请允许我发明一个新概念，叫「调用力」。当然这个概念不一定真是我首创，但我的确从来没在中英文世界听到过。
调用力的意思调用工具的能力。
这是一种不同于「使用工具的能力」的新能力。比如老张精通数控机床，他把某一个型号的数控机床玩到了飞起，他无比熟悉这台机床的每一个细节，凡是要用机床的活儿交给他他都能又快又好、甚至特别巧妙地给你做好，这是使用力。
调用力，则是说你让我干个什么活儿，我的情况是这样的。第一，我从来没干过这个活儿，但是我知道现在有什么流行工具能干这个活儿。第二，我手里也没有那些工具，但是我很快就能把那些工具搞到手。第三，我并没用过那些工具，但是我可以现学现用。
那你敢把活儿交给这样的人干吗？当然。我要说的是，可能以后大部分活儿，都得这么干。
咱们先讲个真实的故事，你体会一下。
✵
现在有些地方给女性的常规体检之中，有个「宫颈癌筛查」项目。我不太了解具体的细节，大概的意思是医生在宫颈上取得一个涂片，然后通过分析这个涂片来判断女性是否有宫颈癌的早期症状。大约在2018年，爱尔兰出了一个宫颈癌筛查的事故。有两百多位女性被筛查判断没有癌症，结果却得了癌症。当时舆论大哗。
这个新闻引起了一个叫劳拉·奥沙利文 (Laura O'Sullivan) 的爱尔兰女高中生的兴趣。劳拉意识到，这个所谓的对涂片进行分析，不就是个图像识别问题吗？图像识别不就是AI最擅长的问题吗？她决心用AI做宫颈癌筛查。
请注意，当时劳拉只有十六岁。
Laura O'Sullivan
劳拉会编程，但是她只会最基本的编程，她参加过中学生编程训练营。AI图像识别并不神秘，已经有很多现成的而且是免费的工具了。劳拉在吴恩达搞的那个Coursera网站和斯坦福大学上过一点关于机器学习和深度学习的在线课程，她知道怎么搭建卷积神经网络，这就够用了。
真正的难点不在于AI工具，而在训练AI用的数据。理想情况下，你需要比如说几万张宫颈涂片的图像，其中有健康的有癌症的，都事先一一标记好，然后你输入给神经网络训练就行。但是当时根本就没有那样的图像集。这也很正常，要有的话别人早就把这个活儿做了。
劳拉联系上丹麦一家医院，他们有个宫颈涂片的开源数据集。这个数据集并不理想，因为其中大部分都是有病变、有癌症的涂片，健康的涂片太少，AI没法直接对比。
但这个难题其实是有解的。2014年，也就是距离劳拉做这个事儿的四年之前，有人发明了一种技术叫「生成对抗网络（Generative Adversarial Network，简称GAN）」。这个新技术可以随机生成一些跟样本相似的数据，然后拿这些自己生成的数据训练自己！我也说不清其中的具体原理，大约可以说是AI会举一反三吧……但是，劳拉把这个东西搞懂了。
当然所谓搞懂也只是大致懂。而这就足够了。劳拉不需要自己写一个生成对抗网络程序，因为GitHub网站有现成的代码。
所以劳拉下载了AI代码，下载了涂片数据集，就开干了。这没有说起来那么容易，你总要对代码进行一定的调试，你需要搞好数据集和代码的接口，你得知道怎么评估训练效果，等等等。不过这也没有听起来那么难，劳拉一边调试代码一边查看结果，在她爸爸那台家用电脑上就把这个事儿做成了。
2019年1月，劳拉在爱尔兰青年科学家大赛中得了奖。这不是鼓励，这是真奖：劳拉训练出来的AI，对宫颈癌判断的准确率超过了人类医生。
✵
我们想想这说明什么。劳拉不是编程天才，更不是计算机科学家。她这个项目整体是一个创新，但是她的每一步操作都不是新的。她只是调用了现成的工具和数据而已。
劳拉之所以能干成这件事，是因为她幸运地生活在一个拥有大量现成的、好用的、免费的、直接能调用的工具的时代。你要愿意下功夫探索，你也能做到。
我曾经看过一个北京的女初中生的音乐视频。她自己作词作曲，自己弹吉他自己演唱，用iPad中的工具编曲配乐，自己录制视频自己剪辑，做出来的效果非常专业。一个人，就是一支乐队。
当然我们应该称赞这些中学生很厉害，但是我们更应该赞叹的是这个时代很厉害。
这是一个技术对人空前友好的时代。
有些需要付费，但更多的是免费的。人们会把有意思的技术给你封装好，变成尽可能标准化的、界面通俗易懂的、拿来就能用的工具。
那些工具在等待着你的召唤。就好像网文追求点击数一样，它们渴望被你用到。
✵
早在秦始皇时代，中国人就已经知道「标准化」的好处。秦军用的弩机，每个配件都是标准化的，坏了随时能拆能换能组合，非常高效。
