機器，平台，群眾: 如何駕馭我們的數位未來 9864793675, 9789864793679

Table of contents :
版權頁
第1章 三重革命
第一部 人腦與機器
第2章 關於我們本身最難以接受的事
第3章 最像人腦的機器
第4章 嗨，機器人！
第5章 仍然需要人類的技術與產業
第二部 產品與平台
第6章 新機器敲響的喪鐘
第7章 付費互補品及其他明智策略
第8章 對決時刻：平台何以勝出？
第9章 產品還有希望嗎？
第三部 核心與群眾
第10章 群眾快速崛起
第11章 你認識的專家，為何不是你需要的專家？
第12章 萬物去中心化的夢想
第13章 企業過時了嗎？（提示：沒有）
結語 電腦科技之外的經濟與社會
謝辭

Citation preview

目次表 版權頁 第1章 三重革命 第一部 人腦與機器 第2章 關於我們本身最難以接受的事 第3章 最像人腦的機器 第4章 嗨，機器人！ 第5章 仍然需要人類的技術與產業 第二部 產品與平台 第6章 新機器敲響的喪鐘 第7章 付費互補品及其他明智策略 第8章 對決時刻：平台何以勝出？ 第9章 產品還有希望嗎？ 第三部 核心與群眾 第10章 群眾快速崛起 第11章 你認識的專家，為何不是你需要的專家？ 第12章 萬物去中心化的夢想 第13章 企業過時了嗎？（提示：沒有） 結語 電腦科技之外的經濟與社會 謝辭

機器，平台，群眾：如何 駕馭我們的數位未來 作者：安德魯．麥克費（Andrew McAfee）、艾瑞克．布林優夫森 （Erik Brynjolfsson）│譯者：李芳齡│出版者：遠見天下文化出版股份 有限公司│出版日期：2017/12/27│檔案格式：EPUB│檔案製作日期： 2017/12/29│檔案製作：群傳媒股份有限公司

作者簡介 安德魯．麥克費（Andrew McAfee） 麻省理工學院數位經濟研究中心（MIT Initiative on the Digital Economy）共同主任，麻省理工學院史隆管理學院首席研究科學家，專 長於研究資訊科技對經濟、商界及企業的影響，以及電腦化如何影響競 爭、社會、經濟及勞動市場。 麥克費自哈佛大學取得商管博士學位，自麻省理工學院取得兩個學士學 位及兩個碩士學位，曾任教於哈佛商學院。 著作包括《企業 2.0》（Enterprise 2.0），以及與布林優夫森合著的 《與機器競賽》（Race Against the Machine）、《第二次機器時代》 （The Second Machine Age），另有論述常見於《哈佛商業評論》、《經 濟學人》、《華爾街日報》、《紐約時報》等，獲評為數位趨勢頂尖思 想家之列。 andrewmcafee.org

艾瑞克．布林優夫森（Erik Brynjolfsson） 麻省理工學院數位經濟研究中心共同主任，麻省理工學院史隆管理學院 教授，專長於資訊科技生產力研究及資訊經濟學。 布林優夫森自哈佛大學取得學士及應用數學與決策科學碩士學位，自麻 省理工學院取得管理經濟學博士學位，曾任教於哈佛大學及史丹佛大 學。

布林優夫森的論述，經常被學術圈人士評選為最佳論文，他和麥克費合 著有《與機器競賽》、《第二次機器時代》。

譯者簡介 李芳齡 譯作超過百本，包括近期出版的《創意天才的蝴蝶思考術》、《中國模 式》、《Uber與Airbnb憑什麼翻轉世界》、《心態致勝》、《區塊鏈革 命》（合譯）、《謝謝你遲到了》（合譯）。

第1章

三重革命

類似性顯著到足以確定，就像早期的工業革命那樣，資訊革命對未 來社會的主要影響還在前方。 ──彼得．杜拉克（Peter Drucker） 現代管理學之父，2001年

圍棋電腦 學圍棋，對人類來說向來不易，但編程電腦下得一手好棋，更難， 幾乎是不可能的挑戰。 圍棋源起於至少2,500年前的中國，[1]是一種純粹靠策略取勝的遊 戲，毫無運氣成分。＊1兩人對奕，一人使用白棋，另一人使用黑棋，輪 流把棋子下到19×19棋盤的方格交叉點上，若一子或多子再也無法自由 走棋──基本上，就是被對手的棋子完全包圍，也就是「氣盡」了，就 必須從棋盤上提出。終局時，＊2圍地較多的一方獲勝。 ＊1賽局理論家會稱圍棋為「決定性資訊完全賽局」（deterministic perfect information game）。 ＊2當雙方都同意無法再下有利的棋步時，就宣告終局。

喜愛策略的人，大都喜愛圍棋。子曰：「飽食終日，無所用心，難 矣哉！不有博弈者乎，為之猶賢乎已。」意思就是，與其無所事事，還 不如去下下棋！[2]在很多地區，人們對圍棋的敬重尤勝於西洋棋──這也 是一種困難的兩人對奕、毫無運氣成分、純粹靠策略取勝的賽局。西洋

棋大師愛德華．拉斯克（Edward Lasker）曾說：「雖然西洋棋的古怪規 則，只有人類才創造得出來，但圍棋的規則太過巧妙、有機，邏輯性太 嚴謹了，若宇宙他處存在著智慧生物的話，幾乎可以確定，他們一定會 下圍棋。」[3] 在圍棋表面的簡潔之下，有著甚至難以概念化的複雜性。圍棋的棋 盤大，棋手有很高的自由度走子；據估計，在標準圍棋棋盤上，可能的 棋位大約有2×10170種，也就是2後面加上170個0。[4]這個數目有多大呢？ 比可觀測到的宇宙原子總數還大，但這麼比其實不恰當，因為可觀測到 的宇宙原子總數約為1082。[5]如果宇宙的每一個原子本身，就是一個裡 頭充滿原子的完整宇宙，那麼可能的圍棋棋局仍然多於全部的原子數 量。 無人能解釋的賽局 頂尖的人類圍棋手如何行進於這不可思議的複雜性之中，走出明智 的棋步呢？沒有人知道，就連棋手自己也不知道。 圍棋玩家學習捷思法，而且往往遵循這些路數。＊除了這些基本原 則，頂尖圍棋高手經常無法解釋自己使用的策略。極少數達到圍棋最高 段數的西方人之一麥克．雷蒙（Michael Redmond）這麼解釋：「當我 看到一步棋時，能夠確定那是正確的一步，但我無法告訴你，我是如何 知道的，我就是看出來了。」[6] ＊許多圍棋捷思法語意高深，例如：「別用厚勢圍地。」

並非圍棋手大多口才不佳，而是我們人類本來就無法取用我們所有 的知識。當我們認出一張臉孔或在騎腳踏車時，回想起來，我們無法充 分解釋自己是如何做到或為何在做這件事的。我們很難把內隱知識變成

外顯知識，二十世紀匈牙利和英國博學家邁克．波蘭尼（Michael Polanyi）的觀察心得漂亮總結了這種現象：「我們知道的，比我們能說 得出來的還要多。」 凡是試圖建造一部圍棋電腦者，都遭遇到這後來被稱為「波蘭尼弔 詭」（Polanyi's Paradox）的嚴重障礙。如果沒有人能夠說明一種賽局的 最佳策略，如何寫得出包含最佳策略的程式呢？確實是可能寫進一些捷 思法，但光是這樣，並無法擊敗優秀棋手，因為他們能在基本原則之 外，善用自己都無法解釋的多元策略。 程式設計師經常倚賴模擬，幫助他們在複雜環境中理出頭緒，例如 所有可能的圍棋賽局。他們寫出能下看起來還不錯的棋步的程式，然後 探究對手所有可能的反應，再研究所有相應的反應，以此類推。基本 上，最終選擇的棋步，是具有最多好處、最少壞處的那一步，但因為有 太多可能的圍棋棋局棋步，就算用上了一整個停機棚的超級電腦，能夠 模擬的也不過是其中極小的一部分，幫不上什麼忙。 由於重要知識闕如，再加上模擬沒成效，圍棋程式設計師的進展緩 慢。哲學教授艾倫．雷文諾維茲（Alan Levinovitz）在調查了現有情況 和圍棋電腦的可能發展軌跡之後，2014年5月在《連線》（Wired）雜誌 上撰文總結：「再等十年，就能誕生一個電腦圍棋冠軍，這種預測恐怕 是太樂觀了。」[7]心理學教授暨《華爾街日報》（The Wall Street Journal）遊戲專欄作家克里斯．查布利斯（Chris Chabris），2015年12 月也在該報撰寫了一篇文章，標題是〈為何電腦仍然無法攻克圍棋？〉 （“Why Go Still Foils the Computers”）。 超越「波蘭尼弔詭」 次月，2016年1月，一篇科學報告揭露一部不再受挫的圍棋電腦。

谷歌DeepMind的一支團隊，這是一間位於倫敦、專長於人工智慧機器 學習領域的公司（第3章有更多討論），發表了一篇名為〈用深度神經 網路及搜尋樹演算法精通圍棋〉（“Mastering the Game of Go with Deep Neural Networks and Tree Search”）的研究報告，著名的科學期刊《自 然》（Nature）把它當成封面故事來報導，[8]文章敘述圍棋應用程式 AlphaGo，找到了避開「波蘭尼弔詭」的方法。 打造AlphaGo的人類，並不是試圖把它設計成具有更佳策略與捷思 法的程式，他們打造的是一部能夠自行學習的系統。怎麼做到的？研究 眾多棋局的棋步走法。AlphaGo被打造成能在大量資料中辨識微妙模 式，把行動（例如走子）和結果（例如贏棋）連結起來。＊ ＊本書從頭到尾都會把科技描繪成像人在做事一樣，例如辨識、學習、觀看等，因為我們認為 這才是正確解釋這些科技實質運作的方式，儘管電腦其實並不像人類那樣推理。我們知道， 在某些領域，這種方式並不受歡迎；有句老話說：「別把電腦擬人化，它們討厭這樣！」

他們讓這套軟體取用一個線上圍棋資料庫3,000萬種棋局資訊，基 本上就是告訴軟體：「用這些想辦法贏。」AlphaGo也自我對弈，產生 了另外3,000萬種的棋局，然後再加以分析。系統在棋局中進行模擬， 但只有高度聚焦性質的模擬，它使用了研究過數千萬種棋局所獲得的累 積學習，模擬最有可能贏棋的棋步。 AlphaGo的建造作業從2014年就開始，[9]到了2015年10月，已經可 以一試身手了。研發團隊祕密地讓AlphaGo和當時的歐洲圍棋冠軍樊麾 進行五局比賽，AlphaGo五局全勝。 圍棋電腦在這種水準的比賽中大獲全勝，完全出乎眾人意料，震驚 了人工智慧科技圈，幾乎所有分析師和評論家都稱AlphaGo的成就為一 大突破。不過，它的影響等級仍然受到議論，神經科學家蓋瑞．馬可斯

（Gary Marcus）就說：「圍棋在歐洲稱不上是一項普及的競技，而且 歐洲冠軍在全球僅排名第633。機器人若擊敗全球排名第633的職業網球 手，確實令人印象深刻，但若說它已經『精通』了這種比賽，仍然有失 公允。」[10] 顯然，DeepMind團隊認為這樣說很有道理，因為他們邀請了南韓 九段高手李世乭，在2016年3月於南韓首爾和AlphaGo較量五局。李世乭 被許多人視為地表圍棋棋技最高超的人類，＊是當今人們記憶中最優秀 的棋手之一，他的棋風被形容為：「直覺，無法預料，有創意，精深， 古怪，複雜，深沉，快速，毫無章法。」[11]他覺得，這些特色讓他相較 於任何電腦具有決定性的優勢，他這麼說：「圍棋比賽有一種奧妙之 美，我不認為機器了解這種美……，我相信人類的直覺太先進，人工智 慧還趕不上。」[12]李世乭預測，他至少能夠贏得五局中的四局，他說： 「看了10月的比賽，我認為AlphaGo的程度還無法跟我比。」[13] ＊截至2016年8月為止，33歲的李世乭已經獲得18座國際賽冠軍，僅次於比他大8歲的南韓棋手 李昌鎬的22座。

在南韓及東亞國家，李世乭與AlphaGo的人機對抗賽，吸引了廣大 關注。AlphaGo贏了前面三局，確定將在五戰三勝中勝出。李世乭贏了 第四局，這一勝讓一些觀察家懷抱著人類已辨識出機器對手缺點的希 望，而李世乭接下來也許能夠繼續利用這些缺點。但是，就算機器確實 有一些缺點，也沒有大到足以在第五局造成差異；AlphaGo再度獲勝， 最後以四勝一負贏得這場對抗賽。 李世乭覺得這場比賽很累人，他在賽後表示：「我感到無力……， 雖然我的圍棋比賽經驗很豐富，但壓力從來沒有這麼大過。」[14]圍棋界 發生了變化。

資產起了什麼變化？ 策略師湯姆．古德溫（Tom Goodwin）2015年3月撰文指出了一種 新的模式：「全球最大的計程車公司優步（Uber），本身沒有車輛；全 球最受歡迎的社群媒體臉書（Facebook），本身不創造內容；全球最大 的零售商阿里巴巴集團，本身沒有存貨；全球最大的住房供應商 Airbnb，本身沒有房地產。」[15] 懷疑的讀者可能會說，這些發展的革命性創新程度，並不如表面上 看起來的那麼顯著呀！舉例來說，計程車產業中的許多公司，本身並不 擁有車輛，擁有的是計程車營業牌照，靠出租牌照給車主和司機。同樣 地，許多規模最大的飯店公司，品牌名下的物業實際上並非全是本身擁 有，而是授權給飯店的房地產所有權人，或是與他們簽約，代為經營管 理。 但是，這些公司擁有所屬產業內重要、因而高價值的長期資產，例 如營業牌照和契約，而Uber和Airbnb並不擁有這些。在全球任何一座城 市，Uber並不擁有任何車輛或計程車營業牌照的產權，Airbnb也並未和 任何地方的任何住宿所有權人簽立長期契約；但是，這兩家公司快速贏 得數千萬名顧客，估值快速推升至數百億美元，讓古德溫觀察到的成功 形象更加不凡。他在發表那篇專欄文章時，全球60國300座城市的其中 之一，每天有超過百萬人搭乘Uber；[16][17]Airbnb在191國供應了64萬種 住宿選擇，[18][19]從蒙古地區的蒙古包，到已故知名作家詹姆斯．喬伊斯 （James Joyce）位於愛爾蘭的童年故居，[20][21]任君挑選。 零售業向來以擁有物件數量來定義規模大小，中國的阿里巴巴集團 引進了輕資產的經營方法。舉例來說，截至2016年年底，沃爾瑪 （Walmart）在全美各地有超過150個物流中心，有6,000輛卡車組成自 家車隊，每年跑上7億英里，把貨品遞送至全美4,500家商店的貨

架。[22]2016年10月31日，在沃爾瑪的資產負債表上，廠房和設備的資產 總值為1,800億美元；[23]是日，該公司的總市值低於阿里巴巴集團，後 者在2016年的總營收超過5,000億美元。 阿里巴巴由大學教師出身的馬雲及十七名同事，在1999年共同創 辦，是買賣雙方的線上中間商。該集團旗下最受歡迎的網站是淘寶網， 個人賣家和小企業可以直接向消費者銷售貨品；此外，還有天貓，由規 模較大的企業向消費者直接銷售貨品。截至2016年年底，每個月使用阿 里巴巴應用程式的中國人，比整個美國人口還要多。[24] 2009年，淘寶和天貓首度推出「光棍節」的促銷活動，這個節日起 源於1990年代中期的南京大學，在每年的11月11日舉行，這個由四個1 構成的日期象徵單身，各項活動以慶祝單身和慶祝脫單熱烈進行。第一 年的光棍節，只有27家廠商參與，但很快就變成全中國最重要的購物狂 歡節，民眾不只買東西送給單身的自己，也買東西送給他們感興趣的對 象。在2016年11月11日這天，阿里巴巴集團旗下的購物網站，總計創造 了178億美元的營收，[25]是同年美國「黑色星期五」（Black Friday，感 恩節翌日）和「網路星期一」（Cyber Monday，感恩節後的第一個星期 一）合計總營收額的三倍。＊ ＊「黑色星期五」向來是美國一年當中最忙碌的個人購物日，三天後的「網路星期一」是許多 線上商家向消費者提供節日促銷優惠與折扣的日子。

不過，在古德溫提到的四家公司當中，最奇特的應該是臉書。從馬 克．祖克柏（Mark Zuckerberg）在哈佛大學宿舍創辦公司後的過去十一 年間，臉書已經從一個少數幾間美國精英大學使用的社交人脈網站，成 長為一個全球每天有9億3,600萬人造訪，用來溝通、建立連結與創造內 容的平台。[26]如同古德溫所言，臉書自己並不創造內容，它把人群吸引

進來，每天平均在網站上停留互動五十分鐘。[27]只要用戶狀態更新，發 表了意見、張貼相片和影片，或是標示任何指標及內容，都可以呈現給 其他用戶，構成一股持續不斷的資訊流，讓人們持續回來使用。 臉書在向用戶呈現這些內容的同時，也向他們展示廣告，而且廣告 愈來愈多。該公司2016年第二季的營收，幾乎全數來自廣告收益，高達 64億美元，獲利為20億美元。[28] 還在使用舊方式（例如花錢支付薪資、旅行等）的媒體組織和其他 網路公司倍感警覺，不只是因為臉書的成本比較低，也因為在廣告客戶 的眼裡，在臉書上打廣告的效益更高。這個社群媒體巨人太了解自家用 戶了，畢竟他們不斷提供資訊、在網站上做出各種貢獻，告訴臉書眾多 關於自己的事，因此臉書就能進行更精準的行銷。 每個廣告人一定聽說過不同版本的這句話，據說是美國百貨公司先 驅約翰．沃納梅克（John Wanamaker）說的：「我花在廣告上的錢有一 半浪費了，問題是我不知道是哪一半。」[29]這段感嘆之言不論是哪個版 本，都點出了每個廣告主的苦惱。廣告向來是非常不精確的科學，一般 咸信，主要是因為無法把廣告只瞄準、放送給那些最可能做出反應的 人。但臉書為許多廣告主提供主流媒體無法做到的精準度，而且可以持 續、全球性、大規模地做到這件事。 快速擴張的薄層 古德溫把他在文中談到的那些公司，描繪成「難以形容的薄層」， 他說：「再也沒有比這些薄層更棒的經商領域了。」[30]它們「很薄」 ──擁有的資產主要是應用程式和電腦程式，不是實質資產和基礎設 備」──因此得以快速成長。舉例來說，在古德溫發表文章後的十二個 月內，Airbnb網站上的訂房夜數增加了一倍，它的業務旺盛到讓巴黎、

巴塞隆納、里斯本、柏林、舊金山等眾多城市政府，開始擔心會對傳統 住宅區造成不良影響。Airbnb成長得太快了，也引發太多爭議，使得科 技評論家湯姆．史利（Tom Slee）2016年7月在《哈佛商業評論》 （Harvard Business Review）網站上撰文指出：「Airbnb正面臨攸關生存 的擴張問題」，因為有愈來愈多城市和地區群起對抗。[31] Uber同樣經歷了這種快速成長、經常引發爭議的處境，持續嘗試推 出新的服務。它在2014年推出的共乘服務UberPool，[32]迅速在紐約等眾 多城市受到歡迎。該公司在2016年5月宣布，每週平日的尖峰時段，曼 哈頓第125街以南的UberPool共乘費一律為5美元；[33]到了7月，再推出 一項優惠方案，讓紐約客可以用79美元，購買四週的UberPool共乘服 務。[34]這個價格對許多通勤者來說，已經比搭地鐵更便宜。 在古德溫發表文章（2015年3月）時，已經非常龐大、非常賺錢的 臉書，規模和影響力繼續成長，大幅衝擊著主流的內容生產商，同時進 行大規模的創新投資。網站流量分析公司Parse.ly 2015年8月發布的一份 報告顯示，在它追蹤的各大新聞與媒體網站中，經由臉書連結而來的網 站瀏覽者，比經由谷歌和其他搜尋引擎連結而來的瀏覽者還要多。[35]臉 書執行長祖克柏在2016年3月，揭示公司未來十年的發展路線圖，其中 包括在人工智慧、虛擬實境（virtual reality, VR）、擴增實境 （augmented reality, AR）等領域的重大投資，甚至還包括使用太陽能動 力飛機，把網際網路連結帶給那些居住在偏遠地區，沒有電信基礎建設 的無數民眾。[36] 這些在「難以形容的薄層」經營的公司，如何能有如此大的影響 力，如此成功呢？誠如古德溫所言：「因為好玩的事正在發生。」[37]

巨人向外求援

不論從什麼標準來看，奇異公司（General Electric）都稱得上是美 國最成功的公司之一。奇異根源於發明家愛迪生及愛迪生電燈公司 （Edison Electric Light Company），該公司在1896年是首批編入道瓊工 業指數的十二家公司之一；[38]到了今天，它也是這十二家唯一留在榜上 的公司。奇異進入（有時離開）許多產業領域，包括發電、航太與國 防、塑膠、健康照護和金融業，但在整個悠久的公司歷史中，始終致力 於生產、銷售消費性商品，從愛迪生的電燈泡、收音機、電視機到各式 家電。 奇異在經營大型、多角化的全球企業方面也是先驅，而且經營得很 出色。它重度投資於研發，經常與大學院校合作。它也是最早投入大量 時間和心力，努力提升技術和經理人技能的公司之一；1956年，奇異創 辦了第一所專門的企業大學，設址於紐約州克羅頓維爾 （Crotonville），而這個地名已經成為「管理實務專業化」的同義詞 了。 邁入二十一世紀後，克羅頓維爾和整間奇異公司，著手推動一項旨 在加強行銷能力的大型新計畫，把行銷能力定義為：所有產品線都能了 解、進而滿足顧客需求的能力。2013年一篇評論文章指出，奇異公司在 這個領域最追求的能力是：「發展內部的行銷創新。」[39] 既然如此，為何年研發預算高達52億美元，[40]光是在美國的行銷支 出就有3.93億美元[41]的奇異公司，2015年會選擇在網際網路上和一群陌 生人合作，幫助自己構思、設計出一項新的消費性商品呢？為何一家市 值高達2,800億美元，手上現金有900億美元的公司，會在產品還無法真 正供應之前，要求潛在顧客先花幾百美元預定呢？ 打造出礦塊冰機的金頭腦

2014年，奇異和路易斯維爾大學（University of Louisville）推出一 項名為「FirstBuild」的合作計畫，它是「一個改變產品上市方法的共創 社群」，[42]包含一個線上合作平台，以及一間「微型工廠」，提供工具 和材料打造產品原型。 艾倫．米契爾（Alan Mitchell）是路易斯維爾奇異家電（GE Appliances）的先進研發工程師，決定使用FirstBuild當作測試平台；他 想知道，是否可能使用更簡便的方法，滿足許多人想要的……特別冰 塊。 絕大多數的冰塊，其實只是用水製成各種大小和形狀的結冰，但礦 塊冰（nugget ice）不一樣，它的體積小巧、呈圓筒狀，可滲水，只有半 凍結，所以很能吸收果汁等的味道，而且很好嚼，顯然是某些人很想要 的那種冰塊。《華爾街日報》2008年刊登了一篇由伊藍．布萊特（Ilan Brat）撰寫的報導，文中寫道：「可以咬得咯吱咯吱響的冰塊，賣得跟 超人氣厚鬆餅一樣好。」[43]速食連鎖店音速（Sonic）的飲料冰塊用的 就是這種礦塊冰，他們發現很多顧客其實只是想要這種冰塊，便開始單 售這種冰塊，從杯裝到10磅（約4.54公斤）的大包裝都有。 礦塊冰的製程比一般直接把水冷凍結成冰的過程更為複雜，＊1製冰 機要價數千美元，對大多數的家庭來說太貴了。＊2米契爾想看看 FirstBuild的社群，能否設計、打造出較便宜的家用礦塊冰機，2015年便 在線上推出了一項競賽。 ＊1為了製造這種容易咀嚼的冰塊，必須將冰在還在成型的階段從表面上刮下來，塑成正確的大 小和形狀。 ＊2有些比較富裕的家庭，倒是放縱他們對礦塊冰的熱愛（參見本章注釋43）。流行福音天后艾 美．葛蘭特（Amy Grant）某年買了一台餐廳專用的Scotsman製冰機，給她的先生、鄉村歌手 文斯．吉爾（Vince Gill）當作聖誕禮物。

獲勝者是來自墨西哥瓜達拉哈拉市（Guadalajara）的伊斯梅爾．拉 莫斯（Ismael Ramos），他參賽的設計構想「酷石」（Stone Cold），是 一台可以擺在廚房檯面上的立方體機器，有一個可移動的透明塑膠桶。 拉莫斯贏得了兩千美元的獎金，也得到一台來自他創意構想的原型製冰 機──其他兩位並列亞軍的參賽者，同樣獲得獎金和製冰機。 接下來，FirstBuild微型工廠裡的人，開始打造、改良礦塊冰機。過 程中，他們經常和參與這項計畫的線上社群互動，諮詢意見，例如可移 動的透明塑膠桶應該長什麼樣子才好、如何感應桶子滿了、要不要附送 一支冰杓等。 喜歡的話就買吧！雖然產品還不存在 在改良機器的同時，奇異公司也採取了一種全新的做法，結合行銷 與市場研究。2015年7月，他們在Indiegogo平台上，為這款名為「歐 寶」（Opal）的礦塊冰機發起活動。Indiegogo是一個群眾募資網站，他 們將自己描述為一個「各種創意和創業點子的發射台。」[44]上網為這些 點子提供融資的人，並不是投資者，所以不會換得股份或某個比例的營 收或盈餘，但這些資助者通常會獲得活動發起人承諾的回報。舉例來 說，如果他們資助了一部影片，可能獲邀觀看首映；如果資助的是一項 產品，可能是最早能夠使用到這項產品的人。基本上，他們是在預定一 項還不存在、如果沒有他們的信心投票，可能也永遠不會存在的產品。 Indiegogo成立的初衷，是想讓沒有融資管道、因此可能無法實現憧 憬的個人或小公司取得融資，但是到了2015年年中，不少大公司使用這 個網站來測試潛在的產品需求。在「歐寶」的募資活動中，奇異和 FirstBuild請人們贊助399美元（後來提高到499美元），並且設定集資目 標為15萬美元。短短幾個小時內，他們就募到比目標多一倍以上的金

額；[45]一週內，他們募得的資金超過130萬美元。[46]2015年8月底，活動 結束時，「歐寶」募資活動總計在Indiegogo平台上，吸引到超過270萬 美元的資金，[47]躋身該網站十大最受歡迎的募資活動之一。2016年的最 後三個月，奇異公司才把最終產品出貨給超過5,000名的「預定」顧 客，[48]再開始對一般大眾銷售。奇異公司需要的，並不是預定活動募到 的資金，它迫切想要的是市場情報。 善用許多不在公司發薪名單之列的聰明才智，也為製冰機找到了一 塊藍海市場。

機器︱平台︱群眾 我們在前文討論的三個範例──AlphaGo擊敗最優秀的人類圍棋手， 臉書和Airbnb之類的成功新公司，本身不擁有所屬產業的傳統資產，以 及奇異利用線上群眾來協助設計、行銷一項自己專長的產品，清楚說明 了正在重塑商業世界的三種重大趨勢。 第一種趨勢是：機器的能力快速成長、不斷擴展至新的領域，例如 AlphaGo意外崛起，成為舉世最強圍棋手。 古德溫的觀察，點出了第二種趨勢──近年來出現的強大年輕公 司，大不同於所屬產業中歷史悠久的龍頭，大肆破壞了原有的產業生 態。這些新貴是平台，它們是可怕的競爭對手。 奇異歐寶製冰機的非傳統研發過程，是第三種趨勢的縮影，象徵群 眾崛起。我們所謂的「群眾」，指的是遍布世界各地、無法計數的巨量 人類知識、專長與熱忱，現在可以透過網路取得，集中運用。 從估值高達10億美元以上的矽谷獨角獸企業崛起，到《財星》五百

大企業（Fortune 500）垮台或轉型，經濟裡的亂流與轉變看似混亂無 序、沒有規則；但實際上，機器、平台與群眾這三種趨勢，有牢固的經 濟原理及其他條理為基石。這些原理的應用並非總是容易，但只要有正 確的透鏡，混沌就會變得有序，複雜就會變得單純，而本書旨在提供這 些透鏡，幫助讀者洞察重要趨勢。 未來：三種再平衡 在所有的公司和產業，機器、平台與群眾都有相對應的部分。機器 智能對應的是人腦（mind），舉凡離不開試算表的會計師、需要借助電 腦輔助設計軟體的工程師，或是在機器人旁邊工作的組裝線作業員，都 是人腦與機器配對組合的例子。 平台對應的是產品（product），包括貨物與服務。在市內搭乘交通 工具，是一項產品，Uber是人們取得這項產品的一個平台；住宿供應平 台Airbnb或新聞取得平台臉書，也是相同的媒介。 群眾對應的是核心（core），指的是各種組織在內部及供應鏈上建 立的知識、流程、專業和能力。奇異家電的核心是設計、製造、銷售冰 箱和烤箱；美國航太總署的核心是建造太空船，試圖對宇宙有更多的了 解；微軟的核心能力，包括開發個人電腦作業系統和應用程式。 我們不會告訴你，人腦、產品及核心已經或逐漸過時，將被淘汰， 這種論點荒謬可笑。我們將在本書中一再重複，人類的能力、優異的貨 品與服務，以及堅實的組織能力，依舊是企業的成功要素。 我們將嘗試說服你，由於近年的科技變化，公司必須重新思考人腦 與機器、產品與平台、核心與群眾之間的再平衡。在過去短短幾年間， 前述三組配對中的後者，已經變得遠遠更為強大、能幹，我們必須重新

思考，了解何時、何地、如何及為何，機器、平台和群眾能夠發揮良 效，這是在現今經濟成功的關鍵之鑰。我們寫這本書，旨在幫助各位做 好這件重要的事；事實上，我們將嘗試說服你，這件事不只重要，已是 必要。 為什麼是現在？ 我們在前著《第二次機器時代》（The Second Machine Age）中，記 述了科技的快速發展，並且探討它所造成的一些經濟影響。自從該書出 版之後，我們最常被問到的問題之一就是：這個時代始於何時？這真是 個好問題，但真的很難回答，畢竟數位電腦已經出現超過半世紀了，而 我們在前著談的科技進步，幾乎全是出現在相當近年間，那麼這個重要 的第二次機器時代，究竟始於何時呢？ 關於這個問題，我們得出了一個兩階段的答案。在第二次機器時代 的第一階段，數位科技明顯影響企業界，相關技術接掌了大量的例行工 作，包括處理薪資、焊接車體零組件、寄送發票給顧客等。麻省理工學 院經濟學家羅伯特．索洛（Robert Solow）在1987年7月寫道（他於同年 因為經濟成長動力理論榮獲諾貝爾經濟學獎）：「到處可見電腦時代來 臨，唯獨在生產力統計數字中看不到。」[49]但是，到了1990年代中期， 就再也不是這樣了，生產力開始成長得很快；大量研究（有些是艾瑞克 ＊

和同事做的）顯示，電腦和其他數位科技是生產力快速成長的主因。

所以，我們可以說，第二次機器時代的第一階段，始於1990年代中期。 ＊我們在本書提及自己時，以「安迪」和「艾瑞克」稱呼。

至於第二階段（我們認為目前正處於這個階段），起始日期就比較 難以確定了。當「科幻」技術──電影和書裡描繪的那些東西、頂尖研

究實驗室的控制環境等──開始出現在現實世界時，就是第二階段的開 始。2010年，谷歌無預期宣布，一支完全自動駕駛的車隊已經在美國上 路，沒有發生意外事故。2011年，IBM的超級電腦華生（Watson），在 長青益智電視節目《危險邊緣》（Jeopardy!）中，擊敗了兩位人類冠 軍。到了2012年第三季，全球已經有超過10億人使用智慧型手機，[50]這 種電子裝置結合了無數科幻片裡描繪的通訊與感應能力。當然，還有本 章一開始描述的三種重要進步趨勢，全都發生在過去數年間而已。接下 來，各位將在後文中看到，還有很多其他重大的突破。在科技發展的進 程中，它們不是僥倖的故事或偶然的光點，而是預示了經濟中一個更根 本的轉變，這種轉變根源於顯著的科技進步和堅實的經濟原理。 第二次機器時代的第二階段，有兩點明顯不同於第一階段。首先， 在第二階段，科技展現了我們從未視為「預定程序」或「例行事務」的 執行能力。比方說，在圍棋比賽中獲勝、能夠正確診斷疾病、自然與人 類互動，甚至從事創作音樂、設計實用物品等的創意工作。過去幾年， 它們已經明顯超越了「波蘭尼弔詭」等限制，往全新領域逐步邁進。機 器不再只是遵循人類程式設計師仔細編寫的指令，＊它們自己學習如何 解決問題，而這項發展大大擴展了機器現在能夠處理的應用及事務範 圍。 ＊我們通常稱程式設計師為「碼農」（coders），其實是有道理的；他們向來編纂知識，把內 隱知識變成外顯知識。

其次，無數人開始隨時隨身隨地攜帶強大、靈活、總是連線的「電 腦」──以驚人速度普及全世界的智慧型手機和其他類似裝置。到了 2015年，在iPhone問市僅僅八年後，根據皮尤研究中心（Pew Research Center）的調查，在二十一個新興及開發中國家，超過40％的成年人擁 有智慧型手機。[51]光是2016一整年，全球就賣出了15億支智慧型手

機。[52] 人類史上首次出現接近過半數的全球成年人，可以透過數位彼此連 結，共享全球累積的龐大知識，甚至對累積知識做出貢獻，形成一個良 性循環。除此之外，還可以進行許多種類的交流和交易，把數十億的參 與者帶入現今的全球經濟中。 我們發現，這些發展的重要性，再怎麼強調都不為過。直到不久 前，大型知識庫（例如好的圖書館）和先進通訊與資訊處理技術的取得 管道，僅限於富有國家的人們──那些幸運出生在非貧窮國家的非貧窮 家庭的人們。現在，不再如此了，而且未來將會有愈來愈多強大的科 技，普及到世界各地。 擅長非例行性工作與人類數位連結的電腦，是過去幾年才出現的現 象。因此，我們認為第二次機器時代第二階段的起始點，是在二十一世 紀的第二個十年，當人腦與機器、產品與平台、核心與群眾快速結合、 擦出火花時。結果是，許多存在已久的假設被推翻，許多可靠而被廣為 採行的實務變得過時。

第一次機器時代發生什麼事？ 一世紀前，在製造業，電力逐漸取代蒸汽動力。我們重提那段時 期，是因為它提供了一個重要的警惕：在從一種動力源過渡到另一種動 力源的轉型過程中，許多（其實是絕大多數）的成功公司，並未能夠存 活下來。想在即將到來的數位轉型紀元中存活、昌盛的企業，就必須了 解轉型失敗為何發生，汲取歷史提供的重要啟示。 到了1910年代，美國已經超越英國，成為全球最大的經濟體，主要 是因為美國製造業公司的力量，當時製造業公司產值占美國國內生產毛

額（GDP）比重近50％。美國製造業工廠起初依靠水車滾動提供動能， 後來仰賴蒸汽動力，約莫在邁入二十世紀之際，電力成為另一種選擇； 當電力比那些座落在工廠地下室的大型蒸汽引擎，更有效率地提供動力 給機器時，電力取代蒸汽引擎的情況開始增加。伴隨著公司對這項新技 術的體驗增加，它們開始發現其他益處。哥倫比亞大學教授克洛克（F. B. Crocker），在1901年寫了這段話：

許多工廠改用電力，因為可以節省20％到60％的煤炭成本，但並不 是因為這些成本節省，促成電力設備如今普及全美……。率先提倡使用 電力設備的人發現，除了已知可能節省的成本，還有其他成本可以節 省，稱為間接成本節省（indirect savings）。[53]

新技術的採用者後來認知到，一些存在已久的限制已不復成立，一 旦他們採用電力，能源可以延伸至整棟建物，畢竟已不再需要座落在煙 囪和煤堆旁了。此外，一棟建物可以安裝數個能源裝置，不再是由一個 龐大裝置，透過繁雜、高溫的系統（包含軸、齒輪、滑輪和傳動帶 等），驅動工廠的每一部機器。 絕大多數的製造商，最終採用了前述這樣某種形式的「集體驅動」 （group drive）──在這樣的配置下，一座工廠設有幾部大型電動馬達， 每一部為一組機器提供動力。＊一些人想把這種能源去集中化推展得更 遠，便開始談論「單元驅動」（unit drive）──讓建物裡的每部機器設 有自己的電動馬達，畢竟馬達和蒸汽引擎不同，體積可以相當小，也不 會明顯減損效能。 ＊這些馬達本身由一部位於工廠附近的發電機或當時新問世的電力網提供動力。

從今天來看，這當然是理所當然、不必多想的事；事實上，現在許 多機器甚至在設計時，就內建了多個電動馬達。但是，「單元驅動」的 概念，從被提出後的很長一段時間內，一直深受懷疑。經濟史學家華 倫．戴文（Warren Devine Jr.）在1983年寫道：[54]

在二十世紀的頭二十五年，技術文獻大量探討了集體驅動機器或個 別驅動機器的價值。在1895年到1904年間，技術學會會議熱烈辯論了這 個主題，但並未得出哪種方法最好的結論……。然後，超過二十年後， 集體驅動仍被強烈建議使用於許多應用領域……。1928年出版的兩本教 科書……，明確指出許多情況適合使用集體驅動。 現在看來理所當然的事，當時為何看不出？ 為什麼回顧起來，許多看來理所當然的科技進展，在發展早期卻難 以正確看出？為什麼會有那麼多最聰穎、最有經驗的人和公司，以及最 受變革影響者，卻最無法看清局勢？ 許多不同領域的研究，都指出了相同的結論：正是因為在位者太老 道、對產業太熟悉、太投入於現狀，所以未能看見迎面而來的新趨勢， 未能發現新科技的潛力和日後可能的發展。這種現象被稱為「知識的詛 咒」（curse of knowledge）[55]及「安於現狀的偏誤」（status quo bias），縱使是經營良好的成功龍頭，都可能受到影響。既有的流程、 顧客和供應商、專業知識，以及傾向一般做法的心態，都可能致使在位 者忽略了應是十分明顯的東西，例如忽略可能與現狀劃分出重要分水嶺 的新科技潛力。 工廠電氣化顯然就是這種例子。對於這段期間的研究非常多，大致 得出了相同結論，就像經濟學家安德魯．艾金森（Andrew Atkeson）和

派屈克．基侯（Patrick J. Kehoe）[56]的總結：「在轉變為電力之初，製 造業者不願捨棄既有的大量知識存量，改採這種起初只是稍微較優的技 術。」＊經濟史學家保羅．大衛（Paul David）和蓋文．萊特（Gavin Wright）的研究發現，過了那麼長的時間才充分實現電力的轉型潛力， 一大原因是：「需要組織變革，最重要的是，需要在作業和產品的定義 與架構方面，做出概念性的變革。」[57]組裝線、輸送帶、高架起重機， 就是這類概念性的變革。為了實現電力的充分潛力，這類概念性的變革 是必要條件，但許多在蒸汽動力時代茁壯、成功的龍頭公司，卻無法想 像這些概念性的變革。 ＊打從一開始，電力就比蒸汽更穩定、更便宜，但由於對使用蒸汽引擎的工廠來說，立即的好 處只有這些，因此電力被視為只是「稍微較優」。

電力帶來的衝擊 哈佛商學院教授克雷頓．克里斯汀生（Clayton Christensen）成為搖 滾巨星級的商管學者，主要的研究成就便是探討、凸顯了破壞性創新技 術，如何破壞原本卓越高飛的龍頭公司。電氣化是人類史上最具顛覆力 的破壞性創新技術之一，在二十世紀的頭十年，這項新技術導致美國製 造業發生了近似大滅絕的現象。 二十世紀之初，美國製造業由被稱為「工業托拉斯」（industrial trusts）的廠商制霸，它們是經過購併之後形成的大公司，業主尋求利用 生產、採購、通路、行銷等層面的規模經濟。一些托拉斯的建造者，想 要創造大到變成壟斷者的公司，以取得更大的訂價力量。1904年發布的 一項調查指出，美國總計有超過300個這樣的托拉斯。[58] 當時，美國的工業托拉斯，似乎具有長期稱霸的態勢，不僅資本充 沛，擁有第一代的專業經理人，而且不排斥新技術，輕鬆就學會電報通

訊和鐵路貨運，也願意讓工廠從蒸汽動力轉型成電力。但是，伴隨電氣 化的普及，它們一切的資源和能力，並不足以讓它們保持優勢，很多到 最後甚至無法繼續經營。 經濟學家蕭．利佛摩爾（Shaw Livermore）1935年發表的一項調查 指出，在1888年到1905年間形成的工業托拉斯，有超過40％到了1930年 代初期已經垮台，另有11％：「在跛行之中，績效好壞參半……，一般 來說，在評量期間的較近年間，營運績效糟糕。」[59]在倖存的托拉斯當 中，多數規模變得更小。經濟學家理查德．凱夫斯（Richard Caves）與 同事，研究了在1905年叱吒風雲、到了1929年仍存在的42家美國製造業 公司後發現，它們的平均市場占有率已經減少超過三分之一，從69％降 至45％。[60] 眾多研究及調查顯示，美國製造業的競爭環境，在二十世紀初期變 得險峻，到了1920年代終了時，許多製造業公司已失去以往的堅實地 位。這至少有部分導因於電氣化嗎？ 我們相信是的。明智的電氣化顯然使一座工廠的生產力提高，但最 大的獲益並非來自電動馬達取代蒸汽引擎，而是來自生產流程的重新設 計與改造。明智電氣化的工廠──那些在每部機器、每條組裝線與輸送 帶、每部高架起重機上都安裝電動馬達的工廠，在任何競爭場上都是強 大的武器，能夠以少做多，讓業主能以更低價格與彈性和對手競爭，讓 產品布滿市場。我們也知道，並非所有工廠都能做到明智電氣化，有些 公司及領導人看出單元驅動的潛力，快速擁抱了這種方法，但其他公司 則是對此爭論了數十年。基於這些原因，我們相信，很有可能是這些早 期採用的工廠，直接導致許多工業托拉斯的殞落。 二十世紀早期美國製造業的大震盪有許多導因，包括第一次世界大 戰的動盪，以及老羅斯福總統（Teddy Roosevelt）粉碎托拉斯的行動，

但是電氣化帶來的諸多衝擊，是導致許多頂尖公司垮台或掙扎求生的根 本原因之一。 認為電氣化只是一種較佳動力源的工廠業主，完全沒有抓到要領； 歷經時日，他們突然發現自己已經大幅落後於電氣化的競爭對手。這些 落後者或許能夠製造出好的產品、行銷技巧高超，透過最有效率的通路 把產品銷售給忠實的顧客，但如果工廠未能明智電氣化，事業最終無法 經營下去，因為在價格上贏不了，也無法讓產品快速上市，不能敏捷地 從一組產品轉變成另一組產品。他們就這樣變得沒有競爭力，即使── 或者更正確地說，就是因為──他們一直在做以前讓他們成功的事。 萬能機器 現在，我們正處於另一次工業大震盪的早期階段，但這次的震盪更 劇烈、更廣泛，難以想像全球任何地方任何市場的任何一家重要公司， 不會受到正在崛起的新科技衝擊。在第二次機器時代成功的公司，運作 模式將與現今多數的非常不同，能夠高效結合人腦與機器、產品與平 台、核心與群眾。那些不這麼做、繼續滿足於今日科技和組織發展現狀 的公司，基本上就是當年那些繼續使用蒸汽動力或集體驅動的公司，終 將淪落相同命運。 我們寫這本書的用意，就是要幫助你看出公司在哪些地方，很像二 十世紀初期繼續使用蒸汽引擎或集體驅動結構的思維，幫助你思考如何 更善用現在與未來的驚人技術，取代那些很快就會過時的舊有思維。

本書架構 這本書是了解由新機器、平台與群眾創造出來的世界的指南，但絕

非一本完全指南。商業世界恆常變化，這次的變革如此深遠、廣大，萬 物變動比尋常更劇烈許多，我們絕不會聲稱已經發現企業在全球經濟與 社會更深入第二次機器時代時能夠成功出線的完整正確解答。接下來， 我們在書中描述的三種再平衡將會持續多年，發展終點與實際軌跡目前 並不清楚。 但混亂中存在著機會。不管是從歷史、以往的研究、近年的例子和 發展，或是從我們著手進行的調查，我們獲致的洞見足以讓我們有信心 說，我們相信的一些觀點是正確、有價值的。各位將在後文中看到，這 些洞見很多都源自經濟學的原理，這是我們探究精深的一門學科。 我們為何研究經濟學？奧地利經濟學家卡爾．孟格（Carl Menger） 在1870年給了一個好答案：「經濟理論是關於……了解人們從事滿足需 求的供應活動的各種條件與情形。」[61]經濟學探討組織與人們如何了 解、塑造環境和未來，探討當他們湊在一起交換貨品、服務與資訊，以 達成目的的各種情形。這門學科已經發展出相關主題的大量洞見和理 論，可以當作一本探討機器、平台與群眾如何撼動世界的書籍的良好基 礎。 不過，也不能只倚賴經濟學，本書探討的現象太廣泛，涉及了許多 研究領域，超越單一學科，因此我們也加入工程學、電腦科學、心理 學、社會學、歷史、管理學等學科。這波崛起中的新科技，雖然是新近 才出現的事物，但淵源悠久、豐富、吸引人，我們在後文中描述現在發 生的事，並且討論未來可能會發生什麼事時，將會追本溯源。 我們把這本書的討論分成三個部分，第一部探討人腦與機器，第二 部探討產品與平台，第三部探討核心與群眾。每一部的主旨相同：由於 三個配對中的後者，近年來已經變得遠遠更強大、能幹，此時重新思考 如何最佳結合兩者很重要。

第一部說明人腦與機器的新結合，如何快速改變企業最重要流程的 執行方法。第二部揭露一些開創性的公司，如何結合產品與平台，改變 供應產品的過程與方法。第三部說明核心與群眾，正在改變組織的面貌 與運作方式。 每一部開始的第一章，將回溯至第二次機器時代的第一階段，敘述 當時存有的現狀，以及情況即將改變的早期跡象。這幾章顯示，大約在 二十年前，在人腦與機器、產品與平台、核心與群眾之間，形成了一種 「標準夥伴關係」（standard partnership）。這幾章也顯示，隨著科技進 步和經驗的累積，這種夥伴關係承受了愈來愈大的壓力。 每一部的其餘章節，則是探討我們近年在三種再平衡中，看到與學 到了什麼。這些討論顯示今後機器、平台與群眾所具備的力量。我們用 科幻的漸增度或怪異的漸增度，來安排每一部的章節，敘述愈來愈不尋 常的發展、創新及事業模式。每一部的最後一章，則探討諸如下列的主 題：電腦是否具有創意？整個經濟將很快變成一種隨選經濟嗎？公司是 否變成一種瀕危物種？ 在每一章的最後一段，有該章主要洞見和實務指引的摘要。當然， 這不是一本教你怎麼做的書籍，也不是一本指導企業如何在機器、平台 與群眾獲致成功的教戰手冊，若是有人提供這樣一本教戰手冊，要不就 是在欺騙自己，要不就是在欺騙讀者，因為變化太多，不確定性也太多 了。事實上，若是真能寫出這樣一本公式書，就沒必要了解那些更深入 的力量和原理了，因為就算了解了，也沒有機會取得競爭優勢。所以， 我們在每章最後簡短重申重點，並且提出一些問題，幫助各位思考如何 在組織應用這些概念。

1. Alan Levinovitz, The Mystery of Go, the Ancient Game That Computers Still Can't Win, Wired,

May 12, 2014, https://www.wired.com/2014/05/the-world-of-computer-go. 2. American Go Association, Notable Quotes about Go, accessed January 11, 2017, http://www.usgo.org/notable-quotes-about-go. 3. 同上注。 4. Mike James, Number of Legal Go Positions Finally Worked Out, I Programmer, February 3, 2016, http://www.i-programmer.info/news/112-theory/9384-number-of-legal-go-positionsfinally-worked-out.html. 5. John Carl Villanueva, How Many Atoms Are There in the Universe? Universe Today, December 24, 2015, http://www.universetoday.com/36302/atoms-in-the-universe. 6. 同注1。 7. 同注1。 8. David Silver et al., Mastering the Game of Go with Deep Neural Networks and Search Trees, Nature 529 (2016): 484–89, http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html. 9. John Ribeiro, AlphaGo's Unusual Moves Prove Its AI Prowess, Experts Say, PC World, March 14, 2016, http://www.pcworld.com/article/3043668/analytics/alphagos-unusual-moves-prove-itsai-prowess-experts-say.html. 10. 同注8。 11. Sam Byford, Google vs. Go: Can AI Beat the Ultimate Board Game? Verge, March 8, 2016, http://www.theverge.com/2016/3/8/11178462/google-deepmind-go-challenge-ai-vs-lee-sedol. 12. 同上注。 13. S. Korean Go Player Confident of Beating Google's AI, Yonhap News Agency, February 23, 2016, http://english.yonhapnews.co.kr/search1/2603000000.html? cid=AEN20160223003651315. 14. Jordan Novet, Go Board Game Champion Lee Sedol Apologizes for Losing to Google's AI, VentureBeat, March 12, 2016, http://venturebeat.com/2016/03/12/go-board-game-champion-leesedol-apologizes-for-losing-to-googles-ai. 15. Tom Goodwin, The Battle Is for the Customer Interface, TechCrunch, March 3, 2015, https://techcrunch.com/2015/03/03/in-the-age-of-disintermediation-the-battle-is-all-for-thecustomer-interface. 16. Ellen Huet, Uber Says It's Doing 1 Million Rides per Day, 140 Million in the Last Year, Forbes, December 17, 2014, http://www.forbes.com/sites/ellenhuet/2014/12/17/uber-says-its-doing-1million-rides-per-day-140-million-in-last-year. 17. Anne Freier, Uber Usage Statistics and Revenue, Business of Apps, September 14, 2015, http://www.businessofapps.com/uber-usage-statistics-and-revenue. 18. Chip Conley, Airbnb Open: What I Learned from You, Airbnb (blog), November 25, 2014, http://blog.airbnb.com/airbnb-open-chips-takeaways. 19. Airbnb, Airbnb Summer Travel Report: 2015, accessed January 11, 2017, http://blog.airbnb.com/wp-content/uploads/2015/09/Airbnb-Summer-Travel- Report-1.pdf.

20. Airbnb, Nomadic Life in the Countryside, accessed January 11, 2017, https://www.airbnb.com/rooms/13512229?s=zcoAwTWQ. 21. Airbnb, James Joyce's Childhood Home Dublin, accessed January 11, 2017, https://www.airbnb.ie/rooms/4480268. 22. Wal-Mart, Our Locations, accessed January 13, 2017, http://corporate.walmart.com/ourstory/our-locations. 23. US Securities and Exchange Commission, Form 10-Q: Wal-Mart Stores, Inc., December 1, 2016, http://d18rn0p25nwr6d.cloudfront.net/CIK-0000104169/2b25dfe5-6d4a-4d2d-857f08dda979d6b9.pdf. 24. Alibaba Group, Consumer Engagement Driving Growth for Mobile Taobao (Alizila News), June 28, 2016, http://www.alibabagroup.com/en/ir/article?news=p160628. 25. Cheang Ming, Singles' Day: Alibaba Smashes Records at World's Largest Online Shopping Event, CNBC, November 11, 2016, http://www.cnbc.com/2016/11/11/singles-day-news-alibabapoised-to-smash-records-at-worlds-largest- online-shopping-event.html. 26. US Securities and Exchange Commission, Form 10-Q: Facebook, Inc., April 23, 2015, http://d1lge852tjjqow.cloudfront.net/CIK-0001326801/a1186095-bc85-4bf7-849fbaa62dfa13ef.pdf. 27. James B. Stewart, Facebook Has 50 Minutes of Your Time Each Day. It Wants More, New York Times, May 5, 2016, http://www.nytimes.com/2016/05/06/business/facebook-bends-the-rulesof-audience-engagement-to-its-advantage.html. 28. Facebook, Facebook Q2 2016 Results, accessed January 13, 2017, https://s21.q4cdn.com/399680738/files/doc_presentations/FB-Q216-Earnings-Slides.pdf. 29. John Wanamaker, Quotation Details: Quotation #1992, Quotations Page, accessed January 13, 2017, http://www.quotationspage.com/quote/1992.html. 30. 同注15。 31. Tom Slee, Airbnb Is Facing an Existential Expansion Problem, Harvard Business Review, July 11, 2016, https://hbr.org/2016/07/airbnb-is-facing-an-existential-expansion-problem. 32. Alex, Announcing UberPool, Uber Newsroom (blog), August 5, 2014, https://newsroom.uber.com/announcing-uberpool. 33. Mikaela, New $5 Commuter Flat Rates with uberPOOL, Uber Newsroom (blog), May 8, 2016, https://newsroom.uber.com/us-new-york/new-5-commuter-flat-rates-with-uberpool. 34. Alison Griswold, Commuting with Uber in New York Is Cheaper than Taking the Subway This Summer, Quartz, last modified July 11, 2016, http://qz.com/728871/commuting-with-uber-innew-york-is-cheaper-than-taking-the-subway-this-summer. 35. Matthew Ingram, Facebook Has Taken Over from Google as a Traffic Source for News, Fortune, August 18, 2015, http://fortune.com/2015/08/18/facebook-google. 36. Adario Strange, Everything You Need to Know about Facebook's 10-Year Plan, Mashable, April 12, 2016, http://mashable.com/2016/04/12/facebook-10-year-plan/#pcbrzJRndSqS. 37. 同注15。

38. Quasimodos.com, The First 120 Years of the Dow Jones: An Historical Timeline of the DJIA Components. 1884–2003, accessed January 19, 2017. http://www.quasimodos.com/info/dowhistory.html. 39. Christine Moorman, Marketing in a Technology Company: GE's Organizational Platform for Innovation, Forbes, January 29, 2013, http://www.forbes.com/sites/christinemoorman/2013/01/29/marketing-in-a-technologycompany-ges-organizational-platform-for-innovation/#57f9333762c9. 40. US Securities and Exchange Commission, Form 10-K: General Electric Company, February 26, 2016, http://api40.10kwizard.com/cgi/convert/pdf/GE-20160226-10K-20151231.pdf? ipage=10776107&xml=1&quest=1&rid=23§ion=1&sequence=-1&pdf=1&dn=1. 41. Bradley Johnson, Big Spender on a Budget: What Top 200 U.S. Advertisers Are Doing to Spend Smarter, Advertising Age, July 5, 2015, http://adage.com/article/advertising/big-spenders-factsstats-top-200-u-s-advertisers/299270. 42. FirstBuild, [About], accessed August 1, 2016, https://firstbuild.com/about. 43. Ilan Brat, Chew This Over: Munchable Ice Sells like Hot Cakes, Wall Street Journal, January 30, 2008, http://www.wsj.com/articles/SB120165510390727145. 44. Google Play, Indiegogo, accessed February 10, 2017, https://play.google.com/store/apps/dev? id=8186897092162507742&hl=en. 45. Jonathan Shieber, GE FirstBuild Launches Indiegogo Campaign for Next Generation Icemaker, TechCrunch, July 28, 2015, https://techcrunch.com/2015/07/28/ge-firstbuild-launchesindiegogo-campaign-for-next-generation-icemaker. 46. Samantha Hurst, FirstBuild's Opal Nugget Ice Maker Captures $1.3M during First Week on Indiegogo, Crowdfund Insider, August 3, 2015, http://www.crowdfundinsider.com/2015/08/72196-firstbuilds-opal-nugget-ice-maker-captures-13m-during-first-week-on-indiegogo. 47. FirstBuild Launches Affordable Nugget Ice Machine, Louisville Business First, July 22, 2015, http://www.bizjournals.com/louisville/news/2015/07/22/firstbuild-launches-affordable-nuggetice-machine.html. 48. Indiegogo, Opal Nugget Ice Maker. 49. Robert M. Solow, We'd Better Watch Out, New York Times, July 21, 1987, http://www.standupeconomist.com/pdf/misc/solow-computer-productivity.pdf. 50. Don Reisinger, Worldwide Smartphone User Base Hits 1 Billion, CNET, October 17, 2012, https://www.cnet.com/news/worldwide-smartphone-user-base-hits-1-billion. 51. Jacob Poushter, Smartphone Ownership and Internet Usage Continues to Climb in Emerging Economies, Pew Research Center, February 22, 2016, http://www.pewglobal.org/2016/02/22/smartphone-ownership-and-internet-usage-continues-toclimb-in-emerging-economies. 52. Tess Stynes, IDC Cuts Outlook for 2016 Global Smartphone Shipments, Wall Street Journal, September 1, 2016, http://www.wsj.com/articles/idc-cuts-outlook-for-2016-global-smartphoneshipments-1472740414.

53. Warren D. Devine Jr., From Shafts to Wires: Historical Perspective on Electrification, Journal of Economic History 43, no. 2 (1983): 347–72, http://www.j-bradforddelong.net/teaching_Folder/Econ_210c_spring_2002/Readings/Devine.pdf. 54. 同上注。 55. Scott Sleek, The Curse of Knowledge: Pinker Describes a Key Cause of Bad Writing, Observer 28, no. 6 (July/August 2015), http://www.psychologicalscience.org/observer/the-curse-ofknowledge-pinker-describes-a-key-cause-of-bad-writing#.WJodJhiZOi5. 56. Andrew Atkeson and Patrick J. Kehoe, The Transition to a New Economy after the Second Industrial Revolution, Federal Reserve Bank of Minneapolis Research Department Working Paper 606 (July 2001), http://citeseerx.ist.psu.edu/viewdoc/download? doi=10.1.1.147.7979&rep=rep1&type=pdf. 57. Paul A. David and Gavin Wright, General Purpose Technologies and Surges in Productivity: Historical Reflections on the Future of the ICT Revolution, University of Oxford Discussion Papers in Economic and Social History 31 (September 1999), 12, http://sitesfinal.uclouvain.be/econ/DW/DOCTORALWS2004/bruno/adoption/david%20wright.pdf. 58. John Moody, The Truth about Trusts: A Description and Analysis of the American Trust Movement (New York: Moody, 1904), 467, https://archive.org/details/truthabouttrust01moodgoog. 59. Shaw Livermore, The Success of Industrial Mergers, Quarterly Journal of Economics 50, no. 1 (1935): 68–96. 60. Richard E. Caves, Michael Fortunato, and Pankaj Ghemawat, The Decline of Dominant Firms, 1905–1929, Quarterly Journal of Economics 99, no. 3 (1984): 523–46. 61. Carl Menger, Principles of Economics (Vienna: Braumüller, 1871), 48.

第一部

人腦與機器

第2章

關於我們本身最難以接受的事 這些新機器的發展趨勢，是在各方面取代人類的判斷力，不過是在 相當高的層次，不是用機器的精力取代人類的精力。 ──諾伯特．維納（Norbert Wiener） 應用數學家，1949年

大約在二十年前，全球各地的企業接受人類和電腦的一種分工，這 種分工似乎非常合理：機器負責基本數學、紀錄保存、資料傳輸；人類 負責做決策、發揮判斷力，使用創造力和直覺，彼此互動以解決問題和 照料顧客。

從文書作業礦坑到人機標準夥伴關係 這種分工法如今已經普遍到很難記得在此之前的無止境文書作業年 代──在那樣的年代，人們推著裝滿文件檔案夾的推車，行走於人員及 部門之間進行收發。今天，在美國政府人事管理局的地下室，還有一個 效率極差、如夢魘般的「文書作業礦坑」，負責處理聯邦政府員工退休 的所有必要行政作業流程。由於流程還未電腦化，這些例行性的工作需 要六百名人員處理，他們在一間超市大小、滿是高大檔案櫃的室內工 作，這裡以前是石灰岩坑道，位於地下約61公尺處。[1]1977年，每名聯 邦政府員工的退休文書作業，平均需要花上61天才能完成；今天，基本 上仍使用相同流程，還是要花上61天。已經把退休流程數位化的德州政

府，現在只要兩天就能完成類似作業。 有一本書大肆抨擊了全球這類文書作業礦坑，這本智慧藍圖就是麥 可．漢默（Michael Hammer）和詹姆斯．錢皮（James Champy）在1993 年合著的《企業再造》（Reengineering the Corporation），它在全球銷 售超過200萬冊，被《時代》（Time）雜誌評為有史以來最具影響力的 25本商業書之一。[2] 漢默和錢皮在書中傳達的基本訊息是：企業不該把自己想成在各個 部門內執行工作，例如在採購部門內做採購原物料的工作，而是應該把 自己想成是在執行跨部門間的事業流程，例如接收訂單、組裝及出貨給 顧客。這種思維如今聽來，顯然是非常理所當然的事，但在當時被認為 新穎且重要。二十世紀的卓越管理大師彼得．杜拉克當時就曾表示： 「再造是一個新的、必須做的工作。」[3]流程通常可以揭露不必要而可 以去除的許多工作，或是如同漢默和錢皮所言，將它們消滅。 1990年代中期，兩項進步加快了企業流程的再造運動：企業的資訊 系統，以及全球資訊網（World Wide Web）。企業系統＊1在被建置完成 之前，公司通常會有一堆雜亂的個別軟體，許多彼此互不連結，而且公 司規模愈大，這種混亂的情形愈嚴重。企業系統打著單一大型軟體＊2取 代各種混亂的承諾，專門設計來執行跨部門的流程，企業可以向思愛普 （SAP）、甲骨文（Oracle）等供應商購買「現成」軟體，再依據自身 需求加以建置。 ＊1這些系統很快就因為三個英文字母的頭字語為眾人熟知，例如ERP（enterprise resource planning，企業資源規劃）；SCM（supply chain management，供應鏈管理）； CRM（customer relationship management，顧客關係管理）；HRM（human resource management，人力資源管理）等。 ＊2或者，更正確地說，是「幾套」軟體。就算是最有自信的企業軟體供應商，也不敢說單一系

統就足以應付一家公司的所有需求。

企業系統軟體市場快速起飛，據估計，到了1999年，在《財星》千 大企業中，有超過60％至少建置了一套這樣的系統。[4]雖然安裝與維修 可能相當昂貴、費時，但它們大致上實踐了承諾；舉例而言，艾瑞克及 同事思南．艾羅（Sinan Aral）與吳東軍（D. J. Wu）的研究發現，採用 這類系統的公司在開始使用之後，勞工生產力、存貨週轉率和資產利用 率，都獲得顯著改善。[5] 全球資訊網的問世，則是把企業系統軟體的效能，透過電腦（及後 來的平板電腦和手機）延伸至個別顧客。全球資訊網誕生於1989年，提 姆．柏納茲．李（Tim Berners-Lee）發展出一套通訊協定，[6]讓文本和 相片之類的線上內容能夠彼此連結，實現了科學家暨工程師凡納爾．布 希（Vannevar Bush）在1945年，以及電腦遠見家泰德．尼爾森（Ted Nelson）在1963年描述的超文本願景──布希理論上想像使用的是縮影 捲片，而尼爾森的「世外桃源計畫」（Xanadu Project）則從未啟動。 全球資訊網很快就讓網際網路，從原本的文本網路，變成能夠處理 相片、聲音及其他媒體的網路。這種遠比以往任何多媒體更豐富、好用 的驚人工具，在網景（Netscape）於1994年推出第一款商用瀏覽器 Navigator之後，成為主流。[7] 〔順帶一提，網景的共同創辦人馬克．安德森（Marc Andreessen） 當時是年僅22歲的程式設計師，還開發了其他更早的網路瀏覽器，第11 章將有更多相關討論。〕＊這和網際網路的商業化同時發生，在此之 前，網際網路主要用於學術領域。 ＊提姆．柏納茲．李的設計，實質上就是發明網路（web），為了表彰其貢獻，英國女王伊麗 莎白二世在2004年頒發爵級司令勛章給他，而安德森則是伊麗莎白女王工程獎首屆（2013

年）得獎人之一。

網路讓公司得以把事業流程延伸至四牆之外，一路通達顧客，而這 種趨勢後來發展成電子商務，人們不但開始利用網路搜尋、了解一家公 司的產品，也直接在網路訂購付款。這種效率與便利性的結合令人難以 抗拒，在網景創立僅十年之後，電子商務就占據美國非食物、非汽車零 售業營收額近10％的比例。[8] 接下來的二十年間，網路賦能的企業系統軟體，協助了愈來愈多的 事業流程，執行眾多的例行性工作，包括會計作帳與交易紀錄、計算原 物料遞送的正確數量與時間、員工發薪、讓顧客挑選產品並付款等。 人們應該使用判斷力…… 當企業系統軟體和全球資訊網之類的科技，使員工得以脫離「文書 作業礦坑」之後，他們應該做什麼？漢默和錢皮在《企業再造》一書 中，提供了一個明確的答案：在電腦代為處理例行性的工作後，員工應 該被授權使用判斷力。「再造……消滅了大多數檢查、協調、等待、監 視、追蹤等──不具生產力的──工作……，遵循再造流程工作的人員應 該獲得授權。身為流程組員，他們應該被允許、也需要思考、互動、運 用判斷力，做出決策。」[9] 這是一種共同信念的明確聲明：在一個充滿軟硬體和網路的世界， 人類依舊因為判斷力而有價值──這種推理的能力，超越只是利用可得 資料執行公式化計算而已。絕大多數的人都同意，如果我們只會做例行 性的工作的話，現在可能面臨失業的威脅，因為電腦能夠做得更好。但 是，絕大多數的人也相信，縱使數位科技因為摩爾定律發展得更快（花 同樣的錢，可以取得非常穩定、快速成長的計算硬體），效能呈指數級

成長、變得更強大，人類能夠成就的，仍遠遠多於數位科技。 數十年的研究證實，我們的確以兩種不同的方式推理。這項開創性 的研究為丹尼爾．康納曼（Daniel Kahneman）贏得了一座諾貝爾獎， 他和阿莫斯．特沃斯基（Amos Tversky）開創行為經濟學這個領域。＊1 康納曼和同事的研究指出，我們全都有兩種思考模式，他把這兩種模式 標示為「系統一」（System 1）和「系統二」（System 2）。＊2系統一 是快速、自發性、從遠古進化而來的，不須費力，和所謂的「直覺」密 切相關；系統二正好相反：緩慢、有意識、是進化近程形成的，必須費 力。康納曼在《快思慢想》（Thinking, Fast and Slow）中寫道： ＊1為了表彰其貢獻，康納曼是首位贏得諾貝爾經濟學獎的非經濟學家。 ＊2這種標示是為了保持中立與溫和性，避免引發長久以來由其他名詞所造成的歧見與爭論。

系統一自動快速運作，幾乎不用費什麼力，並沒有刻意控制的感 覺。系統二把注意力派去執行需要費力的心智活動，包括複雜計算。系 統二的運作，往往和主觀的行動、選擇及專注等經驗有關。[10]

兩種系統都可以隨著時間改進。我們可以藉由上數學或邏輯課程來 精進系統二；至於系統一，改進的方法就比較自然、廣泛一點了，只要 累積生活經驗和觀看很多例子，就能夠逐漸加強。歷練使得消防隊員能 夠判斷火勢如何在一棟建物裡蔓延；人事經理在面試過很多應徵者之 後，愈來愈能夠判斷誰跟自家公司比較適配；圍棋手藉由用心下棋，棋 藝日益精進。這兩種系統當然可以，也應該同時改進。研究疾病發生及 本質的病理學家，藉由研習生物化學，以及觀看非常非常多的病體組織 和健康組織，來精進自身的專業技能。當我們既了解基本原理，又能以

具說服力的例子來說明這些基本原理時，往往能夠獲得更深入、更快速 的學習。 商業訓練的主流方式，向來是結合這兩種系統。商學院學生透過會 計、財務、個體經濟學等課程，增進系統二的技巧；他們也討論了很多 關於創業、領導、企業道德等領域的個案研究，來加強直覺與判斷力， 也就是系統一的技巧。許多商學院課程都結合兩種方法，醫學院和法學 院也依循相似軌道。 關於人類系統一和系統二的能力，還有一個確立的研究發現，那就 是它們高度因人而異。有些人很會解方程式和各種難題，但缺乏直覺和 「真實世界」的領悟力；有些人算術不行，但直覺能力很強。 隨著科技普及化，後者（算術不行、直覺能力佳的人），並不會陷 入劣勢；實際上，情況反而可能對他們有利，因為電腦可以做種種邏輯 性質、公式化的工作，他們得以解脫，做漢默和錢皮主張人們做的事： 發揮判斷力、做決策，和他人互動，以解決問題、掌握機會、照料顧 客。 在我們看來，現今商業世界中，系統一似乎占有優勢。前任執行長 們可能會寫出書名為「相信直覺」或「勇敢抉擇」之類的書籍。[11]「技 術官僚」（technocrat）一詞，被用來貶損那些太聚焦於數據、不夠通達 真實世界複雜性的領導人。2010年出版的《誰還需要MBA》 （Rethinking the MBA）一書指出，MBA課程主要的缺失之一，就是未 能培養「無結構混亂境況中的判斷力與直覺力。」[12]諸如此類經常出現 的論點，與《企業再造》一書提出的主張一致：讓人們發展並發揮直覺 與判斷力，以做出明智決策；同時，讓電腦負責執行數學和記錄的工 作。我們太常聽到和看到這種人腦與機器的分工了，所以我們稱它為 「標準夥伴關係」。

可惜的是，他們的判斷力往往不佳 標準夥伴關係聽起來固然動人，但這種關係有時運作得一點也不 好。完全去除人類的判斷（甚至是來自經驗老道、資歷優異者的判 斷），只倚賴把數字套入公式裡，往往能夠得出更好的結果。 這項發現相當反直覺，也不是太討喜，理由當然很明顯，所以我們 必須提出充分佐證。在此之前，我們要先強調：在商界，系統一並非毫 無價值，絕非如此；人類的直覺、判斷與快思，仍將扮演重要的角色， 而且一些頂尖公司正以新穎的聰明方式加以善用，乃至於在人腦與機器 之間，形成一種改善的新夥伴關係。 首先，我們得探討系統一的一些弱點。來看看下列這些開創性的研 究，它們凸顯了人類的判斷力和直覺往往有嚴重限制，就連專家也不例 外。 ✔社會學教授克里斯．史奈德斯（Chris Snijders）使用荷蘭公司購買 的5,200台電腦設備，建立一個用以預測每筆交易的預算控管度、 交貨時程遵循度，以及購買者滿意度的數學模型。他用這個模型來 預測幾個不同產業不同交易的相關結果，同時請產業的採購經理人 做預測。結果，史奈德斯的數學模型擊敗了這些經理人，甚至是水 準超過平均值的經理人。他也發現，老鳥經理人的預測表現，並未 優於菜鳥經理人，而且大體而言，經理人對所屬產業的交易預測， 並未優於對其他產業的交易預測。[13] ✔經濟學教授歐爾利．艾辛菲爾特（Orley Ashenfelter）建立了一個簡 單模型，只用四個可公開取得的氣候變數，就能早在波爾多紅酒可 開桶品嚐之前，成功預測其品質與價格。年分較新的紅酒價格，向 來高度受到知名紅酒專家意見的影響，但艾辛菲爾特在研究報告中

寫道：「〔像這樣的研究〕引發的最有趣爭議之一就是，它對專家 意見決定紅酒價格所影射的意含。……證據顯示，專家意見和紅酒 品質的基本影響因素無關……。這自然令人產生疑問，究竟我們為 何需要專家意見？」[14] ✔艾瑞克和華頓商學院教授吳琳恩（Lynn Wu），共同建立一個用來 預測房屋銷售量與房價的簡單模型，他們使用谷歌搜尋趨勢 （Google Trends）的統計數據，包括「房地產經紀人」（real estate agent）、「房貸」（home loan）、「房價」（home prices）等關 鍵詞每個月在美國五十州被搜尋的次數。他們用這個模型來預測房 屋銷售量及房價，並將預測數據拿來和全美房地產經紀人協會 （National Association of Realtors）發表的專業預測數據相比，結果 模型的準確度比專家的高出了23.6％，同時證實把谷歌搜尋數據納 入預測模型的效力。[15] ✔艾瑞克的另一項研究計畫，建立了一個類似《魔球》 （Moneyball）版本、但應用對象為學術圈的模型，準確度甚至更 高。他和其他三位麻省理工學院的同事迪米崔斯．柏西馬斯 （Dimitris Bertsimas）、約翰．席柏霍茲（John Silberholz）和夏 哈．萊克曼（Shachar Reichman），想預測誰可以獲得頂尖大學的 終身職。他們檢視年輕學者早期文獻的刊登紀錄，以及文獻被引用 的型態，並使用網絡理論的一些概念，看哪些人的文獻最具影響 力。然後，他們調整模型，預測在作業研究這個領域，哪些學者最 終可以獲得終身職，結果他們的預測和學校終身職審核委員會的最 終決定吻合度高達70％。在不吻合的那個部分，模型預測但並未獲 得終身職的學者，後來在頂尖期刊發表的文獻數量和被引用的次 數，多於當年獲得終身職的學者。[16]

✔學者夏．丹齊格（Shai Danziger）和同事的研究發現，以色列法官 在一天開始及用餐休息過後，判准假釋的可能性較高。在用餐休息 時間之前，也就是在他們應該已經疲乏或血糖較低時，比較可能判 決不准假釋。[17]其他研究也顯示，審判決定往往受到與案件本身無 關的因素影響。經濟學家歐茲坎．艾倫（Ozkan Eren）和納西．摩 肯（Naci Mocan）的研究發現，在美國某一州，畢業於當地知名大 學的法官在母校的美式足球隊意外輸了比賽之後，判決明顯變得更 加嚴厲，而且獲得更嚴厲判刑的被告以黑人居多。[18] ✔以往在佛羅里達州布洛瓦德郡（Broward County）學區，辨識資優 孩童的第一步，是由父母或老師提名。布洛瓦德郡大多數的學生都 是少數族群，但資優班學生有56％是白種人。在二十一世紀的頭十 年，該學區決定擺脫往年的主觀方法，嘗試盡可能系統化，力求客 觀，讓學區所有孩童接受非語文智力測驗。經濟學家大衛．卡德 （David Card）和蘿拉．吉里安諾（Laura Giuliano）的研究發現， 這項改變產生了驚人的結果：被視為資優孩童的非裔美國人增加了 80％，而拉丁美裔則增加了130％。[19] ✔法學教授泰德．魯格（Ted Ruger）、金寶琳（Pauline Kim），以 及政治學家安德魯．馬丁（Andrew Martin）、凱文．昆恩（Kevin Quinn）共同進行了一項測試，想看看馬丁和昆恩建立的一個六變 數簡單模型，能否比由83位優秀法律專家組成的團隊，更準確預測 美國最高法院2002年院期的審判結果。在這83位當中，有38位曾經 當過最高法院法官的書記或助理，33位是法學教授，6位是現任或 前任法學院院長。平均來說，這些團隊成員的預測與法院最終判決 相符率稍低於60％，而馬丁和昆恩的模型預測準確率則達75％。[20]

看完了這些例子，是否足以說明，並且顯示出公允性呢？還是我們 刻意（或無意間）凸顯了人類判斷力輸給純粹資料導向方法的案例，忽 略了人類判斷力較好的例子？有充分的研究資料顯示，我們沒有偏頗。 心理學家威廉．葛羅夫（William Grove）為首的一支研究團隊，檢 視了五十年的文獻，尋找心理學和醫學領域已刊登、經過同儕審查的臨 床預測與統計預測的比較例子（臨床預測指的是有經驗的人類專家所做 的判斷，統計預測指的是純粹資料導向方法所做的判斷。）他們找到 136篇這類文獻，涵蓋範圍廣泛，從智力測驗預測到心臟病診斷預測都 有。其中48％顯示，兩者沒有明顯差別；換言之，專家的預測準確度， 並未優於公式的預測準確度。[21] 但明顯否定人類的判斷力是比較好的，是下列這項發現：在這136 篇文獻當中，有46％顯示人類專家的預測準確度，明顯比純粹數據和公 式的預測準確度還差，表示人類只有在6％的案例中判斷力較優。葛羅 夫團隊總結，在那些人類表現較佳的研究中，幾乎都是「臨床家獲得的 資料，比機器獲得的還多。」[22]著名心理學家保羅．米爾（Paul Meehl）從1950年代初期開始，記錄與敘述人類專家判斷力不佳的例 子，數十年後，他在一份研究報告中總結：[23]

無庸置疑，在社會科學領域，大量性質不同的研究得出的結論，高 度一致於這項結論。當你縱覽過上百項預測調查，從預測美式足球比賽 的結果，到預測肝病診斷，發現只有寥寥幾項調查，顯示臨床家的預測 稍微比較好一點時，是該下務實結論了。

這項務實結論就是：我們相信，必須減少倚賴專家的判斷和預測。

有愈來愈多的美國公司得出相同結論。艾瑞克和多倫多大學教授克 莉絲汀娜．麥克艾爾希倫（Kristina McElheren），與美國人口普查局 （US Census Bureau）攜手合作，對18,000家具有代表性的製造工廠進 行調查，發現採用資料導向決策的情形快速增加，而背後的催化力是IT 使用的增加，以及採用這種方法的廠商績效明顯較佳。[24] 儘管有前述這些具說服力的例子，我們也必須用一些重要的資格條 件，來調和這一長串電腦演算系統的凱歌。想要比較人類判斷力和數學 模型的能力，當然先要有模型，但如同「波蘭尼弔詭」所示（知道的 多，能夠說出來的少），這並非總是能夠做到。這類模型必須先使用許 多類似例子的資料集進行測試與修正，但這些例子只是人類必須做的無 數決策中的一個子集而已。不過，總的來說，模式很明顯：一個又一個 的例子顯示，若可以建立並測試一個模型的話，模型在做相似於人類專 家必須做的決策時，表現通常不亞於、或甚至優於人類專家。當機器可 以做得更好時，我們卻太常繼續仰賴人類的判斷能力。

人腦：聰明，但蟲多 一個只倚賴系統二的方法（純粹理性、邏輯計算數據），如何優於 一個使用系統二和系統一（人人與生俱來、深層、本能性的思考能力） 的方法？畢竟，長久以來，系統一一直運作得很好，幫助我們克服各種 嚴酷的演化挑戰，得以繼續存活並繁榮（人類這個物種還在，有75億人 呢。）[25]它怎麼會讓我們輸得這麼慘？ 這些問題太大了，一本書都探討不完，遑論一章篇幅。不過，在 《快思慢想》中，康納曼對大量研究總結如下（其中大多是他做的研 究）：

由於系統一自動運作，無法用人的意志關閉，因此通常難以預防直 覺思考的錯誤。偏見也總非可以避免，因為系統二可能無法分辨錯 誤。[26]

簡單來說，就是系統一很神奇，但出錯率高。它很常走捷徑，並非 周詳推理。它有非常多的偏誤，心理學及行為經濟學（康納曼幫助建立 的一門學科）的研究人員，已經辨識出並為大量系統一的毛病命名。 把這些毛病統統列出來的話，會令你既厭煩又沮喪；魯爾夫．杜伯 里（Rolf Dobelli）的專著《思考的藝術》（The Art of Thinking Clearly） 共有99章，維基百科（Wikipedia）的「認知偏誤列表」（list of cognitive biases）條目頁面中，共列出175項這種缺失（截至我們在寫這 段時。）Slack軟體公司產品經理巴斯特．班森（Buster Benson），提出 了一個分類方法，提醒我們這些偏誤造成的問題，＊我們認為這個方法 很棒：[27] ＊班森在陪產假期間，查看維基百科的「認知偏誤列表」，想出了這個分類方法，發表在Better Humans網站的「life hacking」版上。這個例子是利用線上群眾洞見的一個好例子，第三部有 更多討論。

1. 資訊過荷令人受不了，於是我們積極過濾……。但我們過濾掉的一 些資訊，其實是有用而且重要的。 2. 缺乏意義令人困惑，於是我們填補空缺……。但我們尋求意義之舉 可能召來錯覺，我們有時使用假設來想像細節以填補空缺，建構出 實際上並不存在的意義與情節。＊ 3. 我們需要快速行動，以免錯失機會，於是我們驟下結論……。但快

