如今在崗學習面臨挑戰(zhàn)。復雜分析技術(shù)、人工智能和機器人突然闖入了職場的方方面面，從根本上顛覆了這一由來已久的有效學習方式。隨著技術(shù)讓工作越來越自動化，每年都有數(shù)以萬計的人離職或就業(yè)，數(shù)以億計的人必須學習新技能和新工作方式。但更廣泛的證據(jù)表明，公司部署智能機器會阻礙這一關(guān)鍵的學習渠道：我和我的同事發(fā)現(xiàn)，人工智能會讓新手失去學習機會，讓老手減少實踐機會，迫使兩者必須同時掌握新方法和舊方法，令他們不堪重負。

那么，員工能否學會和這些機器共事呢？此前的一些觀察來自參與挑戰(zhàn)常規(guī)實踐的學習者，這些實踐并非重點，而且人們對其結(jié)果的容忍度高。我將這一廣泛存在且非正式的流程稱為“暗中學習”。

學習的障礙

我發(fā)現(xiàn)了獲取所需技能的四大普遍障礙，這些障礙觸發(fā)了暗中學習。

1.新手正在失去“學習優(yōu)勢”。在任何工作中，培訓員工都會產(chǎn)生成本并降低質(zhì)量，因為新手行動緩慢且易犯錯。組織迎來智能機器，通常會讓受培訓者減少參與風險和復雜度高的部分，以此作為管理之策。因此，受培訓者將無法獲得擴充能力范圍邊界，并在有限幫助下從錯誤中成長的機會而這些恰恰是學習新技能的必要條件。

投資銀行里也有同樣現(xiàn)象。紐約大學的卡倫安東尼在某投行中發(fā)現(xiàn)，合伙人用算法來協(xié)助公司并購并解讀估值，使得初級分析師與高級合伙人越離越遠。初級分析師的任務僅是從系統(tǒng)中提取原始報告（在網(wǎng)絡(luò)上對感興趣公司的財務數(shù)據(jù)進行收集），然后將其傳遞給高級合伙人進行分析。

這種分工的隱含邏輯是什么？首先，降低初級員工在面向客戶的復雜工作中犯錯的風險；第二，最大化高級合伙人的效率：向初級員工解釋工作的時間越少，他們就越能專注于更高級別的分析。這樣做短期內(nèi)效率有所提高，但卻剝奪了初級分析師挑戰(zhàn)復雜工作的機會，使他們更難以了解整個估值過程，并削弱了公司未來的能力。

2.專家與工作疏遠了。有時，智能機器會夾在受培訓者和工作之間，有時則妨礙專家進行重要實踐工作。機器人操作的手術(shù)中，外科醫(yī)生在手術(shù)過程的大多數(shù)時間都看不到患者的身體或機器人，因此無法直接評估和管理關(guān)鍵環(huán)節(jié)。例如，在傳統(tǒng)手術(shù)中，外科醫(yī)生會敏銳地意識到裝置和器械如何碰觸患者的身體并進行相應調(diào)整。但是在機器人手術(shù)中，如果機器臂撞到病人的頭部，或者清潔臂即將替換器械，外科醫(yī)生必須依靠他人提醒才能知道。這對學習有兩重影響：外科醫(yī)生無法磨練全面了解自己工作所需的技能，以及必須通過他人才能獲得此類新技能。

3.學習者必須掌握新舊兩種方法。機器人手術(shù)用一套全新的技巧和技術(shù)來實現(xiàn)傳統(tǒng)手術(shù)試圖達到的效果。它保證更高的精確度和更優(yōu)人體工程學，直接被納入了課程中，住院醫(yī)生被要求學習機器人知識和傳統(tǒng)方法。但課程沒有足夠的時間讓他們兩者兼通，這往往會導致最壞的結(jié)果：哪種都沒有掌握。我將這一難題稱為方法超載（methodologicaloverload）。

4.標準學習方法被默認為有效。幾十年的研究和傳統(tǒng)讓實習醫(yī)生遵循“看一、做一、教一”的方法。但如我們所見，它不適應機器人手術(shù)。盡管如此，依賴老派學習方法的壓力非常大，“離經(jīng)叛道”者寥寥：外科培訓研究、標準程序、政策和高級外科醫(yī)生都繼續(xù)強調(diào)傳統(tǒng)的學習方法，哪怕該方法顯然已不適用于機器人手術(shù)。

