過去二十多年，企業(yè)遭遇了顛覆性沖擊。事實如此令人震撼：自2000年以來，數字化顛覆已令半數的《財富》 500強企業(yè)從榜單除名。AI將讓數字顛覆來得更加強烈。

這是因為，人工智能是一種經濟學家所定義的通用技術（general-purpose technology）。而通用技術的影響通常巨大而且深遠——我們不妨回想電力和內燃機的歷史意義。通用技術影響不僅體現為對社會的直接貢獻，還會通過溢出效應，激發(fā)廣泛的互補式創(chuàng)新。正是由于電力的出現，工廠電氣化、電信聯絡、以及隨之而來的一切方才成為可能。內燃機則催生出了汽車、飛機、乃至現代化的運輸和物流網絡。如今，人工智能將以類似的規(guī)模影響整個社會。

本期的智能內參，我們推薦來自埃森哲的報告， 在這次人工智能技術革命浪潮中，為企業(yè)管理者出謀劃策。 
《埃森哲：AI時代企業(yè)生存之道-高管指南》
鏈接: https://pan.baidu.com/s/1qdjwM_xtXwcVNHSXoLcdzQ 提取碼: kxb6 

何為AI？

究竟人工智能是什么？回答這一問題并不像看起來那么簡單。事實上，就連統(tǒng)一的“人工智能”定義也尚未出現。這是因為，從本質來看，我們所談論的人工智能并不真的特指某項技術。

從實際層面出發(fā)，人工智能涵蓋了一系列不同的技術，通過有效的組合，機器便能夠以類似人類的智能水平展開行動。

我們并未像許多人那樣，不斷嘗試去明確地描述人工智能，而是傾向于將此類技術視為一套能力框架。毫無疑問，這是了解人工智能、知曉其背后廣泛技術的最佳方式。我們的框架以人工智能支持機器實現的主要功能為核心，其中包括以下四個方面：

▲ 人工智能支持機器實現的主要功能

1、 機器學習的威力

人工智能系統(tǒng)的學習能力至關重要。能夠通過分析數據來決定完成任務所需的行動，而非按照明確的指令、以預先定義的方法行事，正是實現系統(tǒng)“智能化”、將人工智能與其他形式的自動化區(qū)分開來的關鍵。

一旦為最出色的人工智能系統(tǒng)設定出自我學習任務，我們就有望目睹非凡成果。谷歌旗下DeepMind公司開發(fā)的人工智能AlphaGo，已成為首個在高度復雜的棋類競技中擊敗人類專業(yè)棋手的計算機程序6。開發(fā)人員向AlphaGo傳授比賽規(guī)則，然后展示了數千種人類之間的對局，由系統(tǒng)自行辨別制勝策略。其結果是：AlphaGo一舉戰(zhàn)勝了擁有傳奇成就的世界圍棋冠軍李世石（Lee Sedol）。

但DeepMind并未就此停止其圍棋領域的成功步 伐 。公 司 隨 后 開 發(fā) 了 更 為 強 大 的 第 二 代 版本——AlphaGo Zero7，它可以單純通過自我對弈來掌握獲勝之道——完全無需觀察人類棋手。不僅如此， AlphaZero作為人工智能更新迭代的最新版本，實現了更為長足的進步。AlphaZero已證明，能夠和自己較量來學習國際象棋，并在短短四個小時內就超越了人類的技能水平。這項壯舉真正令人矚目的是， AlphaZero并非專門為下棋而設計。加拿大阿爾伯塔大學計算機科學教授、國際象棋系統(tǒng)專家喬納森 · 謝弗認為，這或許便是該系統(tǒng)能夠制定出非傳統(tǒng)制勝策略的原因。AlphaZero以這種方式彰顯出，“窄人工智能（Narrow AI）”又向“通用人工智能（GeneralAI）”邁出了重要一步 。

這一過程就是我們所說的機器學習。麻省理工學院的埃里克 · 布萊恩約弗森（Brynjolfsson）和安德魯 · 麥卡菲（McAfee）兩位教授觀察發(fā)現，其如此強大的原因非常簡單。一方面，雖然我們人類非常善于從事任意種不同的活動，但我們并不總是明確知曉自身工作是如何完成的。例如我們可能會發(fā)現，識別另一個人的容貌很容易，不過我們很難充分了解這項能力的生理機制。因此，將該功能直接通過編碼嵌入機器當中會十分困難。

