前言

幾年前，在學(xué)術(shù)機(jī)構(gòu)之外很難找到人認(rèn)真討論人工智能（AI）。但在今天，幾乎每個(gè)人都在說(shuō)AI。和所有新技術(shù)趨勢(shì)一樣，這波新浪潮正源源不斷地帶來(lái)好奇心和熱情。普羅大眾的參與，雖然創(chuàng)造了不少偉大的想法，但在許多情況下也導(dǎo)致了錯(cuò)誤看法的出現(xiàn)。

AI是由偉大的思想家和學(xué)術(shù)研究者建立的，接著被世界各地的學(xué)術(shù)界和工業(yè)界進(jìn)一步發(fā)展，它的發(fā)展速度比任何人所預(yù)料的都要快。事到如今，人類(lèi)自身的生物局限性正日益成為創(chuàng)建智能系統(tǒng)的主要障礙，這些智能系統(tǒng)本應(yīng)和我們一起工作，利用我們的生物認(rèn)知能力來(lái)實(shí)現(xiàn)更高的目標(biāo)。

在過(guò)去幾十年里，AI克服了許多學(xué)術(shù)方面的障礙。然而，在進(jìn)入現(xiàn)實(shí)場(chǎng)景中，它出現(xiàn)了許多問(wèn)題，圍繞它產(chǎn)生了不少神話(huà)和誤解。不幸的是，由于對(duì)于AI能做什么和不能做什么的信息令人困惑和沖突，行業(yè)很難在狂熱者、平臺(tái)供應(yīng)商和服務(wù)供應(yīng)商造成的擁擠和嘈雜的生態(tài)系統(tǒng)中區(qū)分事實(shí)和虛幻，帶領(lǐng)行業(yè)前進(jìn)。

所以，現(xiàn)在最主要的挑戰(zhàn)是，如何讓行業(yè)對(duì)AI能和不能做什么有一個(gè)現(xiàn)實(shí)的界定，并不斷地對(duì)其進(jìn)行更新，從而引導(dǎo)他們的組織以正確的方式應(yīng)用AI來(lái)解決現(xiàn)實(shí)世界中的問(wèn)題和改造他們的業(yè)務(wù)。此外，學(xué)者和AI從業(yè)者有責(zé)任走出泡沫，與行業(yè)專(zhuān)家合作，以進(jìn)一步發(fā)展AI的學(xué)術(shù)基礎(chǔ)，使其在現(xiàn)實(shí)世界中的應(yīng)用得更快。

行業(yè)認(rèn)知“一團(tuán)亂麻”

過(guò)去幾年，幾乎所有行業(yè)都在試圖了解AI以及企業(yè)如何從中受益。不幸的是，直到現(xiàn)在，AI的應(yīng)用大多還沒(méi)超越概念證明（POC）階段，即小范圍分散使用機(jī)器學(xué)習(xí)（ML）算法階段。

如今的許多POC項(xiàng)目，基本還是使用簡(jiǎn)單的統(tǒng)計(jì)方法給他們的問(wèn)題添加一些簡(jiǎn)單的預(yù)測(cè)或分類(lèi)，就堂而皇之地冠以AI的名字。實(shí)際上，這仍然可以定義為分析或是高級(jí)分析，在理解結(jié)果和作出決定或采取行動(dòng)時(shí)仍然需要廣泛的人為干預(yù)。

隨著業(yè)務(wù)流程和操作條件的不斷變化，新生成的數(shù)據(jù)和不同業(yè)務(wù)因素的不斷變化降低了精度和價(jià)值，這些算法可能會(huì)隨著時(shí)間的推移變得無(wú)用，甚至導(dǎo)致危險(xiǎn)的決策。這一現(xiàn)實(shí)使企業(yè)感到困惑，阻礙了他們以適當(dāng)方式采用先進(jìn)的AI技術(shù)。

目前，不少企業(yè)選擇少量采用ML算法以快速獲得收益，但是這可能會(huì)對(duì)跨行業(yè)AI應(yīng)用造成挫折，從而引發(fā)另一個(gè)“AI寒冬”。當(dāng)然，這次在行業(yè)方面，而不是在學(xué)術(shù)方面。

不過(guò)，這也并非全無(wú)壞處。雖然這一水平的AI應(yīng)用讓公司浪費(fèi)了許多機(jī)會(huì)和資源，但它有助于使企業(yè)和IT高層相信，AI可以推動(dòng)變革性和相關(guān)的創(chuàng)新。