暗中學習

面臨上述阻礙，暗中學習者悄悄繞過或打破規(guī)則來獲得所需的指導和經(jīng)驗，自然不足為奇。約100年前，社會學家羅伯特莫頓就發(fā)現(xiàn)，當合法手段對達成有價值的目標不再奏效時，就會出現(xiàn)非常手段。對于專業(yè)知識也不例外。

鑒于我描述的障礙，我們應理解人們會采取其他方式學習關(guān)鍵技能。這些方式一般靈活有效，卻往往會讓個人和組織付出代價：暗中學習者可能會受到懲罰，例如失去實踐機會或地位或造成浪費甚至構(gòu)成傷害。但人們依然一再鋌而走險，因為當合規(guī)的方式失敗時，他們的學習方法奏效。不加鑒別地效仿這些非常手段自然不對，但它們確實有組織值得學習之處。

1.持續(xù)學習。隨著智能技術(shù)變得更強大，暗中學習也在迅速發(fā)展。新形式將隨著時間的推移而出現(xiàn)，提供新的經(jīng)驗。保持謹慎至關(guān)重要。暗中學習者經(jīng)常意識到他們的做法不符合常規(guī)，并且他們可能因為自己的做法而受到懲罰。（試想如果一位外科住院醫(yī)生讓別人知道他/她想找最不熟練的主治醫(yī)師合作。）因為能產(chǎn)生效果，只要暗中學習者不公開承認，中層管理者經(jīng)常對這些做法視而不見。當觀察者，特別是高級管理者宣布想研究員工如何靠違反規(guī)則來獲得技能時，學習者及其管理者可能不愿意分享經(jīng)驗。比較好的解決方案是，引入中立的第三方，可以確保嚴格的匿名性，同時比較不同案例的做法。我的線人開始了解并信任我，他們意識到我在許多工作組和設(shè)施中觀察工作，因此他們確信自己的身份會受到保護。這對于讓他們說出真相至關(guān)重要。

2.調(diào)整你發(fā)現(xiàn)的暗中學習實踐來適應構(gòu)建組織、工作和技術(shù)。組織對智能機器的處置往往停留在讓個別專家控制工作，減少對受訓者依賴的層面。機器人手術(shù)系統(tǒng)允許高級外科醫(yī)生在較少的幫助下操作，他們照做了。投資銀行系統(tǒng)允許高級合伙人將初級分析師從復雜的估值工作中排除，他們也照做了。所有利益相關(guān)者都應堅持讓組織，技術(shù)和工作設(shè)計提高生產(chǎn)力和加強OJL。例如，在洛杉磯警察局中，這將意味著改變對巡警的激勵措施，重新設(shè)計PredPol用戶界面，創(chuàng)建新角色來連接警察和軟件工程師，以及由警察發(fā)起建立帶注釋的最佳實踐案例庫。

3.使智能機器成為解決方案的一部分。人工智能可以在學習者遇到難題時提供幫助，為作為導師的專家提供培訓，并巧妙地連接這兩個群體。例如，金柱赫在麻省理工學院讀博時建立了ToolScape和Lecture-Scape，可以眾包方式為教學視頻加注釋，并為之前暫停尋找注釋的用戶提供澄清解釋和機會。他將之稱為學習者采購。在硬件方面，增強現(xiàn)實系統(tǒng)開始將專家指導和注釋帶入工作流中。

現(xiàn)有應用程序使用平板電腦或智能眼鏡，將指導實時添加到工作上。預計很快就會有更復雜的智能系統(tǒng)。例如，這樣的系統(tǒng)可以在學徒焊工的視野中疊加工廠中模范焊工的錄像，顯示工作如何完成，記錄學徒的嘗試與之對比，并根據(jù)需要將學徒與模范焊工聯(lián)系起來。這些領(lǐng)域不斷增長的工程師社區(qū)大多專注于正式培訓，更深層次的危機是OJL。我們需要重新分配在OJL上的精力。

幾千年來，技術(shù)的進步推動了工作流程的重新設(shè)計，學徒們從導師那里獲得了必要的新技能。但正如我們所見，現(xiàn)在智能機器正以生產(chǎn)率為名，迫使我們讓學徒與導師脫離，讓導師與工作脫離。組織通常在不經(jīng)意間選擇生產(chǎn)率而非員工參與，因此在工作中學習變得越來越困難。然而，暗中學習者正在尋找有風險、打破常規(guī)的學習方法。想在智能機器世界中競爭的組織應該密切關(guān)注這些“不按常理出牌的人”。他們的行動可以讓你深入了解，當未來專家、學徒和智能機器共同工作和學習時，如何以最佳方式完成工作。