人工智能和機器學(xué)習(xí)在亞馬遜 Alexa 等面向消費者的應(yīng)用領(lǐng)域取得了長足的進步，在企業(yè)內(nèi)的的部署也不斷涌現(xiàn)。

關(guān)于 AI 自動化對企業(yè)的影響范圍和影響程度的意見不一。 一方面，牛津大學(xué)最近的一項研究表明，在未來二十年內(nèi)，50% 的工作都可以由 AI 自動化完成。另一方面，許多企業(yè)高管仍然對 AI 的實際影響持懷疑態(tài)度。 此外，目前的炒作和媒體也存在許多誤導(dǎo)。

基于對學(xué)術(shù)界、初創(chuàng)公司和企業(yè)用戶的親身參與的客戶訪談，我在本文中總結(jié)了 AI 企業(yè)自動化的四個關(guān)鍵事實和戰(zhàn)略影響：

事實 1：目前的 AI 爆發(fā)是可持續(xù)的，企業(yè)管理者不應(yīng)該忽視

機器算法歷史上第一次在諸如圖像識別、語音、文本翻譯以及圍棋這樣的復(fù)雜的任務(wù)中擊敗人類。 目前的機器學(xué)習(xí)熱潮是由三個基本驅(qū)動因素的融合推動：（1）深度學(xué)習(xí)算法復(fù)雜性的持續(xù)突破，（2）大數(shù)據(jù)（或結(jié)構(gòu)化數(shù)據(jù)）的快速增長，（3）機器學(xué)習(xí)的指數(shù)加速， 如 GPU 芯片組這樣的機器學(xué)習(xí)硬件，將訓(xùn)練時間從幾個月縮短到幾天、幾個小時。

機器學(xué)習(xí)發(fā)展的三個潛在驅(qū)動力預(yù)計將在近期加速（見下圖）。 到 2020 年，將有 70％ 的企業(yè)數(shù)據(jù)將通過云數(shù)據(jù)中心進行存儲和處理，這將為機器學(xué)習(xí)算法訓(xùn)練提供前所未有的大數(shù)據(jù)基礎(chǔ)設(shè)施。同樣，加快機器學(xué)習(xí)算法訓(xùn)練和處理的硬件芯片正在迅速發(fā)展。 Google，NVidia，Intel 等都宣布推出下一代 GPU 芯片硬件，這將進一步加快訓(xùn)練速度 10-100 倍。最后，底層機器學(xué)習(xí)算法繼續(xù)加速進步，這一點從專利申請和申請的增長可以看出。

上述趨勢提供了強有力的證據(jù)，表明 AI 能力和表現(xiàn)將在近期內(nèi)繼續(xù)改善。商業(yè)領(lǐng)袖不應(yīng)該忽視 AI。

事實 2：AI 的使用案例在企業(yè)中普遍存在，但范圍有限

鑒于 AI 的進步將會繼續(xù)加速，那么 AI 在未來 5-7 年內(nèi)能夠做什么？ 專家的共識是，大部分的企業(yè)用例都是弱人工智能（如有監(jiān)督式學(xué)習(xí)），實現(xiàn)近似人類的廣泛智能還需要數(shù)十年。

簡而言之，人工智能算法將具有從訓(xùn)練數(shù)據(jù)中自動完成任務(wù)的學(xué)習(xí)能力。 但一旦學(xué)習(xí)了某個任務(wù)，解決方案的范圍就會縮小，而且在大多數(shù)情況下，不能推廣執(zhí)行其他任務(wù)。

考慮到以下的計算機視覺用例，一家公司可能需要訓(xùn)練 AI 算法來自動掃描 PDF 和手寫發(fā)票，驗證字段格式并觸發(fā)自動應(yīng)付賬款流程。 更高級的算法（即無監(jiān)督學(xué)習(xí)）已經(jīng)出現(xiàn)，即使在未標記的數(shù)據(jù)上也可以訓(xùn)練解決方案。

然而，由此產(chǎn)生的人工智能解決方案從根本上局限于自動執(zhí)行文本字段識別和格式化的任務(wù)。 如果公司希望使用發(fā)票處理機器人來發(fā)現(xiàn)欺詐行為，那么他們將需要設(shè)計和訓(xùn)練一個全新的解決方案，重點關(guān)注其他基礎(chǔ)功能和模式。

在可預(yù)見的將來，人工智能應(yīng)用將沿著弱人工智能的“使用訓(xùn)練數(shù)據(jù)的有監(jiān)督學(xué)習(xí)”范式。 這有兩個戰(zhàn)略意義：

獲取訓(xùn)練的標記數(shù)據(jù)成為戰(zhàn)略能力和差異化的根源

AI 解決方案需要深入的功能和特定領(lǐng)域的與人類共同創(chuàng)造和重新設(shè)計流程

事實 3：優(yōu)先專注于優(yōu)先級 A→B 活動

日本保險公司 Fukoko 最近宣布使用人工智能替代人工進行索賠處理。 高盛在 2000 年至 2016 年期間將 600 個交易員的團隊轉(zhuǎn)變?yōu)橐粋€更加精簡的 200 人的機器學(xué)習(xí)團隊。

然而，并不是所有的企業(yè)活動都適合于目前使用數(shù)據(jù)范式的弱 AI 自動化。

描述機器可學(xué)習(xí)任務(wù)特征的一個有用方法是 Andrew Ng 的A→B活動; 投入明確的數(shù)據(jù)集 A，產(chǎn)生答復(fù)的活動 B.