分散式ML的詛咒

以往常見(jiàn)的現(xiàn)象是，一些有雄心的商業(yè)大咖使用開(kāi)源ML庫(kù)，在他們自己和業(yè)務(wù)領(lǐng)域內(nèi)啟動(dòng)AI計(jì)劃，但只重點(diǎn)關(guān)注一些需要優(yōu)化的關(guān)鍵決策。這些行動(dòng)通常不是整個(gè)公司有組織計(jì)劃的一部分，雖然可以獲得一些價(jià)值，給使用AI解決問(wèn)題提供了第1次經(jīng)驗(yàn)，但它導(dǎo)致了分散的跨組織的ML算法。不幸的是，這種分散的ML算法不能完全釋放數(shù)據(jù)中隱藏的價(jià)值，也不能充分利用組織所擁有的寶貴業(yè)務(wù)知識(shí)。此外，它們還會(huì)給公司帶來(lái)潛在風(fēng)險(xiǎn)。

分散的ML算法帶來(lái)的一些主要風(fēng)險(xiǎn)是：

算法如果通過(guò)有限類(lèi)型的特性和數(shù)據(jù)進(jìn)行培訓(xùn)，會(huì)導(dǎo)致在業(yè)務(wù)領(lǐng)域之外做出錯(cuò)誤的或有時(shí)是危險(xiǎn)的業(yè)務(wù)決策;

在優(yōu)化本地運(yùn)營(yíng)決策時(shí)，此類(lèi)算法可能會(huì)無(wú)意中對(duì)其他業(yè)務(wù)領(lǐng)域甚至全球運(yùn)營(yíng)產(chǎn)生負(fù)面影響;

這種單獨(dú)的算法很容易被內(nèi)部或外部參與者操縱和誤導(dǎo)，從而增加了一個(gè)新的網(wǎng)絡(luò)安全風(fēng)險(xiǎn)類(lèi)別;

培訓(xùn)ML算法可能需要昂貴的計(jì)算能力，這會(huì)增加小型企業(yè)單位的高成本。在許多情況下，這導(dǎo)致業(yè)務(wù)部門(mén)完全放棄AI，因?yàn)樗麄冨e(cuò)誤地認(rèn)為采用AI的成本很高。

如果企業(yè)的業(yè)務(wù)職能部門(mén)和運(yùn)營(yíng)部門(mén)能夠直接連接的，它們生成的數(shù)據(jù)、創(chuàng)建的知識(shí)以及所遵循的角色是共享的且相互依賴(lài)的，那么AI可以在人類(lèi)忽略的大量數(shù)據(jù)和特征中找到到一些相互依賴(lài)的關(guān)系，創(chuàng)建一個(gè)強(qiáng)大的數(shù)據(jù)和知識(shí)平臺(tái)，使跨組織分布式AI系統(tǒng)能夠?qū)⒎稚⒌臄?shù)據(jù)、知識(shí)和決策性質(zhì)從弱點(diǎn)轉(zhuǎn)換為主要優(yōu)勢(shì)。

因此，各企業(yè)現(xiàn)在能能夠迅速采取行動(dòng)，整合所有松散的AI戰(zhàn)略和ML算法，將其整合成整個(gè)企業(yè)級(jí)別的安全AI平臺(tái)。這將使現(xiàn)在分散但其實(shí)相互關(guān)聯(lián)的AI解決方案提供真正的智能，從而在需要做出決策時(shí)為企業(yè)帶來(lái)利益和轉(zhuǎn)型能力。這一舉措還將降低采用成本，增加投資回報(bào)率，從而加速AI的采用。

使用AI技術(shù)還是創(chuàng)建智能企業(yè)？

就算AI還不具備這種能力，企業(yè)也必須預(yù)先向好一個(gè)問(wèn)題：他們是只想部分使用AI技術(shù)，還是最終創(chuàng)建一個(gè)全智能企業(yè)？

目前圍繞機(jī)器人工序自動(dòng)化（RPA）以及它們是否是AI一部分的討論，讓關(guān)于整個(gè)AI應(yīng)用的討論偏離了軌道。有許多企業(yè)在引入了這種自動(dòng)化工序后，就自滿(mǎn)于自己成為AI應(yīng)用的先鋒。

然而，RPA不是AI的一部分，至少基于學(xué)術(shù)定義是如此。當(dāng)前的RPA技術(shù)只是簡(jiǎn)單的腳本，在許多情況下，這些腳本只是將人類(lèi)多年來(lái)積累起來(lái)的當(dāng)前業(yè)務(wù)流程交由自動(dòng)化機(jī)器人完成而已，在設(shè)計(jì)時(shí)也主要圍繞人的需求。

事實(shí)上，這也是一個(gè)機(jī)會(huì)，一個(gè)通過(guò)RPA和智能工序自動(dòng)化（IPA），重新設(shè)計(jì)員工隊(duì)伍的機(jī)會(huì)，在新員工隊(duì)伍中，人和機(jī)器更智能、緊密地協(xié)作。