速決策可能嚴重失誤，而我們所做的一些快速反應和決策，並不公 平、而且自私，容易產生不良後果。 4. 由於不容易，於是我們嘗試記住重要的部分……。但我們的記憶力 卻會增加錯誤，我們後來想起的一些片段，只會使前述系統更加偏 誤，對思考流程危害更大。 ＊這種偏誤有個名稱「妄想關聯性」（apophenia），統計與機器學習模型也可能會犯這種錯 誤，通常稱為對資料「過度擬合」（overfitting the data）。

在此，我們要呼籲各位注意認知能力的另一個嚴重問題：我們無法 知道系統一何時運作得當，何時運作不當。換言之，我們對自己的直覺 了解得也不多，不知道自己做的快速判斷或決策是否正確，或是被眾多 認知偏誤之一或多個給汙染了。這是「波蘭尼弔詭」的另一弔詭：我們 知道的，也比我們能說出口的還「少」，因為我們對系統一的產物知道 的較少。系統二的理性計算，通常可以再檢查確認，但如同康納曼所 言，系統一卻無法再檢查確認，尤其最不可能由我們自身做出檢查。 近年的研究發現了一種特別險惡，和「波蘭尼弔詭」的這個弔詭有 關的偏誤：通常系統一會做出一個結論，然後徵召系統二做出合理解 釋。誠如心理學家強納生．海特（Jonathan Haidt）所言：「判斷與合理 化是兩個分開的流程」，[28]系統一做出的判斷幾乎發生在瞬間，然後系 統二以理性、貌似可信的語言加以合理化。＊這種託辭往往不僅愚弄他 人的腦袋，也愚弄說者自己的腦袋，心理學家李察德．奈思比（Richard Nesbitt）和提摩西．迪坎普．威爾森（Timothy DeCamp Wilson）如此 形容，我們「說的比我們懂的還多。」[29]然而，我們稱為合理化和自我 辯解的行為，並不一定都是在找藉口；它們是更深層、基本的東西，是 系統一在運作。

＊海特在《象與騎象人》（The Happiness Hypothesis）中解釋：「人們很容易虛構理由來解釋 自身行為，這稱為『虛構症』（confabulation）。虛構症太常發生在裂腦病人和其他腦部受損 病患的身上，因此心理學家麥可．葛詹尼加（Michael Gazzaniga）把腦部左邊的語言中心稱 為解釋模組（interpreter module），職務是為自己正在做的事提出現場注解，儘管並未取得這 項個人行為的實際原因或動機。舉例而言，若『走』這個字閃過病人的右腦，病人可能會站 起身來走開，你問他為何要起身走開，他可能回答：『我要去拿可樂。』這個解釋模組十分 善於編織解釋，但並不知道自己正在這麼做。」參見：Jonathan Haidt, The Happiness Hypothesis: Finding Modern Truth in Ancient Wisdom (New York: Basic Books, 2006), 8。

2006年，分別任職於財捷公司（Intuit）與微軟公司的資料分析師艾 文納許．考希克（Avinash Kaushik）和羅尼．柯哈維（Ronny Kohavi），提出「HiPPO」這個頭字語來形容多數公司的明顯決策風 格，它的全名是「highest-paid person's opinion」（薪酬最高者的意 見）。[30]我們很愛這個頭字語，所以經常使用，因為它生動描繪了標準 夥伴關係。縱使決策不是HiPPO所做，也經常（往往是太常了）是根據 系統一的意見、判斷、直覺和感覺所做。證據十分清楚，這種方法通常 運作得不好，而HiPPOs則是太常摧毀價值。

人腦與機器的新夥伴關係 了解系統一和系統二的偏誤及毛病之後，我們該如何運用這些知 識？我們能夠因此變得更聰明，做出更好的決策嗎？一個最明顯的方法 就是，在機器能夠做決策的境況當中，考慮讓機器做決策──讓由摩爾 定律驅動、有大量資料做為燃料的純數位系統二提出解答，不要系統一 的干預。這正是愈來愈多公司目前在做的事。 自動化的「第二經濟」 就我們所知，最早的全自動化決策例子之一，發生在企業電腦演算

紀元黎明到來時，那就是使用分數來反映人們的可信度，了解他們履行 貸款償還義務的可能性。在此之前，這項明顯重要的決策，向來是由分 行當地的貸款審核員所做，他們依照專業經驗來評估申請人的資格，有 時會參照一些評估準則。但是，比爾．費爾（Bill Fair）和厄爾．艾薩 克（Earl Isaac）認為資料可以做得更好，他們在1956年創立費爾艾薩克 公司（Fair Isaac Corporation），開始計算FICO信用評分。 自動化信用評估很快就變成標準模式，《美國銀行家》（American Banker）日報在1999年報導：「任何5萬美元以下的貸款申請，不會有 銀行人員進行評估，全部由電腦評分。」[31]證據顯示，FICO和其他類 似的信用評分，是準時還款的高度可靠預測器；近年來，隨著個人數位 資訊量與種類增加，這種「大數據」已被用於增進與擴大信用評分。 這類信用評分的發展者，必須小心避免數位歧視性拒貸（digital redlining），也就是拒絕或減少貸款給特定地區特定種族或族群的居 民，這是違法的實務。但大體而言，它們提供了有益的服務，讓更多人 有機會取得貸款，也讓放款機構有信心擴展業務。而且，證據顯示，由 於放款決策變得更自動化，歧視性拒貸情事實際上減少了。聯準會2007 年發布的一項調查指出，信用評分模型「減少違法歧視行為發生的機 會……，或許有助於降低貸款決策受到個人性格或其他法律禁止因素的 影響，包括種族或族群歧視。」[32] 今天，我們周遭多的是有益、高品質、百分之百的自動化決策。亞 馬遜及其他電子商務網站，為每個購物者每次造訪推薦商品，雖然很多 都徒勞無功，但仍不乏相當有效的推薦。亞馬遜網站估計，銷售額有 35％來自交叉銷售活動，例如推薦商品等。[33]機票和旅宿房價隨著供需 預測變化和每分鐘的實際變化而異動，這種訂價方法稱為「收益管理」 （revenue management），對無數公司來說非常重要（第8章會回到這個

主題），但收益管理演算法在產生價格提供給顧客之前，鮮少經過人工 再次檢查確認。現在，就連實物商品也採用自動價格異動了，2015年感 恩節翌日的黑色星期五，亞馬遜和沃爾瑪全美存貨的價格分別異動了 16％和13％。[34] 事實上，我們周遭有太多全自動化的決策了，以至於經濟學家布萊 恩．亞瑟（Brian Arthur）用「第二經濟」（second economy）來形容， 指交易在無人為涉入下，以「龐大、無聲、彼此連結、看不見、自主」 的方式發生。[35]這種自動化的第二經濟，隨著時日入侵我們熟悉的人為 經濟，演算法取代了專家和HiPPOs。當愈來愈多的全球資訊數位化， 提供了巨量資料可用來改善決策，讓靠直覺做決策變成資料導向決策。 長久以來，廣告公司不但幫助客戶設計創意廣告，也幫助他們決定 何時何地最適合推出這些廣告，這包含必須知道哪些節目、地區和時 段，最符合廣告主的目標及預算。為了把這件事做好，他們用了很多資 料和技術，人氣影集《廣告狂人》（Mad Men）中的廣告公司，在1969 年取得第一台電腦IBM System/360，幫助布署自家的廣告業務（同時讓 客戶印象深刻），[36]但那仍主要倚賴人的判斷與決策。 丹．華格納（Dan Wagner）在2012年美國總統大選，擔任歐巴馬陣 營高級分析師，親眼目睹了機器如何做到遠遠更高的準確度，以及帶來 了多少好處。華格納和同事建立一份美國所有選民的名冊，團隊使用了 機器學習（machine learning，下一章有更多討論），對名冊上的每個選 民創造了三個分數：支持分數（support score），預測此人對歐巴馬可 能支持的程度〔相較於對手米特．羅姆尼（Mitt Romney）〕；投票分 數（turnout score），預測此人11月現身投票的可能性；以及說服分數 （persuasion score），預測此人在收到歐巴馬的競選訊息後產生更多好 感的可能性。[37]

多年來，每一集電視節目的收視族群統計資料是可以取得的，比方 說，你可以知道丹佛地區有多少18歲到24歲的男性，在週二晚上十點觀 看動畫影集《蓋酷家庭》（Family Guy）的重播，而媒體購買者及策略 師在做決策時，向來高度倚賴此資訊。若歐巴馬2012年的選戰，想把訊 息傳達給大量科羅拉多州18歲到24歲的男性，有很多公司和專業人士可 以建議他們，是否應該在週二晚上《蓋酷家庭》重播時段購買廣告。 但歐巴馬團隊和其他多數廣告主一樣，知道仰賴這類人口結構統計 資料非常不準確，畢竟收看歐巴馬競選廣告的電視觀眾，有可能是羅姆 尼的中堅支持者，也有可能是早就決定要投票給歐巴馬的人，這樣一來 就等於是浪費。仰賴人口結構統計資料，形同仰賴過分粗略的判斷與估 計，就跟猜測沒有兩樣──猜測在大選期間，18歲到24歲的男性是容易 爭取到選票的一群，或是猜測《蓋酷家庭》或也許一般卡通的觀眾，更 容易被歐巴馬的競選訊息給打動。 華格納和同事認知到，他們建立的完整選民名冊，幫助他們更容易 採用一個遠遠更好的媒體購買方法。有了這份完整名冊，他們可以辨識 哪些人屬於競選廣告最想觸及的兩群人之一：第一群雖是歐巴馬的支持 者，但需要被說服在投票日當天現身投票；第二群則是對歐巴馬採取觀 望態度的人，有機會被說服成支持者。換言之，第一群就是「動員投票 群」（get out the vote, GOTV），第二群則是「可被說服群」 （persuadables）。分析團隊看到各人口結構中都有這兩群人，所以只根 據人口結構選擇競選廣告播出時段的話，將無法精準瞄準到他們想要觸 及的選民。此外，分析團隊也從初期實驗中得知，兩群選民對不同類型 的廣告有最佳反應，所以在購買廣告時段時，也必須區分廣告內容。 到了2012年，一些調查公司已經進步到不只掌握收看族群的資料， 甚至精準到「個人」的程度，＊1知道誰正在收看節目。這正是華格納和

同事需要的第二類資料，於是他們把名冊提供給收視調查公司，並且回 收資料得知哪些觀眾屬於「動員投票群」和「可被說服群」。＊2這讓他 們可以迅速辨識出最佳的廣告購買時段，知道自己花在廣告上的每一分 錢，都瞄準了最多屬於「動員投票群」和「可被說服群」的人。華格納 告訴我們：「結果，我們也買了電視樂土（TV Land）頻道的深夜時 段，真是不可思議。這算是突然的，它突然出現，因為它太便宜了。那 些節目有很多觀眾可以被說服，所以我們決定買廣告。」[38] ＊1資訊來源是人們同意在家安裝的機上盒。 ＊2為了保護隱私，由第三方處理比對流程，所以不論是歐巴馬的競選團隊或收視調查公司，都 無法看到彼此手上的完整名單。

大選過後，華格納創立了大數據公司喜飛思分析（Civis Analytics），將這種高度資料導向的媒體購買方法變成一種產品，供應 給企業及其他組織。他相信，現在是提供這種產品與服務的適當時機， 主要是因為有太多公司握有大量的個人名單，包含潛在顧客、可能的回 頭客等。他告訴我們：「如果你賣的是昂貴的輪胎，可能會有一群人願 意花大把鈔票購買昂貴輪胎，但有90％的人完全不在乎，因為他們不開 車或絕對不會買這麼貴的輪胎。雖然你知道要瞄準哪些人，但你無從精 確、有把握得知他們會看哪些節目，現在你可以知道了。」[39]對廣告主 來說，購買播出時段是一項重要決策，有一些參考資料，但也涉及了很 多判斷；喜飛思分析公司正在改變這點，把媒體採購變成一種更像是在 追求最佳化的行為，而不是只靠直覺。 當然，縱使是高度先進的資料導向系統，也遠非完美，尤其如果輸 入資料品質有瑕疵的話。希拉蕊．柯林頓（Hillary Clinton）在2016年的 競選活動，也採用了許多相似的手法，但最後以些微差距落選，部分是 因為民調資料不正確地顯示，她在三個中西部州大幅領先，但最終她以

些微差距輸了這三州。 另一種常見的風險是，決策者瞄準的最佳目標，並非總是正確的最 終目標，或是像HiPPO一詞的共同發明者柯哈維說的「整體評估標 準」。[40]縱使華格納團隊成功讓希拉蕊在全美民調的領先幅度最大化， 這也不是一個正確的目標，因為美國總統選舉是由選舉人團決定的，並 非全國普選制，因此需要更精細、各州不同的策略。同理，網頁瀏覽量 或點擊率很容易測量，但大多數廣告主更關心的是長期的銷售量，由不 同行銷活動刺激出來的最大長期銷售量。成功的資料導向決策者的主要 能耐之一，就是審慎選擇正確的輸入資料，以及正確的績效指標，尤其 是「整體評估標準」。 演算法出包 把決策交給機器的一大風險是，演算法內含的偏見可能固化，甚至 會擴大社會中的有害偏見。經常受到引述的哈佛大學教授拉譚雅．史威 尼（Latanya Sweeney），在谷歌搜尋引擎輸入了自己的姓名後，看到了 令她不大愉快的東西，旁邊出現了這麼一則廣告：

Latanya Sweeney, Arrested?[41] 1.) Enter name and state 2.) Access full background. Checks instantly. www.instantcheckmate.com Latanya Sweeney，曾經遭到逮捕嗎？ 1.）輸入姓名及州名 2.）取得 全部背景資料。想要立刻獲得查詢結果，請上 www.instantcheckmate.com。

這則廣告暗示她有犯罪紀錄，但她從未被逮捕過。

進一步的研究之後，史威尼發現，搜尋非裔美國人常用的名字，如 Trevon（特雷文）、Lakisha（拉琪夏）或是她的Latanya（拉譚雅）， 比起搜尋較常為白人使用的名字，如Laurie（蘿莉）或Brendan（布藍 登），更可能出現「曾經遭到逮捕嗎？」的廣告。[42]我們雖然無法確知 為何會出現這種型態，但史威尼提出了一個令人不安的解釋：谷歌自動 化的廣告服務演算法可能注意到，當廣告和聽起來像黑人的名字有關 時，被點選的可能性比較高。雖然這並非反映出廣告張貼者或谷歌本身 具有種族歧視，但這種偏見可能反映並擴大了一種社會普遍的型態── 數以百萬計的民眾在決定點選廣告時可能具有歧視。同樣地，2017年1 月，若你在谷歌的圖片搜尋中輸入關鍵字「scientist」（科學家）或 「grandmother」（奶奶），將得出大量白人圖片。 科學期刊《自然》刊登的一篇文章中，作者凱特．克勞佛（Kate Crawford）和萊恩．卡洛（Ryan Calo）指出危險性：「在目前的一些情 境中，人工智慧系統的壞處，對那些原本就因為種族、性別或社經背景 等因素而處於不利地位的族群，造成的影響特別大」，這凸顯了思考這 些系統造成的社會影響的重要性（不論那些影響是刻意或無意間造成 的。）[43] 我們認同這些疑慮，在決策愈來愈仰賴電腦演算法的趨勢中，這是 一項挑戰，也是一種機會。挑戰在於，這類方法可能嵌入並固化不公 正、有害、令人不樂見的偏見；更糟的是，儘管系統設計者懷抱著設計 出無偏見系統的最佳意圖，仍然出現了這類偏見。而且，若不周詳測 試，可能難以辨察出這些偏見，這是所有系統設計都必須面對的挑戰。 機會在於，以機器為基礎的系統，通常是可以測試與改進的，而且 一旦獲得改進，就不大可能再犯相同錯誤。反觀人類，就遠遠較難承認 自己的偏見（在你認識的人當中，有多少承認自己有種族歧視或性別歧

視？），更遑論克服偏見所需要耗費的苦工。採用單一決策系統，不論 是由機器、人類，或是機器與人類結合的決策系統，都不可能完美。抱 持著這種期待是不切實際的，因為任何系統都可能犯錯、有偏見。因 此，目標應該是放在選擇一種讓偏見與錯誤最小化，而且可以簡單、快 速修正的方法。 明智地讓人類智慧參與其中 那麼，在決策流程中，人類應該扮演什麼角色呢？我們已知，系統 一充滿偏誤、蟲多，現在可以取得海量資料、電腦運算能力強大，第二 經濟似乎將取代第一經濟，數位化的系統二將負責大多數的決策。有一 則老笑話是，在未來的工廠裡，將有兩名員工：一個人和一條狗，人的 職務是餵狗，狗的職務是看人，不讓人碰觸任何機器。[44]未來的公司， 真的會變成這種面貌嗎？ 我們可不這麼認為。人類固然有電腦沒有的偏誤，但也有電腦欠缺 的長處。就拿其中一項來說吧！我們隨時從感官接收大量資訊，而且不 會事先篩選資訊，來什麼就接收什麼，哪怕只是很短的時間，我們也難 以只聽特定聲音、只看特定事物。電腦則是剛好相反，下指令的人要它 們蒐集什麼資料，它們就蒐集那些資料，很難蒐集更多或其他資料。 這種差異帶給人類一項重要的職務，心理學家保羅．米爾稱此職務 為「斷腿角色」（broken leg role）。[45]來看看他舉的一個例子：有一名 教授幾年來，每週二晚上都會去看電影，所以電腦模型自然預測她下週 二晚上將會去看電影。不幸的是，週二早上，她不小心跌斷腿了，打上 石膏，所以無法坐進電影院的座椅（這個例子是1954年構思的。）任何 人都能立刻知道，這位教授週二晚上是無法去看電影了，但演算法卻無 法輕易複製人類的這種「特殊能力」，因為有種種「難以預測的因

素」，將影響這位教授的行為。[46]不論是誰設計的電腦系統，都無法完 整蒐集到所有這些因素的良好資料，讓程式得以納入考量；想要做到這 點，唯一的辦法就是建立一套遠比任何電腦系統，更全方位、更周詳的 世界級模型。 此外，人類還有一項優勢，那就是淵遠的良好常識。有些人的常識 比別人好，但所有人的常識都強過當今世界上最先進的電腦。我們出生 後沒多久，就開始學習關於世界如何運作的重要事物，而且學得又快又 可靠。儘管研究了數十年，我們仍然無法十分了解人類是如何取得常識 的，許多科學家嘗試對電腦灌輸常識，但迄今都相當失敗，關於這點， 下一章會有更多討論。 因此，在多數的情況下，由人類檢查電腦的決策，確保那些決策合 情合理，會是比較好的做法。長期研究分析與科技領域的學者湯瑪斯． 戴文波特（Thomas Davenport），將這種做法稱為「望向窗外」（look out of the window）。[47]這個名詞並非全然是聯想式的隱喻，是一個飛 機駕駛給戴文波特的靈感。他告訴戴文波特，在開飛機時，他高度仰賴 飛機的機械操作，但也必須時而望向窗外，掃視天際線。這種方法非常 有益，不只是為了防止錯誤，也有助於維護一家公司的聲譽。 叫車平台Uber，在2014年末就學到了慘痛教訓。當時，Uber的加成 計費（surge pricing，在尖峰時段暫時調高費率），令許多用戶十分不 爽。Uber的辯護理由是（我們也同意），加成計費有助於平衡尖峰時段 的供需，當實際或預期的Uber車輛供給不敷需求時，該公司的演算法將 會調升費率，鼓勵更多駕駛加入提供服務。 這項實務在2014年12月，招來了大量的負面輿論，起因是一名伊朗 教士在澳洲雪梨一間咖啡館挾持了十八名人質，許多人慌忙逃離事件的 發生地區，其中一些利用Uber叫車，Uber的電腦系統便對這股激增的需

求做出反應，啟動加成計費。許多人看來，在危機爆發時，這是非常不 當的反應，所以該公司遭到強烈抨擊。[48] Uber發出了下列聲明：「〔在事件發生時，〕我們沒有立刻關閉加 成計費，這是錯誤決策。」[49]顯然，該公司也內建在一些情況下取消加 成計費的設定。比方說，後來在2015年11月13日的晚上，伊斯蘭恐怖分 子在巴黎發動了一連串的攻擊，在第一起攻擊行動發生的三十分鐘內， Uber就取消該市的加成計費，＊並提醒所有用戶這個緊急事件。[50] ＊還是有謠言廣泛流傳，說Uber在巴黎恐攻中繼續加成計費。

像這樣的例子，足以顯示將人類判斷與演算法結合的好處。不過， 公司在採用這種方法時，也必須小心，因為我們實在太鍾情於自己的判 斷力，往往過度自信，許多人（如果不是絕大多數的話）經常太快凌駕 於電腦之上，縱使是在電腦的答案較佳時。前文提過社會學家克里斯． 史奈德斯，他對荷蘭採購經理人的預測能力進行研究，他發現「有演算 模型輔助的專家，預測準確度通常介於純模型和無模型輔助的專家之 間。所以，提供演算模型給專家，他們的預測準確度將會提高，但純模 型預測的能力仍然較佳。」[51] 基於米爾和戴文波特說明的理由，我們贊成結合人類智慧，但我們 也呼籲公司盡量長期追蹤，了解演算法決策與人類決策的正確度，如果 人為調整演算法的後果較佳，那就表示這個方法成功運作，否則就得做 出改變，而第一步就是讓人們知道他們的實際成功率。 這種反饋很重要，因為系統一就是這樣學習、改進的。康納曼與心 理學家蓋瑞．克雷恩（Gary Klein），在合著的文獻中寫道：「應該不 要輕易相信直覺，而是把它當成一個重要的資料點，必須有意識、審慎 地評估這個資料點，檢視它在當前的情境中是否合理。」[52]想要減少系

統一的偏誤、改善其正確度，最好的方法就是展示大量的例子，並且經 常快速提供反饋，讓它知道是否正確。 倒置夥伴關係，畫出清楚界線 最後一個有助益的做法，一些公司已經開始採行，就是把人機的標 準夥伴關係倒置，不再由機器提供資料給人類當作判斷參考，而是把人 類的判斷當成一個資料點，輸入演算法。谷歌首創將這個方法用於人才 招募上，人才招募對該公司非常重要，但分析顯示，人機標準夥伴關係 的成效很差。 拉茲洛．博克（Laszlo Bock）在擔任谷歌資深人資長時發現，當時 所採用的大多數新員工遴選方法近乎無效。他的團隊檢視究竟是什麼因 素，造成公司員工工作表現的差異；他們發現，錄用前的徵信調查 （reference check）只能解釋7％的差異性，先前工作經驗的年資只能解 釋3％，無條理結構的面試只能解釋14％（就是那種最常見的面試，在 開頭時詢問：「你最大的長處是什麼？」，或「請逐項談談你的履歷 表。」）博克說，這類面試的問題在於：

它們形成了一種情況，其實是試圖在確認我們對此人的想法，不是 真的在評估對方。 心理學家把這稱為「確認偏誤」（confirmation bias），我們只根據 最少的互動，得出了一張快照，在無意間做出判斷，卻深受既有偏見和 想法的左右。不知不覺中，我們從原本是在評估一位應徵者，變成了在 尋求證據，確認自己的初步印象。[53]

這又是系統一在作祟，把偏誤和毛病帶入一項重要決策裡。

那麼，有什麼更好的人才招募方法？谷歌改為高度倚賴有條理結構 的面試，這項因素對員工錄用之後實際工作表現的解釋度超過25％。所 謂的有條理結構面試，包含一套用以評估應徵者的預先設定問題，例如 評估應徵者的一般認知能力。谷歌採用了一種人才招募流程，所有面試 官使用結構性面試，詢問應徵者大致相同的問題，博克解釋：「我們使 用一致的面試評分表格……，面試官必須評估應徵者表現如何，表格上 清楚定義了每一項表現的等級……。一份簡明的人員招募評分表 格……，把混亂、模糊且複雜的工作情況簡化，得出可評量、可比較的 結果。」[54] 在此方法中，個別面試官的判斷仍然受到重視，但這些判斷被量 化，用以對應徵者打分數。博克認為，這個方法並未貶低面試流程或去 人性化；相反地，應徵者也感謝自己受到客觀、公平的對待（透過新流 程應徵但未獲錄用者，有80％表示會推薦朋友應徵谷歌），雇用決策變 得更容易，因為「可以看出優秀者和普通者之間的清楚界線」，博克如 此說道。[55] 太重要而不能交給決策者的決策 明顯改變人機標準夥伴關係，甚至把它倒置，這種觀念令許多人感 到不安。多數人對人類的直覺、判斷力及決策能力很有信心，特別是對 自己的（我們和很多人談到這個主題，幾乎從未聽過任何人承認自己的 直覺力或判斷力低於平均水準。）但是，關於這個主題的證據，已經明 顯到可謂具壓倒性的優勢了：在大多數的情況下，由資料導向的系統二 做決策，與人腦結合系統一和系統二做決策相比，前者優於後者。這不 是說我們的決策和判斷毫無價值，而是它們可以被改進，我們在前文中 看過的方法，就是改進的方法：讓演算法和電腦系統做決策，有時把人 的判斷當成資料點輸入，在必要時，人為推翻演算法和電腦系統所做的

決策。 我們聽到有人說，這種方法是在去人性化，有些人覺得，讓電腦擔 任做決策的主角，是把人類推到邊緣，貶低自己。我們理解，失去原有 的決策權可能令人不大愉悅；＊我們也知道，沒有人喜歡當電腦僕人的 感覺，但這就像是為了讓法官及假釋審核委員會，能夠繼續做他們的工 作，因此把不該釋放的人給釋放了，卻把應該釋放的人繼續關著嗎？或 者，就為了讓醫生和心理醫師能夠繼續做他們的工作，所以讓誤診率變 得更高嗎？還是，為了讓公司的面試官覺得自己很行，所以雇用不合適 的人？ ＊事實上，心理學家賽巴斯汀．柏巴迪拉蘇瓦瑞茲（Sebastian Bobadilla-Suarez）和同事在一次 實驗中發現，人們願意花錢保留分配金錢的決策權，即便他們知道若讓決策自動完成，最後 獲得的錢反而更多。整體來說，人們喜歡掌握決定權。參見：Sebastian Bobadilla-Suarez, Cass R. Sunstein, and Tali Sharot, “The Intrinsic Value of Control: The Propensity to Under-delegate in the Face of Potential Gains and Losses,” SSRN, February 17, 2016.。

對我們來說，這些問題的答案當然是：不。良好的決策對社會的健 全運作很重要，從交通工具、工作到健保，良好的決策有助於將正確資 源，在正確時間送到正確地點給正確的人。漢默與錢皮主張的人機標準 夥伴關係──由電腦執行記錄的工作，由HiPPOs發揮判斷力做決策，往 往不是達成這項目標的最佳方法。 閱讀至此，你大概不會太訝異得知，我們人類也十分不擅長預測未 來。預測和決策幾乎是不可分的活動，為了做出良好決策，通常需要正 確預測一些未來的事物──也就是說，要是做了這個決定，可能會發生 什麼事等。所以，如果我們不擅長決策，大概也不擅長預測，反之亦 然。可以確定的是，系統一的許多取巧行為與蟲子，使我們無法做出良 好預測。

政治學家菲利普．泰特洛克（Philip Tetlock）和同事，從1984年開 始展開一項為期十年的計畫，評量政治、經濟、國際事務等許多領域的 預測準確度，得出清楚、驚人的結論。他們檢驗了超過82,000項預測後 發現，人類預測可能結果的準確度，沒有比黑猩猩擲飛鏢好到哪裡 去。[56] 我們應該對此感到憂心，因為商業世界充滿了關於未來的預測。許 多預測很明顯，例如預測某檔股票的未來表現、預測未來的利率走勢， 或是預測一國未來一年智慧型手機的銷量。但有很多預測不是那麼明 顯，隱藏在行動計畫提案裡，例如，一個網站或一家銀行分行重新設 計，都隱含了訪客會更喜歡新設計的預測；公司推出更花俏的產品，也 是基於高風險的預測──顧客會比較喜歡這種，而相關的行銷活動規劃 也隱含了如何影響顧客偏好的預測。

如何做得更好？ 當然，並非所有預測都是錯的。泰特洛克發現，有些人真的很善於 預測，一貫做出比機率更正確的預測，他將這些人稱為「超級預測者」 （superforecasters）。這些超級預測者傾向蒐集多源資訊，或許更重要 的是，在檢視單一情況時，他們能夠採用多元觀點。反觀較不準確的預 測者，則是傾向在分析中使用固定視角，舉例來說，死硬保守派和死硬 自由派總是做出糟糕的政治預測。泰特洛克稱前者（較成功的預測者） 為狐狸，後者為刺蝟；這些標籤取材自古希臘詩人阿爾基羅庫斯 （Archilochus）的一句警語：「狐狸知道很多事，刺蝟只知道一件重要 的事。」＊ ＊哲學家以賽亞．伯林（Isaiah Berlin）撰寫的一篇論文，也以〈狐狸與刺蝟〉為標題。他把歷 史上的思想家分為兩類：整個職涯只追求單一大思想的人，以及鑽研許多不同思想的人。

所以，建議是：盡可能仰賴狐狸，別仰賴刺蝟。那麼，誰是狐狸 呢？狐狸通常會提出多面向、多角度的推理與分析；此外，查看以往紀 錄，那些多次證實正確預測紀錄者，很可能就是狐狸。 少預測，多實驗 撇開超級預測者不談，我們對預測的基本建議是：少仰賴預測。這 個世界愈來愈複雜，往往是混亂無序的，而且恆常快速變化，使得預測 變得極為困難或根本不可能，隨著時間軸拉長，愈傾向後者。 在卓越的公司裡，正在發生一種根本性的轉變：減少做長程預測、 長期計畫、大賭注，轉向持續的短期迭代、實驗與測試。這些組織遵循 了電腦科學家艾倫．凱伊（Alan Kay）提出的好忠告：預測未來的最好 方法，就是創造未來。這些公司採取了許多小行動，從中獲得反饋，再 進行必要調整，而不是依循一個自信預測的結果，私下一直為遙遠事件 努力。 網站在這件事上面做得很好，由於網站能夠蒐集到大量的用戶活動 資料，很容易就能看出某項改變是否更好。有些電子商務網站對於改變 非常嚴謹，旅遊網站Priceline在1990年代末期乘著網路浪潮而大發跡， 但就跟當時其他許多高飛鳥一樣，在邁入二十一世紀後就重摔落地，主 要是因為用戶不再著迷於它原本的「由你開價」（name your own price）方法。 該公司在過去十年間，致力於改造成更傳統的旅遊網站集合體；不 過，讓它得以浴火重生的關鍵，在於持續進行資料導向的實驗。誠如科 技媒體網站VentureBeat的記者麥特．馬歇爾（Matt Marshall）所言： 「成長的動力往往來自小點子，例如改善現有的顧客體驗，一直創造小 贏，包含修改顏色、用字、排版等，只是為了逐步提升……。

Priceline.com發現，光是把某段內容裡的『停車』改成『免費停車』， 就提升了2％的轉換率，就算出現的位置很不醒目，一般讀者幾乎不會 注意。」[57] 類似這樣的小贏，到處可見。透過嚴謹的A/B測試，這是一種常見 的線上實驗，讓網站的半數訪客看到A版，另外半數看到B版，女用內 衣公司愛朵蜜（Adore Me）發現，讓模特兒擺出一手摸髮的姿勢，比起 一手插臀的姿勢，某些品項的銷售量高出一倍。[58]比起專家花上幾個小 時、幾天或幾週在分析、辯論一項提議中的改變好不好，直接在線上進 行測試，通常更快、更準確。 當然，這類實驗並不局限在線上世界，應用於實體環境中同樣很有 助益。許多大公司是商學院教授大衛．葛文（David Garvin）所謂的 「多店組織企業」（multiunit enterprise, MUE），有許多直接面對顧客 的營運據點，外貌和營運方式大致上相同。[59]很多商業銀行、連鎖餐 廳、零售商及服務事業都是MUE，據估，在《財星》百大企業中，有 20％在某種程度上是MUE。 一間MUE有許多營運據點，提供了很好的實驗機會。創新管理學 者史蒂芬．湯克（Stefan Thomke）和企業實驗主義學者吉姆．曼齊 （Jim Manzi）共同撰文指出，[60]柯爾百貨公司（Kohl's）挑選了旗下一 百家分店進行實驗，試圖了解平日若晚個一小時營業，會不會降低業 績。結果發現，平日的營業時數減少，不會明顯降低業績，這是一項好 消息。不過，另一項實驗所獲得的結果，就沒有那麼好了。柯爾百貨的 七十家分店，首次嘗試銷售家具；結果發現，由於展示家具占用了太多 空間，排擠了其他商品使用的面積，導致分店的營收和顧客流量減少。 雖然柯爾許多主管原本很看好這項新嘗試，但公司決定採納實驗證據， 不在店內銷售家具。

一間MUE通常可以在每個營運據點嘗試一種新做法，分階段進行 嘗試，這就形成了一種自然的實驗機會。只要一點規劃，就能從這種階 段性實驗獲得很多洞見，把採行新政策的營運據點的績效，和仍然採行 舊政策的營運據點的績效相比，就可以看出好壞。 預測和實驗，雖然無法像決策那麼容易自動化，但它們仍高度受到 資料和分析的影響。這些是系統二和第二次機器時代的主要工具。為了 做出正確預測，應該盡量減少仰賴和使用系統一與其要素，包括直覺、 判斷、累積的個人經驗等；為了做出良好決策，也不能仰賴這些。一言 以蔽之，HiPPOs在組織必須變成一種瀕危物種。

本章摘要 ✔已經存在了二十年的人機標準夥伴關係，往往過於側重人的判斷、 直覺與感覺。 ✔人類的判斷為何經常很糟糕？因為我們那快速、不費力的「系統 一」推理風格，受到多種認知偏誤的影響；更糟的是，它在犯錯時 本身並未察覺，而且還挾持理性的「系統二」，為它的輕率判斷提 供一個具說服力的合理化辯解。 ✔大量證據顯示，若有得選擇的話，只倚賴資料和演算法得出的決策 與預測，通常優於人類的判斷，縱使是經驗豐富的專家也一樣。 ✔人類現在做的很多決策、判斷和預測，應該交由演算法執行。在某 些情況中，應該明智地讓人類參與其中，提供常識檢查；至於其他 情況，則應該完全不要讓人類參與其中。 ✔在某些情況中，仍然應該運用人類的主觀判斷，但要把人機標準夥

伴關係倒置，將人類的判斷量化，加入質的分析。 ✔決策流程不應設計成使決策者自我感覺良好，而應設計成根據正確 目標及明確評量指標，以促進做出最佳決策。 ✔演算法遠非完美，若使用的是不正確或有偏誤的資料，將會做出不 正確或有偏誤的決策。而且，這些偏誤可能狡猾難察，並非系統設 計時的原本意圖。在運用演算法時，標準不應放在是否完美，而是 應該注意是否比其他可替代的選項效能更好，同時也要注意是否能 夠隨著時間改善。 ✔隨著科技發展與普及，揮別人機標準夥伴關係及過度倚賴 HiPPOs，朝向更為資料導向決策的機會也增加。研究顯示，相較 於不這麼做的公司，經常這麼做的公司具有重要優勢。 ✔能夠透過多重觀點檢視問題的人，以及能夠有效反覆實驗、快速迭 代的公司，表現較佳。

延伸思考題 1. 你是否有系統、嚴謹地長期追蹤組織內由員工和演算法做出的決 策、判斷和預測，試著了解個別的成效？你知道何者表現較佳？ 2. 在你的組織裡，HiPPOs最常做哪方面的決策？為什麼？ 3. 在哪些業務範圍，你有機會倒置人機標準夥伴關係，將人的主觀評 估納入資料導向的分析中？ 4. 你認為何者的偏誤較高：演算法或人類？ 5. 你認為誰比較具說服力：狐狸或刺蝟？

6. 你們組織較傾向執行少數長期、高風險的計畫，或是大量短期、重 複試驗型的計畫？

1. David Fahrenthold, Sinkhole of Bureaucracy, Washington Post, March 22, 2014, http://www.washingtonpost.com/sf/national/2014/03/22/sinkhole-of-bureaucracy. 2. Roya Wolverson, The 25 Most Influential Business Management Books, Time, August 9, 2011, http://content.time.com/time/specials/packages/article/0,28804,2086680_2086683_2087684,00.html. 3. Thomas A. Stewart and Joyce E. Davis, Reengineering the Hot New Managing Tool, Fortune, August 23, 1993, http://archive.fortune.com/magazines/fortune/fortune_archive/1993/08/23/78237/index.htm. 4. Flylib.com, ERP Market Penetration, accessed January 22, 2017, http://flylib.com/books/en/1.20.1.44/1/. 5. Sinan Aral, D. J. Wu, and Erik Brynjolfsson, Which Came First, IT or Productivity? The Virtuous Cycle of Investment and Use in Enterprise Systems, paper presented at the Twenty Seventh International Conference on Information Systems, Milwaukee, 2006, http://ebusiness.mit.edu/research/papers/2006.11_Aral_Brynjolfsson_Wu_Which%20Came%20First_279.pdf. 6. Tim Berners-Lee, Information Management: A Proposal, last modified May 1990, https://www.w3.org/History/1989/proposal.html. 7. Chris Anderson, The Man Who Makes the Future: Wired Icon Marc Andreessen, April 24, 2012, https://www.wired.com/2012/04/ff_andreessen. 8. Matthew Yglesias, Online Shopping Really Is Killing Shopping Malls, Vox, January 4, 2015, http://www.vox.com/2015/1/4/7490013/ecommerce-shopping-mall. 9. Michael Hammer and James Champy, Reengineering the Corporation: A Manifesto for Business Revolution (New York: Harper Collins, 2013), Kindle ed., p. 73. 10. Daniel Kahneman, Thinking, Fast and Slow (New York: Macmillan, 2011), Kindle ed., pp. 20– 21. 11. Jack Welch, Jack: Straight from the Gut (London: Warner, 2001); Carly Fiorina, Tough Choices: A Memoir (New York: Portfolio, 2006). 兩者都有繁體中文版，前者為《jack：20世紀最佳 經理人，第一次發言》，後者為《勇敢抉擇：Carly Fiorina回憶錄》。 12. Srikant M. Datar, David A. Garvin, and Patrick G. Cullen, Rethinking the MBA: Business Education at a Crossroads (Boston: Harvard Business Press, 2010), Kindle ed., p. 9. 13. Chris Snijders, Frits Tazelaar, and Ronald Batenburg, Electronic Decision Support for Procurement Management: Evidence on Whether Computers Can Make Better Procurement Decisions, Journal of Purchasing and Supply Management 9, no. 5–6 (September–November 2003): 191–98, http://www.sciencedirect.com/science/article/pii/S1478409203000463. 14. Orley Ashenfelter, Predicting the Quality and Prices of Bordeaux Wine, Economic Journal 118,

no. 529 (June 2008): F174–84, http://onlinelibrary.wiley.com/doi/10.1111/j.14680297.2008.02148.x/abstract. 15. Lynn Wu and Erik Brynjolfsson, The Future of Prediction: How Google Searches Foreshadow Housing Prices and Sales, in Economic Analysis of the Digital Economy, ed. Avi Goldfarb, Shane M. Greenstein, and Catherine E. Tucker (Chicago: University of Chicago Press, 2015), 89–118. 16. D. Bertsimas et al., Tenure Analytics: Models for Predicting Research Impact, Operations Research 63, no. 6 (2015): 1246–61; and Brynjolfsson and Silberholz, 'Moneyball' for Professors? Sloan Management Review, December 14, 2016. http://sloanreview.mit.edu/article/moneyball-for-professors. 17. Shai Danzinger, Jonathan Levav, and Liora Avnaim-Pesso, Extraneous Factors in Judicial Decisions, PNAS 108, no. 17 (2010): 6889–92, http://www.pnas.org/content/108/17/6889.full.pdf. 18. Ozkan Eren and Naci Mocan, Emotional Judges and Unlucky Juveniles, NBER Working Paper 22611 (September 2016), http://www.nber.org/papers/w22611. 19. David Card and Laura Giuliano, Can Universal Screening Increase the Representation of Low Income and Minority Students in Gifted Education? NBER Working Paper 21519 (September 2015), http://www.nber.org/papers/w21519.pdf. 20. Theodore W. Ruger et al., The Supreme Court Forecasting Project: Legal and Political Science Approaches to Predicting Supreme Court Decisionmaking, Columbia Law Review 104 (2004): 1150–1210, http://sites.lsa.umich.edu/admart/wpcontent/uploads/sites/127/2014/08/columbia04.pdf. 21. William M. Grove et al., Clinical versus Mechanical Prediction: A Meta-analysis, Psychological Assessment 12, no. 1 (2000): 19–30, http://zaldlab.psy.vanderbilt.edu/resources/wmg00pa.pdf. 22. 同上注。 23. Paul E. Meehl, Causes and Effects of My Disturbing Little Book, Journal of Personality Assessment 50, no. 3 (1986): 370–75, http://www.tandfonline.com/doi/abs/10.1207/s15327752jpa5003_6. 24. Erik Brynjolfsson and Kristina McElheran, Data in Action: Data-Driven Decision Making in US Manufacturing, 2016, https://papers.ssrn.com/sol3/papers2.cfm?abstract_id=2722502. 使用較小 樣本的更早研究，也得出相似結果，參見：Erik Brynjolfsson, Lorin M. Hitt, and Heekyung Hellen Kim, Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance? 2011, https://papers.ssrn.com/sol3/papers2.cfm?abstract_id=1819486. 25. Worldometers, Current World Population, accessed February 26, 2017, http://www.worldometers.info/world-population. 26. Kahneman, Thinking, Fast and Slow, p. 28. 27. Buster Benson, Cognitive Bias Cheat Sheet, Better Humans, September 1, 2016, https://betterhumans.coach.me/cognitive-bias-cheat-sheet-55a472476b18#.qtwg334q8. 28. Jonathan Haidt, Moral Psychology and the Law: How Intuitions Drive Reasoning, Judgment, and the Search for Evidence, Alabama Law Review 64, no. 4 (2013): 867–80, https://www.law.ua.edu/pubs/lrarticles/Volume%2064/Issue%204/4%20Haidt%20867-880.pdf.

29. Richard E. Nisbett and Timothy DeCamp Wilson, Telling More Than We Can Know: Verbal Reports on Mental Processes, Pyschological Review 84, no. 3 (1977): 231–60, http://www.people.virginia.edu/~tdw/nisbett&wilson.pdf. 30. Experimentation Platform, HiPPO FAQ, accessed February 26, 2017, http://www.expplatform.com/Pages/HiPPO_explained.aspx. 31. P. Nadler, Weekly Adviser: Horror at Credit Scoring Is Not Just Foot-Dragging, American Banker, no. 211 (November 2, 1999), https://www.americanbanker.com/news/weekly-adviserhorror-at-credit-scoring-is-not-just-foot-dragging. 32. Board of Governors of the Federal Reserve System, Report to the Congress on Credit Scoring and Its Effects on the Availability and Affordability of Credit, August 2007, pp. 36 and S-4, https://www.federalreserve.gov/boarddocs/rptcongress/creditscore/creditscore.pdf. 33. Chuck Cohn, Beginner's Guide to Upselling and Cross-Selling, Entrepreneurs (blog), Forbes, May 15, 2015, http://www.forbes.com/sites/chuckcohn/2015/05/15/a-beginners-guide-toupselling-and-cross-selling/#4c310dec572e (the article cites this article: http://www.the-futureof-commerce.com/2013/10/14/ecommerce-cross-sell-up-sell). 34. 360pi, 360pi Cyber Monday Recap: Amazon Maintains Overall Price Leadership on RecordSetting Online Shopping Day, but Best Sellers Take Priority, December 9, 2015, http://360pi.com/press_release/360pi-cyber-monday-recap-amazon-maintains-overall-priceleadership-record-setting-online-shopping-day-best-sellers-take-priority. 35. W. Brian Arthur, The Second Economy, McKinsey Quarterly, October 2011, http://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/thesecond-economy. 36. Andrea Ovans, That Mad Men Computer, Explained by HBR in 1969, Harvard Business Review, May 15, 2014, https://hbr.org/2014/05/that-mad-men-computer-explained-by-hbr-in1969. 37. 我們在2015年7月訪談華格納的內容。 38. 同上注。 39. 同上注。 40. Ron Kohavi, Randal M. Henne, and Dan Sommerfield, Practical Guide to Controlled Experiments on the Web: Listen to Your Customers Not to the HiPPO, 2007, https://ai.stanford.edu/~ronnyk/2007GuideControlledExperiments.pdf. 41. Racism Is Poisoning Online Ad Delivery, Says Harvard Professor, MIT Technology Review, February 4, 2013, https://www.technologyreview.com/s/510646/racism-is-poisoning-online-addelivery-says-harvard-professor. 42. Latanya Sweeney. Discrimination in Online Ad Delivery, Queue 11, no. 3 (2013): 10. 43. Kate Crawford and Ryan Calo, There Is a Blind Spot in AI Research, Nature 538, no. 7625 (2016): 311. 也可參考這篇論文：Danah Boyd, The Networked Nature of Algorithmic Discrimination (PhD diss., Fordham University, 2014)。 44. Mark Fisher, The Millionaire's Book of Quotations (New York: Thorsons, 1991), quoted in

Barry Popik, The Factory of the Future Will Have Only Two Employees, a Man and a Dog, Barrypopik.com (blog), December 2, 2015, http://www.barrypopik.com/index.php/new_york_city/entry/the_factory_of_the_future. 45. Paul E. Meehl, Clinical versus Statistical Prediction (Minneapolis: University of Minnesota Press, 1954). 46. 同上注。 47. Stuart Lauchlan, SPSS Directions: Thomas Davenport on Competing through Analytics, MyCustomer, May 14, 2007, http://www.mycustomer.com/marketing/strategy/spss-directionsthomas-davenport-on-competing-through-analytics. 48. Uber ‘Truly Sorry’ for Price Surge during Sydney Siege, BBC News, December 24, 2014, http://www.bbc.com/news/technology-30595406. 49. Uber ‘Truly Sorry’ for Hiking Prices during Sydney Siege, Telegraph, December 24, 2014, http://www.telegraph.co.uk/news/worldnews/australiaandthepacific/australia/11312238/Ubertruly-sorry-for-hiking-prices-during-Sydney-siege.html. 50. Andrew J. Hawkings, Tracing the Spread of Uber Rumors during Paris Terrorist Attacks, Verge, November 16, 2015, http://www.theverge.com/2015/11/16/9745782/uber-paris-terrorismrumors-twitter-facebook. 51. Ian Ayres, Super Crunchers: Why Thinking-by-Numbers Is the New Way to Be Smart (New York: Random House, 2007), Kindle ed., loc. 1801. 52. Daniel Kahneman and Gary Klein, Strategic Decisions: When Can You Trust Your Gut? McKinsey Quarterly, March 2010, http://www.mckinsey.com/business-functions/strategy-andcorporate-finance/our-insights/strategic-decisions-when-can-you-trust-your-gut. 53. Laszlo Bock, Here's Google's Secret to Hiring the Best People, Wired, April 7, 2015, https://www.wired.com/2015/04/hire-like-google. 54. 同上注。 55. 同上注。 56. P. Tetlock, Expert Political Judgment: How Good Is It? How Can We Know? (Princeton, NJ: Princeton University Press, 2005), P52. 57. Matt Marshall, How Travel Giant Priceline Drives Growth through a Series of A/B Tweaks─like Using a ‘Free Parking’ Button, VentureBeat, August 13, 2015, http://venturebeat.com/2015/08/13/how-travel-giant-priceline-drives-growth-through-a-series-ofab-tweaks-like-using-a-free-parking-button. 58. Rebecca Greenfield, This Lingerie Company A/B Tests the World's Hottest Women to See Who Makes You Click ‘Buy,’ Fast Company, November 21, 2014, https://www.fastcompany.com/3038740/most-creative-people/this-lingerie-company-a-b-teststhe-worlds-hottest-women-to-see-who-mak. 59. David A. Garvin and Lynne C. Levesque, The Multiunit Enterprise, Harvard Business Review, June 2008, https://hbr.org/2008/06/the-multiunit-enterprise. 60. Stefan Thomke and Jim Manzi, The Discipline of Business Experimentation, Harvard Business Review, December 2014, https://hbr.org/2014/12/the-discipline-of-business-experimentation.

第3章

最像人腦的機器 我相信，到了本世紀末，大眾使用的詞彙和一般受教知識已經大大 改變，我們將可以談論機器思考的主題而不會引發爭議。 ──艾倫．圖靈（Alan Turing） 人工智慧之父，1950年

在數位電腦發展出來之後，我們便開始嘗試讓它們像人類般思考。 顯然，數位電腦打從一開始，就非常擅長執行例行程序的數學計算，但 這並不新奇，畢竟人類從公元前就一直在建造計算機器了，從日本和巴 比倫的算盤，到希臘神祕的安提基特拉機械（Antikythera mechanism）。＊1 真正新奇的是能對新的數位電腦編程，給予非常複雜的指令。＊2如 上一章所述，電腦程式很適於執行演算法：那些精確、一步步的指令， 用以完成一項工作。但是，許多學科領域的聰穎思考者，很快就開始嘗 試讓這種新機器執行超越預定程序的任務。這些先驅想要創造結合軟硬 體、本身具有智慧的東西──能像人類一樣推理，因此具有人工智慧。 ＊1這種形狀像鐘的機械，用來預測太陽、月亮和行星的運行。它之所以令人困惑不解，主要是 因為以它存在的那個時代來說，實在是太先進了。科學作家喬．墨黔（Jo Marchant）2015年 在一篇文章中寫道：「古物中，從未發現過類似這樣的東西，這東西問世後的上千年間，再 也沒有出現過這麼精密、複雜的東西，甚至連靠近的都沒有。」參見：Jo Marchant, “Decoding the Antikythera Mechanism, the First Computer,” Smithsonian, February 2015.。 ＊2圖靈證明，一台儲存程式的基礎電腦，可被想成一台通用機；基本上，可被下令解決任何演

算法能夠解決的問題。

人工智慧的兩條岔路 達特茅斯學院數學教授約翰．麥卡錫（John McCarthy），如此定義 人工智慧：「科學與工程打造出來的智慧型機器。」[1]1965年，他在達 特茅斯學院主辦了第一場這個主題的研討會；幾年後，這個領域最大、 最持久的爭議爆發。為了了解這項爭議，理解它何以如此重要，我們先 來探討小孩學習一種語言和多數成年人學習第二種語言的差別。 基本上，小孩藉由聆聽來學習語言，他們聽身旁的人說話，吸收構 成語言的字詞與規則，然後到了某個時間點，自己就會開始說話。若是 說話的方式犯錯，他們會獲得反饋並修正錯誤，最後對像說一種人類語 言這麼困難的事，也變得十分擅長。 成年人知道這件事有多難，因為當他們決定開始學習第二種語言 時，立刻就撞進了規則叢林裡：代名詞應該放在句子的哪裡；應該使用 什麼介系詞；動詞如何變化；名詞有沒有性別之分，若有的話，多少 種；如何區別主詞與受詞（這樣才知道是狗咬了人，還是人咬了狗） 等。光是背單字就夠難的了，但對大多數學習語言的成年人來說，真正 磨人的挑戰，在於必須不斷累積複雜、有時不一致的大量規則。 小孩不需要特別上語法規則課，就能學會把語言說得很好，＊1但多 數成年人若不上課就學不來。當然，這兩種學習方法有重疊之處──許 多小孩後來去上語言課，而成年人靠著聽音，學會了一點第二語言── 但兩者還是大不相同。年幼孩童的大腦專長於語言學習，會像統計原理 般辨識語言中的型態，＊2例如，當媽媽以主詞稱呼自己時，英文使用的 是「I」（我），擺在句子開頭；當她變成受詞時，使用的是「me」，

擺在句子後面某處。成年人的頭腦不同，在學習一種新語言時，通常需 要特別學習語法規則。 ＊1語言學家史蒂芬．平克（Steven Pinker）在1994年出版的《語言本能》（The Language Instinct）一書中指出，小孩若不喜歡父母閱讀的睡前讀物，可能會說出一個結構複雜的句 子，例如：「爹地，你為什麼要拿來這本我不想聽別人為我念的書？」（Daddy, what did you bring that book that I don't want to be read to out of up for?）參見：Steven Pinker, The Language Instinct (New York: HarperCollins, 1994), 23。 ＊2一個悲劇性個案研究，提供強烈的證據顯示，過了一定年紀後，小孩可能失去習得語言的能 力。1970年，南加州當局發現，有個13歲的女孩（假名「珍妮」），長期遭受可怕虐待及養 育疏忽。從學步年齡開始，她父親就讓她長期幾乎完全與外界和社會隔離。她被獨自關在一 個安靜的房間裡，沒有人和她說話。珍妮被救出後，許多輔導她的研究人員和治療師，相信 她並非天生弱智，但無論他們如何努力，除了一些極簡單的句子，珍妮再也沒能學會說任何 話，她無法應付更複雜的文法。珍妮現居加州某地弱智成人社區。

早年，人工智慧圈分化成相似於前述差異的兩個陣營：規則式 （rule-based）或符號式（symbolic）＊人工智慧；以統計型態辨識為基 礎的人工智慧系統。前者試圖用成年人學習第二語言的方式來建造人工 智慧，後者試圖用仿似小孩學習第一語言的方式來建造人工智慧。 ＊規則式人工智慧，又稱為符號式人工智慧，是因為它使用人類能夠了解的文字、數字及其他 符號來表達。

一開始，符號式人工智慧貌似將成為主流。舉例來說，在1956年那 場達特茅斯研討會上，艾倫．紐沃爾（Allen Newell）、約翰．克利 佛．蕭（John Clifford Shaw），以及後來獲得諾貝爾獎的赫伯特．西蒙 （Herbert Simon），共同展示了「邏輯理論家」（Logic Theorist）程 式。這套程式使用正規邏輯規則自動化證明數學定理，能夠證明阿爾弗 雷德．諾斯．懷海德（Alfred North Whitehead）與學生伯特蘭．羅素 （Bertrand Russell）合著的基礎數學經典《數學原理》（Principia

Mathematica）第二章的三十八個數學定理。事實上，「邏輯理論家」 展示的其中一個數學定理證明，比原著中的證明簡練許多，羅素本人看 了之後大為歡喜。[2]西蒙當時宣布，他和同事「發明出一部能夠思考的 機器。」[3] 但是，後來的發展顯示，規則式的設計方法不大能夠應付其他種種 挑戰。數十年來，把規則式人工智慧應用在語音辨識、圖像分類、語言 翻譯及其他領域的研發，成果令人不滿意，最好的這類系統表現得遠比 人類水準還差，至於最差的則是留給人們很糟的印象。例如，1979年出 版的一本相關軼事集裡，描述研發者讓他們發展出來的英俄翻譯機翻譯 「The spirit is willing, but the flesh is weak.」（「心靈固然願意，肉體卻 軟弱」；「力不從心」之意），翻譯機翻成俄語後變成：「威士忌味道 好，肉卻走味了。」[4]這個故事的真實性雖然不明，但絕對不誇張。符 號式人工智慧系統這個支派得出的成果非常令人失望，以至於到了1980 年代末期，「人工智慧寒冬」降臨，企業和政府停止提供大筆研發經 費。 這世界太多規則 符號式人工智慧的發展方法為何如此失敗？主要是遇上了兩種主要 障礙，一種對這個領域構成嚴重挑戰，另一種則顯然無法克服。首先， 簡單地說，這個世界存有太多規則，學習第二語言的成年人很了解這 點，知道並遵循其中多數規則是不夠的，必須把幾乎所有規則都納入、 搞懂，才能表現得宜。一個句子的文法對了80％，可能還是很可笑，甚 至令人無法完全理解。 而且，規則裡面還有規則呢。舉例來說，在英文，形容詞通常放在 名詞之前，知道了這個規則，還是不夠。馬克．佛賽斯（Mark

Forsyth）在《口才要素》（The Elements of Eloquence）中寫道：「在英 文中，形容詞絕對必須依照這個順序使用：評價─尺寸─年紀─形狀─顏 色─起源（出處）─物質─用途，再接名詞。例如，a lovely little old rectangular green French silver whittling knife。如果你不小心搞亂了這個 順序，聽起來就會像個瘋子。奇怪的是，每個英語為母語者都會使用這 個順序，但幾乎沒人能夠寫出這個規則。」[5] 此外，我們生存的這個世界，充滿了各種實物、思想與概念，卻不 善於堅守一套規則。椅子有腳，但也可能沒有腳，而是底下有臺座，或 甚至是天花板吊椅。2012年，美國不准同性結婚，但2015年准了。松鼠 不會飛，但那些能做滑行動作的松鼠只要滑得夠快，彷彿就飛起來了。 在英文中，兩個否定詞合起來可以變成肯定詞，例如：she is never not cheerful（她從來不會不愉快），但兩個肯定詞合起來，絕對不會變成 否定詞。好吧，沒錯。 想把諸如語言或家具之類複雜事物所有相關規則都編入電腦系統 裡，讓系統做出有幫助的事，這類嘗試大致上並不成功。誠如電腦科學 家厄尼斯特．戴維斯（Ernest Davis）和神經科學家蓋瑞．馬可斯（Gary Marcus）在合著文章中所言：「截至2014年，少有商業系統對自動化常 識推理做出任何重要使用……，迄今還無人發展出令人滿意的常識推理 系統。」[6]就絕大多數的人類來說，常識非常出色地幫助我們度過這世 上無數的複雜性與易變性，儘管上一章曾經討論過，常理反應充滿了偏 誤與毛病。迄今，我們還未能設計出像我們本身的生物系統一那樣，能 夠理解這個世界實際運作方式的符號式數位系統。我們設計出效能愈來 愈高、但範圍「狹隘」的人工智慧系統──那些針對特定領域（例如圍 棋或圖像辨識）運作的系統，但離DeepMind共同創辦人謝恩．雷格 （Shane Legg）所謂的「通用人工智慧」（artificial general intelligence, AGI）──能把智慧應用於種種非預期問題的系統，還差得遠。

到處都是「波蘭尼弔詭」 戴維斯和馬可斯在該篇文章中，敘述了堪稱建造這種系統遭遇的最 大障礙：「人類……在做常識推理時仰賴的……推理流程，大體上無法 內觀而辨識出來。」[7]也就是說，我們人類用以駕馭那麼多規則叢林的 認知運作，都展現出「波蘭尼弔詭」的現象──我們知道的，比我們能 說得出來的還要多。如第1章所述，就是這種弔詭導致科技界直到最 近，才得以設計出能和人類頂尖高手較量的圍棋軟體。請記得，這種弔 詭到處存在，在很多重要的場合中，我們根本不知道、也無法知道究竟 是用了什麼規則應付，才把事情做對。 對任何一種自動系統或人工智慧系統來說，這似乎像一道堅不可摧 的路障。如果地球上沒有任何一個實體（包括人類本身），知道人類是 用什麼規則去完成某件事，我們又怎麼能夠建造出一個規則式系統或任 何電腦系統，來模擬這些成就呢？「波蘭尼弔詭」似乎對能夠自動化的 人類事務種類，設下了一道難以超越的限制，誠如麻省理工學院經濟學 家大衛．奧特（David Autor）在文獻中所述：「這類以電腦取代人類的 情形，範疇是有限的，因為有許多工作是人類自然了解、不費力就能完 成的，但電腦程式設計師或任何人，都無法說明其中涉及的規則或程 序。」[8] 可能打造出自主學習的機器嗎？ 另一個人工智慧研究人員陣營（避開符號式方法的陣營），從1950 年代末期，就開始嘗試克服「波蘭尼弔詭」，想要建造出以小孩學習第 一語言的方式，來學習如何執行工作的人工智慧系統，也就是透過經 驗、重複、反饋和改進。這個陣營創造出「機器學習」這個領域，它的 意思正如字義。

最早用這種方式學習的數位機器之一，就是能思考與學習的「感知 器」（Perceptron），這是美國海軍出資，由康乃爾航空實驗室 （Cornell Aeronautical Laboratory）科學家法蘭克．羅森布萊特（Frank Rosenblatt），率領團隊研發出來的。1957年首度亮相的「感知器」， 目標是能對所見之物加以辨別分類（例如這是貓，那是狗），為了達到 此一目標，它的配置有點像是縮小版的人腦。[9] 人腦中大約有1,000億個神經元，分布不具任何型態、深度互連。 人腦裡的某個神經元接收來自多達一萬個鄰近神經元傳送的資料或訊 息，[10]再輸出大致相同數量給鄰近神經元。每當夠多的輸入傳送夠強的 電訊時，神經元就會傳送自己的訊號給所有輸出，但所謂的「夠多」及 「夠強」，定義時常變化，取決於反饋。而且，一個神經元賦予每個輸 出的重要程度也不一樣，這個重要程度稱為「權值／權重」 （weight）。這種奇特、複雜、持續運作的流程，產生了記憶、技巧、 系統一與系統二、靈光乍現的洞察、認知偏誤，以及所有其他的心智運 作。 當然，「感知器」並未試圖做這麼多工作，它的設計只是想要執行 簡單的圖像分類，它有400個光敏電阻，隨機連結單層人工神經元。這 是最早的「人工神經網絡」之一，由於羅森布萊特的信心預測，使得 《紐約時報》在1958年撰文把它描繪成：「一種電腦的雛形，美國海軍 期望它將來能夠行走、說話、看、寫、自我複製，並且知道自己是存在 的。」[11] 但是，這種樂觀展望的突破，並未迅速到來。1969年，人工智慧先 驅馬文．明斯基（Marvin Minsky）和西摩爾．派波特（Seymour Papert）在合著《感知器：計算幾何入門》（Perceptrons: An Introduction to Computational Geometry）中，提出了極具殺傷力的批

評。他們在書中，用數學證明羅森布萊特的設計，無法完成一些基本的 分類工作。對人工智慧領域的多數研究者來說，這些證明與批評不僅足 以使他們放棄「感知器」，也足以使他們放棄更廣泛的人工神經網路和 機器學習。就這樣，人工智慧寒冬降臨在兩派研究陣營。 曙光乍現 一些研究團隊繼續研究機器學習，他們堅信想讓電腦像人類一樣思 考，正確途徑就是建造如同人腦般，能夠藉由經驗例子學習的人工神經 網路。這些研究人員後來了解並克服了「感知器」的限制，使用的方法 是結合先進數學、不斷增強的電腦硬體，以及從人腦運作中獲得靈感、 但不受限於它的務實方法。舉例來說，電訊只以單一方向流經人腦的神 經元，但是由保羅．魏博斯（Paul Werbos）、[12]傑佛瑞．辛頓 （Geoffrey Hinton）、[13]揚．勒丘恩（Yann LeCun）[14]等人在1980年代 打造出來的成功機器學習系統，讓資訊能夠雙向前後流經人工神經網 路。 這種反向傳遞（back-propagation）得出了更佳效能，但研發進展仍 然慢得令人沮喪。到了1990年代，勒丘恩研發出來的一種辨識數字的機 器學習系統，能夠辨讀美國20％的手寫支票，[15]但其他真實世界的應 用，仍然非常少。 不過，近期屢傳捷報的AlphaGo顯示，情況目前大不相同了。雖然 AlphaGo融入大量可能性的有效搜尋（這是規則式人工智慧系統的典型 元素），但它基本上是一套機器學習系統。誠如它的開發者所言，它是 「電腦圍棋的一種新方法，使用……深度神經網路……，訓練方式是新 穎地結合了人類專家棋譜的監督式學習（supervised learning），以及機 器自我對弈的強化學習（reinforcement learning）。」[16]

AlphaGo絕非單一特例，過去幾年，人工神經網路蓬勃發展，現在 是人工智慧系統的主流，遠遠領先其他類型，看來還會保持領先地位好 一段時間。因此，人工智慧領域終於至少實現了一部分早年展望的前 景。

為什麼AI現在終於得以實現？ 這種蓬勃發展是怎麼來的，為何來得這麼快，而且出人意料？就跟 所有科技進步的常見情形一樣，多項因素匯聚，堅持和機緣都有。許多 局內人認為，最重要的因素是摩爾定律。規模愈大，人工神經網路就愈 強大、能幹，但直到近年，對許多研究人員來說，規模夠大的人工神經 網路才變得夠便宜，才足以負擔得起。 對於預算較少的人來說，雲端運算幫助開啟了人工智慧的研究機 會。科技創業家艾略特．透納（Elliot Turner）估計，到了2016年秋季， 已經可以用大約13,000美元，向亞馬遜網路服務（Amazon Web Services）之類的雲端運算服務供應商，租用從事先進機器學習研究計 畫所需要的電腦運算力。[17]說來也夠奇怪的了，現代電玩的盛行，也為 機器學習的發展提供了一臂之力呢！驅動遊戲機的專業圖形處理器 （graphics processing unit, GPU），被發現極適合用在人工神經網路所 需要的運算，因此被大量用於這項工作。人工智慧研究學者吳恩達告訴 我們：「先進研究團隊用圖形處理器做的種種瘋狂複雜之事，是我在 兩、三年前完全想像不到的。」[18] 此外，近年「大數據」現象──爆炸性成長的數位文本、相片、聲 音、影片、感應讀取等──對機器學習的重要性，不亞於摩爾定律。就 像小孩需要聽大量字句學習語言，機器學習系統也需要接觸大量例子， 以改進語音辨識、圖像分類及其他工作技能。＊我們現在有實質上無限

的這類資料供給，而且持續不斷地增加。辛頓、勒丘恩、吳恩達和其他 人建造的系統具有高度性能，只要看到更多例子，就能改善表現。眼見 這樣良好的發展，辛頓說：「回顧起來，〔機器學習的成功〕只不過是 資料量和運算能力的問題罷了。」[19] ＊大數據與分析也改變了人類的決策，可參見我們的這篇文獻：Andrew McAfee and Erik Brynjolfsson, “Big Data: The Management Revolution,” Harvard Business Review 90, no. 10 (2012): 61–67.

辛頓這話說得有點謙遜，沒給自己足夠的功勞；實際上，人工神經 網路的多項進步歸功於他，其中一項基本上還重新命名了整個研究領 域。他和西蒙．歐辛德洛（Simon Osindero）及鄭宇懷（Yee-Whye Teh）2006年共同發表文獻〈深度置信網路的快速學習演算法〉（“A Fast Learning Algorithm for Deep Belief Nets”），展示了足夠強大且架構 妥適的人工神經網路，基本上可以自己學習，不需要人類訓練或監督。 舉例來說，對於大量的手寫數字，這種人工神經網路能夠正確辨識出， 這堆資料有十種不同的型態（數字0到9），然後可以正確地把新提供的 手寫數字，分類至它們已經辨識出的十種型態。[20] 在機器學習的領域，這種「非監督式學習」（unsupervised learning）仍然相當少見，大多數成功的系統都倚賴監督式學習──基本 上，就是先提供配對的問題和正確解答，讓系統學習，然後才提供新問 題，讓系統自行回答。舉例來說，可能會提供大量的人類語音檔案，以 及對應這些語音的文字檔案，讓系統使用這些配對內容來學習，在神經 網路建立它們的關聯性，再讓經過此學習的系統把新的錄音內容轉成文 字內容。由於監督式學習和非監督式學習的機器學習方法，都是使用辛 頓和同事在這篇2006年發表的文獻中描述的演算法，現在被通稱為「深 度學習」（deep learning）系統。

機器學習的新近應用 除了很少數的例子，例如勒丘恩建造的手寫支票數字的辨識系統， 深度學習的商業應用是最近幾年才出現的，但擴展得非常快速。領導谷 歌使用這項技術的軟體工程師傑夫．狄恩（Jeff Dean）＊指出，谷歌直 到2012年，都未曾使用這項技術來改進其搜尋引擎、Gmail、YouTube 或谷歌地圖（Google Maps）等產品。但是，到了2015年第三季，該集 團有將近1,200項計畫使用深度學習，因為這項技術的效能已經超越其 他方法。[21] ＊狄恩的許多貢獻，讓他在谷歌成為一號傳奇人物。他的同事蒐集了一大堆誇張版的「傑夫． 狄恩事蹟」，來歌頌他的能力，例如「以前，真空中的光速是每小時大約35英里，現在真空 中的光速之所以那麼快，是因為傑夫花了一個週末的時間，把物理學優化了。」取材自： Kenton Varda, Google+post, January 28, 2012.。

DeepMind這家公司，在結合深度學習及另一種名為「強化學習」＊ 的方法上，做得特別有成效。該公司將其注意力和技術，轉向它供應給 顧客的資訊產品上，也轉向實體世界的重要流程。谷歌有些資料中心是 全球最大的，這些設備運作起來非常消耗能源，建物必須供電給多達10 萬台伺服器，還要保持夠低的環境溫度。這項降溫挑戰因為一些因素而 更形艱巨，包括資料中心的運算負荷量（伺服器被要求執行的工作量） 會隨著時間變化、無法預測，而外在的天氣變化也難以準確預測，天氣 變化當然會影響該如何使建物降溫，以及該降溫多少。 ＊強化學習主要是建立能在環境中採取有效行動，把報酬最大化的軟體代理人（software agents）。DeepMind公司首次公開展示此一領域的能力是「deep Q-network」（DQN）系統， 它是專門做來玩雅達利2600（Atari 2600）遊戲機的多款電玩，例如Space Invaders、Pong、 Breakout和Battlezone等。DQN系統的程式設計師，並未告訴這套系統它在玩什麼遊戲，或是 遊戲規則是什麼、什麼策略可能有效、可以採取哪種控制及行動等。事實上，他們甚至沒有 告訴系統，它是在玩遊戲，就只是在螢幕上展示每款遊戲，要DQN系統操縱控制按鈕，設法

得到最多分數。DQN系統很快就能在程式設計師提供的49場比賽中，超過半數擊敗專家水準 級人類參賽者的得分。參見：Volodymyr Mnih et al., “Human-Level Control through Deep Reinforcement Learning,” Nature 518 (February 28, 2015): 529–33.。

為了讓資料中心保持合適溫度，通常會由人員控制幫浦、冷卻裝 置、冷卻塔等設備，負責監視溫度計、壓力計及其他許多的感應裝置， 決定如何最能讓設備降溫。DeepMind想知道能否用機器學習來取代這 種做法，所以他們將資料中心多年來的歷史資料，包括運算負荷、感應 讀取數值，以及溫度、溼度等環境因素，拿來訓練一套人工神經網路， 讓它們控管所有的冷卻設備。在某種意義上，他們是把資料中心當成一 款巨大的電玩遊戲，下令讓演算法嘗試締造更高分──在這個例子中， 更高分指的是更節能。 把資料中心的溫度控管工作交給這套系統後，成效又快又驚人：冷 卻作業耗用的總能源量減少40％，間接成本（非IT設備直接耗能，包括 輔助負荷及電力損失等）改善了約15％。[22]DeepMind的共同創辦人穆 斯塔法．蘇利曼（Mustafa Suleyman）告訴我們，這些是谷歌資料中心 團隊見過的最大改善之一。 蘇利曼也向我們強調，DeepMind的方法能夠高度普遍化，不須針 對每個新資料中心完全重新架構人工神經網路，只須使用盡可能更多的 詳細歷史資料，來訓練這些人工神經網路就行了。雖然這種訓練是複雜 且困難的工作，＊但很值得。 ＊建構一個能適當運作的人工神經網路，聽起來也許很容易──只要倒入資料，讓系統自行辨識 關聯性就好；實際上，就目前來說，這是一項很花時間且複雜的工作。就算是電腦科學背景 實力很強的人，也會很傷腦筋。

在諸如資料中心能源管理、語音辨識、圖像分類、自動翻譯等各不

相同的應用領域，如今表現最佳的機器學習系統，事實上都非常相似。 雖然各領域很不相同，但全都採用深度學習。這點很重要，因為表示這 種人工智慧方法，可以迅速廣泛用於各種產業與經濟。新的人工神經網 路幾乎可被立刻複製與擴大應用，只要使用新資料來訓練它們，再讓它 們上工。 包括微軟、亞馬遜、谷歌及IBM在內的科技巨擘，已經透過結合雲 端和應用程式介面（Application Programming Interface, API；基本上， 就是不同軟體如何溝通、連結的規則），把內部發展出來的機器學習技 術供應給其他公司。[23]透過APIs，更容易把不同軟體的程式，結合起來 單一應用，而雲端則是讓全世界可以隨需取得這種程式。 有了這樣的基礎設施，機器學習的應用將有機會快速且深入地擴展 至全世界。不過，基於第1章敘述的原因，我們也預期，隨著領先公司 的事業流程改造，以及新商業模式的出現，這種擴展將會發展不均── 事實上，已經在一些意想不到的地方發生。 小池誠（Makoto Koike）2015年回老家的小黃瓜農場，看到一個運 用機器學習的機會。他原本是日本汽車業硬體暨軟體工程師，對於打造 結合程式與機器的設備很熟悉。他發現，可以把才能應用在小黃瓜的分 揀作業上，這項工作向來只由他母親小池雅子（Masako Koike）擔任。 她會運用多年的經驗，以人工方式把所有採收好的小黃瓜，分揀成九種 品質級別。她之所以能夠這麼做，是因為自家農場的規模小──在日 本，非稻米農田的面積，平均只有1.5公頃，[24]大約是1.5個棒球場或2個 足球場大。[25]但這種人工分揀的作業仍然很辛苦，在收成旺季時，一天 需要工作8小時。 小池誠對AlphaGo的型態比對能力大為折服，[26]也對谷歌在2016年 11月開始對外供應的一套機器學習技術「TensorFlow」很感興趣，便決

定使用看看，能否讓家裡的小黃瓜分揀作業自動化。雖然小池誠過去沒 有機器學習方面的經驗，他訓練自己學會使用「TensorFlow」，再用 7,000張不同等級的小黃瓜圖像，來訓練這套系統。他使用不昂貴、一 般店面就可以買到的相機、電腦及硬體控制器材，打造出一台全自動分 級機，作業第一年就達到70％的正確率。若有更高解析度的圖像，以及 新一代的雲端機器學習軟體，幾乎可以確定正確率能夠提高。對此，小 池誠說：「我等不及一試了！」[27]類似這樣的嘗試，使我們相信谷歌的 佐藤一憲（Kaz Sato）所言：「這麼說絕對不誇張，機器學習和深度學 習的應用，只受限於我們的想像力。」[28] 在我們撰寫這本書時，幾乎這個領域所有成功的商業應用，使用的 都是監督式學習方法，有些使用了強化學習，例如DeepMind改良的資 料中心。然而，人類的主要學習途徑，是透過非監督式學習，學步幼童 天天玩積木、把杯裡的水倒出來、玩接球、不慎從椅子上跌下來等，藉 此學到生活物理學，而不是從搞懂牛頓的運動定律，或是死背F=ma之 類的公式學到的。勒丘恩曾用一個令人難忘的蛋糕比喻，來凸顯大致上 仍未被開發使用的非監督式學習的重要性。他說：「若把智慧比作一塊 蛋糕，非監督式學習就是這塊蛋糕，監督式學習則是表面的糖霜，而強 化學習是蛋糕上的櫻桃。我們現在懂得製作糖霜和櫻桃，卻不知道如何 製作蛋糕。」[29]他認為，若我們想建造出通用人工智慧，發展出更好的 非監督式學習演算法將是必要。 人腦與學習機器 我們不只一次聽到當代的人工神經網路建造者，輕蔑地把過去的規 則式方法，稱為過時的「特徵工程」（feature engineering）。很多人現 在相信，嘗試匯聚一件工作的所有相關規則，再把它們編程到電腦裡， 這種方法是錯的。他們相信，建造能夠自行學習規則的系統，顯然遠遠

更具生產力。以統計型態辨識為基礎的人工智慧系統陣營現在占了優 勢，至少實現了這門學科在超過半世紀前做出的一些承諾。 在這種發展下，人腦與機器該如何結合呢？有幾種不同的方式。第 一種就是遵循上一章談到的米爾和戴文波特主張的路線：讓具有常識的 人類，監視人工智慧系統的決策與行動，在看到出錯時進行干預，這是 DeepMind改良資料中心的做法，在系統作業中總是有人監視著，必要 時接管系統。 到目前為止，已經推出自動駕駛技術的汽車製造者，也是採用這種 方法。他們強調，駕駛座上的人既是實際存在，也是象徵性地存在；縱 使是在自動駕駛模式中，此人也必須對車子的安全操作負責。對許多人 來說，在車輛駕駛中，總是讓人類可以參與其中，看來是比較謹慎的做 法，因為一個不注意，可能就會發生傷亡事故。2016年夏季，約書亞． 布朗（Joshua Brown）的特斯拉（Tesla）自動駕駛車，撞上一部連結車 的側方，當場死亡。[30]當時，這部白色連結卡車正要從公路左轉到地面 道路，布朗的車子與卡車反向行駛於公路上。事故後調查發現，布朗的 車子在撞上卡車前，完全沒有煞車。顯然，在佛羅里達州的豔陽高照 下，布朗或自動駕駛系統的相機，都沒有注意到卡車的白色拖車。[31]也 許，布朗先前看到自動駕駛車輛在許多情況下有效操縱之後，對車輛的 能力過度有信心，所以開始愈來愈不注意道路狀況。 然而，谷歌相信，粗心大意是人類一直會有的問題，所以必須完全 不讓人類參與駕駛。該公司的自動駕駛車發展計畫前領導人克里斯．厄 姆森（Chris Urmson）說：「傳統智慧之見會說，我們應該保留駕駛輔 助系統，漸進式改善車輛；假以時日，就會變成自駕車。我要告訴各 位，這種觀念就好比在說，如果我很努力練習往上跳，有一天就能飛 了。實際上，我們必須採取稍微不同的做法。」[32]因此，谷歌致力於建

造不需要人類做出任何干預的百分之百自駕車，業界稱為「第五級自 主」（level 5 autonomy）。 這類車輛的性能令人驚豔，厄姆森在2015年TED大會上憶述：「某 天，我們的測試車輛行經山景市，遇到了一個狀況，有位坐著電動輪椅 的女士，正在道路上繞著圈圈趕鴨子。加州車輛管理局的手冊，沒有教 你如何處理這種狀況，但我們的車子能夠應付這種狀況，就是減速，安 全行駛。」[33]現在還沒有能在所有情況安全行駛的自駕車，但我們相信 很快就會問世。 機器語言克服「波蘭尼弔詭」的能力，正開始被用於白領階級的後 勤工作，這類工作迄今仍然有效抗阻自動化。所謂的「後勤工作」，涵 蓋了各種顧客看不到的知識性工作，包括採購、會計、IT等。如前文所 述，企業系統早就把最高量及最標準化的後勤作業自動化了，但大多數 的公司仍然存在大量人工作業。 若想把這些人工作業至少一部分自動化，途徑之一就是詢問工作 者，他們使用了什麼規則、例外的情形是什麼、何時改變規則等，再把 這些知識提供給人工智慧系統學習。但是，透過訪談取得這些知識的過 程，將會耗費很多時間，占用到人們的工作時間，而且可能也不會做得 很好，因為後勤業務負責較少的人員，很可能無法完整、正確地描述如 何執行工作。 因此，日本的富國生命保險公司（Fukoku Mutual Life Insurance） 採用了另一種方法，[34]在2016年12月宣布，將使用IBM的華生人工智慧 技術，把至少一部分的醫療保險理賠員的工作予以自動化。這套系統首 先從醫院和其他保健服務機構提供的文件檔案中汲取相關資訊，用這些 資訊來填寫理賠單，再提供給最終審查員。但這套系統的設計意圖是： 「學習以往的理賠評估紀錄，汲取理賠審核員的經驗和專長。」[35]換言

之，這項技術在作業中學習；假以時日，將能接掌人類的更多工作。 我們預期未來將出現更多這樣的發展，深度學習及其他機器學習方 法，將會快速擴展、延伸。舉例來說，客服工作的大部分內容，是聆聽 顧客、了解他們想要什麼，然後提供解答或服務。現代科技從客服人員 和顧客的互動中學習規則之後，可以接手處理這些活動的後面部分。 不過，客服工作自動化的最難之處，並不是在尋找解答這一步，而 是在初始的步驟，也就是聆聽與了解。基於本章一開始討論的種種原 因，自人工智慧領域問世以來，語音辨識及處理自然語言的其他層面， 一直是個艱巨的問題。早年主流的符號式方法建造的人工智慧系統表現 得很糟糕，以深度學習為基礎的較新系統則是發展得快到令專家吃驚。 微軟研究院（Microsoft Research）的一支團隊，2016年10月發表論 文宣布，他們建造的一個人工神經網路，已經做到「人類水準的談話語 音辨識。」[36]不論是轉錄單一主題的討論錄音內容，還是轉錄親友之間 開放式交談的錄音內容，他們建造的系統都比專業轉錄員做得更正確。 語言學教授傑佛瑞．普倫（Geoffrey Pullum）對此結果發表評論：「我 必須承認，我從未料想到會看到這天到來。我在1980年代判斷，全自動 化辨識連續性談話（聆聽連續性交談，正確寫下交談內容）太難了，機 器做不到……。語音辨識工程師真的做到了，甚至沒有倚賴任何句法分 析，＊純粹使用工程，輔以使用巨量原始資料的統計模型……。我不僅 沒料到我會看到這一天到來，我甚至很有信心打賭，不會有這麼一 天。」[37] ＊換言之，就是規則式方法。

已故知名電腦科學家腓特烈．傑里尼克（Frederick Jelinek），專門 研究自然語言處理，曾經說明人工智慧圈從規則式方法轉向統計型態辨

識法的原因。1980年代中期，他在一場演講中說：「每當我開除一名語 言學家，語音辨識器的性能，就會再往上提升一點。」[38]到了2010年代 中期，在那些鑽研談話內容轉錄問題的最成功團隊裡，已經沒有語言學 家了。他們得出的成果震驚全世界，我們預期，未來將會出現更多這樣 的驚奇。 我們贊同Salesforce公司執行長、科技業先驅馬可．班尼奧夫 （Marc Benioff）的話，我們正邁入他所謂的「人工智慧優先的世界」 （AI-first world）。[39]和我們一樣，班尼奧夫看出有無數的機會，可以 用遠遠更好的科技方法，來取代HiPPOs做決策。他在2016年一篇文章 中寫道：「很多企業仍然根據直覺、而非資訊來做重要決策……，未來 幾年，隨著人工智慧更普及，這種情形將會改變，可能使每間公司和每 位員工變得更聰敏、更快速、生產力更高。」[40]換作幾年前，這樣的預 測可能會令人覺得太誇張，如今聽來更像是在宣示。

本章摘要 ✔規則式或符號式的人工智慧設計方法如今已經停止了，除了幾個狹 隘的領域，似乎不大可能再恢復生機，甚至連那幾個狹隘的領域， 都可能不再使用這種方法了。 ✔機器學習這門藝術與科學，在觀看過許多例子之後，開始建造能夠 辨識型態、制定獲勝策略的軟體系統，最終實現了人工智慧領域早 年的承諾，完成有助益的工作。 ✔機器學習系統的規模愈大，在愈快、愈專業的硬體上運作，並且取 得愈多資料、使用改良過的演算法，就會變得愈能幹。如今，這些 進步條件全都具備了，所以機器學習進展快速。

✔目前，監督式學習法的人工神經網路最成功，有大量的學習範例。 非監督式學習法的進展甚少，但它才是人類在世界上自然學習的主 要方法。 ✔監督式學習法很適合用來將許多目前由人工執行的工作自動化，尤 其是型態比對、診斷、分類、預測、建議等領域。視覺、語音辨 識，以及其他曾是機器不可能具備的能力，目前在許多領域，機器 已經能夠做到可與人類匹敵的水準。 ✔我們目前仍處於機器學習普及的早期階段，它將在整個經濟與社會 中變得更加普及，尤其現在可以隨需從雲端取得相關技術。 ✔機器學習系統（以及其他所有形式的人工智慧），仍然欠缺常識。

延伸思考題 1. 你們最重要的型態比對、診斷、分類、預測及建議活動是什麼？是 否嘗試過運用機器學習取得解方？ 2. 你們會考慮把什麼重要決策或作業，完全交由人工智慧系統執行？ 哪些決策或作業，仍然會讓人類參與其中？ 3. 明天早上，如果你的通勤車輛變成自駕車，你敢放心乘坐嗎？五年 內，你敢放心乘坐嗎？無論敢不敢，為什麼？ 4. 填空題：若競爭對手在領域，使用成功的機器學習系統，那麻煩可 就大了。 5. 你們的機器學習策略是什麼？在採用機器學習方面，目前做了多 少？

1. AISB (Society for the Study of Artificial Intelligence and Simulation of Behaviour), What Is Artificial Intelligence? accessed March 1, 2017, http://www.aisb.org.uk/publicengagement/what-is-ai. 2. Pamela McCorduck, Machines Who Think, 2nd ed. (Natick, MA: A. K. Peters, 2004), 167. 3. 同上注，138。 4. Paul Lee Tan, Encyclopedia of 7700 Illustrations (Rockville, MD: Assurance, 1979), 717. 5. Mark Forsyth, The Elements of Eloquence: How to Turn the Perfect English Phrase (London: Icon, 2013), 46. 6. Ernest Davis and Gary Marcus, Commonsense Reasoning and Commonsense Knowledge in Artificial Intelligence, Communications of the ACM 58, no. 9 (2015): 92–103, http://cacm.acm.org/magazines/2015/9/191169-commonsense-reasoning-and-commonsenseknowledge-in-artificial-intelligence/abstract. 7. 同上注。 8. David H. Autor, Why Are There Still So Many Jobs? The History and Future of Workplace Automation, Journal of Economic Perspectives 29, no. 3 (2015): 3–30, http://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.29.3.3. 9. Daniela Hernandez, How Computers Will Think, Fusion, February 3, 2015, http://fusion.net/story/35648/how-computers-will-think. 10. John H. Byrne, Introduction to Neurons and Neuronal Networks, Neuroscience Online, accessed January 26, 2017, http://neuroscience.uth.tmc.edu/s1/introduction.html. 11. Mikel Olazaran, A Sociological Study of the Official History of the Perceptrons Controversy, Social Studies of Science 26 (1996): 611–59, http://journals.sagepub.com/doi/pdf/10.1177/030631296026003005. 12. Jürgen Schmidhuber, Who Invented Backpropagation? last modified 2015, http://people.idsia.ch/~juergen/who-invented-backpropagation.html. 13. David E. Rumelhart, Geoffrey E. Hinton, and Ronald J. Williams, Learning Representations by Back-propagating Errors, Nature 323 (1986): 533–36, http://www.nature.com/nature/journal/v323/n6088/abs/323533a0.html. 14. Jürgen Schmidhuber, Deep Learning in Neural Networks: An Overview, Technical Report IDSIA-03-14, October 8, 2014, https://arxiv.org/pdf/1404.7828v4.pdf. 15. Yann LeCun, Biographical Sketch, accessed January 26, 2017, http://yann.lecun.com/ex/bio.html. 16. David Silver et al., Mastering the Game of Go with Deep Neural Networks and Search Trees, Nature 529 (2016): 484–89, http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html. 17. Elliott Turner, Twitter post, September 30, 2016 (9:18 a.m.), https://twitter.com/eturner303/status/781900528733261824. 18. 我們在2015年8月訪談吳恩達的內容。 19. Paul Voosen, The Believers, Chronicle of Higher Education, February 23, 2015,

http://www.chronicle.com/article/The-Believers/190147. 20. G. Hinton, S. Osindero, and Y. Teh, A Fast Learning Algorithm for Deep Belief Nets, Neural Computation 18, no. 7 (2006): 1527–54. 21. Jeff Dean, Large-Scale Deep Learning for Intelligent Computer Systems, accessed January 26, 2017, http://www.wsdm-conference.org/2016/slides/WSDM2016-Jeff-Dean.pdf. 22. Richard Evans and Jim Gao, DeepMind AI Reduces Google Data Centre Cooling Bill by 40%, DeepMind, July 20, 2016, https://deepmind.com/blog/deepmind-ai-reduces-google-data-centrecooling-bill-40. 23. Tom Simonite, Google and Microsoft Want Every Company to Scrutinize You with AI, MIT Technology Review, August 1, 2016, https://www.technologyreview.com/s/602037/google-andmicrosoft-want-every-company-to-scrutinize-you-with-ai. 24. Field Work: Farming in Japan, Economist, April 13, 2013, http://www.economist.com/news/asia/21576154-fewer-bigger-plots-and-fewer-part-timefarmers-agriculture-could-compete-field-work. 25. Metric Views, How Big Is a Hectare? November 11, 2016, http://metricviews.org.uk/2007/11/how-big-hectare. 26. Kaz Sato, How a Japanese Cucumber Farmer Is Using Deep Learning and TensorFlow, Google, August 31, 2016, https://cloud.google.com/blog/big-data/2016/08/how-a-japanese-cucumberfarmer-is-using-deep-learning-and-tensorflow. 27. 同上注。 28. 同上注。 29. Carlos E. Perez, ‘Predictive Learning’ Is the New Buzzword in Deep Learning, Intuition Machine, December 6, 2016, https://medium.com/intuitionmachine/predictive-learning-is-thekey-to-deep-learning-acceleration-93e063195fd0#.13qh1nti1. 30. Anjali Singhvi and Karl Russell, Inside the Self-Driving Tesla Fatal Accident, New York Times, July 12, 2016, https://www.nytimes.com/interactive/2016/07/01/business/inside-teslaaccident.html. 31. Tesla, A Tragic Loss, June 30, 2016, https://www.tesla.com/blog/tragic-loss. 32. Chris Urmson, How a Driverless Car Sees the Road, TED Talk, June 2015, 15:29, https://www.ted.com/talks/chris_urmson_how_a_driverless_car_sees_the_road/transcript? language=en. 33. 同上注。 34. Dave Gershgorn, Japanese White-Collar Workers Are Already Being Replaced by Artificial Intelligence, Quartz, January 2, 2017, https://qz.com/875491/japanese-white-collar-workers-arealready-being-replaced-by-artificial-intelligence. 35. Google Translate, December 26, Heisei 28, Fukoku Life Insurance Company, accessed January 30, 2017, https://translate.google.com/translate? depth=1&hl=en&prev=search&rurl=translate.google.com&sl=ja&sp=nmt4&u=http://www.fukokulife.co.jp/about/news/download/20161226.pdf.