而另一方面，機器學習使得設備可以完全自主地學會做好這項工作。實際上，識別大量數據中存在的模式，恰是機器學習的核心特長之一。

機器學習是人工智能系統(tǒng)的核心。它可以從原始數據中學習，從而賦能于人工智能可見的出色表現，使其變得越來越普遍。無論是進行前瞻判斷的預測系統(tǒng)、近乎實時解讀語音和文本的自然語言處理系統(tǒng)、以非凡準確度識別視覺內容的機器視覺技術，還是優(yōu)化搜索和信息檢索，都依托于機器學習。

▲機器學習能力

相對于其他技術，機器學習的一項關鍵優(yōu)勢，就是對“臟”數據的容忍度——即數據中包含有重復記錄、不良解析的字段，或是不完整、不正確、以及過時的信息。此類問題對企業(yè)來說關系重大：大多數高管都將非常清楚地認識到，應對臟數據將是他們工作中的一大痛點。

機器學習具備靈活性，可隨著時間推移獲得全新發(fā)現并做出改進，這意味著它能夠以更高的準確性處理臟數據，并且由此擁有了極佳的可擴展性。在我們當前所處的數據大爆炸時代，后者正變得越來越重要。

機器學習的真正強項之一，便是可以使用不同的學習算法，包括監(jiān)督學習、無監(jiān)督學習和強化學習等類型。

監(jiān)督學習。這種算法使用帶有標記的數據集（數據已經過整理和描述），推導出每個標記代表的顯著特征，并學習識別新數據中的這些特征。例如，向算法展示大量標記為“貓”的圖像，然后它將學習如何識別貓的形象，并在其他任意數量、且完全不同的圖片中發(fā)現貓。

無監(jiān)督學習。這種算法使用的數據不需要預先定義標記。它采用不帶標簽的數據集，查找其中各條目之間的相似與差異，然后自行分類。比如，我們可以向算法展示大量其中包含貓和狗、但未加以標記的圖像，而算法會在不知道哪些圖像分別含有“貓”或“狗”的情況下，把具有相似特征的圖像分類到不同的組當中。

強化學習。這種算法利用反復試錯，形成“獎勵”和“懲罰”的反饋循環(huán)。當算法得到數據集時，它將所處環(huán)境視為一場比賽，每次執(zhí)行動作都會被告知是贏還是輸。通過這種方式，它可以創(chuàng)建出一套方案——哪些“動作”能夠帶來成功，而哪些會造成反效果。DeepMind的AlphaGo和AlphaZero都極好地展示了強化學習的威力。

2、人造大腦

那么，機器學習如何實際運作？最近許多非凡進步的背后，是一種受動物大腦機能啟發(fā)、非常先進而精巧的計算系統(tǒng)形式在起作用。這些系統(tǒng)被稱為神經網絡（Neural Networks） ， 它們支撐著當今最前沿的人工智能研究。

神經網絡由一系列相互聯系的“節(jié)點”組成，模仿了生物大腦中的神經元網絡。每個節(jié)點在接收輸入信息后，內部狀態(tài)會出現改變，并相應地產生輸出。接下來，該輸出又形成其他節(jié)點的輸入，依次傳導。這種復雜運作能夠支持一種非常強大的計算形式——深度學習（Deep Learning）。

深度學習通過多層處理來了解數據集中數據的重要特征。例如，它可用于圖像和語音識別。使用神經網絡，每個層級的輸出為下一個層級提供了輸入，其中每個層級都在不同的提取級別上運作。通過這種方式，深度學習系統(tǒng)可以比其他方法處理更龐大的數據集。

當數據科學家和其他人士討論人工智能時，他們通常使用兩個對比類別來闡明其含義：窄人工智能與通用人工智能，以及弱人工智能與強人工智能。

▲人工智能的兩個對比

正確實施培訓所需的，不僅是高級數學技能。產業(yè)化的機器學習是一種跨學科能力，融合了數據科學、工程學、用戶體驗設計與相關領域知識。單獨依靠某項能力本身，都不足以滿足需求。