现代工具的标准化则不但是零件的标准化，而且是不同工具之间交流接口和组合方式的标准化。编程语言是通用的，AI工具包是通用编程语言的通用子程序和库函数，训练AI用的数据集的格式也是通用的。不管你用什么编辑器，视频音频都是通用的。只有这样它们才能互相对话。
它们被设计出来的时候，就希望互相对话。
正因为这样，我们才能轻易地把不同领域的工具组合在一起，去做一件没有人做过的事情。
科技企业家阿泽姆·阿扎尔（Azeem Azhar）在《指数时代》一书中举了个例子。你要想在晚上也能用上太阳能，就必须把白天太阳能发的电用一种什么方法储存起来。有人发明了一种“起重机储能塔”——白天用太阳能电力把一层一层的砖块升起来，把电能变成势能；晚上借助重力让这些砖块慢慢落下来，在下落过程中发电，把势能变成电能。
Energy Vault公司的储能塔
这样这个塔就相当于是一个电池。这是一个奇思妙想！但是实现这个妙想的技术都是现成的：起重机、建筑骨架、把势能变成电能的发电机，已经都有了。然后你还可以使用深度学习算法驱动的视觉系统判断起重机和砖块的位置情况。
你不需要发明那些底层技术，你只要有个好想法、有条件实践就行：你可以直接调用那些底层技术。
这就是新时代发明家所做的事情。
当然总要有人做底层，比如说芯片就是现在各种发明都必须依赖的底层。底层技术是最难的技术，往往成本极高，需要大公司大投入。但是底层技术渴望被你使用。他们会把那些技术做得尽可能地通用化，方便你调用。
这就如同有了台积电，就出现了一大堆小的芯片设计公司。通用技术是创新的养料。每多一项通用技术，你的思路就多了一个维度。
✵
君子生非异也，善假于物也。现在「善假于物」与其说是你善于熟练使用某个工具，不如说是你善于想到、拿到、用到现代科技圈提供的任何一个工具。你需要调用力。
那么工程师、发明家、创业者和企业家就不但需要熟练使用自己常用的那几个工具，更要对当前科技圈流行什么新工具、每个工具大致的原理和用途、去哪里找那些工具，有个基本的了解。
而这就要求你对科技圈有一定的「文化自觉」。平时就得多看多问，有什么新鲜的玩法你得知道才好。
如果你做的是一件以前没有人做过、尚未形成固定流程的事情，那么知道现在有哪些新工具可用，比熟练使用一个旧工具，可能会有用得多。
一位老奶奶，对自己家附近的街道特别熟悉，买个什么东西办个什么事都知道去哪，这当然是很好的生活技能。但是现代社会更希望你有另一种技能：到任何一个城市，包括国外，也能打车、坐地铁、办各种事情。可能你每次到一个地方办事都很不熟练，你磕磕碰碰，问问这个人问问那个人，还时不时走一段冤枉路——但是你每次都能把事情办成。你不怕去新地方，你很喜欢去新地方。
老板让你去伦敦办个事儿，问你以前去过没有。你说我没去过，但我可以打听着去。你看这像不像面试中那句经典的「我不会，但我可以学」。
✵
有人说现在面试跟人说「我不会，但我可以学」是敷衍，是不真诚——你要是什么都不会的话确实如此——但是「不会可以学」、现用现学，恰恰是最适合这个时代的工作方式。
我们出生时预装的信息十分有限，但我们的大脑有学习能力，大脑本来就是个现用现学的系统。
我们专栏讲搜索的时候说过，你已经知道的东西是你的知识，你暂时不知道、但是知道去哪能查到的信息，也可以说是你的知识。在通用性越来越好，用户界面如此友好的时代，各种工具也是这样。
你知道一个工具的存在，约等于你会调用这个工具；
你会调用这个工具，约等于你会学习使用这个工具；
你会学习这个工具，约等于你已经会用这个工具；
所以，你知道工具的存在，约等于你能把这件事做出来。
「会不会」，说的只是一个暂时的状态，其实意义不大。知不知道去哪找解决方案，特别是知不知道在当前技术局面下，科技圈里有没有适合这个问题的方案，这个眼光，才是最重要的。不管什么新工具拿过来就能迅速上手，你们能会我就能会，这个调用力才是最值钱的。
所以大学教技术不应该专门强调某项技术的熟练度，更应该强调快速寻找和调用新技术的能力。那种对照老课本抠细节的学习方式已经过时了，现在应该多搞项目式、分组合作式、开放式的学习。
聪明人在一起做事，完全可以不需要现场任何人“会”做，但是假设我们之中一定有人能迅速找来做这件事的工具，完了大家一起上手，这就够了。
在这个科技迅速进步、新事物急剧变化的时代，搜索高于学习，学习高于熟练。「我听说过」比「我做过」更有用，模模糊糊的观念比对细节的熟悉更能给你掌控感，调用力比使用力更能帮你把事情办成。