36. Allison Linn, Historic Achievement: Microsoft Researchers Reach Human Parity in Conversational Speech Recognition, Microsoft (blog), October 18, 2016, http://blogs.microsoft.com/next/2016/10/18/historic-achievement-microsoft-researchers-reachhuman-parity-conversational-speech-recognition/#sm.0001d0t49dx0veqdsh21cccecz0e3. 37. Mark Liberman, Human Parity in Conversational Speech Recognition, Language Log (blog), October 18, 2016, http://languagelog.ldc.upenn.edu/nll/?p=28894. 38. Julia Hirschberg, ‘Every Time I Fire a Linguist, My Performance Goes Up,’ and Other Myths of the Statistical Natural Language Processing Revolution (speech, 15th National Conference on Artificial Intelligence, Madison, WI, July 29, 1998). 39. Julie Bort, Salesforce CEO Marc Benioff Just Made a Bold Prediction about the Future of Tech, Business Insider, May 18, 2016, http://www.businessinsider.com/salesforce-ceo-i-see-an-ai-firstworld-2016-5. 40. Marc Benioff, On the Cusp of an AI Revolution, Project Syndicate, September 13, 2016, https://www.project-syndicate.org/commentary/artificial-intelligence-revolution-by-marcbenioff-2016-09.

第4章

嗨，機器人！ 海洋女神塞提絲（Thetis）來到匠神赫菲斯托斯（Hephaestus）的住 處……，看到他正揮汗搖著風箱，加快二十三個大鍋爐的煉製作 業。這些大鍋爐排列在他大宅內的牆邊，他為每個大鍋爐的每支腳 架焊裝上了金輪子。這樣，他只須拉條繩子，就能快速地把它們滾 動到眾神聚集的會廳，然後再把它們拉回宅裡，真是令人驚歎的設 計。 ──《伊利亞德》（The Iliad）羅伯特．菲格爾斯 （Robert Fagles）譯本，荷馬著作，公元前八世紀

營養、美味又平價，如此面面俱到的餐點並不多見，但更罕見的 是，用餐時還能讓你一窺自動化的未來。 2015年，第一家Eatsa餐廳在舊金山市場街南區（SoMa）開張，供 應以藜麥為主食材的各種蔬食料理──藜麥原產於南美洲高地，是一種 營養價值高的穀物。＊在Eatsa餐廳，藜麥料理中還有玉米、豆類、茄 子、鱷梨沙拉醬，碗裝供應，料理名稱有「西南總匯」（Southwestern Scramble）、「忘憂咖哩」（No Worry Curry）等。 ＊藜麥的種植效能也高，相較於動物蛋白質的生產，它只須三十分之一的能源耗用量，而且不 含膽固醇和麩質。

無人餐廳

但是，到Eatsa用餐的顧客，在開始用餐之前，就先擁有一番不尋常 的體驗：從點餐、付款到取餐，完全沒有人員服務他們。走進這家餐 廳，顧客看到的是一整排直立的平板電腦，在其中一台點餐後，再用信 用卡付款（Eatsa不收現金）。製餐中，店內的一面大螢幕上，會秀出顧 客的名字和姓氏的第一個字母（取自信用卡資料）。當顧客的名字爬到 名單頂端時，旁邊會出現一個號碼，對應大約二十個小取餐口的其中一 個。這些小取餐口整齊劃一地排列在一面牆上，表面有一塊半透明板罩 著，其實那是一塊液晶螢幕，螢幕中央會秀出顧客的名字和姓氏的第一 個字母，螢幕右上角有個紅色的小圓圈，圓圈裡頭寫著「點兩次」。顧 客在核對姓名無誤後，點那個小圓圈兩次，面板就會自動開啟，然後就 可以帶走已經包裝好的餐點（店內座位極少）。 門口有幾名服務員，為新顧客介紹如何點餐，並且回答相關疑問， 但多數顧客並不需要這些服務。Eatsa的初期評價甚佳，著名評論網站 Yelp.com有一個評價者說：「這是一家你不需要和任何人說話、互動的 餐廳，只需要幾分鐘，就能透過電腦螢幕取得一份美味、營養、平價的 餐點。跟我結婚吧！」[1] Eatsa受到歡迎，顯示第二次機器時代一個重要現象：許多以往透過 實體進行的人際交易與互動，現在透過數位介面進行。許多事業流程其 實並不需要改變實體配置，或是從A地移到B地，而是需要移動或轉換 成數位資訊，像前述這樣在Eatsa點餐、付款、知道在哪個取餐口領東 西，都是這種流程的例子。說它們是全自動化，並不完全正確，因為這 裡面仍然有一個人參與，就是顧客；更正確的說法應該是，這些流程被 「虛擬化」了。

虛擬就是新現實

虛擬化普及，現在搭機時，若不須托運行李，直到登機之前，幾乎 不須和航空公司員工說話，因為可以直接把登機證下載到手機上，或是 在機場使用自助服務亭列印登機證。符合資格的民眾從國外飛抵美國 時，可以使用「全球入境計畫」（Global Entry）服務亭提供海關及移民 資訊，辦理快速通關。此外，似乎很快就會有美國國內航班乘客全自動 化安檢作業，美國運輸安全管理局（Transportation Security Administration）在2016年7月宣布，將在五座國內機場試行並評估此項 自動化流程。＊ ＊有令人不安的證據顯示，現行確保飛安的勞力密集方法成效並不好。美國國土安全部 （Department of Homeland Security）2015年發布一份摘要報告指出，由該部組成的測試「紅 隊」（Red Teams）假扮旅客，偷帶武器、爆烈物和其他禁帶品闖關安檢門，結果成功率超過 95％，70次有67次順利通過安檢。

如今，網路及便利的數位裝置幾乎無處不在，更加促進虛擬化。自 動櫃員機普及後，很多人不再去銀行櫃台領錢；網路銀行服務讓客戶可 以上網查看帳戶明細、轉帳、付帳單，在家完成許多其他事務；智慧型 手機和應用程式，則是讓人們可以隨處上網辦理這些事。許多銀行的應 用程式，後來增加了另一項便利服務：讓客戶用手機拍攝支票相片，直 接透過應用程式把支票存入帳戶。虛擬化銀行服務的效率不斷增強、擴 大、更便利，或許是美國行員總數年年減少的一項主因，2007年的高峰 有60萬8,000人，已經減少了近20％。[2] 那麼，是否有交易和流程大致上將不會虛擬化呢？許多人和公司認 為有。商業與文化變遷觀察分析家維珍妮雅．波斯特瑞（Virginia Postrel）認為，大型藥妝店、超市及其他零售店的自助結帳站，將永遠 無法流行起來：「因為技術問題。沒有人想看著其他購物者順暢通過人 工作業結帳櫃台，自己卻永無止境地聽著電子裝置重複唸你操作錯

誤。」[3] 我們懂波斯特瑞在說什麼，多數自助結帳技術令人困惑，用起來緩 慢，經常卡住。也許，我們會繼續使用，是出於研究興趣，並不是因為 它們確實提供了便利性。不過，我們也注意到，一如預期，它們已經逐 漸改進。隨著自助結帳系統開發者的經驗增加，他們也將改善系統效能 和使用者經驗，知道該怎麼降低錯誤率和使用者的挫敗感。 這可能意味的是，未來的自助結帳機器和流程將會很不一樣，我們 預期大規模的虛擬化將會到來，儘管目前的發展並不理想。屆時，它們 可能看起來像Amazon Go──亞馬遜於2016年12月在西雅圖開張的1,800 平方英尺實體便利商店，既沒有櫃台結帳人員，也沒有自助結帳站，店 內有感應器和攝影機，結合機器學習技術和智慧型手機應用程式，追蹤 顧客放進購物籃裡的商品，當顧客將那些商品帶離開商店時，應用程式 就會直接向顧客扣款。[4]記者勞埃德．奧特（Lloyd Alter）寫道： 「Amazon Go不是網路科技升級版的雜貨店，而是在實體店內進行線上 體驗。」[5]在這項體驗中，購物籃（車）是真實的，但結帳櫃台變成虛 擬的。 反對虛擬化普及的一項論點是，有些互動需要人類的接觸，才能使 焦點對象（如顧客、病患、潛在顧客等）感到安心，進入適當心態。我 們認為，這項論點雖有道理，但我們也看到至少有些人願意（甚至可能 熱切想要）那些長久以來被認為真人接觸很重要的交易或互動虛擬化。 金融服務業的傳統觀念認為，至少要有一次面對面的互動，才能說 服一個人或一個家庭，把大筆財富交給投資顧問代為理財。但是，從 2011年12月創立以來，金融科技新創公司財富前線（Wealthfront），已 經成功從超過35,000個家計單位，取得超過30億美元的理財資產，而且 這些錢全部都以虛擬方式轉入該公司，沒有人類投資顧問坐在櫃台提供

服務或參與其中。財富前線理財公司不僅在做投資決策時不用人類判 斷，也完全去除財富匯款交易的傳統舞台與卡司──裝潢高級的辦公 室、華美的投資理財手冊、接待人員、看起來很專業的理財顧問，這些 全部都以線上形式取而代之。 自我選擇或長期趨勢？ 相較於其他投資顧問公司的客戶，財富前線理財公司的客戶較年 輕、更嫻熟科技。[6]經濟學家使用「自我選擇」（self-selection）一詞， 來描繪這類現象：人們根據自己的偏好，把自己歸類於不同族群。自我 選擇可能是形成虛擬化的一股強大力量，有些人將他們的錢交給財富前 線代為投資，在超市使用自助結帳機器，去Eatsa買午餐；其他人則是想 和人類投資顧問互動，想要櫃台結帳人員刷他們購買的商品，向人類服 務員訂購午餐。 我們目前看到企業明顯迎合這種自我選擇的其中一邊。比方說，跟 Eatsa一樣，麥當勞也愈來愈虛擬化，截至2016年11月，它已經在紐約、 佛羅里達州和南加州的五百個據點，安裝數位自助點餐和付款系統，並 且宣布要把這種觸控技術，擴展到全美14,000家麥當勞餐廳。[7]反觀發 現卡（Discover Card）信用卡公司，[8]則是強調人類的接觸。該公司 2013年播出的系列廣告，讓長相十分相似的人飾演顧客和員工，廣告內 容是他們彼此間的電話交談，想傳達的概念是他們提供非常親切、因此 更具真實性的顧客服務。其中一則廣告甚至明示，[9]他們關心人際關係 更甚於賺錢，廣告旁白是這麼說的：「在美國，不分日夜，發現卡持卡 人可以和真人服務員交談。此外，我們也不會浪費你的時間，向你推銷 一堆你不需要的東西。」 Eatsa、財富前線、麥當勞、發現卡，以及許多其他的公司，追求的

是偏好虛擬化體驗或不喜歡虛擬化體驗的顧客市場區隔，這是自然且適 當的做法；不過，我們懷疑，大規模反虛擬化的市場還能夠持續多久？ 近年來，美國行員人數持續減少，足以顯示出一項流程的虛擬化一旦做 得足夠牢靠，很多人就會開始利用，尤其在「數位原生代」人口比例隨 著時間增加後。那些由人類提供服務卻要花更多時間，或是效率不佳、 令人不悅的事務，更是如此。想像一下，如果全自動化，而且同樣安 全、兼顧隱私的機場安檢突然設立，我們還有多少人會選擇大排長龍， 等候運輸安全管理局的人員來掃描搜身？ 等到科技發展到一定地步，完成夠多實驗、進行夠多迭代，我們相 信，自動化及數位化的流程，將會變得相當普及，取代現在很多人工作 業的流程。簡言之，我們相信，虛擬化是一種長期趨勢（secular trend），這裡的「長期」（secular）一詞，等同金融業使用的意思：一 種將持續多年的長期發展，不是一種短期波動。

自動化的爆炸性成長 Eatsa想做的，不只是點餐流程的虛擬化，還有料理流程的自動化。 在它的廚房，料理流程高度優化與標準化，他們還是選擇使用人類廚 師、不用機器人的主要原因是，店內處理的食材──鱷梨、蕃茄、茄子 等，形狀不規則，而且不完全都是硬的。這些特性對生活在充滿柔軟團 狀物世界的人類來說，應付起來完全沒有問題，但是截至目前為止，多 數機器人比較擅長處理完全硬固、形體一致的東西。 這是因為機器人的視覺與觸覺，向來相當原始，遠比人類的差，而 要適當處理一顆番茄，通常需要相當精確的視覺與觸覺。此外，編程機 器人非常不善於擠壓之類的動作，但人類在這方面是知道的多，能夠說 得出來的少，因此機器人的腦袋遠遠落後於人腦，就像它們的感知遠不

如我們的一樣。 不過，它們正在快速迎頭趕上，現在已經出現一些機器人廚師了。 中國黑龍江省有一家餐廳，由一台紫紅色人形機器人負責炒菜等烹飪工 作，備料作業仍由人工執行。[10]2015年4月，德國漢諾威工業展 （Hannover Messe Industrial Trade Fair）上，英國莫利機器人公司 （Moley Robotics）展示了一間高度自動化的廚房，其中一項傑作是一 對從天花板懸吊的多關節機械手臂，模仿名廚烹調招牌菜時的動作。在 展覽會上，機械手臂烹調英國《廚神當道》（MasterChef）節目冠軍提 姆．安德森（Tim Anderson）研發出來的蟹肉濃湯，一位喝過的網路評 論者說：「味道不錯。若是我在餐廳吃到這道菜，可能不會有什麼感 覺。但是，看到廚師後，我可能會嚇一跳。」[11]同樣地，在這項展示 中，備料工作必須由人來執行，機械手臂沒有眼睛，所以如果食材或器 皿不是放在預定位置，就會失誤。 我們看過的最先進機器人廚師，是創投家維諾德．柯斯拉（Vinod Khosla）投資的公司動能機器（Momentum Machines）打造的漢堡機器 人。它會用生肉、麵包、醬汁、調味料製作漢堡，並且包裝入袋，一小 時可做400個。而且，這台漢堡機器人自己負責大部分的備料工作，為 了維持新鮮度，它在接到點餐後，才開始研磨、攪拌、烹飪。它也接受 顧客客製化漢堡，不但可以改變烹調口味，也可以指定肉餡混料。我們 可以證明，它做的漢堡很美味。 機器人之「舞」（DANCE） 這些自動廚師是我們前麻省理工學院同事、現任豐田研究機構 （Toyota Research Institute）執行長吉爾．普萊特（Gill Pratt）所謂的機 器人「寒武紀大爆發」（Cambrian Explosion）的早期例子。開始於五

億多年前的寒武紀大爆發，雖然是一段相對較短的時期，但地球上大多 數主要的生命形式──「門」（phyla）──都出現在這個時期。幾乎現今 地球上存在的所有主要生物類群，都是源起於這個進化創新大爆發。 普萊特相信，我們即將經歷相似的機器人創新大轉變。他在2015年 發表的一篇文章中寫道：「今天，幾個陣線的科技發展，正在激發相似 於寒武紀大爆發的機器人多樣性與應用性。很多建造機器人仰賴的基礎 硬體技術，一直呈現指數型成長進步中，尤其是電腦運算、資料儲存、 通訊等領域的技術。」[12]寒武紀大爆發的最重要賦能因素之一是視力 ──生物學物種首度能夠看到世界，這為我們的遠祖開啟了大量的新能 力。普萊特說，機器現在也處於相似門檻；有史以來，機器首次學習觀 看，很多能力和益處也伴隨視力而來。 我們的訪談與研究，指向五個並進、互依、重疊的領域，近年來出 現了重大進展：資料（data）、演算法（algorithms）、網路 （networks）、雲端（the cloud），以及呈指數型進步中的硬體 （exponentially improving hardware）。我們使用頭字語「DANCE」， 比較好記憶。 資料D　數十年來，音樂CDs、電影DVDs，以及網頁不停增加這個 世界的數位資訊量。但在過去幾年，數位資訊產量出現爆炸性的成長， IBM估計，世界上所有的數位資料，有90％是在過去24個月內創造出來 的。[13]智慧型手機與工業設備的感應器傳送訊號，還有不斷上傳的數位 相片和影片，源源不絕的全球社群媒體資訊流，以及其他許多資料來 源，結合起來把我們帶入空前的「大數據」時代。 演算法A　資料洪流很重要，因為它支持、加速了上一章敘述的人 工智慧與機器學習的發展。現在主宰整個領域的演算法和方法，例如深 度學習及強化學習，都有一個共通的基本特質：餵入的資料量愈多，成

果就愈好。大多數演算法的性能，通常呈現漸趨平穩或漸近線，到達一 個點之後，餵入更多資料，改善效果極少，或是不再改善。不過，現今 許多被廣為使用的機器學習方法，還未出現這種現象。吳恩達告訴我 們，就現代演算法來說，「摩爾定律和一些很優異的技術功效，持續推 遲了那條漸近線。」[14] 網路N　長短程無線通訊技術與協定，都在快速進步中。AT&T和 威訊（Verizon）2016年都宣布開始測試5G無線技術，下載速度高達每 秒10GB。[15]這比LTE網路（目前廣為布署的最快速網路），平均傳輸 速度快了五十倍，而LTE的速度比上一代的3G快了十倍。這種速度進步 意味的是更好、更快的資料累積，也意味著機器人和無人機能夠持續保 持通訊，在運作中協調作業，對快速變化做出反應。 雲端C　現在，組織和個人可以取得空前未有的電腦運算力。應用 程式、無預先配置或已預先配置的伺服器，以及儲存空間，全都可以透 過網際網路長期租賃或只租用幾分鐘。這種大致上發展還不到十年的雲 端運算基礎設施，從三個面向加快了機器人寒武紀大爆發。 第一，它大大降低了進入門檻。以往只在優異的研究型大學和跨國 企業的研發實驗室，才能看到的電腦運算資源，如今新創公司和獨立發 明人也可以取得。 第二，它讓機器人及無人機的設計師，可以針對局部運算或中央化 運算進行取捨：哪些資訊處理作業應該局部在每台機器人的腦裡執行， 哪些則應該在雲端大腦中執行？目前看來，至少在未來一段時間內，資 源最密集的工作，例如重複以往經驗以從中汲取洞察，將會在雲端處 理。 第三，或許也是最重要的面向，雲端意味著每一台機器人或無人

機，能夠快速得知群組內另一台機器人或無人機所做的事。誠如普萊特 所言：「人類花了數十年的時間學習，才足以在共同知識的本子上添加 重要新知。機器人不僅站在彼此的肩上學習，一被創造出來之後，幾乎 就立刻開始在機器人知識的本子上添加重要新知。」[16]這種「集體心 智」（hive mind）的一個早期例子，是特斯拉自動駕駛車車隊，所有車 子彼此分享行經的路邊物體資料，歷經時日，公司就知道哪些物體長設 於那個地點（因為很多車子經過，都會看到那個物體），所以那些物體 不大可能突然跑到道路中央。 呈指數型進步中的硬體E　2015年，摩爾定律歡慶五十週年──摩 爾定律是：積體電路可容納的電晶體數量，平均每18到24個月倍增── 當時它依舊強勁。近年，有人說，摩爾定律會碰上物理限制，倍增速度 即將趨緩。這或許是真的，但縱使科技業的科學家和工程師，在未來幾 十年想不出如何在矽片上進行更細蝕刻，我們相信，在未來很長一段時 間內，仍將享有價格更低、性能更好的處理器、記憶體、感應器、儲存 裝置和通訊器材等數位工具。 何以見得？無人機製造公司3D Robotics的執行長克里斯．安德森 （Chris Anderson），為我們提供了一個生動例子，讓我們一窺無人機 產業及其他許多產業的情形。他給我們看一個直徑約一英寸（2.54公 分）、長約三英寸（7.62公分）的金屬圓柱說：「這是陀螺儀感應器， 一種機械裝置，售價1萬美元。1990年代，這種機械是航太工廠一些很 有才能的女士手工打造的，負責軸的動作。在我們的無人機上，有24個 這類感應器。如果一個要價1萬美元，感應器就要24萬美元，它們加起 來還像冰箱那麼大。我們用的是一片或數片小晶片，只要3美元，體積 小得幾乎看不見。」[17] 安德森這番話想凸顯的重點是，材料很便宜、全球市場龐大、競爭

激烈、大量製造的規模經濟，結合起來基本上就是確保價格持續快速下 滑、性能持續改善。他認為個人用無人機是：「智慧型手機激戰的和平 紅利。智慧型手機使用的元件──感應器、GPS、相機、ARM核心處理 器、無線技術、記憶體、電池等，全都在驚人的規模經濟，以及蘋果、 谷歌等公司的創新機器的驅動下，變得非常便宜，只要幾美元。基本 上，十年前，它們是『難得素』（unobtainium），用於國防產業技術。 現在，到3C賣場就能買得到。」[18] DANCE這五項發展，促使機器人、無人機、自動駕駛車輛，以及 其他許多深度數位化機器的寒武紀大爆發。遠遠較便宜的工具，促使創 新和實驗速度加快，產生了如洪流般的資料，這些資料被用來測試與精 修演算法，幫助系統學習；演算法被放到雲端，透過穩定、普及的網 路，傳送給各種機器；創新者再做下一回合的測試與實驗，這樣的循環 一直持續著。 無聊、骯髒、危險、昂貴的工作 那麼，走入實體世界的機器人、無人機，以及其他種種數位機器， 將如何在經濟體中布署與應用？它們在未來將扮演什麼角色？一般認 為，機器人最適合做3D工作──乏味（dull）、骯髒（dirty）、危險 （dangerous）的工作，我們想再加上個D字──dear，昂貴。當一項特定 工作這類性質愈高，愈可能被交由數位機器執行。 到建築工地查看進度，就是一個很好的例子。建築工地通常骯髒， 有時候很危險，想要確定施工進度按照計畫執行、尺寸正不正確、管線 有沒有鋪好，相關的查驗工作可能十分枯燥乏味，但經常派人檢查很值 得，因為小錯累積起來就得花大錢。不過，看來這項工作，可能很快就 會自動化。

2015年秋季，已有九十五年歷史、全球第二大建設機械製造商日本 小松製作所（Komatsu），宣布和美國無人機新創公司Skycatch建立夥 伴關係。Skycatch的無人機可以飛越一座建築工地，精準繪製出3D圖， 不斷地把這些資訊傳送到雲端，雲端軟體拿來和工程計畫進行比對，得 出精準的工地環境資訊後，再根據這些資訊，指揮無人駕駛的自動堆土 機、傾卸車和其他搬運設備執行工作。 無人機很快也會被用於農業。安德森要我們想像有朝一日，無人機 飛越農田，運用近紅外線波段光掃描農田，提供關於農作物健康的大量 資訊。目前的無人機感應器，已經準確到能夠分別評估每一平方英尺面 積的土地，在感應器技術呈指數型進步下，大概很快就能個別檢視每一 棵作物了。想像一下，每天搭飛機飛越農田上方，這件工作既無聊又昂 貴，體積小又便宜的無人機問世，可以消除這些缺點。無人機每天蒐集 的資訊，不但可以幫助種植者深入了解作物，也有助於更準確進行水灌 溉、施肥及農藥施用。現代農業設備大多有能力依照區塊需要，施以不 同劑量的這些要素，而不是同量施灑，無人機蒐集的資料有助於善用這 些能力，讓農民更深入精準農業時代。 除了農用，無人機可能也會被保險公司用來評估風災過後的住家屋 頂撕毀程度，或是用來幫助保護瀕危動物不被偷獵、避免偏遠森林遭到 盜伐，以及其他種種用途。目前，無人機已被用來檢查乏味、骯髒、危 險、昂貴的設備。英國的無人機公司Sky Futures提供的專業服務之 一，[19]包括操縱無人機飛行於北海的鑽油平台之上，這些地方由於海水 和嚴酷天氣，金屬和水泥經常受到侵蝕，該公司的無人機在種種環境條 件下飛來飛去，免去工人辛苦又危險地進行攀爬吊掛查看。 目前，我們已經一再看到機器擔起這些4D工作： ✔2015年，力拓集團（Rio Tinto）率先在澳洲西部皮爾巴拉區

（Pilbara）的礦場，使用全遙控卡車車隊搬運鐵礦。[20]這些無人駕 駛卡車一年365天，每天24小時作業，由位在1,000英里外的一座控 制中心監控。[21]這支不用休息、不會請假、完全配合輪班的機器人 車隊，比人類車隊的效率提高了12％。 ✔如今，在丹麥、荷蘭等領先乳品生產國家，[22]大約有四分之一的擠 乳作業採用自動化系統，這個比例預期將在十年內提高到50％。 ✔現在，日本的農作物噴藥作業，有90％使用無人駕駛直升機來執 行。[23] 當然，這種機器取代人力的型態，已經在工廠存在了數十年。在工 廠，工程師能夠高度做到麻省理工學院經濟學家大衛．奧特說的「環境 控管」：「完全簡化環境，讓機器可以執行自主作業，就像我們熟悉的 組裝線例子。」[24]當自動化設備只有原始基本的頭腦，沒有能力感應所 在環境時，環境控管是必要的。然而，隨著DANCE所有要素一起改 進，自動化設備可以脫離嚴格控管的工廠環境，走向更寬廣的世界── 這正是機器人、無人機、自動駕駛車輛，以及其他許多形式的數位機器 目前的發展。在不久的將來，它們能夠做到更多。 在充滿機器人的世界，人類要做什麼？ 我們人類的腦袋與身體，將如何與這些機器共事呢？有兩種主要的 方式。第一，當機器能在實體世界做更多事時，我們將做得愈來愈少， 可能改用前述章節和下一章敘述的方式使用我們的頭腦。在農業這個人 類最古老的產業中，顯然正在發生這種情形。 農耕一直是最勞力密集的工作之一，現在卻變成最知識密集的工作

之一。印度農民布萊恩．史考特（Brian Scott）在他的部落格「農夫的 生活」（The Farmer's Life）中寫道：「你想，我祖父當年在操作……收 割機和打穀機時……能夠想像到今天的機器……用看不見的GPS訊號驅 動自己，並且創造出收成、穀物溼度之類的可列印圖表嗎？太神奇 了！」[25]同理，多數現代工廠裡的工作者，不再必須是靠身強力壯來完 成工作了，反而必須善於處理文字和數字，熟練於解決問題與團隊合 作。 人類與機器人及其同類共事的第二種方式，就是與它們「並肩工 作」，意思正如字義。同樣地，這也不是什麼新鮮事；長久以來，工廠 工人周遭都是機器，往往是靠近它們並肩工作。截至目前為止，還沒有 任何機器能夠匹敵人類的敏銳頭腦、豐富感官、靈巧雙手與穩固雙腿的 組合，這仍是極其可貴的組合。關於這點，本書作者安迪特別喜愛的一 項證明，來自參觀著名的杜卡迪（Ducati）摩托車工廠，位於義大利波 隆那。杜卡迪摩托車的引擎很複雜，＊安迪想看看它們的組裝流程有多 少自動化，答案是：幾乎沒有。 ＊這種複雜性大多源於杜卡迪引擎上開關活門零件的裝配方式。

每一部杜卡迪引擎，都是由單一個人組裝的。人員在組裝時，旁邊 會有一條緩慢移動的零組件輸送帶，當帶上出現需要的引擎零件，組裝 人員就會去拿取，擺在正確的位置上，鎖緊並調整到好。杜卡迪引擎的 組裝作業，需要移動能力、在狹小空間操作物件的能力、良好視力，以 及高度精細的觸覺，該公司衡量沒有自動化系統具備這些能力，所以引 擎的組裝仍然維持人工作業。 類似這樣的能力，在許多零售業者的倉儲中心也需要，尤其像亞馬 遜這類零售商，銷售的商品形狀、尺寸、種類各不相同。亞馬遜至今還

未能找到或研發出可靠的數位機械手臂（或自動揀貨機），能夠準確地 依照顧客的訂單內容，從貨架上取貨放到箱裡。＊因此，他們想到一個 聰明的解方：讓機器人把貨架拖到理貨員面前，由他們拿取正確商品， 再裝箱出貨。在亞馬遜龐大的物流中心，大批由波士頓新創公司Kiva Systems（已在2012年被亞馬遜收購）[26]打造出來的橘色橢圓盤機器人 （高度約到一般人的膝蓋），正辛勤地抬著貨架，四處穿梭。這些機器 好幫手會把整個貨架送到某個定點的理貨員旁邊，等理貨員從架上拿了 需要的商品後，機器人便抬著貨架離開，下一個機器人再抬著另一個貨 架報到。這種安排讓人們善用優於機器人的視覺和靈巧雙手，避免體力 過度負荷，也免去來回穿梭貨架間浪費掉的時間。 ＊至少，在我們撰寫這本書時，還沒有找到或開發出來。我們知道亞馬遜做了很多嘗試，但還 未能得出需要的結果。

但是，人類的這些優勢，還能夠維持多久呢？這是個很難有把握回 答的問題，尤其因為DANCE的各項要素正持續進步中。不過，我們的 感官、靈巧雙手與雙腳這樣的組合，機器難以匹敵，至少在幾年內，機 器仍然追不上。儘管機器人的進步非常驚人，但它們嘗試做很多人類在 做的事務時，速度仍然慢了很多。畢竟，我們的頭腦和身體，歷經數百 萬年的進化，變得十分善於解決實體世界的問題。普萊特在美國國防高 等研究計畫署（DARPA，美國國防部的研發實驗室）擔任計畫經理人 時，[27]督導了2015年的機器人挑戰賽。參賽的機器人移動得太謹慎、緩 慢，他形容自己像在看一場高爾夫比賽。不過，相較於2012年的參賽 者，2015年的仍然進步了很多。普萊特說，看2012年那些機器人的動 作，就好比在看草兒成長。

打造東西的新方法

如同本章的例子所示，種種的數位科技進步，使我們得以打造出走 出數位宇宙，進入原子世界與人類及實體事物互動的機器。這些科技進 步，也讓我們在這個領域向前大躍進一步：能用過去不可能做到的新方 法，重新「安排原子」──建造東西。我們可以在最普遍、最常見的人 造物質領域──塑膠零件，看到這種新方法的妥善運用。 2015年，全球的塑膠產量為2.5億噸，[28]一輛現代汽車有超過兩千 個不同形狀和大小的塑膠零件，為了製造這些零件，首先必須開模── 用一個金屬材質的模具，把熱塑膠灌入、擠壓或射出成型，這個模具的 輪廓與中空，決定了塑膠零件的成品形狀。 開模影響了三個主要層面。第一，模具必須做得精確，這點非常重 要，因為所有成品都來自這個模具。因此，模具往往堅固、沉重、精密 設計，所以十分昂貴。第二，模具會限制可以打造出來的零件種類；舉 例而言，用模具製造一個簡單的塑膠齒輪很容易，但不可能用單一模具 打造出一組彼此咬合完全精密的齒輪。更複雜的零件，需要更複雜的模 具──其中一個最難之處在於，把熱塑膠灌入模具後，必須確定完整、 均勻填充。第三，模具的熱力學（加熱與冷卻每個零件的方式）非常重 要：冷卻不足時脫模，成品會變形；等到完全冷卻後才脫模，則是不必 要，因為缺乏效率。此外，模具中的各處冷卻速度可能不一，所以設計 師和工程師必須權衡許多因素，才能確保打造出高品質的零件和高效能 的模具。 大約在三十年前，[29]很多不同領域的技術人員，開始思考這個問 題：為什麼要使用模具？他們從雷射印表機的運作中獲得靈感，它用雷 射把一層薄墨熔化定型在紙上，打印出操作者想要的文字與圖像。 但是，為什麼只能一層呢？何不一再重複這個步驟，逐漸堆疊成不 只是2D型態，而是3D的結構體呢？這需要花點時間，因為每一層都太

薄了，但是用這個方法來製作東西，將會開啟非常廣泛的可能性。3D 列印研究人員盧娃娜．艾歐里奧（Luana Iorio）說，3D列印的好處之一 是：複雜性消失了。[30]製造一個極複雜零件的成本，跟製造一個很簡單 零件的成本差不多，因為兩者基本上都是薄層堆疊出來的，所以列印一 組完美咬合的齒輪，跟列印一個3D元件一樣容易。 創新發明者已經利用3D列印技術來打造金屬零件，也是用雷射光 束熔融金屬粉末，一層一層地堆疊打印出金屬零件。這種製程令人注意 到另一項討喜的特性：硬度問題也沒了。硬度很高的金屬（例如鈦）， 用機器來製造，既困難又昂貴，但一次噴一層，就像質地較軟的金屬 （例如鋁）一樣容易，需要調整的只是雷射的強度設定。 當複雜性和硬度問題都消除了，許多存在已久的限制，也會消失或 變得寬鬆，比方說，很容易打造出可以更快冷卻的塑膠零件模具。德州 奧斯汀市的DTM公司，就用3D列印打造出有許多細小管路形成複雜路 徑的合金模具。傳統方法無法打造出這種模具，因為熱塑膠流不過這些 細小管路，但冷液體可以，在每個新零件成形後快速冷卻；結果，零件 製造速度快了20％到35％，[31]品質也更好。[32] 此時，可能有人會問：我們需要這種創新嗎？持續製造出更多更便 宜的塑膠零件，淹沒整個世界、塞滿掩埋場，並且汙染海洋？對此，我 們有不同看法。我們同意，過度消費及不當處理塑膠廢棄物是不好的行 為，但我們認為，3D列印的進步帶來了深遠的益處。 以3D列印惡性腫瘤模型為例，[33]在3D列印技術問世之前，外科醫 師沒有務實方法可以用實體模型，呈現他們要對付的惡性腫瘤。用傳統 方法打造模型，既昂貴又費時，他們負擔不起；畢竟，唯有知道這個模 型將被用來量產一種零件，打造模型才具有經濟效益。

但是，如果你只需要做一個模型或原型呢？或者，有一個零件壞 了，你需要快速取得備用的呢？也有可能你想要打造一小組零件，每個 彼此稍有不同？面對這些情況，傳統的製造方法大致上無用，3D列印 是個理想解方。 不過，3D列印技術的最深遠益處，可能是讓實驗及客製化變得不 昂貴。從創意或需求到實現的過程，不再需要費時、昂貴的開模，以及 其他傳統的製造步驟，因為並不實用。 設計與工程軟體公司歐特克（Autodesk）前任執行長卡爾．巴斯 （Carl Bass）認為，3D列印只是一個大故事的其中一小篇而已。他告訴 我們：「我認為，積層製造（additive manufacturing，就是3D列印）， 是製造法大變革的一派分支，這項大變革是用低成本的微處理器來精準 控管機器。」[34]巴斯的意思是，感應器和程式現在不僅被用來精準地層 層堆疊物質，也被用於幾乎所有其他製造流程，從切割玻璃片及陶磚， 到各種金屬加工。 拜摩爾定律之賜，做這些工作的機器（把原子轉化成我們想要的最 終成品），近年來不斷地改進。它們或許不像中央處理器和記憶晶片那 麼快一起變得更好、更便宜，但是進步仍然十分明顯。相較於二十年 前，不僅變得更便宜，而且能以更高品質做更多東西。各種創新者可以 取用這些進步，包括業餘愛好者、後院發明家、學生、工程師、創業 者，人們將有能力探索更多可能性。我們相信，這些促成高品質工具大 眾化的創新，將在近期的未來引領出更多創新。

本章摘要 ✔許多原本涉及人員的事業流程現在正在虛擬化：移向數位管道，而

且參與的人數減少，通常只有一個參與者，就是顧客本身。 ✔有些人將繼續自我選擇透過人際互動的交易模式，但我們相信，虛 擬化是一種長期趨勢，隨著機器取得更多能力，虛擬化將會增加。 ✔機器正在學習如何觀看，加上其他許多數位進步，機器人學正處於 寒武紀大爆發時期。各種自動化──機器人、無人機、自動駕駛車 輛等，同時變得更便宜、更廣泛、能力更強、更多樣化。 ✔機器人寒武紀大爆發的驅動因素，包括資料、演算法、網路、雲端 及呈指數型進步中的硬體，簡稱為DANCE。 ✔乏味、骯髒、危險、昂貴的工作，將會愈來愈常被機器人及其同類 完成。 ✔就算是最先進的機器人，敏捷性與靈巧度仍然遠不如人類，而且人 類的這種優勢，大概還會維持好一段時間。這些能力，再加上我們 的感官和解決問題的技巧，意味著在許多場合，我們將與機器人並 肩工作。 ✔3D列印本身是一項重要技術，也是一種更廣大趨勢的一部分：數 位工具被廣泛應用在傳統製造流程中。這是創新本身引領出更快創 新的一個例子。

延伸思考題 1. 若你的組織有大量需要人際互動的事業流程，是因為你的顧客（或 員工、供應商或其他事業夥伴）重視這種流程嗎？還是只是尚未被 有效率的數位化流程取代？

2. 在你們所屬的產業中，哪類作業最可能在未來三到五年間虛擬化？ 若可以選擇，哪些顧客將偏好更虛擬化的互動？ 3. 在你們組織，哪些作業最為乏味、骯髒、危險或昂貴？你們最近是 否研究過，知道有什麼機器人或自動化系統，可以幫忙執行這些作 業？ 4. 你們組織的實體工作，如何在人類與機器之間進行分工？主要為認 知性質或資訊處理性質的工作如何完成？主要為人際性質的工作如 何完成？ 5. 在你們的創新及原型打造的工作中，如何利用新科技來製作東西？

1. Candice G., Eatsa review, Yelp, July 5, 2016, https://www.yelp.com/biz/eatsa-san-francisco-2? hrid=WODfZ9W7ZQ0ChbW1lQnpag. 2. 2007年銀行出納員人數：Political Calculations, Trends in the Number of Bank Tellers and ATMs in the U.S., June 28, 2011, http://politicalcalculations.blogspot.com/2011/06/trends-innumber-of-bank-tellers-and.html#.WLMqPxIrJBw。2015年銀行出納員人數：US Bureau of Labor Statistics, Occupational Employment and Wages, May 2015, accessed March 1, 2017, https://www.bls.gov/oes/current/oes433071.htm。 3. Virginia Postrel, Robots Won't Rule the Checkout Lane, Bloomberg, August 10, 2015, https://www.bloomberg.com/view/articles/2015-08-10/robots-won-t-rule-the-checkout-lane. 4. Laura Stevens and Khadeeja Safdar, Amazon Working on Several Grocery-Store Formats, Could Open More than 2,000 Locations, Wall Street Journal, December 5, 2016, http://www.wsj.com/articles/amazon-grocery-store-concept-to-open-in-seattle-in-early-20171480959119. 5. Lloyd Alter, Amazon Go Is More than Just a Grocery Store with No Checkout, Mother Nature Network, December 19, 2016, http://www.mnn.com/green-tech/researchinnovations/blogs/amazon-go- lot-more-just-checkout-free-grocery-store. 6. Gabrielle Karol, High-Tech Investing Startup for Millennials Hits $1 Billion in Assets, Fox Business, June 5, 2014, http://www.foxbusiness.com/markets/2014/06/05/high-tech-investingstartup-for-millennials-hits-1-billion-mark.html. 7. Stephanie Strom, McDonald's Introduces Screen Ordering and Table Service, New York Times, November 17, 2016, https://www.nytimes.com/2016/11/18/business/mcdonalds-introducesscreen-ordering-and-table-service.html. 8. Maryann Fudacz, Facebook post on Discover's timeline, June 6, 2013, https://www.facebook.com/discover/posts/10151622117196380.

9. ‘Live Customer Service’ Discover It Card Commercial, YouTube, April 27, 2016, 0:30, https://youtu.be/xK-je8YKkNw. 10. Robot Chefs Take Over Chinese Restaurant, BBC News, April 22, 2014, 1:22, http://www.bbc.com/news/world-asia-china-27107248. 11. James Vincent, I Ate Crab Bisque Cooked by a Robot Chef, Verge, July 31, 2015, http://www.theverge.com/2015/7/31/9076221/robot-chef-moley-robotics-crab-bisque. 12. Gill A. Pratt, Is a Cambrian Explosion Coming for Robotics? Journal of Economic Perspectives 29, no. 3 (2015): 51–60, http://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.29.3.51. 13. IBM, What Is Big Data? accessed January 30, 2017, https://www01.ibm.com/software/data/bigdata/what-is-big-data.html. 14. 我們在2015年8月訪談吳恩達的內容。 15. David Samberg, Verizon Sets Roadmap to 5G Technology in U.S.; Field Trials to Start in 2016, Verizon, September 8, 2015, http://www.verizon.com/about/news/verizon-sets-roadmap-5gtechnology-us-field-trials-start-2016. 16. 同注12。 17. 我們在2015年10月訪談克里斯．安德森的內容。 18. Benjamin Pauker, Epiphanies from Chris Anderson, Foreign Policy, April 29, 2013, http://foreignpolicy.com/2013/04/29/epiphanies-from-chris-anderson. 19. Olivia Solon, Robots Replace Oil Roughnecks, Bloomberg, August 21, 2015, https://www.bloomberg.com/news/articles/2015-08-21/flying-robots-replace-oil-roughnecks. 20. Jamie Smyth, Rio Tinto Shifts to Driverless Trucks in Australia. Financial Times, October 19, 2015, https://www.ft.com/content/43f7436a-7632-11e5-a95a-27d368e1ddf7. 21. Rio Tinto, Driving Productivity in the Pilbara, June 1, 2016, http://www.riotinto.com/ourcommitment/spotlight-18130_18328.aspx. 22. Janet Beekman and Robert Bodde, Milking Automation Is Gaining Popularity, Dairy Global, January 15, 2015, http://www.dairyglobal.net/Articles/General/2015/1/Milking-automation-isgaining-popularity-1568767W. 23. Alltech, Drones and the Potential for Precision Agriculture, accessed January 30, 2017, http://ag.alltech.com/en/blog/drones-and-potential-precision-agriculture. 24. David H. Autor, Why Are There Still So Many Jobs? The History and Future of Workplace Automation, Journal of Economic Perspectives 29, no. 3 (2015): 3–30, http://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.29.3.3. 25. Brian Scott, 55 Years of Agricultural Evolution, Farmer's Life (blog), November 9, 2015, http://thefarmerslife.com/55-years-of-agricultural-evolution-in-john-deere-combines. 26. John Letzing, Amazon Adds That Robotic Touch, Wall Street Journal, March 20, 2012, http://www.wsj.com/articles/SB10001424052702304724404577291903244796214. 27. John Dzieza, Behind the Scenes at the Final DARPA Robotics Challenge, Verge, June 12, 2015, http://www.theverge.com/2015/6/12/8768871/darpa-robotics-challenge-2015-winners. 28. PlasticsEurope, Plastics─the Facts 2014/2015: An Analysis of European Plastics Production,

Demand and Waste Data, 2015, http://www.plasticseurope.org/documents/document/20150227150049final_plastics_the_facts_2014_2015_260215.pdf. 29. PlasticsEurope, Automotive: The World Moves with Plastics, 2013, http://www.plasticseurope.org/cust/documentrequest.aspx?DocID=58353. 30. Thomas L. Friedman, When Complexity Is Free, New York Times, September 14, 2013, http://www.nytimes.com/2013/09/15/opinion/sunday/friedman-when-complexity-is-free.html.

31. Guillaume Vansteenkiste, Training: Laser Melting and Conformal Cooling, PEP Centre Technique de la Plasturgie, accessed January 30, 2017, http://www.alplastics.net/Portals/0/Files/Summer%20school%20presentations/ALPlastics_Conformal_Cooling.pd 32. Eos, [Tooling], accessed January 30, 2017, https://www.eos.info/tooling. 33. Yu Zhao et al., Three-Dimensional Printing of Hela Cells for Cervical Tumor Model in vitro, Biofabrication 6, no. 3 (April 11, 2014), http://iopscience.iop.org/article/10.1088/17585082/6/3/035001. 34. 我們在2015年夏天訪談卡爾．巴斯的內容。

第5章

仍然需要人類的技術與產業 寫小說有三條規則；不幸的是，沒有人知道那些規則是什麼。 ──據說出自薩默塞特．毛姆 （Somerset Maugham，1874-1965年），英國現代小說家

關於人腦與機器，我們最常聽到的疑問是：「哪些能力仍將是人類 所獨具的？」隨著數位工具箱在例行性資訊處理、型態辨識、語言、直 覺、判斷、預測、實體靈巧度，以及其他許多事務與領域，繼續挑戰人 類的優越性，可有我們「無須」預期將被機器超越的領域？

機器人有創意嗎？ 關於前述的疑問，我們最常聽到的答案是：創造力。我們訪談的許 多對象（如果不是大多數的話）都認為，人類產生新點子的能力，是難 以言喻或被超越的。我們認為，這個觀點有相當程度的真確性；事實 上，在《第二次機器時代》一書中，我們也提出十分相似的觀點。不 過，在重度倚賴創造力的工業設計領域，近年來的情況顯示，機器愈來 愈善於自己想出有用的新點子。 多數人大概不知道或從未想過熱交換器（heat exchanger）這種東 西，但是那些設計冰箱、暖爐、引擎等器材的人，可是經常在思考這種 東西。熱交換器的功用是，把熱從一流體（亦即液體或氣體），移至另 一流體，在過程中防止兩種流體彼此接觸。臥室裡暖氣系統的散熱器，

就是一種熱交換器，讓蒸汽產生的熱流發散到空氣裡，空調系統也是一 種熱交換器。 製造出一種優良的熱交換器，是相當困難的事，必須達成首要目的 ──轉移正確數量的能源，還要能夠節能、安全、耐用、便宜。為了符 合這些要求，設計者必須了解性能水準的要求、熱力學、流體動力學、 材料特性、製造方法與成本等。當然，實務中，許多設計者會借用既有 成功熱交換器裡的大量有用知識，參考現有設計，衍生出符合新器材要 求的設計。 若一位具備所有必要知識，卻沒有任何熱交換器設計經驗的設計 者，又會得出什麼樣的設計呢？也就是說，這位設計者知道所有的性能 要求，包括各部尺寸、成本、壽命、能量轉移等，在所有相關科學與工 程學科都是世界級的專家，但過去從未設計過熱交換器，甚至不知道這 種東西可能有用的話，這樣的設計者會得出什麼樣的設計？ 下圖表5-1是一個例子，你可能已經猜到了，這是一台電腦設計出 來的。

圖表5-1 使用衍生設計軟體設計出來的一款熱交換器（©Autodesk）

自然人工設計 圖表5-1的熱交換器，是「衍生設計」（generative design）的例 子。在衍生設計這種流程中，軟體不是用來幫助人類設計師繪圖、計 算、權衡取捨，而是用來百分之百自動執行全部的設計工作，得出一個 或多個符合所有要求的完整設計。 此外，這個零件是用3D列印做出來的；事實上，若用傳統的製造 流程，不可能做得出來，但現在有了3D列印，衍生設計軟體就不再受 限於較舊的生產方法，可以無拘束地想像，設計出各式各樣的形狀。不 同於大多數的人類設計師，軟體不會有意識或潛意識傾向既有方法，會 更自由無拘束地探索。

但是，衍生設計軟體真的有創造力嗎？這是個很難回答的問題，因 為創造力是人工智慧先驅馬文．明斯基所謂的「手提箱詞」（suitcase word）的一個典型例子。誠如明斯基所言：「我們在描繪心智活動時， 使用的詞彙，例如『意識』、『學習』、『記憶』等，就像擺在手提箱 裡的種種概念雜亂堆。」[1]每個人看到「創造力」（creativity）一詞， 有著種種不同的定義，就如同雜亂堆一樣。舉例來說，《牛津英語詞 典》（Oxford English Dictionary）對creativity的定義是：「使用想像力 或原創概念，尤其是在創作一件藝術作品時。」 那麼，衍生設計軟體打造出來的熱交換器，就不符合這個定義了， 因為它並非設計來當作一件藝術品，也不是源於任何人的想像力。但 是，韋氏詞典對creativity有著大不同的定義：「打造新東西或想出新點 子的能力」，據此定義，我們認為衍生設計軟體顯然是有創造力的。 圖表5-1的零件設計過程，完全沒有人類參與，但仍然需要人來下 令要設計什麼零件，對軟體輸入規格設定，並定義這個零件必須能夠做 什麼。為了把這項工作做好，這些規格制定者必須了解這個零件將安裝 在何處，必須能在怎樣的環境中運作，能夠轉移什麼能源等。也就是 說，這些規格制定者有大量的相關知識和技能──或許，跟那些實際設 計熱交換器的設計者必須具備的一樣多。 瘋狂賽車，怪設計 若是這些相關知識，至少有一部分也可以自動生成呢？若是在衍生 設計軟體與3D列印這個組合之外，能夠加入別的工具，把數位創意技 術再向上推升呢？從2013年開始，設計與工程軟體公司歐特克，[2]就和 洛杉磯一群汽車設計師及特技飛車員合作，打算打造出一套自動系統， 能夠從頭自行設計賽車底盤，判斷底盤的性能表現，也就是自行設定規

格。 為此，這支團隊首先打造出一部陽春傳統賽車──基本上，只有底 盤、傳動系統、引擎、座椅和輪子，他們在底盤上布滿感應器，感測他 們有興趣的數據，了解底盤必須能夠應付的應力、應變、溫度、排氣量 等。如上一章所述，數位感應器現在體積小、便宜、效能高，因此團隊 可以低成本地從這個「儀器化」的底盤，獲取巨量的正確資料。 他們把這輛安裝了許多感應器的車子，帶到南加州莫哈維沙漠 （Mojave Desert），由一位測試員挑戰極限：在不撞車、不翻覆的前提 下，瘋狂加速、煞車、操縱；在此同時，感應器蒐集所有資料。在瘋狂 測試結束時，該團隊已經蒐集到有關車子結構和作用力的2,000萬筆資 料點，他們把這些資料輸入歐特克的衍生設計系統「捕夢網專案」 （Project Dreamcatcher）中，然後應用在現有底盤的3D模型中。圖表52是這套軟體設計出來的東西，在我們看來，充其量只能模糊看出它是 賽車底盤，但看起來更像是長毛象或鯨魚的頭骨，或是顯微鏡下矽藻＊ 的二氧化矽結構。 ＊水體中一種常見的浮游藻類。

這可不是個巧合。在自然界悠久、無止境的進化殊死戰中，骨頭、 外骨骼及其他結構是常勝軍，進化產生了非凡的設計──同時具有韌 性、耐久、節能、精密、強壯、機靈等特性的設計。所以，當衍生設計 軟體被託付設計一個最適結構，以符合種種性能要求時，若得出一個看 起來像來自大自然的東西，或許我們不該感到太意外。

圖表5-2 賽車底盤模型（©Autodesk）

你是否注意到另一個不尋常的特徵？這個底盤呈現不對稱性，左右 並非鏡像對稱。這其實是有道理的，當賽車一圈圈在競速時，轉向一側 的次數較多，底盤兩邊的受力相當不同。雖然人類設計師很早就注意到 這項事實，但設計出來的底盤，鮮少像衍生設計軟體設計出來的那樣高 度不對稱。 類似這樣的例子使我們相信，數位創造力並非只是在模仿或漸進式 改良和學習，電腦能夠設計出不只將人類設計加以延伸、重組的東西。 我們樂觀展望未來將出現相反的發展：當電腦被灌入人類累積的科學與 技術知識，輸入特定的性能規格要求時，或被餵入夠多資料、能夠自行 算出性能規格時，能夠得出人類永遠想不到的新奇解方。 當電腦說：「我知道了！」 隨著經驗累積，人類設計師可能無可避免地會形成偏見與盲點，數

位設計師就沒有這種問題。現在，我們可取得的電腦運算能力十分驚 人，這意味的是，數位設計師能夠快速、低成本地探索許多可能解方， 甚至超越一整棟人類設計師想出來的解方。事實上，數位創作者已經做 到這種境界。 在科學界，發現一項最終獲得實驗結果佐證支持的新理論，是典型 的「尤里卡！」（Eureka!，我發現了）型創造力。貝勒醫學院（Baylor College of Medicine）的計算生物學家，與IBM的分析專家共同進行了一 項研究，顯示IBM的華生人工智慧技術，可被用來產生有用的科學假 說。[3]這支研究團隊想尋找激活p53蛋白質的激酶，＊1因為p53能夠抑制 癌細胞成長。他們讓華生「閱讀」＊2關於這個主題的七萬份科學文獻， 然後要求它預測將激活或關閉p53活動的激酶，華生預測了七種這樣的 候選激酶。[4] ＊1激酶是調節細胞內許多活動的激素。 ＊2華生還不能像人類那樣了解語言，但能從文本中發現型態與關聯，擴增自身的知識庫。

如何知道這些候選激酶好不好呢？這件事不會太難，因為研究人員 只給華生2003年前發表的文獻，這麼一來，他們就能用2003年至2013年 這十年間的科學進展，檢驗華生產生的哪些假說已被科學家檢驗證實。 結果，華生預測的這七種激酶，全數獲證能夠激活p53。過去三十年 間，這個領域的科學家，大約每年只發現一種能夠激活p53的激酶，拿 這個數字和華生的表現相比，特別能夠凸顯華生的厲害，而且這可不是 一個玩具問題（toy problem），只是為了獲得啟示。 但藝術就不同了，對吧？ 數位創造力也延伸至藝術領域，英國電腦科學教授西蒙．寇頓

（Simon Colton）設計的人工智慧程式「The Painting Fool」，在沒有人 類的協助下繪畫；[5]長年致力於把先進電腦科技應用於藝術領域的派屈 克．崔瑟（Patrick Tresset），建造了一些機械手臂，用不同的「手」來 素描真人模特兒；[6]加州大學聖塔克魯茲分校（UCSC）音樂教授大 衛．寇普（David Cope），開發了一套人工智慧作曲程式「Emily Howell」，創作出許多不同風格的曲子。[7] 我們經常聽到，數位畫家、作曲家和其他領域的數位藝術家，才華 都不如人類藝術家。他們說，機器創作出來的作品，還是明顯比人類藝 術家的作品膚淺。但是，寇普說，他注意到一個有趣的現象。《太平洋 時區》（Pacific Standard）雜誌在2010年，刊登了一篇由萊恩．布里斯 坦（Ryan Blitstein）執筆的報導，介紹寇普的創作，文中寫道：「在聖 塔克魯茲舉辦的一場音樂會，節目表單上忘了注明Emily Howell並非人 類。當天，聽眾席上一位化學系教授暨音樂迷說，Emily Howell創作的 一首曲子，是他這輩子聽過最感動的音樂體驗之一。六個月後，這位化 學系教授去聽寇普講述Emily Howell的一堂課，聽到音樂會上演奏的那 首曲子的錄音播放，寇普回憶，當時那位化學系教授說：『確實很美， 但我一聽到，就能斷定這首曲子是電腦創作的，因為沒有感情、沒有靈 魂或深度。』」[8] 數位作曲家能夠創作出令人感動或愉悅的曲子，我們或許不該對此 感到太訝異。人類的審美觀──我們覺得美麗的東西，或是迎合我們品 味與感官的東西──很複雜，難以了解，尤其是因為它們會與時改變， 也會因為族群和文化有所不同，但並非完全不可能了解。我們發現，這 其中至少有一些規則與原理，例如，在安排畫作或其他視覺作品的各部 元素時，經常會用1.618：1的「黃金比例」，而且我們一直在學習、觀 察更多這類規則，雖然有些確實難以察覺。

這類知識被內建於數位技術中，在眾多產業廣泛應用。新創公司 Grid為個人及公司提供高度客製化的網站設計，能夠反映出他們的品 味，雖然這些網站設計遵循了重要的網站設計原則，但沒有任何人類設 計師參與其中。IBM也把華生應用到廚房裡，結果得出大量食譜可以寫 成烹飪書，而且這些食譜全部都是人們喜愛的食材與味道的新穎組合。 ＊

上海中心大廈座落於上海浦東新區，是一棟128層樓的現代摩天大

樓，[9]這棟建物高度節能，使用的技術能夠每年減少34,000公噸的碳足 跡，[10]節省的建材總計省下5,800萬美元的興建成本。[11]還有，這棟大 樓半旋轉、閃耀的外形非常漂亮，初始形狀和結構也都是電腦設計的， 再由人類建築師團隊用高度反覆測試流程加以精修，他們引據的起始點 是一份電腦設計出來的藍圖，絕非一張白紙。 ＊《快速企業》（Fast Company）雜誌記者馬克．威爾森（Mark Wilson），很喜歡華生創作的 「孟加拉白胡桃」（Bengali Butternut）BBQ醬，參見：Mark Wilson, “I Tasted BBQ Sauce Made by IBM's Watson, and Loved It,” Fast Company, May 23, 2014.。但是，他說華生做的「奧 地利巧克力墨西哥捲」（Austrian Chocolate Burrito），是他吃過最難吃的食物之一，參見： Mark Wilson, “IBM's Watson Designed the Worst Burrito I've Ever Had,” Fast Company, April 20, 2015.。

人類和電腦的不同 自動生成音樂先驅大衛．寇普說：「我聽到〔和讀到的〕，大多是 老調重彈。全都是機器跟人類的比較，還有什麼『你是不是想把我們人 類僅有的獨特創造力，給搞得不再獨特？』我覺得，這些論點實在令人 生厭，一點創意也沒有。」[12]我們了解他的感受。有些人可能很感興趣 於爭辯電腦是否具有創造力，或是可能將具有創造力，但我們更感興趣 的是，如何使世界的創造力最大化。我們相信，為了達到此一目的，正 確之道是在兩條陣線向前推進：繼續設計出能夠生成優異新點子的電

腦，並且找出讓它們和人類創作者合作的最佳方法。簡言之，最好的解 方，將來自人腦與機器共同合作。 可惜的是，很多時候，當我們把人類和機器結合起來時，我們要求 人類去做應該交給機器做的乏味例行性工作。誠如第2章所述，二十年 前建立的「人機標準夥伴關係」，目的是把例行性工作交給電腦，讓人 們騰出時間和心力，去做更高層級的思考。但是，現今的設計師和其他 創意領域的專業人員，花了太多時間做令人厭煩的枯燥工作。誠如歐特 克公司前任執行長巴斯告訴我們的：[13]

使用〔電腦輔助設計〕工具，就像在做11年級的幾何學。你坐在那 裡，畫一條線，找出中點，再畫出另一條垂直線，然後弄出圓角。這件 事情有趣的是，你不知道自己在做的事能否解決問題，可能花上幾週時 間做種種這些細節工作，最後卻發現你建造的結構根本行不通。我們訓 練了一整個世代的人這樣做事，我認為，我們給了他們糟糕的工具。

歐特克及其他公司，致力於開發更好的工具來支援創造力，這些新 一代產品將帶來一些改變。首先，它們讓人們在做一大堆「11年級幾何 學」作業之前，先測試構想的整體可行性或合適性。典型的初始設計是 在餐巾紙背後寫草稿或畫草圖，未來的數位工具將能做類似這樣的草 稿，在靈感出現的當下，快速記錄下來。然後，再快速、正確地提供這 些構想是否可行的反饋意見，例如，這棟建物耐不耐震，或是這具引擎 能否產生足夠的動力。 第二，在設計流程的每個階段，這些新工具將自動化做更多例行性 的工作。人類很不擅長做這種工作，我們總是花太多時間、出太多錯， 所以真的應該把這類工作交給科技工具，在創造性工作領域落實升級

「人機標準夥伴關係」。 在未來很長一段時間裡，儘管科技發展崢嶸，人類仍然將在創造性 工作領域扮演重要角色。在前面章節，我們探討並主張人類應該在很多 涉及決策、判斷、診斷或預測的情況中扮演較輕的角色，為何在創造性 工作領域有所不同呢？這是因為在許多領域，為了創造出新的、好的東 西，可能需要創造者生活在真實世界裡，而電腦並未「生活」在這個世 界裡──就「生活」的真正字義而言。我們無須在此討論「意識」 （consciousness）的涵義，這也是一個手提箱詞，定義繁多不一，很多 人研究過、大多數的圖書館系統也都有相關著述的典藏，只消說一句： 現在的電腦是沒有意識的。知道人們接下來想要什麼，通常需要了解人 類的基本需求，了解人類如何用感官和情緒體驗這個世界。就我們現在 所知，在未來很長一段時間裡，只有我們人類具備這種知識。 2008年，音樂創作家安德魯．伯德（Andrew Bird）在《紐約時 報》一篇文章中寫道：「唯有充滿信心的那一刻，才能把一堆看似迥異 的觀察和一首歌曲區分開來。」[14]伯德此言深富涵義，我們喜歡他的洞 察，但覺得他太過謙遜。電腦從來都不缺乏信心，它們能夠得出關於愛 或傷的無盡觀察，無論是迥異的觀察，或是有關連性的觀察。然而，若 有一個數位作詞者能像柯爾．波特（Cole Porter）、瓊妮．米契爾 （Joni Mitchell）或傑斯（Jay Z.）那樣可靠創作出優異歌詞，我們將會 非常驚訝，因為這些人類歌手有很多創意都源自對人類處境的了解，而 我們並未看到任何跡象顯示即將把這種了解數位化。不過，人工智慧先 驅勒丘恩認為，有朝一日，我們將會達到此一境界，但就目前來說， 「還有重要的概念性進展，我們不知道如何突破。」[15]吳恩達也認同這 個觀點，他告訴我們：「我們不知道人腦如何運作，我們的演算法的運 作方式，和人腦的運作方式完全不同。」[16]

在科技發展到那樣的境界之前，我們目前能看到的，就是像文學雜 誌網站CuratedAI.com展示出來的人工智慧詩作及散文（這個文學雜誌網 站收錄機器為人類寫的文章。）[17]來看看其中一篇作品「The Music Is Satisfied with Mr. Bertram's Mind」，這是人工神經網路Deep Thunder被 餵了大量珍．奧斯汀（Jane Austin）的小說後，在2016年8月創作出來 的，開頭段落如下：[18]

Chilly, and no recollection of such going at Grief. To your eldest say when I tried to be at the first of the praise, and all this has been so careless in riding to Mr. Crawford; but have you deserved far to scarcely be before, and I am sure I have no high word, ma'am, I am sure we did not know that the music is satisfied with Mr. Bertram's mind.

非常深奧，我們完全看不懂。在可預期的未來，我們還是會繼續看 人類創作的文學，聽人類寫的歌詞。 數位化世界的人際關係 人類處境本質上屬於人際性質，我們是根深蒂固的社會性動物，在 整個現代進化史中，我們生活於愈來愈大的團體中──家庭、結夥、部 落、城市。這種發展趨勢一個無可避免的結果是：不論做為個人或團體 的一員，我們敏銳地調適於彼此；幾乎所有人總是時常、深切地關心自 己和他人的關係，在乎他人對自己的想法，只有嚴重的反社會性格者和 極端孤僻者是少數例外。我們的麻省理工學院同事、天賦異稟的研究員 戴布．羅伊（Deb Roy）指出，這種社會天性使我們能夠預測哪些職務 和工作，最不會受到科技進步的影響：很簡單，就是涉及社會性需求的

工作。 羅伊列出了這類社會性需求，包括愛心、榮耀、困窘、嫉妒、正 義、團結等。只要看看高中女足球隊教練的工作，就可以了解照顧這類 需求如何在真實世界發揮作用。要是這位教練對足球戰略有深切的了 解，並且有能力觀察比賽過程，做出適當的戰術改變，這自然很好，但 因為比賽輸贏並不涉及很大的財務後果，所以這份工作最重要的不是贏 球能力。重要的，反而是鼓勵這群女孩團結追求目標的能力，教導她們 成為互相扶持的好隊友，並且透過運動來培養她們的品格。教練運用愛 心和女孩們的榮耀感來達成這件事，她也利用女孩們想獲得她的認同的 欲望，因為她是模範，也是權威人物。 大多數的人都知道，卓越的足球教練並不多，但是我們忘了，這世 上並不存在非人類的足球教練。想像一下，若有一位完全數位化的人工 智慧女足球教練，它能夠從隊上挑出天生領袖和個性難相處者嗎？若一 些女孩兼具這兩種特質，它懂得如何處理嗎？它能夠在整個球季有效地 促進團隊合作，幫助她們度過高低潮起伏嗎？它能夠激勵某個女孩撐過 疲累，並且擺脫自我懷疑，做到她認為不可能做到的事嗎？我們已經學 會，絕對別說科技做不到，但對於前述疑問，我們會說：「幾乎可以確 定做不到。」 電腦愈來愈善於觀察人們的臉部表情及聲音型態，來判斷人類的情 緒，但是距離做到前述這些事，還有很長很長一段路要走。我們相信， 在未來很長一段時間內，仍然只有人類才有能力和技巧，可以有效應付 人們的情緒狀態與社會性需求。這意味的是，伴隨我們更深入第二次機 器時代，一個結合人類與機器的新穎方式是：在做決策（或判斷、預 測、診斷等）方面，讓電腦擔任主角；若需要說服他人接受這些決策， 由人類擔任主角。

醫療照護業提供了很多例子，展現如何在實務上採取這種做法。醫 療診斷是一項型態比對的作業，由於醫療照護資訊數位化，以及機器學 習及其他領域的進步，電腦在這項作業的表現，已經達到超越人類的水 準。在多數的診斷專科──放射學、病理學、腫瘤學等，若全球最佳的 診斷師還不是數位診斷師的話，很快就會是了。由人類專家檢視電腦得 出的診斷報告，這樣的做法還是很好，＊但應該讓電腦主責診斷工作。 ＊也可能不是個好點子，時間和研究會告訴我們答案。

大多數的病患不會想從機器那裡取得診斷，他們想從一個有愛心、 能夠幫助他們了解並接受壞消息（往往是壞消息）的人那裡聽取診斷。 所以，在電腦做出診斷之後，交由能夠建立人際關係、善用社會性需求 的醫療專業人員去面對病患，會是非常有益的做法，因為他們比較有可 能說服病患配合治療。在醫療照護業，病患不配合是一個大問題；據 估，在美國，這個問題每年影響了數百萬人的健康，耗費高達2,890億 美元的處方成本。[19] 截至2015年年中，麻州劍橋的愛歐拉醫療服務公司（Iora Health），已經在美國六個州開設了十三個服務據點，為每位病患配備 專門的「健康教練」。這些專業人員不僅為病患提供醫療建議，也傾聽 他們的心聲，花時間和他們相處，讓整個服務體驗更深度人際化，而非 缺乏人情味。這種方法似乎很有成效，根據《波士頓環球報》（The Boston Globe）的報導：「根據愛歐拉的研究分析，和採用一般醫療照 護系統的控制對照組相比，愛歐拉的某個服務站，住院率降低了37％， 醫療照護支出降低了12％……。在另外兩個愛歐拉服務站，病患被送往 急診室的次數，降低了至少30％。」[20] 在未來持續進步的醫療照護體系中，人類仍將扮演重要的角色，但

功能未必與今天的相同。在未來的醫療照護服務舞台上，核心角色可能 是在情緒與社交方面敏感、機靈的關懷協調員，不再是聰穎的診斷師及 其他HiPPOs。前文曾經提過一個老笑話：在未來的工廠裡，只有兩名 員工，一個人和一條狗。用於醫療照護業，我們想把這個笑話稍微修改 一下：在未來的診所裡，可能會有一套人工智慧系統、一個人和一條 狗，人工智慧系統的工作是診斷病患，人類的工作是了解診斷內容，並 且對病患溝通診斷結果，輔導病患接受完整治療，至於狗的工作，則是 在人懷疑批評人工智慧系統時咬人。

本章摘要 ✔電腦現在能夠做愈來愈多符合多數「創造力」定義的事情，例如設 計實用且漂亮的東西、創作音樂、提出有用的科學假說等。 ✔電腦的創造能力正在快速精進。舉例來說，它們現在不僅能夠設計 出符合性能規格的零件，也能使用大量資料判斷零件應該具備哪些 性能規格。 ✔數位創造工具產生的解決方案，往往非常不同於人類得出的結果， 這是好事，因為觀點多樣化往往可以得出更好的結果。 ✔但是，電腦仍然不了解人類的各種處境，因為它們並不像人類那樣 體驗這個世界。我們並不預期機器很快就能寫出像樣的小說。 ✔創造性工作是人機新結合最有斬獲的領域之一，一個大有前景的方 法是：讓機器負責「窮忙工作」，產生初步提案，再由人類加以延 伸、改善。 ✔數位科技非常不善於滿足我們的社會性需求，因此在未來相當長的

一段時間裡，涉及社會性需求的工作可能將繼續由人類擔任，這類 工作包括需要運用到同理心、領導力、團隊合作及指導的職務。 ✔隨著科技進步，高層次的社交技巧，可能變得比高級的量化技巧更 有價值。結合社交技巧與量化技巧的能力，通常可以獲得最高報 酬。

延伸思考題 1. 在你們的組織裡，大多數的創意和創新人員，必須做多少枯燥乏味 的例行性工作？ 2. 你是否有信心可以分辨得出某一畫作、音樂、網頁設計或科學假 說，是由人類或機器創作出來的？你是否相信人類創作的作品，一 定優於機器創作的作品？ 3. 在哪些領域，更好的人際關係最能幫助你的表現，以及你們組織的 表現？ 4. 在你們的組織裡，目前由人員擔任的工作，哪些將最難被電腦取 代？你為什麼這樣認為？ 5. 檢視你目前的職務與工作流程，或整個組織的現有工作和運作流 程，你認為最理想的人機分工有哪些？ 6. 藉由結合新興的機器能力與人類專長，你們可以創造出什麼新產品 或服務？

1. John Brockman, Consciousness Is a Big Suitcase: A Talk with Marvin Minsky, Edge, February 26, 1998, https://www.edge.org/conversation/marvin_minsky-consciousness-is-a-big-suitcase. 2. Daniel Terdiman, Inside the Hack Rod, the World's First AI-Designed Car, Fast Company,

December 1, 2015, accessed 30 Jan 2017, https://www.fastcompany.com/3054028/inside-thehack-rod-the-worlds-first-ai-designed-car. 3. Scott Spangler et al., Automated Hypothesis Generation Based on Mining Scientific Literature, in Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (New York: ACM, 2014), 1877–86, http://scholar.harvard.edu/files/alacoste/files/p1877-spangler.pdf. 4. IBM, IBM Watson Ushers In a New Era of Data-Driven Discoveries, August 28, 2014, https://www-03.ibm.com/press/us/en/pressrelease/44697.wss. 5. The Painting Fool, About Me…, accessed January 30, 2017, http://www.thepaintingfool.com/about/index.html. 6. PatrickTresset.com, accessed January 30, 2017, http://patricktresset.com/new. 7. Emily Howell, accessed January 30, 2017, http://artsites.ucsc.edu/faculty/cope/Emilyhowell.htm. 8. Ryan Blitstein, Triumph of the Cyborg Composer, Pacific Standard, February 22, 2010, https://psmag.com/triumph-of-the-cyborg-composer-620e5aead47e#.tkinbzy0l. 9. Skyscraper Center, Shanghai Tower, accessed January 30, 2017, http://skyscrapercenter.com/building/shanghai-tower/56. 10. Gensler Design Update, Sustainability Matters, accessed January 30, 2017, http://du.gensler.com/vol6/shanghai-tower/#/sustainability-matters. 11. Gensler Design Update, Why This Shape?, accessed January 30, 2017, http://du.gensler.com/vol6/shanghai-tower/#/why-this-shape. 12. 同注8。 13. 我們在2015年夏天訪談卡爾．巴斯的內容。 14. Andrew Bird, Natural History, New York Times, April 8, 2008, https://opinionator.blogs.nytimes.com/2008/04/08/natural-history. 15. Quentin Hardy, Facebook's Yann LeCun Discusses Digital Companions and Artificial Intelligence (and Emotions),: New York Times, March 26, 2015, https://bits.blogs.nytimes.com/2015/03/26/facebooks-yann-lecun-discusses-digital-companionsand-artificial-intelligence. 16. 我們在2015年8月訪談吳恩達的內容。 17. CuratedAI, accessed March 1, 2017, http://curatedai.com. 18. Deep Thunder, The Music Is Satisfied with Mr. Bertram's Mind, CuratedAI, August 31, 2016, http://curatedai.com/prose/the-music-is-satisfied-with-mr-bertrams-mind. 19. Meera Viswanathan et al., Interventions to Improve Adherence to Self-Administered Medications for Chronic Diseases in the United States: A Systematic Review, Annals of Internal Medicine, December 4, 2012, http://annals.org/article.aspx?articleid=1357338. 20. Sarah Shemkus, Iora Health's Promise: Patients Come First, Boston Globe, May 4, 2015, https://www.bostonglobe.com/business/2015/05/03/iora-health-pioneers-new-primary-caremodel/kc7V4W5V8OJ0gxFqY4zBrK/story.html.

