企业可以先用生成式模型扩展可能的创意空间,生成大量概念与故事线;随后安排跨职能小组以叙事方式演绎每个创意的用户旅程,设想可能发生的异常场景并演练应对策略。通过这种"机器发散 - 人类叙事演绎 - 人机迭代"流程,既能保证创意的多样性,也能培养对情境变化的敏感性与主动应对能力。在客户服务或安全监控等需要即时响应的场景,AI可被设置为异常信息的预警器,而具体的处置则由训练有素的人员依据情境叙事快速决策,从而兼顾速度与判断质量。 文化层面的构建同样关键。
若组织文化过分依赖算法建议、将AI设为权威,员工会逐渐丧失主动性与创造性,这既会削弱团队在突发事件中的适应力,也会降低长期创新能力。企业应鼓励质疑AI输出、奖励基于情境创新的尝试,并定期开展复盘以把教训制度化。领导者在言行上要示范"人机互补"的价值观:在重大决策时公开展示如何将AI结果作为参考而非最终裁决,分享团队如何在对抗不确定性中借助叙事思维找到打破僵局的路径。 在技术方向上,同样需要多管齐下。短期内,关注改进人机接口与模型可解释性,提升AI在复杂场景下的提醒能力与生成多样性的同时,确保输出能被人类理解与检验。中长期则应关注跨学科研究,投资认知科学、神经科学与计算机工程的协同,探索更贴近生物大脑工作方式的计算架构,例如类脑(neuromorphic)硬件或能更好处理动作序列与叙事结构的模型。
这并不意味着放弃当前的深度学习或符号推理技术,而是将它们视作通向更强大认知系统的组成部分。 治理与伦理方面也不可忽视。生成式系统在扩展想象力时也可能放大偏见或生成误导性信息,若缺乏有效的监督机制,企业决策可能被错误方向牵引。建立跨部门的AI治理框架,确保模型在创造性输出中的合规性与可追溯性,是保护企业与客户利益的必要条件。此外,培训决策者识别"异常信息"与辨别模型创作与现实可行性差异的能力,也是治理的一部分。 从更广阔的视角看,当年美军的实践揭示了一个普遍真理:技术的力量在于放大人类优势,而不是替代人类弱点。
ENIAC带来了更快的计算,但并不能替代人类在不确定环境中基于故事化理解所表现出的创造力。现代生成式AI与神经符号方法为企业带来了前所未有的工具,却同样需要被放置在以人为中心的策略架构中。把机器当作灵感的放大器,把人类保留为主动识别与讲述情境故事的核心,这样的组合最有可能在竞争激烈、充满意外的商业战场上取胜。 最理想的AI战略并非是全面自动化,而是构建一种"赋能式自动化":AI在低风险、大规模的信息处理与创意扩展方面发挥最大效用,人类在需要主动性、判断与叙事推理的关键时刻引领方向。这样的战略既能降低错误风险,又能让组织在快速变化的环境中保持灵活性与创新力。正如历史所示,82岁的ENIAC能够提醒我们技术的边界与潜力;理解这些教训并把它们转化为组织实践,才是真正能让企业在未来长期保持领先的方法。
。
