賦能與進化，人工智慧2017

02-12

　　大家好，我是Harry.火。

　　雖然每次一來就說自己很忙沒空更新會顯得十分矯情，但確實是如此...不過大家放心，不會棄更的。

　　前段時間參加了一個關於數據驅動與人工智慧的會議，大家思維碰撞、受益頗多。大家都說今年可能是所謂的「AI應用元年」，到底是不是我也不知道，反正年年元年，但這個話題大家越來越重視倒是真的。今天就和大家一起來談談AI（人工智慧），特別是AI對於企業數字化的賦能作用。

　　大家都知道對乙方廠商來講，向來關注的是技術的商用。一個新的技術如何幫助我們的客戶和企業最終去實現業務落地、實現商業價值，這是廠商所關注的，也是存在的價值，AI技術也不例外。因此那天我的主題是《人機共生時代，認知商業與企業數字化》。認知商業就是使用了認知系統的商業化應用。認知系統是相對於信息系統來說的。我們說信息系統一般都是提前設定好目標，將既有知識和程序編寫成代碼錄入機器。這裡有個問題就是很多時候我們無法清楚地解釋我們自己是如何獲取知識的。從小時候學走路、學吃飯，到後來學習文學、培養審美而認知系統呢就是我們不必預先設定好規則，讓計算機自己從實例中去學習。那我為什麼要加一個定語「人機共生」，那是因為就目前而言，我對於AI的看法還是很務實的。我們強調的AI並非科幻小說裡面無所不能的模擬人，也不是「人機大戰」中碾壓人類的「絕對知識」，而是一種增強型的智能。這種智能在人類智慧的基礎上，進行優化和助力，延展和提升人的智能。我們希望的是借著新興的科技，在商業世界中讓人變得更加專註、適應力更強、更加優秀。

　　數字化技術對傳統業務的衝擊很大，這點大家應該都有目共睹。平均每個成年人每天花3個小時在手機上，如果你玩遊戲的話，我覺得很可能比這個數字還要多；互聯網上每天產生90億G的個人數據，好比全世界每人每天1.3G，一個不恰當的比喻是你每天都好像在網上留下了2個小時的mp4電影；6500萬用戶允許自己的位置跟跟蹤；到2017年底，醫療衛生數據將增長99%、媒體數據將增長97%、政府和教育數據將增長94%、公共事業將數據增長93%；到2020年，IDC預測數據量將達到40ZB（ 1ZB = 1024EB = 1024 * 1024PB = 1024 * 1024 *

1024TB），相當於地球上所有海灘沙粒總數的57倍；除了數據量以外，預計2019年AI市場規模126億美元，當然這只是剛剛開始，國家在當時對於「十三五」時期大數據產業的規劃達到了1萬億人民幣，我認為AI的市場規模不會止於如此。

　　那我們稍微停下來想一想，為什麼是現在，不是10年前、也不是10年後呢。AI 是一個非常重要和非常複雜的領域。但它並不是什麼新事物，其實在上世紀 40 年代就開始引起廣泛關注了。「人工智慧」這個名詞正式出現，最早是1955年8月31日由美國計算機科學家John McCarthy和他的同事 Marvin Minsky、Nathaniel Rochester 和 Claude Shannon 提出的，那是確立了人工智慧這一研究領域的 Dartmouth 學院暑期人工智慧研討項目經典提議的一部分，這個提議名為《2個月，10 個人的人工智慧研究》（2 month, 10 man study of artificial

intelligence）。1956年Dartmouth會議被後世廣泛承認為人工智慧誕生的標誌。當時就有人說10年內AI就可以打敗人類的國際象棋，但實際上計算機用了40年，期間還經歷了兩次我們稱作為「AI寒冬」（曾經歷過快速發展和過度宣傳階段，但很快就降溫，投資額和人們的興趣驟減），直到1997年IBM的深藍出現。AI的第一次寒冬出現在20世紀70年代，當時是因為技術進展放緩，政府投資乾涸。另一次寒冬發生在20世紀80年代，是因為AI未能達到預期的商業影響。