第二部

產品與平台

第6章

新機器敲響的喪鐘 在資本主義社會，經濟進步意味的是動蕩紛亂。 ──約瑟夫．熊彼得（Joseph Schumpeter） 政治經濟學家，1942年

僅僅一個世代的時間，幾個存在已久的產業，被一個電腦網路永 久、徹底地改變，商界極少、甚至從未出現過像這種速度與規模的顛 覆。 上一段的第一句是誇張了點，網際網路並非獨力顛覆一個又一個產 業，還得助於其他技術；至於第二句，我們就不認為有誇張之嫌了。如 同本書第1章所述，以往也出現過技術驅動的工業革命，由蒸汽引擎和 電氣化之類的進步技術驅動，但它們花費較長的時間，也沒有影響到全 球經濟這麼多的部分。

暴風雨前的寧靜 想了解網際網路帶來的影響，最好的方法或許是看看二十年前的情 況面貌。在當時的美國，行動電話是昂貴的新奇玩意兒，1995年，一支 手機大約1,000美元，只有13％的人口擁有，[1]絕大多數的美國家計單位 使用的是固網電話（landline phone，當時並沒有這個名詞呢），透過銅 線連結至全國網路。建立此網路的壟斷公司AT&T，在1982年被法院下 令解體，但是該公司仍然繼續營運，成為數家長途電話電信服務供應商

之一。1990年代，長途電話的費用較高，多數家戶每月收到兩種電話帳 單，一種是不限次數與時間的市內電話固定費用，另一種是變動費用， 視長途電話的撥打次數與時間而定。 1990年代中期，幾乎每個美國社區至少有一份服務當地的報紙，[2] 一些大報如《紐約時報》、《華爾街日報》、《今日美國》（USA Today）則是觸角涵蓋全美。總計，全美有2,400種報紙，年營收460億 美元；另外，週刊和月刊雜誌創造了約190億美元的年營收。這些報章 雜誌的收入，主要是來自報費和廣告費；1995年，美國報業的營收有 30％來自分類廣告，49％來自非分類廣告，21％來自報紙銷售。許多報 紙的營收及獲利，尤其倚賴分類廣告，因為分類廣告的製作或印刷成本 很低，又可以刊登較長的時間（直到廣告主已經達到目的，或是不想再 支付廣告費。） 當時的電台也很興旺，2000年，美國有超過一萬個調幅（AM）及 調頻（FM）電台，[3]總計創造年營收200億美元。這些電台大多播放音 樂（有些節目播放的可能比較少），它們都和唱片業保持愉快的合作關 係，電台聽眾聽到喜歡的歌曲，往往會在專輯問市時購買。2000年，美 國唱片業創造了143億美元營收，[4]在此之前的十年間，平均年營收成長 率為7％。 對錄音音樂的需求，尤其是流行音樂最知名藝人的歌曲，似乎強勁 到足以生成創意產業融資業務。1997年，大衛．鮑伊（David Bowie） 和投資銀行家大衛．普爾曼（David Pullman）聯手推出「鮑伊債券」 （Bowie Bonds），[5]這是一種以藝人的各項音樂銷售收入做為資產擔保 的新奇證券，發行當時以大衛．鮑伊在過去21年間發行的25張專輯的版 稅收入做為擔保資產。[6]鮑伊債券問市不久就銷售一空，募集到5,500萬 美元，[7]激發其他藝人跟進，做出類似嘗試，例如鐵娘子樂團（Iron

Maiden）、[8]洛．史都華（Rod Stewart）及詹姆斯．布朗（James Brown）等。[9] 想購買音樂的民眾，可以加入哥倫比亞（Columbia）之類的當月專 輯郵購俱樂部，或是去HMV或淘兒唱片（Tower Records）之類的連鎖 唱片行購買。粉絲時常會在唱片行門外大排長龍，以確保買到萬眾期待 的專輯，例如麥可．傑克森（Michael Jackson）在1996年發行的暢銷專 輯《歷史之旅》（HIStory）。 很多唱片行位在購物商場的室內，購物商場是一項美國創新，快速 蔓延，跟市郊生活一樣。在美國，購物商場的興起始於1956年，[10]全美 第一座完全室內、不受天候影響的購物商場南谷中心（Southdale Center）於明尼蘇達州明尼亞波利斯（Minneapolis）市郊開張。1960年 代，汽車文化促進許多市郊獲得開發，於焉開啟了長達半世紀的室內購 物商場榮景，從1956年到2005年，美國總計興建了1,500座購物中 心。[11] 1990年代中期，許多美國人前往購物商場，是為了拿相片膠捲去沖 洗，或是為了取回沖洗好的相片。1997年，美國膠捲照相業營收規模達 100億美元，[12]包括相機與膠捲購買，以及沖洗膠捲的費用。第一台主 流消費性數位相機Casio QV-10在1995年問市，[13]但銷售並未締造多大 的成功，它的訂價要900美元、實在太高，[14]而且只能在不可取出的內 建記憶體中，儲存96張低解析度的相片（0.07百萬畫素）。美國百年膠 捲老店柯達公司（Kodak）的投資人，似乎不大擔心卡西歐（Casio）及 其他早期的數位相機製造商，柯達的市值在1997年第一季，達到歷史新 高的310億美元。

但是，這樣的世界逐漸粉碎

我們相信，你並不會訝異得知，柯達的市值從此再也沒有上升過。 從1997年的高峰到申請破產的2012年，＊這十五年間，柯達的市值一路 崩跌。而且，柯達並非單一或獨特案例，從1990年代中期開始，令人震 撼、痛苦的變化浪潮，衝擊了前述這些產業。 ＊柯達進入破產保護程序，並未終止業務運作。自2013年起，柯達聚焦於商業印刷和造像業 務；到了2015年底，公司的6,400名員工已經協助創造了17億美元的營收。在《第二次機器時 代》一書，我們對柯達的故事有更詳細的討論。

✔到了2013年，美國報業的平面廣告收入，已經比前十年下滑了 70％。[15]線上廣告收入貢獻了34億美元，只能少許填補減少的400 億美元年營收。[16]報業出現了這麼一句話，形容得非常貼切：「數 位的一毛錢，取代平面的一美元。」[17]從2007年至2011年，美國報 業總計裁員13,400人；[18]2000年後的十年間，報紙的徵才分類廣告 收入，從87億美元銳減至7.23億美元，下滑超過90％。包括亞利桑 那州最悠久的日報《土桑市民報》（Tucson Citizen）、[19]丹佛的 《落磯山新聞》（Rocky Mountain News）[20]在內，一些報業公司陸 續破產，其他報業公司的市值則是跌跌不休，例如麥克萊奇報業公 司（McClatchy Company）的市值跌掉超過90％。[21]2013年8月5 日，《華盛頓郵報》（The Washington Post）做出驚人宣布，[22]亞 馬遜創辦人傑夫．貝佐斯（Jeff Bezos）以2.5億美元收購該報。 ✔類似型態也發生在雜誌出版業，總發行量及廣告收入直直落，陸續 有雜誌的母公司宣告破產，例如《閣樓》（Penthouse）雜誌所屬的 大眾媒體公司（General Media），[23]《國家詢問報》（National Enquirer）及《男士健身》（Men's Fitness）雜誌所屬的美國媒體公 司（American Media）。[24]在1933年創刊、[25]發行量一度達到330 萬份的《新聞週刊》（Newsweek），[26]2007年到2011年的總發行量

減少了超過50％，2012年完全停止發行平面印刷版。[27]曾經極具政 治影響力、在1990年代中期被譽為「在美國空軍一號上必讀」的 《新共和》（The New Republic）雜誌，[28]2012年被臉書的共同創 辦人克里斯．休斯（Chris Hughes）＊1以大約200萬美元買下。[29]不 過，雜誌業深層轉變的最明顯訊號，或許是這項：已有六十二年歷 史的《花花公子》（Playboy）雜誌，2015年10月宣布不再刊登裸 照。[30]該雜誌創辦人休．海夫納（Hugh Hefner），2006年被《大 西洋》（The Atlantic）雜誌選為當今最具影響力的美國人之一，[31] 他當選的原因主要是靠裸女照片，卻同意這項重大變革。原因之一 是，就跟其他刊物一樣，《花花公子》現在愈來愈倚賴來自社群媒 體的流量，但臉書和Instagram之類的網站不容許裸露內容。＊2〔不 過，2017年2月，該雜誌的創意長、創辦人的兒子庫柏．海夫納 （Cooper Hefner）宣布，女性半裸寫真將重返《花花公子》雜 誌。〕[32] ＊據報導，休斯買下《新共和》之後，在四年內投資了2,000萬美元（Ravi Somaiya, “The New Republic Is Sold,” New York Times, February 26, 2016.。），但未能成功把該組織轉 型成一家數位媒體公司，他在2016年2月賣掉這個事業。 ＊2《花花公子》雜誌內容長柯里．瓊斯（Cory Jones）表示，自從Playboy.com在2014年 轉變成非「辦公室不宜」網站後，流量增加了40％（David Segal, “Playboy Puts On [Some] Clothes for Newly Redesigned Issue,” New York Times, February 4, 2016.。）。宣 布不再刊登裸照後不久，瓊斯說：「請別誤會，12歲時的我會對現在的我非常失望， 但這是正確的決定。」（Ravi Somaiya, “Nudes Are Old News at Playboy,” New York Times, October 12, 2015.。）

✔全球的錄音音樂銷售額，在1999年到2014年間降低了45％，[33]從 270億美元[34]下降到150億美元。[35]2014年也首見全球音樂產業的銷 售額，來自數位通路的比重相同於來自CD等實體格式的比 重。[36]2002年，全球五大唱片公司合計掌控75％的全球錄音音樂市

場。[37]後來，產業進行整合，留下了三大音樂內容供應商：環球音 樂集團（Universal Music Group）、索尼音樂娛樂公司（Sony Music Entertainment），以及華納音樂集團（Warner Music Group），這三大公司現在合計占美國音樂市場85％的市占率。[38] 淘兒唱片在2006年宣告破產，[39]HVM在2013年初申請接管（就英 國公司來說，這個壞消息等於破產。）[40]2004年，穆迪 （Moody's）信用評等公司把鮑伊債券，從投資等級打入垃圾債券 等級。[41]雖然鮑伊債券一直都按時支付債息，但其他錄音藝人的資 產證券化從未能起飛，高盛集團（Goldman Sachs）曾在2011年， 試圖為巴布．狄倫（Bob Dylan）、尼爾．戴蒙（Neil Diamond）等 藝人發行債券，但無法找到夠大的市場。[42] ✔2007年是半世紀以來，首見未有一座新的室內購物商場在美國開張 的一年。2005年到2015年間，美國的購物商場有20％關門大吉，[43] 專門興建與營運管理購物商場的公司面臨財務困境。全美最大的購 物商場開發營運商之一通用成長物業公司（General Growth Properties），[44]在2009年申請破產，成為美國史上最大件的商業不 動產公司破產案。 ✔市內與長途電話通信事業陷入困境。2000年，美國的家計單位總計 花了770億美元於長途語音電話；[45]到了2013年，這個數字已經銳 減至160億美元。[46]伴隨行動電話的普及，許多美國家戶乾脆停用 線路電話；到了2015年，美國有44％的成年人，家中未安裝線路電 話，[47]完全使用手機，至於千禧世代（在1977年至1994年出生 者），這個比例接近三分之二。 ✔美國全國性質電台的總營收，從2000年的200億美元，[48]下降到 2010年的140億美元，[49]衰退了近30％。經營困難，迫使許多獨立

電台出售給整合者；美國最大的電台經營商清晰頻道通信公司 （Clear Channel Communications），旗下電台從1997年的196台， 增加到2005年的1,183台。[50] 這些例子顯示，在過去二十年間，巨大亂流衝擊了許多明顯不同的 產業。而且，這份清單一點都不完整，在後面的章節中，我們將看到更 多商業模式被大肆破壞的例子。湯馬斯．佛里曼（Thomas Friedman） 在《謝謝你遲到了》（Thank You for Being Late）一書中，對這種破壞 下了一個令人難忘的定義：「有人做了聰明的事，讓你或你的公司看起 來老舊過時。」[51]數位科技堪稱人類史上聰明的破壞者所運用過的最強 大工具。 免費、完整、即時的經濟特性 想知道我們為何這麼說，真正了解並掌握第二次機器時代的強大破 壞力，你得先懂兩項不尋常的經濟特性：一，由位元、而非原子構成的 資訊產品的經濟特性；二，網路的經濟特性。 資訊產品的頭兩項重要特性，是免費（free）和完整（perfect）。 某件事物一旦被數位化，基本上，多製作一份拷貝是免費的。固然這份 新拷貝會占用硬碟或其他記憶體空間，實際上並非真正免費儲存，但用 歷史的標準來看，是真的很便宜。2016年，1GB的儲存成本是0.02美 元，[52]遠低於2000年的11美元，[53]而且還會愈來愈便宜。對此現象，經 濟學家會說：邊際成本趨近於零；所以，「免費」是允當的近似值。 至於「完整」，嗯……就是完整。一旦創造了一個數位原版，拷貝 出來的將和數位原版一樣好；事實上，數位拷貝和數位原版是一模一樣 的。＊1如果你曾經影印過，就會知道類比拷貝不會一模一樣，但數位拷

貝相較於數位原版，不會有半點缺漏或失色，＊2不論是拷貝一個、一百 個或十億個。 ＊1歌曲或電影的數位版，的確可能比類比版的差，這是因為在轉製的過程中，流失了一些元 素。有些人不喜歡數位版，導演昆汀．塔倫提諾（Quentin Tarantino）在2015年底發行《八惡 人》（The Hateful Eight）這部影片時，推出了70釐米格式版（Peter Suderman, “There's One Great Reason to See Quentin Tarantino's The Hateful Eight in Theaters,” Vox, January 4, 2016.。）。此外，很多人都認識至少一個音響迷偏好黑膠唱片，勝過數位編程音樂。但在絕 大多數的時候，數位版對絕大多數的人來說已經夠好了。 ＊2除非檔案有錯或修改。關於這點，數位檔案也與類比拷貝不同，使用密碼驗證等工具，可以 偵測到任何修改或錯誤。

免費與完整，是兩項非常討喜的特性；不過，一個存了數百萬份相 同相片、檔案或歌曲的硬碟，就不是那麼討喜、實用了，這個時候就需 要網路。有了網路，資訊產品的經濟力量大為提高，因為網路增添了第 三項重要特性：即時（instant）。網路讓我們能夠幾乎立刻把一個免 費、完整的資訊產品，從一地傳輸至另一地，或是從一地傳輸至許多 地。 網際網路是一種威力特別強大的網路，因為它以兩種重要方式散播 免費概念：其一，在這個網路上，多傳輸一份歌曲或相片的拷貝，通常 是免費的，因為單一費率的上網方案很普遍，只要人們選擇這種費率， 就不用依照傳送或接收的位元量付費，只要在服務限定的流量內使用即 可。其二，不管是傳給隔壁鄰居或半個地球外的人，基本上都可說是免 費的。網際網路的架構，基本上不因實體距離而有差異，英國新聞工作 者法蘭西絲．凱恩克勞斯（Frances Cairncross），便提出了「距離之 死」（the death of distance）一詞，表示距離不再是限制資訊傳播的一 項因素。[54]

免費、完整、即時，形成了一個強力組合，整體價值遠遠大於個別 價值，難以匹敵。想像你經營一家小報攤或一間音樂零售店，你要競爭 的對手可以免費、完整、即時複製與傳送相同商品，即便你們要支付的 寫作或創作成本是一樣的，他們仍然具有顯著的總成本優勢，因為製 作、傳送拷貝的邊際成本非常低。在大部分的人類歷史中，少有產品與 服務是免費、完整且即時的，但就數位或網路產品來說，這三種特性卻 是自然的。

平台一結合，龍頭可能就要不開心了 平台則是利用免費、完整、即時經濟特性的線上環境；更確切地 說，一個平台可以被定義為：取用、複製與遞送的邊際成本＊1近乎零的 數位環境。 當然，對大多數的人來說，最熟悉的平台就是網際網路了，它也是 造成前述產業遭到大肆破壞的力量。從某種意義上來說，網際網路是眾 多平台的平台。前述那些例子，凸顯了平台的一項重要特性：它們往往 可以建立在彼此之上。舉例來說，全球資訊網（WWW）是一個多媒 體、容易使用的平台，建立在原始的網際網路資訊傳輸協定上。那些協 定已經存在了數十年，但是在提姆．柏納茲．李發明網路（web）之 前，＊2網際網路主要是技客們使用的平台。一個平台（網際網路）被拿 來當作另一個平台（網路）的基石或砌塊，如同我們在《第二次機器時 代》中所言，這種砌塊特性非常有價值，因為它促成了組合式創新，並 非從無到有創造出新的、有用的東西，而是以新的方式結合既有事物 （也可能再加入一些新奇元素），形成新的、有用的東西。 ＊1邊際成本（marginal cost）是指多生產或遞送一個品項所需花費的成本；在大多數的上網資 費方案下，一個位元的邊際成本是零。

＊2到了1990年10月，提姆．柏納茲．李已經創造出建立全球資訊網所需的三個最重要砌塊：超 文本標記語言（HTML，把語言格式化）；統一資源定位器（URL，辨識、檢索資訊的地址 系統）；超文本傳輸協定（HTTP，促成跨網路連結）。此外，他也撰寫出第一個網路瀏覽器 和網路伺服器，參見：World Wide Web Foundation, “History of the Web,” accessed February 7, 2017.。

組合式創新可能既快速又便宜，當它被免費、完整、即時的平台特 性力量放大作用，結果往往是高度變革性的。1995年，程式設計師克雷 格．紐馬克（Craig Newmark）[55]把一份簡單的電子郵件發送名單擴展 成一個公共網站，讓人們在上頭張貼舊金山灣區當地的活動訊 息。[56]Craigslist的成長飛快，到了2014年，已經擴展至70個國家700個 當地網站，[57]很快就成為所在城市房地產買賣、徵才廣告及其他分類廣 告的首要線上平台。由於平台的優勢經濟效益，使得紐馬克得以經營、 擴展一個強健的事業，據估Craigslist 2008年的獲利約為2,500萬美 元，[58]而且還是只對幾個類別的廣告收費，[59]例如紐約市的徵才廣告或 房屋出租仲介廣告，其他所有張貼都是免費的。Craigslist的訂價對使用 該網站的個人和企業極具吸引力，對許多報紙無疑卻具致命的殺傷力。 一項調查結論指出，2000年到2007年間，Craigslist使印刷媒體業流失了 超過50億美元的收入；[60]在這個例子中，印刷媒體業的一美元，變成數 位的一分錢。 伴隨著另外兩種平台的出現，報章雜誌的收入再度下滑。第一種是 免費、完整、即時散播內容的平台。大量的內容平台湧現，成為主流平 面媒體之外的另類選擇。這些平台遍及每一種媒體、主題、產業，有各 式各樣的貢獻者，從專業新聞工作者、自由撰稿人到不收費的熱心人士 都有。第二種是在這些各種不同的內容中，提供精準廣告（targeted ads）投放服務的平台，例如DoubleClick、AppNexus、Google AdSense 等。這些服務商發展出快速、自動化的流程，有效媒合廣告主與內容供

應者。這種技術讓雙方的交易更有效率，而且相較於非數位媒體，通常 提供更透明化的活動成效評量。這些媒合平台很快就成為線上展示型廣 告的主導平台，據估2016年占美國行銷預算的220億美元。[61]而且，它 們的規模非常龐大，光是AppNexus就有超過8,000台伺服器，在尖峰時 段，每天能夠處理來自每一個大陸（甚至包括南極洲在內）的450億筆 廣告購買。[62] 這些新的內容與廣告平台，顛覆平面媒體的速度和猛烈度，令產業 龍頭驚懼、深感威脅，有時甚至做出困惑的反應。自2007年起，代表比 利時、[63]德國[64]及西班牙[65]報社的訴訟團隊，打贏了對抗谷歌新聞 （Google News）的官司，谷歌新聞服務匯集了包括報紙在內的各種新 聞來源，展示新聞標題、相片與報導摘要。在這些官司中，每一個都判 決谷歌新聞關閉在該國的服務，除非能把收入和這些報社分享。谷歌則 在每一例中指出，由於谷歌新聞服務網頁上並沒有任何廣告，所以沒有 收入可以分享。無論如何，谷歌還是關閉了在這些國家的新聞服務，結 果這些報紙的網站流量明顯減少，以至於代表報社的訴訟團隊又要求法 院推翻原判決，以恢復報紙網站的流量。 我們一再看到相同的型態：平台的免費、完整與即時性，使得原本 的從業者陷入硬戰。2009年，簡．庫姆（Jan Koum）和布萊恩．艾克頓 （Brian Acton），推出了智慧型手機應用程式WhatsApp，讓用戶能夠經 由手機的資料網路傳送訊息，不必使用電信服務商的簡訊服務。這項差 異很重要，因為許多手機用戶（尤其是那些居住在非最富裕國家的用 戶），每發送或接收一則簡訊，都必須付費給行動電信服務公司，而資 料網路通常是單一費率，若手機連結Wi-Fi，資料傳輸就完全免費。所 以，大量對價格敏感的手機用戶，都選擇使用WhatsApp。到了2016 年，這個應用程式已經有超過10億個活躍用戶，[66]每天互傳超過400億 則訊息。[67]想當然耳，全球各地的行動電信服務公司一定不大開心，因

為簡訊服務是高利潤的業務，但是面對WhatsApp這種兼具免費、完 整、即時性而高度討喜的服務，卻是一籌莫展。 難以對抗的網路效應 漸漸地，就連擁有簡訊資費優惠方案的手機用戶，也都改用 WhatsApp來收發大部分的訊息。為什麼？很簡單，他們想交流訊息的 許多對象，都已經改用WhatsApp，所以也必須採用。 這是經濟學家稱為「網路效應」（network effect）的一個明顯例 子：WhatsApp之類的產品與服務，愈多人使用，帶給每位用戶的價值 就愈高。想要了解企業在數位世界成功的奧祕，就必須了解網路效應的 經濟學概念。網路效應經濟理論的顯著推進，出現在1980年代中期一系 列的文獻探討，＊1這並不是巧合，當時正值現代電腦網路與數位軟體開 始在經濟上變得特別重要。 網路效應也被稱為「需求面規模經濟」，＊2如WhatsApp的例子所 示，網路效應的威力可能極其驚人，驚人到促使臉書在2014年豪擲220 億美元買下該公司，當時WhatsApp的每月活躍用戶有6億人，[68]但只有 70名員工，[69]每天處理的訊息量比全球簡訊量多了50％。[70]想要了解網 路效應的重要性，可以想像一套應用程式──姑且取名為 「WhatsWrong」吧！它的所有功能及使用者體驗，實際上相同於 WhatsApp，但是沒有半個用戶，你認為臉書或任何公司會花錢買它 嗎？ ＊1重要文獻包括：Joseph Farrell and Garth Saloner, “Standardization, Com-patibility, and Innovation,” Rand Journal of Economics 16, no. 1 (Spring 1985), 70–83；Michael Katz and Carl Shapiro, “Network Externalities, Competition, and Compatibility,” American Economic Review 75, no. 3 (June 1985): 424–40.。

＊2需求面規模經濟指的是：隨著規模擴大，使用者（需求面）獲得的益處增加。與需求面規模 經濟相對應的是供給面規模經濟：隨著規模擴大，供給者的平均成本降低。

WhatsApp的例子顯示，網路效應的出現，有部分歸因於平台創設 者做出的選擇。若開發者決定讓自己的應用程式很容易和現有的簡訊網 路互為通用，那麼這些網路用戶就會基於成本考量改用WhatsApp。隨 著WhatsApp的用戶增加，傳統簡訊用戶會愈來愈覺得自己被冷落在圈 外，於是更可能背棄舊技術（簡訊服務），改用新技術 （WhatsApp）。只要愈來愈多人這麼做，網路效應就會愈強。電腦先 驅、蓮花軟體公司（Lotus）創辦人米奇．卡波爾（Mitch Kapor）曾 說：「架構就是一門政治學。」以平台來說，架構也是一門經濟學。 從伺服器到音樂，大量平台出現 平台的經濟特性、摩爾定律與組合式創新，持續產生令產業及從業 者措手不及的發展。電子商務巨擘亞馬遜在成長過程中發現，每一項系 統整合計畫（例如，每次把顧客資料庫和一套應用程式連結起來，讓顧 客在下單後可以追蹤進度），都得耗費很大工夫，儘管以往做過類似計 畫。亞馬遜覺得，每次的系統整合都像在重做工，這種重複工作既昂貴 又浪費時間。所以，執行長貝佐斯指派理克．達傑爾（Rick Dalzell）一 項任務，去「強化系統之間的介面」；[71]換言之，就是確保所有的主要 資料庫和應用程式有相同的存取方式，沒有人可以取巧走捷徑，繞過這 些標準。這不是什麼開創性的技術工作，標準介面的概念與實務存在已 久，但在組織層面來說，這是一件很吃力的工作。達傑爾被形容像頭鬥 牛犬般在公司上下奔波奮鬥，[72]確保介面強化，消除捷徑。 這項計畫非常成功，亞馬遜很快就發現擁有了一項強大新資源：一 套模組化的數位資源，例如儲存空間、資料庫、處理運算能力，能夠幾

乎隨心所欲地組合和重新組合，而且透過公司現有的高速網際網路連 結，全球各地都可以取用。對於那些想建立資料庫、應用程式、網站或 其他數位資源，但不想自己維護所有必要軟硬體的人或組織來說，亞馬 遜的這些資源是否實用呢？ 亞馬遜決定試試看，便在2006年創立亞馬遜網路服務公司 （Amazon Web Services, AWS）。[73]一開始，他們在平台上提供儲存服 務（Amazon S3），[74]以及運算服務（Amazon EC2）；[75]根據亞馬遜的 統計，十八個月內，就有超過29萬個開發者使用這個平台。[76]AWS逐 漸提供更多的工具和資源，妥善維護強化的介面，持續大幅成長。到了 2016年4月，這個事業體已占亞馬遜總營收的9％，[77]更不得了的是，亞 馬遜總營業淨利有一半以上是這個事業體貢獻的。[78] 2016年初，德意志銀行（Deutsche Bank）分析師卡爾．基爾斯特德 （Karl Keirstead）稱，AWS是有史以來成長最快速的企業客戶型科技公 司。[79]這項讚譽當然令亞馬遜的股東們樂陶陶，自AWS在2006年7月11 日創立後的十年間，亞馬遜的股價上漲了2,114％，從每股35.66美元飆 漲至753.78美元。[80]但是，對企業客戶型IT產業的其他公司來說，這恐 怕就不是什麼好消息了。 錄音音樂產業為平台的破壞力量，提供了最後一個絕佳例子，因為 這個產業一而再、再而三地被三代平台技術顛覆。2000年到2015年間， 全球錄音音樂產業的營收，從370億美元[81]銳減至150億美元，[82]儘管人 們現在並沒有比二十世紀時少聽音樂。＊1經濟學家喬爾．沃德佛格 （Joel Waldfogel）設計出聰明的度量方法，＊2研究後得出結論，近年的 錄音音樂品質並沒有降低，這意味的是，音樂喜好者大大受惠。我們現 在聽的音樂品質不亞於過去，音樂消費量也不少於過去，音樂創作者和 所有權人大概對這兩項趨勢感到高興，但是對下列第三項可就未必了。

＊1CD和黑膠唱片年代的錄音音樂銷量計算方式相當單純。在數位格式音樂出現後，音樂產業 建立了一個計算標準，那就是十首單曲下載（稱為一個TEA），或1,500串流量（稱為一個 SEA），相當於一張傳統實體專輯的銷售，這項標準化使業界可以做出統計比較。2015年， 美國人購買或合法消費相當於5.6億張專輯（參見：Keith Caulfield, “Drake's ‘View’ Is Nielsen Music's Top Album of 2016 in the U.S.,” Billboard, January 5, 2017.。），2000年的消費量相當 於7.85億張專輯（參見：Jake Brown, “2016 Soundscan Data: Total Music Sales and Consumption,” Glorious Noise, January 6, 2017.。），其中的差距當然是因為現在有大量非法消 費音樂，無法納入追蹤統計。 ＊2沃德佛格發展出評量音樂品質的聰明方法，包括根據評論家的回顧清單，例如《滾石》 （Rolling Stone）雜誌評選的500張最佳專輯，以及分析歌曲在發行很久後的每個年代的播放 與銷售量（若是好音樂，需求將會更持久），得出了一個指數。參見：Joel Waldfogel, Copyright Protection, Technological Change, and the Quality of New Products: Evidence from Recorded Music since Napster, NBER Working Paper 17503 (October 2011.)。

盜版是導致音樂產業銷售量下滑的頭號罪魁禍首，消費者若能獲得 一首歌曲或一張專輯的免費、完整、即時拷貝，很多人必然會利用這個 機會，不會有什麼道德感驅使他們付費給音樂所有權人。全球資訊網問 世之後，立刻就有網路平台出現，促進擷取與分享音樂，在許多情況 下，這是不付費取得音樂的委婉說法。＊ ＊隨著數位音樂增生，蘋果公司於2001年推出「擷取，編輯，燒錄」（Rip, Mix, Burn）的廣告 標語，令許多音樂公司高層主管相當惱怒。參見：Apple, “Apple Unveils New iMacs with CDRW Drives & iTunes Software,” February 22, 2001.。

創立於1999年的Napster，[83]是最早的這類平台之一，另外還有 Kazaa、LimeWire、[84]Grokster，都快速受到廣泛民眾歡迎，唯獨音樂所 有權人氣壞了，他們發動全面公關戰，聘請律師團隊。美國唱片業協會 （Recording Industry Association of America）1999年把Napster告上法 院，重金屬樂團金屬製品（Metallica）也在2000年控告Napster，於是這 個免費的點對點檔案分享平台在2001宣告壽終正寢，舊金山聯邦法院法 官下令它關閉。

像這類訴訟官司與平台的關閉，或許在減少盜版方面產生了一些效 果，但未能就此止住錄音音樂營收的下滑，也未能擋住蘋果iTunes音樂 商店的生意興隆──事實上，就是這個平台導致錄音音樂銷售業績的節 節衰退，因為它讓消費者可以擺脫綁售，購買單曲。 在iTunes平台出現之前，專輯是錄音音樂的主流形式，2002年 （iTunes推出的前一年），美國市場專輯CD銷售量與單曲CD銷售量的 比例是179:1。[85]然而，消費者往往只想聽專輯裡面的一、兩首歌曲， 就是他們在電台或其他地方聽到的暢銷音樂。音樂藝人想要聽眾體驗整 張專輯，唱片公司想要銷售整張專輯以獲取更高營收，但大多數的消費 者只想要其中一、兩首歌曲，這其中存在著錯配。iTunes為消費者消除 這種錯配，讓他們可以隨時購買單曲的完整、即時拷貝，雖然這些歌曲 並非免費，但遠比購買整張專輯便宜。 這是數位平台的另一項常見特性：可以拆分（unbundle）過去緊密 結合、難以個別消費的資源。像iTunes之類的平台，把拆分消費從困難 變成預設，大受消費者歡迎，也令音樂版權所有權人等從業者難以忽 視。隨著網路擴增，拆分銷售的音樂變得更具吸引力。設若一張CD只 有一首歌曲，遞送十張CD給十名顧客的成本，大約就是遞送一張的十 倍；遞送給一百萬名顧客，成本十分驚人。由此可想而知，把多首歌曲 收錄於一張CD上（綁售），對藝人及唱片公司的吸引力很大，這是原 子經濟學。但在網路上，遞送成本幾乎為零，銷售單曲不會增加成本， 這是網路經濟學。 不過，影響的不只是拆分銷售而已。前網景公司執行長詹姆斯．巴 克斯戴爾（James Barksdale）曾說：「我知道的賺錢方法只有兩種：綁 售與分拆」，[86]妙的是，在音樂產業，這兩種方法都用上了。那些把音 樂拆分銷售的所有權人，後來也遭遇第三波音樂平台帶來的衝擊──串

流服務平台如Spotify和Pandora。串流服務利用種種進步，包括強大的 智慧型手機、Wi-Fi連線能力、上網優惠方案等，向消費者提出一項誘 人主張：巨量的音樂收藏，可以單曲消費，也可以獲得無限組合與播放 清單，＊任何時刻都可以免費、完整、即時取得，不論使用什麼樣的裝 置。基本上，就是把音樂再綁售成訂閱模式，只要消費者繳交一筆固定 月費，就可以取得大量的串流音樂（在某些情況下，差不多是無限 了。）他們不是購買個別歌曲，而是購買聆聽大量綁售音樂的權利。 ＊Spotify創立於2008年，早期聚焦於和音樂所有權人談判，並且致力於建立基礎設施，以便能 以隨選方式向許多消費者供應大量歌曲收藏。到了2013年，這些挑戰大致上已經克服了（參 見：Erik Bernhardsson, “When Machine Learning Matters,” Erik Bernhardsson [blog], August 5, 2016.），Spotify便把焦點轉向使用機器學習，來遞送高度個人化的音樂曲目推薦（參見： Jordan Novet, “Spotify Intern Dreams Up Better Music Recommendations through Deep Learning,” VentureBeat, August 6, 2014.）。2016年9月，Spotify推出使用演算法產生的「每日推薦清單」 （Daily Mix）服務，為每位用戶提供每二十四小時更換一次的客製化播放清單（參見： Spotify, “Rediscover Your Favorite Music with Daily Mix,” September 27, 2016.）。

免費、完整與即時經濟特性另一個意想不到的事實是：可以用新方 式重新綁售商品，尤其是大量的資訊產品，例如音樂訂閱，而利潤往往 高於單一銷售相同商品。很多消費者也覺得，比起每次都要決定是否付 費多享受一點音樂，支付一筆固定月費更簡單一點。這種傾向同時反映 了心理學（做決策──尤其是有關花錢的決策，是件累人的事），以及 經濟學（訂閱模式可以塑造需求，使得綁售比個別銷售更有賺頭、更有 效率。）＊1不過，對於非數位商品，這種商業模式就不是那麼理想了， 因為大量綁售將無可避免包含許多不會被用到的元件，如果那些元件的 邊際成本接近零（如同線上音樂的情形），那麼提供不會有什麼大的浪 費，但如果商品是由原子構成的（例如黑膠唱片或CD），那麼遞送給 消費者大量用不到的元件，不僅花費成本，最終也無利可圖。

訂閱模式的音樂消費，顯然是一個甚具吸引力的銷售主張，串流服 務爆受歡迎，在2016年的上半年，串流服務占美國音樂總營收的 47％。[87]Spotify和音樂所有權人建立的收入分享架構，仿效了地面無線 電台協議：每人每次收聽該平台播放的一首歌曲，＊2權利人大約可分得 0.007美元。[88]當然，兩者的差別是，有些人聽了電台播放的歌曲後， 如果喜歡會去購買歌曲，但Spotify平台的聽眾極少會這麼做，因為他們 可以隨時再用這個平台來聽喜歡的歌曲。就實質意義上來說，電台播放 歌曲是為歌曲打廣告，因此對錄音音樂來說是一種互補品（下一章將有 更多討論），Spotify則更像是替代品。 ＊1艾瑞克和雅尼斯．巴可斯（Yannis Bakos）與其他共同作者，合撰了一系列的研究報告，探 討綁售與分享資訊產品的驚人經濟效益，相關文章可參見：Yannis Bakos and Erik Brynjolfsson, “Bundling Information Goods: Pricing, Profits, and Efficiency,” Management Science 45, no. 12 (1999): 1613–30; Yannis Bakos and Erik Brynjolfsson, “Bundling and Competition on the Internet,” Marketing Science 19, no. 1 (2000): 63–82; Yannis Bakos, Erik Brynjolfsson, and Douglas Lichtman, “Shared Information Goods,” Journal of Law and Economics 42, no. 1 (1999): 117–56。 ＊2這個費率由美國國會的著作權權利金仲裁小組（Copyright Arbitration Royalty Panel）裡的幾 位仲裁委員定期重新評估調整，艾瑞克曾在2005年到該小組為此產業的經濟境況提出作證， 參見：US Copyright Royalty Judges, “In the Matter of Digital Performance Right in Sound Recordings and Ephemeral Recordings: Determination of Rates and Terms,” Docket No. 2005-1 CRB DTRA, accessed March 1, 2017.。

串流服務改變了消費者的購買行為，把許多人從單曲購買者，變成 訂閱或音樂組合包的購買者。此舉至少部分幫助實現大衛．鮑伊在2002 年做出的預測：「關於音樂，我們曾經想過的種種巨大改變，將會在十 年內發生，勢不可當……，音樂本身將變得像自來水或電力。」[89] 類似這樣的改變的確發生了，但不是多數音樂所有權人都喜歡。暢 銷創作歌手泰勒絲（Taylor Swift）2014年11月把她的音樂從Spotify平台 下架，她說：「檔案分享與串流，導致付費專輯銷量銳減，每個藝人對

此有不同應對方式。」[90]不過，大多數的藝人和所有權人，仍然繼續與 Spotify合作，畢竟免費、完整且即時的平台經濟結構，對消費者來說太 具有吸引力了，對從業者來說無法輕易忽視。 我們預期，未來會更常看到這種型態。我們認同商管學者傑弗瑞． 帕克（Geoffrey Parker）、馬歇爾．范艾爾史泰恩（Marshall Van Alstyne）與桑吉．喬德利（Sangeet Choudary）在合著《平台經濟模 式》（Platform Revolution）中所言：「平台崛起，幾乎顛覆了所有傳統 的管理實務……，我們正處於一個轉型失衡的時代，每一家企業、每一 位領導人都深受衝擊。」[91]

本章摘要 ✔過去二十年間，網際網路和相關技術大肆破壞了從零售、新聞到照 相等的各種不同產業，儘管消費者有了新選擇，產業的新進者也繁 榮昌盛，營收卻下滑了。 ✔這種大量破壞的發生，主要是因為數位商品在網路普及時代的免 費、完整與即時經濟特性：增加一份數位拷貝的邊際成本幾乎為 零，每一份數位拷貝都是原版的完整複製，而且每一份數位拷貝幾 乎可以即時傳送到世界各地。 ✔大多數的傳統產品與服務，不具有免費、完整或即時的特性，這使 它們處於競爭劣勢。 ✔網路型商品隨著使用者增加，變得更有價值。結果是「需求面規模 經濟」，較大的網路具有優勢。 ✔平台可以被定義為：取用、複製與遞送的邊際成本近乎零的數位環

境。 ✔平台的經濟特性、摩爾定律與組合式創新，持續改造了各種不同的 產業，從電腦硬體產業到錄音音樂產業都受到影響。

延伸思考題 1. 在你們的組織裡，接下來有哪些部分可以運用免費、完整與即時的 數位經濟特性？ 2. 在你所屬的產業裡，現在最重要的數位平台有哪些？你認為，三年 後，它們將是怎樣的面貌？ 3. 你們目前提供的產品與服務，有多少可以想像透過雲端來提供？你 們是否採取夠快的行動，把它們移往雲端？ 4. 請試著站在你們的一些典型顧客的立場思考，相較於現狀，下列何 者可能更具吸引力：1.）綁售；2.）拆分銷售；3.）將現有的產品 與服務和其他選項重新綁售？ 5. 在你所屬的產業裡，網路效應可能變得更強大或更普遍的最逼真情 境是什麼？

1. 根據世界銀行的統計資料，1995年，美國擁有行動電話者占人口比例12.6%。參見： World Bank, Mobile Cellular Subscriptions (per 100 People): 1960–2015, accessed January 31, 2017, http://data.worldbank.org/indicator/IT.CEL.SETS.P2?locations=US&name_desc=true. 2. Newspaper Association of America, Annual Newspaper Ad Revenue, accessed May 2, 2016, http://www.naa.org/~/media/NAACorp/PublicFiles/TrendsAndNumbers/NewspaperRevenue/Annual-Newspaper-Ad-Revenue.xls. 3. Steven Waldman, The Information Needs of Communities: The Changing Media Landscape in a Broadband Age, Federal Communications Commission, July 2011, 63, https://transition.fcc.gov/osp/inc- report/The_Information_Needs_of_ Communities.pdf. 4. RIAA (Recording Industry Association of America), RIAA's Yearend Statistics, accessed March

9, 2017, http://www.icce.rug.nl/~soundscapes/VOLUME02/Trends_and_shifts_Appendix.shtml. 5. Ed Christman, The Whole Story behind David Bowie's $55 Million Wall Street Trailblaze, Billboard, January 13, 2016, http://www.billboard.com/articles/ business/6843009/david-bowiesbowie-bonds-55-million-wall-street-prudential. 6. Tom Espiner, ‘Bowie Bonds’─the Singer's Financial Innovation, BBC News, January 11, 2016, http://www.bbc.com/news/business-35280945. 7. 同上注。 8. Iron Maiden Rocks the Bond Market, BBC News, February 9, 1999, http://news.bbc.co.uk/2/hi/business/275760.stm. 9. Roy Davies, Who's Who in Bowie Bonds: The History of a Music Business Revolution, last modified June 5, 2007, http://projects.exeter.ac.uk/RDavies/arian/bowiebonds. 10. Richard A. Feinberg and Jennifer Meoli, A Brief History of the Mall, Advances in Consumer Research 18 (1991): 426–27, http://www.acrwebsite.org/volumes/7196/volumes/v18/NA-18. 11. A Dying Breed: The American Shop ping Mall, CBS News, March 23, 2014, http://www.cbsnews.com/news/a-dying-breed-the-american-shopping-mall. 12. Thomas C. Finnerty, Kodak vs. Fuji: The Battle for Global Market Share, 2000, https://www.pace.edu/emplibrary/tfinnerty.pdf. 13. Sam Byford, Casio QV-10, the First Consumer LCD Digital Camera, Lauded as ‘Essential’ to Tech History, Verge, September 14, 2012, http://www.theverge.com/2012/9/14/3330924/firstlcd-digital-camera-casio-qv-10. 14. Richard Baguley, The Gadget We Miss: The Casio QV-10 Digital Camera, Medium, August 31, 2013, https://medium.com/people-gadgets/the-gadget-we-miss-the-casio-qv-10-digital-camerac25ab786ce49#.3cbg1m3wu. 15. Mark J. Perry, Creative Destruction: Newspaper Ad Revenue Continued Its Precipitous Free Fall in 2013, and It's Probably Not Over Yet, AEIdeas, April 25, 2014, https://www.aei.org/publication/creative-destruction-newspaper-ad-revenue-continued-itsprecipitous-free-fall-in-2013-and-its-probably-not-over-yet. 16. Pew Research Center, State of the News Media 2015, April 29, 2015, http://www.journalism.org/files/2015/04/FINAL-STATE-OF-THE-NEWS-MEDIA1.pdf. 17. 同注3。 18. 同注3。 19. Tucson Citizen, accessed January 31, 2017, http://tucsoncitizen.com. 20. Lynn DeBruin, Rocky Mountain News to Close, Publish Final Edition Friday, Rocky Mountain News, February 26, 2009, http://web.archive.org/web/20090228023426/http://www.rockymountainnews.com/news/2009/feb/26/rockymountain-news-closes-friday-final-edition. 21. Yahoo! Finance, The McClatchy Company (MNI), accessed January 31, 2017, http://finance.yahoo.com/quote/MNI.

22. Paul Farhi, Washington Post to Be Sold to Jeff Bezos, the Founder of Amazon, Washington Post, August 5, 2013, https://www.washingtonpost.com/national/washington-post-to-be-sold-tojeff-bezos/2013/08/05/ca537c9e-fe0c-11e2-9711-3708310f6f4d_story.html. 23. Bloomberg News, Company News; General Media's Plan to Leave Bankruptcy Is Approved, New York Times, August 13, 2004, http://www.nytimes.com/2004/08/13/business/companynews-general-media-s-plan-to-leave-bankruptcy-is-approved.html. 24. Eric Morath, American Media Files for Bankruptcy, Wall Street Journal, November 17, 2010, https://www.wsj.com/articles/SB10001424052748704648604575621053554011206. 25. Rob Verger, Newsweek's First Issue Debuted Today in 1933, Newsweek, February 17, 2014, http://www.newsweek.com/newsweeks-first-issue-debuted-today-1933-229355. 26. Ryan Nakashima, Newsweek Had Unique Troubles as Industry Recovers, U.S. News & World Report, October 19, 2012, http://www.usnews.com/news/business/articles/2012/10/19/newsweek-had-unique-troubles-asindustry-recovers. 27. Newsweek's Future: Goodbye Ink, Economist, October 18, 2012, http://www.economist.com/blogs/schumpeter/2012/10/newsweek%E2%80%99s-future. 28. Desson Howe, ‘Glass’: An Eye for the Lie, Washington Post, November 7, 2003, https://www.washingtonpost.com/archive/lifestyle/2003/11/07/glass-an-eye-for-the-lie/8a3e6ff04935-4e99-a354-9ce4eac6c472/?utm_term=.75dccd7041cb. 29. Dylan Byers, The New Republic Is Sold by Facebook Co-founder Chris Hughes, CNNMoney, February 26, 2016, http://money.cnn.com/2016/02/26/media/new-republic-chris-hughes-winmccormack. 30. Ravi Somaiya, Nudes Are Old News at Playboy, New York Times, October 12, 2015, https://www.nytimes.com/2015/10/13/business/media/nudes-are-old-news-at-playboy.html. 31. Top Living Influential Americans, Atlantic, December 2006, https://www.theatlantic.com/magazine/archive/2006/12/top-living-influential-americans/305386. 32. Cooper Hefner, Twitter post, February 13, 2017 (7:55 a.m.), https://twitter.com/cooperhefner/status/831169811723939842. 33. Tim Ingham, Global Record Industry Income Drops below $15bn for First Time in Decades, Music Business Worldwide, April 14, 2015, http://www.musicbusinessworldwide.com/globalrecord-industry-income-drops-below-15bn-for-first-time-in-history. 34. Robert Cookson and Andrew Edgecliffe-Johnson, Music Sales Hit First Upbeat since 1999, Financial Times, February 26, 2013, https://www.ft.com/content/f7b0f2b0-8009-11e2-adbd00144feabdc0. 35. IFPI (International Federation of the Phonographic Industry), [Global Statistics], accessed January 31, 2017, http://www.ifpi.org/global-statistics.php. 36. IFPI (International Federation of the Phonographic Industry), IFPI Digital Music Report 2015, 2015, http://www.ifpi.org/downloads/Digital-Music-Report-2015.pdf. 37. Mike Wiser, The Way the Music Died: Frequently Asked Questions, Frontline, accessed January

31, 2017, http://www.pbs.org/wgbh/pages/frontline/shows/music/inside/faqs.html. 38. Tim Ingham, Independent Labels Trounce UMG, Sony and Warner in US Market Shares, Music Business Worldwide, July 29, 2015, http://www.musicbusinessworldwide.com/independentlabel-us-market-share-trounces-universal-sony-warner. 39. Dan Glaister, Tower Crumbles in the Download Era, Guardian, October 9, 2006, https://www.theguardian.com/business/2006/oct/09/retail.usnews. 40. Simon Bowers and Josephine Moulds, HMV Calls in Administrators─Putting 4,500 Jobs at Risk, Guardian, January 15, 2013, https://www.theguardian.com/business/2013/jan/15/hmvadministrators-4500-jobs-at-risk. 41. Jim Boulden, David Bowie Made Financial History with Music Bond, CNNMoney, January 11, 2016, http://money.cnn.com/2016/01/11/media/bowie-bonds-royalties. 42. Josephine Moulds, Bond Investors See Another Side of Bob Dylan─but Desire Isn't There, Guardian, August 31, 2012, https://www.theguardian.com/business/2012/aug/31/bob-dylanbond-goldman-sachs. 43. 下列報導確認在2005年，美國有1,500座購物商場：Dying Breed, CBS News。下列報導確 認到了2015年，美國有1,200座購物商場：Nelson D. Schwartz, The Economics (and Nostalgia) of Dead Malls, New York Times, January 3, 2015, http://www.nytimes.com/2015/01/04/business/the-economics-and-nostalgia-of-deadmalls.html。 44. Ilaina Jones and Emily Chasan, General Growth Files Historic Real Estate Bankruptcy, Reuters, April 16, 2009, http://www.reuters.com/article/us-generalgrowth-bankruptcyidUSLG52607220090416. 45. Federal Communications Commission, FCC Releases Statistics of the Long Distance Telecommunications Industry Report, May 14, 2003, table 2, p. 9, year 2000 (interstate plus long distance combined), https://transition.fcc.gov/Bureaus/Common_Carrier/Reports/FCCState_Link/IAD/ldrpt103.pdf.

46. Sarah Kahn, Wired Telecommunications Carriers in the US, IBISWorld Industry Report 51711c, December 2013, http://trace.lib.utk.edu/assets/Kuney/Fairpoint%20Communications/Research/Other/IBIS_51711C_Wired_Teleco 47. Business Wire, GfK MRI: 44% of US Adults Live in Households with Cell Phones but No Landlines, April 02, 2015, http://www.businesswire.com/news/home/20150402005790/en#.VR2B1JOPoyS. 48. Greg Johnson, Ad Revenue Slides for Radio, Magazines, Los Angeles Times, August 9, 2001, http://articles.latimes.com/2001/aug/09/business/fi-32280. 49. BIA/Kelsey, BIA/Kelsey Reports Radio Industry Revenues Rose 5.4% to $14.1 Billion in 2010, Driven by Political Season and More Activity by National Advertisers, PR Newswire, April 4, 2011, http://www.prnewswire.com/news-releases/biakelsey-reports-radio-industry-revenuesrose-54-to-141-billion-in-2010-driven-by-political-season-and-more-activity-by-nationaladvertisers-119180284.html. 50. 同注3。

51. Thomas L. Friedman, Thank You for Being Late: An Optimist's Guide to Thriving in the Age of Accelerations (New York: Farrar, Straus, and Giroux, 2016), Kindle ed., loc. 414. 本書有繁體 中文版，由天下文化出版。 52. Statistic Brain Research Institute, Average Cost of Hard Drive Storage, accessed January 31, 2017, http://www.statisticbrain.com/average-cost-of-hard-drive-storage. 53. Matthew Komorowski, A History of Storage Cost, last modified 2014, Mkomo.com. http://www.mkomo.com/cost-per-gigabyte. 54. Frances Cairncross, The Death of Distance: How the Communications Revolution Will Change Our Lives (Boston: Harvard Business School Press, 1997). 55. Craig Newmark, LinkedIn profile, accessed February 1, 2017, https://www.linkedin.com/in/craignewmark. 56. Craigconnects, Meet Craig, accessed February 1, 2017, http://craigconnects.org/about. 57. Craigslist, [About > Factsheet], accessed February 1, 2017, https://www.craigslist.org/about/factsheet. 58. Henry Blodget, Craigslist Valuation: $80 Million in 2008 Revenue, Worth $5 Billion, Business Insider, April 3, 2008, http://www.businessinsider.com/2008/4/craigslist-valuation-80-millionin-2008-revenue-worth-5-billion. 59. Craigslist, [About > Help > Posting Fees], accessed February 1, 2017, https://www.craigslist.org/about/help/posting_fees.

60. Robert Seamans and Feng Zhu, Responses to Entry in Multi-sided Markets: The Impact of Craigslist on Local Newspapers, January 11, 2013, http://www.gc.cuny.edu/CUNY_GC/media/CUNY-GraduateCenter/PDF/Programs/Economics/Course%20Schedules/Seminar%20Sp.2013/seamans_zhu_craigslist%281%29. 61. More than Two-Thirds of US Digital Display Ad Spending Is Programmatic, eMarketer, April 5, 2016, https://www.emarketer.com/Article/More-Than-Two-Thirds-of-US-Digital-Display-AdSpending-Programmatic/1013789#sthash.OQclVXY5.dpuf. 62. Microsoft and AppNexus: Publishing at Its Best (Selling), AppNexus Impressionist (blog), November 3, 2015, http://blog.appnexus.com/2015/microsoft-and-appnexus-publishing-at-itsbest-selling. 63. Google v. Belgium ‘Link War’ Ends after Years of Conflict, Ars Technica, July 19, 2011, https://arstechnica.com/tech-policy/2011/07/google-versus-belgium-who-is-winning-nobody. 64. Harro Ten Wolde and Eric Auchard, Germany's Top Publisher Bows to Google in News Licensing Row, Reuters, November 5, 2014, http://www.reuters.com/article/us-google-axelsprngr-idUSKBN0IP1YT20141105. 65. Eric Auchard, Google to Shut Down News Site in Spain over Copyright Fees, Reuters, December 11, 2014, http://www.reuters.com/article/us-google-spain-newsidUSKBN0JP0QM20141211. 66. WhatsApp, One Billion, WhatsApp (blog), February 1, 2016, https://blog.whatsapp.com/616/One-billion.

67. WhatsApp Reaches a Billion Monthly Users, BBC News, February 1, 2016, http://www.bbc.com/news/technology-35459812. 68. Alexei Oreskovic, Facebook's WhatsApp Acquisition Now Has Price Tag of $22 Billion, Reuters, October 6, 2014, http://www.reuters.com/article/us-facebook-whatsappidUSKCN0HV1Q820141006. 69. 同上注。 70. Benedict Evans, WhatsApp Sails Past SMS, but Where Does Messaging Go Next? Benedict Evans (blog), January 11, 2015, http://ben-evans.com/benedictevans/2015/1/11/whatsapp-sailspast-sms-but-where-does-messaging-go-next. 71. Staci D. Kramer, The Biggest Thing Amazon Got Right: The Platform, Gigaom, October 12, 2011, https://gigaom.com/2011/10/12/419-the-biggest-thing-amazon-got-right-the-platform. 72. Matt Rosoff, Jeff Bezos ‘Makes Ordinary Control Freaks Look like Stoned Hippies,’ Says Former Engineer, Business Insider, October 12, 2011, http://www.businessinsider.com/jeffbezos-makes-ordinary-control-freaks-look-like-stoned-hippies-says-former-engineer-2011-10. 73. Amazon Web Services, About AWS, accessed February 4, 2017, https://aws.amazon.com/aboutaws. 74. Amazon Web Services, Amazon Simple Storage Service (Amazon S3)─Continuing Successes, July 11, 2006, https://aws.amazon.com/about-aws/whats-new/2006/07/11/amazon-simplestorage-service-amazon-s3---continuing-successes. 75. Amazon Web Services, Announcing Amazon Elastic Compute Cloud (Amazon EC2)─Beta, August 24, 2006, https://aws.amazon.com/about-aws/whats-new/2006/08/24/announcingamazon-elastic-compute-cloud-amazon-ec2---beta. 76. Amazon, Ooyala Wins Amazon Web Services Start-up Challenge, Receives $100,000 in Cash and Services Credits Plus Investment Offer from Amazon.com, December 7, 2007, http://phx.corporate-ir.net/phoenix.zhtml?c=176060&p=irol-newsArticle&ID=1085141. 77. Matthew Lynley, Amazon's Web Services Are Shining in Its Latest Earnings Beat, TechCrunch, April 28, 2016, https://techcrunch.com/2016/04/28/amazon-is-spiking-after-posting-a-hugeearnings-beat. 78. Nick Wingfield, Amazon's Cloud Business Lifts Its Profits to a Record, New York Times, April 28, 2016, https://www.nytimes.com/2016/04/29/technology/amazon-q1-earnings.html. 79. Ben Sullivan, AWS Heralded as ‘Fastest-Growing Enterprise Technology Company in History,’ Silicon UK, November 4, 2015, http://www.silicon.co.uk/cloud/cloud-management/amazonaws-cloud-160-valuation-179948. 80. Yahoo! Finance, AMZN─Amazon.com, Inc., accessed February 4, 2017, https://finance.yahoo.com/quote/AMZN/history. 81. IFPI (International Federation of the Phonographic Industry), 2000 Recording Industry World Sales, April 2001, http://www.ifpi.org/content/library/worldsales2000.pdf. 82. IFPI (International Federation of the Phonographic Industry), IFPI Global Music Report 2016, April 12, 2016, http://www.ifpi.org/news/IFPI-GLOBAL-MUSIC-REPORT-2016. 83. Tom Lamont, Napster: The Day the Music Was Set Free, Guardian, February 23, 2013,

https://www.theguardian.com/music/2013/feb/24/napster-music-free-file-sharing. 84. Wikipedia, s. v. LimeWire, last modified January 16, 2017, https://en.wikipedia.org/wiki/LimeWire. 85. RIAA (Recording Industry Association of America), U.S. Sales Database, accessed February 4, 2017, https://www.riaa.com/u-s-sales-database. 86. Justin Fox, How to Succeed in Business by Bundling─and Unbundling, Harvard Business Review, June 24, 2014, https://hbr.org/2014/06/how-to-succeed-in-business-by-bundling-andunbundling. 87. Joshua Friedlander, News and Notes on 2016 Mid-year RIAA Music Shipment and Revenue Statistics, RIAA (Recording Industry Association of America), accessed February 4, 2017, http://www.riaa.com/wp-content/uploads/2016/09/RIAA_Midyear_2016Final.pdf. 88. Lizzie Plaugic, Spotify's Year in Music Shows Just How Little We Pay Artists for Their Music, Verge, December 7, 2015, http://www.theverge.com/2015/12/7/9861372/spotify-year-in-reviewartist-payment-royalties. 89. Jon Pareles, David Bowie, 21st-Century Entrepreneur, New York Times, June 9, 2002, http://www.nytimes.com/2002/06/09/arts/david-bowie-21st-century-entrepreneur.html. 90. Jack Linshi, Here's Why Taylor Swift Pulled Her Music from Spotify, Time, November 3, 2014, http://time.com/3554468/why-taylor-swift-spotify. 91. Geoffrey G. Parker, Marshall W. Van Alstyne, and Sangeet Paul Choudary, Platform Revolution: How Networked Markets Are Transforming the Economy and How to Make Them Work for You (New York: Norton, 2016).

第7章

付費互補品及其他明智策略 經濟學的探究工作是要向人們證明，他們對自己以為能夠設計出來 的東西，其實知之甚少。 ──弗瑞德里奇．馮．海耶克（Friedrich von Hayek） 諾貝爾經濟學獎得主，1988年

2007年，賈伯斯正處於堪稱美國企業史上最輝煌的執行長任內，但 是這一整年，他未能充分理解一個可能導致公司動能熄火的經濟學基本 洞察。

賈伯斯差點搞砸了 2007年初，蘋果公司推出iPhone這項有資格被貼上「經典代表」標 籤的產品，它的開創性設計與新奇功能，包括觸控螢幕、強大的行動網 路瀏覽器、加速計、GPS，使得它一上市就立刻造成轟動、暢銷，贏得 痴狂評價，頭一年就賣出超過六百萬支。上市前，很多人對iPhone抱持 懷疑，包括微軟的共同創辦人史蒂夫．鮑默（Steve Ballmer）說：「綁 約價500美元？要我說，這是世界上最貴的手機了！商務顧客不會喜歡 的，因為它沒有鍵盤，用來打電子郵件不好用。」[1]2007年及此後多 年，證明這些懷疑論者大錯特錯。 不過，在iPhone上市的頭一年，賈伯斯本人在一項非常重要的爭論 中站錯了邊。打從一開始，蘋果公司就意圖讓iPhone成為既是一部電

腦，也是一支手機；它有處理器、記憶體、儲存裝置、作業系統、使用 者介面，以及其他許多我們熟悉的電腦元件。所以，它當然也有應用程 式──後來，行動應用程式被稱為apps，部分是為了和桌上型電腦及筆 記型電腦的軟體加以區分。 賈伯斯向來以緊控公司產品聞名，他認為這是確保優異且一貫的使 用者體驗的唯一方法，所以他想要蘋果自行開發iPhone的所有應用程 式。誠如華特．艾薩克森（Walter Isaacson）在《賈伯斯傳》（Steve Jobs）中所述：「iPhone於2007年初問市時，你無法買到外部開發者撰 寫的應用程式，因為賈伯斯起初堅持不這麼做，他擔心外界開發的應用 程式會把iPhone給搞糟、可能會中毒，或是破壞整個體驗的完整 性。」[2]賈伯斯2007年1月告訴《紐約時報》：「你可不想讓手機變成個 人電腦那樣。你最不想見到的情況就是，在手機上安裝了三個應用程 式，然後要打電話就發現不能用了。」[3] 在蘋果內外位居高位或具影響力的人士，包括蘋果的行銷資深副總 菲爾．席勒（Phil Schiller）、董事會成員亞瑟．雷文森（Arthur Levinson），以及創投家約翰．杜爾（John Doerr）在內，都主張讓外部 開發者撰寫iPhone應用程式。但是，賈伯斯拒絕採納這項建議，直到 iPhone上市後才開始考慮，並且四度在公司董事會上討論這件事。

數位平台的強大威力 當然，我們現在知道，賈伯斯最後改變心意，讓外界為iPhone（以 及後來的iPad）開發應用程式，而且這是一項正確的決定。現在，你很 難想像一款成功的智慧型手機，居然沒有一大群外部獨立開發者撰寫的 應用程式。但是，這為何是一項正確的決定呢？只因為愈多就愈好嗎？

有一大堆應用程式可以選擇當然很好，但這並不是全部原因。想像 一下，iPhone有一大堆免費、很棒的應用程式，但全部都是遊戲，那麼 這款手機將會高度吸引遊戲愛好者，但其他消費者將不會太感興趣。現 在，再想像一下，它有很多不同種類的應用程式，但每種要價100美元 或更高，像這樣的iPhone將會是富豪的必備玩具，但其他人不大會用。 這兩種假設凸顯了一項直覺洞察：不同種類的應用程式，結合了不 同的價格，幫助創造了iPhone的人氣。為了說明這項直覺洞察的正確 性，以及更深入了解平台的威力，我們接下來必須介紹個體經濟學入門 課程一定會涵蓋的兩個主題：供給與需求曲線，以及互補品的概念。有 些讀者可能會覺得這聽起來好難（畢竟太多經濟學教科書和課堂解說強 化了這種認知），其實不然，稍微了解一下可以獲得寶貴洞見。 了解供給與需求 需求曲線描繪了一個簡單概念：就大多數的商品而言，價格下降， 需求就會增加。在其他所有條件不變的情況下，麵粉、木材、電腦、機 票等東西的價格降低時，我們就會買得更多。用圖表來呈現這項事實 時，經濟學家針對這類產品畫出的需求曲線，大致上就像圖表7-1。 縱軸代表產品與服務的價格，橫軸代表在不同價格下的總需求量。 當價格很高時，總需求量相當低；當價格降到0時，總需求量將會高出 許多（但也不會無限量增高，因為縱使免費，也不是人人都需要麵粉、 木材、電腦或搭飛機。）就正常財（normal goods）來說，把所有的價 格與需求量組合點連結起來，就形成圖表7-1的需求曲線，成為「從左 上向右下傾斜的需求曲線」。

圖表7-1 大多數東西的需求曲線

當然，供給量與價格的關係就大不相同了。木材商和電腦製造商能 靠產品賺到的錢愈多，就會供應更多產品，所以在相同的縱軸與橫軸 上，供給曲線通常像圖表7-2的樣子。

圖表7-2 大多數東西的供給曲線

下一步就是把兩條曲線畫在同一張圖上，看看它們在何處交會，如 圖表7-3所示。所有基礎經濟學教科書上，都會出現這些曲線圖，因為 它們提供了很多資訊，顯示需求與供給剛好吻合的價格及數量（市場均 衡價格P*及市場均衡數量Q*），把價格乘以數量，就是生產者從產品獲 得的總收益，亦即圖表7-3的矩形區塊。

圖表7-3 所有個體經濟學教科書上都會出現的供給需求圖

現在，來看這塊矩形上方的三角形區塊，這個區塊代表獲得好交易 的消費者，他們願意支付高於P*的價格購買產品，卻只要支付P*，這個 三角形區塊代表留在這些消費者荷包裡的錢，稱為「消費者剩餘」 （consumer surplus）。生產者未必對消費者剩餘感到高興，因為他們想 取得每個消費者願意支付的每一分錢，有時他們會想出辦法，對消費者 索取不同價格，但多數時候無法這麼做。在消費者資訊靈通的競爭市場 上，相同產品在任何地方的售價相同，這種現象高度牢固，經濟學稱為 「一價定律／單一價格法則」（law of one price）。矩形右邊的那個三 角形區塊，代表消費者未能取得產品，因為他們不願意或無能力支付價 格P*，這是在市場均衡價格（P*）下未能獲得滿足的市場區隔。 每支iPhone有一條像圖表7-1那樣的需求曲線，每款iPhone應用程式

也是一樣，但沒有道理把iPhone和應用程式分開來思考，因為兩者相互 依賴，是經濟學家所謂的「互補品」（complementary goods/complements）。互補品的基本特性是：它們的需求曲線就像社交 舞舞伴那樣，緊密互動、可以預測。 互補品讓曲線移動 牛絞肉與漢堡麵包，就是互補品的典型例子。若某家超市在某個夏 季週末推出牛絞肉特惠，最好也要準備大量的漢堡麵包存貨，因為需求 將會增加。一般來說，互補品是具有下列特性的配對商品：當商品A的 價格下降時，商品B的需求曲線將往外移（表示需求將會增加）。＊如 圖表7-4a所示，這意味的是，儘管商品B的價格不變，需求將被帶動成 長。 ＊更正式地說，互補品的交叉價格彈性（cross-price elasticity）為負。

圖表7-4a 當漢堡牛絞肉價格降低時……

圖表7-4b 漢堡麵包的需求曲線外移

到處都可見到互補品的例子，例如瓶子與瓶蓋，農作物種子與肥 料，鋼鐵與水泥，汽車與輪胎等。企業懂得如何使用互補品來提高需求 與獲利，例如，拋棄式刮鬍刀片製造商經常提供低價或免費的刮鬍刀， 藉此來刺激刀片的需求。賈伯斯當然知道應用程式是iPhone的互補品， 乃至於iPhone螢幕首頁呈現的是一格一格排列的應用程式。但是，他一 開始不讓外面的應用程式進入iPhone，等於是將蘋果公司排除在兩個有 益的現象之外：一，不同的消費者對互補品有非常不同的意向；二，許 多人和公司願意免費供應應用程式。 消費者的喜好差異甚大，不論牛絞肉變得有多便宜，素食者也不會 購買更多的漢堡麵包，因為對他們來說，漢堡麵包的互補品可能是製作 美味素食漢堡的材料。同理，對iPhone各種不同類型的潛在顧客群而

言，「殺手級應用程式」大不相同，有些人想要遊戲應用程式，有些人 想要商業工具應用程式，有些人想要串流音樂應用程式，有些人想要創 作音樂的應用程式，有些人想要使用社群媒體的應用程式，有些人想把 手機當成小型的科學工具。發現及滿足這些偏好的最佳方法，就是讓蘋 果的應用程式商店（App Store）變成類似一種開放市集，而非只有單一 業主的商店。沒有任何一家公司（就算是創新力高如蘋果者），能夠既 開發出Shazam（音樂應用程式，當你在房裡聽到一首歌曲時，它會搜尋 辨識，告訴你這首歌曲的名稱），也開發出憤怒鳥（Angry Birds，遊戲 應用程式，讓你幫助憤怒鳥奪回被豬偷走的鳥蛋。） 憤怒鳥應用程式最早於2009年末推出，成為下載人次最多的應用程 式之一，而且是免費的，＊這對一對互補品的其中一員來說，是一項很 有趣的特性。我們再回到需求曲線來探討這項特性，這次我們畫出兩條 需求曲線，一條是憤怒鳥應用程式的需求曲線，另一條是iPhone的需求 曲線。單純起見，我們把它們畫成相同尺寸，儘管這是不正確的，但無 礙於我們要闡釋的重點。 ＊芬蘭公司樂窩娛樂（Rovio Entertainment）是憤怒鳥遊戲的開發商，2015年總營收為1.42億美 元（Rovio Entertainment, “First Quarter of 2016 Shows Successful Turnaround for Rovio after Expected Difficult 2015,” April 6, 2016.）。該公司的收入來源，除了應用程式本身的營收，還 有玩具之類的商品與品牌授權活動（Alvaris Falcon, “85 Cool Angry Birds Merchandise You Can Buy,” Hongkiat, accessed February 4, 2017.），以及智慧型手機的背蓋，還有2016年發行的3D 動畫《憤怒鳥玩電影》（Angry Birds Movie），該片是芬蘭有史以來在國際市場上最成功的 一部電影，參見：Rovio Entertainment, “The Angry Birds Movie Is the Most Internationally Successful Finnish Movie of All Time!” January 4, 2017.）。

若我們把憤怒鳥應用程式訂價為10美元，它的需求曲線會告訴我們 在這個價格水準之下的總需求量；換言之，就是它被下載的人次（如圖 表7-5a所示）。這條從左上向右下傾斜的需求曲線，也告訴我們，若價

格降低為5美元，需求量將明顯更高；若價格降至0美元（免費），需求 量還會再高，而且更有趣的一點就是：將會創造出巨量的消費者剩餘。 事實上，當價格為0時，需求曲線下方的整個三角形區塊都是消費者剩 餘，如圖表7-5a所示，因為願意支付任何價格玩這款遊戲的人都可免費 取得，人人都覺得撿到便宜。

圖表7-5a 憤怒鳥應用程式的價格降至0時，需求量增加……

圖表7-5b ……iPhone的需求曲線外移

巨大推力：當互補品免費、完整且即時時 記住，我們已經說了，應用程式和手機是互補品；這意味的是，在 概念上，當憤怒鳥應用程式降價（從任何潛在顧客原本預期的價格，降 到實際價格0），將會使iPhone的需求曲線往外移，提高人們支付iPhone 價格的意願。所以，Shazam和憤怒鳥之類的免費應用程式存在，具有兩 種效果：創造消費者剩餘（這很棒，誰不想讓消費者覺得撿到便宜）； 推動iPhone的需求曲線外移（這對蘋果公司是正中下懷，因為更多人願 意支付購買iPhone。） 這些應用程式的每一個，或許只是把iPhone的需求曲線往外推了一 點──畢竟，誰會花599美元購買一支iPhone（2007年上市的原價），只 是為了在上頭玩一種遊戲呢？但是，這些互補品的效果是累積的，每一

種免費的應用程式，為iPhone提供的產品與服務的總組合，增加一小塊 的消費者剩餘，也把iPhone的需求曲線，朝蘋果公司希望的方向往外 推。一支昂貴手機不會因為有一套討人喜歡的免費應用程式，就變得吸 引力大增而誘人購買；但是，如果有十幾萬種免費的應用程式，其中有 很多類型是幾乎任何顧客都會喜歡的，又會發生什麼情形？這麼大量的 應用程式，將會創造出很多的消費者剩餘，也會把iPhone的需求曲線往 外推得更遠了。此外，預期也扮演了一個重要角色：所有的應用程式與 開發者，使得消費者更有信心預期，隨著更多新的應用程式出現，手機 將持續有價值，或許會變得更有價值。 那麼，是誰在撰寫這些免費的應用程式呢？純粹的利他主義者，還 是只是想讓世界瞧瞧自己有何能耐的人呢？在免費應用程式的開發者當 中，的確有這樣的人，但還有很多其他的人或組織，都會撰寫免費的應 用程式。除非你很清楚免費產品的經濟效益，否則很難在2007年預期到 會有那麼多免費應用程式出現。事實是，很多人或組織基於諸如下列理 由，願意免費提供自己撰寫的應用程式。 「免費增值」（freemium）事業　許多公司，例如雲端儲存服務 供應商Dropbox，以及剪報與記事雲端管理服務Evernote，採行的事業模 式是提供顧客基本的免費服務，再針對基本服務之外的外加服務（外加 功能或容量）收費。這種方法相當受歡迎（Dropbox創立僅僅兩年後的 2009年，賈伯斯曾經開價九位數，意圖收購），[4]有來自這些及其他公 司的實用免費應用程式支持。精明的公司發現，免費產品可以當作較貴 版本產品的一種互補品，而不是替代品：免費產品有助於帶動付費版的 需求，而非排擠付費版吃掉其市場。 廣告收入　許多免費應用程式的開發者，靠著向用戶展示廣告，來 賺取廣告收入。谷歌針對iPhone打造的搜尋引擎、交通導航應用程式

「位智」（Waze），以及其他許多的應用程式內含廣告，不少應用程 式的廣告收入相當可觀。臉書在iPhone上為消費者提供免費的應用程 式，行動廣告收入占了臉書2016年第三季總營收的84％。[5] 顧客服務　銀行、保險、投資及其他許多產業，都為顧客開發免費 的應用程式。2010年10月，亞馬遜推出了一項功能，讓iPhone手機用戶 能在商店內拍下產品條碼，應用程式會立刻告訴他們，是否可以用更便 宜的價格，在亞馬遜網站上買到這項產品。2010年8月，大通銀行 （Chase Bank）推出一款免費的消費性銀行應用程式，讓客戶用手機拍 攝支票相片，就可以把支票存入戶頭。此舉使得消費者剩餘大躍進，其 他銀行很快就陸續跟進。 公共服務　許多政府機關及非營利組織，都推出免費的應用程式來 幫助執行任務。像我們居住在波士頓地區，就很喜歡波士頓市政府推出 的Street Bump應用程式，可以用iPhone的感應器在行經路面有坑洞的道 路時，把坑洞所在地的資訊回傳給市政府。此外，我們很倚重經濟資 料，所以很喜歡聖路易聯邦儲備銀行提供的FRED應用程式；透過這個 應用程式，很容易取得廣泛的公開經濟資料。珍妮佛．帕卡（Jennifer Pahlka）創立了「為美國編程」（Code for America），這是一個非營利 創新組織，讓任職於頂尖科技公司的技客向公司申請休假一年，到市政 府部門協助開發應用程式，以及其他與民眾互動的軟體。 和其他產品搭配　數位產品普及於日常生活中，在這些產品上面運 作的應用程式，也在手機上增生。健康與健身器材如Fitbit、Nike+ FuelBand，智慧型門鎖如August，還有Drop廚房磅秤或Sonos音響等， 有許多工具或器材，全都可以透過應用程式控制。安裝了Viper及其他 公司的系統之後，你甚至可以透過智慧型手機上的應用程式，來解鎖、 啟動車子。

開發及提供免費apps的動機很多，前述這些只是其中一部分而已。 直到賈伯斯被說服，相信開放應用程式商店給外部開發者的好處之後， 蘋果公司才得以利用，獲取提高消費者剩餘及需求曲線外移的好處。 2008年7月，蘋果公司宣布，它的應用程式商店供應了大約八百種的外 部開發應用程式。這項消息一出，三天內的下載人次超過1,000萬，賈 伯斯形容這項成就是「大滿貫」。[6]

開放的重要性 還記得我們在上一章把平台定義為：取用、複製與遞送的邊際成本 近乎零的數位環境嗎？iPhone當然符合這項定義，但在應用程式方面， 它一開始是個封閉型平台，因為只有蘋果公司能在iPhone上增添應用程 式。但是，自從蘋果開放平台之後，巨大的創新與成長接踵而來。 蘋果的例子顯示，開放受到歡迎的平台，益處很多。最基本的是， 開放為平台業主引入大量各式各樣的貢獻、動力及點子，這是平台業主 無法獨力做到的。這些貢獻帶來了兩種強大的經濟效益：提高消費者剩 餘；把互補品的需求曲線往外推，這意味的是，在任何價格點，銷量將 會提高。 開放平台也為平台業主帶來了另外兩種好處。首先，他們獲得很有 助益的資料──哪些應用程式（或平台的其他層面）受到歡迎、人氣度 如何隨著時間變化，以及平台會員的喜好和行為模式等。這些資料非常 有助於解決問題，並且可為平台會員提供量身打造的推薦，或是幫助平 台業主決定推動什麼計畫，以及其他許多功用（下一章會討論其中一 些。）再者，開放平台創造了新的收入機會；許多iOS應用程式不是免 費的，對於那些收費的應用程式，蘋果公司抽取30％的營收，2015年這 項財源為蘋果創造了60億美元的收入。[7]

不過，如果你們的目的是提高營收，也要注意「太過」開放平台的 可能性，因為除了收入，還有其他利弊得失需要考慮。全球資訊網是世 界上最大的數位平台，它的基礎設施與架構反映了它的原始意圖：讓任 何人都能加入，開始參與。 這樣的開放程度，為全球帶來了莫大益處，但也直接導致惡意軟 體、網路犯罪、網路戰、分散式阻絕服務攻擊、網路釣魚、身分盜用、 孩童色情、洩露個資、散播假消息等行為的黑暗網路，以及其他種種可 能使人對人性感到絕望的行為。 策展以反制汙染者 為了防堵這類不良行為及不良內容，解決方法就是建立更好的平台 ──使用策展（curation）、聲譽評量系統及其他工具，來阻絕壞行為、 鼓勵好行為（不論平台業主對好壞行為的定義為何。）賈伯斯最後同意 開放iOS iPhone平台給外部開發者參與時，十分了解策展的重要性。艾 薩克森在《賈伯斯傳》中寫道：「賈伯斯很快就發現，有一條魚與熊掌 兼得的好途徑。他將同意讓外部開發者為iPhone撰寫應用程式，但他們 必須符合嚴格標準，通過蘋果公司的審核，而且只能透過iTunes商店銷 售。這樣一來，既能獲取擁有許多軟體開發者的益處，又能保持足夠的 掌控，保護iPhone的健全性與顧客體驗的簡潔性。」[8] 蘋果公司的應用程式審核流程，被外界批評太慢、不透明、限制太 多。不論這些批評如何，都凸顯了一項重要事實：平台業主握有很大的 裁決權，可以決定如何架構及策展平台。平台是業主的資產，產權牢 固。 這意味的是，高人氣平台──那些對網路效應、消費者剩餘及互補 品的經濟效益做出最佳利用的平台──因為對策展內容、會員、流量等

做出選擇，因而變得很有影響力。在我們撰寫本書時的2016年末，許多 媒體公司正在思考如何回應臉書的新措施，[9]臉書打算直接刊登許多媒 體的報導，不再由媒體公司張貼文章連結，把流量帶回自家網站，再由 臉書和媒體公司拆分相關廣告收入。這個例子提供了一個明顯啟示，就 是強大的平台可以對影響力所及的其他公司施加強迫選擇。