▲產業(yè)化人工智能的跨學科能力組合

那么，分析法適合在哪些環(huán)節(jié)與上述能力加以結合？或許問題應該是：人工智能應如何引入分析技術？如果我們認識到，分析法是通過分析數據來改進決策，就可以明確知曉機器學習和其他統(tǒng)計分析應怎樣嵌入業(yè)務流程當中。畢竟，分析法的目的在于從數據中獲取洞察——這與機器學習的目標非常相似。

分析法，連同支持它的各種機器學習算法，可基于所需洞察的深度，劃分為不同復雜程度的幾個層級。較簡單的一個層級是“描述性分析（Descriptive Analytics）”——分析歷史數據以了解發(fā)生了什么、及其背后的原因何在。與之相比，“預測性分析（Predictive Analytics）” 更為復雜，它利用數據來預判將會發(fā)生哪些狀況。復雜度最高的則是“規(guī)范性分析（Prescriptive Analytics）” ，不僅可以做出預測，而且能提供應對之策。

3、 人工智能與機器人

一談到人工智能，人們通常會先想到機器人和機器人技術。公眾腦海中可能浮現出庫布里克影片中的“HAL 9000”機器人、阿西莫夫筆下的機械人，或是本田公司開發(fā)的可行走機器人Asimo。

在商業(yè)環(huán)境中，它既可以指利用工業(yè)機器人來實現制造或服務流程的自動化，諸如，汽車裝配線，又可以指日益普遍的管理或服務流程的自動化，即，結合了數字和人工輸入的機器人流程自動化（RPA）。

從嚴格意義上說，機器人流程自動化是為恒久不變的流程而設計的，所以根本不需要任何“智能”。例如，若是業(yè)務流程需要員工以標準形式，將數據從一個系統(tǒng)（比方一張紙）手工輸入到另一個系統(tǒng)，就可以通過帶有鍵盤敲擊模擬功能的RPA系統(tǒng)輕松實現流程自動化。實際上，埃森哲已在某大型制造業(yè)客戶的發(fā)票處理流程中應用了機器人流程自動化。其成果非常顯著：耗時減少70%，工作效率提升30%，并且達到了100%的準確率。

不過現在，人工智能技術也正被持續(xù)引入新興的“認知RPA（Cognitive RPA）”領域。這令流程自動化擁有了一定程度的可調空間，使其應用范圍得以大大擴展。其中的典型實例包括，利用機器學習訓練機器識別圖像中的文本（被稱為光學字符識別）。

實際上，埃森哲常常建議將機器人流程自動化作為開啟人工智能旅程的理想起點。其原因在于，若想成功應用RPA技術，首先要詳細了解哪些流程需要實現自動化；而這也是設計更廣泛、更復雜的AI自動化解決方案的第一步。此外，為了確保現有流程（有時為次優(yōu)方案）不是簡單地以數字形式加以模擬，而是通過重新設計盡可能地充分利用人工智能，該舉措亦不可或缺。

我們必須認識到非常重要的一點：RPA和認知RPA技術不僅可以降低成本，還能增進流程的一致性和處理速度，并提供全天候運行、以及根據需求擴大或收縮流程的能力。請始終牢記，機器人流程自動化取代的是任務，而非員工。許多已采用RPA技術的企業(yè)都為員工重新部署了更具價值的工作——并且這些新工作的趣味性也大大超過了以往！

千載難逢的AI革命

AI并非全新創(chuàng)意，它由來已久。“人工智能”這一術語早在1956年便已問世。該技術的發(fā)展歷史上曾出現過多輪令人歡欣鼓舞的高潮，但隨后迎來的卻是失望和長時間的低迷（這些階段被稱為“AI寒冬”）。以往的每一次技術突破都只是部分達到對其的瑰麗憧憬，而從未使這項技術成為主流。 那么，這次有何不同？

▲人工智能簡史

當前出現的重大變化在于，我們正處于一個前所未有的時期——如此之多的不同領域都在展開技術創(chuàng)新。今天的人工智能應用軟件可以利用云端幾乎無限的處理能力；并且為特定任務定制設計的電腦芯片也在持續(xù)增多，此類芯片具備更高水平的計算效率和速度，其最主要的用途便是數據分析。這方面的典型實例包括，用圖形處理器（GPU）代替中央處理器（CPU）使處理能力得到大幅提升。而谷歌已更進一步，其設計的張量處理器（TPU）的性能比當今使用的CPU和GPU高出達30-80倍。