　　那這一次呢？各大公司紛紛組建AI研究團隊，高薪聘請AI研究人員從事基礎研究，希望能取得重大商業突破。這一次是個好時機嗎？現在基本上大家都認同這個AI時代如果有關鍵生產要素的話，那就是數據、演算法、算力，如今AI的大爆發就是得益於這些關鍵因素。要知道，世界上90%的數據是在過去2年內被創造的；演算法顯著進步，得益於機器學習技術的快速發展，比如深度監督學習和增強學習；算力，也就是計算機硬體的巨大提升，GPU計算、甚至是TPU計算。而最棒的地方在於這些進步會產生協同效應，例如強大的算力可以幫助開發、測試更好的演算法；更多的數據使得演算法更有效、還能支撐更高級的演算法開發。

　　企業引入AI認知技術，要考慮三件事。首先，制定商業上協同認知技術的戰略。企業一開始就需要理清自己在業務發展上的戰略，然後考慮如何利用AI進行賦能。你是要成本領先戰略、集中化戰略還是實行差異化戰略。是產品的差異化、服務的差異化、品牌的差異化還是人事的差異化，亦或全都有。因為AI的能力既可以嵌入產品，也可以嵌入企業服務等，最重要的是有基於企業戰略的明確商業用例。AI的價值不只是降本增效，針對特定的問題需要部署不同的認知能力，因此需要建立一個戰略路線圖。同時，我們需要清楚地認識到當前人機共生的AI時代，商業價值不會部署AI之後就立馬噴涌而出，當然會有許多立竿見影的場景，但機器需要學習和訓練，AI認知系統是漸進的，隨著時間的推移，更多深層次的效果和價值會得以實現，大家需要認識到這一點。其次，是完善基礎設施，包括數據分析能力、平台、IT基礎架構、安全以及人才投資。在目前的技術發展背景下，AI系統的質量與數據的質量息息相關，企業需要收集和累積正確的數據，例如高質量的語料庫、實時反饋的物聯網數據、社交媒體、物理地址及天氣數據、視頻圖像及聲音數據等。目前AI系統需要的是「訓練」，而不是編程，特別是監督學習下需要大量的勞力對樣本進行「標註」，這需要業務專家及數據科學家的協同工作。最後，是企業管理的變革。目前AI系統是基於概率的系統，不再是輸出100%正確的結果，而是處理不確定性的問題，輸出基於置信度的結果。我能理解所有人都不喜歡「不確定性」的東西，因此管理層面、思維層面的變革才會變得彌足珍貴，這也是企業可以成就差異化競爭優勢的方面之一。

　　具體來說，我們可以建議組織以用戶的體驗為中心，這個用戶既可以是組織外部的最終消費者，也是內部的員工體驗。從三個方面入手，重新定義企業的創新、運營模式，重塑客戶、員工與合作夥伴之間的交互關係。舉個例子，比如有一個專門製造空氣壓縮機的企業，在其大客戶中已經有超過50%的收入來自於大數據預測性維護這種數字化服務，產品則成為了服務的一種載體，這就是一種新的業務模式。再舉個例子，通常來說客服這個職位壓力很大、新員工培訓周期較長、員工的流失率還很高，因為工作困難、滿意度低。我們可以幫助客服不但可以實時地從與客戶的溝通中獲取洞察，並且得到來自AI的建議，無論是在理賠、還是營銷，大大增加了每一個客服的能力和工作效率，特別是對新員工的幫助，增加員工對客服崗位的信息，這就是一種新的工作方式。除了目前各大廠商的各種AI音響外，比如有一種玩具恐龍，能根據不同年齡段的孩子使用恰當的、孩子們聽得懂的語言回答他們的問題，並向他們提問、講故事。基於它與孩子的互動情況，做出個性化、定製化的教育來培養孩子的興趣和知識。在互動中，玩具甚至形成了獨特的「個性」。這就是一種新的產品能力。

　　當然這一切都是要充分利用認知AI，雲、物聯網、大數據、移動等技術，而這些技術也會呈現新的協同效應，例如移動互聯網現在幾乎覆蓋了地球上任一個地點，社交網路、物聯網會在下一個10年指數級地提供更多的數據，更重要的是搭載了雲技術之後，AI或者說機器學習的能力將會進一步提升和擴散，在雲上實現分析洞察和認知能力的分享。