平台戰略：差異化，及早行動 蘋果應用程式商店的大成功，促使電信與科技產業的其他公司創建 自己的平台，這些行動的結果為我們提供了更多洞察。 谷歌在2005年以大約5,000萬美元，買下當時默默無聞的新創公司 安卓（Android），癮科技（Engadget）網站當時評論：「我們真搞不 懂，谷歌為何買下沒名氣、專門為行動電話撰寫軟體的新創公司 Android？」[10]但是，幾年後，蘋果行動應用程式平台之外的另一個強 勁同類平台的價值，已經變得相當明顯。2010年，谷歌企業發展部門資 深副總大衛．勞威（David Lawee）接受訪談時說，收購安卓是谷歌有 史以來最棒的一筆交易。[11]這筆交易原本差一點不會成功，因為在出售 給谷歌的數週前，安卓的創辦人安迪．魯賓（Andy Rubin）飛去南韓， 向三星公司（Samsung）提議出售公司。[12] 打從一開始，谷歌的行動應用程式平台，以及作為此平台基礎的行 動電話作業系統，就和蘋果的系統與平台不同。首先，安卓系統以開放 源碼軟體的形式發行，裝置製造商可以免費取用，而蘋果的iOS只有在 蘋果手機（以及後來的平板裝置）上才能取得。谷歌並未把安卓系統當 成一個財源，或是刺激自家產品銷售的一條途徑，而是當成繼續推廣谷 歌產品、服務及強大廣告收入引擎的一種工具。＊谷歌也認知到，想要 對抗蘋果的起步優勢及強大動能，就必須更廣泛、更快速地讓自家平台

遍布各處。以開放源碼軟體的形式發行，是有益的做法，因為此舉向潛 在採用者保證，谷歌將來無法單方面改變使用安卓系統的規則，例如收 取授權費等。這項策略非常成功，到了2011年，安卓已經變成全球最通 用的行動作業系統，[13]在2016年第三季，在全球售出的全部智慧型手機 中，有高達88％使用安卓作業系統。[14] ＊2016年第四季，在谷歌所有的搜尋廣告點擊中，有96％來自行動裝置。更多的行動裝置使用 者，將帶來更多行動搜尋與廣告收入。參見：Jack Nicas, “Alphabet's Earnings Rise but Falls Short of Views──Update,” Morningstar, January 26, 2017.。

第二項差異是，安卓平台上的應用程式策展程度不若iOS平台。谷 歌有一個官方商店供應經由該公司審查過的免費及付費應用程式，但安 卓手機用戶很容易就能下載、安裝非官方商店供應的應用程式。在這方 面，谷歌同樣決定讓自家平台不像iOS平台那麼中心化、那麼高度策 展，當然這麼做的結果，目前難以評斷利弊得失。 至於其他嘗試建立行動電話平台的公司，就不是那麼成功了。微軟 既想像蘋果那樣銷售裝置，又想像谷歌那樣創造搜尋引擎廣告收入，[15] 從2008年開始，就致力於開發行動作業系統Windows Phone。[16]微軟非 常看重這項計畫的重要性，所以在2013年收購芬蘭手機製造商諾基亞 （Nokia）。[17]諾基亞曾經制霸全球手機產業，但太慢認知及因應智慧 型手機帶來的威脅，導致公司變成夾心餅餡，一面是智慧型手機的強烈 攻勢，另一面又得迎擊亞洲製造商生產更便宜基本款手機的猛烈炮火。 不幸的是，諾基亞被收購之後，也沒幫上多大的忙。合併後，他們 試圖建立一個和iOS及安卓對抗的強大平台，但成效不佳，而且包括 Snapchat在內，許多高人氣應用程式拒絕推出Windows Phone的版 本。[18]2016年第一季，微軟手機僅占全球智慧型手機銷量不到1％；[19]

那年年底，已有評論家宣告：「微軟的諾基亞實驗結束了。」[20]這項失 敗導致超過兩萬人被裁員，[21]手機事業部門相關資產帳面價值減記近80 億美元，[22]這是微軟史上最大的一筆虧損。[23] 還有比這更慘的，黑莓機（BlackBerry）是行動裝置領域一個早期 領先者，尤其對忙碌的高階主管來說，他們對「快克莓」 （CrackBerry，「黑莓機」的戲稱，形容它如同快克古柯鹼般令人上 癮），簡直就是上了癮。2009年，黑莓機作業系統占全球新售智慧型手 機作業系統的20％，[24]母公司行動研究公司（Research In Motion, RIM）的市值超過770億美元。雖然黑莓機的安全性能和電池壽命長， 企業顧客很喜歡，但對一般消費者的吸引力，並不如iPhone和安卓手 機，所以開發者較少為黑莓機平台撰寫消費者應用程式。不過，其實行 動電話圈子很希望它能成功，以削減蘋果和谷歌的談判力，無奈RIM不 爭氣，失去動能，再也沒能重振雄風。到了2016年年底，該公司宣布停 止生產自家的硬體，[25]市值跌落到40億美元以下，[26]比巔峰時少了 95％。 這些例子帶給我們的啟示是，一個領域或活動往往只能容納數量有 限的平台，尤其若用戶對同時使用多個平台──稱為多宿 （multihoming）情況──並不自在時。雖然，消費者偏好擁有多種選擇 （部分是因為他們不樂見任何平台業主表現得像個壟斷者般），但顯然 他們也不喜歡選擇太多，通常兩個就足夠了。在行動電話領域，很少人 同時使用一個以上的作業系統平台。

成功平台的習慣 在平台戰中勝出者，以及那些將來能夠囊取報酬者，具有什麼特徵 呢？雖然不盡相同，但我們的洞察是，那些快速成長、為用戶和業主創

造雙贏價值的成功平台，通常具有下列的共通特徵： 1. 及早進入。雖然未必都是最早進入者（像安卓就不是），但絕對不 能太晚進入。不能等到許多潛在用戶都選擇使用某個平台，而且網 路效應已經開始形成後才進入。 2. 盡可能善用互補品經濟效益。它們知道一個互補品的低價，將會 帶動其他互補品的需求。 3. 開放平台，擴大貢獻者參與。這種多樣性能提高總消費者剩餘， 尤其若其中一些貢獻免費供應給用戶的話，將有助於需求曲線外 移。 4. 維持開放的大原則，也進行平台策展。這是為了確保提供用戶一 致性的正面體驗，減少不愉快的意外發生。

蘋果與谷歌的例子顯示，不容許第三方創造互補品的完全封閉系 統，以及完全開放而無法從平台攫取顯著價值份額的系統，兩者間往往 能夠找到不只一條平衡途徑，但這種拉鋸必須加以管理。 用戶為王：使用者體驗策略 幾乎所有成功的平台創建者，也會做另一件事：非常注重為用戶打 造優異的使用者介面和使用者體驗。使用者介面就是人類與一項技術互 動的一套方式，以iPhone為例，使用者介面包括觸控螢幕、Home鍵、 音量控制、麥克風、揚聲器等。使用者介面必須迎合使用者，盡可能直 覺化，最好的使用者介面遵循了下列這句通常被指為出自愛因斯坦的 話：「盡量讓事情簡單化，但別簡化過了頭。」[27] 使用者體驗是個涵蓋層面更廣的概念，包含一項商品使用起來的效

能及愉快程度。設計師艾迪．李（Ed Lea）使用兩樣東西，巧妙摘要了 使用者介面和使用者體驗的差別：一根湯匙代表使用者介面，一碗早餐 穀物代表使用者體驗。[28] 臉書例示把使用者介面及使用者體驗做好的兩項益處──許多人忘 了或從來不知道，臉書並不是第一個社群媒體，甚至也不是第一個盛行 的社群媒體。Friendster在2002年就存在了，[29]MySpace創設於2003年， 當時用戶之熱烈、網路效應之強，使得新聞集團（News Corp）在2005 年耗資5.8億美元將它買下。[30] 但是隨著時間，這些平台在重要層面上，逐漸令用戶感到失望。隨 著公司成長，Friendster的網站速度慢了下來，表現糟糕。至於 MySpace，可能給會員太大的自由度設計空間，網站設計與互動行銷公 司Fame Foundry 2009年在部落格上這麼評論：

在你認識的人當中，有多少能夠繪製自己住家的興建藍圖，畫一幅 美到足以掛在客廳的肖像畫，或是執行整容手術？應該很少吧……，好 的網站設計是一門精確的藝術與科學，但MySpace不認同這個觀點，讓 用戶在網頁上恣意揮灑，直到慘不忍睹……。反觀臉書，至少還選擇限 制一些基本框架。[31]

2011年，新聞集團以僅僅3,500萬美元的價格，把MySpace賣給線上 行銷公司Viant Technology。[32] 線上支付服務公司Stripe的成功，則例示了若平台創建者夠了解使 用者體驗，甚至不必是領域的早期進入者，也能夠贏得市場青睞。2010 年，市場上不乏為線上商家處理顧客付款作業的中介者，一些中介者如

PayPal針對個人及小企業提供服務，其他如Chase Paymentech及 Authorize.net，則是服務規模較大的賣方。 但是，當時分別年僅21歲和19歲的派翠克．柯里森（Patrick Collison）及約翰．柯里森（John Collison）兄弟覺得，這些公司提供的 使用者介面及使用者體驗，對線上商家的開發者來說（尤其是涉及電子 商務者），不夠快、不夠簡單、不夠好。電子商務已經逐漸變成一種普 遍現象，從單純在零售網站購物、結帳，擴展到其他許多不同的業務與 領域，而且有愈來愈多交易透過行動裝置進行。這股趨勢為使用者介面 及使用者體驗帶來了新的挑戰，派翠克向我們解釋：「〔從應用程式〕 重新導向PayPal平台，再登入帳戶在手機上是行不通的。」[33]於是，兩 兄弟決定建立一個像亞馬遜網路服務那樣的支付服務平台，提供容易使 用的雲端服務，能夠迎合特定族群的需求（亦即網路與應用程式商 家），而且這項服務能夠隨著需求擴大。 柯里森兄弟著手進行之後，很快就發現這些需求非常多，現有的支 付服務供應商無法滿足其中許多需求。商家的需求其實很簡單，只要能 夠接受顧客付款就好，但是這些付款的形式種類繁多，包括帳戶扣款、 金融卡、信用卡、企業信用額度等，而且是透過各種不同的網路，還有 種種的幣別。每個商家的需求組合也不同，而且需求還會伴隨著商家的 業務成長、往來的顧客種類，以及業務國際化而與時變化。除了這些變 化，還有詐欺犯、法規、稅務與申報規定等，以及其他種種擾人的麻煩 事。 2015年夏天，派翠克接受我們訪談時表示：「支付處理這件事有多 麻煩，實在很難向局外人說清楚。舉例來說，中國商家要賣東西給中國 地區以外的消費者，簡直難如上青天，主要不是政府機關不想讓你做買 賣（不論是中國、美國或什麼國家的政府），是因為真的太複雜了，還

沒有什麼人有辦法應付。反過來，美國商家也沒辦法賣東西給中國消費 者，有大量中國消費者使用支付寶（Alipay）……，但在美國，你無法 開設支付寶商家帳戶。＊……雖然有很多商業模式應該可行，也應該被 採用，但因為這些困難，實際上就無法採行。」[34] ＊Stripe從2015年8月開始支援支付寶付款。

於是，柯里森兄弟決心做當時還不存在的東西：一個支付平台，提 供的使用者體驗讓商家可以規避這些麻煩事；而且，這個支付平台的使 用者介面，只需要開發者加入一些簡單的程式就行了。 當時，追求這項目標具有相當的風險性，不但很難達成，也可能會 做出不是市場想要的東西。在支付服務產業，很多人相信商家最重視的 是低價，＊Stripe的每筆交易手續費並非特別低（尤其是那些使用金融卡 付款的交易），該公司打賭許多商家將願意接受較高的手續費，以換取 諸如這些優點：快速上手、前置成本較低、簡易的技術整合、不像其他 服務商那麼麻煩與容易延遲，以及容易擴大規模。派翠克說：「我們有 個構想，就是應該要有一個統一的支付平台，既能服務那些有點子、但 不確定是否夠好的孤獨開發者，也能服務世界上規模最大的公司。以平 台來說，應該要能服務這兩種極端，還有介於這兩者之間的所有商家需 求。」[35] ＊產業中仍有許多人繼續抱持這種想法。

柯里森兄弟的賭注獲得回報，在公開推出平台後的五年間，美國所 有網際網路使用者中，有半數人至少有一筆交易的付款是由Stripe處理 的。[36]2016年11月，該公司的估值已達90億美元。[37]派翠克告訴我們， 如此亮麗的成長，根本原因之一是Stripe讓顧客可以先體驗（尤其是較

小、較新的顧客），直到認為不錯後才正式加入。他舉外送餐點服務應 用程式Postmates為例（下一章將對這家新創公司有更多探討）：「我們 的客戶Postmates，是一家後勤服務公司。他們和蘋果合作，從蘋果商店 取貨遞送給顧客。我之所以喜歡舉它為例，是因為它打從一開始就很不 一樣，是一家必須先預約的快遞公司。Stripe的承諾就是，我們把付款 的複雜性隱藏起來，讓他們進行種種嘗試，不是只限定他們遵循一條特 定途徑。」[38] Stipe的方法讓商家可以容易、快速地進行新嘗試，完全不必擔心付 款處理方面的問題；換言之，就是讓商家很容易就能進行實驗、快速迭 代，而這些能力在快速創新與變化的時代最為可貴。伴隨著Stripe的服 務業務成長，顧客很可能從服務中發現愈來愈多的價值，像是貨幣轉 換、發票處理、詐欺偵防、課稅、遵守洗錢防制法等。 這些服務為Stripe扮演的經濟角色，大致上相似於iPhone應用程式為 蘋果扮演的經濟角色：它們是能夠帶動總需求的互補品。Stripe的詐欺 偵防提高了消費者剩餘，也把Stripe的整個服務需求曲線往外推，這正 是他們想見到的。 雙邊平台的網路效應 跟許多成功的平台一樣，Stripe也受益於網路效應。但是，在Stripe 的例子中，網路效應特別強大，因為是雙邊平台。這個平台的用戶，可 以區分為兩大族群：想要獲得付款的商家，以及付款給商家的銀行與信 用卡公司等金融服務機構。像支付寶這樣的金融服務機構，自然是想現 身在有許多商家的平台上，因為這麼一來，就會有很多的生意量；同 理，商家也想加入有許多金融服務機構的平台。 在整個數位產業中，雙邊平台具有強大的網路效應，下一章將對此

有更多探討，現在我們只須注意到它們的威力，而注意到Stripe便是其 中之一。派翠克強而有力地向我們述說他的雄心：「我們想建立促進網 際網路GDP＊成長需要的基礎設施。」[39]Stripe似乎已經走在這條路上， 這有很大一部分得歸功於它能機敏地利用平台的力量，提供優異的使用 者體驗。 ＊也就是在網際網路上的全球經濟活動總量。

本章摘要 ✔數位平台驅動了現今世界上許多最成功的公司，它們是供給與需求 的強大匯集者。 ✔如果兩項產品是互補品，當其中一項的價格下滑，將會帶動另一項 的需求曲線外移。 ✔當一個平台開放讓外界做出貢獻時，通常是該平台業主認知到一項 重要益處：外界在這個平台貢獻的互補品，將會帶動業主本身的產 品需求增加。當這些互補品是數位商品時，其中許多將具有免費、 完整與即時的特性。 ✔開放平台之後，平台業主通常必須進行策展，以維持平台的水準。 混亂、不安全或詐欺性質的貢獻，將減損平台的價值。 ✔平台業主的競爭能力，一大部分是靠著有效吸引外界貢獻，以及妥 善進行策展。但是，當一個領域已經存在了至少兩個平台時，就更 難在該領域建立一個活躍的平台，尤其是在消費者不願意多宿的情 況下。 ✔成功平台的創建者，非常注重使用者介面及使用者體驗。

✔許多平台是雙邊平台，兩邊是不同類型的顧客。

延伸思考題 1. 你們的產品與服務，可能有什麼互補品？如何善用這些互補品來提 高總需求？ 2. 下列哪種做法更好：建立自己的平台，或參與別人的平台？ 3. 若你們打算建立平台，將對外部貢獻採取怎樣的策展策略？會如何 鼓勵更多的外部貢獻，同時確保維持夠高的品質？ 4. 若在你們所屬的領域裡，已經存在了一個成功的平台，你們將如何 進行差異化，不仿效它的特點？如果已經有不只一個平台，你認為 有什麼理由，能夠吸引別人注意你們新建的平台？ 5. 為了提供優異的使用者體驗，你們的原則是什麼？你們為目標用戶 提供什麼價值，或是解決什麼問題？

1. Ballmer Laughs at iPhone, YouTube, September 18, 2007, 2:22, https://www.youtube.com/watch?v=eywi0h_Y5_U. 2. Walter Isaacson, Steve Jobs (New York: Simon & Schuster, 2011), 501. 本書有繁體中文版， 由天下文化出版。 3. John Markoff, Phone Shows Apple's Impact on Consumer Products, New York Times, January 11, 2007, http://www.nytimes.com/2007/01/11/technology/11cnd-apple.html. 4. Victoria Barret, Dropbox: The Inside Story of Tech's Hottest Startup, Forbes, October 18, 2011, http://www.forbes.com/sites/victoriabarret/2011/10/18/dropbox-the-inside-story-of-techs-hotteststartup/#3b780ed92863. 5. Facebook, Facebook Reports Third Quarter 2016 Results, November 2, 2016, https://investor.fb.com/investor-news/press-release-details/2016/Facebook-Reports-ThirdQuarter-2016-Results/default.aspx. 6. Apple, iPhone App Store Downloads Top 10 Million in First Weekend, July 14, 2008, http://www.apple.com/pr/library/2008/07/14iPhone-App-Store-Downloads-Top-10-Million-inFirst-Weekend.html.

7. Daisuke Wakabayashi, Apple's App Store Sales Hit $20 Billion, Signs of Slower Growth Emerge, Wall Street Journal, January 6, 2016, https://www.wsj.com/articles/apples-app-storesales-hit-20-billion-signs-of-slower-growth-emerge-1452087004. 8. Isaacson, Steve Jobs, 501. 9. Henry Mance, UK Newspapers: Rewriting the Story, Financial Times, February 9, 2016, http://www.ft.com/intl/cms/s/0/0aa8beac-c44f-11e5-808f-8231cd71622e.html#axzz3znzgrkTq. 10. Peter Rojas, Google Buys Cellphone Software Company, Engadget, August 17, 2005, https://www.engadget.com/2005/08/17/google-buys-cellphone-software-company. 11. Owen Thomas, Google Exec: Android Was ‘Best Deal Ever,’ VentureBeat, October 27, 2010, http://venturebeat.com/2010/10/27/google-exec-android-was-best-deal-ever. 12. Victor H., Did You Know Samsung Could Buy Android First, but Laughed It Out of Court? phoneArena.com, February 16, 2014, http://www.phonearena.com/news/Did-you-knowSamsung-could-buy-Android-first-but-laughed-it-out-of-court_id52685. 13. Gartner, Gartner Says Worldwide Smartphone Sales Soared in Fourth Quarter of 2011 with 47 Percent Growth, February 15, 2012, table 3, http://www.gartner.com/newsroom/id/1924314. 14. Gartner, Gartner Says Chinese Smartphone Vendors Were Only Vendors in the Global Top Five to Increase Sales in the Third Quarter of 2016, November 17, 2016, table 2, http://www.gartner.com/newsroom/id/3516317. 15. Brian X. Chen, How Microsoft Hit CTRL+ALT+DEL on Windows Phone, Wired, November 8, 2010, https://www.wired.com/2010/11/making-windows-phone-7. 16. Windows Central, Windows Phone, last updated February 3, 2017, http://www.windowscentral.com/windows-phone. 17. Microsoft, Microsoft to Acquire Nokia's Devices & Services Business, License Nokia's Patents and Mapping Services, September 3, 2013, https://news.microsoft.com/2013/09/03/microsoft-toacquire-nokias-devices-services-business-license-nokias-patents-and-mappingservices/#setSm8pEXtFGqGKU.99. 18. Microsoft, Top Free Apps, accessed February 5, 2017, https://www.microsoft.com/enus/store/top-free/apps/mobile?target=apps..social. 19. Gartner, Gartner Says Worldwide Smartphone Sales Grew 3.9 Percent in First Quarter of 2016, May 19, 2016, table 2, https://www.gartner.com/newsroom/id/3323017. 20. Tom Warren, Microsoft Lays Off Hundreds as It Guts Its Phone Business, Verge, May 25, 2016, http://www.theverge.com/2016/5/25/11766344/microsoft-nokia-impairment-layoffs-may-2016. 21. ZDNet, Worst Tech Mergers and Acquisitions: Nokia and Microsoft, AOL and Time Warner, Between the Lines (blog), February 13, 2016, http://www.zdnet.com/article/worst-tech-mergersand-acquisitions-nokia-and-microsoft-aol-and-time-warner. 22. Nick Wingfield, Cutting Jobs, Microsoft Turns Page on Nokia Deal, New York Times, July 8, 2015, https://www.nytimes.com/2015/07/09/technology/microsoft-layoffs.html. 23. Gregg Keizer, Microsoft Writes Off $7.6B, Admits Failure of Nokia Acquisition,

Computerworld, July 8, 2015, http://www.computerworld.com/article/2945371/smartphones/microsoft-writes-off-76b-admitsfailure-of-nokia-acquisition.html. 24. Statista, Global Smartphone OS Market Share Held by RIM (BlackBerry) from 2007 to 2016, by Quarter, accessed February 5, 2017, https://www.statista.com/statistics/263439/global-marketshare-held-by-rim-smartphones. 25. Andrew Griffin, Black-Berry Announces It Will Make No More New Phones, Independent, September 28, 2016, http://www.independent.co.uk/life-style/gadgets-and-tech/news/blackberryannounces-it-will-make-no-more-new-phones-a7334911.html. 26. Google Finance, BlackBerry Ltd (NASDAQ:BBRY), accessed February 5, 2017, https://www.google.com/finance?cid=663276. 27. Wikiquote, s. v. Albert Einstein, last modified January 29, 2017, https://en.wikiquote.org/wiki/Albert_Einstein. 28. Shane Rounce, UX vs. UI, Dribbble, December 7, 2014, https://dribbble.com/shots/1837823UX-vs-UI. 29. Gary Rivlin, Wallflower at the Web Party, New York Times, October 15, 2006, http://www.nytimes.com/2006/10/15/business/yourmoney/15friend.html. 30. Vauhini Vara and Rebecca Buckman, Friendster Gets $10 Million Infusion for Revival Bid, Wall Street Journal, August 21, 2006, https://www.wsj.com/articles/SB115612561104040731. 31. Fame Foundry, DeadSpace: 7 Reasons Why My-Space Is as Good as Dead, August 1, 2009, http://www.famefoundry.com/382/deadspace-7-reasons-why-myspace-is-as-good-as-dead. 32. Todd Spangler, Time Inc. Buys Myspace Parent Company Viant, Variety, February 11, 2016, http://variety.com/2016/digital/news/time-inc-myspace-viant-1201703860. 33. 我們在2015年夏天訪談派翠克．柯里森的內容。 34. 同上注。 35. 同上注。 36. Ingrid Lunden, Payments Provider Stripe Has Raised Another $150M at a $9B Valuation, TechCrunch, November 25, 2016, https://techcrunch.com/2016/11/25/payments-provider-stripehas-raised-another-150-at-a-9b-valuation. 37. Rolfe Winkler and Telis Demos, Stripe's Valuation Nearly Doubles to $9.2 Billion, Wall Street Journal, November 25, 2016, https://www.wsj.com/articles/stripes-valuation-nearly-doubles-to9-2-billion-1480075201. 38. 我們在2015年夏天訪談派翠克．柯里森的內容。 39. 同上注。

第8章

對決時刻：平台何以勝出？ 就是這個！這是警訊！若不找出新的方法管理營收，我們就會成為 歷史！ ──唐納德．伯爾（Donald Burr） 人民快捷航空公司（People Express Airlines）執行長，1985年

團體運動似乎是最不可能被數位科技衝擊、顛覆的人類活動之一， 很多人喜歡和一群人一起運動的感覺，和一群會流汗、有活力的人在一 起，那種感覺就算是現今那些強大的虛擬實境技術也難以複製的。＊因 此，世人很容易得出結論，認為經營一家團體運動健身房，大概不會受 到數位科技的破壞力道衝擊吧！但是，ClassPass的例子顯示，並不見 得。那些讓平台在數位產業中茁壯、強大的特性，現在也讓它們入侵原 子型產業，也就是在實體世界供應產品與服務者。過去十年，有很多這 樣的平台出現，而且這股趨勢才剛開始。 ＊科技的力量，永遠不可小覷。室內飛輪製造商Peloton，銷售一款售價1,995美元的健身腳踏 車，有一個可以連接Wi-Fi的22吋螢幕，讓健身者能夠從家裡遠距串流直播，觀看健身房的真 人教練帶一群人踩腳踏車運動（每天至少有十堂課），還有隨選課程影片可以播放。2016年2 月，Peloton宣布和Oculus Rift合作研發一款頭戴式虛擬實境顯示器，可以取代螢幕。參見： Mark Prigg, “Now You Can Track Your Gym Sessions Too: Peloton Teams Up with Strava App to Monitor Spin Classes──and Says It Is Also Working on Oculus Rift VR Workouts,” DailyMail.com, February 18, 2016.。

當世界不是免費、完整、即時時

詹姆斯．喬伊斯（James Joyce）在小說《尤利西斯》（Ulysses） 中，指出這句忠告出自德國詩人歌德：「年輕時許願要當心，因為你的 願望會在中年實現。」[1]ClassPass的創辦人帕雅．柯達基亞（Payal Kadakia），大概會對此心有戚戚焉；她在事業早期階段下了一項決 策，後來翻轉了這項決策，但這項改變讓ClassPass會員大為光火。接下 來，我們從這個例子中，也可以獲得很多啟示，了解經營非數位產品與 服務平台事業的難處。 2016年11月，柯達基亞在公司的部落格上宣布，他們高人氣吃到飽 的方案「ClassPass Unlimited」將停止，這項方案讓會員每個月只要繳 交一筆固定費用，想上多少團體運動課程都可以（但是，在任何一間加 入平台的健身房，最多只能上三堂課。）她解釋，公司在2014年5月推 出這項方案，是為了鼓勵新會員了解彈性健身計畫，並且選擇加入 ClassPass，「這項方案奏效了」，她寫道。[2] 其實成效太過頭，柯達基亞說：「很多人開始隔天運動一次，有些 人甚至天天都去運動！我為你們喝采……，但是我們發現，這對我們的 事業來說造成負擔，無法再繼續下去了。」[3] 加入「ClassPass Unlimited」方案的會員，迅速做出不悅反應。很 多人在社群媒體上發洩，例如"NakesaKou發推文寫道：「唉，聽到 #classpass要停止unlimited方案，我心都碎了。為什麼？」[4]反彈與負評 多到引起「企業內幕」（Business Insider）新聞網站注意，發表了一篇 文章名為〈ClassPass停止無限次數的方案，惹惱了許多會員〉。[5] 打從一開始，這項無限次數的會員方案，似乎就誤入歧途。柯達基 亞承認：「這不能當作長期會籍的選項，因為它無法讓事業發展與承諾 達成一致。如果我們想要會員減少運動，以降低成本，試問我們是怎樣 的事業呢？」[6]但如果更深入檢視ClassPass的發展歷史，就能看出他們

是多麼努力想讓這項方案奏效，同時我們也可以發現，當位元經濟學碰 上原子經濟學時，會發生什麼情形。 「ClassPass Unlimited」方案對顧客來說，是一項簡單、誘人的主 張：只要固定月費，就可以在居住的城市，以及加入ClassPass的健身房 所在的城市上無限次數的運動課程。該公司對健身房業主提出的主張也 很簡單：這些健身房本身的會員沒有使用到的課程名額，反正空著也是 空著，倒不如讓ClassPass支付一筆費用，讓這項方案的會員使用這些名 額。 打著這些主張，ClassPass試圖建立一個有強力網路效應的雙邊平 台：只要愈多會員加入，健身房就變得愈有吸引力；有愈多的健身房加 入，對會員（現有及潛在會員）的吸引力也就愈大。但是，伴隨著公司 成長，危險也逐步逼近，而危險源於一項基本現實：像瑜伽課程名額這 類實體世界的供應，和數位世界的供應並不相同，位元世界的免費、完 整、即時的經濟特性，並不適用於原子世界。供應實體商品的平台創建 者，必須清楚認知這些差異，並且做出明智反應。 ClassPass的業務成長，面臨到什麼樣的危險呢？基本上，它必須要 能了解並應付一項事實：加入平台的健身房可能使用不足，但另一方 面，會員卻可能過度使用這個平台，於是造成供需失衡。接下來，我們 先來看看健身房這邊的挑戰，再來看ClassPass如何應付這些挑戰。 存貨漸腐的危險性 基本上，對於加入這個平台的健身房來說，ClassPass提供的價值， 就是將原本沒人使用的課堂空位銷售出去，多賺取一些收入。換個更正 式一點的方式，就是ClassPass這個平台，讓健身房將原本會腐壞（沒人 去上）的存貨（課堂名額）銷售出去，多賺得一些收入。這聽起來很

好，但健身房如何能在事前得知課程會有空位，以及會有多少空位呢？ 換言之，他們如何得知會有多少存貨將會腐壞，無法換得收入呢？ 這個問題很重要，因為ClassPass對健身房這些原本會腐壞的存貨， 支付的是比較低的價格。基本上，這個平台對健身房這樣說：「是這樣 的，你們承諾開課，開課的所有固定成本已經產生了，包括租金、水電 成本、指導員薪水等。課堂多增加一名學員的邊際成本相當低，只不過 就是增加熱水和浴巾、毛巾的清潔費用，所以只要我們多帶入一名學員 給你們的收入高於這個邊際成本，你們應該就會接受我們的會員加 入。」 聰明的健身房業主，可能會這麼回答：「聽起來很有道理，但是我 得小心。你說的沒錯，我的邊際成本低，存貨可能會腐壞，但是我也不 能忘了，我的存貨並非無限量供應，因為每堂課就只能容納這麼多的 人。如果我讓你用折扣價格為自己的會員保留了一些名額，就無法用全 額來銷售那些名額，甚至是賣給我自己的會員，他們可是付了我一筆月 費。我可不想聽到他們抱怨，說自從那些ClassPass的會員開始出現後， 就擠不進去教室了。所以，我必須謹慎。」 前述這段假設性的對話顯示，實體世界團體運動課程的經濟特性， 並不同於數位產品與服務免費、完整、即時的經濟特性。由於課程名額 會腐壞（沒人用就是浪費），因此它不是完整的；由於課程能夠供應的 名額有限，它無法免費、無限擴增。如果存貨未被使用時，增加一位顧 客的邊際成本很低；但一旦額滿，增加一名顧客的邊際成本就變得很 高。有限的容量與易腐的存貨，是運動課程、航班機位、飯店房間，以 及其他許多實體世界服務業的特性。跟絕大多數的服務業一樣，這些服 務業有從左上向右下傾斜的需求曲線：一些人願意支付高價格，更多人 願意支付的價格則明顯較低。

數學、資料和應用程式：營收管理上場救援 「營收管理」（revenue management）是多年來發展出來的一套演 算法與技術系統，用以幫助服務業應付有限的容量與易腐的存貨，以便 做出最佳利用。營收管理的根本目的，是幫助服務業公司把有限、易腐 的存貨，賣給更多願意支付最高價格的顧客，然後把其餘存貨沿著下傾 的需求曲線出售，亦即從較高價格一路賣到最低價格。營收管理最早出 現在航空業，＊再推展到旅館業，並且因此改變了這兩個產業。就我們 所知，現在沒有一家具規模且成功的航空公司，不嫻熟於營收管理。 ＊美國民航委員會（US Civil Aeronautics Board）成立於1938年，旨在監管航空產業；基本上， 該委員會以人為干預，維持高票價長達數十年。1978年通過的《航空解除管制法》（Airline Deregulation Act）移除政府管制，讓航空公司可以自由訂價，也讓低成本業者得以進入市 場，例如創立於1981年的人民快捷航空公司。人民快捷航空公司起初快速成長，不出五年， 就成為美國第五大航空公司，每月載運100萬名顧客（參見：Markus Salge and Peter M. Milling, “The Pace or the Path? Resource Accumulation Strategies in the U.S. Airline Industry,” paper presented at the Annual Conference of the Systems Dynamics Society, Oxford, England, 2004.）。該公司的主要成長動力是低價，通常比競爭者的票價低40％到55％。這對一些既有 航空公司如美國航空（American Airlines）構成了重大威脅，為了競爭，美國航空投資數百萬 美元在最早的營收管理系統之一，對早鳥旅客推出「終極超值票價」（Ultimate Super Saver fares），但內含一些限制條件，例如最少停留的天數等。在此同時，美國航空也把更接近起 飛時間才購買的機票價格，盡可能維持於高水準。這項策略讓該公司成功區隔休閒旅客與商 務旅客，這兩群人願意支付的價格有所不同，該公司利用這項事實來提高獲利。美國航空在 1987年的年報中，把營收管理描述為：「用適當價格銷售適當機位給適當顧客」〔參見： ThinkWell Consulting, “Yield Management to the Rescue: The American (Airlines) Way,” 3, accessed February 5, 2017.〕。美國航空把機位賣出量最大化，拓展獲利高的商務艙顧客區 塊，在三年期間，營收管理為該公司創造的可量化獲利總計達14億美元（參見：Barry C. Smith, John F. Leimkuhler, and Ross M. Darrow, “Yield Management at American Airlines,” Interfaces 22, no. 1 [1992]: 22.）。這項獲利有多大，拿下列數字來比較就可以看出：擁有美國 航空的控股公司，在這三年間的總淨利只有8.92億美元。人民快捷航空無法與之競爭，市占 率節節下滑，最後在1987年出售，停止營運。

ClassPass不僅可以透過應用程式，為加入平台的健身房提供營收管

理軟體，還能夠提供很多顧客，填補它們的需求曲線右下端的空缺，也 就是健身房的課程空位。 但是，這項安排有個問題，而且是一個很大的問題：健身房業主何 以相信ClassPass會使用營收管理軟體來照顧他們的利益，而不是照顧 ClassPass自身的利益？顯然，ClassPass的營收管理行動若執行得當，該 公司本身將會獲益，但健身房會不會獲益，就不是那麼確定了。這個平 台會不會有強烈意圖，讓系統對ClassPass本身的會員供應大量課程，但 不是對健身房為最有利的安排呢？ 健身房不願意把誰能進入課程的決定權交給ClassPass，這是可以理 解的。為了解決這個問題，他們提議健身房自行做一個簡單、低風險的 實驗：把這些單節課程名額的銷售決策，交給平台系統來運作一小段時 間。 這些小實驗的結果，快速展示了和此平台合作的益處。ClassPass的 訂價與存貨管理副總札克瑞．艾卜特（Zachary Apter）[7]告訴我們：

我們說：「給我們幾週時間，提供我們一種課程，看看能得出什麼 結果。」他們看到：「哇，在上課的一個半小時前，還有五個空位。 ClassPass並沒有搶占，有趣。」然後，就在上課前五分鐘，有五個人走 進來，填補那些空位。而且，這種情形發生了足夠多次，那些健身房業 主說：「哇，真的很神奇。真不知道你們這些傢伙是怎麼辦到的，我們 就沒有信心能夠算出門檻，知道該提供多少名額給ClassPass才對。」[8]

ClassPass運用大數據、觸角廣泛、會員眾多，使它能夠把營收管理 的益處帶給個別健身房。它的使用者介面及使用者體驗的實驗結果，說

服許多健身房相信，採用這套系統與平台是有利的。 這個例子讓我們再次看到互補品的效力：ClassPass軟體提供的營收 管理功能是零成本互補品，把ClassPass整個綁售的健身房課程需求曲線 往外推。 營收管理吸引更多健身房加入ClassPass，提供更多運動課程名額給 平台會員，這種可得性的增加又吸引更多人加入平台，形成持續擴大的 網路效應。不過，在這個良性循環中，ClassPass面臨到一個問題：那些 最愛健身的會員，可能會過度使用這個平台，傷害到它的獲利能力。 如何達到無限？ 柯達基亞公告終止「ClassPass Unlimited」方案的貼文顯示，這種 情形果然發生了。問題在於，這個平台的營收隨著會員總人數增加而成 長，但成本也隨著他們參加的課程總數量而增加。如果會員每個月上的 課程變多，平台營收與成本失衡的情況就會愈趨嚴重，變得難以應付。 如此一來，縱使有非常先進的營收管理技術，也無濟於事。 另一個搭橋連結線上與線下世界的平台Postmates，則是發現了一個 維持營收與成本平衡的聰明方法。該公司在快速成長的雙邊網路市場 上，也推出一種無限量的服務方案，而這個聰明方法有效幫助它避免成 本與收益失衡。 像亞馬遜這樣的大型電商零售業者，雖然很有規模和效率，有時仍 難以在很短的前置期內送達貨物。＊因此，巴斯提安．雷曼（Bastian Lehman）、西恩．普萊斯（Sean Plaice）與山姆．史特利（Sam Street），在2011年共同創立了Postmates平台，使用快遞員在一小時 內，從當地餐廳與商店把貨品遞送到消費者的手上。Postmates不是在市

郊建立一座新的倉儲中心，而是利用既有的商店與存貨，透過智慧型手 機應用程式來調派快遞員。起初，這個平台向消費者索取9％的平台服 務費（全歸Postmates所有），再視訂單的複雜程度，以及下單時的遞送 服務需求量而定，另外收取5美元到20美元不等的快遞服務費（大部分 歸快遞員所有）。該公司快速擴張到舊金山以外的地區，三年間已經完 成150萬件快遞運送服務，但是他們相信，若想讓平台成長得更加快 速，就必須為消費者降低成本。 ＊至少在開始使用無人機送貨之前是如此。

2015年1月，Postmates做了一項實驗，在舊金山、紐約及洛杉磯這 三座大城市，針對特定商家，以均一價4.99美元提供遞送服務。果不其 然，價格降低與免除平台服務費的做法使得需求激增，十週內，這些市 場的所有訂單有20％利用了這項新方案，而且平均而言，這些訂單的貨 品數量是平台其他訂單的兩倍。參與的商家看到收入大增，便同意支付 透過此平台下單遞送的貨品零售額的某一比例（最高為20％）給平台， 還有較少數的特大訂單，商家願意支付高達30％比例的金額。由於有更 多訂單湧入，快遞人員每趟能夠完成不只一筆遞送，這使得每筆遞送的 平均成本降低，整項業務運作起來更有效率。 受到這個均一價實驗成果的鼓勵，該公司在2016年3月推出了 「Postmates Plus Unlimited」服務方案，每個月繳交固定費用10美元， 所有超過30美元的訂單，一律免費遞送。不同於「ClassPass Unlimited」，Postmates的這項方案能從每一筆交易賺得收入（向商家索 取遞送貨品價格的一個比例），因此不論業務成長得多快，平台都能夠 妥善維持，不致發生營收與成本失衡的問題。此外，為了促進成長， Postmates在應用程式中，建立了一個使用者介面，讓蘋果、星巴克、墨

西哥捲連鎖店奇波蕾（Chipotle）、連鎖藥房沃爾格林（Walgreens）等 合作夥伴，很容易將公司的資訊系統連上這個平台。光是在2016年9 月，這個平台在全美四十座城市，就完成了130萬筆遞送。

第二代平台：O2O ClassPass和Postmates例示了過去十年間持續擴展的一股趨勢：平台 崛起，而且不只是供應完全位元性質產品／服務（亦即數位編程資訊， 例如軟體、音樂、銀行服務等）的平台，還有供應實體世界原子性質產 品／服務的平台。第一代大規模、具影響力，而且往往具有大量破壞力 的網路平台席捲了資訊產業，我們現在看到的是第二代的平台，席捲了 整個經濟。 對於這類平台，我們最喜歡的標籤，是我們首次從AI明星級專家吳 恩達那裡聽到的「O2O」（online to offline，從線上到線下）。我們喜 歡這個頭字語，因為它描繪了這個現象的核心：網路效應、互補品綑 綁，以及至少些許的免費、完整、即時的經濟特性，已經從線上世界擴 展到線下世界。 到了2016年年底，O2O平台已經廣泛存在於不同產業，包括都市交 通運輸業的Lyft和Uber，旅宿業的Airbnb，食物遞送業的Grubhub和 Caviar，以及到宅保健服務業的Honor等，這些公司全都致力於有效地 （最終能夠賺錢）把位元經濟和原子經濟結合起來。通常，這類平台供 應的實體存貨是易腐的（沒用就浪費了），例如健身房的課程名額或旅 館房間等，但也有平台供應的不是易腐實體存貨。縱使是後者，仍然能 以有效的方式結合資料、數學和網路效應，像禮服出租網站Rent the Runway，就是一個很好的例子。

特別場合想穿完美的設計師禮服，可能相當花錢，尤其如果你不想 被看到穿同一件禮服在不同場合出現的話──無論是被人看到，或是秀 在社群媒體上。這種兩難有助於解釋為何一項估計指出，一般美國人的 衣櫃裡，[9]有過半數衣服穿過的次數少於三次。珍妮佛．弗雷斯 （Jennifer Fleiss）及珍妮佛．海曼（Jennifer Hyman）心想，她們可以 利用數位平台的力量，解決這個令人煩惱的服裝問題，所以就共同創辦 了線上公司Rent the Runway。這個平台讓女性能夠在線上租借服飾與配 件，只要選擇好遞送日期，租用四到八天，再用該公司遞送品項時隨附 的袋子裝好寄回即可。會員甚至可以在下單時，要求多準備一件相同衣 服的其他尺碼，不需要支付額外費用。服飾租金通常是零售標價的 10％，網站上從5美元的人造珠寶耳環，到幾百美元的晚禮服都有。[10] Rent the Runway網站上的所有衣服，都是該公司擁有的。為了照顧 這些衣服，他們還發展出美國最大的乾洗中心。[11]由於這些資產是長壽 性質、非易腐類，擁有它們使該公司能夠在業務成長、擴展至全美時， 再度利用其他機會。不同於運動課程名額，設計師服裝不易腐壞，不過 它們會貶值，但貶值程度不一。舉例來說，在處於時尚尖端的紐約市， 一款新提包可能很快就會退流行，[12]但接著在全美其他地方會開始流 行。因此，Rent the Runway使用一種不同於ClassPass的營收管理系統， 目標是要把公司的耐久存貨的價值期限盡量維持得更長，而方法是使用 公司的演算法，把品項展示給全美各地願意出最高價格的人。 到了2016年春季，[13]Rent the Runway對營收與存貨管理的專長有了 足夠信心，便推出類似網飛（Netflix）的實體DVDs那樣，一價吃到飽 的無限量服務方案。只要Rent the Runway的會員繳交月費139美元，就 可以一次租用三件品項，寄回一件就可以再租用另外一件。該公司期望 這個方法，能夠鼓勵會員持續使用服務，同時防止類似拖垮「ClassPass Unlimited」方案的過度使用情形發生。

平台入侵B2B 前述所有例子，以及現今比較知名的O2O平台，都是面對消費者的 事業，亦即B2C事業。因此，有人認為，這些事實顯示O2O現象，不會 很快擴展到企業與企業（B2B）的交易領域。 我們不認同這種看法，不論是B2C或B2B性質的平台，都適用相同 的經濟原理。我們預期，O2O平台很快就會擴展到整個原子世界，不論 是否為涉及消費者的交易。事實上，我們已經看到在線上世界與線下世 界建立橋梁的B2B平台例子，亦即B2B O2O平台。 ✔美國卡車貨運業每年創造7,000億美元的營收，[14]但這個市場依舊 充滿了種種缺乏效率的現象。例如，在卡車跑的總里程中，有15％ 是空車狀態，[15]而且媒合卡車與貨物的貨運仲介商，估計一年賺取 的仲介服務費高達800億美元，[16]卻仍使用電話、傳真及電子郵 件，做為聯絡各方的主要工具。新創公司Transfix建立了一個線上 平台，[17]把這個產業過時的供需媒合流程搬到線上，並且予以更 新。 ✔製造或遞送產品的公司，倉儲中心經常有過剩的閒置空間，因為這 些公司必須建造較大的空間，以應付需求高峰期所需的容量。西雅 圖的新創公司Flexe建立了一個平台，[18]媒合部分或暫時閒置的倉 儲空間，出租給短期需要更多倉儲空間的公司。 ✔Elance和oDesk是媒合自由接案者與企業客戶的線上平台先驅，這 兩家公司在2015年合併形成新公司Upwork。企業在這個網站上張 貼想要委外的案子，讓獨立的自由接案者或機構來競標，委外案型 從網站設計、廣告文案撰寫，到會計工作、資料輸入等，種類繁 多。Upwork平台為世界各地的高手（既是透過數位傳輸，任何地

方的高手都可以接案），媒合他們最擅長的工作，並且提供種種工 具，包括專案管理和支付工具等。到了2016年，[19]Upwork每年媒 合的案件，已經超過300萬件，該公司估值已經超過10億美元。 ✔尋找及預訂商業研討會的場地，向來是一件費時的工作。活動統籌 人員總是得花數天或數週時間，直接接洽場地供應方，以了解設 備、容納量、可租借日期與價格等資訊。市面上有專門幫助處理這 項工作的人，但收費通常頗高。創立於1999年的Cvent，提供一個 平台把此流程搬到線上；多年來，該公司已將業務擴展到包括發送 行動邀請函、票務及調查等項目。到了2015年，這個平台每年協助 15,000個客戶，[20]公司估值達到92億美元。[21] ✔社會學家羅伯特．K．莫頓〔Robert K. Merton，麻省理工學院教 授、1997年諾貝爾經濟學獎得主羅伯特．C．莫頓（Robert C. Merton）的父親〕，在二次大戰期間受託調查美國人對大眾傳播的 反應。這項計畫使他創造出現今眾所周知的工具「焦點團體座談 會」（focus group），多年來被無數行銷者用以測試行銷訊息，以 便更了解現有及潛在顧客。尋找參加焦點團體座談會或接受問卷調 查的對象，向來都是由行銷機構和專業招募者處理，他們很多都是 在街上或購物商場直接找人，而那些被找的對象看起來都具有行銷 者想要的特徵，因此訪查樣本具有相當程度的偏誤。現在，有許多 線上平台協助舉辦焦點團體座談會，進行問卷調查，包括 UserTesting、Survata、dscout和Google Consumer Surveys。 平台崛起於全球各地 美國的科技創業生態圈，在育成及擴展許多高科技事業方面，一直 甚具成效。因此，有時看起來彷彿第二次機器時代的所有好點子都源自

那裡，其實不然。全球各地都有有趣的O2O平台出現，反映及利用當地 的環境與機會。 法國的城際列車網絡廣密，但昂貴，而且長期受到免遭低成本競爭 者強力挑戰的保護──法國政府對私營巴士施以嚴格限制。＊腓特烈．馬 齊拉（Frédéric Mazzella）、尼可拉斯．布魯森（Nicolas Brusson）與法 蘭西斯．納裴茲（Francis Nappez）[22]等人看出機會，在2006年創立 BlaBlaCar平台，[23]媒合從A城到B城的開車者和想要搭便車者。這些搭 便車者必須分攤開車者的油錢，費率由BlaBlaCar訂定，開車者可以改 變費率，但不得超出BlaBlaCar訂定的上限。該公司堅持：「BlaBlaCar 的開車者不得牟利」，[24]這點讓該公司受到許多人喜愛，也得以維持低 價，並讓該公司在許多地區較容易和政府監管當局談判。（使用 BlaBlaCar平台的行程平均約200英里，這讓該平台並未與計程車直接競 爭。）[25]到了2016年9月，該公司的共乘平台已在21國營運，[26]每季促 成超過1,000萬趟共乘。[27] ＊這些限制在2015年7月鬆綁，法國政府實質上容許巴士開闢橫跨全國的新路線（參見：Oxera, “En Route to French Transport Liberalisation: The Coach Market,” August 2015.）。乘客很快就開 始使用新選擇，2013年，使用城際巴士的乘客只有10萬人；到了2016年，估計已經增加到500 萬人（參見：“Liberalization of Intercity Bus Market in France,” Busradar.com [blog], August 13, 2015.）。

印尼人氣最高的O2O交通運輸平台，非常不同於法國的平台。雅加 達恐怖的交通壅塞，讓許多人選擇搭乘能在幾乎不動的車陣中穿梭的摩 托車計程車。創立於2010年的Go-Jek，在2015年推出行動應用程式平 台，連結乘客與摩托車計程車，並且採用固定費率，十分受到歡迎，因 為免去討價還價的時間與不確定性。截至2016年年中，這個平台平均每 月出車2,000萬趟，並將業務擴展到餐點、雜貨、包裹遞送服務，以及

汽車維修服務，甚至居家清理服務。2016年8月，Go-Jek募集到5.5億美 元投資資金，[28]公司估值超過13億美元，成為印尼第一家估值超過10億 美元的「獨角獸」企業。 中國人口近14億，智慧型手機遍及率高，科技創業興盛，成為全球 最豐饒的行動O2O平台沃土。代表性例子包括e袋洗，這個數位平台讓 人們方便地將衣服裝入該公司提供的帆布袋中，由專人到府收取、送 洗、整熨、送回，在72小時內完成，一袋收費人民幣99元。[29]2015年8 月，e袋洗在中國的16座城市營運，每天處理10萬筆訂單；[30]一年後， 它已經擴展到28座城市，＊總計服務家戶數達到了1.1億。[31] ＊美國創業者曾經試圖仿效一些成功的中國O2O平台，但成效不一。美國類似的洗衣服務O2O 平台Washio在2016年關閉之前，曾經募集到將近1,700萬美元的資金。不同於e袋洗，Washio 被普遍認為收費昂貴，光是遞送費用就要5.99美元。

只要支付不到5美元的費用，呱呱洗車就會派一名專業洗車員，[32] 為你清洗你停放在城市任何地點的車子。用戶只須在平台上，指明車子 停放的地點及車牌號碼，在洗車的過程中，車主不須在場。該公司在 2015年募集到5,800萬美元的投資資金，業務已經擴展到12座城市。[33] 好廚師[34]平台提供的服務，則是為你召喚一位私人廚師到府，根據 用餐者的喜好及飲食限制，烹飪一餐；材料除外，四口之家的費用約為 15美元。[35]儘管受到歡迎，好廚師不大可能對高人氣的中國訂餐與遞送 服務平台「餓了麼」構成顯著衝擊，後者在2016年年中獲得阿里巴巴集 團投資入股超過10億美元。[36]事實上，在中國，O2O事業獲得高額投資 的情形很普遍。提供家政服務、保姆服務、到府美容服務的O2O平台 「58到家」，[37]2015年10月在A輪募資＊中募到3億美元。中國的搜尋引 擎巨擘百度公司，[38]在三年間投資了32億美元，買下O2O平台「糯米

網」，從電影票到美髮服務，這個行動團購網站服務內容包羅萬象。 ＊A輪投資是指一家新創公司第一回合正式向外募集投資資金，募集資金總額通常較接近100萬 美元，較少達到3億美元這樣的規模。

流動性引擎 身為商管學者，我們對O2O平台的發展甚感興趣，原因之一是，它 們再次顯示互補品向外推動需求曲線的力量，尤其是免費的互補品。舉 例而言，在其他條件相同的情況下，Airbnb為房東免費提供的最適訂價 工具，促使更多住房供應者選擇加入這個平台，而非選擇其他競爭平 台。 另一項原因是，O2O平台是我們見過最豐富的位元經濟與原子經濟 的結合。等到規模擴大之後，這類平台將會處理巨量資訊──關於會 員、他們的選擇與活動、產品與服務的可得性與訂價、付款與問題等資 訊，這些資訊接近免費、完整、即時這三大理想特性，而且儲存、流程 及傳輸非常便宜，通常是愈來愈便宜。這意味的是，平台上隨時都有相 關、實用的資訊，也意味著需求面規模經濟（亦即網路效應），最終將 成長得比成本遠遠更快。此外，當互補品免費時，若有幾百萬人在使 用，每個人縱使只有很小的效果，迅速累積起來將會非常可觀。 這點十分重要，因為資訊和演算法（位元的東西），有助於應付原 子性質產品與服務經濟可能會有的棘手挑戰。無論是經營一家健身房、 遞送服務公司或交通運輸公司，都相當不容易，主要是因為容量或產能 有限，而且必須審慎管理存貨。這些都是原子世界的現實層面，而這些 現實層面很容易造成在媒合供需的核心工作中犯錯。 在這方面，已歷經數十年研究與真實世界考驗的營收管理工具與方

法，雖然大有助益，但通常需要大量的資料，才能產生良好的效用。此 外，應用在更多的供給和需求，也對這類工具與方法的成效有幫助；換 言之，網路愈大，它們的效用就愈大，網路效應是平台的主要特徵之 一。於是，健身房可以使用強大的營收管理演算法，把每一堂課的總營 收最大化。Airbnb平台上的房東取得訂價輔助工具，這樣一來，無論淡 旺季都能以營收最大化的價格出租。Uber司機取得「熱區圖」（heat maps），可以得知哪裡能有載到乘客的最大機會。以往，實體世界中的 許多企業，根本無法提供這類使用先進演算法及大量資料的服務，但現 在拜免費、完整、即時的位元經濟所賜，到處都有O2O平台。 伴隨著這些平台成長，它們提供了最難以抗拒的經濟特性之一：流 動性；或是說，可以在不必擔心價格會有太大變化的情況下完成交易。 無論是雅加達的通勤者，或是想從波爾多到里昂的經濟型旅客，還有那 些不想在回程時空車、想趁機多賺點錢的卡車司機，每個人想要的東西 其實都相同：快速、有利地完成一筆交易，不要有不愉快的意外發生。 確保獲得這麼一筆交易的最佳途徑就是：在交易的另一邊，有大量的潛 在參與者，而這就是高人氣平台所提供的。 來自其他學科的洞察 除了經濟學理論，這些平台也經常加入來自其他幾個學科的洞察。 舉例來說，Uber司機在載送路線有重疊部分的多名乘客時，選擇的載客 地點與乘客下車的最佳路線，其實就是作業研究領域典型的「旅行業務 員問題」（traveling salesman problem）的一種變異版。所謂「旅行業務 員問題」指的就是：業務員必須找出一次跑完所有負責城市據點的最短 路線，也就是找出最小成本的路徑。 O2O事業產生的巨量資料，使它們成為機器學習的沃土，誠如我們

在第3章所述，機器學習是重度倚賴資訊的人工智慧方法。使用者介面 設計和使用者體驗設計現在也處於全盛期，主要是因為平台盛行，要打 造出同時具有靈活彈性、高效能又直覺化等特性的網站，極為困難；更 難的是，還要設計出同時具備這些特性的行動應用程式（必須在手機的 小螢幕上跑程式。）我們訪談的所有平台建造者，全部強調自己很辛苦 在打造使用者介面，一直反覆測試、不斷地實驗，就是為了設法改善使 用者介面。他們顯然也致力於擴展使用者體驗，所以像疑難排解、顧客 支援、解決方案等，全部都是重要的活動，尤其是因為壞口碑傳得很 快。 在學術研究中，我們對O2O平台深感興趣的最後一項原因是，十年 前根本不可能創建這類平台。本章所敘述的事業，有許多仰賴強大的行 動運算裝置，而智慧型手機紀元始於2007年iPhone上市，至於外部開發 的應用程式，則是要到一年之後才出現。智慧型手機不僅是最早的真正 「行動電腦」，也是最早具有地點偵測識別能力的現代行動電腦──都 是因為有GPS感應器。幾乎每個成功的O2O系統，都不能缺少這些互補 品。 雲端運算是許多平台事業成功的要素，有了雲端運算供應商，這些 平台事業就不需要正確預測自家業務成長與成功的速度了；基本上，它 們可以非常快速擴充運算能力，不需要提前很早就開始規劃、購買相關 設備。誠如前微軟策略總監、ClassPass及Flexe的早期投資人查理．桑赫 斯特（Charlie Songhurst）告訴我們的，現在新創公司及其他的線上實 驗，可以很容易就快速擴大規模，是因為：

它們不需要預測自己的成功速度。〔雲端運算〕移除了一大變數， 亦即必須預測未來的需求。現在，你根本不需要考慮這個，不需要計畫

這個，也不需要花錢做這些事……，你可以先試試看，如果有效，〔雲 端〕隨時有更多的運算能力。你可能會支付一大筆亞馬遜網路服務費 用，但在產品起飛時，那些費用不是你的法定資本。不需要在產品需求 起飛兩個月前，就先購買運算服務，還得請個人來看這個、看那個，確 保正確運作。這就是產業的改變。[39]

雲端運算為創業者提供權利、不是義務，讓他們在需求增加時，有 權擴充運算規模。這種「實質選擇權」（real option）的價值很重要， 但評估事業價值的傳統模型，卻往往忽視這點。＊ ＊學者艾文納許．迪西特（Avinash Dixit）和羅伯．平迪克（Robert Pindyck），以羅伯特．C． 莫頓、麥倫．史柯斯（Myron Scholes）和費雪．布萊克（Fischer Black）等人的早期研究為 基礎，對實質選擇權訂價經濟學做了很多的深入研究，可參見：Avinash K. Dixit and Robert S. Pindyck, Investment under Uncertainty (Princeton, NJ: Princeton University Press, 1994)。

為了地球，請善用資產 我們喜歡O2O平台，還有一項簡單的原因：它們提供了許多好處， 為擁有資產的人提供善用資產的機會，不論那些資產是汽車、卡車、閒 置房間、健身房，或是人們本身的人力資本，這些平台都促進資產的利 用率及效能。這聽起來好像是只有會計師、作業研究專家和經濟學家才 會關心的益處，其實我們全都應該關心，並且好好珍惜這些益處，因為 它們改善了我們的生活品質，也幫助我們減輕破壞地球的程度。 前兩個好處，或許比較容易看出。彈性的健身行程、更便宜的交通 費用、更多餐廳外送餐點、完美禮服出席重要場合，這些全部都是好 事，但它們全都是消費形式，會使用到各種資源，而許多資源是有限 的，所以這些鼓勵消費的平台對地球而言，怎麼會是好消息？

因為它們提高了原子世界許多資源的利用率；舉例來說，華麗禮服 與轎車，很多時間是閒置不用的，Rent the Runway和Uber分別提高了它 們的利用率。據估，轎車平均有95％的時間閒置，[40]共乘服務能將閒置 時間減少到50％；意思就是，我們可以使用十分之一的資本，獲得相同 的資本服務量。因此，我們可以合理預期，隨著平台讓更少數量的這些 產品獲得更多利用，未來這些產品的新產量可能就會減少，當然若這些 產品的未來總需求，增加到足以抵消平台帶來的新增利用率，就不會發 生新產量減少的情形，但需要晚禮服的場合會增加多少呢？已有跡象顯 示，美國城市的較年輕居民擁車者減少，2013年，1980年代和1990年代 出生者的擁車率，比先前世代在同齡時的擁車率低了13％。[41]這些人就 是我們預期將使用Uber及其他O2O運輸平台的智慧型手機持有人。 未被妥善利用的資源，不一定都是完全閒置的資源，比方說，行進 汽車中的空位、可被利用的回頭車等，這些也是浪費資源的形式，現在 BlaBlarCar和Transfix之類的平台減少了這些浪費。事實上，我們相信， 隨著強大的行動電腦真正遍及全球，雲端和其他賦能技術繼續進步，創 新者與創業家繼續把位元的經濟特性及益處引進原子世界，這種減少資 源浪費的情形將會更加增進。

本章摘要 ✔數位平台快速擴展到健身、運輸、旅宿之類的實體產品與服務產 業，它們有時被稱為O2O（online to offline）平台。 ✔這些產業的易腐存貨可能邊際成本低，但也有產能限制，使得O2O 不同於純資訊產品免費、完整、即時的經濟特性，也使得O2O平台 業主通常得使用營收管理系統來改進供需媒合。

✔跟純數位平台一樣，O2O平台可以納入許多互補品，幫助提高總需 求。 ✔O2O平台出現在世界各地，也出現在不是直接面對消費者的產業 （B2B產業），中國尤其是O2O創新的溫床。 ✔由於O2O平台能夠快速增加新會員、控管顧客體驗、利用既有的資 本與勞力資源，並且使用資料及演算法來改進供需媒合，這類平台 能夠快速擴大規模，具有競爭優勢。很多投資人看出O2O平台的事 業潛力，都願意投資於進取的擴張計畫。

延伸思考題 1. 你們打算採行怎樣的策略，和業內引進網路效應及營收管理能力的 平台合作或競爭？ 2. 顧客都很喜歡無限量吃到飽的方案，你們能否找到具有經濟成本效 益的方法來提供這類方案？ 3. 你們的網路使用者介面及使用者體驗，與業內高人氣平台的相比， 是否發現他們有何高明之處？ 4. 你們的存貨有多少是易腐的？產能有多少是閒置的？業內是否有平 台可以幫助降低這些數字？ 5. 若你所屬產業內重要資產的利用率快速、顯著提高，將對你們的營 收、獲利及成長，造成什麼樣的影響？

1. James Joyce, Ulysses (Paris: Sylvia Beach, 1922), 180. 2. Payal Kadakia, An Open Letter to Our Community from Our CEO, Warm Up, November 2, 2016, https://classpass.com/blog/2016/11/02/open-letter-to-community.

3. 同上注。 4. Nakesha Kouhestani, Twitter post, November 2, 2016 (8:49 a.m.), https://twitter.com/NakesaKou/status/793842460023623680. 5. Avery Hartmans, People Are Freaking Out about ClassPass Killing Its Unlimited Membership Plan, Business Insider, November 2, 2016, http://www.businessinsider.com/classpass-killsunlimited-memberships-twitter-reacts-2016-11. 6. 同注2。 7. Zachary Apter, LinkedIn profile, accessed February 5, 2017, https://www.linkedin.com/in/zachary-apter-421a96. 8. 我們在2016年2月訪談札克瑞．艾卜特的內容。 9. Rent the Runway Annonces [sic] New Business | Fortune, YouTube, July 16, 2014, 24:59, https://www.youtube.com/watch?v=hc0RdVK-qK0. 10. Rent the Runway, Danielle Nicole: Grey Pearl Linear Cage Earrings, accessed February 5, 2017, https://www.renttherunway.com/shop/designers/danielle_nicole/grey_pearl_linear_cage_earrings. 11. Rebecca Greenfield, Inside Rent the Runway's Secret Dry-Cleaning Empire, Fast Company, October 28, 2014, https://www.fastcompany.com/3036876/most-creative-people/inside-rent-therunways-secret-dry-cleaning-empire. 12. Erin Griffith, Rent the Runway Unveils a Netflix Subscription for Your Closet, Fortune, July 16, 2014, http://fortune.com/2014/07/16/rent-the-runway-unlimited-netflix-subscription-closet. 13. Rent the Runway, Want an Unlimited Winter Wardrobe? accessed February 5, 2017, https://www.renttherunway.com/unlimited. 14. David Z. Morris, Trucking? There's Finally an App for That, Fortune, July 9, 2015, http://fortune.com/2015/07/09/trucker-path-app.

15. DAT (Dial-A-Truck), 3rd DAT Carrier Benchmark Survey: Q1 2013, DAT Special Report, 2013, http://www.dat.com/Resources/~/media/Files/DAT/Resources/Whitepapers/2013_Carrier_BenchMark_Surveyfin 16. Connie Loizos, Long-Haul Trucking Startup Transfix Lands $12 Million Series A, TechCrunch, November 10, 2015, https://techcrunch.com/2015/11/10/long-haul-trucking-startup-transfixlands-12-million-series-a. 17. Transfix, [Ship with Us], accessed February 5, 2017, https://transfix.io/ship-with-us. 18. Flexe, About Flexe, accessed February 5, 2017, https://www.flexe.com/company. 19. Upwork Global Inc., About Us, accessed February 5, 2017, https://www.upwork.com/about. 20. Cvent, Cvent Announces Fourth Quarter and Full Year 2015 Financial Results, February 25, 2016, http://investors.cvent.com/press-releases/2016/02-25-2016-211735769.aspx. 21. 同上注。 22. BlaBlaCar, Founders, accessed February 5, 2017, https://www.blablacar.com/about-us/founders.

23. Murad Ahmed, BlaBlaCar Sets Course to Hit All Points Other than the US, Financial Times, December 10, 2014, https://www.ft.com/content/4260cd4e-7c75-11e4-9a86-00144feabdc0? siteedition=uk#axzz3QsbvnchO. 24. Laura Wagner, What Does French Ride-Sharing Company BlaBlaCar Have That Uber Doesn't, Two-Way, September 16, 2015, http://www.npr.org/sections/thetwoway/2015/09/16/440919462/what-has-french-ride-sharing-company-blablacar-got-that-uberdoesnt. 25. BlaBlaCar: Something to Chat About, Economist, October 22, 2015, http://www.economist.com/news/business/21676816-16-billion-french-startup-revs-upsomething-chat-about. 26. BlaBlaCar, accessed February 5, 2017, https://www.blablacar.com. 27. Rawn Shah, Driving Ridesharing Success at BlaBlaCar with Online Community, Forbes, February 21, 2016, http://www.forbes.com/sites/rawnshah/2016/02/21/driving-ridesharingsuccess-at-blablacar-with-online-community/#5271e05b79a6. 28. Yoolim Lee, Go-Jek Raises Over $550 Million in KKR, Warburg-Led Round, Bloomberg, last modified August 5, 2016, https://www.bloomberg.com/news/articles/2016-08-04/go-jek-said-toraise-over-550-million-in-kkr-warburg-led-round. 29. Steven Millward, China's Top ‘Uber for Laundry’ Startup Cleans Up with $100M Series B Funding, Tech in Asia, August 7, 2015, https://www.techinasia.com/china-uber-for-laundryedaixi-100-million-funding. 30. Emma Lee, Tencent-Backed Laundry App Edaixi Nabs $100M USD from Baidu, TechNode, August 6, 2015, http://technode.com/2015/08/06/edaixi-series-b. 31. Edaixi, accessed February 5, 2017, http://www.edaixi.com/home/about. (English version: https://translate.google.com/translate?hl=en&sl=zhCN&tl=en&u=http%3A%2F%2Fwww.edaixi.com%2Fhome%2Fabout.) 32. Guagua Xiche, accessed February 5, 2017, http://www.guaguaxiche.com/web/about.html. 33. C. Custer, 2015 Has Been Brutal to China's O2O Car Wash Services, Tech in Asia, November 2, 2015, https://www.techinasia.com/2015-brutal-chinas-o2o-car-wash-services. 34. Hao Chushi, accessed February 5, 2017, http://www.chushi007.com/index.html. 35. Jamie Fullerton, China's New App Brings Chefs to Cook in Your Home, Munchies, April 8, 2015, https://munchies.vice.com/en/articles/chinas-new-app-brings-world-class-chefs-to-cookin-your-home. 36. C. Custer, Confirmed: Alibaba Invested $1.25 Billion in China's Top Food Delivery Startup, Tech in Asia, April 13, 2016, https://www.techinasia.com/confirmed-alibaba-invested-125billion-food-delivery-startup-eleme. 37. 58.com, 58.com Subsidiary 58 Home Raises US$300 Million in Series A Funding, PR Newswire, October 12, 2015, http://www.prnewswire.com/news-releases/58com-subsidiary-58home-raises-us300-million-in-series-a-funding-300157755.html. 38. Paul Carsten, Baidu to Invest $3.2 Billion in Online-to-Offline Services, Reuters, June 30, 2015,

http://www.reuters.com/article/us-baidu-investment-idUSKCN0PA0MH20150630. 39. 我們在2015年10月訪談查理．桑赫斯特的內容。 40. Paul Barter, ‘Cars Are Parked 95% of the Time.’ Let's Check! Reinventing Parking, February 22, 2013, http://www.reinventingparking.org/2013/02/cars-are-parked-95-of-time-lets-check.html. 41. Nicholas J. Klein and Michael J. Smart, Millennials and Car Ownership: Less Money, Fewer Cars, Transport Policy 53 (January 2017): 20–29, http://www.sciencedirect.com/science/article/pii/S0967070X16305571.

第9章

產品還有希望嗎？ 聰明的人從敵人那裡學到很多東西。 ──阿里斯托芬（Aristophanes） 古希臘喜劇作家，公元前414年

Uber的城市運輸平台構想誕生於2008年，當時崔維斯．卡蘭尼克 （Travis Kalanick）和葛瑞．坎普（Garrett Camp）在巴黎攔不到計程 車，「所以，他們產生一個簡單構想──只要按一個鍵，就得到一趟搭 載」，該公司網站上這麼解釋。[1]他們最早的願景（起初名為 UberCab）[2]只聚焦於禮車，早期成長穩定、但緩慢，當坎普建議卡蘭 尼克全職經營Uber時，卡蘭尼克拒絕，因為他認為這個事業的商機： 「超級無敵小的！」[3]

在位者被耍得團團轉 到了2010年末，[4]卡蘭尼克開始看到一個更大的商機。他否決只是 建立一個應用程式型禮車服務事業的想法，堅持當時只有四人的這家公 司，朝向一個更大的願景：利用公司已經創造的雙邊網路效應力量，改 變整個交通運輸業。若是Uber平台上的車輛愈多，就會有更多乘客；若 有更多乘客，就會有更多車輛加入這個平台。十八個月後，他們推出 UberX，讓一般的汽車及駕駛人加入平台；[5]2014年8月推出 UberPool，[6]以較低價格的共乘服務，擴大網路產能。

平台模式及網路效應，創造出史上成長最快速的公司之一；據報 導，Uber在2016年創造了總值200億美元車資的搭載。[7]2016年6月， Uber估值達到680億美元，[8]募集到150億美元資金，用這些資金積極在 全球各地更快速擴張。 在許多城市，伴隨著Uber持續成長，計程車公司及其他個人運輸業 者的生意銳減。2012年，在Uber和Lyft進入洛杉磯營運的前一年，該市 的傳統計程車載客840萬趟，[9]此後三年間減少了近30％，預約計程車載 客量減少了42％。在加州北部，舊金山市最大的計程車公司Yellow Cab Cooperative，於2016年1月申請破產保護。[10] 計程車營業牌照是可開計程車及路邊載客的營業執照，而且可以轉 售，長久以來被視為一項良好投資。以紐約市為例，二十一世紀早年的 一張牌照，到了2013年，價格已經漲到了超過130萬美元。但是，不到 三年後，[11]牌照價格已經比這個高峰價跌了一半。 持有牌照的從業者發現，他們的落敗已經難以逆轉，因為Uber的雙 邊網路效應、流暢的使用者介面與使用者體驗，以及充沛的資源，都是 難以對抗的優勢。其他的競爭平台，例如美國的Lyft、歐洲的Hailo，都 沒能減緩Uber的快速成長，唯一能挫挫它的成長銳勢的，似乎只有當局 的管制。 未來會變得像公用事業？ Uber的合法性，在全球各地都受到質疑。一些國家或城市通過新的 交通運輸服務業法規，有時很難避免這種印象：這些新法規，好像都是 為了因應Uber及其他類似平台而訂的，目的是為了抑制它們。舉例而 言，法國立法當局在2014年宣布，禁止UberPop（UberX的近親）營 運，並且對Uber和主要經理人開罰；[12]另外，截至2017年初，加拿大溫

哥華市完全禁止Uber營運。 在金融服務業，一如城市交通運輸業，法規有時是現有從業者對抗 數位新星的最佳防線。《經濟學人》（The Economist）2015年6月刊登 了一篇文章，標題是〈為何金融科技不會消滅銀行〉（“Why Fintech Won't Kill Banks”），[13]文章中討論到的許多金融科技創新其實就是平 台，包括支付平台、外匯平台、網路借貸（peer-to-peer lending，簡稱 P2P lending，第11章有更多討論。）該文指出，既有銀行的規模，遠遠 大於這些新進者，而且這些銀行：「幾乎能夠立刻就創造信用」，這些 都是既有銀行的重要優勢。但是，該篇文章也指出，銀行最強大的產品 與服務也是最受到保護的部分：「尤其是現金帳戶，民眾能夠放心存更 多錢，隨時可以取用。加州矽谷或倫敦矽環（Silicon Roundabout）極少 有金融科技新創公司，想要挑戰這些重度受到保護的部分。」 《經濟學人》的這篇文章，凸顯了銀行業縱使有著長久的管制保 護，也免不了的最大擔憂：「未來會變得像金融公用事業一般，無所不 在，但高度受到監管，沒有魅力，獲利微薄。」[14]我們認為，不只金融 業，對許多產業來說，這是貌似可信、甚至很有可能的未來。在許多產 業，非平台的從業者將眼見利潤縮小，自家地位變得愈來愈不穩固，不 論產品有多麼優異、先進。 一堆無利潤的產品製造商 在全球的無線通訊產業，這些變化已然可見。如上一章所述，這個 產業自2007年起，開始出現高人氣平台，首先是蘋果的iPhone及iOS作 業系統平台，接著是谷歌的安卓系統平台，此後其他競爭者就很難生存 了。諾基亞及黑莓機式微，它們嘗試在軟體面與iOS和安卓競爭，但失 敗了。至於那些只製造產品的公司，境況通常也好不到哪裡去。

自從安卓系統問市後，亞洲有許多製造安卓手機的公司出現，其中 一些得以高飛，但大多數在激烈競爭中陣亡。中國的智慧型手機製造商 小米，執行長雷軍在2015年1月對員工發表了一封公開信，宣布公司估 值達到450億美元，[15]成為當時全球身價最高的科技新創公司。在此前 的十二個月內，小米賣出6,100萬支智慧型手機，[16]成為中國市場龍 頭。＊在中國市場上，小米智慧型手機在最便宜的手機款式之列；2015 年的一般小米機售價149美元，[17]是市場均價的一半不到。在這種低價 下，每支手機的利潤極薄，但該公司金主賭的是，等到手機（與小米製 造的其他硬體）普及後，就可以從網際網路服務產生營收。 ＊2015年4月，小米打破24小時內行動電話最高銷售量的金氏世界紀錄，參見：Kevin Lynch, “Mi.com Sells 2 Million Smartphones in a Day to Set Sales World Record,” Guinness World Records, April 9, 2015.。

他們可能低估了這項挑戰的難度。在創下破紀錄估值後的十二個月 內，小米兩度未達設定的智慧型手機目標銷量，而且網際網路服務收入 占總營收比例不到5％。[18]2016年第二季，小米的銷量比去年同期衰減 了近40％，[19]知名分析師理查．溫瑟（Richard Windsor）因此建議，把 小米的估值降低至36億美元。[20] 在智慧型手機紀元的早期，韓國的三星是一股強大勢力，推出了一 系列受到市場歡迎的手機及平板電腦，但該公司最終同樣遭遇到營收及 獲利的惡化困境。在總銷量連續四年衰退之後，2016年降低到自2011年 以來的最低量。[21]現代智慧型手機是極端複雜的裝置，必須設計精良、 安全可靠，為此所需要的工程技術及全球供應鏈能力相當高端，全球只 有一些公司敢於嘗試。伴隨著消費者期望及規格的持續變化，少有公司 能夠長期高度獲利，儘管服務的是一個龐大的全球市場，而且出現還不 滿十年。

大部分獲利都落入平台提供者的口袋，據估，2015年全球智慧型手 機的獲利，有91％被蘋果公司囊括。[22]一個制霸的平台，能夠囊取多高 的獲利份額呢？2016年的結果傾斜得更厲害了，BMO Capital Markets的 分析師提姆．朗恩（Tim Long）估計，[23]在所有行動裝置製造商2016年 第三季的總營業淨利中，蘋果公司囊括了103.9％（之所以超過100％， 是因為其他廠商虧損），而三星只賺了其中的0.9％，其他製造商全部 虧錢。 蘋果在智慧型手機紀元的唯一堅實競爭者是谷歌，谷歌的財務報表 並未細分出來自安卓系統及其支援的大量行動服務事業的營收和獲利， 但顯然也相當高。2016年1月，代表甲骨文軟體公司（Oracle）與谷歌打 官司的律師（甲骨文就一樁付款爭議控告谷歌），＊在法庭上揭露了一 項估計，安卓系統為母公司貢獻了310億美元的營收及220億美元的盈 餘。[24] ＊2016年1月，在甲骨文控告谷歌侵害甲骨文的Java技術著作權的冗長官司中，代表甲骨文公司 的律師說服聯邦法庭法官准予揭露有關谷歌與安卓系統拆分營收的協議。以口頭方式在法庭 上揭露這些估計數字的律師，並未說明是如何得出這些估計的，也沒有說明這些估計數字涵 蓋的期間。後來，谷歌以「非公開財務資料具有高度敏感性，公開揭露可能會對谷歌的事業 造成顯著負面的影響」為由，請求法官重新編輯庭審紀錄公開文件，密封對方律師揭露的這 些估計。（參見：Joel Rosenblatt and Jack Clark, “Google's Android Generates $31 Billion Revenue, Oracle Says,” Bloomberg, January 21, 2016.）。想要估計安卓系統的營收與獲利，相 當困難且主觀，有個堪稱允當的方法是，把來自Play Store的所有收入（谷歌與開發者三七拆 帳），以及來自行動搜尋廣告及行動展示型廣告的部分收入包含在內。（參見：Nicholas Iovino, “Oracle Wins Chance to See Google Contracts,” Courthouse News Service, January 14, 2016.）。

平台的許多優勢 小米及三星的例子，會是一種伴隨平台持續擴展，變得愈趨明顯的

型態嗎？平台終將制霸每一個產業，吃掉從業者的獲利嗎？這些問題的 答案，「是」與「否」皆有。 平台革命離結束還差得遠，它的衝擊將會十分深遠，像Stripe、 ClassPass、Postmates和Transfix等，這些近年的例子都只是一股重大趨 勢的先鋒，而這股重大趨勢就是：平台將會普及，尤其是那些利用全球 快速進步中的數位基礎設施的平台。這種普及會擴展到其他產業，而且 這股趨勢將會持續下去，因為平台具有明顯的競爭優勢，為參與者帶來 了許多好處。 然而，當然並非所有的商業活動，未來都會發生在平台上，所以平 台並不會全面攻占所有領域。在一些產業中，產品公司將和平台公司和 平共存，在其他產業則是大致上維持不變。值得注意的是，不是只有平 台業主有賺錢的策略，生態系中的其餘業者也有賺錢策略。 不論是單邊或雙邊，平台都將普及得相當快速，它們能夠汲用的網 路效應威力甚大，而且往往能夠自我強化，尤其如果不斷地改進使用者 介面及幕後的演算系統的話。隨著平台成長，這種自我改進將會變得更 加容易，因為成長將為實驗和迭代提供愈來愈大的測試舞台。 如前所述，更大的網路帶來更大的流動性，這或許是任何市場上的 參與者最看重的特性了。更大的網路也產生更多的資料，機敏的平台業 主懂得善用這些資料，以便更了解會員、預測與形塑會員行為，以及為 會員提供營收管理、訂價，還有其他重要活動的先進工具。 不論規模大小，平台本身都能為會員控管使用者體驗與使用者介 面，可以決定要讓用戶看到什麼資訊，執行什麼流程與交易。若平台業 主對這些控管得宜，就會發生兩件重要的事：一，降低或移除防止人們 彼此交易的長期障礙；二，影響交易流量，為平台業主帶來更多益處。

當檸檬變成檸檬汁：降低不對稱性 當一方對交易提案知道的資訊遠多於另一方時，對雙方都不是好 事，因為資訊較少的一方，往往會想著他們是資訊的劣勢方，無法適當 地評估交易提案，於是很容易就會想說與其冒險被敲竹槓，乾脆就不要 做這筆交易了。這真是遺憾，因為在那些錯過的交易當中，至少有一些 其實是對雙方有利的；不幸的是，資訊落差導致這些交易未能成功。 這種資訊不對稱性，不僅對資訊劣勢的一方有害，對整個市場也有 害。經濟學家喬治．艾克羅夫（George Akerlof）1970年發表了一篇經 典文獻〈檸檬市場：品質不確定性與市場機制〉（“The Market for ‘Lemons’: Quality Uncertainty and the Market Mechanism”），[25]探討了相 關概念。艾克羅夫在文中指出，「檸檬」＊的存在（外表看起來不錯， 但實際上有機械問題的瑕疵車），可能使二手車市場大受其害。賣方知 道哪些車是檸檬車，但多數買方並不知道，這種資訊不對稱性將導致二 手車市場規模大不起來且缺乏效率，除非有一些補救方法，例如二手車 商認證，若顧客覺得被騙，就可以退貨還款。 ＊1970年後的車子品質已經大幅改進，因此已經不像當年那麼常聽到「檸檬」一詞，用來形容 瑕疵車。