如果再考慮存儲成本的快速下降（每Gb從1980年的50萬美元降至2015年的3美分）、可供訓練人工智能的數據量呈指數級增長、以及開源平臺和框架的出現，我們現已具備獨特的條件來結合技術和能力。這一切都為人工智能提供了非常強大的基礎，使其日益趨近主流應用的臨界點。

從谷歌、亞馬遜、臉書、微軟，到百度、阿里巴巴和騰訊，幾乎所有世界領先的技術巨頭都極為關注人工智能。其他創(chuàng)業(yè)者和投資人同樣熱衷于此。超過半數的歐洲初創(chuàng)企業(yè)均以人工智能為焦點，而人工智能類業(yè)務的投資也通常會高出其他業(yè)務20%至30%。

然而，這并不意味著，人們對于人工智能何時迎來爆發(fā)點，已形成普遍共識。而且我們也無法斷定，是否可以很快看到通用人工智能（而非窄人工智能）的出現。一方面，牛津大學和斯坦福大學面向350位專家進行的一項調查得出結論：45年內，機器在所有任務中都能勝過人類的可能性為50%。另一方面，艾奇奧尼教授（Etzioni） 2016年對知名人工智能研究者所做的調查顯示：四分之一的受訪人士認為超級智能根本不可能實現。

盡管我們尚未擁有通用人工智能。但隨著基礎技術以驚人的速度發(fā)展，窄人工智能已經在現實世界的商業(yè)應用中顯露了非凡威力。

隨著企業(yè)持續(xù)加大人工智能的應用力度，系統(tǒng)所能處理的數據和工作的復雜性必然有增無減。若想了解其如何在業(yè)務環(huán)境中發(fā)揮作用，下方框架可能會有所幫助。此框架列出了各種技術的潛在應用形式（本文以金融服務行業(yè)為例），并根據所涉及數據和工作的復雜程度，將人工智能應用分為四大模式——效率、效力、專家、創(chuàng)新。

在與客戶的長期合作中，我們已看到人工智能正在不斷被擴展和產業(yè)化。過去幾年，許多企業(yè)都在試點人工智能如何影響其員工、流程和產品。現在，我們相信這些企業(yè)已經開始將試點項目向整個組織范圍內推廣。多達四分之三的高管表示，其組織未來三年將“積極部署” 某種人工智能。

一言蔽之，當前的局勢已非常明確：人工智能正蓄勢待發(fā)，并且事關重大。

▲了解人工智能潛在應用的框架圖

與時俱進，緊跟AI時代步伐

采取正確的應用方式，人工智能將成為提升企業(yè)經濟價值的全新驅動力。但問題在于，選擇何種路徑才是恰當之舉？在這樣一個飛速發(fā)展的領域中，我們很容易一葉障目，迷失戰(zhàn)略方向。首先，應當了解人工智能將帶來哪些機遇。通過將這些機遇劃分為三大類型，您可以對應采取的路線有更清晰的認知。這意味著需要分別考慮：如何利用人工智能來加快自動化，如何增強工作效力和執(zhí)行方式，以及如何在企業(yè)內外擴展人工智能創(chuàng)新。

1. 擴大自動化范圍

人工智能已成為自動化的新前沿。借助具備自我學習能力的自動化系統(tǒng)，充分利用機器學習、計算機視覺、知識表達和推理等技術模仿人類行為，人工智能可以使自動化超越僅基于規(guī)則的預測性工作，延伸至我們目前認為需要人類判斷的領域當中，從而創(chuàng)造出大量全新的自動化機遇 。

▲智能自動化前沿

 2. 增強工作能力

工智能大大提升了資源的利用效率。在實際工作中，這體現為兩方面的助益——其一是增強人類員工的判斷力，其二則可提升客戶體驗。

#1更聰明地工作。在增強員工判斷力方面，與人類相比，機器學習能夠從非常龐大、且高度復雜的數據集中提煉出更多洞見。因此，它們可以發(fā)現人類專家未曾覺察的模式、相似性和異常。例如在篩查癌變癥狀時，人類專家能夠從掃描膠片中識別出數百種惡性病變，而人工智能可以識別數千種之多。