例如，零售需求預(yù)測可以認為是 A→B 活動。 通過獲取季節(jié)、區(qū)域銷售歷史數(shù)據(jù)，銷售趨勢點，社交媒體信號以及定價敏感度數(shù)據(jù)等多種輸入信號，該算法可能實現(xiàn)對未來需求的預(yù)測。

金融交易也是一個 A→B 的活動。 交易算法得到一組輸入數(shù)據(jù)，如歷史價格，宏觀趨勢驅(qū)動因素，過去交易者遵循的套利規(guī)則等，產(chǎn)生買入或賣出的輸出。 基于輸入（A）進行正確的交易（B）可能是一個困難的問題，因為市場潛在的不可預(yù)測性，但是如果 AI 解決方案在大量交易中能超越人類，仍然是具有吸引力。

將企業(yè)流程和活動分類到 A→B 與非 A→B 類別可以幫助管理者對 AI 自動化和增強策略進行系統(tǒng)機會的掃描。

參閱下圖，了解適用于 AI 的其他A→B任務(wù)，以及不適合 AI 自動化的活動。

事實 4：AI 的采用不僅需要技術(shù)上的可行性

我們的客戶經(jīng)驗表明，即使?jié)撛诘募夹g(shù)要求可以實現(xiàn)，一些 AI 應(yīng)用的采用率也會比其他應(yīng)用更快。公司需要考慮更廣泛的部署采用的驅(qū)動因素， 關(guān)鍵采用驅(qū)動因素包括：

一次性成本：用于開發(fā) AI 解決方案的初始資本支出，例如算法開發(fā)和訓(xùn)練數(shù)據(jù)采集。人工智能算法的開放源代碼的可用性，“人工智能即服務(wù)”平臺可以幫助減少固定成本。獲取訓(xùn)練數(shù)據(jù)往往成為一個昂貴的瓶頸，成為差異化的關(guān)鍵。

轉(zhuǎn)換成本：用新的 AI 解決方案取代當前解決方案的相關(guān)成本和障礙。 這包括技術(shù)障礙，例如打開 AI 算法黑盒子以追蹤和解釋決策的能力，以及政治，文化和變革阻力等人為障礙。

生態(tài)系統(tǒng)需求：作為綜合解決方案的一部分，需要補充技術(shù)。 例如，需要與創(chuàng)新的物聯(lián)網(wǎng)傳感器和新興的機器人技術(shù)集成，人工智能解決方案將經(jīng)歷更高的采用復(fù)雜性。

系統(tǒng)外部性障礙：人工智能解決方案的網(wǎng)絡(luò)外部性，其中采用的價值隨著采用的增加而增加。

參見下圖，具有不同采用挑戰(zhàn)和潛在采用時間用例對企業(yè)的影響：

基于消費者語音或聊天來自動化進行情感分析，以提高話務(wù)員能力的案例。 該解決方案在文化和風(fēng)險方面的轉(zhuǎn)換成本顯然較高。客戶對從小處著手以減少對消費者的負面影響要敏感得多。 即使解決方案有效，客戶也需要重新設(shè)計端到端的培訓(xùn)流程，以允許 AI 引擎推送建議。 最后，解決方案具有相對較高的網(wǎng)絡(luò)外部性，更高的采用率將產(chǎn)生更多的訓(xùn)練數(shù)據(jù)以進一步提高性能，但收集最初的批量訓(xùn)練數(shù)據(jù)將需要時間和領(lǐng)導(dǎo)人“信心的飛躍”。 鑒于這種復(fù)雜性，人工智能情緒分析機器人可能需要長達 7 - 10 年，而不是 2 - 3 年時間內(nèi)快速采用。

AI 自動化用例在企業(yè)和價值鏈中迅速成為現(xiàn)實。企業(yè)領(lǐng)導(dǎo)者應(yīng)該從今天開始采用嚴格的基于投資組合的方法來開發(fā)機器學(xué)習(xí)功能、數(shù)據(jù)和合作關(guān)系。（來源：北京物聯(lián)網(wǎng)智能技術(shù)應(yīng)用協(xié)會 編選：中國電子商務(wù)研究中心）