艾克羅夫指出，在極端情況下，資訊不對稱性可能導致整個市場停 止，完全終止交易。艾克羅夫這項洞見在當時太反直覺、太激進，以至 於他這篇文章一再被頂尖的經濟學期刊退稿，某期刊一位評審解釋： 「我們期刊不刊登這種探討芝麻綠豆主題的文章」，[26]另一位評審則是 對此文的論點不以為然，評論道：「若這篇文章正確的話，那經濟學就 要改寫了」，[27]意思是這篇文章不正確。但是，艾克羅夫的論點是正確 的，資訊不對稱性真有其重要性，所以經濟學改寫了，後來這方面的研

究，為他贏得了諾貝爾經濟學獎。 某人想要一趟市內載乘，一輛陌生的私家車提議載他一程，這應該 算得上是資訊不對稱性最深切或重要的境況之一了。縱使大多數的司機 是完全誠實、可靠的，只要遇上一個壞司機的財務及人身風險性，仍然 是高到令人無法接受。除非能夠克服這種固有的資訊不對稱性，否則私 人搭載市場永遠不可能運作起來。 但是，到了2016年3月，Uber在美國市場每月處理高達5,000萬趟搭 載，[28]絕大多數的Uber司機並非專業司機，只是想用勞力及自家車輛賺 錢的人。 那麼，這塊龐大的市場，如何克服嚴重的資訊不對稱性呢？加州在 2013年通過法規，[29]要求Uber和Lyft之類的網路運輸服務業公司，必須 對參與平台的司機，進行犯罪背景調查。這些檢查當然提供了一些保 障，但不能保障全部，畢竟在還未做背景調查之前，Uber及競爭者Lyft 就已經快速成長了，至於BlaBlaCar，截至2016年8月，都還未對司機做 這類調查。[30] 儘管如此，這些公司使用平台的使用者介面，克服所在市場上充斥 的資訊不對稱性，尤其是請所有參與者在每次交易後給予評價，平台上 會展示每個人累積的評價。＊此外，這些公司都會使用手機的GPS感應 器傳輸的資料，保留每趟搭載的詳細紀錄。 ＊法國的長途共乘服務平台BlaBlaCar，納入特別細緻的評價類別。該公司的名稱，反映出司機 與乘客在個人檔案中選擇的聊天偏好：「Bla」代表不喜歡在車上和他人交談；「BlaBla」代 表喜歡稍微交談一下；「BlaBlaBla」代表非常喜歡聊天。參見：Rawn Shah, “Driving Ridesharing Success at BlaBlaCar with Online Community,” Forbes, February 21, 2016.。

這些簡單的步驟，用知識取代了無知，儘管這些知識並不完全，仍

然對個人及平台有莫大價值，因為提供了迫切需要的資訊對稱性。而 且，這些網路運輸服務業公司持續實驗及創新，例如Uber在2017年初開 始進行抽查，要求司機傳送自拍照，讓公司比對檔案裡的照片，確認是 核准的人在>開車。 經濟學家泰勒．柯文（Tyler Cowen）及艾力克斯．塔巴洛克（Alex Tabarrok）指出，線上平台的使用者評價及其他產品，大大降低了資訊 不對稱性。這種降低得力於智慧型手機、感應器及網路等先進技術的普 及，以及不斷增加的資料量。兩人在合撰的文章中寫道：「在共享經濟 中，許多的交易……使用雙向評價制，亦即顧客評價Uber司機，Uber司 機也評價顧客。縱使欠缺法規與管制，雙向評價制也能支撐大量交 易。」[31] 在Uber及其他例子中，這種「大量交易」有許多來自臨時性質或兼 差性質的司機。這些人有很多會覺得不值得為了賺幾個錢，還要經過什 麼麻煩、費時的傳統背景檢查或政府審核流程，更遑論投資於昂貴的計 程車營業牌照。但是，如果有快速、方便的流程可以獲准當司機，他們 就願意參與，而Uber和其他的相似平台，找到了這麼做的方法。 Airbnb執行長暨共同創辦人喬．傑比亞（Joe Gebbia），稱這種同 儕評價制為「建立信任的設計」（design for trust），[32]並強調這種制度 的另一項益處：可以幫助我們克服個人偏見。我們相信，絕大多數 Airbnb的房東，並不認為自己有種族歧視，但該公司的資料顯示，平均 而言，房東出租給少數族群房客的意願，稍低於出租給白種人的意願。 ＊

但是，總評價優良及評價超過十則的少數族群房客，這種情形就會翻

轉過來，潛在房東反而更可能出租給這類房客，不出租給沒有什麼評價 的白種人。傑比亞說，這是：「好聲譽贏過高相似度。」[33]傑比亞說， Airbnb發現自家平台的使用者介面及使用者體驗：「實際上，有助於克

服我們最根深蒂固的偏見之一──『陌生人等於危險』的偏見。」[34] ＊班傑明．愛德曼（Benjamin Edelman）、麥克．盧卡（Michael Luca）及丹．史沃斯基（Dan Svirsky）所做的一項實驗發現，平均而言，Airbnb的房東在看到新註冊的潛在房客的個人檔 案中，有非裔美國人特有的姓名時，出租意願降低16％。參見：Benjamin Edelman, Michael Luca, and Dan Svirsky, “Racial Discrimination in the Sharing Economy: Evidence from a Field Experiment,” Ben Edelman.org, September 16, 2016.。

當然，平台的評價制度及其他降低資訊不對稱性的機制並不完美， 仍有司機、乘客、房東及房客犯罪，歧視也依舊存在。但是，這些平台 的爆炸性成長顯示，這類問題並未嚴重或頻繁到足以發生艾克羅夫所謂 的那種顯著傷害事業的情形。這有部分得以歸功於聰明的設計和策展， 在這些市場中的檸檬，並沒有多到令人們卻步。 平台可以建立強大的新品牌 平台能夠形塑會員的互動與體驗，這為它帶來了許多優勢。舉例而 言，在雙邊平台上，一邊的消費者和平台本身的往來和關聯，往往比他 們和平台另一邊的企業的關係更為堅實，這非常有助於平台的品牌建 設。對ClassPass的許多會員來說，它已經變成「包含一切」的健身房代 名詞，瑜伽、彼拉提斯、踢拳、室內飛輪等，課程多元、遍布眾多城 市。該公司在本身完全未建立任何實體健身房的情況下，就建立起這樣 的品牌聲譽，相當驚人。任何試圖以傳統方式建立一個健身品牌者，都 得耗費很大工夫，艱辛程度自然不在話下，若這些辛苦建立起來的實體 健身房，被人們視為ClassPass品牌的可替換元件的話，那它們的麻煩就 大了。 倘若歷經時日，這些傳統實體健身房的訂價力量，轉移到平台的手 上，那它們的麻煩可就更大了。品牌做得很好的業主，能夠對供應的產

品和服務索取更高價格，若雙邊平台的業主想把從買方那裡取得的營收 盡可能多保留下來，減少拆分給賣方的比例，那麼自然會造成關係緊 張。許多平台──尤其是想要建立流量與網路效應的新平台，都想要至 少有一個知名、優異的品牌加入；隨著平台成長，業主要的可能就變成 是更多的消費者心占率和實際收益。 為了達到這個目的，平台擁有的最佳武器，就是它們掌控的使用者 介面及數位使用者體驗。單一健身房無法掌控這方面的優異性，這部分 是ClassPass之類的平台建造者的甜區。平台可以使用豐富的工具箱（例 如營收管理系統），左右每個買方能夠看到哪些賣方，以及賣方在平台 上的能見度。這樣說也許並不為過，平台並非沒有可能利用這樣的力 量，來提高較沒有名氣的供應商的能見度，降低較知名品牌的能見度。 這些能力結合起來，使得建立起足夠會員量、流量及品牌知名度的 平台享有巨大優勢。面對平台的這種優勢，許多知名品牌迄今仍然選擇 完全不加入這些雙邊平台。舉例來說，總部位於紐約市的室內飛輪連鎖 健身房SoulCycle，[35]已在美國11州建立營運據點及忠誠顧客；截至2017 年年初，尚未在ClassPass平台上提供任何課程。不過，隨著平台更加普 及，有多少其他品牌會做出類似決策，值得觀察。

平台為何可以供應低價？ 這些決策的另一項重要考量是：雙邊平台偏好的價格通常比賣方 低。為何如此，從表面上不易看出原因，畢竟賣方與平台業主的利益是 一致的，不是嗎？兩者都想要平台的銷售營收最大化，不是嗎？然而， 由於位元經濟學和原子經濟學之間的差異性、需求曲線的特性，以及網 路效應的力量，賣方與平台業主的意圖，有時並不一致。

彈性大；橫條矩形 有些產品的需求，幾乎不會受到價格變動的影響：當急診室的一名 醫師，向你建議一種救命藥時，你不大可能跟她爭論。但是，在某些產 品市場，只要小小的價格變動，就有可能引起需求的巨大變化：當一個 油商把售價提高到超過市價時，即使只是稍微貴了一點點，就沒有人向 他購買了；但要是他把價格調到比市價稍低一點，那就不愁沒有顧客 了。這兩個例子的差別，在經濟學上的術語就是「價格彈性」（price elasticity）：1％的價格變動導致的需求量變動百分比。當然，價格彈性 通常是負數：價格愈高，銷量愈少。 許多產品在不同的價格點上，有不同的價格彈性。舉例來說，牛奶 價格從20美元降至10美元導致的需求量增加，將少於價格從2美元降至1 美元導致的需求量增加。這類產品的需求曲線為一種特別形狀：往右邊 變得平坦，如圖表9-1所示。 假設你是一個只能在這個市場上推出一種產品的供應商，而且多賣 出一個單位產品的成本為零，你的產品訂價應該是多少？答案是：使營 收最大化的價格，亦即使「p×q」這塊矩形面積＊1最大化的價格，因為 營收等於價格乘以數量。需求曲線像圖表9-1的產品，其最大矩形是底 部長而低的矩形；換言之，營收最大化的價格非常低。

圖表9-1 大多數的需求曲線並非直線，有時是上面這種形狀

顯然，市內載客服務就是這樣的例子，當Uber降低價格時──首先 降低UberX價格，接著降低UberPool價格（或許最終也會降低私家車載 客價格），需求量大增。＊2Uber當然是非常想要以極低價格來滿足需 求，因為這麼做，可以使營收最大化。 ＊1參見第7章圖表7-3對p×q（價格×數量，或營收）矩形的說明。 ＊2Uber、牛津大學，以及芝加哥大學的經濟學家，在2016年進行了一項研究，使用美國四座城 市近5,000萬趟的UberX載乘，估計這項服務的實際需求曲線。結果顯示，需求曲線的確隨著 價格降低而趨於平坦。參見：Peter Cohen et al., “Using Big Data to Estimate Consumer Surplus: The Case of Uber,” August 30, 2016.。

但是，在雙邊市場中，需求曲線只是整個故事的一小部分而已。為

了更了解Uber的訂價決策，我們得回顧第6章討論WhatsApp時介紹的網 路經濟學。跟WhatsApp一樣，Uber也受益於網路效應；但不同於 WhatsApp、電話、傳真或其他許多網路的是，Uber是一種雙邊網路。 雙邊性質是許多現代平台的核心特色，具有一些反直覺的經濟性質。 你是哪一邊的用戶？ Uber實際上為兩群不同的使用者，提供了兩套不同的應用程式，一 套是給乘客的應用程式，讓他們召喚司機，另一套是給司機，讓他們尋 找乘客。Uber叫車應用程式的用戶，並不會因為其他人也註冊使用這套 應用程式而直接獲益，這點不同於單邊網路的WhatsApp。 這些使用Uber應用程式叫車的人，關心的是另一邊使用不同應用程 式尋找乘客的司機數量，司機更多才能提高找到附近空車的機會，也才 能吸引更多用戶使用，使這個應用程式的需求曲線往外移。需求曲線不 外移，就不會有多少需求：一套叫車應用程式若有數百萬名用戶，卻連 結不上半個司機的話，對這些叫車者來說就沒什麼吸引力了。同理， Uber司機並不會因為其他司機註冊使用這套應用程式而直接獲益，但用 Uber來叫車的乘客愈多，對這些司機愈有益。 像Uber司機與乘客這樣的雙邊網路並不獨特，信用卡使用者及商家 也構成了一個雙邊網路，若到處都有商家接受Visa卡，但接受發現卡的 商家沒有那麼多，那麼縱使發現卡不須年費，許多消費者仍會偏好持有 Visa卡，而更多的消費者人數，又會使Visa卡對商家更具吸引力。 Airbnb也是雙邊網路，吸引男女尋求舞伴及羅曼史的夜店也是。另 外，還有安卓行動應用程式與安卓系統裝置，電腦作業系統與系統程 式，電玩遊戲軟體與遊戲機，全部都是雙邊網路的例子。在每一個例子 中，市場一邊的使用者因為另一邊的使用者增加而獲益，聰明的中介者

或平台業主當然了解這些關連性，並且據此來經營管理兩邊，這往往意 味的是聚焦於招募某一邊的使用者，藉此吸引另一邊的使用者。 如果你不了解雙邊網路的獨特經濟性質，可能會覺得它們的訂價策 略相當激進、甚至看似荒謬，尤其是網路一邊的需求量變化，可能會影 響到另一邊的需求。我們再回頭看看Uber對乘客降價的例子，當然，如 前所述，價格降低將使乘客數量增加。但是，降價還有第二層重要的影 響，也會使這個平台對司機的吸引力提高，因為他們看到更多新乘客湧 入。網路一邊的價格降低，增加了雙邊的需求量，每一個降價都創造了 額外效益。 足夠了解雙邊網路經濟學的公司，就能業績長紅。舉例而言，信用 卡為消費者及商家提供有價值的服務，理論上，發卡機構可以向這個市 場的雙邊使用者收費，它們有時也的確這麼做：對持卡人索取年費，對 商家索取2％或更高的手續費。事實上，在早年，幾乎所有發卡機構都 對持卡人索取費用，將使用信用卡當成一種榮幸、特權。但是，漸漸 地，為了提高需求，就不再對持卡人索取費用，因為若有更多人使用信 用卡消費，它們就能從另一邊的商家賺到更多手續費。降低或免除持卡 人年費及其他費用，不僅能提高信用卡的市占率，也能提高自己對商家 的吸引力，以及伴隨而來的手續費收入。 如果免費提供信用卡，能夠提高需求，為何不更進一步？如果對消 費者的收費「低」於零，會不會更有益呢？許多信用卡公司得出的結論 是：會。所以，這些信用卡公司對刷卡消費的顧客，提供1％或更多的 現金回饋，或是里程兌換獎勵等。有些信用卡公司甚至對刷卡顧客，直 接給予現金紅利。對普通產品或服務索取負價格是沒道理的，但對一個 雙邊市場來說，可能是很有道理、可永續經營的獲利策略。

用免費來鎖住他們 還有其他重要的戰術與戰略決策，舉例來說，在信用卡市場上，為 何總是補貼消費者，向商家索費，而不是反過來？有一項重要的考量 是，我們先前提到的需求彈性：稍微降低一點價格，能使你多獲得多少 使用者；反過來，稍微提高一點價格，將使你失去多少使用者？明智的 策略是：市場哪一邊的彈性大，就降低那一邊的價格；哪一邊的價格彈 性小，就提高那一邊的價格。此外，第二項考量因素是交叉彈性（cross elasticity）：當你降低市場一邊的價格時，將對市場另一邊產生什麼影 響？交叉彈性愈大，代表對另一邊市場的影響就愈大。 以信用卡市場來說，在這些考量因素下，會傾向降低消費者這邊的 價格，提高商家那邊的價格。很多消費者會因為費用低、免費、甚至負 價格而辦卡，有大量的持卡人就會促使更多商家接受信用卡，縱使必須 支付稍微高於他們意願的手續費，最終結果就是平台業主取得更高的市 占率及獲利。 還有一項因素，也可能明顯影響到雙邊網路及較簡單的單邊網路的 訂價，那就是轉換成本（switching costs）。如果很容易從一個網路轉換 到另一個網路，業者就不會有那麼大的興趣砸錢吸引用戶了，因為用戶 可能將誘惑獎勵落袋之後，隔天就轉往另一個網路。如果轉換成本 高，[36]他們在加入你的網路之後，就更可能發生從眾效應（bandwagon effect），其他用戶也會跟著加入。縱使最初提供的獎勵誘因消失了， 用戶也不大有興趣換到別的網路，不只是因為轉換成本高，也是因為考 量到留在這個網路上的其他用戶，經濟學家稱此現象為：這些使用者被 「鎖住」（locked in）。 根據定義，當網路效應重要時，相較於規模較小的網路，規模較大 的網路對新用戶的吸引力更大，因此最大的網路，最容易吸引到更多用

戶，進一步增強優勢。換言之，當網路效應強烈時，市場有贏家通吃的 傾向，而這種現象促成建立網路事業時的另一項降價誘因，至少在一開 始時傾向以降低價格來加速擴大網路規模。 所有這些效應可能相互作用，因此在對市場的兩邊提供適當誘因 時，必須小心拿捏平衡。若一個平台的業主，試圖從市場的一邊汲取太 多價值，這邊的參與者可能會開始離開，這當然會導致對另一邊的參與 者吸引力下降，雙邊網路的巧妙良性循環就會變成惡性循環，導致市占 率逐漸下降。 此外，平台公司不能只聚焦於訂價，還有其他種種層面要管理，包 括使用者介面與使用者體驗、評價制度、行銷預算、核心網路技術。最 成功的平台業主，會謹慎策展市場每一邊參與者獲得的價值，而且不會 太貪婪。 在了解雙邊市場的邏輯之後，下一步就是把它應用到多邊市場上。 雙邊市場往往會變成多邊市場，因為有數十個、甚至數千個子群透過平 台互動。舉例來說，iTunes是在iPhone上取得音樂的好管道，當愈多藝 人把音樂放到iTunes上，就愈吸引人們購買iPhone。這是一個很棒的雙 邊網路，但iPhone銷售量的增加，不僅使iTunes更吸引音樂藝人，也提 高了這個平台對開發商如Pandora、Waze、Uber、Lyft、Evernote、部落 衝突（Clash of Clans），以及其他每一種行動應用程式的價值。一個平 台上有更多應用程式，就愈能吸引更多用戶；一個多邊網路每新增一個 業者，就算新的業者對不同消費者銷售不同產品，多邊網路上的每個業 者都會獲益。 平台的威力之所以如此強大，原因之一就是這些交互作用。一項產 品的使用者對另一項產品的交叉彈性，就個別使用者來說可能很小，但 在免費、完整、即時的數位產品與服務世界裡，每個用戶的用量小小增

加，若是乘上數百萬、數千萬個使用者，為平台及所有參與者形成了莫 大優勢。正因此，有成效地策展整個生態系，不僅能為平台業者創造價 值，也能為每個參與者創造價值。 豪賭百億美元於平台經濟特性 讓我們再回到Uber的例子，看看這些因素如何相互作用，在這個例 子中，這種交互作用就是強化彼此。首先，Uber降低價格，載客次數增 加，這就如同任何普通產品的公司降低產品售價時，會刺激需求量增 加。Uber載客的需求彈性大，有利於Uber訂定落於橫條矩形的價格。第 二，由於Uber是雙邊網路，需求增加不僅影響叫車乘客，也提高了對司 機的需求。事實上，當乘客數量增加、因此密度提高時，每位司機的空 車時間將減少，每小時能夠賺到更多錢。第三，轉換成本使Uber在早期 階段進行大投資以擴大網路規模，吸引更多叫車乘客及司機加入。 Uber的投資人打賭雙邊網路效應及轉換成本夠大，值得投資數百億 美元，鼓勵乘客及司機加入平台。每個地區的市場，都有當地的網路效 應，這使得Uber的策略增添複雜性。Uber在紐約市或印度新德里是否有 很多司機，對在北京用Uber叫車的乘客並無影響；換言之，Uber的戰場 並非屬於大贏家通吃型，必須在世界各地獲得無數小贏，網路效應因為 地區不同而顯得較為微弱，有些地方贏、有些地方輸。 在建設平台時，Uber有兩大優勢。首先，它有一群口袋深、有耐心 的投資人，願意支援Uber擴大規模所需要的成本。這些早期成本相當可 觀，包括技術發展、行銷、招募司機、人事等成本，據估，截至2016年 7月，Uber已經以貸款和募資形式，取得超過150億美元來支應全球成 長。[37] 投資人願意供輸這些資金，是因為他們看出了Uber的第二大優勢：

如果他們啟動了網路效應、成功擴大規模，在全球媒合一趟載客的邊際 成本將會極低，位元經濟免費、完整、即時的經濟特性將發揮支配力， 可以支持索取很低的價格。所以，從理論上來說，Uber可以靠索取低價 使總營收最大化而仍然賺錢；擁有這樣一個制霸的平台，將使該公司創 造足夠價值，回報那些支持早期成長階段的投資人。 這個理論已經在一些平台公司奏效，強烈例示了數位平台及位元經 濟學，非常適用於需求彈性大的市場，亦即在需求曲線末端具有大潛力 的市場。當然，縱使是平台經濟特性，也不能免疫於新競爭、經營管理 上的錯誤或科技變遷；現今的成功平台，沒有一個有本錢可以志得意滿 輕視這些。 原子世界的考驗：平台價格可被容許嗎？ 成功平台對消費者來說是非常棒的東西，瞧瞧圖表9-1的營收矩形 上方，有多大的消費者剩餘；但是，對那些馳騁於原子經濟裡的從業 者，可是帶來了莫大的挑戰。對經營計程車及其他車輛的公司來說，市 內載客的邊際成本顯然不是零，連接近零都差得遠，因為汽油和司機的 勞力都是得付錢的，因此多數公司都偏好經營需求曲線的較高區段，亦 即價格較高的區段，儘管那個區段的總需求量較少。 有兩股力量會推動價格下滑，一是消費者，他們當然希望價格愈低 愈好，所以會站在尋求快速成長的平台創建者這邊。至於第二股力量 是，在多數市場上，除了許多供給者會競爭生意，還有許多潛在的供給 者等著接手。通常，平台因為讓進入門檻降低，導致競爭變得激烈，它 們往往將供給者商品化，使它們變得對消費者來說更易於替換。當然， 競爭和商品化通常會把價格往下推，把生意推向願意以最低價格供應產 品、但仍維持一定品質的公司。簡言之，平台建造者和消費者都想要低

價，而供給者之間的競爭往往導致低價，由於平台通常具有提高利用率 及效率的潛力，所以能把價格推得更低。

抵擋破壞：舊實務運作之處 在本書的第二部，我們討論的是網路平台的超凡破壞力。在一個又 一個產業，網路平台顛覆了既有從業者，動搖價格與獲利，並且支持重 要的新公司崛起。網路平台利用網路效應與位元經濟特性，控管使用者 介面與使用者體驗，它們偏好的價位往往為既有從業者帶來痛苦，這些 結合起來，使網路平台公司具有莫大優勢。 但是，這些優勢將無法超越，而且全面普及嗎？也就是說，平台將 普及所有領域，全面席捲世界、摧毀舊型公司，或是把它們逼到它們曾 經立足的低利潤牆角嗎？如前文所述，在過去二十年間，這是一再發生 的情形，我們也預期將會有更多這種情形發生；平台帶來的改變，還未 結束。 然而，平台將不會顛覆及摧毀既有的一切，它的破壞潛力既大又真 實，但並非無窮。舉例而言，儘管Airbnb擴展得既快又廣，許多飯店還 是繼續經營得很好；旅宿業標竿分析公司STR的研究發現，[38]美國飯店 業總住房率在2015年及2016年創新高。而且，這些高住房率並非都是透 過低價達成的，洛杉磯的飯店房價在2015年漲了8％，[39]儘管Airbnb租 房占了當年該市所有旅宿供應的12％。

Airbnb為何不會完全取代飯店？ 為什麼平台已經大肆破壞了世界各地的載客運輸業，但沒有摧毀傳 統的飯店業呢？原因是，市內載客的體驗，大致上是無差異性的，但旅

宿體驗不同，而平台特別善於在產品與服務差異性不大的領域顛覆在位 者。 無論是居民、觀光客及商務旅客，在前往城市的某地時，基本上都 有一個相同目的，那就是希望快速、安全、便宜地抵達目的地。車輛的 奢華與舒適度，有時具有重要性（例如要載的是公司的客戶時，想證明 很重視這筆生意），但在大多數的時候，奢華與舒適度不重要，夠乾淨 就行了。對這些人來說，順利叫到一部Uber車就能達成目的，因為他們 的目的非常相似。我們兩個人的體驗可以為證，在我們居住的波士頓， 以及我們為商務或休閒去過的世界各地，我們用了無數次的Uber叫車， 如果出現的是賓士S級車或豐田Prius，那自然是加分，但基本上不會改 變有效率地從A地到B地的價值主張。 反觀，住宿處對旅人而言就大不相同了，這些差異具有重要性及影 響。經濟型旅客想要在一個有趣的街區或社區找到便宜住房，往往也想 要當地人提供活動建議；但是，前往市中心參加研討會的典型商務旅 客，多半想要有洗衣服務、健身房、會議室，早上還有咖啡送到房間。 Airbnb是個幫助觀光客找到住房的理想平台，但坦白說，對那些實際上 需要飯店及種種服務的商務旅客來說，Airbnb就不大合用。若一家公司 想要舉辦研討會，需要大會廳、會議室、餐飲服務，以及協助安排種種 事務，那就幾乎完全不能使用Airbnb了。 這種差別凸顯了一項事實：在每座城市，載客運輸近似一種單一產 品市場，但市內旅宿則顯然不是。Airbnb平台基本上是在市內旅宿市場 推出了第二種產品，瞄準那些希望下榻處有別於傳統飯店，而且價格更 便宜的人們。這項產品──各種短期民宿，通常內含與房東互動──相當 受到歡迎，擴大了旅宿市場，不是吃掉它。 Airbnb平台對飯店業造成的破壞，發生在我們預期的地方，也就是

兩種產品的交界處。經濟學家吉奧吉斯．澤瓦斯（Georgios Zervas）和 大衛．普羅瑟皮歐（Davide Proserpio）的研究發現，德州奧斯汀市 （Austin）五年間的飯店業總營收衰退，其中10％的營收衰退是Airbnb 造成的衝擊，[40]但是：「這些衝擊分布得並不均勻，衝擊最大的是價位 較低的旅館，以及那些並非服務商務旅客的飯店。」 持久的差異化 有幾項因素使飯店不至於變成無差異性的單一產品市場，因此比較 能夠抵擋得住平台的破壞力量。商務旅客通常想投宿在特定地點，或是 有他們喜愛的酬賓方案的連鎖飯店；此外，各類旅宿房間的設施及舒適 度，有重要的巨大差異性，有一些專門迎合家庭旅客，或是停留天數較 長的旅客。在第一波電子商務熱潮中，Priceline建立的平台，忽視了許 多這類差異性，完全只根據旅客對特定等級客房願意支付的價格來媒合 供需。這種方法遭到許多飯店公司強烈抗拒，最終式微，現在的 Priceline經營的是一個較傳統風格的旅遊網站（如第2章所述，用嚴謹的 方法，透過測試及實驗來改良網站。）比較近期一點的，像是Hotel Tonight之類的平台，則是媒合當天的旅客和當晚仍有空房的飯店，這項 服務提升了飯店的住房率，但似乎還未能對產業造成大撼動。 當實體產品與服務能夠差異化，特定公司或品牌能夠鎖住顧客時， 平台的顛覆潛力可能有限。除此之外，還有什麼別的因素，可能限制平 台的顛覆潛力呢？嗯……，美國國防部似乎不大可能到數位平台上，尋 找軍方的下一款戰鬥機或潛水艇，因為這個市場只有極少數的可能參與 者（只有一個買方和很少幾個賣方）；再者，這種交易極為複雜，需要 大量溝通。參與者少且供應物很複雜的市場，可能屬於最不會受到平台 衝擊的市場之列，因此設計與興建一座發電廠，對大型購併案提供顧問 服務，把藝術品從世界各地運送到某一博物館展覽的所有細節協調工

作，像這類活動的執行方式可能繼續照舊，不會遭到數位平台破壞或取 代。

本章摘要 ✔伴隨平台普及一個產業，它們可能攫取很多、絕大部分，甚至全部 的價值。 ✔平台能夠成功攫取及創造價值，一部分是因為它們降低了以往阻礙 有益交易發生的資訊不對稱性。 ✔許多平台的成功之鑰，是雙邊網路的力量。一邊的顧客及產品決 策，將顯著影響另一群不同顧客對另一組不同產品的需求。 ✔雙邊網路平台還可以發展成多邊網路，擴大交叉彈性的角色。 ✔轉換成本可能暫時鎖住顧客，這增加了網路在初期投資擴大市占率 的誘因，以便收割後面的利益。 ✔伴隨平台成長，從業者可能變得像公用事業那樣，獲利及成長機會 都減少。 ✔高人氣平台可以快速建立強大品牌，這有時導致它們嘗試降低其他 從業者品牌的價值。 ✔當實體產品與服務能夠差異化，而且可以鎖住顧客時，O2O平台的 破壞潛力就比較有限。

延伸思考題

1. 在你所屬的產業裡，未來三到五年內，產品與平台結合的一些可能 情境包含哪些？ 2. 如果你們產業內的資訊不對稱性降低，會開啟什麼新機會與新事 業？ 3. 為了避免平台可能將從業者商品化或使價格降低，你們主要的策略 有哪些？ 4. 若你們正在建立雙邊或多邊網路，會願意讓哪一邊（哪些邊）的參 與者免費加入，甚至補貼他們？哪一邊具有最大的需求彈性？ 5. 當平台在你們所屬的產業內普及時，你們有信心可以繼續保持產品 與服務的差異化嗎？如果有，為什麼？你們的持久差異化始於哪些 特點？

1. Uber, [Our Story], accessed February 5, 2017, https://www.uber.com/our-story. 2. Leena Rao, UberCab Takes the Hassle Out of Booking a Car Service, TechCrunch, July 5, 2010, https://techcrunch.com/2010/07/05/ubercab-takes-the-hassle-out-of-booking-a-car-service. 3. Fast Company, Travis Kalanick, the Fall and Spectacular Rise of the Man behind Uber, South China Morning Post, September 25, 2015, http://www.scmp.com/magazines/postmagazine/article/1860723/travis-kalanick-fall-and-spectacular-rise-man-behind-uber. 4. 同上注。 5. Alexia Tsotsis, Uber Opens Up Platform to Non-limo Vehicles with ‘Uber X,’ Service Will Be 35% Less Expensive, TechCrunch, July 1, 2012, https://techcrunch.com/2012/07/01/uber-opensup-platform-to-non-limo-vehicles-with-uber-x-service-will-be-35-less-expensive. 6. Alex, Announcing UberPool, Uber Newsroom (blog), August 5, 2014, https://newsroom.uber.com/announcing-uberpool. 7. James Temperton, Uber's 2016 Losses to Top $3bn According to Leaked Financials, Wired, December 20, 2016, http://www.wired.co.uk/article/uber-finances-losses-driverless-cars. 8. Andrew Ross Sorkin, Why Uber Keeps Raising Billions, New York Times, June 20, 2016, https://www.nytimes.com/2016/06/21/business/dealbook/why-uber-keeps-raising-billions.html. 9. UCLA Labor Center, Ridesharing or Ridestealing? Changes in Taxi Ridership and Revenue in Los Angeles 2009–2014, Policy Brief, July 2015, table 1, p. 3,

http://www.irle.ucla.edu/publications/documents/Taxi-Policy-Brief.pdf. 10. Tom Corrigan, San Francisco's Biggest Taxi Operator Seeks Bankruptcy Protection, Wall Street Journal, January 24, 2016, https://www.wsj.com/articles/san-franciscos-biggest-taxi-operatorseeks-bankruptcy-protection-1453677177. 11. Simon Van Zuylen-Wood, The Struggles of New York City's Taxi King, Bloomberg BusinessWeek, August 27, 2015, https://www.bloomberg.com/features/2015-taxi-medallionking. 12. Uber Fined in France over UberPop, BBC News, June 9, 2016, http://www.bbc.com/news/business-36491926. 13. Why Fintech Won't Kill Banks, Economist, June 17, 2015, http://www.economist.com/blogs/economist-explains/2015/06/economist-explains-12. 14. 同上注。 15. Juro Osawa, Gillian Wong, and Rick Carew, Xiaomi Becomes World's Most Valuable Tech Startup, Wall Street Journal, last modified December 29, 2014, https://www.wsj.com/articles/xiaomi-becomes-worlds-most-valuable-tech-startup-1419843430. 16. Eva Dou, China's Xiaomi under Pressure to Prove Value to Investors, Wall Street Journal, January 10, 2016, https://www.wsj.com/articles/chinas-xiaomi-under-pressure-to-prove-value-toinvestors-1452454204. 17. Eva Dou, Xiaomi Ends 2015 as China's Smartphone King, Wall Street Journal, February 1, 2016, http://blogs.wsj.com/digits/2016/02/01/xiaomi-ends-2015-as-chinas-smartphone-king. 18. Kevin Kelleher, Once a Darling, Xiaomi Is Facing Tough Questions about Its Future, Time, March 21, 2016, http://time.com/4265943/xiaomi-slowdown. 19. David Gilbert, How Xiaomi Lost $40bn: Where It All Went Wrong for the ‘Apple of the East,’ International Business Times, August 18, 2016, http://www.ibtimes.co.uk/how-xiaomi-lost40bn-where-it-all-went-wrong-apple-east-1576781. 20. 同上注。 21. James Titcomb, Samsung Mobile Phone Sales Fall to Lowest Level in Five Years, Telegraph, January 24, 2017, http://www.telegraph.co.uk/technology/2017/01/24/samsung-mobile-phonesales-fall-lowest-level-five-years. 22. Philip Elmer-DeWitt, How Apple Sucks the Profit Out of Mobile Phones, Fortune, February 14, 2016, http://fortune.com/2016/02/14/apple-mobile-profit-2015. 23. Mikey Campbell, Apple Captures More than 103% of Smartphone Profits in Q3 despite Shrinking Shipments, November 3, 2016, http://appleinsider.com/articles/16/11/03/applecaptures-more-than-103-of-smartphone-profits-in-q3-despite-shrinking-shipments. 24. Joel Rosenblatt and Jack Clark, Google's Android Generates $31 Billion Revenue, Oracle Says, Bloomberg, January 21, 2016, https://www.bloomberg.com/news/articles/2016-01-21/google-sandroid-generates-31-billion-revenue-oracle-says-ijor8hvt. 25. George A. Akerlof, The Market for ‘Lemons’: Quality Uncertainty and the Market Mechanism, Quarterly Journal of Economics 84, no. 3 (1970): 488–500, https://doi.org/10.2307/1879431.

26. George A. Akerlof, Writing the ‘The Market for Lemons’: A Personal and Interpretive Essay, Nobelprize.org, November 14, 2003, http://www.nobelprize.org/nobel_prizes/economicsciences/laureates/2001/akerlof-article.html. 27. 同上注。 28. Eric Newcomer, Lyft Is Gaining on Uber as It Spends Big for Growth, Bloomberg, last modified April 14, 2016, https://www.bloomberg.com/news/articles/2016-04-14/lyft-is-gaining-on-uberas-it-spends-big-for-growth. 29. Tomio Geron, California Becomes First State to Regulate Ridesharing Services Lyft, Sidecar, UberX, Forbes, September 19, 2013, http://www.forbes.com/sites/tomiogeron/2013/09/19/california-becomes-first-state-to-regulateridesharing-services-lyft-sidecar-uberx/#6b22c10967fe. 30. BlaBlaCar, Frequently Asked Questions: Is It Safe for Me to Enter My Govt. ID? accessed February 6, 2017, https://www.blablacar.in/faq/question/is-it-safe-for-me-to-enter-my-id. 31. Alex Tabarrok and Tyler Cowen, The End of Asymmetric Information, Cato Institute, April 6, 2015, https://www.cato-unbound.org/2015/04/06/alex-tabarrok-tyler-cowen/end-asymmetricinformation. 32. Joe Gebbia, How Airbnb Designs for Trust, TED Talk, February 2016, 15:51, https://www.ted.com/talks/joe_gebbia_how_airbnb_designs_for_trust?language=en. 33. 同上注。 34. 同上注。 35. SoulCycle, All Studios, accessed February 6, 2017, https://www.soul-cycle.com/studios/all. 36. 例如，可參見：Paul Klemperer, Markets with Consumer Switching Costs, Quarterly Journal of Economics 102, no. 2 (1987): 375–94；Joseph Farrell and Garth Saloner, Installed Base and Compatibility: Innovation, Product Preannouncements, and Predation, American Economic Review (1986): 940–55. 37. Douglas MacMillan, Uber Raises $1.15 Billion from First Leveraged Loan, Wall Street Journal, July 7, 2016, https://www.wsj.com/articles/uber-raises-1-15-billion-from-first-leveraged-loan1467934151. 38. Bill McBride, Hotels: Occupancy Rate on Track to Be 2nd Best Year, Calculated Risk (blog), October 17, 2016, http://www.calculatedriskblog.com/2016/10/hotels-occupancy-rate-on-trackto-be_17.html. 39. Hugo Martin, Airbnb Takes a Toll on the U.S. Lodging Industry, but Los Angeles Hotels Continue to Thrive, Los Angeles Times, September 26, 2016, http://www.latimes.com/business/la-fi-airbnb-hotels-20160926-snap-story.html. 40. Gregorios Zervas, Davide Proserpio, and John W. Byers, The Rise of the Sharing Economy: Estimating the Impact of Airbnb on the Hotel Industry, last modified November 18, 2016, http://cs-people.bu.edu/dproserp/papers/airbnb.pdf.

第三部

核心與群眾

第10章

群眾快速崛起 我希望，我們未來的資料庫與歷史檔案，不會讓高科技傳統的層級 體制和錯誤的規律性，凌駕於人類生活那熱鬧、迷人的混亂無序之 上。 ──提爾多．尼爾森（Theodor Nelson） 資訊科技先驅暨社會學家，2008年

在全球資訊網躍進成為主流不久前，新聞工作者暨知名作家羅伯 特．萊特（Robert Wright），[1]預測了它最重要的結果之一。萊特寫了 一篇名為〈美國之聲〉（“Voice of America”）的文章，刊登於1993年9 月13日出刊的《新共和》雜誌上，敘述他造訪線上主題討論群Usenet的 觀察心得。1990年代初期的Usenet軟體，使用起來非常不友善，光是連 線上網就相當困難，要到很久以後的未來，可靠的寬頻連線才問世。儘 管有這些不便的障礙，萊特發現，線上討論組群非常活躍，他描述： 「大多數的新聞組群參與者，都是很認真的人，來找他們需要或真正想 要的溝通。雖然交談水準不均，但通常都很高。」[2] 萊特在文中精闢評論了線上交談，以及未來將流行的網路文化的許 多層面，從容易尋找共同興趣到表情符號等。對那些關心網路會影響商 業世界的人來說，萊特最重要的洞察，是關於問題獲得解答的容易度。 他提出的問題是：「為什麼一套高爾夫球的標準球桿，不再包括2號鐵 桿？」結果，他在四十八小時內，獲得了幾十個回答。

萊特提出的問題，獲得了一個「貌似有理的回答」；＊除此之外， 他還有另一項洞察：比起問題獲得解答的能力，更重要的是，是「誰在 回答？」這個現象。他在文中寫道：「網路改變了人際互動原有的一些 限制，距離不再是一種阻礙，種族也不再重要，不管你是個身材魁梧的 男性，或是正值適婚年齡的女性，都不會影響你獲得的尊重……，這促 進了更自由、真正擺脫現實的心智交流。」[3] ＊萊特在文中沒有寫出答案，我們的答案是：因為2號鐵桿真的太難用了。

在多數人對網路世界只有糢糊概念的1993年，萊特對這個世界產生 了一項非常重要的洞見：這是一項前所未有的工具，匯集了來自世界各 地不同人們的各種知識。知識的大量匯集非常寶貴，因為人們可以容易 取用，因而變得更聰明。

人人都可參與的世界 匯集知識，這是圖書館這個最古老、最持久的文明機構的背後概 念。圖書館是君主、教會、民選政府及慈善家資助創建的，圖書館人員 通常是訓練有素的專業人士，會挑選、編排及維護館藏，他們是我們所 謂的「核心」（core）的一個良好例子。在本書，我們對「核心」的定 義是：在網際網路之前紀元的支配性組織、機制、團體與流程。首先， 要釐清的一點是，我們並不認為「核心」不好或過時；我們使用過、也 受益於圖書館，而且對麻省理工學院優異的圖書館系統非常引以為傲。 萊特預見的是，與「核心」相對的「群眾」（crowd）崛起，儘管 他當時無法預料到群眾的規模與崛起速度。我們對「群眾」的定義是： 網際網路及相關技術所促成的新參與者與新實務。現今的全球資訊網， 是一座由群眾共同打造、維護的圖書館，規模龐大、不斷蔓生、擴增、

持續變化。就跟群眾幾乎所有的層面一樣，是由免費、完整、即時的位 元經濟特性促成；事實上，它高度倚賴這些經濟特性，要是我們每次取 用或擴增現在的全球資訊網都必須付費的話，它不會存在。 全球資訊網與世上的圖書館之間的差異性，凸顯了群眾與核心是多 麼地不同。首先，網路更龐大許多。據估，整個人類史上，總計出版了 1.3億種書籍，[4]其中約3,000萬種可在華盛頓特區的美國國會圖書館這個 全球最大的實體圖書館中取得。[5]反觀，截至2015年為止，現代搜尋引 擎可以搜尋到的網頁，已經將近450億頁，[6]私下能夠取得的網頁數量更 多。拜谷歌及其他引擎的努力掃描所賜，網路現在也包含那些實體書籍 當中至少2,500萬種的數位版。[7] 網路世界也產生了許多其他形式的資訊。圖書館通常具有某種程度 的專業性──書籍、地圖、檔案紀錄等，但網路世界包羅萬象，舉凡文 本、音樂、相片、播客、影片、虛擬實境等，應有盡有，而且在網路上 的這些東西，無時無刻不在增加中。舉例而言，據估，光是YouTube上 就有8,000萬支影片，[8]還有更多影片在臉書和其他網站上。沒人「管 理」這片內容大海；沒有人或委員會決定需要再多一個分享相片的平 台，或是負責審查發表部落格、推文或各種動態消息的媒體平台。「核 心」的特徵是政府機構、審核流程、有官方權利說「不」的人或團體； 反觀「群眾」，這些東西就大大減少（雖然還是有一些非常具有影響力 的資訊中介者。） 不受約束的群眾 像這種沒有層級體制的組合體，無可避免的一個結果就是，群眾遠 遠比核心更不受約束。這是本質，也是刻意去中心化、無管束化，這種 結構促成自由表達與創新，是好事。

當然，也有不好的時候。群眾的不受約束，帶來了兩個難題：一， 在無數的資訊自由貢獻匯入無拘的資訊汪洋之後，可能很難找到你想要 的資訊。為了解決這個問題，核心仰賴的方法是策展內容──控管匯入 的資料，運用人類的智慧加以組織、編排；因此，圖書館有採購部門及 卡片目錄，雜誌有編輯和目錄等。在全球資訊網問世後的早年間，許多 人和組織嘗試把一些類似的方法，應用在群眾生成的內容上。Yahoo這 個頭字語，原為「Yet Another Hierarchically Organized Oracle」（另一 個層級體制式組織而成的神諭），成為重要且著名的一種網路卡片目 錄，是由人類創造、維護的網站目錄及子目錄。＊ ＊在雅虎這種網路策展人的角色式微之後，存在的理由也隨之消失。威訊公司（Verizon）在 2016年收購該公司，收購價格被稱為「科技史上最悲哀的50億美元收購價」，參見：Brian Solomon, “Yahoo Sells to Verizon in Saddest $5 Billion Deal in Tech History,” Forbes, July 25, 2016.。

但是，雅虎及同類公司，很難跟得上線上內容指數型爆炸成長的速 度。許多觀察家覺得，全球資訊網很快就會變成（或者早已是）慣性的 混亂堆，如同數學家暨作家約翰．艾倫．鮑洛斯（John Allen Paulos） 早年的觀察：「網際網路是全球最大的圖書館，只是館藏圖書全都散放 在地上。」[9] 對於這個問題的解方，非常出人意料的是，竟然來自線上內容本 身。當時仍就讀史丹佛大學電腦科學所的賴利．佩吉（Larry Page）與 塞吉．布林（Sergey Brin）發現，網路上許多（甚至可說是大部分）的 內容，使用連結方式指向其他內容；這不足為奇，畢竟提姆．柏納茲． 李之所以把它取名為「web」，就是基於這個理由。他們猜測，這些連 結可被用來建立一個線上所有內容的索引，某一特定主題最「好」的網 頁，會被最多其他網頁連結。其實，就某種程度來說，這正是學者建立

學術聲譽的方式：誰的文獻最常被其他文獻引用，就是最具指標性的。 不過，佩吉和布林加入了一項聰明設計，權衡每個網頁連結的重要性。 佩吉和布林發展出來的演算法，創造出每個網頁的排序，稱為「網 頁排名」（PageRank）。他們在1998年4月，在澳洲布里斯本舉行的第 七屆全球資訊網國際研討會（International World Wide Web Conference）上，發表了敘述此方法的論文〈大規模超文本網路搜尋引 擎剖析〉（“The Anatomy of a Large-Scale Hypertextual Web Search Engine”）。[10] 1998年9月，他們在矽谷創辦了一家公司，把這個方法化為現實， 公司原名為BackRub，後來改名為Google。 谷歌改變了世界，他們知道，群眾產生的線上內容雖然不受約束， 但並非無法編排。實際上，這些內容有極繁雜、細密的結構，但不是由 任何人類核心群體有意決定的。使用谷歌的「網頁排名」演算法及其他 相關演算系統分析後，內容本身會出現一種結構。如果內容變化、成長 的話，這種結構就會跟著變化、成長，讓我們能輕易平順徜徉於群眾生 成的內容大海中。 群眾不受約束帶來的第二項難題是，有些群眾的行為不當，會造成 傷害。核心能把行為不當者逐出公司、圖書館或薪資名冊，網路不能； 畢竟，只要使用另一個名稱或IP位址，＊或是乾脆匿名隱藏，總之就是 太容易進入了。因此，如同第8章所述，網路上有太多仇恨言論、壞行 為與犯罪。 ＊IP位址，就是「網際網路通訊協定位址」，所有裝置進入網路時使用的一組號碼。

這類行為雖然令人苦惱，但對群眾這個概念並無毀滅性傷害。首

先，絕大多數參與其中的人，並非行為不當者，我們本諸善意創造與貢 獻，因此好內容遠遠多於壞內容。其次，谷歌之類的強大搜尋工具，把 壞內容推得更加遠離人們的視線，而且網路上人氣最高的平台建造者， 大致上都採行開明的方法，遵循維基百科的五大支柱忠告之一：「行為 本諸善意，也假設其他人是善意的。」[11] 與其揣測潛在會員可能有壞行為傾向，這些平台監視會員在平台上 的行為，必要時才做出干預行動。大體上，這種方法運作得很好，讓群 眾成長得很大，又不被其中最糟糕的成員妨害。 在這種溫和的監督管理下，不是所有「版本」的群眾都同樣成功。 2016年，這個方法受到了挑戰，臉書及其他社群媒體上出現了「假新 聞」，推特上出現了大量種族歧視、性別歧視、反猶太主義，以及其他 卑劣刻薄的言論。眾包百科全書維基百科的共同創辦人吉米．威爾斯 （Jimmy Wales）認為，維基百科之所以比較能夠免於假新聞，部分是 因為治理方法。藉由採行適當原則、規範、機制與技術，群眾也可以有 效幫助維持品質水準，但其中可能涉及一些取捨，例如新內容被張貼的 容易度與速度、內容被分享的速度、誰能夠看到這些內容、可以從內容 賺取多少獲利等。在本章後面的段落，將會討論一些這類原則。 在我們撰寫此文的2017年初，讓群眾發聲最大的平台，將如何因應 這些挑戰，仍有待觀察。我們相信，結合人腦與機器，應該會得出有效 解方。而一個可能的解方就是，讓人們能夠標示假內容或冒犯性內容， 並訓練機器學習系統自動偵察這類內容。

市場的神奇力量，最純粹的群眾 圖書館及全球資訊網這類龐大的資訊庫顯然很寶貴，因為我們可以

用來諮詢與學習。許多群眾生成的資訊庫，還有另一項益處：由於累積 了眾人的貢獻，自然會生成新種類的知識。這是一種實際發生、也一直 在發生中的神奇現象。 率先指出這項益處，因而成為群眾守護神的是奧地利經濟學家弗瑞 德里奇．海耶克（Friedrich Hayek），他在1945年發表了一篇文章〈社 會中的知識使用〉（“The Uses of Knowledge in Society”）。當時，爆發 了一項激烈爭論是，中央規劃的經濟制度（例如蘇聯的經濟體制），也 就是由單一核心負責創造與分配財貨品及勞務的經濟制度，是否優於由 不受指導、去中心化的群眾，自行規劃與生產的自由市場經濟？許多人 認為，中央規劃經濟將會──或至少能夠──更優異，海耶克這篇文章指 出了這種觀點的錯誤。 中央規劃經濟有什麼問題？ 海耶克認為，中央規劃經濟行不通的原因是：「經濟學微積分引據 的『資料』，並不適用於整個社會，不能交由單一智慧思考其中所有涵 義。」[12]但現在，我們既然有如此強大的監視與分析技術，為何不能？ 為何不能打開所有裝置上的感應器，進行問卷調查，並且傾聽社群媒 體，了解每個人的偏好，把這些資料餵給「單一智慧」──一個巨大的 經濟最佳化演算系統，有意識地跑出這些資料對整個社會的涵義呢？海 耶克解釋，因為這種演算系統，永遠無法獲得需要的所有資料；這種演 算系統「永遠無法確保對任何社會成員所知道的資源做出最佳利用，因 為只有那些個別成員才知道，哪些目的對他們來說比較重要。」[13] 海耶克認為，類似「波蘭尼弔詭」的原則，適用於整個經濟：我們 無法說出我們知道的、我們具有的、我們想要的，以及我們重視的所有 東西。因此，任何中央規劃核心的最佳化演算法，永遠無法獲得真正需

要的資料，於是可能會做出怪異、反效果的事，可能會得出一個應用於 整個社會、立意良善，但是糊塗的行動，就好比你一個好心的親戚，載 著你跑遍整座城市去找你去年想要、但今年已經不要的聖誕禮物。就算 中央規劃者總是試圖照顧其他所有人的利益（光是這句話就令人懷 疑），過度中央集權化將創造出既歐威爾風格[14]又卡夫卡風格[15]的經濟 體制。 但是，自由市場經濟何以見得更好？自由市場經濟讓人們在不大受 到中央控管之下，彼此自由交易；自由市場經濟使用價格來平衡供需， 而且以非常儉約的方式，在整個經濟體系中傳輸重要資訊。海耶克寫 道：

價格的神奇效用是，例如，當一項原物料稀少時，不需要下什麼命 令，頂多幾個人知道原因，數以萬計不需要花幾個月去調查確認身分的 人們，就會更節儉地使用這項原物料或製成品；也就是說，他們會朝著 正確的方向行動……。我相信，若〔價格機制〕是人類精心設計產生 的，若受到價格引導的人們了解，自身決策將有遠超出立即目的的影響 性，這個機制將稱得上是人類智慧的最大成就之一。[16]

海耶克這篇論文中提出的許多概念，在二十世紀後葉被結合形成複 雜理論的一部分，該文強調個人的行動可以產生對整個群眾非常有價值 的資訊；尤有甚者，這些資訊通常無法從只觀察少數人而獲得，例如只 觀察一些礦工或金屬工人，你無法得知錫的價格。因此，市場才會被稱 為是一種「浮現的」（emergent）系統：價格浮現自所有成員的互動， 無法靠只看一些成員的行為而觀察得到。

市場導向解方 人群的行為經常也是浮現式的，創造出許多知識。當人群在線上形 成群眾時，創新者找出種種方法來偵察並收割這些知識，預測市場就是 這其中最早的一種，也是主要以海耶克的洞察來建構的市場。這些市場 不是財貨及勞務市場，而是未來事件市場；例如，預測某人將在2020年 當選美國總統，預測一部即將上映的電影首週將創下五千萬美元到一億 美元的佳績，或是預測下一季美國官方平均通膨率將超過3％。 預測市場的運作如下。首先，市場作成者創造一批市場參與者可以 買賣的證券，就像可以在紐約證交所或納斯達克買賣的公司股票。例 如，創造一種證券，若未來某季的平均通膨率真的超過3％，就付給此 證券持有人1美元；若屆時平均通膨率未超過3％，就支付0美元。下一 步，邀請參與者（愈多愈好）入市，鼓勵他們開始彼此交易這批證券。 那些預期平均通膨率將超過3％的人，將比預期平均通膨率不會過3％的 人，願意支付更多錢購買此證券。若此證券的價格在0.70美元達到穩 定，一個合理的解讀是：整個市場認為，那季預期平均通膨率將超過 3％的可能性為70％（或是那部電影首週票房介於五千萬美元到一億美 元的可能性為70％，或是某人在2020年當選美國總統的可能性為 70％。）最後，當事件實際發生時──在此例中，當該季結束，可以計 算平均通膨率時，市場作成者付錢給持有正確證券的所有人。若該季預 期平均通膨率的確超過3％，所有持有通膨率將超過3％證券的人，每一 股將可獲得1美元。 預測市場的結果，確證海耶克的洞察正確，市場內的價格的確具有 匯集知識的力量。在前述那樣的預測市場中，0.70美元的最終股價，預 測事件實際上發生的機率傾向70％；也就是說，這些價格是相當正確的 機率估計。

預測市場提供的預測，是否比其他方法更為準確（例如民意測驗的 適當加權平均，或是第2章討論的政治學家菲利普．泰特洛克辨識出的 那些超級預測者），辯論很踴躍，但現在已經很少人會懷疑預測市場在 適當條件下可能很有成效。在預測市場理論與實務方面卓有貢獻的經濟 學家羅賓．韓森（Robin Hanson）說：「預測市場反映了市場導向訂價 方法的價值背後的一項基本原理：由於資訊通常廣布於各個經濟角色， 找到一個能夠匯集這些資訊的機制，自然是非常有價值。自由市場通常 在這種流程上做得很好，因為幾乎人人都能夠參與，潛在盈虧創造出搜 尋更佳資訊的強烈動機。」[17]

如何有效組織群眾？ 被海耶克強調與讚美，以及被韓森及其他學者創新使用的價格機 制，實際上是市場參與者的行為與互動之下的一項絕妙副產品；換言 之，絕大多數的價格，並不是任何刻意創造及傳播全體系知識下產生的 結果。那麼，如果有這種刻意行徑，試圖招集線上群眾共同創造某樣東 西時，會發生什麼情形呢？ 乍看之下，這似乎是個過於天真的想法，很容易想到為什麼絕對行 不通的理由。誰要做這種事，尤其如果沒有酬勞的話？誰能確定參與者 就是合適的人呢？如何分工，誰來分工？怎樣的貢獻算「好」或「夠 好」？誰來訂定、實行這些標準？在人類悠久的歷史中，我們發展出各 種核心來解決這些議題，但群眾要如何做到這些？ 一起開發作業系統吧！ 如果這個疑問曾在1991年8月25日盤桓於林納斯．托瓦茲（Linus Torvalds）的腦海，它終究沒能阻止他在Usenet一個名為「Minix」、以

電腦作業系統為主題的組群上，張貼出下列訊息：

嗨，使用Minix的各位： 我在為386（486）AT克隆電腦，做一套（自由的）作業系統（純 粹是一項業餘愛好，不大，也不會像GNU＊那麼專業。）從四月起就開 始醞釀了，現在逐漸成形……，我想知道多數人想要什麼性能，歡迎任 何建議，但我不能保證全部採納。:）[18]

＊GNU也是一套開放源碼作業系統，是「GNU's Not Unix」的頭字語。駭客大抵都喜歡遞迴。

托瓦茲尋求協助開發一套他已經在開始撰寫的電腦作業系統，它還 相當新，但核心部分──作業系統最核心、最複雜的模組部分，已經有 了很好的進展。托瓦茲沒有購買像微軟視窗那樣已經完成的整套商業作 業系統，他想寫一套自由的作業系統；所謂的「自由」，指的是「自由 觀看、修改、延伸」，不是指「不收費」的意思。（開發者社群喜歡這 麼解釋：自由軟體free software的free，指的是像自由言論free speech中 的free，不是像免費啤酒free beer裡的free。）微軟並未公開視窗作業系 統的源碼（作業系統的基礎軟體），外界無人確知視窗作業系統是如何 運作的，也沒有能力修改。自由與開放源碼軟體社群基於一些理由，認 為這種缺乏透明化是錯的，托瓦茲認同他們的觀點。 托瓦茲在1991年4月首度敘述的那套作業系統，後來取名為Linux。 他當初聲稱「不大、也不專業」，將成為電腦史上最不正確的聲明之 一。從它的種種形式及衍生物來看，Linux無疑是世界上最大、最專業 的作業系統；現在，從比一個美式足球場還大的資料中心伺服器，到全 球超過15億支安卓手機與平板電腦，[19]全都是以Linux作業系統為基 礎。

新玩法 研究Linux的歷史，可以看出集合群眾共同達成重要之事的幾項重 要原則，甚至可說是必不可缺的原則，包括開放、不論資格、可檢驗貢 獻與回復、成果清楚、自我組織、技客型領導。 開放　托瓦茲最初向外界徵求貢獻時，盡可能擴大對象，不限企 業、有作業系統程式設計經驗者，或是其他特定團體。在許多人看來， 這種方法似乎奇怪、錯誤，畢竟若你興建一棟房子，不大可能公開徵求 任何人來協助，這顯然行不通。在2015年的前十年間，總計有11,800位 個人開發者，[20]貢獻於開發Linux作業系統核心；此外，包括三星、 IBM、谷歌及英特爾在內的大型科技公司，[21]也貢獻資金與人才。如第 7章所述，撰寫智慧型手機應用程式的動機很多，個人及組織也有許多 不同動機參與開放源碼作業系統的開發計畫；因為開放，使Linux得以 利用這些動機。 不論資格　關於開放，有一個層面非常重要，但也非常反直覺，值 得特別一提，那就是不論資格，不管參與者是否具有適當文憑、學位證 書、職稱、推薦信、經驗年資、優良成績等。托瓦茲並未要求任何這類 資格條件，連問都沒問。他只是公布Linux源碼，徵求協助改進。這是 作家、發行人暨科技權威提姆．歐萊禮（Tim O'Reilly），在2005年提 倡的Web 2.0（第二代網路，當時已經開始可見）原則之一的早期例 子：[22]信賴使用者也是共同開發者。只不過，托瓦茲當年並不知道這 個，他在2016年坦承：「當年，我並無意圖使用我們現今所想的開放源 碼方法來改進，比較像是：『嘿！我做這個東西半年了，想聽聽看大家 的意見。』」[23]但是，由於他不要求貢獻者的資格條件，所以不至於排 除沒有資格條件者，像是熱愛撰寫程式、但沒有任何頭銜與工作經驗的 高中生，或是其他可能「看起來不合適」的人。

可檢驗貢獻與回復　開放與不論資格這兩項原則，之所以很適用於 軟體工作（遠比建築工程適用），是因為相當容易看出某人提出的一件 新軟體是否合用，若不合用，也相當容易棄絕。舉例而言，印表機驅動 程式必須能讓印表機正確、可靠地開始列印，如果不能，就不該納入作 業系統中。從目測程式到安裝後測試，檢驗軟體品質的方法有很多。這 意味的是，撰寫一套作業系統，非常不同於其他創作，例如創作小說或 交響曲，因為你完全不清楚或無法從外檢驗，某人為一部小說撰寫的一 章新內容或一個新角色，是否為這部小說增色不少。 有客觀、可證實的品質檢驗方法，可以解釋為何群眾撰寫的 Linux，是全球最受歡迎的作業系統。但是，就我們所知，世界上沒有 一本成功的小說，是由一大群人合寫的。由於保留所有以往的版本軟 體，是軟體業的標準實務（拜資訊免費、完整、即時的經濟特性所賜， 這件事既便宜又容易做），所以若一套程式導致性能變差，很容易就能 去除這套程式，回復此前的最近版本。由於貢獻者無法惡意或無意間不 可逆地破壞或搞糟軟體，使得Linux更容易保持開放且不論資格。 成果清楚　Linux的貢獻者知道最終成果是什麼：一，他們顯然知 道自己是在撰寫一套作業系統；二，他們知道作品未來可以（及不可 以）如何被使用，誰可以擁有、修改，靠它牟利、限制取用等。 在Linux發展早年，托瓦茲決定讓它採行GNU通用公共授權條款 （GNU General Public License, GNU GPL），這是自由軟體先驅理查． 斯托曼（Richard Stallman）在1989年發展出來的軟體授權條款。它明訂 了兩項重要考量：第一，這套軟體將維持讓最終使用者（不論是個人、 組織或公司）自由使用、研究、拷貝及修改；第二，所有修改、延伸及 未來版本的Linux，同樣供自由使用。GNU GPL向參與Linux的每個人保 證，這套作業系統將永遠不會被關閉或變成專有，而且相關原則將不會

被改變。對那些信奉自由軟體運動理念的人士來說，這些保證很重要。 概括而言，群眾不但希望知道自身貢獻將如何被評量，也希望知道這些 貢獻將如何被使用、誰將受益。 自我組織　民眾和組織自行決定要對Linux的哪些層面做出貢獻， 而不是托瓦茲或其他任何中央權力者分派工作給他們。那麼，要如何確 保群眾完成真正重要的工作呢？在這個例子中，第一，那些貢獻者會知 道，「重要」意味的是和最終使用者社群最相關的部分；第二，讓這些 使用者做出貢獻；第三，對他們有信心，相信他們會做到。三星或英特 爾之類的大科技公司加入Linux後，當然會指示員工去做特定領域，但 整個工作仍然保持高度去中心化，沒有既定藍圖。事實上，甚至沒有人 試圖堅守一個版本的Linux，這個作業系統可以「分岔」（fork），所以 有一種名為「Raspbian」版本的Linux作業系統，[24]是針對樹莓派 （Raspberry Pi）[25]單板機電腦開發的最佳化作業系統，樹莓派面積只有 一張信用卡大小，可編程，售價低於40美元；還有其他不同版本、為巨 型伺服器最佳化的Linux作業系統。分岔不被視為一種失控現象，而是 被視為Linux成功的證據之一，顯示讓貢獻者自我組織及自行組織工作 的益處。 技客型領導　伴隨著Linux成長，托瓦茲仍是個具有高度影響力的 人物，他是我們稱為「技客型領導」（geeky leadership）風格的一個典 範。我們說的「技客」（geeky），沒有任何貶義，純粹描繪在科技發 展工作上展現的行為與做法，尤其是那些涵蓋了許多原本不相干的人們 與組織的科技發展工作。技客型領導者通常是技術能手，托瓦茲當了一 輩子的程式設計師，而且十分優秀，這使得他的觀點在Linux社群中有 很高的威信。技客型領導人也闡明他們朝向什麼願景，這個願景不一定 要很宏偉，如同托瓦茲有次說的：「我不是個夢想家，我沒有什麼五年 計畫，我是個工程師……，我看現下，我想修補我眼前的坑洞，以免自

己掉下去。」[26]但是，願景必須清楚，必須要能激勵人們貢獻時間與心 力來達成。 為廣泛的電腦器材，建造一套經久不衰的自由、開放源碼作業系 統，顯然能夠激勵許多人。我們觀察到的技客型領導人，多數都有強烈 意見，例如托瓦茲很熱中於他所謂的高明程式，何謂高明程式呢？他 說：「就是能夠確實看出重要型態，直覺知道做事的正確方式」，[27]而 且他有時會張貼用字很強烈的觀點。＊這類強烈批評，可能導致至少一 些貢獻者不悅離去，卻向整個社群昭示，創辦人還在關注，仍然消息靈 通，而這是技客型領導的兩項特徵。 ＊舉例而言，2016年7月，托瓦茲對程式設計師在程式中加入注解的「正確」格式提出看法。他 發信給Linux核心開發者郵寄名單上的人，寫道：「若你們不懂傳統多行C風格注解既平衡、 又對稱的那種單純美，那麼與其用你們這些傢伙現在使用的那些討人厭、不平衡的垃圾，還 不如請你們乾脆使用C++……。我甚至不想談那些偏好對注解加框，在兩端加線，還有加一 堆花俏框框及星號的人。我想，如果你吃了迷幻藥，神智不清，這些東西看起來確實很 美。」參見：Linus Torvalds, Linux Kernel Mailing List post, July 8, 2016, 10:19:26.。

這些原則有助於解釋Linux的非凡成功，以及它如何能夠有效集結 群眾，共同建造、維護與改進一套世界級的作業系統，同時也是最複雜 的軟體之一。開放與不論資格這兩項原則，召集了盡可能更多的人；自 我組織意味他們做自己想做的工作，而這些工作通常是Linux最需要 的；可檢驗性確保只有有助益的貢獻被放進軟體裡；成果清楚避免人們 覺得可能遭到愚弄，或是自己的努力被盜用；有來自托瓦茲及其他人的 技客型領導，維持了Linux的理想、文化與動能。 差點失敗的實驗 那麼，如果一項協作行動，只遵循前述原則中的一些，會成功嗎？

關於這項疑問，當然要經過很多研究，才能獲得明確答案。不過，在全 球資訊網問世後的早年，有一個迷人、甚具啟示的實驗稍微透露了一 些：吉米．威爾斯和拉里．桑格（Larry Sanger）展開行動，想要打造 一部自由、開放、人人都可以使用的線上百科全書。 百科全書的歷史悠久，最早的百科全書之一是老普林尼（Pliny the Elder），在公元一世紀撰寫出版的《自然史》（Naturalis Historia）， 目標崇高。伊弗雷姆．錢伯斯（Ephraim Chambers）說，他在1728年出 版的《百科全書：或，藝術與科學萬用詞典》＊（Cyclopaedia: or, An Universal Dictionary of Arts and Sciences）：「內含所有人類知識。」[28] 但是，這些早年的百科全書通常很昂貴，只有社會精英權貴得以使用。 ＊更確切地說，錢伯斯描述他編撰的這部《百科全書》：「包含多種文學與機械性質技藝，以 及多種人性與神性科學的名詞定義和相關事物的說明：天然物與人造物的外形、種類、特 性、生產、調製及使用；教會、民間、軍事及商業性質事物的出現、進展與狀態：包括多種 制度、派別、意見等；哲學家、神學家、數學家、醫師、古物研究人員、評論家等的古今學 習過程。」參見：ARTFL Project, “Chambers' Cyclopaedia,” accessed February 7, 2017.。

網路問世之後，威爾斯看到一個機會──利用人們的志工精神，把 龐大的百科全書放到線上，供人人使用。因此，他在1999年雇用了當時 還是哲學系博士班研究生的桑格，幫助他推出網路上第一部自由的線上 百科全書Nupedia，兩人開始招募自願編輯，幫助達成這項目標。為了 確保高品質，Nupedia制定了這樣的政策：「我們希望志工是所屬領域 的專家，擁有博士學位（除了少數例外者）」，[29]並且建立撰寫與編輯 每個條目的七步驟流程： 1. 分派工作 2. 找到一位前期審查員 3. 前期審查

4. 開放審查 5. 前期編輯 6. 開放編輯 7. 最終核准與加入標記

這種方法行得通嗎？經過十八個月的工作，花費了25萬美元之後， Nupedia完成了12個條目，[30]還有150個在草擬階段。 如此緩慢的速度，令威爾斯和桑格非常氣餒，開始尋找創造、修改 百科全書條目的其他方法。2001年年初，他們得知華德．坎寧漢 （Ward Cunningham）創建的一種高度平等的數位白板「維基」 （wiki），任何使用者都可以做出貢獻，編輯他人的貢獻，或是消除先 前的任何編輯。Nupedia團隊根據這套軟體，建置了一個網站。桑格在 2001年1月15日寫了一條短訊：「幫幫我，去那裡加個小條目吧！只需 要花你五到十分鐘。」[31] 這個網站命名為「Wikipedia」，到了一月底，已經有617個條目； 到了2001年年底，已有19,000個條目。十幾年後，到了2016年，已經有 291種語言的3,600萬個條目，[32]維基百科已是全球流量排名第六大的網 站。[33] 從Nupedia轉變為Wikipedia，明顯釋放了巨大的能量，讓威爾斯及 桑格的成功，遠遠超越他們想為世界建造一部自由、開放的百科全書的 夢想。Linux例示何以從Nupedia轉向維基是如此重要的一步，不同於 Nupedia，維基百科之所以能夠啟動群眾，是因為它改採開放、不論資 格，以及自我組織等原則，放棄了標準化多步驟工作流程，以及要求條 目編輯必須是專家或擁有博士學位者等主張，把共同打造百科全書的工 作開放給任何人，讓他們用自己覺得合適的方式進行協作。

為了避免這些協作演變成一團混亂，維基百科很快就採行可查證＊1 原則：「使用此百科全書的其他人，可以檢查資訊是否來自可信賴的源 頭。」[34]維基百科也採行GNU GPL的一種變化版本，名為GFDL，不同 於GPL針對軟體，GFDL是專門針對文件而訂定的通用公共授權條款， 維基百科以此向所有貢獻者保證，他們的貢獻不能被私有化。 此外，威爾斯及其他資深的「維基百科人」實行技客型領導，大力 貢獻於這部百科全書，並且持續積極涉入指導這個網站的發展。＊2一個 特別的社群形成，執行維基百科的規範，獎勵那些做出有用貢獻的人， 促進了大量的自願貢獻。＊3 ＊1「可查證正確性」是指引維基百科社群的五大支柱當中的一部分，參見：Wikipedia, “Wikipedia: Five Pillars,” last modified February 6, 2017, at 10:52.。 ＊2二十一世紀初，桑格因為對維基百科社群的治理理念有歧見，因此離開了這個社群。他認 為，維基百科的治理太過於反權威主義，不重視專業，這是有害的。參見：Larry Sanger [timothy, pseud.], “The Early History of Nupedia and Wikipedia, Part II,” Slashdot, April 19, 2005.。 ＊3維基百科人的大力貢獻並沒有酬勞，也大多匿名，因此不是為了出名；不過，在經濟學家詹 娜．蓋勒斯（Jana Gallus）所做的一項田野實驗顯示，受到肯定──尤其是其他維基百科人的 肯定──令他們很滿足。參見：Jana Gallus, Fostering Voluntary Contributions to a Public Good: A Large-Scale Natural Field Experiment at Wikipedia, Natural Field Experiments 00552 (2016).。

就連在較老、較傳統經營模式的組織中，也有令人鼓舞的跡象顯 示，使用技客型方法來完成工作的做法，愈來愈被接受。本書作者安迪 在2009年出版的《企業2.0》（Enterprise 2.0）一書中，倡導過這種方 法，但當時既沒有工具、也沒有必要的管理心態，能讓開放、不論資格 及自我組織等原則在組織中被廣為採行，但現在似乎可行了。 2013年8月，一種在團隊層級、在組織內外促進訊息傳播與協作的 工具Slack問市，促使多種自由交流與無層級溝通順利進行，包括聊

天、團隊文件編輯、民意調查等。截至2016年10月，Slack已經有超過 400萬名日常活躍用戶，以及125萬個付費顧客（非付費者可以用的功能 比較少。）[35]促成Linux和維基百科的工作風格，似乎終於被主流商業 世界接受了。

本章摘要 ✔就許多方面來說，群眾與核心正好相反：群眾龐大、多樣化、大致 上不受控管、往往混亂。 ✔核心依然重要且有用，但在全球網路與平台興盛的時代，群眾已經 變成愈來愈強大的力量。 ✔群眾並非無結構，群眾的結構是歷經時日浮現的，是成員之間互動 的結果。股市、預測市場，以及現代搜尋引擎，都從這種浮現式結 構中萃取有價值的資訊。 ✔海耶克的洞察及波蘭尼弔詭，點出過度中央集權化失敗的原因：人 們並非總是能夠清楚說出他們具有什麼、他們知道什麼、他們想要 什麼，以及他們能夠做什麼。 ✔有效集合大批群眾，能夠建造非常有用的產品，例如Linux。這類 行動需要「技客型領導」，遵循開放、不論資格、自我選擇／組 織、可驗證、目標與成果清楚等原則。 ✔只遵循上述一些原則，成效似乎不佳，維基百科的前身Nupedia可 以為證。這些原則的適當平衡可能難以拿捏，通常需要試誤，還要 一點運氣。

延伸思考題 1. 你們如何使用群眾的力量？使用程度為何？ 2. 你們在哪些方面容許並鼓勵工作開放、不論資格、可驗證、自我組 織、由技客領導？ 3. 許多組織的內部決策與資源分配流程，看起來仍然很相似於中央規 劃經濟體制。你們如何在組織納入更多相似於自由市場的機制？ 4. 在你所屬的產業裡，是否有未必涉及市場的去中心化新 5. 方法？ 6. 你們組織的核心，是否願意放下一些勢力與權力？

1. Robert Wright, Twitter page, accessed February 6, 2017, https://twitter.com/robertwrighter. 2. Robert Wright, “Voice of America,” New Republic, September 13, 1993, http://cyber.eserver.org/wright.txt. 3. 同上注。 4. Leonid Taycher, “Books of the World, Stand Up and Be Counted! All 129,864,880 of You,” Google Books Search (blog), August 5, 2010, http://booksearch.blogspot.com/2010/08/books-ofworld-stand-up-and-be-counted.html. 5. Khazar University Library and Information Center, “10 Largest Libraries of the World,” accessed February 6, 2017, http://library.khazar.org/s101/10-largest--libraries-of-the-world/en. 6. Antal van den Bosch, Toine Bogers, and Maurice de Kunder, “Estimating Search Engine Index Size Variability: A 9-Year Longitudinal Study,” Scientometrics, July 27, 2015, http://www.dekunder.nl/Media/10.1007_s11192-016-1863-z.pdf; Maurice de Kunder, “The Size of the World Wide Web (the Internet),” WorldWideWebSize.com, accessed February 6, 2017, http://www.worldwidewebsize.com. 7. Stephen Heyman, “Google Books: A Complex and Controversial Experiment,” New York Times, October 28, 2015, https://www.nytimes.com/2015/10/29/arts/international/google-booksa-complex-and-controversial-experiment.html. 8. Chris Desadoy, “How Many Videos Have Been Uploaded to YouTube?” Quora, March 31, 2015, https://www.quora.com/How-many-videos-have-been-uploaded-to-YouTube. 9. 我們在2017年3月透過私人通訊，向鮑洛斯確認了這句引言。

10. Sergey Brin and Larry Page, “The Anatomy of a Large-Scale Hypertextual Web Search Engine,” paper presented at the Seventh International World-Wide Web Conference, Brisbane, Australia, 1998, http://ilpubs.stanford.edu:8090/361. 11. Wikipedia, “Wikipedia:Five Pillars,” last modified February 6, 2017, at 10:52, https://en.wikipedia.org/wiki/Wikipedia:Five_pillars. 12. Friedrich A. Hayek, “The Use of Knowledge in Society,” American Economic Review 35, no. 4 (1945): 519–30. 13. 同上注。 14. Geoffrey Nunberg, “Simpler Terms; If It's ‘Orwellian,’ It's Probably Not,” New York Times, June 22, 2003, http://www.nytimes.com/2003/06/22/weekinreview/simpler-terms-if-it-sorwellian-it-s-probably-not.html. 15. Joe Fassler, “What It Really Means to Be ‘Kafkaesque,’” Atlantic, January 15, 2014, https://www.theatlantic.com/entertainment/archive/2014/01/what-it-really-means-to-bekafkaesque/283096. 16. 同注12。 17. Kenneth J. Arrow et al., “The Promise of Prediction Markets,” Science 320 (May 16, 2008): 877–78, http://mason.gmu.edu/~rhanson/PromisePredMkt.pdf. 18. Derek Hildreth, “The First Linux Announcement from Linus Torvalds,” Linux Daily, April 15, 2010, http://www.thelinuxdaily.com/2010/04/the-first-linux-announcement-from-linus-torvalds. 19. Linus Torvalds, “The Mind behind Linux,” TED Talk, February 2016, 21:30, https://www.ted.com/talks/linus_torvalds_the_mind_behind_linux?language=en. 20. Linux Foundation, “Linux Kernel Development: How Fast It Is Going, Who Is Doing It, What They Are Doing, and Who Is Sponsoring It [2015],” accessed February 7, 2017, https://www.linux.com/publications/linux-kernel-development-how-fast-it-going-who-doing-itwhat-they-are-doing-and-who. 21. Linux Foundation, “The Linux Foundation Releases Linux Development Report,” February 18, 2015, https://www.linuxfoundation.org/news-media/announcements/2015/02/linux-foundationreleases-linux-development-report. 22. Tim O'Reilly, “What Is Web 2.0,” September 3, 2005, http://www.oreilly.com/pub/a/web2/archive/what-is-web-20.html. 23. 同注19。 24. Raspbian.org, “Welcome to Raspbian,” accessed February 7, 2017, https://www.raspbian.org. 25. Gavin Thomas, “Raspbian Explained,” Gadget [2015], accessed February 7, 2017, https://www.gadgetdaily.xyz/raspbian-explained. 26. 同注19，17:00。 27. 同注19。 28. ARTFL Project, “Chambers' Cyclopaedia,” accessed February 7, 2017, https://artflproject.uchicago.edu/content/chambers-cyclopaedia.

29. Karim R. Lakhani and Andrew P. McAfee, “Wikipedia (A),” Harvard Business School Courseware, 2007, https://courseware.hbs.edu/public/cases/wikipedia. 30. 同上注。 31. Larry Sanger, “My Role in Wikipedia (Links),” LarrySanger.org, accessed February 8, 2017, http://larrysanger.org/roleinwp.html. 32. Wikipedia, s. v. “History of Wikipedia,” accessed February 8, 2017, https://en.wikipedia.org/wiki/History_of_Wikipedia. 33. Alexa, “Wikipedia.org Traffic Statistics,” last modified February 7, 2017, http://www.alexa.com/siteinfo/wikipedia.org. 34. Wikipedia, s. v. “Wikipedia: Verifiability,” last modified February 27, 2017, https://en.wikipedia.org/wiki/Wikipedia:Verifiability. 35. Josh Costine, “Slack's Rapid Growth Slows as It Hits 1.25M Paying Work Chatters,” October 20, 2016, https://techcrunch.com/2016/10/20/slunk.