　　從AI的感知上來講，除了嗅覺、味覺、觸覺以外，AI的視覺、聽覺在商用領域已經到了相對成熟的水平。包括對文本、對圖像、對聲音的感知與認知。例如在文本分析領域，現在的虛擬代理或者聊天機器人可以通過自然語言理解技術非常容易地獲取人類語言文字中的意圖和對象，通過多輪問答的方式最終處理完一項業務流程或完成一個諮詢任務；也可以通過自然語言生成技術基於海量的非結構化信息進行總結，包括對信息的提煉或抽象。提煉是指找出文檔中最重要的語句，然後整合這些語句，變成一段總結；而抽象則可以利用GAN（對抗式生成網路）生成自己的語言解釋一篇或多篇文章涵蓋的信息。應用到現實的商業環境中，比如現在chatbot（對話機器人）應用非常的多，企業對它的定位應該不僅僅是一個錦上添花、可有可無的聊天工具，想像一下目前熱火朝天的全渠道營銷，從線上到線下或線下到線上，管理者要思考的是如何把線上的成本優勢與線下銷售體驗結合在一起，例如在網購的時候你不能直接問（無論是對當前基於規則的對話機器人還是對培訓不足的網店客服）：「我要去桃花島探險2個星期需要什麼樣的裝備？根據調研，放進購物卻沒有被購買的商品中，40%是因為沒有專業人員的輔導也沒有足夠的時間自己做調研。嵌入線上電商的AI技術通過機器學習就可以獲取線下銷售人員或戶外活動專家的經驗和建議來完成這一任務。

　　在視覺分析領域，無論是製造業中利用工業照相機所攝圖像進行分析，從而達到對產品的質量進行實時監控，還是交通/安防攝像頭對視頻進行分析，捕獲人流熱點或識別安全隱患，都已經達到十分成熟的階段。在醫學領域，像今年使用AI技術對皮膚黑色素瘤的診斷，準確率已提高至97%，遠遠超過了人類專家75%-84%的平均水平。在農業領域，葡萄酒庄可以通過分析衛星圖像來決定植被覆蓋指數和地表的溫度等指標，然後通過物聯網技術實施精準的灌溉。甚至在時尚領域，可以結合文本與視覺分析，從明星的社交網路如微博和各種公眾場合的言論來完善其個人的人物畫像，並結合設計者的構思從海量圖片中識別出時尚元素，包括顏色、面料、剪裁等，最後快速地完成一件禮服。

　　在聲學分析領域，製造環節上AI可以聽聲音對生產線進行預測性維護，避免宕機。要知道在大型製造業或者能源行業，有時一次宕機需要重啟的時間是幾周甚至幾月，那麼長時間的無法生產會對企業造成大量的損失；而在服務環節可以聽聲音進行故障診斷，對汽車引擎、黑白家電、電梯、甚至是風力渦輪機等；當然還有安防領域，聲學檢測不但可以識別你家房子外面有沒有人，還可以知道這些人從哪來到哪去（當然放個攝像頭也可以知道...）；在環境及能源管理方面，AI可以對公共區域進行存在性檢測來控制能源效率，或者通過環境雜訊測量提供數據洞察服務，例如房地產管理、智慧城市管理等。

　　雖然我們談了很多關於AI的快速發展和強大能力，但縱然如此，我們仍然要保持客觀與清醒，如果僅僅是炒作「人機大戰」，雖然如科幻小說般激動人心，但無法使人類的問題如環境、能源等得到根本解決，也無法使商業、社會、世界變得更好，更無法使人類與機器的關係深化、達到協同共生，過多錯誤的宣傳還可能帶來另一次「AI寒冬」。

　　不過可以肯定的是，無論這是最好、還是最壞的時代，我們都還處於它的開端。

（部分圖片素材來自互聯網，侵刪）

***********************

了解更多請關注微信公眾號：「睿懂」。

任何問題可以聯繫harryhuo23@163.com，謝謝。

***********************

我是有底線的人。