企業(yè)應(yīng)該從一開(kāi)始就立志于創(chuàng)建一個(gè)智能企業(yè)，它不僅提供智能產(chǎn)品和服務(wù)，還要在內(nèi)部采用智能流程。它要充分利用人類(lèi)的生物智能和機(jī)器的AI能力，而不僅僅是自動(dòng)化重復(fù)過(guò)程。

考慮到智能企業(yè)的人工制品和內(nèi)外部業(yè)務(wù)環(huán)境日益復(fù)雜，而我們的生物能力又著實(shí)有限，過(guò)多的傳統(tǒng)人工干預(yù)其實(shí)正日益成為實(shí)現(xiàn)智能企業(yè)目標(biāo)的主要瓶頸。因此，組織需要停止浪費(fèi)時(shí)間討論RPA，轉(zhuǎn)而動(dòng)手制定智能企業(yè)的戰(zhàn)略和路線(xiàn)圖，其中應(yīng)包括：

智能企業(yè)的總體愿景、定義和路線(xiàn)圖，包括如何以動(dòng)態(tài)方式找到產(chǎn)品、解決方案和服務(wù)問(wèn)題的原因、內(nèi)容、方式;

新智能流程的路線(xiàn)圖，設(shè)計(jì)用于更緊密的人機(jī)工作方法;

超越AI和ML算法的策略，以識(shí)別對(duì)端到端智能解決方案和產(chǎn)品至關(guān)重要的其他技術(shù)，例如新的傳感技術(shù)、智能物聯(lián)網(wǎng)網(wǎng)關(guān)、邊緣計(jì)算硬件以及包括量子計(jì)算在內(nèi)的高性能計(jì)算機(jī);

在構(gòu)建、使用、操作和維護(hù)此類(lèi)智能系統(tǒng)和解決方案的過(guò)程中，創(chuàng)建所需文化和組織運(yùn)作轉(zhuǎn)變的計(jì)劃;

創(chuàng)建創(chuàng)新生態(tài)系統(tǒng)的計(jì)劃，該生態(tài)系統(tǒng)應(yīng)是新業(yè)務(wù)的一個(gè)組成部分，以預(yù)見(jiàn)并向新業(yè)務(wù)和聯(lián)合客戶(hù)提供新的智能服務(wù)。

由AI技術(shù)賦能的人機(jī)界面（HMI）。

對(duì)數(shù)據(jù)的誤解

到目前為止，培訓(xùn)、測(cè)試和驗(yàn)證當(dāng)前的ML算法仍然稱(chēng)得上是挑戰(zhàn)，尤其是深度學(xué)習(xí)，因?yàn)樗鼈冃枰罅康牧己脭?shù)據(jù)。過(guò)去幾年的數(shù)據(jù)表明，在許多情況下，企業(yè)在編寫(xiě)ML方法時(shí)，沒(méi)有足夠數(shù)量和質(zhì)量的歷史數(shù)據(jù)。

即使在有足夠的數(shù)據(jù)的情況下，人類(lèi)也必須在數(shù)據(jù)工程、數(shù)據(jù)分析、特征工程、特征選擇、預(yù)測(cè)建模、模型選擇和驗(yàn)證等不同領(lǐng)域投入大量精力，然后才能使用初始算法。此外，手動(dòng)調(diào)整第1代算法的內(nèi)部結(jié)構(gòu)設(shè)計(jì)，以及后續(xù)的持續(xù)改進(jìn)，都還需要大量繁瑣和重復(fù)的工作，并且需要大量的計(jì)算能力。

當(dāng)前的各種“預(yù)測(cè)分析”算法實(shí)際上都是在用簡(jiǎn)單的統(tǒng)計(jì)模型，根據(jù)可用的歷史數(shù)據(jù)來(lái)預(yù)測(cè)某些內(nèi)容。它建立在一種假設(shè)之上，即未來(lái)將簡(jiǎn)單重復(fù)過(guò)去發(fā)生的事，顯然，這種假設(shè)是錯(cuò)誤的，部分“昂貴”的歷史數(shù)據(jù)反而會(huì)產(chǎn)生誤導(dǎo)效果。

此外，科學(xué)家們對(duì)統(tǒng)計(jì)推斷和濫用統(tǒng)計(jì)顯著性和“P值-概率值”的警告日益增多，在某些情況下，這可能導(dǎo)致災(zāi)難性后果。一些科學(xué)家甚至呼吁放棄傳統(tǒng)統(tǒng)計(jì)學(xué)上的概念，特別是在需要高精度預(yù)測(cè)的情況下。

AI解決方案的安全性

我們都希望AI方案能夠以不同于傳統(tǒng)軟件解決方案的方式進(jìn)行自我保護(hù)。從技術(shù)上講，AI系統(tǒng)有可能自動(dòng)檢測(cè)到敵方行為，甚至在某些情況下，主動(dòng)采取先發(fā)制人的措施來(lái)保護(hù)自己。如今，AI正被有效地用于增強(qiáng)傳統(tǒng)的網(wǎng)絡(luò)安全解決方案，使其能夠早期識(shí)別或預(yù)測(cè)威脅，并建議對(duì)敵方系統(tǒng)。