第11章

你認識的專家，為何不是你需要的專家？ 一想到精靈創造的那些奇形怪狀的東西，我就忍不住微笑。還有， 那些善變的繆斯女神，她們太常拒絕造訪宮殿，不肯對莊嚴書房及 華麗客廳裡的崇拜者給予一個微笑，卻經常躲在隱匿處，對一些衣 衫襤褸的信徒慷慨施予她們的鍾愛。 ──華盛頓．歐文（Washington Irving） 短篇小說家，1824年

當事情變得非常複雜時，別找專家，找門外漢吧！ 這是創新領域學者卡林．拉哈尼（Karim Lakhani）、凱文．布德羅 （Kevin Boudreau）與同事進行的一項有趣研究獲得的結論。[1]他們想 找一種更快速的方法，來排序大量白血球的基因組，白血球是人體抵抗 細菌、病毒及其他抗原的主要防禦細胞。

在生物領域，生手擊敗標竿 這顯然是很重要的工作，因為我們想要更了解人體免疫系統的運 作；但這項工作也極為困難，因為白血球必須能夠生成大量武器，來對 抗人體的許多抗原，而所有抗原不斷地進化。人體的聰明解方是讓白血 球內的基因對抗原及其他武器編碼，並讓這些基因本身組成基因片段， 然後串連起來，有時形成突變。活躍基因的準確排序因細胞而異，這意 味的是，不同細胞產生不同武器，而且是很多武器。據估，人體白血球

裡100個左右的相關基因片段，可以組合及重新組合成1030種可能的分 子武器，相當於地球沙粒數量的一兆倍。 研究人員經常做的一項重要工作，就是對一個白血球的基因給予注 解，目的是正確辨識它的每一個組成片段。你大概想像得到，這項工作 是由電腦執行的，不過處理方法有很多種，事前並不清楚哪種方法能夠 得出最佳（最快、最正確）的結果。由美國國立衛生研究院（US National Institutes of Health）發展出來、被廣為使用的MegaBLAST演算 法，[2]能在大約4.5小時的時間內注解100萬組基因序，準確度達72％。 另一種演算法idAb，[3]是貝斯以色列女執事醫療中心（Beth Israel Deaconess Medical Center）的醫學博士瑞米．阿內奧特（Ramy Arnaout）[4]發展出來的，大大改善了性能，不到48分鐘就能執行相同的 注解量，準確度達77％。 為了知道還有多大的改善空間，拉哈尼、布德羅與同事設計了一個 兩步驟流程，邀請群眾參與。首先，他們把某個免疫遺傳學問題的基因 片段注解，轉化成一個一般的演算問題；這麼一來，就可以把這個問題 開放給更多參與者，而且參與者並不需要具備基因學、生物學等領域的 專科知識。 然後，研究人員把這個已經一般化的問題，張貼在高度電腦演算性 質問題的線上平台Topcoder。在此研究進行的2013年間，Topcoder社群 有大約40萬名來自世界各地的軟體開發者，至少有一部分是因為他們喜 歡研究與解決困難挑戰。這支研究團隊告訴潛在的問題解決者，他們提 出的演算法將如何被評量（評分將結合速度與準確度），並且提供一堆 資料交給他們處理。這些資料分成兩組：一個公開組，提供給所有的問 題解決者；另一個私下組，內建於Topcoder網站上，問題解決者不能看 到或下載這些資料，但可以在平台上用他們設計的演算法來跑這些資

料，取得一個評分。（還有第三組資料，也是私下性質，被用來為這場 競賽得出最終評分。） Topcoder競賽為期十四天，在這期間有122人或團隊，至少一次提 出演算法，取得一個評分，許多提出多次，總計提出了654次。參與者 高度多樣化，來自69國，年齡分布於18歲到44歲，大致上來說都是經驗 不足（至少以傳統標準來看），有半數是在學生。該研究團隊這麼敘述 這些參與者：「沒有學術界或產業界的計算生物學家，只有五位表示具 有研發或生命科學背景。」[5] 那麼，他們提出的解方好不好呢？當然不是全都不錯，多數的準確 度不如MegaBLAST或idAb（雖然他們設計的演算法幾乎都比這兩者 快），但其中有30種演算法的準確度高於MegaBLAST，16種的準確度 高於idAb。事實上，其中有8種演算法的準確度達到80％，研究人員估 計，這是這組資料集能夠達到的理論上最高準確度。＊其中一支團隊提 出的演算法的準確度至少不亞於idAb，平均89秒就完成一組基因排序， 這比標竿速度快上30倍；速度最快的三種演算法，平均16秒完成一組基 因排序，比競賽前最佳標竿快180倍。 ＊這項研究的作者解釋：「基因排序的剩餘誤差，是無法正確注解的。」參見：Karim Lakhani et al., “Prize-Based Contests Can Provide Solutions to Computational Biology Problems,” Nature Biotechnology 31, no. 2 (2013): 108–11.。

對了，還有一件事，這項競賽提供的總獎金，只有6,000美元。 專家有什麼問題？ 這些結果是例外，抑或典型？我們向拉哈尼請教這個問題，因為他 是群眾競賽的研究先驅，除了前述研究，還主持過其他許多相關研究。

他告訴我們：

過去五年，我們為美國航太總署、醫學院、企業等組織，舉辦超過 七百項挑戰競賽，只有一次失敗，亦即沒有群眾出現或群眾未能解決問 題。＊在其他的挑戰賽中，參與群眾提出的解方水準，要不就是等於、 要不就是超越組織內部既有的解方。[6]

＊拉哈尼認為，那次失敗是因為主辦者對問題的釐清不夠清楚，或是沒有提供足夠的獎勵。

這是相當令人難以置信的發現，不是嗎？畢竟，美國國立衛生研究 院及貝斯以色列女執事醫療中心之類的公司與組織，投入了很多時間、 金錢與心力，建設從事創新與解決問題等活動的資源，包含研發實驗 室、科技人員、工程部門等，這些資源實際上是核心的核心，但為何在 這些資源必須處理的問題上，群眾這麼容易表現得更加出色？ 是不是那些核心專家們，其實並不優秀呢？我們在第2章提出了很 多證據，說明領域專家跟所有人一樣，受害於種種有損工作品質的偏 誤。也有可能當人們在他們的領域，變得更顯要、資深時，這些盲點 ──例如過度自信、確認偏誤（只考慮支持既有想法的資訊），就會變 得更加強烈，因而導致較差的結果。 甚至，可能有許多「專家」，其實根本就不是專家，而是在能力及 工作品質方面自欺欺人。在現今複雜、快速變遷、技術先進的世界，有 時很難辨別誰真的懂他們嘴巴上說的東西。 一定有所謂的專家，是不夠格的專家，但我們並不認為這是群眾經 常贏過核心的一大原因。我們相信，絕大多數現今的科學家、工程師、 技術人員及組織內部的其他人員，確實在工作上都合格與勝任，也確實

想把工作做好。那麼，為何群眾幾乎總是比他們做得更好？ 大量錯配 組織有很多的優點，但它們也經常自我妨礙，經常造成反效果，傷 害創新、研發，以及幾乎每個領域活動的事。組織的機能障礙，並非只 是無數《呆伯特》漫畫的主題，而是確實存在的現象，導致核心未能發 揮潛能。 不過，更大的原因比組織機能障礙更細微難察，那就是核心往往和 它面臨的挑戰與機會錯配，而群眾因為很龐大，就幾乎沒有這個問題。 為什麼核心這麼常發生錯配呢？建立研發實驗室或工程部門，目的不就 是把手邊及未來工作所需要的資源彙整起來嗎？這可不像遺傳學實驗室 誤用了一群冶金專家，當團隊未能破解DNA之謎時，一再地感到驚訝不 解。究竟為何會經常發生這些錯配呢？ 顯然，這其中涉及了一些問題。一，幾乎所有學科領域，都持續不 斷地生成重要新知，而這些新知進入核心的速度可能相當緩慢。舉例而 言，人類基因組排序在2003年完成，這項成就對醫學、生物科技、藥學 及其他產業具有重大涵義，伴隨著基因組排序技術普及，成本大幅降 低，＊1農業、動物飼養及其他產業也受到影響。若所有這些領域的組織 核心的創新者、研究人員及問題解決者，未能致力於更新、精進技能與 知識，群眾──尤其是接受更近期教育的較年輕者──很容易就會擊敗他 們。例如，先進的基因編輯工具，完全不同於五年前的工具，這是因為 2012年發展出從鏈球菌屬之類細菌衍生出來的基因編輯工具箱 CRISPR，研究人員可以空前準確地在很長的DNA分子雙螺旋中，找 到、截取及取代他們想要的片段。 近年來，人工智慧與機器學習（參見第3章）、能源生產（拜石油

與天然氣壓裂開採法與太陽能電力價格巨幅下滑＊2所賜），還有其他許 多領域的快速變化，當這類快速進展發生時，產業內組織核心的知識很 容易就會變得過時。在此同時，群眾裡極有可能至少有一些是幫助得出 這些最新進展的人，或是他們的學生，因此相當熟悉那些最新知識與技 術。一言以蔽之，核心可能很容易變得老舊過時，但群眾不會。 ＊1據估，2000年產生的最初人類基因組排序，大約花了5億美元，或甚至更高。到了2015年年 中，產生高品質的整個人類基因組排序「草稿」，成本只要4,000美元出頭；到了2015年年 底，更是降到1,500美元以下。參見：National Human Genome Research Institute, “The Cost of Sequencing a Human Genome,” last modified July 6, 2016.。 ＊2科幻小說家拉梅茲．納姆（Ramez Naam）指出，太陽能安裝每增加一倍，成本就下滑約 16％。參見：Ramez Naam, “How Cheap Can Solar Get? Very Cheap Indeed,” Ramez Naam (blog), August 10, 2015.。

邊際效用 群眾經常擊敗核心的另一項原因，可能更為重要。許多（甚至可說 是大多數）的問題、機會與計畫，[7]因為汲取各種不同觀點而獲益，也 就是來自各種不同背景、教育、解方、智識與技術工具箱、性別等的人 和團隊的觀點。這就是群眾的定義，而核心非常難以、甚至不可能拷 貝。舉例而言，一家製藥公司的研發實驗室，不可能去養多名天體物理 學家或密碼解譯專家，只是為了萬一需要他們處理一個難題。而且，這 是一項合理的事業決策，但如果工作一直留在公司核心內部，就不會有 天體物理學家或密碼解譯專家能夠提供協助。 把乍看之下不可能、但實際上可能很有用的意見或貢獻阻擋在門 外，真是令人遺憾。很多時候，難題與挑戰的解方，正好來自相隔甚遠 的學科領域的知識與專長。誠如開放源碼軟體行動擁護者艾力克．雷蒙 （Eric Raymond）所言：「只要有足夠的眼珠子，所有蟲子都變得顯而

易見。」[8]換言之，潛在的問題解決者的數量與多樣性增加，所有問題 都會變得更容易解決。本章開頭提及的基因組排序演算法競賽的例子， 就證明了這點：所有比標竿更快速、更準確的演算法，沒有一個是來自 計算生物學家。像這種門外漢表現得更優異的情形，並非不尋常的現 象，拉哈尼和拉斯．博．傑皮森（Lars Bo Jeppesen）研究張貼於意諾新 （InnoCentive）平台上的166項科學挑戰，＊1發現最可能被成功解決的 挑戰是那些吸引「邊際」眼球的挑戰，也就是技術上或社會上離張貼此 挑戰的組織很遠的人們。[9] 群眾之所以如此可貴，主要是因為它的巨大邊際效用：它包含了巨 量的人，形成一些聰敏、訓練有素、經驗豐富、有耐性、有強烈動機， 而且在地理上、智識上或社會上遠離任何組織核心者的組合。＊2隨著互 相連結的電腦運算力普及全球，以此為基礎的實用平台紛紛建立，已經 有很多實例證明，群眾已成為可行性高的寶貴資源。 ＊1我們在前著中提過這項研究，現在重提，是因為它的洞察很重要。 ＊2多篇社會學文獻分析、強調距離或弱連結的重要性，包括被廣為引用的經典文獻：Mark S. Granovetter, “The Strength of Weak Ties,” American Journal of Sociology 78, no. 6 (1973): 1360– 80；以及更近期的另一篇文獻：Sinan Aral and Marshall Van Alstyne, “The Diversity-Bandwidth Trade-off 1,” American Journal of Sociology 117, no. 1 (2011): 90–171。

群眾撼動核心 現在，聰敏的組織謀劃利用群眾來幫助解決問題，或是達成其他許 多目的。這個現象才剛興起，但我們已經看到核心與群眾結合的有趣方 式。 共同完成工作　如維基百科與Linux的例子所示，群眾能夠共同創 造高價值的東西，尤其是在遵循開放與不論資格等原則之下。一些組織

使用這些原則，善用群眾為公司做或可稱為「群眾工程」（crowd construction）的工作，最早的例子之一是亞馬遜的「機械土耳其人」 （Mechanical Turk）。[10]一開始，這是該公司內部的一項工作，找出並 去除重複的產品網頁，後來在2005年11月對外界公開。今天，這類「托 客」（Turkers）被廣泛用於種種工作，例如把商務名片上的內容謄到試 算表上、[11]回答心理研究問題，或是為輸入人工智慧系統中的圖像貼標 籤。也有人協助精進基礎的機械土耳其人平台，例如麻省理工學院的麥 可．伯恩斯坦（Michael Bernstein）及同事共同發展的「尋找―修正― 證明」演算法，[12]讓托客們自行選擇執行一項任務，或是找出並修正錯 誤。 本章一開始提及的Topcoder公司，也使用類似的方法，舉辦競賽以 尋找全球的程式設計人才，然後扮演中介者暨整合者的角色，串連這些 人才與想要外包大型應用程式開發專案或系統整合專案的公司。 Topcoder的全球社群成員，不僅包括程式設計師，還有設計師、學生、 資料科學家、物理學家等。[13]Topcoder為這些群眾提供各種企業計畫， 讓他們自己選擇要加入什麼團隊、扮演什麼角色，再把所有工作串連起 來，監督品質。該公司使用金錢與競賽獎勵，加上少許的監督，為客戶 創造類似Linux的群眾行動。至於Kaggle平台，則是舉辦資料科學競 賽，做相同的事。[14] 尋找合適資源　有時候，你不是想召集一大票群眾，只是想盡可能 快速、有效地找到一些合適人才或團隊來提供協助。看到徵求訊息的人 愈多，找到合適者的機會也就愈大，這可以解釋為何工作媒合平台會如 此受到歡迎。這些平台包括了：平面設計及其他創意工作平台99designs 及Behance；資訊科技與客服工作平台Upwork；個人服務平台 Care.com；TaskRabbit平台則是媒合了各式各樣的奇特工作，例如擔任 婚禮司儀，[15]或是送冰淇淋蛋糕給某人的祖父，[16]還有代人在蘋果商店

排隊以搶購新上市的iPhone。[17]這些平台事業帶來的一項共通洞察是： 網路及智慧型手機為企業服務的供需媒合，帶來了空前的機會。一如我 們在本書第二部談到的，它們使產品與平台結合，而這麼做的方法之 一，就是盡量讓愈多人看到你的徵求訊息。 進行市場研究　如第1章所述，世界上最大、最老牌、最成功的工 業公司之一奇異，利用群眾協助評估礦塊冰機的消費者需求，但其實它 並非第一家認知到群眾平台有此能耐的公司（尤其是那些可能迎合特定 消費族群的產品或服務。）舉例而言，由克莉絲汀．貝爾（Kristen Bell）主演的青春偵探電視影集《偵探小天后》（Veronica Mars），[18] 在2004年至2007年間播出，有一群忠實、但數量沒有很多的觀眾。終播 後，劇迷並未消散，繼續在線上和聚會中談論。 這股延續的興趣，引起了華納兄弟公司（Warner Bros.）、克莉絲 汀．貝爾，以及該劇編劇羅伯特．湯瑪斯（Robert Thomas）的好奇。他 們想知道，這是否意味有足夠的需求，可以拍一部《偵探小天后》的電 影，儘管電視影集已經終播了好幾年。為了獲得解答，他們在知名群眾 募資網站Kickstarter發起一項活動，[19]內容包含一段簡短的電影預告片 提案、貝爾及湯瑪斯的談話影片，[20]以及不同贊助金額可以獲得的回 報。＊這項活動一開始的目標是募集200萬美元，結果在活動開始後的十 二個小時內就達成目標，[21]最終總計募到570萬美元。後來，電影在 2014年3月14日同時在戲院及隨選影片服務網站首映，[22]大致上獲得好 評，財務上被評價為成功。 ＊贊助350美元者，可以獲得電影的一名演員為你的語音信箱錄製對外留言；贊助1,000美元 者，可以獲得電影首映會兩張紅地毯門票；贊助6,500美元者，可以為片中某個角色取名；贊 助10,000美元者，可以在片中當個臨時演員。

網景的共同創辦人馬克．安德森（Marc Andreessen），職涯早期是 程式設計師，後來成為知名的創投家。他認為，群眾募資可以成為發展 新產品／服務的主要途徑之一，他告訴我們：「可以說，包含娛樂媒 體、鞋子、食物等，任何產品與服務過去兩千年的問市方式已經落伍 了。那是供給導向，等到你發現市場喜歡或不喜歡這項產品／服務時， 已經砸了很多錢在上面了。群眾募資倒轉了這個模式，除非人們預購， 否則不會上市，而且資金也是人們先提供的……。群眾募資是事先蒐集 財務資本，是一種社會資本。你嘗試圍繞著某樣東西創造一種行動，嘗 試吸引人們事先購買某樣東西。」[23] 2016年年初，Indiegogo在網站上開闢了一個「企業群眾募資」 （Enterprise Crowdfunding）專欄及一套工具，[24]讓大型公司可以「在投 資於製造之前，即時獲得顧客反饋」，[25]並且「把研究活動，從成本轉 化成預售與取得顧客的機會。」 取得新顧客　除了群眾募資平台，眾貸（crowdlending）平台也在 近年間興起，並且盛行開來。許多眾貸平台一開始是點對點服務，媒合 個人投資人和需要個人或商業貸款，但無法或不願意向傳統放款業者舉 貸者。歷經時日，許多機構投資人認知到（包括一些規模最大的避險基 金在內），[26]在這些龐大的貸款尋求者池裡，存在著許多好機會。在眾 貸平台上，違約率至少有某種程度的可預測性，利率不輸給其他融資管 道；這意味的是，風險／報酬特性通常頗為誘人。伴隨著這類平台成 長，平台上生成了大量這樣的好機會，足以吸引大型投資人。2014年， 美國最大的兩個眾貸平台Prosper和Lending Club，總貸款額有過半數來 自機構投資人，[27]這些機構投資人往往使用專業軟體，來搜尋合適的投 資機會。因此，實際上，點對點融資往往演變成遠非那麼新穎：由大型 的既有放款人，以新的顧客辨識方式，融資給個人及小型事業。

不過，眾資型新事業的出現，不僅讓大型避險基金找到新顧客，也 讓群眾的聲音得以浮現。馬克．安德森告訴我們關於新創公司Teespring 的故事，這是華特．威廉斯（Walter Williams）和伊凡．史蒂斯克雷頓 （Evan Stites-Clayton）共同創立於2011年的公司。安德森說：

Teespring是一種把社會資本轉化成財務資本的現代方法，是那種一 開始令你覺得荒謬、但當你吞下紅色藥丸後，＊就能夠理解的東西之 一。它的模式是讓臉書團體或YouTube明星或Instagram明星，可以在平 台上銷售T恤。一開始，你會覺得，不管銷售什麼都是商品，有啥了不 起。但實際上，那些臉書團體或YouTube明星有上百萬個追隨者……， 社會資本可不得了。你的追隨者或粉絲喜歡你做的東西，但沒有方法或 管道付錢給你。他們超愛你的，很想支持你……。可以說，T恤只是個 開始，你可以銷售任何東西，只要是有意義的東西，紀念品或收藏品， 跟你在乎的、熱情所在的東西有關，可以代表你……，就像個圖騰，在 心理上定錨於你關心的某個東西。[28]

＊安德森指的是1999年上映的賣座科幻片《駭客任務》（The Matrix）裡，主角可以選擇吞藍色 藥丸或紅色藥丸。若選擇藍色藥丸，就會回到此前一直生活的安適假象裡；若選擇紅色藥 丸，就會看到現實。

取得創新　有很長一段時間，世人普遍認為，穩固、既有的大型公 司是最大的創新者，畢竟它們才有資源可以負擔得起大型實驗室及研發 人員。傑出的奧地利經濟學家熊彼得質疑這種觀點，他認為，規模較 小、較年輕、創新創業精神更濃厚、沒有維持現狀的利益考量的公司， 更可能推出真正新穎的產品與服務。他說：「一般來說，建造鐵路的並 不是驛馬車業者。」[29]確實，哈佛商學院教授克里斯汀生對破壞性創新 的劃時代研究結果顯示，破壞鮮少來自產業內的成功在位者；事實上，

破壞性創新往往令那些在位者措手不及。 有關創新的另一項優異研究，來自麻省理工學院教授艾瑞克．馮希 培（Eric von Hippel）。[30]他指出，在許多領域，「先驅使用者」（lead users）往往在創新方面扮演了重要角色。他們是既有產品與服務的使用 者，但發現這些產品與服務有缺失，於是開始設想改進的方法，也嘗試 建造、運用這些方法。馮希培記錄了從手術儀器到風箏衝浪等許多領域 的大量使用者創新，我們也在現代高科技產業中看到爆炸量的例子。許 多產業內傑出的公司，是由對現狀不滿的人所創建的，他們對自己說： 「一定有更好的方法」，決心一試。 舉例而言，跑腿服務媒介平台TaskRabbit的構想創建者，是當時28 歲、居住在麻州的IBM工程師麗雅．巴斯奇（Leah Busque）。2008年一 個寒冷夜晚，她需要為黃色拉布拉多犬寇比買食物，當時她心想：「要 是線上有個地方……，有個網站，你可以出自己願意支付的價格，徵求 他人為你代辦任何事情，那就太好了。在我的鄰居當中，一定有人願意 接受我支付的酬勞，幫我買狗食回來。」[31] 現今，許多科技業巨人，顯然注意到熊彼得和馮希培的洞察，持續 掃描在群眾裡面，是否出現了可能會顛覆它們的創新。如果發現了這樣 的創新，它們的本能反應往往不是粉碎它或撲滅它，而是將它買下，把 創新據為己有。從2011年到2016年間，蘋果收購了70家公司，[32]臉書收 購了超過50家，[33]谷歌收購了近200家。[34] 在這些例子中，收購者通常已有一個與被收購者互相競爭的產品或 服務，例如，臉書在收購WhatsApp及Instagram時，本身已有訊息交流 和相片分享的服務。通常，在這種情況下，在位者尤其容易說服自己相 信，那些新秀不會構成多大的威脅。但是，來自群眾的訊號，顯示了創 新如何不同、被採納的速度有多快，而這使得更大、歷史較久的公司領

導人，決心買下先驅使用者或其他創新者推出的創新。這類收購案往往 昂貴，舉例來說，臉書花了10億美元買下Instagram，[35]斥資超過200億 美元買下WhatsApp，[36]但比起遭到全面顛覆，這些價格顯然便宜很 多。 運用群眾來改變投資交易 我們預期，未來將有很多企業，會受到群眾型競爭者的挑戰，而且 其中很多是相當成功的龍頭企業。這類挑戰的一個早期例子，發生在晦 澀、高度技客型的自動投資領域。 在人類投資資產的悠長歷史中，例如公司股票、政府債券、貴金屬 與其他大宗物資、房地產等，幾乎所有購買決策都是人類做出的。雖然 在做出購買決策之後，有大量技術被用於執行實際的資產購買行動及後 續追蹤，但決策者幾乎都是人，不是機器。 這種情形從1980年代開始改變，領域先驅詹姆斯．西蒙斯（James Simons，他那個世代最有成就的數學家之一）和大衛．蕭（David Shaw，電腦科學家），分別創立了文藝復興科技公司（Renaissance Technologies）和德邵投資管理公司（D. E. Shaw），使用機器來做投資 決策。這些公司的機器分析大量資料，建立並測試有關資產價格在各種 情況下如何波動的量化模型，用程式和數學取代個人判斷，決定在何時 購買什麼資產。 這類量化分析投資管理公司的最優秀者，投資績效斐然。2016年10 月，德邵投資管理公司旗下管理了超過400億美元資產，[37]它的混合基 金（Composite Fund）在2011年前的十年間，平均年報酬率為12％。[38] 由一位前人工智慧學者及一位國際奧林匹克數學競賽銀獎得主創立的 Two Sigma Investments公司，旗下管理了一檔60億美元規模的羅盤基金

（Compass Fund），十年間的平均年報酬率為15％。[39]但是，幾乎每檔 避險基金的投資報酬率，都遠不如文藝復興科技公司只開放員工投資的 大獎章基金（Medallion Fund）；從1990年代中期起的二十多年間，這 檔基金的平均年報酬率（扣除管理費之前）超過70％。[40]這檔使用演算 法的基金，從創立以來，獲利已經超過550億美元，被彭博市場 （Bloomberg Markets）網站形容為：「也許是世界上最厲害的賺錢機 器。」[41] 程式設計師暨創業者約翰．法賽特（John Fawcett），曾經任職於 金融服務業，量化投資的績效雖然令他驚豔，但他關切的是，投資業核 心並未使用足夠的量化投資系統。他估計，截至2010年，全球只有 3,000至5,000個專業量化投資人。他告訴我們：「在我看來，這個數字 太低了，令我感到不安。更多投資人沒能採用我認為先進的投資方法， 我的想法是：『在什麼領域，人類獨自操作，能夠贏過人機合作呢？』 每一次，你都想要更自動化的版本。」[42] 法賽特一心一意想為群眾提供量化分析投資法，為了實現這個目 的，他和尚．布里戴希（Jean Bredeche）在2011年共同創立 Quantopian。這家公司面臨的艱巨挑戰是，為寬客（quants，金融工程 師）投資建立一個水準能與業內頂尖公司匹敵的技術平台，這個平台必 須能讓投資人上傳他們的演算法，並且快速測試在不同市場情況下的表 現，包括榮景期、衰退期、高利率時期、低利率時期等。方法之一是使 用歷史資料，回溯測試演算法，法賽特與同事努力建造出一個性能不亞 於大型機構投資人的回測系統。 這個新創平台，也必須讓投資人能夠正確評估交易所造成的市場衝 擊，因為若大量買進或賣出資產，將會改變資產的價格。評估這種市場 衝擊，是相當棘手的工作，在Quantopian花了很多時間。當然，該公司

的平台也必須處理演算法得出的建議交易的自動執行作業，以及紀錄保 存，並且遵守相關法規等。 法賽特知道，若Quantopian成功建立了一個穩健的平台，吸引潛在 的演算法交易者前來，將會獲得一項重大優勢：可以善用群眾生成的大 量好點子，而非只有最好的那個。許多眾包（crowdsourcing）行動試圖 找到單一解方，例如礦塊冰機的最佳設計，或是白血球基因組排序的最 佳演算法，但其實這類競賽的第二名或第三名，可能跟第一名一樣好， 但這項事實對主辦者來說卻往往不重要。 不過，對投資演算法卻大不相同。只要優異的演算法彼此不同，就 可以結合起來，創造出比只用單一演算法（不論多麼高明）更高的整體 投資報酬率。這項洞察──組成最適投資組合的重要性──顯著到令提出 者亨利．馬可維茲（Henry Markowitz），贏得了一座諾貝爾經濟學獎。 這個最適投資組合理論，非常適用於以群眾為基礎的環境，讓群眾來提 出表現優秀、但不相似的量化分析投資建議。法賽特告訴我們：「我為 Quantopian建構的一項挑戰是：『我們如何把找到許多彼此關連性低、 有良好結構＊的投資策略的機率最大化？』」[43] ＊在Quantopian看來，有「良好結構」的投資演算法，指的是這類演算法不過度倚重一種資 產，槓桿比率不過高（亦即不過度仰賴融資），能在各種市場境況下產生良好的投資報酬。

為了達到此一目的，方法之一就是讓很多人參與，提出量化投資策 略建議。到了2016年年中，Quantopian平台已經吸引到來自180國超過10 萬個演算法交易者，[44]提出的演算法超過40萬種。這些交易者有誰呢？ 法賽特說：「多半具備了一個共通點，擁有一個學位或一個更高等的學 位，或是有多年的專業經驗，懂得如何建立模型。他們可能是天體物理 學家，或是計算流體力學家；大體上來說，都是金融業的新手，但可能

是先進科技或石油與天然氣產業的從業者。其中，有學生，也有專業人 員。至於年齡，我想，大都是大學生年齡以上……，有一對已經退休、 一起打造東西的兄弟檔，他們的第一份職業都是很成功的科學家。」[45] 基本上，這些人大多是男性，而Quantopian現在的優先要務之一， 就是吸引更多的女性參與者。法賽特說：「我們想要促使這個社群，產 生更多樣化的策略。很多研究顯示，男女對風險的認知有明顯差異，對 投資的想法大不相同。因此，有更多女性參與社群是好事，……將可獲 得遠遠更好的投資績效，因為投資市場提供的報酬，不同於其他領域的 報酬。」[46] 那麼，Quantopian群眾的投資績效，相較於核心群（專業投資人） 的如何？截至2016年年底，該公司舉辦了十九場比賽，專業寬客贏了四 場，不用演算法的一個投資專業者贏了一場，其餘十四場的贏家是完全 的門外漢。不過，局內人與門外漢之間的真正較量，以及眾包演算投資 概念的真正考驗，出現在2017年。Quantopian計畫向合格投資人，推出 一檔自家的量化投資基金。這檔基金相較於其他避險基金（尤其是使用 演算法的量化型基金）的投資績效，將幫助我們了解，誰才是這個領域 的真正專家，以及群眾的力量到底有多大。 無論如何，投資界核心至少有一名中堅分子，對Quantopian有足夠 信心，把錢託給它代為投資。投資界最著名的避險基金經理人之一史蒂 芬．科恩（Steven Cohen），2016年7月宣布對Quantopian進行創投，並 把自家2.5億美元投資於Quantopian的眾包量化演算法組合。科恩麾下的 研究與創投部門主管馬修．葛瑞內德（Matthew Granade）說：「量化投 資領域的稀缺資源是人才，Quantopian展現出一種尋找人才的創新方 法。」[47] 我們對Quantopian很感興趣，因為它例示了改造商業世界的所有三

種技術趨勢。一，它用新方式結合人腦與機器，重新思考如何做出投資 決策，用資料與程式來取代人類的經驗、判斷與直覺。二，它建立一個 量化投資平台，而不是推出一種產品（例如回測系統），而且這個平台 開放且不論資格，旨在利用網路效應（優異的投資演算法愈多，就會吸 引更多資本；資本愈多，就能吸引到更多的演算法交易者），為交易者 提供順暢的使用者介面與使用者體驗。三，它成功集合了一個線上群 眾，在一個大而重要的產業中，挑戰核心及專家。 結果如何，我們拭目以待。

世界之聲：讓地球變得更好 本章討論的例子可能令人以為，現今存在的群眾，大多是為了滿足 核心的需要，或是為了與核心競爭，其實不然；很多時候，群眾運作只 是為了幫助群眾中的成員。羅伯特．萊特在他那篇發表於1993年的文章 〈美國之聲〉中，描述的那種點對點、分散式、往往非營利性質的社 群，如今依然非常活躍。 全球資訊網問世前的Usenet主題討論群，已經演進成無數的線上使 用者群組、社群論壇、留言板，以及其他空間，讓人們可以找到同儕提 供的資訊，也可以提出或回答疑問。在上頭，涵蓋了種種你能想像得到 的主題，從美妝品、汽車修理，到討論某個熱門電視節目的上一集內 容。 身為創新的粉絲，我們尤其振奮於「自造者運動」（maker movement）。這是一個廣義詞，指的是修補匠、DIY者、業餘製造者、 工程師及科學家，在線上互相幫助，分享步驟流程、食譜、藍圖、電路 圖、3D列印零件檔，嘗試解決的產品問題令你大開眼界，從自動卡丁

車到蓋革計數器（Geiger counter）都有。 自造者運動持續擴展，現在已經可以買到不貴的合成生物學工具箱 及材料，或是「合成生物學發展計畫」（Synthetic Biology Project）所 定義的：「設計與建造新穎的人工生物途徑、有機體或儀器，或是重新 設計既有的這類東西。」[48] 在全球各地，「DIY生物」（DIY bio）運動的成員，自行創造內含 生命密碼的胺基酸G、C、T、A串，並且在網路上分享他們的製法。自 從基因編輯工具箱CRISPR-Cas9在2012年問市後，生物駭客運動 （biohacking movement）獲得巨大推進，這個工具箱使研究人員得以空 前準確地修改DNA分子。 美國航太總署前科學家喬賽亞．傑納（Josiah Zayner），想讓這項 技術廣為普及，2015年在Indiegogo平台上推出了一項募資活動，想發展 一種「DIY細菌基因工程CRISPR工具箱」。結果，該活動募到了超過7 萬美元的贊助，[49]是原定目標的333％。他創立的歐丁公司（The Odin），設計出一套售價140美元的工具箱。成效如何呢？癮科技2016 年6月刊登的一篇報導寫道：「我用歐丁的DIY基因工程CRISPR工具 箱，扮演了上帝的角色。嘿，很棒哦。」[50] 就連歷史悠久的人類農耕活動，也被自造者運動改造了。麻省理工 學院媒體實驗室（MIT Media Lab）的研究人員卡勒．哈柏（Caleb Harper），發展出「糧食電腦」（food computers），這是一項可控制耕 種環境因素的科技，各種規模都有。每一部電腦使用的能源、水及礦物 質，都可以精準監控，其他如溼度、溫度、二氧化碳量、溶氧量等參數 也是一樣，耕種者可以實驗各種「氣候處方」，生產出他們想要的作物 特性，也可以跟他人分享處方，或是修改他人的處方。哈柏領導的「開 放農業行動」（Open Agriculture Initiative），旨在促成從桌上型個人糧

食電腦，到倉庫大小的各種規模的處方實驗與創新。[51] 人造手 儘管如此，醫療器材可能不是我們想託付群眾打造的一種產品類 別，對吧？為了確保安全與品質，這類產品必須由保健產業的核心設計 與打造，或者至少由這些核心進行測試、檢驗與核准，不是嗎？ 那可未必。人造手可以例示如何召集自造者群眾，證明當這種自我 組織的群眾投入解決問題，從事科技學者亞當．席耶勒（Adam Thierer）所謂的「無須經過批准的創新」（permissionless innovation）[52]時，潛在效能有多大。 2011年4月，南非一名木匠理查德．范恩愛斯（Richard Van As）操 作鋸台不慎，導致右手兩根手指被鋸斷。當時，安裝義肢花費可觀，范 恩愛斯開始尋求較便宜的方法。他偶然看到伊萬．歐文（Ivan Owen） 在那年稍早上傳的一支YouTube影片，歐文是機械特殊效果藝術家，影 片展示了他為一場「蒸汽龐克」（steampunk）＊聚會，打造一副裝在自 己手上的金屬延伸手爪。[53] ＊蒸汽龐克是一種科幻表現手法，大多以維多利亞時代為背景，來想像蒸汽力量的延伸，例如 以蒸汽為動力的機械電腦。蒸汽龐克的許多粉絲，喜歡穿戴自己想像與設計的機械裝置。

雖然這兩人住的地方相距超過一萬英里，但是透過電子郵件和 Skype通訊，[54]兩人共同打造出功能性人造手指。3D列印公司 MakerBot，捐贈了兩部桌上型3D列印機Replicator 2，使他們的工作速度 大幅加快。3D列印機讓自造者可以更快打造出原型，並且反覆修改與 迭代，最後為范恩愛斯打造出合適的機械手指。

他們把創作的影片上傳到YouTube，南非有位女士悠蘭蒂．迪朋納 （Yolandi Dippenaar）有個五歲兒子黎安姆，天生右手就沒有手指。她 看到這支影片，向歐文及范恩愛斯求援，兩人欣然同意。當他們在線上 研究可能的解方時，看到十九世紀中葉澳洲阿得雷德市的牙醫羅伯特． 諾曼（Robert Norman）打造的「柯爾斯下士的手」（Corporal Coles hand）。 約翰．柯爾斯（John Coles）下士在為一場閱兵典禮的大炮填裝火 藥時，發生了爆炸意外，導致他的右手被炸掉四根手指（只剩下拇 指）。諾曼用鯨鬚和羊腸線，為他打造了一支義手，不僅外觀像手，運 作起來也有幾分相像，手指能夠彎曲，「柯爾斯下士能夠靈巧地拾起一 顆鈕釦或一枚六便士銀幣」，一份現代文件如此描述。[55]諾曼如此打造 這件傑作：用鯨鬚精確地雕出手指指節，把它們接合起來，用滑輪及羊 腸線組成的一個內部機關來連結它們，由戴在柯爾斯拇指上的指環操 控。 諾曼的作品為後來的創新者提供靈感，因為詳細的製作說明被保存 在澳洲國家圖書館，圖書館把這份說明書數位化，讓外界可以在網路上 取得。歐文及范恩愛斯在線上進行研究時，看到了「柯爾斯下士的 手」，很是驚豔，很快就仿效為黎安姆打造出一支義手，命名為 「Robohand」。這兩位自造者也體認到，有了3D列印機和優異的設計 軟體，現在可以快速、便宜地設計與打造出各種義手。他們沒有申請專 利，而是把「Robohand」的各部設計，上傳到讓群眾分享3D列印檔案 的Thingiverse網站。 從那時起，至今已有超過1800副使用3D列印打造、組裝出來的義 手，被遞送至四十五個國家，給有需要的人。＊這是一項高度去中心化 的工作，協調要點是一個網站及谷歌文件，任何有興趣的人都可以加

入、編輯。經濟學家羅伯特．葛瑞波耶斯（Robert Graboyes）指出，這 類群眾創作，既便宜又創新： ＊這是保守估計，只包含透過e-NABLE線上社群打造與遞送的義手。e-NABLE的珍妮佛．歐文 （Jennifer Owen）說：「軼事報導指出，在我們這個社群的記錄流程以外，還有相同數量的 義手被打造出來。」參見：Enabling the Future, “Media FAQ,” accessed February 8, 2017.。

一副可用的義手，打造成本幾乎在一夕之間降低超過99％。3D列 印模型不同於5,000美元的模型，但它們可以用，而且成本便宜到能讓 自造者免費送給使用者。 使用者和自造者共同合作修改設計，原本四四方方、很生硬的義 手，變得更圓滑、細緻。接合式關節取代了很耗時間的細節，總成本降 低到某些設計只要35美元的材料費……。使用者和自造者也認知到，義 手不一定得完全複製人手。有位父親想讓兒子在夾取東西時做得更好， 打造了一副有兩隻拇指的義手，一端一隻。他的兒子路加（多幸運的名 字），現在變成了「酷手路加」（Cool Hand Luke）。還有其他人針對 特殊目的，例如專門用來騎腳踏車、攀岩、吹奏喇叭等，設計打造出不 同的人造手。[56]

這些例子在在顯示，線上群眾欣欣向榮，在許多方面與核心互動， 受到核心的幫助。我們認為，這種趨勢既健康又有益，絲毫不背離網際 網路的原始精神。伴隨著更好的裝置與網路出現，持續把各種社群網絡 帶給全球各地更多的人們，群眾只會變得更壯大、更聰敏，更能表達多 元意見。 我們興奮展望人工智慧的未來發展，它們將改變人類與機器的分 界，但我們更興奮展望把數十億人的智慧，引進全球的互連社群裡，他

們可以為彼此伸出援手。

本章摘要 ✔核心專家的表現，一再被所謂不具合適資格、傳統上被視為沒經驗 的群眾擊敗。 ✔群眾成功的原因之一是，核心往往與最感興趣的問題錯配。 ✔發生核心錯配的原因是，最有效解決問題所需要的知識，時常來自 與問題本身相距「甚遠」的某個領域，很難預料解決問題所需的重 要知識實際上存在何處。 ✔核心有許多途徑，可以利用群眾累積的知識與專長。核心與群眾， 未必得彼此疏離。 ✔現在，不需要來自核心的多少指揮或幫助，群眾也能夠成就很多事 情。科技幫助人們找到知識，而且彼此有效互動，能在最低程度的 中心化之下，共同打造事物。 ✔知名公司尋求新穎方式和群眾合作；在此同時，以群眾為基礎的新 創公司，現在對許多成功的在位公司的核心活動構成挑戰。

延伸思考題 1. 在面對挑戰與機會時，你們團隊或組織，如何向認可的內外部專家 以外的人或團體尋求協助？你們有多常這麼做？ 2. 你們可以進行什麼實驗，看看是否可以利用群眾來提供協助？你們 將如何判斷這類實驗的結果？

3. 在過去五到十年間，你們是否曾經改變取得新顧客的方法，以及評 估需求與支付意願的方法？改變了多少？ 4. 在過去五到十年間，你們是否增加了彼此經常互動的人數？ 5. 如果群眾提出一個更好的點子，你們將如何引進核心？

1. Karim Lakhani et al., “Prize-Based Contests Can Provide Solutions to Computational Biology Problems,” Nature Biotechnology 31, no. 2 (2013): 108–11, http://www.nature.com/nbt/journal/v31/n2/full/nbt.2495.html. 2. 同上注。 3. 同上注。 4. Dana-Farber/Harvard Cancer Center, “Ramy Arnaout, MD, PhD,” accessed February 8, 2017, http://www.dfhcc.harvard.edu/insider/member-detail/member/ramy-arnaout-md-phd. 5. 同注1。 6. 我們在2015年10月訪談卡林．拉哈尼的內容。 7. Anita Williams Woolley et al., “Evidence for a Collective Intelligence Factor in the Performance of Human Groups,” Science 330, no. 6004 (2010): 686–88. 8. Eric Raymond, The Cathedral and the Bazaar (Sebastopol, CA: O'Reilly Media, 1999), 19. 9. Lars Bo Jeppesen and Karim R. Lakhani, “Marginality and Problem-Solving Effectiveness in Broadcast Search,” Organization Science, February 22, 2010, http://pubsonline.informs.org/doi/abs/10.1287/orsc.1090.0491. 10. Jason Pontin, “Artificial Intelligence, with Help from the Humans,” New York Times, March 25, 2007, http://www.nytimes.com/2007/03/25/business/yourmoney/25Stream.html. 11. Jeremy Wilson, “My Gruelling Day as an Amazon Mechanical Turk,” Kernel, August 28, 2013, http://kernelmag.dailydot.com/features/report/4732/my-gruelling-day-as-an-amazon-mechanicalturk. 12. Michael Bernstein et al., “Soylent: A Word Processor with a Crowd Inside,” 2010, http://courses.cse.tamu.edu/caverlee/csce438/readings/soylent.pdf. 13. Topcoder, “Topcoder Is Different,” accessed February 8, 2017, https://www.topcoder.com/member-onboarding/topcoder-is-different. 14. Kaggle, accessed March 10, 2017, https://www.kaggle.com. 15. JamieV2014, “Task of the Week: Perform My Marriage,” TaskRabbit (blog), March 26, 2014, https://blog.taskrabbit.com/2014/03/26/task-of-the-week-perform-my-marriage. 16. LauraTaskRabbit, “Task of the Week: Deliver Ice Cream Cake to My Grandpa,” TaskRabbit (blog), November 18, 2014, https://blog.taskrabbit.com/2014/11/18/task-of-the-week-deliver-

ice-cream-cake-to-my-grandpa. 17. JamieV2014, “We're First in Line at the Apple Store,” TaskRabbit (blog), September 17, 2012, https://blog.taskrabbit.com/2012/09/17/were-first-in-line-at-the-apple-store. 18. IMDb, s. v. “Veronica Mars: TV Series (2004–2007),” accessed February 8, 2017, http://www.imdb.com/title/tt0412253. 19. Rob Thomas, “The Veronica Mars Movie Project,” Kickstarter, accessed February 8, 2017, https://www.kickstarter.com/projects/559914737/the-veronica-mars-movie-project. 20. 同上注。 21. Sarah Rappaport, “Kickstarter Funding Brings ‘Veronica Mars’ Movie to Life,” CNBC, March 12, 2014, http://www.cnbc.com/2014/03/12/kickstarter-funding-brings-veronica-mars-movie-tolife.html. 22. Business Wire, “Warner Bros.' ‘Veronica Mars’ Movie Opens on March 14, 2014,” December 6, 2013, http://www.businesswire.com/news/home/20131206005856/en/Warner-Bros.'-“VeronicaMars”-Movie-Opens-March. 23. 我們在2015年8月訪談馬克．安德森的內容。 24. Jacob Kastrenakes, “Indiegogo Wants Huge Companies to Crowdfund Their Next Big Products,” Verge, January 6, 2016, http://www.theverge.com/2016/1/6/10691100/indiegogoenterprise-crowdfunding-announced-ces-2016. 25. Indiegogo, “Indiegogo for Enterprise,” accessed February 8, 2017, https://learn.indiegogo.com/enterprise. 26. Telis Demos and Peter Rudegeair, “LendingClub Held Talks on Funding Deals with Och-Ziff, Soros, Third Point,” Wall Street Journal, last updated June 9, 2016, https://www.wsj.com/articles/lendingclub-and-hedge-funds-have-discussed-major-fundingdeals-1465476543. 27. Shelly Banjo, “Wall Street Is Hogging the Peer-to-Peer Lending Market,” Quartz, March 4, 2015, https://qz.com/355848/wall-street-is-hogging-the-peer-to-peer-lending-market. 28. 我們在2015年8月訪談馬克．安德森的內容。 29. Joseph Schumpeter, The Theory of Economic Development: An Inquiry into Profits, Capital, Credit, Interest, and the Business Cycle (Cambridge, MA: Harvard University Press, 1934), 66. 30. Eric von Hippel, Democratizing Innovation (Cambridge, MA: MIT Press, 2006). 31. Alexia Tsotsis, “TaskRabbit Turns Grunt Work into a Game,” Wired, July 15, 2011, https://www.wired.com/2011/07/mf_taskrabbit. 32. Wikipedia, s. v. “List of Mergers and Acquisitions by Apple,” last modified January 21, 2017, https://en.wikipedia.org/wiki/List_of_mergers_and_acquisitions_by_Apple. 33. Wikipedia, s. v. “List of Mergers and Acquisitions by Facebook,” last modified February 4, 2017, https://en.wikipedia.org/wiki/List_of_mergers_and_acquisitions_ by_Facebook. 34. Wikipedia, “List of Mergers and Acquisitions by Alphabet,” last modified February 2, 2017, https://en.wikipedia.org/wiki/List_of_mergers_and_acquisitions_by_Alphabet.

35. Evelyn M. Rusli, “Facebook Buys Instagram for $1 Billion,” New York Times, April 9, 2012, https://dealbook.nytimes.com/2012/04/09/facebook-buys-instagram-for-1-billion. 36. Facebook Newsroom, “Facebook to Acquire WhatsApp,” February 19, 2014, http://newsroom.fb.com/news/2014/02/facebook-to-acquire-whatsapp. 37. D. E. Shaw & Company, “[Who We Are],” accessed February 8, 2017, https://www.deshaw.com/WhoWeAre.shtml. 38. Cliffwater LLC, “Hedge Fund Investment Due Diligence Report: D. E. Shaw Composite Fund,” June 2011, http://data.treasury.ri.gov/dataset/96dcb86f-e97e-4b05-8ce2a40289e477a6/resource/ab68154d-9a7e-4a7d-82c9-d27998d1f2bc/download/DE-Shaw-HedgeFund-Investment-Due-Diligence-Report-0611Redacted.pdf. 39. Nathan Vardi, “Rich Formula: Math and Computer Wizards Now Billionaires Thanks to Quant Trading Secrets,” Forbes, September 29, 2015, http://www.forbes.com/sites/nathanvardi/2015/09/29/rich-formula-math-and-computer-wizardsnow-billionaires-thanks-to-quant-trading-secrets/4/#58ea036a3d61. 40. Richard Rubin and Margaret Collins, “How an Exclusive Hedge Fund Turbocharged Its Retirement Plan,” Bloomberg, June 16, 2015, https://www.bloomberg.com/news/articles/201506-16/how-an-exclusive-hedge-fund-turbocharged-retirement-plan. 41. Katherine Burton, “Inside a Moneymaking Machine like No Other,” Bloomberg, November 21, 2016, https://www.bloomberg.com/news/articles/2016-11-21/how-renaissance-s-medallion-fundbecame-finance-s-blackest-box. 42. 我們在2016年12月訪談約翰．法賽特的內容。 43. 同上注。 44. Quantopian, accessed March 10, 2017, https://www.quantopian.com/100000. 45. 我們在2016年12月訪談約翰．法賽特的內容。 46. 同上注。 47. Taylor Hall, “Point72's Cohen Bets $250 Million on Crowd-Sourced Quantopian,” Bloomberg, July 27, 2016, https://www.bloomberg.com/news/articles/2016-07-27/point72-s-cohen-bets-250million-on-crowd-sourced-quantopian. 48. Synthetic Biology Project, “What Is Synthetic Biology?” accessed February 8, 2017, http://www.synbioproject.org/topics/synbio101/definition. 49. Indiegogo, “DIY CRISPR Kits, Learn Modern Science by Doing,” accessed February 8, 2017, https://www.indiegogo.com/projects/diy-crispr-kits-learn-modern-science-by-doing#. 50. Andrew Tarantola, “I Played God with The Odin's DIY CRISPR Kit,” Engadget, June 30, 2016, https://www.engadget.com/2016/06/30/i-played-god-with-the-odins-diy-crispr-kit. 51. Open Agriculture Initiative, “Farming for the Future,” accessed February 8, 2017, http://openag.media.mit.edu. 52. Adam Thierer, Permissionless Innovation: The Continuing Case for Comprehensive Technological Freedom (Arlington, VA: Mercatus Center, 2014), section 1.02. 53. “Large Mechanical Hand,” YouTube, April 2, 2011, 0:48, https://www.youtube.com/watch?

v=dEHiAItVdiw. 54. Robert F. Graboyes, “A Hand for Innovation─Ivan Owen, Jon Schull and e-NABLE,” InsideSources, October 19, 2016, http://www.insidesources.com/a-hand-for-innovation-ivanowen-jon-schull-and-e-nable. 55. eHive, “Corporal Coles Prosthetic Hand; Robert Norman; 1845; AR#1723,” accessed February 8, 2017, https://ehive.com/collections/5254/objects/387275/corporal-coles-prosthetic-hand. 56. 同注54。

第12章

萬物去中心化的夢想 你認識的專家，為何不是你需要的專家？ 唯有人人自由，我才自由。 ──米海爾．巴庫寧（Mikhail Bakunin） 俄國思想家，1871年

已故經濟學家可能大大影響世界，我們早已知道這點；近年來，我 們又得知一點：匿名駭客也可能大大影響世界。 對世界影響深遠的經濟學家凱因斯（John Maynard Keynes），在 1936年出版的名著《就業、利息與貨幣的一般理論》（The General Theory of Employment, Interest, and Money）中寫道：「自認為不會受到 任何學理影響的實業從業者，通常在不知不覺中，受到了已故經濟學家 的影響。自以為聽到了什麼天啟的掌權狂人，瘋狂理念其實萃取自幾年 前的三流學者。我相信，既得利益者的力量，還遠遠比不上思想逐漸入 侵的力量。」[1] 凱因斯寫道：「事實上，這個世界幾乎全部受到經濟學家和政治哲 學家理念的影響與統治。」[2]凱因斯認為，亞當．斯密（Adam Smith）、馬克思（Karl Marx）、李嘉圖（David Ricardo）、海耶克、 熊彼得等著名「俗士哲學家」（worldly philosophers）＊ 的思想，影響 力遠遠超越了經濟學這個學科領域，改變了人們對於公平與正義的想 法，改變了公司的組織與創新作為，改變了政府在稅務與貿易等方面的

做法。經濟學家思考「交易」這項基本且普遍的人類活動，在這個主題 上的最重要思想具有巨大影響。 ＊羅伯特．海爾布魯諾（Robert Heilbroner）在1953年出版的著作《俗士哲學家：改變歷史的經 濟學家》（The Worldly Philosophers: The Lives, Times and Ideas of the Great Economic Thinkers）中，為經濟學家創造了「俗士哲學家」這個稱號。

比特幣：一場化名革命 中本聰（Satoshi Nakamoto）的思想，也對世界產生了巨大影響， 儘管沒人知道他為何許人也。＊ 2008年10月31日，[3]使用這個名字的某 人或某團體，在線上發表了一篇短文，標題為〈比特幣：一種點對點的 電子現金系統〉（“Bitcoin: A Peer-to-Peer Electronic Cash System”）。[4] 這篇文章提出了一項直白的疑問：為何線上支付必須涉及銀行、信用卡 公司及其他金融中介機構？為何不能像實體世界裡的現金付款？現金交 易有兩項優點：沒有衍生的費用，而且不記名。使用現金，你可以匿名 交易，當你用現金付款時，通常不會被要求出示身分證件。實體現金也 耐久，而且可以重複使用，它在我們的經濟體系中持續流通，一再被用 來支付交易。 ＊中本聰自2008年起，使用化名電子郵件及部落格貼文，與世界溝通一個願景，分享建立比特 幣制度所需要的源碼元素。中本聰的最後公開通訊是在2010年年底，此後外界多次嘗試猜 測、辨識其真實身分，皆未成功。據信，這位比特幣創造者，持有100萬個BTCs（BTC為比 特幣的交易縮寫字）。2016年9月時，這100萬個比特幣的市值超過6億美元，相當於所有流通 比特幣的近7％。

政府迄今仍然沒什麼意願創造數位美元、數位歐元、數位人民幣 等，＊1本著高度的企圖心，中本聰提議創造一個全新、完全獨立的數位 貨幣，名為「比特幣」。由於它高度倚賴相同於密碼學所使用的許多演

算法及數學，因此比特幣又被稱為一種「加密貨幣」 （cryptocurrency）。美元、日圓、土耳其里拉、奈及利亞奈拉，以及所 有國家發行的貨幣，被稱為「法定貨幣」（fiat currency），因為是由政 府下令而存在的，政府宣布它們是法定貨幣。＊2 ＊1一些國家的政府，已經開始探討發行數位現金的可能性，例如英國的中央銀行英格蘭銀行 （Bank of England）宣布，正在進行：「一項多年的研究計畫，評估由中央銀行發行數位貨 幣，可能帶來的重大經濟、技術與監管影響性。」參見：Bank of England, “Digital Currencies,” accessed February 8, 2017.。 ＊21873年至1971年間，美元可以轉換成一定量黃金，稱為「金本位制」（gold standard）。尼 克森總統推出一系列經濟措施之後，終結了美國的金本位制。

結合密碼學與數學，幫助中本聰解決辨識誰持有比特幣，並在網路 上用來付款的難題。持有及使用者在進行交易時，使用數位簽章，把正 確數量的比特幣從買方移轉給賣方。數位簽章已經存在多年，運作得很 好，任何人很容易取得及驗證數位簽章，它們很難偽造，而且數位簽章 是化名，人們可以在不揭露真實身分的情況下產生數位簽章。中本聰提 議，當比特幣交易發生時，這些交易將被記錄於一帳本上，詳載花了多 少比特幣，以及買賣雙方的數位簽章所驗證的化名身分。 如何使資訊不像資訊？ 比特幣系統需要一本通用且容易查閱的帳本，以應付「雙重支付問 題」（double spending problem，或名「一幣多付問題」）。之所以會出 現這種問題，是因為比特幣沒有實體，純粹只是一堆資訊罷了，必須確 保它們不遵循我們在第6章討論過的免費、完整、即時這三項資訊產品 的經濟特性。如果比特幣可以被免費、完整、即時地拷貝，那麼就會發 生偽造猖獗的情形，在化名的掩護下，壞蛋可以一再使用相同的數位貨 幣，直到被逮。這麼一來，商家將被欺騙，信任將蕩然無存，整個體系

很快就會崩解。 一本受到信賴、人人到處都可查閱的線上帳本，可以解決雙重支付 問題。商家（或任何人），可以驗證潛在買方確實擁有他們表示擁有的 比特幣，而且這些比特幣還沒有在別處花掉。 但是，由誰負責創造、維持及確保這個帳本的誠正性呢？不可能是 一家銀行或信用卡公司，或是結合兩者，因為中本聰提議的體系，完全 不倚賴現有的金融機構，也不倚賴政府，比特幣系統的運作必須完全獨 立於它們之外。事實上，這套系統必須用完全去中心化的方式運作，不 倚賴任何核心組織或機構，而且不論參與者如何改變，都能繼續生存、 順利運作下去。但是，這種徹底、永久的去中心化理念，卻絕對需要一 本永久、普遍受到信任的帳本，這兩者要如何調和呢？ 方法是藉由巧妙地結合數學與程式，再加上一點良性的自利動機。 中本聰提議的線上制度運作如下： 1. 每當買賣雙方發生一筆交易時，就向整個體系廣播這筆交易。 2. 名為「節點」（nodes）的專業電腦定期蒐集所有交易，驗證它們 的有效性──查證交易中使用的比特幣沒有在別處花掉。一段期間 中發生的一群良好交易，被稱為一個「區塊」（block）。 3. 在那些節點對交易執行這種驗證工作的同時，它們彼此間也相互競 爭，試圖為眼前這個區塊找到一個簡短的數字摘要，稱為「雜湊 值」（hash）。第一個找到正確雜湊值的節點，就是競賽中的勝出 者。尋找雜湊值是一種試誤的摸索過程，需要大量運算，因此被稱 為「工作量證明」（proof of work）。一個節點（專業電腦）的運 算能力愈強大，就愈可能在尋找雜湊值的競賽中勝出。工作量證明 被包含於區塊裡，當另一個節點試圖改變這區塊的內容時，必須重

做所有工作。 4. 第一個成功完成工作量證明的節點，將對整個體系發出廣播，告知 它剛完成的區塊。勝出的節點獲得的獎酬是：可以獲得一筆新發 行、事先訂定數量比特幣。＊這些比特幣的發行，將記錄於區塊 裡。 5. 其他節點核查這個區塊，確證此區塊內含的所有交易及其工作量證 明的有效性。它們有充分誘因去做這件事，因為若發現區塊中含有 不法交易或不正確的工作量證明，整個區塊就會無效，它所獎酬的 比特幣仍可被爭取。 6. 一旦其他節點確證區塊的確正確完成，便開始轉為執行其他交易的 驗證工作，再啟動整個創造區塊的流程。中本聰把這套體制，設計 成大約每十分鐘可以創造一個新區塊，發行獎酬的比特幣。他寫 道：「穩定增加新幣發行量，類似於金礦採礦者使用資源去採礦， 增加黃金的流通量。」[5]這類比確立，全球各地運作節點的人及組 織，被稱為比特幣「礦工」。 ＊最初訂定的獎酬是50個比特幣，2012年11月降低至25個比特幣，2016年6月再降低至12.5個比 特幣，這種過程稱為「減半」。比特幣軟體中，每增建21萬個區塊，就會發生一次獎酬減 半，減半最多可發生64次，產生的總比特幣發行量為2,100萬個，此後就不再發行任何比特 幣。參見：Jacob Donnelly, “What Is the ‘Halving’? A Primer to Bitcoin's Big Mining Change,” Coin-Desk, June 12, 2016.。因此，比特幣系統的所有參與者，知道比特幣如何發行、總計將 發行多少；美元、歐元、日圓或世界其他國家政府發行的貨幣，就不是如此了。各國政府有 權視需要，印更多鈔票，當當權者做出不智決策，太快印太多鈔票時，將引發嚴重的通貨膨 脹。

這東西也許真的行得通 許多人讀了中本聰的那篇文章後，相信他描述的那種系統，實際上 可以建立且實用，數學及程式方面似乎可行，更令人激賞的是，誘因似

乎也頗具效力。 礦工可以自主進行活動，無須協調，完全出於私利動機，只為了獲 取比特幣，完全沒有利他動機或社群精神。在這種情況下，這套系統仍 能達成目的，並且與時成長。比特幣的參與者不需要協調彼此，只需要 廣播他們的交易及完成的區塊；事實上，礦工們不用彼此協調更好，因 為協調很容易快速變成共謀，例如一群礦工結合起來，改寫歷史紀錄， 把所有比特幣變成自有。 中本聰的高明設計，為這種共謀攻擊提供了兩道主要防線，第一道 防線是工作量證明──為每個區塊找到正確雜湊值所投入的大量電腦運 算工作。每一個新區塊的雜湊值尋找工作變得顯著更難，而且區塊在數 學上鏈結起來，因此攻擊者不是只需要重做他們感興趣的那個區塊的工 作量證明，而是必須重做這條鏈上的每個區塊，亦即所有被創造出來的 區塊。由於區塊全部被鏈結在一起，所有交易的完整歷史紀錄，被稱為 「區塊鏈」（blockchain）。 工作量證明持續變得更難，還有另一項重要作用：想要接管整個比 特幣系統的話，＊所需要的電腦運算能力大大地與時俱增，很快就變得 完全不划算。許多礦工認為，值得持續投資於擴增專業化採礦硬體，以 期在一個又一個的區塊競賽中勝出，贏得比特幣。因此，攻擊者若想接 管整個比特幣系統，花費於採礦硬體的投資，將必須大於所有其他礦工 加總起來的硬體投資，成本與效益相較並不划算。 ＊個人或組織若擁有比特幣系統的總運算力的50％以上，就可以接管這套系統。因為在此境況 下，此人或組織幾乎總是能夠率先完成工作量證明，有力量決定哪些交易為有效交易。

第二道防線是，攻擊者基本上將會弄巧成拙，因為當人們與組織相 信比特幣系統已被壞蛋接管時，很快就會對整套系統失去興趣，改往其

他系統或支付方法，所以比特幣很快就變成沒有價值了。既然如此，攻 擊者又何必花大錢去攻擊並接管整個區塊鏈？到頭來，他們取得的資產 （大量比特幣），卻變得沒有價值，這不符合經濟效益。因此，看起來 唯一要擔心的攻擊者，是那些財力極為雄厚的恐怖主義分子，或是那些 有更微妙、複雜動機去掌控區塊鏈的人。＊中本聰認為這種人或組織並 不多，或者至少數量明顯少於想看到自己的資產增值的比特幣參與者。 ＊被接管後，比特幣的價值未必會崩潰。以法定貨幣來說，只要發行者在某種程度上仍然受到 信任，這法定貨幣通常仍具有價值，同理適用於比特幣。

總而言之，中本聰在短文中提出的藍圖，看起來可行、技術上可 行，經濟上也穩當。此外，它出現的時間點（2008年末）也很適巧，當 時世界各地許多人對現行金融體系失去信心（從抵押貸款公司到央行本 身），經濟大衰退（Great Recession）期間發生的破產、紓困與其他混 亂情勢，使得許多人相信全球現狀不公平、撐不下去，或者兩者皆是。 一種獨立於任何及所有政府之外的新貨幣，這個概念吸引了很多人，賺 錢（舊錢與新錢）的可能性也誘人。總之，發生有趣之事的時機與環境 成熟了，果然，很多有趣的事情發生了。 ✔2010年5月，佛羅里達州傑克遜維爾市（Jacksonville）的程式設計 師拉斯洛．韓耶斯（Laszlo Hanyecz），[6]在一個比特幣論壇上貼 文，徵求用一萬個比特幣交換幾塊披薩。四天後，18歲的傑洛米． 史特迪文（Jeremy Sturdivant）接受了這筆交易，在約翰老爹披薩 店（Papa John's）的網站上訂購了兩個披薩。這是第一筆用比特幣 購買實體產品的交易，史特迪文付了30美元買這兩個披薩，換算下 來，當時羽翼未豐的比特幣每個價值約0.003美元。若史特迪文把 這兩個披薩換到的那一萬個比特幣留下來，到了2017年1月中旬， 價值將超過830萬美元。

✔伴隨著比特幣的人氣提升，許多市場出現，促進它們的交易。這類 交易所讓人們以特定價格（通常是以美元或英鎊之類法定貨幣訂價 的價格）買賣比特幣，當買賣雙方的條件吻合時，就可以執行交 易。在這類交易所中，最大、最著名的是東京的Mt. Gox，[7]在頂峰 時期，該公司占了所有比特幣交易的80％。打從創立伊始，Mt. Gox就面臨到種種困難，包括2011年遭遇一次重大駭客入侵，導致 損失了875萬美元。儘管遭遇過那次網路偷竊，Mt.Gox仍然繼續成 長，直到2014年2月，該公司管理階層發現了一個安全性瑕疵，使 自家網站曝險了多年，於是Mt. Gox停止交易，關閉網站。在確定 交易所存在弱點，有巨量比特幣消失之後，[8]該公司申請破產。當 時，該公司估計損失了約價值4.7億美元的比特幣，[9]以及2,700萬美 元的現金。[10] ✔在比特幣興起之初，採礦工作雖然需要強大的運算力，仍可使用開 放源碼系統及個人電腦執行。但是，伴隨著每成功建立一個區塊， 成功採礦所需的工作量證明變得顯著更難，需要布署的資源規模大 幅增加。到了2015年1月，比特幣網路的處理能力，已經比全球最 強大的五百部超級電腦結合起來的處理能力大上13,000倍。[11]為了 尋找便宜電力，成功的礦工把作業據點設在冰島、華盛頓州、內蒙 古等地；[12]很快地，專門為比特幣採礦作業量身設計的專業電腦晶 片ASIC（特殊應用積體電路）也問市。 ✔截至目前為止，比特幣時代最悲慘的故事，大概是威爾斯的科技專 業人員詹姆斯．荷維茲（James Howells）了。[13]他從2009年開始， 從事比特幣的採礦工作，當時非常容易，成本幾乎為零，當然比特 幣也不值錢。他所有的比特幣紀錄，只存放在他的電腦硬碟裡，有 一天，他不小心把果汁灑到電腦上了，於是就拆解電腦。好消息 是，他把拆下的硬碟放到抽屜裡；壞消息是，2013年大掃除時，他

把那顆硬碟丟掉了。那年稍後，當他從新聞報導中聽到比特幣的價 格時，想起自己以前採得的比特幣，但發現自己扔了那顆硬碟，便 火速前往垃圾掩埋場。垃圾掩埋場經理告訴他，那顆硬碟很可能埋 在面積大如美式足球場般、幾英尺深的垃圾之下。當時，那顆硬碟 裡的7,500個比特幣，就已經價值750萬美元；可惜的是，荷維茲沒 能找回那顆硬碟。

礦工與建立比特幣網路的其他人的行為，一如凱因斯的預料，但是 有些有趣的差別。他們不是狂人，其中絕大多數也不是當權者，但他們 仍然「萃取了瘋狂理念」，不過這個理念不是來自三流學者，而是一個 化名：中本聰。

覺醒於區塊鏈的潛力 在這整個發展期間，對於比特幣與全球既有貨幣對抗的潛力，大多 數主流經濟學家抱持懷疑，甚至嗤之以鼻。他們指出，任何貨幣的兩個 主要功能是：一，當作交易工具（我給你這些美元、歐元或日圓，你給 我那棟房子、車子或雞肉晚餐）；二，儲存價值（我的總資產淨值是X 美元／歐元／日圓，可以購買許多房子、車子或雞肉晚餐。）為了提供 這些功能，貨幣的穩定性很重要。為使人們的活動能獲得指引，讓他們 能夠規劃未來，他們需要知道他們的錢的購買力將維持相當穩定，或者 至少知道其購買力將以一個可預測率變動。 但是，比特幣的價值（其衡量方法是它相對於美元之類法定貨幣的 兌換率）波動幅度甚大，2013年11月時，一個比特幣的價值超過1,100 美元，[14]然後重跌了77％，到了2015年1月，剩下不到250美元，兩年後 又升值到超過830美元。如此高的波動率，讓這個數位貨幣引起風險忍

受度高的投資人＊的興趣，但不適合當作交易或儲存價值的主流工具。 ＊通常指的是富有的投機者。

在各方爭論比特幣是否能成為一種合宜的貨幣時，另一小群人開始 提出了一個不同的觀點：真正有價值的創新，並不是這種新的數位貨 幣，而是它所倚賴的分散式帳本（distributed ledger）；真正重要的是區 塊鏈，不是比特幣。 比特幣的混亂史，足以證明區塊鏈確實有效能。多年來，它按照本 身的設計運作：完全去中心化、無人指導、顯然永不可竄改的交易紀 錄。＊1區塊鏈原本要記錄的交易，是比特幣的採礦與交易，但為何僅限 於這個用途呢？區塊鏈可被用來記錄種種東西，包括：所有權的轉移或 一筆土地的產權；某公司發行給一群人的股票；一棟辦公建物的買賣雙 方認同所有買賣條件都達成的文件；一名出生於夏威夷的嬰兒姓名、出 生地點及父母姓名等。這些事件全都將變成公開可見，都有確實的公共 檔案，而且不論誰想竄改歷史，都無法否認、無法修改。 這將是陽光下的新鮮事，而且很有價值。區塊鏈已經運作多年，受 到密切檢視，歷經壓力測試，可當作全球性、透明化、永不可竄改的帳 本。所有人都可以在網路上查看，沒有進入、參與或交易費用。＊2它的 存在開啟了許多可能性，創新者及創業者很快就開始探索這些可能性。 ＊1攻擊Mt. Got交易所及其他比特幣交易所得逞的駭客，並未損及區塊鏈本身。那些被偷的比 特幣，是偷自交易所的「熱錢包」（hot wallet）──連上網際網路的比特幣銀行帳戶，不屬於 區塊鏈的部分。 ＊2一區塊鏈交易的涉及方，可以決定包含一筆交易費，這筆費用將被用來獎酬創造此區塊鏈的 礦工。這些自願性質的費用，目的是當作對礦工的一種附加誘因。

✔已有學術機構使用區塊鏈，來記錄與分享經過核證的學生成績單， 賽普勒斯的尼科西亞大學（University of Nicosia）[15]和舊金山的赫 伯頓軟體工程學院（Holberton School of Software Engineering）[16]是 兩個早期例子。 ✔金伯利流程（Kimberley Process）[17]是聯合國支持的一種認證機 制，旨在減少衝突鑽石進入市場，多年來一直使用紙本的鑽石產地 證明，但該組織主席在2016年表示，[18]他們正在進行一項區塊鏈試 驗計畫，了解永不可竄改的帳本可以如何改進現行制度。倫敦的新 創公司Everledger，也使用相似技術，為消費者保險業務提供寶石 認證。[19] ✔2014年，被美國海關查獲輸入美國的仿冒鞋總值5,000萬美元，[20] 這只占了全球每年仿冒貨交易量4,610億美元的一小部分。[21]為了 防止這類假貨欺詐，美國的新創運動鞋品牌Greats 2016年推出 「Beastmode 2.0 Royale Chukkah」系列運動鞋時，[22]使用區塊鏈技 術的智慧型標籤，讓進貨者或潛在購買者可以用智慧型手機驗證手 上拿的是否為真品。 ✔線上零售商Overstock.com的執行長派屈克．伯恩（Patrick Byrne），從比特幣問世早年起，就是區塊鏈技術的支持者。2014 年9月，Overstock成為第一家接受數位貨幣的大型電子商務商 店。[23]伯恩後來又創立子公司TØ.com，使用區塊鏈記錄與追蹤金 融資產交易，這間公司名稱的含義是：在這個平台上的交易，當日 交割（等候0天），不像華爾街的交易，必須三天後（T+3）交割。 2015年6月，Overstock在TØ.com平台上發行與出售使用區塊鏈技術 的2,500萬美元公司債；[24][25]2016年3月，該公司宣布在TØ.com平台 上發行與出售使用區塊鏈技術的優先股。[26]這兩者都是世界先例。

✔納斯達克公司在2015年10月推出「Nasdaq Linq」解決方案，讓私募 公司可以使用區塊鏈技術來數位記錄股權。雖然這項產品一開始只 針對私募市場，納斯達克公司相信，可以把相似系統應用於公開市 場，可以把交割風險＊降低超過90％，[27]也顯著降低資本成本。 ＊交割風險（settlement risk）是指交易一方付款後，另一方可能未依約交付股份；或者反 過來，一方已經交付股份，另一方未依約付款。

✔愛爾蘭的歐努爾農產品合作社公司（Ornua），[28]2016年9月出口總 值10萬美元的乳酪給塞席爾貿易公司（Seychelles Trading Company），這是全球第一筆使用區塊鏈來結算與記錄貿易融資細 節的國際貿易。過去，國際貿易必須等下列兩項條件達成時，才確 實發生：第一，交易涉及方必須處理好關於貿易融資的所有細節， 包括為運送貨品投保、確定何時轉讓所有權等；第二，交易涉及方 收到這筆貿易融資的簽署合法文件，並對這些文件沒有異議。把歐 努爾農產品合作社公司與塞席爾貿易公司的這筆交易的所有相關文 件張貼於區塊鏈上，使整個流程從費時七天縮減為四小時。 ✔2016年6月，喬治亞共和國宣布和經濟學家赫南多．迪索托 （Hernando de Soto）合作，在該國設計與試驗一套使用區塊鏈技 術的土地產權註冊登記系統。把土地產權註冊登記流程搬到區塊鏈 上，可望為住宅與不動產擁有人及其他使用者降低成本，也減少發 生貪腐與紛爭的可能性，因為跟區塊鏈上的所有紀錄一樣，放在區 塊鏈上的土地紀錄是不可被竄改的。 智能合約 技術界很快就發現，區塊鏈技術可被用來記錄種種交易，而不是只

用來記錄與比特幣相關的交易。他們發現，分散式帳本非常適用於數位 「智能合約」（smart contracts）。「智能合約」一詞，是電腦科學家暨 法學家尼克．薩博（Nick Szabo）＊於1990年代中期提出的。他觀察 到，從許多方面來看，當作現代資本主義經濟學基礎之一的商業合約相 似於電腦程式：兩者都有清楚定義（電腦程式對變數有清楚定義，商業 合約對合約的所有涉及方及角色有清楚定義），兩者都載明在不同條件 或境況下將發生什麼事。舉例來說，書籍作者和出版商簽訂的合約，可 能載明在作者交稿給出版商時，可以收到多少版稅；當精裝本的銷量超 過了多少本以後，作者獲得的版稅率將會提高。任何技能水準還算不錯 的程式設計師，都可以用幾條程式寫出這些條件。 ＊很多人相信，薩博就是中本聰，但他一再否認。

但是，那又怎樣呢？縱使我們兩人用程式撰寫出我們和本書出版商 的合約，這有比白紙黑字的紙本合約還要好嗎？編輯還是得通知公司的 應付帳款部門，他已經收到我們交的稿子了，應該付錢給我們了，不是 嗎？我們還是需要會計人員及相關人員注意書籍銷量，以支付我們的後 續版稅，對吧？如果我們無法化解爭議，或是手上持有的合約內容，和 出版社持有的合約內容有出入（可能是不小心犯錯導致，或是被竄改 了），無法決定哪個版本才正確，就得訴諸法庭解決，不是嗎？基本 上，我們和出版社之間必須有相當高的互信度，相信對方將誠實、尊重 合約條款，不會有不端行為，不是嗎？ 我們是很信賴本書原文出版社諾頓公司（W. W. Norton & Company）沒錯，主要是因為我們已經和該公司合作過，出版了一本 書，那次的合作經驗很棒。我們當初決定交由該公司出版我們的第一本 合著，主要是因為該公司歷史悠久、聲譽佳，出版過我們非常尊崇的作

者寫的書籍，我們的著作經紀人＊1也高度推薦這家公司。總而言之，很 多跡象顯示，諾頓公司是個值得信賴的好夥伴。＊2 ＊1我們的著作經紀人是非常值得信賴的拉斐爾．賽格林（Raphael Sagalyn）。 ＊2但對諾頓公司來說，就沒有那麼多跡象顯示，我們兩人會是優秀作者，所以感謝該公司給我 們機會。

智能合約的提倡與擁護者，看待這種情況的方式很不同。他們會 說，與其信任諾頓會誠實、正確地向我們回報書籍銷量，倒不如仰賴尼 爾森圖書調查公司（Nielsen BookScan）之類的第三方。我們可以寫一 個能夠通往網路、尼爾森圖書調查公司、諾頓公司的銀行帳戶，以及我 們的銀行帳戶的程式，這個程式將會有下列的邏輯流程： 向作者與編輯呈現一個網頁，要求每個人都點選一個按鍵，確認已 經交稿。在這些人點選了這個確認按鍵之後，就自動從諾頓公司的 銀行戶頭匯款給作者。 然後，開始使用尼爾森圖書調查公司的調查資料，監視此書的精裝 本銷量。當精裝本銷量達到一定數量時，自動把未來支付給作者的 版稅率調高。

當然，我們之間的實際智能合約，會比上述這樣更正式、更複雜， 但不需要什麼深奧的資料或程式，相關程式很容易撰寫。 那麼，多種版本合約或合約被竄改的潛在問題呢？這就是區塊鏈能 夠提供理想解方之處了：我們和諾頓協商好合約之後，只須用數位簽章 簽名，加到區塊鏈就行了。這份合約記錄於這帳本（亦即區塊鏈）上 後，具有的特性完全相同於其他放在區塊鏈上的交易紀錄所具有的特

性：永久保存、看得到、可驗證；最重要的是，這些紀錄將永遠不會被 竄改，在事實成立之後，我們、諾頓或任何人，都無法竄改。我們可能 希望在這份智能合約中納入一點，就是能讓我們使用數位簽章打開合 約，重新協商合約內容，或是進行刪修；但除了這個可能性，區塊鏈的 誠正性，將確保這份合約的誠正性。 像這種合約的一大優點是，不需要種種的信賴。我們不需要去信賴 諾頓會正確計算銷量，因為這份合約倚賴尼爾森圖書調查公司的調查資 料；我們不需要去信賴諾頓將在精裝本銷量達到一定數量時，主動調高 我們的版稅率，因為不可更改的程式設計中內含了這個設定，會自動調 高。＊我們甚至不必去信賴所在地的法院一定會稱職、公正，因為這份 智能合約並不倚賴它們執行條款或證明有效性，這份合約只存在於區塊 鏈上，在區塊鏈上運作，利用區塊鏈的開放性、可驗證性及不可竄改 性。 ＊若我們擔心諾頓沒有足夠的錢支付版稅，可以在智能合約中，包含一個履約保證帳戶或其他 權宜之計。

智能合約先驅薩博在1996年寫道：

智能合約這個重要概念的概要陳述是：[29]合約應該內建於世界，而 這個世界的機制應該建構成使合約： a) 穩固到能夠對抗幼稚的惡意破壞行為； b) 穩固到能夠對抗老練算計、刻意、有理由的違約。

近二十年後，區塊鏈的世界顯然就是薩博當年描繪的結構與世界， 創業者、程式設計師及有遠見者也注意到了，於是將分散式帳本和智能

合約結合的行動開始旺盛。 截至2016年年底，在這些行動中，最著名的應該是以太坊 （Ethereum）。這個平台描繪自己是：「一個去中心化的智能合約平 台，完全依照程式設計來執行，沒有停工、審查、欺詐或第三方干 預。」[30]在以太坊平台上，推出了一些頗具企圖心的行動，我們將在下 一章討論其中一項。

推倒高塔：加密技術挑戰核心 在涉及加密貨幣、分散式帳本及智能合約的行動當中，至少有一些 意圖把以往中心化的活動與資訊予以去中心化，並且明顯偏好群眾模 式、反核心模式。背後的原因有很多，其中一項重要原因是覺得核心變 得過於強大，無法信賴。 2012年，在The WELL研討會一場線上交談中，科幻作家布魯斯． 史特林（Bruce Sterling）談到高科技產業中有一小群高塔，他說：「現 在，與其探討『網際網路』、『個人電腦事業』、『電話』、『矽谷』 或『媒體』，已經愈來愈沒有意義了，還不如直接研究谷歌、蘋果、臉 書、亞馬遜及微軟……，這五大美國高塔，正在改造世界面貌。」[31] 在那場研討會後不久，新聞工作者艾力西斯．麥德里哥（Alexis Madrigal），在《大西洋》雜誌上探討了這種高塔現象的影響性：

這些高塔將形塑出怎樣的世界面貌呢？我認為是這樣的：技術將會 在一座高塔內和個別（暫時）結盟的陣營完全暢通，但在和競爭者的分 界區域就完全行不通。 這麼一來，當你嘗試做一件事時，雖然沒道理行不通，但就是行不

通。別無他法，除非改變軟體的一些元件，以便能夠通行於某座高塔 內。 像這種情形，將會經常發生。[32]

這個論點認為，那些在科技產業內形成最深部核心的高塔公司，照 顧的是本身的利益，不能信賴它們會照顧消費者的利益。而且，這些高 塔的力量似乎只增不減，使得史特林的觀點更顯先見之明。舉例而言， 他在2012年說的這五家高塔公司，[33]到了2016年7月末，成為全球市值 最高的五家上市公司。 這種不信賴的心理，並不僅限於高科技產業，在2008年金融危機導 致的經濟大衰退之後，愛德曼公關公司（Edelman）進行的問卷調查發 現，[34]金融服務業是全球最不受信賴的產業。但是，要如何顛覆這個產 業裡的強大公司，又不至於創造出具有相同弱點與缺失的其他強大公 司？ 想重建整個經濟？區塊鏈也許是個方法 科技新聞網站TechCrunch的強．伊凡斯（Jon Evans），2015年1月 撰寫了〈萬物去中心化〉（“Decentralize All the Things”）一文，建議了 一個有趣的簡單方法：[35]為何不更廣泛應用比特幣、區塊鏈及智能合約 背後的理念、流程與技術呢？中本聰啟動的加密貨幣實驗，已經例示了 不凡的成就：獨立與出於自利的群眾，只須少量溝通和大量數學與程 式，就能共同創造出高價值，擊敗核心，產生並維護一份重要交易的正 確帳本。這個啟示可以被應用得多廣呢？有界限嗎？ 伊凡斯這篇文章承認，邁向此願景雖有阻礙，但有信心能夠克服。 這是「解決主義」（solutionism）的一個好例子：相信只要正確結合創

業活力與技術創新，難題終將迎刃而解。「解決主義」一詞，原意為一 種羞辱；作家耶夫根尼．莫洛佐夫（Evgeny Morozov）創造的這個詞 彙，指的是「一種智識病態」。[36]但是，許多科技人士對於被稱為「解 決主義者」並不以為忤，反而擁抱這個名稱，例如馬克．安德森在推特 個人檔案中描繪自己：「從1994年以來，就是個樂觀的解決主義 者。」[37] 比特幣與區塊鏈技術，令解決主義者覺得很好用。智能合約及相關 創新提供了好例子，令許多人樂觀展望區塊鏈技術，可以更廣泛應用於 帳本以外的更廣泛領域，同時能維持其最令人合意的特性。解決主義者 的願景是，讓區塊鏈變成一種開放、透明、全球性、免費使用（或至少 很便宜）、普遍可取得、永不可改變的、各種資訊產品的資料庫，而非 只是比特幣交易的紀錄帳本。 那麼，誰還需要公司呢？ 合約和軟體也是資訊產品，群眾模式的加密貨幣解決主義者說，想 像人們與組織撰寫的程式，能夠存取銀行帳戶、保險單、履約保證金帳 戶、投資資產組合等種種資訊資產，想像這些程式可以存取區塊鏈上的 紀錄資訊，把交易資訊記錄在區塊鏈上，連程式本身也記錄於其上。由 於區塊鏈的不可竄改性，這樣的系統將可保證程式不會被改或被駭，將 以原設計運作。這麼一來，就能產生種種新的可能性，對真實世界有影 響性的合約及複雜交易，將可自動、極低成本地執行，不需要任何中央 權責機構的監管照料。 有些人認為，區塊鏈技術已經強大到足以挑戰那些被史特林等人認 為掌控了極大部分網路的高塔公司。唐．泰普史考特（Don Tapscott） 及其子，在2016年出版的《區塊鏈革命》（Blockchain Revolution）中寫

道：

企業力量已經掌控許多點對點、民主化、開放的好技術，用它們囊 取了過多的價值份額。……亞馬遜、谷歌、蘋果及臉書之類的強大「數 位集團」……汲取民眾與機構生成的龐大寶貴資料，轉為己用……。現 在，區塊鏈技術開啟了扭轉這些趨勢的種種新可能性。我們現在有了真 正的點對點平台……，可以開始改變財富的分配方式──首先，改變財 富的創造方式，從農夫到音樂藝人，各地世人能以事先安排的方式，分 配到他們創造的財富的更大份額。希望無窮，前途無量。[38]

在已開發國家，許多人覺得大公司──尤其是金融業及高科技業的 大公司，已經過份太強了。另一方面，許多開發中國家的法院較薄弱， 陌生人之間的互信度低，政府採行的政策傷害貨幣。加密貨幣的擁護者 認為，前述兩種境況的結果相同：交易被阻塞、抑制，機會遭到浪費， 人們未能享有原本可以獲得的更好生活。 許多人從事比特幣、區塊鏈及智能合約的研究與開發工作，就是因 為他們想要改善這些境況。基本上，也就是藉由把市場經濟的許多重要 層面，從核心模式轉移至群眾模式，從央行、公司、法制，轉交給世界 各地龐大數量的電腦運作，讓那些節點把一切去中心化。 但是，這種轉變會不會運作得很好呢？

本章摘要 ✔比特幣系統展示了完全去中心化社群的潛力，藉由結合數學（密碼 學）、經濟學、程式與網路，可以創造出如同貨幣這般基礎且重要

的東西。 ✔區塊鏈很可能比比特幣系統本身更重要、更有價值。它是開放、透 明、全球化、具彈性、永不可竄改的帳本，價值顯著，尤其是把它 和智能合約及其他數位創新結合起來的話。 ✔關於比特幣及區塊鏈，最不凡的一點應該是，它們讓出於自利的人 們與組織，匯集成一個全球性的群眾，共同創造出龐大價值。 ✔比特幣和區塊鏈技術，引發了一股創新和創業浪潮，目前還不清楚 最終將對經濟和社會扮演什麼角色。 ✔有些人認為，從銀行到科技公司，一些大型組織的力量，已經變得 過份強大。現在，有了高度去中心化的新技術，已經有其他可替代 的有效選項。 ✔早期行動顯示，新的帳本技術的需求很大。這可能使得許多既有事 業流程，變得更便宜、更快速；或許，更重要的是，將會產生新的 事業流程。

延伸思考題 1. 開放、透明、全球化、彈性的、永不可竄改的帳本，可能對你們的 組織有何價值？你們會把哪些文件、紀錄或交易放到這帳本上？你 們的哪些夥伴（顧客、供應商、第三方、政府機構等）將會加入？ 你認為這樣的帳本，可以為你們節省多少時間與金錢？ 2. 為了使這帳本對你們真正有益，它是否也必須高度去中心化？還是 可以交給一個或多個組織持有、控管？ 3. 比特幣及其他加密貨幣，可能對你們有何重要性？你們打算接受這

種支付工具嗎？ 4. 若你們打算嘗試智能合約（100％自動執行的合約），會先嘗試哪 些合約？ 5. 你認為，在未來五到十年內，大規模的去中心化，將會在什麼領域 顛覆核心，大量或完全取代核心？

1. John Maynard Keynes, The General Theory of Employment, Interest, and Money (London: Palgrave Macmillan, 1936), 383–84. 2. 同上注。 3. Paul Vigna and Michael J. Casey, The Age of Cryptocurrency: How Bitcoin and Digital Money Are Challenging the Global Economic Order (New York: St. Martin's Press, 2015), 41. 4. Satoshi Nakamoto, “Bitcoin: A Peer-to-Peer Electronic Cash System,” October 31, 2008, https://bitcoin.org/bitcoin.pdf. 5. 同上注。 6. Bitcoinwhoswho, “A Living Currency: An Interview with ‘Jercos,’ Party to First Bitcoin Pizza Transaction,” Bitcoin Who's Who (blog), January 30, 2016, http://bitcoinwhoswho.com/blog/2016/01/30/a-living-currency-an-interview-with-jercos-partyto-first-bitcoin-pizza-transaction. 7. Yessi Bello Perez, “Mt Gox: The History of a Failed Bitcoin Exchange,” CoinDesk, August 4, 2015, http://www.coindesk.com/mt-gox-the-history-of-a-failed-bitcoin-exchange. 8. Robert McMillan, “The Inside Story of Mt. Gox, Bitcoin's $460 Million Disaster,” Wired, March 3, 2014, https://www.wired.com/2014/03/bitcoin-exchange. 9. Robin Sidel, Eleanor Warnock, and Takashi Mochizuki, “Almost Half a Billion Worth of Bitcoins Vanish,” Wall Street Journal, February 28, 2014, https://www.wsj.com/news/article_email/SB10001424052702303801304579410010379087576. 10. Jake Adelstein and Nathalie-Kyoko Stucky, “Behind the Biggest Bitcoin Heist in History: Inside the Implosion of Mt. Gox,” Daily Beast, May 19, 2016, http://www.thedailybeast.com/articles/2016/05/19/behind-the-biggest-bitcoin-heist-in-historyinside-the-implosion-of-mt-gox.html. 11. Michael J. Casey, “Bitcoin's Plunge Bites ‘Miners,’” Wall Street Journal, January 14, 2015, https://www.wsj.com/articles/bitcoins-plunge-bites-miners-1421281616. 12. Simon Denyer, “The Bizarre World of Bitcoin ‘Mining’ Finds a New Home in Tibet,” Washington Post, September 12, 2016, https://www.washingtonpost.com/world/asia_pacific/inchinas-tibetan-highlands-the-bizarre-world-of-bitcoin-mining-finds-a-new-

home/2016/09/12/7729cbea-657e-11e6-b4d8-33e931b5a26d_story.html? utm_term=.80e5d64087d2. 13. “James Howells Searches for Hard Drive with £4m-Worth of Bitcoins Stored,” BBC News, November 28, 2013, http://www.bbc.com/news/uk-wales-south-east-wales-25134289. 14. Blockchain, “BTC to USD: Bitcoin to US Dollar Market Price,” accessed February 8, 2017, https://blockchain.info/charts/market-price. 15. University of Nicosia, “Academic Certificates on the Blockchain,” accessed February 8, 2017, http://digitalcurrency.unic.ac.cy/free-introductory-mooc/academic-certificates-on-theblockchain. 16. Rebecca Campbell, “Holberton School Begins Tracking Student Academic Credentials on the Bitcoin Blockchain,” Nasdaq, May 18, 2016, http://www.nasdaq.com/article/holberton-schoolbegins-tracking-student-academic-credentials-on-the-bitcoin-blockchaincm623162#ixzz4Y8MUWUu2. 17. James Melik, “Diamonds: Does the Kimberley Process Work?” BBC News, June 28, 2010, http://www.bbc.com/news/10307046. 18. United Arab Emirates Ministry of Economy, “Kimberley Process: Mid-term Report,” 2016, https://www.kimberleyprocess.com/en/system/files/documents/kimberley_process_midterm_report.pdf. 19. Everledger, accessed March 10, 2017, https://www.everledger.io. 20. US Department of Homeland Security, “Intellectual Property Rights Seizure Statistics: Fiscal Year 2014,” accessed February 8, 2017, https://www.cbp.gov/sites/default/files/documents/2014%20IPR%20Stats.pdf. 21. OECD (Organisation for Co-operation and Development), “Global Trade in Fake Goods Worth Nearly Half a Trillion Dollars a Year─OECD & EUIPO,” April 18, 2016, https://www.oecd.org/industry/global-trade-in-fake-goods-worth-nearly-half-a-trillion-dollars-ayear.htm. 22. John Brownlee, “How Sneaker Designers Are Busting Knock-Offs with Bitcoin Tech,” Fast Company, June 3, 2016, https://www.fastcodesign.com/3060459/how-sneaker-designers-arebusting-knockoffs-with-bitcoin-tech. 23. Cade Metz, “The Grand Experiment Goes Live: Overstock.com Is Now Accepting Bitcoins,” Wired, January 9, 2014, https://www.wired.com/2014/01/overstock-bitcoin-live. 24. Cade Metz, “Overstock Will Issue a Private Bond Powered by Bitcoin Tech,” Wired, June 5, 2015, https://www.wired.com/2015/06/overstock-will-issue-private-bond-powered-bitcoin-tech. 25. Overstock.com, “Overstock.com Launches Offering of World's First Cryptosecurity,” June 5, 2015, http://investors.overstock.com/phoenix.zhtml?c=131091&p=irolnewsArticle&ID=2056957. 26. Overstock.com, “Overstock.com Announces Historic Blockchain Public Offering,” March 16, 2016, http://investors.overstock.com/mobile.view?c=131091&v=203&d=1&id=2148979. 27. Nasdaq, “Nasdaq Linq Enables First-Ever Private Securities Issuance Documented with

Blockchain Technology,” December 30, 2015, http://ir.nasdaq.com/releasedetail.cfm? releaseid=948326. 28. Jemima Kelly, “Barclays Says Conducts First Blockchain-Based Trade-Finance Deal,” Reuters, September 7, 2016, http://www.reuters.com/article/us-banks-barclays-blockchainidUSKCN11D23B. 29. Nick Szabo, “Smart Contracts: Building Blocks for Digital Markets,” Alamut, 1996, http://www.alamut.com/subj/economics/nick_szabo/smartContracts.html. 30. Ethereum, accessed February 8, 2017, https://www.ethereum.org. 31. The Well, “Topic 459: State of the World 2013: Bruce Sterling and Jon Lebkowsky,” accessed February 8, 2017, http://www.well.com/conf/inkwell.vue/topics/459/State-of-the-World-2013Bruce-St-page01.html. 32. Alexis C. Madrigal, “Bruce Sterling on Why It Stopped Making Sense to Talk about ‘The Internet’ in 2012,” Atlantic, December 27, 2012, https://www.theatlantic.com/technology/archive/2012/12/bruce-sterling-on-why-it-stoppedmaking-sense-to-talk-about-the-internet-in-2012/266674.

