作为学习系统的战略执行：人工智能反向传播教会我们的内容

我最早在 2000 年代初对人工智能产生兴趣，甚至凭借一个聚焦手写 OCR（光学字符识别）的项目赢得过一项青少年竞赛。有意思的是，早在 2000 年，我们几乎就已经拥有了当今仍在使用的所有核心算法。我们当时尚不具备的，是足够的算力……

随着时间推移，我的兴趣转向了绩效衡量，随后又扩展到更广泛的战略执行领域。今日，当 LLMs 占据新闻头条时，我们很少再回到 基本原理。

究竟是什么让神经网络中的学习成为可能？

一些简单的数学原理构成了现代人工智能的核心。而我清楚地看到，这些同样的原理在组织执行其战略时也可以并且应当被采用，二者之间存在明显的 相似之处。

是什么使人工智能能够学习

神经网络的数学基础之一，是将微积分的链式法则应用于函数复合。神经网络是分层系统，由许多简单且可微的运算构成。链式法则使得能够在整个复合结构中计算梯度。这正是使大规模学习成为可能的原因。

• 在前向传播过程中，神经网络会产生一个起初错误的输出。
• 借助带标签的数据和损失函数，我们可以衡量结果偏离期望输出的程度。
• 由于所有内部运算都是可微的，我们可以为每一次变换计算局部导数。
• 通过应用链式法则，这些局部导数会被组合为损失相对于模型中每一个参数的梯度。

该系统不仅能检测到发生了错误，还能确定每一个参数如何分别促成该错误，并判断将其朝哪个方向调整会使结果发生改变。

将战略执行作为组织学习系统

同样的问题也存在于组织中……

良好的战略实施是一个结构化系统，由目标、子目标、举措以及绩效指标构成。

在执行过程中，组织需要尽可能早地发现偏离既定方向的情况。这正是绩效衡量存在的原因。它们提供第一信号，表明现实正在偏离既有假设。

但是：

仅仅知道“出了问题”本身几乎毫无用处……

只有当组织能够看清系统中的哪些要素需要调整，以及这些调整可能如何影响结果时，执行才会得到改进。

在神经网络中，这在数学上通过链式法则得以实现。在战略实施中，只有当战略被适当地分解、与利益相关者的期望保持战略对齐，并将模糊的愿景转化为多个层级的具体且具有因果关联的目标与指标时，这才成为可能。

执行正确实施的战略

从这个意义上说，有效的战略执行开始看起来像一个精心设计的神经网络。

当出现偏差时，组织可以快速学习——不仅知道绩效低于预期，还能识别应调整哪些举措、流程、能力或假设，以更接近利益相关者的期望。

当战略表述不清（目标抽象、缺乏因果关系、没有有意义的指标）时，组织最终会处于与一个没有可用梯度的模型相同的位置。它能看到结果很差，但没有可靠的方法来决定该改变什么。

在神经网络与组织中，只有当一个系统由相互连接的组件构成，并且反馈能够传播时，学习才成为可能。

当具备以下条件时：

• 结构，
• 本地责任制，以及
• 可衡量的驱动因素

……持续改进才成为可能。缺少这些条件，组织所剩的往往只是成功/失败的信号，而没有理解如何改进的机制。

所以我们终于知道营销支出去向何处了吗？

简短的回答是：“不”（神经网络也不知道）。

在人工智能中，我们无法指着某一个神经元说：“这导致了结果。” 学习仍然可能发生，因为系统的构建方式使得反馈能够在许多相互连接的部分之间流动，并逐步重塑它们。

说“营销在起作用”类似于说“模型变好了”。它表明方向，但并不会告诉你下一步该改变什么。

真正变得有用的是在系统内部看见模式。

例如：收入可能保持不变，而流量增加、内容互动提升、潜在客户线索增多，但成交率下降，且交易需要更长时间才能完成。

从分析角度看，这不再是简单的成功/失败，而是一组信号模式，显示系统的某些部分在改善，而另一些部分则出现了不对齐。

系统不会指出某个“有罪”的单一活动。它会指示需要在何处进行调整。

这就是有效学习的样子。

它或许无法告诉你每一美元具体花到了哪里，但它会告诉你更有价值的东西：组织下一步应当向哪里推进。

已知缺陷：找到局部最小值

与神经网络类似，受找到局部最小值而非全局最小值这一已知局限影响，组织不应对其衡量框架百分之百信任。

战略执行是一个在实践中验证假设的持续过程。有时，我们验证低层级假设，一切都合乎逻辑。有时，我们沿着分解树向上推进，最终会质疑我们对利益相关者及其需求的理解。