如今在崗學習面臨挑戰(zhàn)。復(fù)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(fù)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（CallenAnthony）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(wù)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(wù)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(fù)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(fù)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(yīng)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（methodological overload）。

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(yīng)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（Robert Merton）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（或許是職業(yè)的終極目標）也不例外。

鑒于我描述的障礙，我們應(yīng)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(yīng)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(fù)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(yīng)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（Juho Kim）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(yīng)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(yù)計很快就會有更復(fù)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(yīng)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。