33. Will Oremus, “Tech Companies Are Dominating the Stock Market as Never Before,” Slate, July 29, 2016, http://www.slate.com/blogs/moneybox/2016/07/29/the_world_s_5_most_valuable_companies_apple_google_mic 34. Edelman, “2016 Edelman Trust Barometer,” accessed February 9, 2017, http://www.edelman.com/insights/intellectual-property/2016-edelman-trust-barometer/state-oftrust/trust-in-financial-services-trust-rebound. 35. Jon Evans, “Decentralize All the Things!” TechCrunch, January 10, 2015, https://techcrunch.com/2015/01/10/decentralize-all-the-things. 36. Evgeny Morozov, “The Perils of Perfection,” New York Times, March 2, 2013, http://www.nytimes.com/2013/03/03/opinion/sunday/the-perils-of-perfection.html. 37. Peter Sims, “How Andreessen Horowitz Is Disrupting Silicon Valley,” Silicon Guild, September 5, 2014, https://thoughts.siliconguild.com/how-andreessen-horowitz-is-disrupting-silicon-valley208041d6375d#.jguk1gbxx. 38. Don Tapscott and Alex Tapscott, Blockchain Revolution: How the Technology behind Bitcoin Is Changing Money, Business, and the World (New York: Portfolio, 2016). 本書有繁體中文版， 由天下文化出版。

第13章

企業過時了嗎？（提示：沒有） 有些人視私人企業為應該射殺的猛虎，有些人視它為可以擠奶的母 牛，把它視為拉動車廂的壯馬的人並不多。 ──邱吉爾（Winston Churchill） 前英國首相，1874-1965年

在強大的新科技年代，我們還需要企業嗎？許多觀察家說，現在已 經有確實可以取代企業的另類選擇了。這些另類選擇使用本書敘述的許 多數位創新，尤其是徹底去中心化、群眾模式的技術，如上一章所述的 加密貨幣、分散式帳本與智能合約。企業是現代資本主義制度的核心， 但如同本書第三部一再例示的，核心往往被科技賦能的群眾擊敗，所以 企業的未來命運如何呢？ 為了回答這項重要疑問，首先，我們來看看近年間嘗試以群眾取代 公司的兩項行動：The DAO（一個去中心化自主組織），以及比特幣／ 區塊鏈行動。再用經濟理論來分析這兩項行動的近年史，可以從中獲得 很多關於企業未來命運的啟示。

The DAO 2016年5月28日，格林威治標準時間早上九點，[1]創投界最純粹形式 的群眾，完成有史以來金額最高的群眾募資，這個組織是第一個完全去 中心化的自主組織The DAO。＊該組織的宣言這麼解釋：「The DAO既

無定處、也無所不在，只以永不可竄改的程式，屹立不搖地運作 著。」[2]它像一支創投基金，但遵循的是一切去中心化的原則。 ＊The DAO取名自公元前六世紀的中國道家及思想著作《道德經》，西方常把「道」譯為「the way」，指天地萬物的運行機制。電影《星際大戰》（Star Wars）系列裡的「原力」（The Force），經常被指為源自「道」。建立The DAO這個去中心化自主組織的科技人員，顯然很 清楚「decentralized autonomous organization」或「distributed autonomous organization」的頭字 語DAO，會令人聯想起「道」這個字。

The DAO使用開放源碼的分散式軟體來執行智能合約，它是從以太 坊建造出來的，使用加密貨幣以太幣（ether coin）。跟創投基金一樣， The DAO核准與投資於創新創業計畫，但它有兩點不同於傳統創投基 金：一，投資的未必是承諾提供財務報酬的創新創業計畫，也可以支持 非營利行動；二，並非由合夥人或評估核心群，來挑選投資於什麼計 畫，而是由出資的群眾投票選擇，個別成員的投票權比重取決於出資 額。 在The DAO軟體之外，沒有任何的人或架構性質層級──沒有執行 長、沒有董事會、沒有員工，甚至沒有像托瓦茲為運作Linux而成立的 指導委員會。基本上，The DAO就只是一種軟體，唯有當大多數的參與 者決定在電腦上安裝新版軟體時，才會改變既有軟體的功能。在發生這 種情況之前，The DAO繼續以原程式運作，不可能中斷或人為干預。沒 有任何人或組織，有正式職權改變The DAO，沒有人協商或訴求改變， 若發生認為不公之事，也沒有人去打官司。 很多人認為，就是需要這種軟體，來戰勝核心的偏誤與缺失。評論 者稱它為「典範轉移」，說它：「能夠帶來商業民主化的新機會。」[3] 《富比士》（Forbes）雜誌說它：「使未來的創業者……得以針對使 命、願景及策略的最適需求，量身設計組織，以改變世界。」[4]大筆資

金湧入，[5]支持這個全新的虛擬組織，在2016年5月的短短二十八天之 內，總計募集到1.62億美元。[6] 沒能維持多久 但是，在The DAO完成前述募資後沒多久，[7]一群電腦科學家分析 它的程式之後，發表報告指出，＊這個軟體內建的社群投票流程有嚴重 瑕疵。這些作者在文中表示，他們公開討論這些問題，並非意圖摧毀已 經存在的The DAO，而是想要強化它：「我們討論這些攻擊，並且提出 有助於減輕攻擊，或使攻擊完全不可能發生的簡單、集體建議。」[8] ＊該報告由迪諾．馬克（Dino Mark）、佛拉德．贊佛（Vlad Zamfir）、艾蒙．剛．席耶勒 （Emin Gün Sirer）等人合撰，指出軟體中的許多弱點，並非只是軟體漏洞，而是經濟瑕疵， 讓投資人有誘因做出與這個軟體社群的最佳利益背道而馳的投資行為。參見：Cade Metz, “The Biggest Crowdfunding Project Ever──The DAO──Is Kind of a Mess,” Wired, June 6, 2016.。

但是，不久後盜領The DAO近三分之一資金的匿名駭客，[9]就不是 這麼為這個社群著想了。駭客在檢視這個軟體後發現，基本上可以把 The DAO變成一台裝滿現金、一直吐鈔的ATM，就算戶頭裡面沒錢。 而且，這種盜領是公開的，畢竟The DAO是透明化平台。此外，這 種盜領完全合法，因為這個軟體的授權條款明訂，用戶必須完全接受這 個去中心化自主組織內發生的所有事。 有人問，駭客為什麼要這麼做？因為提領那些以太幣，並無法立刻 換成美元或其他任何法定貨幣呀。中本聰研究機構（Satoshi Nakamoto Institute）的丹尼爾．克拉維茲（Daniel Krawisz），[10]提出一個解釋 是，駭客可以在一個線上運作的加密貨幣交易所，放空以太幣近300萬 美元，一旦The DAO遭駭事件曝光，以太幣的價值就會暴跌，操作放空

的駭客就可以大賺一筆。 不過，重要疑問並不在駭客的動機，而是在此事件顯露的加密貨幣 與智能合約的脆弱性。中本聰研究機構提出駭人評估，[11]說以太坊「氣 數已盡」，它的程式設計糟糕，再加上使用條款基本上讓這個糟糕的程 式具有合法約束力，注定是災難一場。 但是，萬物去中心化夢想的信仰者，還不打算放棄。2016年7月， 以太坊共同創辦人、2013年才19歲就發表了「以太坊白皮書」的維塔 利．巴特林（Vitalik Buterin）宣布，以太幣及其區塊鏈做出「硬分岔」 （hard fork）。[12]若The DAO的大多數參與者，接受這個硬分岔（推出 新版的以太坊軟體），之前發生在這個去中心化自主組織內的所有交易 將一筆勾消，在這些交易中涉及的所有以太幣，將回歸給原持有人。 大多數成員都接受這次的硬分岔，但有不少反對成員激烈抨擊。署 名「E. J. Spode」（可能是化名）的人，在《永旺》（Aeon）線上雜誌 發文解釋反對原因：「在反對的少數人看來，硬分岔破壞了以太坊的核 心原則。這項原則就是要繞過所有干預的人類，包括腐敗官僚與政治人 物、董事會、執行長、律師等。程式就是律法，如果你沒看到軟體裡的 弱點，那是你的問題，因為這個軟體是公開可見的。」[13] 這位E. J. Spode列出的干預人員，或許應該要加上央行官員，因為 他們經常被抨擊出手操縱法定貨幣的價值。許多人認為，硬分岔做了另 一件更糟糕的事：不是武斷改變以太幣的價值，實際上是改變了以太幣 的擁有人。The DAO的一些原始參與者，拒絕接受這個硬分岔，繼續使 用原版的分散式軟體，並且為自己的系統取名為「古典以太坊」 （Ethereum Classic）。[14]截至我們撰寫本文的2017年年初，以太坊及古 典以太坊繼續平行並存。

比特幣難堪終結？ 儘管在全球各地擁有大量的熱中支持者，比特幣和區塊鏈也遭遇到 麻煩。2016年1月，邁可．荷恩（Mike Hearn）賣掉他持有的所有比特 幣，退出這項發展計畫。荷恩是備受尊崇的比特幣區塊鏈程式設計貢獻 者，他深切相信比特幣的前景，乃至不惜辭去在谷歌的工作，把全部時 間投入在相關發展中。荷恩在部落格文章〈比特幣實驗結局〉（“The Resolution of Bitcoin Experiment”）[15]中，解釋了他的決定，在他看來， 這個結局是失敗，而失敗不是因為採礦問題，或是加密貨幣本身新發現 的脆弱性，而是因為組織方面的問題。荷恩寫道：

它的失敗導因於社群的失敗，原本應該是一種全新、去中心化的形 式、沒有「重要制度機構」、沒有「大到不可倒」問題的貨幣，如今已 經變成更糟糕的東西：一個完全由少數人掌控的系統。更糟糕的是，這 個網絡已經瀕臨技術性崩潰，原本應該防止這種情形的機制已經故障， 因此已經沒有理由再認為，比特幣真的可以比現行金融體系更好。[16]

該如何處理這套系統的後續成長，意見分歧，衍生出很多問題。兩 派陣營浮現，各由資深程式設計師領導，雙方人馬非但沒有致力於化解 歧見，還隨著時日固化了各自的立場。兩邊都自認為忠於比特幣及區塊 鏈的創立理念與原則，每一邊都有一些成員和創投資金撐腰的加密貨幣 新創公司或其他商業利益有關。多年前已經離開討論圈的中本聰，對此 問題一直保持沉默。在這場僵局持續的同時，比特幣系統的表現變 差，[17]一些區塊鏈上的交易，可能延遲或完全遭到忽視的風險提高。 在比特幣系統的架構與未來陷入爭議的同時，還有另一項令人擔心 的發展趨勢：全球比特幣採礦運算力高度集中於中國。截至2016年年

中，中國的比特幣交易所占了全球比特幣總交易量的42％；[18]據估，全 球的比特幣採礦運算力有70％位於中國。[19]這個社群有許多人認為，任 何層面的高度集中都不是好事，因為將導致對這套系統的發展握有高度 影響力，而比特幣及區塊鏈的設計原意，就是要藉由保持去中心化來避 免這種影響。尤其是，當任何一個實體或協調團隊，握有超過50％的總 採礦運算力時，就能單方面決定哪些交易有效，剝奪他人權利。 高度集中於中國，這項事實尤其麻煩，因為中國政府向來密切監管 金融機構，有時是直接干預，而這基本上與加密貨幣夢想的完全無政府 干預境界完全相反。許多人認為，在中國的防火牆後方掌控比特幣及區 塊鏈，將把這個夢想變成一場夢魘。

破壞性的科技 The DAO和比特幣採礦網絡遭遇到的麻煩，凸顯了一個關於加密貨 幣、智能合約、強大平台，以及近年來數位技術發展的基本疑問，這個 疑問就是我們在本章一開始提出的簡單問題：企業過時了嗎？伴隨著我 們變得更善於撰寫智能合約，能夠建立聰明結合私利與共同福祉的網 路，把生產與創新的強大工具民主化，我們還那麼倚賴工業時代的企業 嗎？ 在本書，我們一再強調，拜數位科技進步所賜，人腦與機器及產品 與平台被結合或重新結合，在這種發展之下，群眾將會凌駕、甚至全面 壓倒核心嗎？ 許多人相信並希望這種情境成真，當然反體制理念已有悠久歷史， 它存在的時間跟體制存在的時間一樣長，但經濟大衰退時期的混亂與不 公，以及其後緩慢、不均的復甦，為反體制理念提供了新的助力。很多

人看到大量證據顯示，絕對不能信賴企業──尤其是大公司，它們被視 為剝奪與剝削的引擎，並非促進繁榮的引擎。＊ ＊我們並不認同這種觀點，資本主義是一股有益的龐大力量，但扭曲市場以圖利權貴之友的 「裙帶資本主義」（crony capitalism）應該被拔除。

若大公司是問題所在，那麼解方也很清楚：把一切去中心化。科技 的發展看來似乎已經促成下列這樣的願景。3D列印機（參見第4章）讓 個人能夠打造出種種東西，不再需要種種專業設備的大規模廠房，這是 麻省理工學院教授尼爾．葛申菲德（Neil Gershenfeld）等人鼓吹的新生 產模式願景。＊很多作物的大規模農場，可被精準監控的微型容器取代 （參見第11章）。加密貨幣及智能合約，可以照料金融服務及其他資訊 產品（參見第12章）。網路已經使資訊和教育資源的取得大大地民主化 （參見第10章），未來學家雷蒙．庫茲威爾（Raymond Kurzweil）在 2012年說過：「現在，一個有手機的非洲小孩，能夠取得的資訊，比十 五年前的美國總統能取得的資訊還多」，[20]這種知識普及的現象必然將 會持續。摩爾定律將會繼續發揮效力，使得種種數位產品的價格降低、 性能提高，而且發生的速度將是電腦紀元之前的人類史未曾見過的。 ＊可參見：Neil A. Gershenfeld, Fab: The Coming Revolution on Your Desktop──From Personal Computers to Personal Fabrication (New York: Basic Books, 2005)。

所以，科技發展似乎支持萬物去中心化的趨勢，那麼經濟學呢？關 於科技進步改變企業及我們完成工作的其他組織方式，經濟理論與證據 是怎麼說的？嗯，其實說的還滿多的。

……遇上企業經濟學

1937年11月，年僅26歲的經濟學家羅納德．寇斯（Ronald Coase），發表了經典文獻〈企業的本質〉（“The Nature of the Firm”），[21]提出一項很基本的疑問：若市場這麼棒，為何還有那麼多 活動發生在公司內部？換言之，為何我們還是選擇在這些穩定的、層級 制的、往往有大型官僚制度、名為公司的內部，進行那麼多的經濟活 動，不乾脆讓大家以獨立的自由業者身分工作，在需要時、為了完成一 項特定計畫時，才匯集起來，在完成後便解散呢？實際上，經理人「看 得見的手」＊在日常商業中操控，畢竟到處都是公司。若市占率是一個 商業概念是否成功的終極考驗指標，那麼我們可以說，市場本身未能通 過這項市場考驗。 ＊企業史學家艾爾弗雷德．錢德勒（Alfred Chandler）在經典著作《看得見的手》（The Visible Hand）中指出，到了二十世紀中期，企業管理階層，尤其是中階管理者，已經變成美國經濟 中最強大的團體。參見：Alfred Chandler, The Visible Hand (Cambridge, MA: Belknap Press, 1977)。

為何一個純粹的原子產品與服務市場，無法在商業法發展不足、法 院薄弱，因此無法信賴合約的環境下順暢運作，原因很明顯並容易理 解。但是，在1930年代的美國及其他先進國家，並不是這樣的商業環 境，為何又會有那麼多的企業呢？寇斯對這項疑問的分析，再次證明凱 因斯說經濟學家的影響力深遠，是多麼正確的見解。〈企業的本質〉一 文，經常被技客與科技人員引用；事實上，這似乎是我們唯一聽過他們 引用的經濟學文獻。 數位創業者、創新者及未來學家，經常提到寇斯的姓名，次數多到 令我們驚訝。＊但事實上，我們不該感到驚訝的，因為寇斯告訴他們， 他們的工作有多麼重要，可以如何改造整個經濟。 ＊在谷歌學術搜尋（Google Scholar）中，寇斯這篇文獻被引用了超過35,000次，成為經濟學領

域被引用次數最多的文獻之一。寇斯本人在1972年曾說，此文：「經常被引述，但很少被使 用。」不過，後代經濟學家和企業主管，經常用它來了解商業組織。參見：R. H. Coase, “Industrial Organization: A Proposal for Research,” in Economic Research: Retrospect and Prospect, vol. 3, Policy Issues and Research Opportunities in Industrial Organization, ed. Victor R. Fuchs (New York: National Bureau of Economic Research, 1972), 62.。

寇斯的選擇：組織或市場？ 寇斯說，企業和市場的選擇，基本上就是一個成本最小化的選擇。 事實上，這幾乎是必然的選擇，因為競爭往往使得高成本的參賽者出 局。企業疆界非常有彈性，一家企業可以包含數千名員工和數十億美元 的資產，也可以遠遠更小──大多數人以獨立承包的方式工作，只擁有 或租用必要的設備，向他人買賣產品與服務。所以，企業之所以發展得 這麼強大，是因為可以低於純粹市場的總成本來生產產品與服務。 為什麼會這樣？市場不是應該超級有效率的嗎？寇斯說，就一些方 面來說，市場的確是有效率，但在幾個領域，市場的成本比較高，包 括： 搜尋與發現相關價格的成本； 談判與決策的成本； 簽訂個別合約的成本； 監督與執行合約的成本。

現在，你能夠看出為何寇斯對技客們這麼有影響力、這麼受到他們 的喜愛了嗎？企業之所以普遍存在，就是因為企業這種組織在這些成本 領域做到低於市場，但數位科技的問世顯然降低了這些成本，因此這些 科技可能反轉企業主宰市場的情形，讓市場變得活躍起來。湯瑪斯．馬 龍（Thomas Malone）、瓊安．葉慈（Joanne Yates）與羅伯．班傑明

（Robert Benjamin）這三位學者，在1987年發表了一篇文章〈電子市場 與電子層級組織〉（“Electronic Markets and Electronic Hierarchies”）， ＊

把這個論點闡釋得最為明顯。[22]

＊這篇文章的標題，刻意呼應經濟學家奧利佛．威廉森（Oliver Williamson）被廣泛引用的著作 《市場與層級組織》（“Markets and Hierarchies”）的標題，該書重度以寇斯的洞察為基礎。 參見：Oliver E. Williamson, Markets and Hierarchies, Analysis and Antitrust Implications: A Study in the Economics of Internal Organization (New York: Free Press, 1975)。

結果呢？我們邁入個人電腦時代已經約三十年，邁入網路時代已經 二十年，邁入智慧型手機時代已經十年，這些新穎強大的工具（尤其是 結合起來時），降低了寇斯指出的那些成本，而且在很多方面來說，它 們引領了一波從大企業轉向市場的轉變。事實上，馬龍、葉慈和班傑明 合撰的那篇文章，就預測電子商務的崛起，也預測市場型組織如 Upwork、O2O之類的平台崛起。 企業一定在某方面做對了 儘管出現了從大公司轉向市場的明顯趨勢，但大公司顯然並未式 微。我們看到的，是恰恰相反的發展：大公司的主宰力量愈來愈大。大 多數的數位科技，是美國經濟創造出來的，美國經濟也最重度使用這些 新技術，因此若技客對寇斯的理論解讀正確的話，照理說，大公司式微 情形最顯著的地區應該發生在美國，但實際上卻是集中度愈來愈高，在 多數產業，愈來愈高比例的總營收與獲利，由愈來愈少數的大公司囊 括。舉例而言，《經濟學人》研究了893家美國產業，[23]發現前四大公 司的加權平均市占率，從1997年的26％提高到2012年的32％。誠如我們 2008年發表在《哈佛商業評論》的一篇文章所述，[24]資訊科技使競爭變 得更「熊彼得式」（Schumpeterian）了，資訊科技讓公司能夠快速擴增

規模、攻取市占率，同時也讓新進者更容易取代它們，提高了動盪性。 為何如此？在經濟變得更數位化的同時，大公司非但沒有式微，反 而更加成長？有可能是那些有利於市場的數位工具普及化程度還不夠， 或是它們還不夠成熟；若果如此，那麼加密貨幣、區塊鏈、智能合約， 以及其他的創新科技，或許正是實現技客們的寇斯理論夢想所需要的技 術，而The DAO和比特幣／區塊鏈遭遇的基礎設施問題，或許只是成長 為巨人的過程中所經歷的痛苦。人們不是常說嗎？世人往往高估新技術 的短期潛力，低估它們的長期潛力。我們認為，新的分散式帳本及同類 技術，很容易被世人低估。中本聰──不論他是何許人也，確實把強而 有力的新東西帶到了這個世界。 不過，這個新東西還不夠強大到足以驅逐企業，或是顯著降低它們 對世界經濟的重要性。想要了解為什麼，我們必須回顧寇斯的理論，但 不能就此止步，還必須了解寇斯理論奠基的交易成本經濟學 （transaction cost economics）領域的後續洞察。

探討企業為何如此普遍的近年思想 交易成本經濟學探討一項很基本的疑問：為何經濟活動用這種方式 組織？例如，為何我們會看到市場與公司混合存在？交易成本經濟學常 被稱為「廠商理論」（theory of the firm），它是經濟學的一派分支，重 要到贏得三座諾貝爾經濟學獎：第一座在1991年頒給寇斯；第二座在 2009年頒給他的學生奧利佛．威廉森（Oliver Williamson），同年一起 獲頒此獎的還有愛琳諾．歐斯壯（Elinor Ostrom）；＊第三座在2016年 頒給奧利佛．哈特（Oliver Hart）和班特．荷姆斯壯（Bengt Holmström）。從名稱就可以猜想得到，這個經濟學分支概念強調的 是，交易成本非常重要：當市場的總交易成本較低時，它們贏過企業組

織；反之，當市場的總交易成本較高時，它們輸給企業組織。 ＊跟康納曼一樣，歐斯壯以非經濟學家身分，獲頒諾貝爾經濟學獎。

受限於篇幅，我們不可能在此敘述交易成本經濟學的所有洞察，這 個領域有太多優異的研究與論述了。在此，我們聚焦於交易成本經濟學 的一個層面，這個層面特別有助於了解強而有力的新群眾數位技術的影 響性。它的理論始於一個基本法則：市場的生產成本（production costs，創造產品與服務的所有成本）往往較低，企業組織的協調成本 （coordination costs，建立與順暢運作生產流程的所有相關成本）通常 較低。本書討論的技術，非常有助於降低成本，尤其是降低協調成本； 舉例來說，搜尋引擎、便宜的全球通訊網路，以及具有免費、完整、即 時的經濟特性的資訊產品等，這些都促使協調成本降低。 照理說，當協調成本降低時，市場應該變得更具吸引力，因為它們 的競爭劣勢減輕了。這意味的是，我們應該會看到市場被使用得更多， 企業組織被使用得更少，如同馬龍等人的預測。的確，在一些重要層 面，我們確實看到這種現象：近年來，隨著數位技術的進步與普及化， 外包、境外生產、自由接案，以及其他層面的「拆解企業」 （unbundling the firm）的情形明顯增多。顯然，許多原本在企業內部執 行的工作，已經被轉移至市場。 但是，同樣顯然的是，企業仍然持續成長與壯大。在許多層面，它 們的經濟影響力持續提高，而非縮小。所以，交易成本經濟學的基本法 則錯了嗎？不，它沒錯，只是需要予以現代化罷了。在寇斯發表〈企業 的本質〉一文後的八十年間，學界研究以他的洞察為基礎，加以精修、 推進。若繼續只倚賴寇斯的理論，那就有點像是把遺傳學家孟德爾 （Gregor Mendel）在十九世紀的研究成果當成遺傳學的結論，忽視了分

子生物學家詹姆斯．華生（James Watson）及法蘭西斯．克里克 （Francis Crick）、DNA的發現，以及之後種種重大的研究成果。 不管合約變得多麼智能化，仍然不完備 在交易成本經濟學眾多的理論與概念當中，和我們此處探討的內容 最相關的，是不完備契約（incomplete contract）和剩餘控制權（residual rights of control）的概念。山佛．葛羅斯曼（Sanford Grossman）和哈 特，在1986年發表了一篇開創性的論文，[25]提出一項疑問：「一個企業 的所有權人，握有非此企業所有權人未握有的什麼權利？」他們說，唯 有當契約不完備時，所有權才有價值；若一棟建物、一台機器或一項專 利權的所有可能使用情況都訂定於契約內了，那就無須標示某一方為資 產的「所有權人」了，因為這種標示並不會增加任何權利。 但是，當契約不完備時，所有權人就握有剩餘控制權，亦即可以對 資產做任何非契約內明訂的事。＊1也就是說，如果契約內沒有明訂你可 以把車子噴成什麼顏色，或是何時換油、是否可以更換音響、是否可以 用一塊錢賣給街尾的那位老太太，那麼身為這輛車子所有權人的你，有 權做出這些決定。哈特更深入探討這些疑問，包括分別與約翰．摩爾 （John Moore）＊2及荷姆斯壯＊3合撰了一系列非常有影響性的文獻。 ＊1當然是指在法律與道德限制範圍內的事。 ＊2Oliver Hart and John Moore, “Property Rights and the Nature of the Firm,” Journal of Political Economy 98, no. 6 (1990): 1119–58. ＊3例如：Oliver Hart and Bengt Holmström, The Theory of Contracts, MIT Department of Economics Working Paper 418 (March 1986).。在此之前，荷姆斯壯發表一篇有關「委託人─代 理人問題」（principal-agent problem）的開創性文獻（Bengt Holmström, “Moral Hazard and Observability,” Bell Journal of Economics 10, no. 1 [1979]: 74–91.），為大量後續的誘因契約 （incentive contracts）經濟學文獻（包括不完備契約理論）奠定基礎。荷姆斯壯和另一位知名

經濟學家保羅．米格羅姆（Paul Milgrom）在合撰的文獻中指出，企業本身，包括它的治理與 模式，通常可被視為一套誘因系統。參見：Bengt Holmström and Paul Milgrom, “The Firm as an Incentive System,” American Economic Review 84, no. 4 (1994): 972–91.。

不過，萬物去中心化概念的粉絲可能會問，為何契約總是不完備 呢？也許，更努力、更認真一點的話，我們就能成功寫出完備合約了。 也許，立約的兩方或多方，可以針對那輛車子（或其他資產），寫出一 套完備的角色、權利、責任與報酬，不論車子或涉及的各方發生什麼 事，合約都詳載了適用條款。如果真有可能寫出一份完備契約，那就沒 有剩餘控制權了，也就不必關心誰是車子的所有權人了。基本上，The DAO就是假設可以做到這個境界，每個未來決策都可以用一份完備契約 來判決。 但是，幾乎每個研究過這個問題的經濟學家都認為，實務上不可能 做到完備契約。這個世界很複雜，未來大致上是未知的，人類的智慧有 限，在種種因素的結合下，極難、可以說是不可能為任何商業境況寫出 一份完備契約，並因而不需要所有權。 實務上，這意味的是，當兩個人合作一項計畫，其中一人擁有一件 必要資產（例如生產產品所需使用的一部機器或一座工廠）時，這個資 產所有權人便握有剩餘控制權。若他們當中的任何一人，想出一個提高 機器產量的好點子，那麼這部機器的所有權人可以逕自執行這個點子， 不需要進一步徵詢同意；相反地，不是機器所有權人的那一方，就必須 徵詢所有權人的同意。這種資格使得機器所有權人握有較高的談判力 量，例如，可以堅持機器增加的產量，他分得較多的量，交易成本經濟 學稱此為「要脅問題」（hold-up problem，或「套牢問題」）。因此， 所有權將會影響創新誘因，可大（例如一個新產品的點子），可小（例 如較好的存貨整理方法）。

重點是，改變所有權將會改變誘因，進而影響結果。使用他人資產 的受雇員工，誘因不同於自有資產的獨立承包工作者，這是企業疆界何 以重要的一項原因。在設計一間公司、一條供應鏈或一整個經濟體制 時，一個重要考量是該如何安排資產，因為資產的安排將會影響誘因。 因此，企業存在的根本理由之一是，市場參與者不可能共同撰寫出 完備契約，完全考量到真實世界未來的所有可能情況，並且明訂在每種 可能情況下，誰做什麼、誰獲得什麼。而企業組織是這種問題的一個解 方，事前決定誰可以行使剩餘控制權（這是經營管理階層的職務，代替 公司所有權人執行剩餘控制權），誰獲得報酬（公司的利害關係人，包 括所有權人，但可能也包括其他握有談判力量的人，＊在履行契約的所 有規定之後，可以分配剩餘的創造價值。） ＊可能包括工會、當地社區、中央政府、有力量的顧客或重要供應商。

當然，無法保證這種安排能夠運作得很好，因為經營管理階層可能 不果決、無法勝任、貪腐或犯錯，股東可能蒙受損失。但是，企業這種 組織之所以存在，而且持續存在，是因為它們還能夠運作。而它們能夠 運作，一部分是因為它們解決了苦惱市場的不完備契約和剩餘控制權的 問題。 失敗的去中心化模式 這些洞察幫助我們了解本章前文討論到的比特幣、區塊鏈、以太 坊，以及The DAO近年間發生的問題。打從一開始，區塊鏈的設計，就 是要盡可能去中心化，不受任何人或組織的掌控，追求終極的去層級 化。但是，當它的發展不為熱中支持者所樂見時，例如，愈來愈多運作 落在中國的防火長城後方時，那些熱中支持者要訴諸什麼機制來解決

呢？運作高度集中於某地，在許多方面來說，都與加密貨幣及分散式帳 本的原始願景背道而馳，但比特幣的原始熱中支持者卻幾乎不可能改變 或消除這種發展趨勢，就像一小群交易者難以改變整個股市的走勢一 樣。 比特幣及區塊鏈的程式設計師，已經分裂成兩派敵對陣營，沒有任 何一個權威者（制式或非制式的權威者）做出最終決定，這種情形已經 夠糟了；更糟的是，他們創造的東西，愈來愈落入一個向來重度干預技 術與市場的威權政府的掌控中。把區塊鏈結合在一起的契約，完全內建 在程式裡面，用數學（密碼學）支持，這些契約並未明訂若採礦網絡變 得太集中於某一地區時該怎麼辦。一旦這種契約不完備性變成重大問題 時，沒有一個所有權人可以仰賴。 The DAO的問題更加嚴重，因為它的明確意圖是同時做到100％無 層級、100％完備契約。成員在線上環境中註冊加入，投入資本，在這 個線上環境中，所有決策由群眾做出，沒有監管、審查或追索權；換言 之，沒有層級、管理或任何形式的中央化所有權。只有一個分散式區塊 鏈和程式集在收錢、接受提案，計算參與者對提案的投票，再根據投票 結果來分配錢，而且The DAO還明訂，參與者對決策與結果，不得有異 議。因此，當一名匿名駭客提領The DAO帳戶裡的三分之一以太幣時， 在其「完備契約」之下，這是合法、有效的結果。雖然2016年7月宣布 的以太坊軟體硬分岔，使得該名駭客做白工，但也惹惱了社群的許多成 員。他們認為，此舉就是一個所有權人會做的事，而以太坊不僅標榜沒 有所有權人，更基本的是，它不可以被擁有。結果，以太坊社群一分裂 為二，熟諳交易成本經濟學和不完備契約現實的人，或許早已料到這種 結果。 像The DAO這種完全去中心化、純粹群眾模式的實體，能否發展出

具有相當的經濟主宰力，我們兩個都悲觀看待，不論它們在技術上變得 有多麼強健，因為它們無法解決不完備契約和剩餘控制權的問題。反觀 企業，所有未明確指派給他方的決策，全部交給經營管理階層，就此解 決不完備契約和剩餘控制權的問題。智能合約是一項有趣、實用的新工 具，可被廣泛應用，取得一席之地；但是，它們不能解決那些使企業得 以存在、並持續存在的問題。企業之所以存在，有很大原因是不可能寫 出完備契約，而不是因為完備契約的執行太困難或成本太高。 那麼，未來的技術可不可能寫得出完備契約呢？有些技術是可以提 升契約的完善性，例如，愈來愈無所不在的感應裝置，像物聯網，可以 監測更多行動與結果；電腦運算能力增強，使我們可以模擬、選擇及儲 存關於許多未來可能結果的決策；網路可以把所有這些資料與資訊放到 中央交換所，以供裁決與解決。但是，電腦雖然可使一方快速預期結 果，也使他方考慮到更多複雜的可能性，於是就像《愛麗絲夢遊仙境》 裡的紅皇后，機器必須愈跑愈快，也只能跟得上已經產生的所有可能 性，最終契約仍然將會不完備。

未來的企業將會相當乏味 企業存在的另一個原因是，它們提供其他幾種經濟與法律功能，而 那種僅有自由業者不斷撰寫接案合約的世界，難以複製這些功能。舉例 來說，企業基本上被假設是可以無限期存在的，這使得它們適合進行長 期計畫與投資，而且企業受到一大套健全法規監管（不同於適用個人的 法規），這提供了可預測性與信心。結果就是，很多種類的商業，仍然 偏好由企業來執行。 實際上，就連那些受到數位科技影響最大的經濟領域──機器、平 台與群眾已經發展得最遠的那些領域，仍然到處可見卓越的舊式企業。

它們當中有很多採行一些不同於五十年前或一百年前的做法，例如， Airbnb、Uber、ClassPass之類的平台公司，往來的是龐大、流動的人脈 與組織網絡，不是小而穩定的人脈與組織網絡。這些公司努力使某些類 型的生意夥伴，盡量容易開始或結束與它們的商業關係，因而形成所謂 「隨選經濟」（on-demand economy）的概念。還有一些公司在探索如 何使用區塊鏈、智能合約，以及其他高度去中心化的技術，來遞送價 值。儘管如此，它們幾乎全都在高度傳統的合股公司（joint-stock company）的結構下，追求這些新穎的目標，而這種組織形式已經存在 超過四世紀。＊ ＊合股公司發行股份供人們買賣，但不影響公司的營運。這種做法可遠溯至1602年，荷蘭東印 度公司（Dutch East India Company）在阿姆斯特丹股票交易所發行股份，參見：Andrew Beattie, “What Was the First Company to Issue Stock?” Investopedia, accessed March 13, 2017.。

我們在造訪這些公司時，十分訝異於它們的尋常模樣。這些公司全 都有員工、職務頭銜、經理人、高階主管，也全都有一位執行長和董事 會。在它們當中，很少是完全虛擬的；相反地，全都有實體辦公室、辦 公桌、會議室。相較於我們在職涯中見過的很多其他公司，它們的確或 許有比較大的電腦螢幕，有更多的手足球台和桌球桌，也有更好的員工 福利，例如免費點心和餐點等，但這些稱得上是重大差異嗎？ 管理階層為何重要？ 企業經理人向來是最遭到毀謗的團體之一，從電影《上班一條蟲》 （Office Space），到英美電視影集《辦公室瘋雲》（The Office），流 行文化對他們的描繪幾乎總是負面的。他們被視為毫無價值，只會扼殺 員工的熱忱，浪費員工的時間，阻撓員工的抱負。許多人希望，一旦有 了足夠普及、有效的電腦及網路，中階經理人的官僚功能，就可被自動

化，人數可以減少。 但是，實際發展並非如此。根據美國勞工部勞動統計局的調查數 字，[26]1998年，經理人占美國總受雇勞動力的12.3％，到了2015年，這 比例提高到15.4％。有強烈證據顯示，大量職務明顯變得更像管理工 作。經濟學家大衛．戴明（David Deming）2015年出版了一本有趣的研 究報告，[27]檢視美國經濟在1980年到2012年間對各種技能的需求變化， 一如預期，隨著人機標準夥伴關係的形成與普及（參見第2章），認知 性質與體力性質的例行性工作技能需求，在這段期間大幅降低。 戴明也分析了協調、協商、說服、社交感知等「社會技巧」的需求 變化，他發現在這段期間，[28]在工作上社會技巧的使用量增加了24％， 反觀非例行性工作技能及分析技能的使用量只增加了11％。此外，在這 段期間，需要高明社會技巧的職務，占總就業量的比例增加，不論這些 職務是否需要高級的數學技能。當然，這些職務並非全都是管理工作， 但整個經濟顯然更需要優秀經理人拿手的事：察覺人們的情緒、理解優 先要務，促使他們更善於合作。 為什麼會這樣？為何在強大的數位技術普及的同時，商業世界反而 需要更多經理人，更多嫻熟社會技巧的工作者？我們認為，管理與社會 技巧的持續需要與重要，有三項主因，全部相互關連。 首先，也是最明顯的原因是，這個世界很複雜、變化快速，想要在 這樣的世界中生存，需要大量的持續協調，而這些協調工作，並非全都 可以透過同儕在社群媒體上的自動更新與交談達成。這類活動雖然有助 益，但不會移除對組織「輸送帶」（transmission belts）[29]的需要 ──「輸送帶」是麻省理工學院保羅．奧斯特曼（Paul Osterman）對中 階經理人的一個絕妙形容詞。這些人解決小問題，把大問題升級，上下 進行解釋與溝通，與同儕協商、討論，在許多方面都運用社會技巧。以

往，傑出律師的定義是能夠在上法庭之前把問題給解決掉，真正傑出的 經理人大致上也是如此：使組織的工作輸送順暢，防止輸送作業故障。 人類的社會技巧依然很有價值的第二項原因是，大多數人不會只被 數字及演算法說服，相較於一堆統計結果，我們更容易被一個好故事或 引人入勝的軼事感動。這顯然是我們的另一種認知偏誤，卻是一個無人 承擔得起忽視的認知偏誤。因此，明智的公司大量投資於軟性的說服技 巧，不僅要說服顧客，也要說服員工。戴明的研究也發現，當搭配上高 明的社會技巧時，分析技能變得更有價值，兩者的結合能夠幫助好點子 的傳播與接收。 第三項原因最不明顯，但堪稱最重要，那就是我們人類想和他人共 事與互助，我們可以、也應該被鼓勵這麼做。世界上有許多社會性動 物，但誠如靈長類動物學家麥克．托馬塞洛（Michael Tomasello）的漂 亮總結：「很難想像能夠看到兩隻大猩猩合力搬運一根大木材。」[30]在 幾乎每個曾經存在過的人類大團體裡，都有一群人扮演定義與形塑該完 成什麼工作的角色，當這群人把這件事做得不好時，就會出現暴君、煽 動者、操縱者、寡頭政治執政者等種種形式的壞首領或結黨。當這群人 把這件事做得很好時，就會產生「領導力」和「賦權」等遭到過度濫用 而降低重要性的現象，就會產生出色、卓越的組織，打造出雙層噴射客 機、2,700英尺超高摩天大樓、口袋大小的電腦、全球數位百科全書等 的複雜、精巧事物。 領導組織超越標準夥伴關係 我們不能在此深入探討該如何領導組織，這不是本書的主題，相關 書籍多到難以計數，但我們想在此指出我們在曾經合作過的成功、技術 先進的公司，所觀察到的兩種共通的管理特色。第一種特色是平等主

義，尤其是在點子與意見方面。這些公司雖然有清楚的組織架構與管理 階層，但也認真、積極聆聽人們的點子與意見，縱使是來自資淺或基層 人員也一樣，縱使不是來自研發部門或核心群也一樣。有時候，這些構 想的向上滲透是經由科技工具，有時候則是透過舊途徑──會議與交 談。 不管是經由什麼管道，這些公司的經理人採行的一個重要做法是， 在決定聽到的點子或意見好不好、值不值得實行時，盡量不讓自身的成 見與判斷扮演過重角色，盡可能仰賴實驗與試誤，對一個新點子的好 壞，找出不偏頗的證據。換言之，這些經理人退出點子評估者與守門員 的傳統角色。有些經理人對這種轉變感到不安，他們擔心（合理的擔 心）這會導致一些壞點子被採用，但我們遇過的許多卓越公司與優秀經 理人相信，這種轉變的好處遠遠大過潛在風險。舉例來說，線上教育公 司優達學城（Udacity），意見與點子的平等主義為該公司的事業模式與 成本結構，帶來了重大的正面改變。 優達學城提供許多電腦編程課程，全部採用做作業的方式，不考 試，學生撰寫並繳交程式。這些程式原本由優達學城的員工進行評量， 他們平均花費兩週時間完成評量，再對學生提出反饋意見。優達學城的 工程與產品開發師奧利佛．卡麥隆（Oliver Cameron），想知道外部人 士是否能把學生作業評量工作，做得跟優達學城的員工一樣好，甚至是 更快速。當時的營運長維夏．馬希嘉尼（Vishal Makhijani，後來升任為 執行長），向我們敘述經過：[31]

奧利佛進行實驗，招募外面的人對學生繳交的程式作業進行評量。 我們的內部人員進行評量，也讓外面的人進行評量，然後比較兩者。 「喔，哇～結果看起來很相似嘛。」然後，再做幾次。

「喔，天呀！你知道嗎？到處都有人才。我們根本不需要在山景市 進行招募，他們的評量反饋也一樣有意義，如果不是更好的話。」 然後，我們開始想：「應該付他們多少錢呢？」 我們嘗試支付不同金額，「哇！原來，原先成本的30％也行。」他 就這樣一直測試，用六週時間建造並推出產品。

我們問馬希嘉尼，是否正式核准把優達學城的學生作業評量工作， 交給外面的人士來做，他說沒有。

我只是說：「這聽起來很不錯，繼續做」，他就做了。這很有趣， 我們的創辦人塞巴斯蒂安．特龍（Sebastian Thrun）說得好：「我們對 手機app進行修改，我知道，因為會出現在應用程式商店裡。」我們這 裡沒有產品審核流程，你的點子得通過馬希嘉尼或其他人或流程的核 准，這沒啥道理。什麼東西應該在市場上推出，什麼東西不應該推出， 我沒有絕對完美的篩選器，可以做出這樣的判定，更遑論有這樣做的創 造力。所以，為何不利用所有人的集體智慧呢？[32]

除了平等主義，第二次機器時代的卓越公司，還有一項共通特色， 而且往往是平等主義的支柱，那就是高度透明化，比一般公司更廣為分 享更多資訊。《華爾街日報》科技專欄作家克里斯多福．米姆斯 （Christopher Mims）指出，[33]資訊透明化和扁平化、快速、證據導向 的管理風格，具有高度的互補作用：「當前線員工基本上可以取得以往 難以取得，或是需要更資深的經理人加以解釋的資料時，就會使得組織 變得更扁平化。」他總結平等主義與透明化的結合：「這並不是終結中 階管理階層，而是一種進化。我訪談過的每家公司，都有中階、甚至高

階經理人，以球員兼教練的方式運作，既做事，也指導他人。」 我們觀察到相同現象，我們也觀察到，在經過至少二十年後，人類 與機器的標準分工模式，已經被非常不同的模式取代。第二次機器時代 的公司，把現代技術、對康納曼「系統一」與「系統二」思考模式（參 見第2章）的更加了解，以及對人類能力與認知偏誤的更加了解結合起 來，改變評估與做決策的方式，也改變產生與修改新點子的方式，同時 改變邁向一個高度不確定世界的方式。 在新市場崛起與興盛的同時，我們並未在經濟資料中看到跡象顯示 企業逐漸過時，或是即將被任何種類的科技賦能分散式自主組織完全取 代。交易成本經濟學、不完備契約理論，以及來自其他學科的洞察，揭 示了為何不會發生這種情形的幾個理由。不過，這些學識雖然寶貴，用 來觀看問題的洞口仍然太小了。 不完備契約和剩餘控制權，很可能將使企業繼續存在。但企業的持 續存在，還有一個遠遠更為重要的理由：企業組織是人類用以完成世界 上許多重要事情的最佳方法之一，包括：餵養世人及改善健康；提供娛 樂及知識取得管道；持續改善世界各地更多人的生活物質條件。新的群 眾技術，將會大大幫助這些事，但不會取代企業，企業是核心技術的基 石之一。

本章摘要 ✔The DAO的挫敗，以及比特幣採礦網絡所遭遇的挑戰，顯示完全去 中心化組織的概念的問題。 ✔交易成本經濟學與廠商理論，是了解上述這些問題的優異基礎。

✔技術進步使得交易與協調成本降低，促成新市場及市場導向事業模 式的崛起。 ✔但是，在大多數的產業與地區，經濟活動並未因此變得更分散化， 反而變得更集中化：更少數的公司攫取更多價值份額。 ✔我們需要企業及非市場組織，來應付不完備契約的問題──在混 亂、充滿不確定性的真實世界，契約無法載明並涵蓋所有可能的情 況。代理企業所有權人及其他利害關係人的經理人，握有剩餘控制 權：有權對契約未載明的情況做出決策。 ✔企業領導人與經理人，不僅做出非契約內容託付的決策，也促使員 工合作，並且闡明目標、願景與策略，形塑企業的文化與價值觀， 在同時間做了許多其他必要之事。 ✔科技持續進步，但因為企業有效應付契約的缺失，並且提供其他許 多益處，因此在長遠的未來，企業仍將積極活躍於經濟活動。 ✔第二次機器時代的領先企業，看起來可能非常不同於工業時代的領 先企業，但仍然很容易辨識出它們就是企業的型態。

延伸思考題 1. 面對新興科技，你希望你們組織在未來三到五年內，有何改變？你 希望你們組織在人類與機器之間、產品與平台之間、核心與群眾之 間的再平衡，做出什麼樣的改變？ 2. 你最想留下哪些決策權？你需要擁有哪些資產的所有權，以便保留 這些資產？ 3. 下一季，為了揮別標準人機夥伴關係，你們將採取什麼最重要的行

動？ 4. 為了更妥善達成目標，你們最好是自建與經營一個平台，參與另一 個平台，聚焦於自己的產品，或是採取某種混合策略？ 5. 為了減少中心化、變得更分散化一點，你們願意做到什麼程度？少 一點干預，多一點自主？ 6. 在你們的組織裡，經理人多常扮演點子守門員的角色？為何如此？ 你們是否探索過其他可能的模式？

1. The DAO, “Introduction to the DAO,” last modified June 29, 2016, https://daowiki.atlassian.net/wiki/display/DAO/Introduction+to+the+DAO. 2. Will Dunn, “The Rise and Fall of The DAO, the First Code-Based Company,” NS Tech, July 22, 2016, http://tech.newstatesman.com/feature/dao-code-based-company. 3. Seth Bannon, “The Tao of ‘The DAO’ or: How the Autonomous Corporation Is Already Here,” TechCrunch, May 16, 2016, https://techcrunch.com/2016/05/16/the-tao-of-the-dao-or-how-theautonomous-corporation-is-already-here. 4. Joanna Belbey, “How to Invest in the Institutional Revolution of Blockchain,” Forbes, January 18, 2017, http://www.forbes.com/sites/joannabelbey/2017/01/18/how-to-invest-in-theinstitutional-revolution-of-blockchain/2/#5807c7603890. 5. Giulio Prisco, “The DAO Raises More than $117 Million in World's Largest Crowdfunding to Date,” Bitcoin Magazine, May 16, 2016, https://bitcoinmagazine.com/articles/the-dao-raisesmore-than-million-in-world-s-largest-crowdfunding-to-date-1463422191. 6. 同注1。 7. Nathaniel Popper, “Paper Points Up Flaws in Venture Fund Based on Virtual Money,” New York Times, May 27, 2016, https://www.nytimes.com/2016/05/28/business/dealbook/paperpoints-up-flaws-in-venture-fund-based-on-virtual-money.html. 8. Dino Mark, Vlad Zamfir, and Emin Gun Sirer, “A Call for a Temporary Moratorium on ‘The DAO,’” Draft (v0.3.2), last modified May 30, 2016, https://docs.google.com/document/d/10kTyCmGPhvZy94F7VWySdQ4lsBacR2dUgGTtV98C40. 9. Nathaniel Popper, “A Hacking of More than $50 Million Dashes Hopes in the World of Virtual Currency,” New York Times, June 17, 2016, https://www.nytimes.com/2016/06/18/business/dealbook/hacker-may-have-removed-more-than50-million-from-experimental-cybercurrency-project.html. 10. Daniel Krawisz: Daniel Krawisz, LinkedIn profile, accessed February 7, 2017,

https://www.linkedin.com/in/daniel-krawisz-323bb121. 11. Daniel Krawisz, “Ethereum Is Doomed,” Satoshi Nakamoto Institute, June 20, 2016, http://nakamotoinstitute.org/mempool/ethereum-is-doomed. 12. E. J. Spode, “The Great Cryptocurrency Heist,” Aeon, February 14, 2017, https://aeon.co/essays/trust-the-inside-story-of-the-rise-and-fall-of-ethereum. 13. 同上注。 14. 同上注。 15. Mike Hearn, “The Resolution of the Bitcoin Experiment,” Mike's blog, January 14, 2016, https://blog.plan99.net/the-resolution-of-the-bitcoin-experiment-dabb30201f7#.rvh0ditgj. 16. 同上注。 17. Daniel Palmer, “Scalability Debate Continues as Bitcoin XT Proposal Stalls,” CoinDesk, January 11, 2016, http://www.coindesk.com/scalability-debate-bitcoin-xt-proposal-stalls. 18. Nathaniel Popper, “How China Took Center Stage in Bitcoin's Civil War,” New York Times, June 29, 2016, https://www.nytimes.com/2016/07/03/business/dealbook/bitcoin-china.html. 19. Danny Vincent, “We Looked inside a Secret Chinese Bitcoin Mine,” BBC News, May 4, 2016, http://www.bbc.com/future/story/20160504-we-looked-inside-a-secret-chinese-bitcoin-mine. 20. Brandon Griggs, “Futurist: We'll Someday Accept Computers as Human,” CNN, March 12, 2012, http://www.cnn.com/2012/03/12/tech/innovation/ray-kurzweil-sxsw. 21. R. H. Coase, “The Nature of the Firm,” Economica 4, no. 16 (1937): 386–405, http://www.richschwinn.com/richschwinn/index/teaching/past%20courses/Econ%20340%20%20Managerial%20Economics/2013%20Fall%20340%20%20The%20Nature%20of%20the%20Firm.pdf. 22. Thomas W. Malone, Joanne Yates, and Robert I. Benjamin, “Electronic Markets and Electronic Hierarchies,” Communications of the ACM 30, no. 6 (June 1987): 484–97. 23. “Corporate Concentration,” Economist, March 24, 2016, http://www.economist.com/blogs/graphicdetail/2016/03/daily-chart-13. 24. Andrew McAfee and Erik Brynjolfsson, “Investing in the IT That Makes a Competitive Difference,” Harvard Business Review 86, no. 7/8 (2008): 98. 25. Sanford J. Grossman and Oliver D. Hart, “The Costs and Benefits of Ownership: A Theory of Vertical and Lateral Integration,” Journal of Political Economy 94, no. 4 (1986): 691–719. 26. US Bureau of Labor Statistics, “Occupational Employment Statistics,” accessed March 11, 2017, https://www.bls.gov/oes/tables.htm. 27. David J. Deming, The Growing Importance of Social Skills in the Labor Market, NBER Working Paper 21473 (August 2015), http://www.nber.org/papers/w21473. 28. 同上注。 29. Paul Osterman, The Truth about Middle Managers: Who They Are, How They Work, Why They Matter (Boston: Harvard Business School Press, 2009). 30. Quoted in Jonathan Haidt, The Righteous Mind: Why Good People Are Divided by Politics and

Religion (New York: Vintage Books, 2012), 237. 31. 我們在2015年8月訪談維夏•馬希嘉尼的內容。 32. 同上注。 33. Christopher Mims, “Data Is the New Middle Manager,” Wall Street Journal, April 19, 2015, https://www.wsj.com/articles/data-is-the-new-middle-manager-1429478017.

結語

電腦科技之外的經濟與社會

你應該了解應用科學，使你的工作能夠增進人類福祉，但是，光這 樣還不夠。所有技術的努力，必須以造福人類、關心人類的命運為 首要目的，還要解決勞工組織與財貨分配方面的重大未解問題，這 樣我們的智慧創造出來的東西，才能夠造福人類，而非危害人類。 在你的圖表與公式中，切莫忘記這點。 ──愛因斯坦，諾貝爾物理學獎得主，1931年

未來十年，你可以運用的電腦運算力，將是你現在可用的電腦演算 力的百倍。數十億的人腦和數兆的裝置將連結到網際網路，不僅取用我 們人類的集體知識，還一起做出貢獻。在這十年結束時，軟體代理人將 取用更多的這些知識，也創造出更多知識。 現今活著的世人，擁有獨特的體驗，目睹人工智慧被應用於保健、 交通、零售等各種領域。我們和能夠了解我們在說什麼，並且能夠做出 適當反應的機器一起工作；機器人能夠操縱物件、在不同環境條件下運 作，交通工具能夠自動駕駛。 了解這些發展對商業的涵義，可以造成發展蓬勃與勉強生存的差 別，甚至是存亡的差別。 科技進步對企業構成重重考驗；事實上，標準普爾500指數 （S&P 500）市值最高的美國企業平均壽命，從1960年時的60年， 縮減到現在的不到20年。在現今的數位時代，發生了很多熊彼得所說的

「創造性破壞」，本書大部分的內容聚焦於探討企業主管，如何能夠成 功航行於這股鋪天蓋地而來的破壞浪潮中。 在我們收到的問題當中，雖然很多是關於公司該如何在數位時代生 存下去的諮詢，但其中一些是更為宏觀的問題，例如：機器、平台、群 眾帶來的轉變，對社會有何涵義？機器會導致更多人失業嗎？強大的平 台會掌控所有的經濟決策嗎？個人是否將會變得更沒有自由，決定何時 與如何工作、在何處生活、結交什麼朋友？ 這些都是非常重要的問題，通常也是這個單一大問題的變款：科技 將如何影響我們？ 其實，這不是一個正確的問題，因為科技是一項工具，不論是一把 鐵鎚，或一個深度人工神經網路，都是一種工具，而工具不會決定如何 影響人，是我們人類決定的。我們在職涯中研究過數千家公司，從中獲 得的一項啟示是：科技創造了選擇，成功則取決於人們如何善用這些選 擇。一個事業的成功，幾乎從來不是仰賴能夠取得多少技術，而是取決 於經營運作者如何使用這些技術，取決於他們在組織內灌輸的價值觀。 現在，不論個人或整個社會，能夠運用的科技，遠遠比以往更強 大。這意味的是，我們比以往獲得更大的力量，可以改變世界。基本 上，我們擁有更多自由，可以做到先前世代無法做到的事。我們不會被 鎖住於任何一種未來，因為我們有更大的能力塑造未來。 所以，我們不應該問：「科技將如何影響我們？」，而是應該問： 「我們想要如何運用科技？」重點在於，深思我們到底想要什麼。有更 大的力量和更多的選擇，意味著價值觀的重要性更甚以往。 本書探討在這個數位時代的三種重要再平衡：人腦與機器之間、產 品與平台之間、核心與群眾之間，雖然其中存在著重要的型態與原理，

但我們的研究發現，沒有唯一的成功公式。在愈來愈多的領域，機器可 以做出更好的決策，但人類仍然扮演重要的角色；同理，完全只仰賴平 台或群眾，也不能保證成功。 此外，對公司來說，這三種再平衡也並非只有單一最適平衡點；也 就是說，有種種可能成功的策略。少有公司比蘋果及谷歌更成功，這兩 家公司雖然都利用平台，但是做法不同、開放程度不同，對群眾的依賴 度也不同。除了我們在本書討論的原則，當然還有其他影響因素，例如 優秀設計師的創意、對重要事業夥伴的支援、技術突破的運氣等。就像 賽跑比賽的冠軍，不一定總是速度最快或跑法最佳的人，商場上的贏家 也未必總是擁有最佳產品，或是對策略有最佳了解的公司。 結果不但受到運氣或不可測因素的影響，還有多種平衡點，而每一 個都可能相當穩定、持久。比方說，有兩款類似的遊戲應用程式，可能 在同一時間推出，歷經過一連串小決策與事件，其中一款獲得消費者更 多的青睞，這個優勢可能會自我壯大，直到這款遊戲大大贏過另一款遊 戲。網路效應、規模經濟、互補作用、雙邊網路、學習曲線，以及其他 種種因素，可能形成很強的路徑依賴（path dependence），強化先前小 決策的影響性。而且，非經濟因素也很重要，成功組織能夠創造有意義 的目標、使命與社群。 就如同對公司或市場來說，沒有單一的平衡點；同理，現今展開的 技術力量，也不會決定一條必然的未來之路。我們每個人做的決策，都 形塑、影響了我們走過的歷史，誠如海耶克所強調的，沒有任何人具有 在經濟體系中做出決策所需要的全部知識，我們每個人具有的只是一小 段做出這些決策所需要的知識，不論這些知識指的是我們獨特的資源、 能力、需求或欲望。自由市場制度的巧妙，在於能把很多這些知識輸往 生產之用，並且透過價格機制和定義周詳的財產權制度，協調可能永遠

不會碰面或交談的人們的決策。 現在，數位化創造出新一波的挑戰，無數人合理擔心，隨著科技進 步，自己將會失去工作飯碗，不確定之後能否找到報酬相同於以往水準 的工作。在大多數的先進國家，薪資所得占GDP的比重縮減，[1]在所得 分配下半底層的人們，實質薪資比二十年前的還低。科技對勞動力造成 的破壞作用距離結束還很遠，麥肯錫全球研究院（McKinsey Global Institute）總監詹姆斯．曼宜卡（James Manyika）與同事，在2017年1月 發表的一份研究報告中估計：「在現今全球勞動力受雇執行的經濟活動 中，若採用目前已展示的科技，約有一半可被自動化。」[2] 在此同時，有技能、才能或運氣的人，現在能夠生產產品，透過全 球數位基礎設施遞送，以往從未能夠如此輕易做到這件事。只要能夠觸 及數百萬、甚至數十億的顧客，就可能創造並攫取空前規模的價值，這 種價值創造是沒有反映在官方GDP或生產力統計數字上的成長引擎。現 在，人們有龐大機會可以做出更多貢獻，運用科技來創造更廣為分享的 繁榮。 整個社會如何使用科技，這並非只是、甚至也不主要是政府或政府 部門領導人形塑的，是社會整體成員形塑的：來自創業者與經理人如何 思考、運用科技的決策，也來自無數人在日常生活中所做的決策，以及 處理事務的方法。 今天，無數人從事的產品與服務的創造工作，是我們的祖父母當年 所無法想像的工作。我們的經濟最需要的東西之一，就是擅長創造這種 新就業機會的人，這項工作必須設計與執行新的人類技能、技術與其他 資源和資產的結合，以解決問題、滿足潛在顧客的需求。機器並不善於 這類大規模的創意與規劃工作，這是人類擅長的工作，所以創業家對個 人及整個社會來說，是最有收益的工作之一。結合新技術與合適人才，

可以產生更持久、更有包容性、更有生產力、酬勞更高的工作，嘉惠的 不只是雇主，還有員工和顧客。 以麻州勞倫斯市（Lawrence）的成衣製造商99Degrees Custom為 例，成衣製造業是再古老不過的行業了，尤其這是一座歷史悠久的老工 廠，位於新英格蘭地區曾經繁榮一時的紡織製造業城市。但是，不同於 1815年砸毀機器的盧德分子，99Degrees Custom的經營管理團隊採用了 精密、半自動化的生產線，製造高度訂製化的紡織品，創造出比舊工廠 年代更好的大量工作機會。這些工作更有變化性，需要較高水準的技 能，待遇也更好，最終效果就是為更多人創造更多價值。 另一個運用科技與人類互補的例子，是本書第5章討論過的愛歐拉 醫療服務公司。該公司雇用健康教練，幫助病患遵循飲食或運動治療， 定時服藥。這些健康教練沒有醫藥學位，但發揮同情心、激勵技巧與 EQ來創造價值。研究顯示，這種方法對病患復原或節省住院費用有顯 著成效，成本節省可達15％至20％，也造福了病患及工作者。 機器、平台與群眾，可以帶來非常不同的影響，取決於我們如何運 用。它們可能導致力量與財富集中，也可能促成分散決策，促進繁榮。 它們可能提高私有化或促進開放，或是兩者同時做到。它們可能創造出 充滿靈感、有目標性的工作環境，或是由貪婪與恐懼驅動的工作環境。 伴隨著科技進步與普及，未來的可能性也增加，而這種潛力使得釐清目 標及深思價值觀，變得更加重要。 我們樂觀展望未來，未來的數十年可以、也應該比人類目睹與經歷 過的任何時期更美好。這不是預測，而是一種可能性與目標。沒有任何 未來，是事先決定好的；個人可以規劃未來，公司可以，社會也可以。 我們希望這本書，能夠幫助各位規劃未來的航向。

1. 美國的薪資中位數，參見：Drew DeSilver, “For Most Workers, Real Wages Have Barely Budged for Decades,” Pew Research Center, October 9, 2014, http://www.pewresearch.org/facttank/2014/10/09/for-most-workers-real-wages-have-barely-budged-for-decades。經濟合作暨發 展組織（OECD）國家的勞工薪資所得占GDP比重，參見：“Workers' Share of National Income: Labour Pains,” Economist, October 31, 2013, https://www.economist.com/news/finance-and-economics/21588900-all-around-world-labourlosing-out-capital-labour-pains. 2. James Manyika et al., “Harnessing Automation for a Future That Works,” McKinsey Global Institute, January 2017, http://www.mckinsey.com/global-themes/digital-disruption/harnessingautomation-for-a-future-that-works.

謝辭

本書的撰寫，始於一項高度社會性的活動，最終以非常孤獨的活動 畫下句點。過去三年間，我們對超過十萬人講述第二次機器時代的概 念，也進行過這個主題的數百次交談。我們曾在學術、產業、政府及非 營利性質的研討會上演講這個主題，會見過民選官員、政策制定者、企 業經營團隊與董事會、教育家、投資人、慈善家，並且參加了各種汪客 （wonk，熱中研究某一主題者）與技客的專題討論會。 我們不可能記得所有活動的內容，更遑論一一點名感謝主辦者，但 有一些是我們要特別致謝的。克勞斯．施瓦布（Klaus Schwab）和同 事，邀請我們參加世界經濟論壇（World Economic Forum）在瑞士達沃 斯舉行的年會，至今已有多年，這項活動堪稱有最棒的走廊上交談。它 的勁敵是TED，我們兩人在2013年站上了TED舞台，從此經常受邀參加 TED演講。TED首席策展人克里斯．安德森（Chris Anderson，不是3D Robotics的執行長克里斯．安德森），以及他在溫哥華的同事組成的團 隊充滿點子，使任何一位聽眾，都能搖身一變成為演講人，我們很幸運 成為這個社群的一員。 在我們任職的麻省理工學院，法蘭克．李維（Frank Levy）多年來 籌辦出色的學術研討會，邀請頂尖科學家、工程師、經濟學家及商管學 者齊聚一堂，彼此學習有關科技進展現況及經濟與社會的涵義。學術界 的「跨學科」標籤，就像商界的「世界級」標籤，嚮往意味往往多於事 實。但是，李維真的成功召集麻省理工學院裡頭一群平時就非常忙碌的 人，讓他們定期共聚交流，這是相當了不起的成就。我們致力於延續這 項傳統，在2014年到2017年間，在麻省理工學院史隆管理學院，舉辦了

一系列的研討會與專題討論會，非常感謝所有受邀的與會人士。我們在 這本書無法公平地逐一討論到我們從許多極具啟發性的談話與演講中汲 取的洞察，但我們很幸運有麻省理工學院這座無與倫比的殿堂，提供這 個無形的頂尖思想家網絡。 會議與研討會，把很多思想灌輸給我們。為了檢驗、精進、汲取精 華，我們必須和盡可能更多的一流技客進行焦點訪談。因此，我們安排 了在劍橋、紐約、倫敦、舊金山、矽谷、華盛頓特區及其他地點進行訪 談。除了書中提及的訪談對象，還有很多人也賜教良多： Daron Acemoglu Susan Athey David Autor Jeff Bezos Nick Bloom Christian Catalini Michael Chui Paul Daugherty Tom Davenport Tom Friedman Demis Hassabis Reid Hoffman Jeremy Howard Dean Kamen Andy Karsner Christine Lagarde Yann LeCun Shane Legg

John Leonard David Lipton Tom Malone James Manyika Kristina McElheren Tom Mitchell Elon Musk Ramez Naam Tim O' Reilly Gill Pratt Francesa Rossi Daniela Rus Stuart Russell Eric Schmidt Mustafa Suleyman Max Tegmark Sebastian Thrun 這份名單其實應該更長，無奈篇幅有限。訪談了那麼多人，而且每 次的訪談內容都很豐富，接下來就是把這些內容化為文字了，這自然是 非常孤獨、費時的工作。在這項工作進行的同時，我們需要同事繼續執 行麻省理工學院數位經濟研究中心的工作，他們以超越我們期望的才能 與韌性，認真盡責地做那些工作。Joanne Batziotegos、Tammy Buzzell、 Devin Wardell Cook、Shannon Farrelly、Christie Ko、Adjovi Koene、 Justin Lockenwitz、Susan Young，所有同事保持高產出、維持高水準， 持續和我們的所有利害關係人共事。 在這些利害關係中，我們要特別感謝對麻省理工學院數位經濟研究

中心提供財務支持的個人、公司與基金會，他們為數太多了（這是好 事），無法在此列出所有名單，但我們由衷感謝每一位。埃森哲 （Accenture）管理顧問公司是麻省理工學院數位經濟研究中心最大的財 務支持者，也是一個出色的夥伴，幫助我們定義、執行研究議程。跟我 們一樣，埃森哲也相信數位化是一股改造現在與未來商業世界的重大力 量，能和該公司團隊共事，向他們學習，是一大樂事。 在撰寫本書時，Lisa McMullen、Joan Powell、Esther Simmons、Sue Welch等人，幫助安迪保持理智清晰與專注，Mandla Nkosi幫助安迪保 持健康身心，而安迪的朋友與家人忍受他的無暇旁鶩，但偶爾會把他拖 出來調劑身心。連續三年，Shai Horowitz、Yael Marzan、Atad Peled等 人，提供思考與事實查證的研究作業協助。在交稿壓力開始變大時，安 迪機緣幸得強納生．盧安（Jonathan Ruane）的協助。盧安是傅爾布萊 特獎學金得主（Fulbright scholar），剛從麻省理工學院史隆管理學院研 究所畢業，正在思考接下來的出路，想在思考期間找到有趣的計畫參 與。他讀過《第二次機器時代》，上過艾瑞克的課程，想知道我們是否 需要協助──是的，我們需要。於是，盧安就此投入，展現毅力、主動 精神，以及敏銳心智，追查統計數字，為我們提出的觀點尋找有力的證 明，並且在幾個領域敦促我們深入思考。因為他，這本書變得遠遠更 好，並且準時完成。 艾瑞克大大受惠於學生及研究團隊的協助，他們不僅為我們在研 究、撰寫這本書時發現的許多難題提供解答；更重要的是，他們提出了 以全新角度檢視問題後才能產生的疑問，特別要感謝下列這幾位：Sagit Bar-Gill、Andrey Fradkin、Avi Gannamaneni、Shan Huang、Meng Lui、 JooHee Oh、Daniel Rock、Guillaume Saint-Jacques、George Westerman、Erina Ytsma。艾瑞克的數百位MBA學生，是納入及未納入 本書的許多新穎概念的測試對象。Marshall Van Alstyne、Geoff Parker、

Jean Tirole這三位教授，在關於平台經濟學的一些主題思考上提供特別 協助，Naomi Stephen提供優異的行政協助。艾瑞克感謝薛曉嵐在本書研 究與撰寫計畫接近完成時提供的鼓勵，他尤其感謝家人在整項專案執行 期間提供的支持，必須忍受他經常為了專案而疏離他們。 我們把完成的書稿交給諾頓公司，他們出版過我們的前著《第二次 機器時代》，合作經驗相當愉快，我們這次很放心。布蘭丹．柯瑞 （Brendan Curry）再次以他穩健可靠的雙眼和輕鬆幽默的手法編輯此 書，文稿編輯史黛芬妮．希伯特（Stephanie Hiebert）以高超的細節注意 力，使最終版本洗鍊有力（在此聲明，倘若書中有錯，責任在我們。） 納生尼爾．丹尼特（Nathaniel Dennett）提供寶貴協助，把一切結合起 來，形成實體書。我們的著作經紀人暨軍師拉斐爾．賽格林（Raphael Sagalyn）從頭到尾都陪伴我們，他對我們著作的關心程度，大到與所 獲佣金不成比例。多年前的某天，他突然接洽我們，說服我們變成書籍 作者，讓我們嚇了一跳，還好我們夠聰明，聽了他的建議。 最後，我們要再次特別感謝我們的友人暨同事大衛．維里爾 （David Verrill）。他和我們共同創立麻省理工學院數位經濟研究中 心，在我們寫書時，他致力於維持中心的運作與成長。他持續展現出高 明的能力，善於應付學者的怪癖、資金贊助人的需求、人性的缺點與弱 點，又能夠不失鎮靜，不影響到好心情，我們真的不知道他是如何做到 的。沒有他，將是我們的一大損失。 由衷感謝你們所有人。