但是，這只是針對(duì)目標(biāo)的保護(hù)，對(duì)于自身的保護(hù)，AI不一定有那么好。黑客也許不需要再竊取數(shù)據(jù)，只需向AI系統(tǒng)提供錯(cuò)誤的數(shù)據(jù)，從而操縱他們做出正確決策的能力。例如，黑客可以訪問(wèn)電子病歷（EMR）來(lái)添加或刪除MRI掃描中的醫(yī)療狀況，這將導(dǎo)致ML算法誤判。同樣的情況也可能發(fā)生在核電站或智能電網(wǎng)的財(cái)務(wù)數(shù)據(jù)或關(guān)鍵設(shè)備的運(yùn)行數(shù)據(jù)上。

AI特點(diǎn)之一，就是它們能根據(jù)我們解決問(wèn)題或做出決策的方式，以及我們授予它們?cè)L問(wèn)權(quán)限的外部數(shù)據(jù)源來(lái)自己學(xué)會(huì)保護(hù)方法。這種獨(dú)特的性質(zhì)也使其更容易受到新類(lèi)型的網(wǎng)絡(luò)威脅。這和誤導(dǎo)人類(lèi)行為的方法差不多。

AI系統(tǒng)的道德風(fēng)險(xiǎn)

AI倫理和偏見(jiàn)是當(dāng)今最常討論的話(huà)題之一。當(dāng)我們根據(jù)經(jīng)驗(yàn)創(chuàng)建的ML算法規(guī)則時(shí)，這些算法也將直接反映我們思考和處理事情的方式。

在許多情況下，如診斷醫(yī)學(xué)圖像、預(yù)測(cè)設(shè)備故障或優(yōu)化生產(chǎn)能力時(shí)，道德和社會(huì)偏見(jiàn)可能不是迫切需要解決的問(wèn)題。這造成了一種誤解，即AI沒(méi)有偏差，許多公司都不知道ML算法可能會(huì)給組織帶來(lái)高風(fēng)險(xiǎn)甚至法律負(fù)擔(dān)。

例如，我們通常使用特定設(shè)備的技術(shù)數(shù)據(jù)和其他操作和環(huán)境數(shù)據(jù)來(lái)訓(xùn)練ML算法，這些算法可以主動(dòng)預(yù)測(cè)設(shè)備故障或指導(dǎo)我們?nèi)绾翁岣咂湫阅?。在某些情況下，由于許多已知和未知的變量，算法可能會(huì)傾向于以故障率為基準(zhǔn)做決策，從而導(dǎo)致業(yè)務(wù)中斷。

結(jié)論

各企業(yè)必須認(rèn)真制定全面而靈活的AI戰(zhàn)略，并立即啟動(dòng)適當(dāng)?shù)膱?zhí)行計(jì)劃，為新時(shí)代做好準(zhǔn)備。這一面向智能企業(yè)的戰(zhàn)略將有助于創(chuàng)造未來(lái)的新的人機(jī)合作方式，并重新塑造整體業(yè)務(wù)格局。這要求企業(yè)和IT領(lǐng)導(dǎo)層對(duì)AI現(xiàn)在和未來(lái)能做的事情有一個(gè)現(xiàn)實(shí)而準(zhǔn)確的看法。

此外，如果是由擁有在AI領(lǐng)域具有豐富學(xué)術(shù)和實(shí)踐經(jīng)驗(yàn)的人來(lái)領(lǐng)導(dǎo)這類(lèi)行動(dòng)，有助于擺脫炒作，避免代價(jià)高昂的社會(huì)誤解。

AI不應(yīng)局限于幾個(gè)功能領(lǐng)域，企業(yè)應(yīng)預(yù)先考慮采用嵌入式、邊緣化和集中化智能的混合平衡方法，以確保組織的集體智能在所有團(tuán)隊(duì)、職能領(lǐng)域、產(chǎn)品和服務(wù)中得到良好的協(xié)調(diào)發(fā)展。

最重要的是，采用AI及和智能企業(yè)相關(guān)的技術(shù)，可以使人類(lèi)和智能機(jī)器更加接近，從而創(chuàng)造出生產(chǎn)效率更高、功能更強(qiáng)大的勞動(dòng)力結(jié)構(gòu)。公司應(yīng)該明白，人類(lèi)和機(jī)器將成為新時(shí)代勞動(dòng)力的2大支柱，并明智地計(jì)劃利用它們的綜合優(yōu)勢(shì)，了解它們?cè)谏锖腿斯ば再|(zhì)方面的局限性。

責(zé)任編輯：ct