諾丁漢大學的研究人員已創(chuàng)建了一套人工智能系統(tǒng)，預測哪些患者可能在十年內發(fā)生中風或心臟病。該系統(tǒng)的表現優(yōu)于標準預測方法（得分在0.745和0.764之
間，而標準方法為0.728） 。

這些進步令人印象深刻。但其并不意味著人類專長很快會被取代。當前，最佳成果仍源自人類專家與人工智能的合作——雙方都發(fā)揮各自獨特的能力來共同解決問題。

#2提升客戶體驗。利用人工智能——特別是該技術在認知方面的功能，企業(yè)可以極大改善與客戶的交互。其具體方式包括：使用數字助理和聊天機器人，通過社交媒體和數字平臺全天候地與客戶交談；或者，在電子商務網站上推薦個性化的產品和服務。

3. 擴展創(chuàng)新成果

創(chuàng)新能夠激發(fā)連鎖反應。非同凡響的新技術將帶來貫穿整體經濟的溢出效應，以前所未有的方式永遠改變一切。當電力首次實現工業(yè)化時，誰能想象當今世界對電能有如此巨大的需求與依賴？當內燃機誕生時，誰又曾預見我們互聯互通的全球運輸網絡能夠具備這般速度和規(guī)模？

人工智能將對社會產生類似程度的影響。其創(chuàng)新成果會在企業(yè)中不斷延伸——甚至擴散至整個經濟體系，創(chuàng)建出全新的、超越想象的商業(yè)模式和機遇。無論是將那些我們曾認為離不開人類智慧的任務加以自動化，還是在海量數據中洞悉規(guī)律，抑或，是支持全新的認知型人機交互界面，這項技術必將對我們的工作和個人生活帶來深遠的根本性影響。

人工智能之所以產生革命性的威力，原因之一便是其應用簡單。具體而言，人類不需要主動去適應此類技術，或者另外學習一套新的技能來使用它們，這使其在技術的發(fā)展史上具備了獨一無二的特性。我們能夠通過簡單、自然的溝通介質——語音、文本、甚至是圖像，和人工智能系統(tǒng)進行互動。與之相比，無論是學習駕駛汽車，還是首次使用電腦，對技能的要求都遠高于此。它給了我們非常重要的啟示：同以往的顛覆性技術相比，應用人工智能的臨界點可能更快到來。

雖然各方的確圍繞人工智能付諸了許多努力，但目前的局面仍然是，大多數企業(yè)尚未踏上人工智能應用之路。而在那些已經開始行動的企業(yè)中，半數依然處于試點或概念驗證階段。那么，干擾他們的因素包括哪些？其中的原因多種多樣，這與企業(yè)引入數據分析時的狀況如出一轍。對一些企業(yè)來說，難題涉及招募合適的人才、安排投資優(yōu)先級、以及化解對安全的擔憂。而另一些需要突破的障礙在于，定義令人信服的商業(yè)模式、獲得足夠強大的領導層支持、以及掌握更多通用技術能力。

在開發(fā)人工智能應用程序時，敏捷的“快速試錯”方法非常重要。就是說，應針對每項業(yè)務問題或機遇進行試點，測試解決方案的可行性，并評估企業(yè)可用的技術選項。

適當的運營模式和董事會級別的認可，兩者缺一不可。根據埃森哲的經驗，創(chuàng)建一個集中式的“樞紐”或卓越中心，能夠最有效地發(fā)揮領導力并實施治理工作。這一樞紐可以通過一系列“影響力輻射”，擴展至企業(yè)的其他部門（營銷、風險管理、人力資源，等等）。

這種中心輻射模式可以為企業(yè)的人工智能征程帶來多種非常重要的益處：在選擇所需技術與工具、以及招聘和人才開發(fā)等方面，能夠形成規(guī)模效益；支持以跨組織的方式，構建并維護必要的數據生態(tài)系統(tǒng)；確保標準、定義和方法的一致性，并促進在整個組織范圍內推廣最佳實踐；提供了一種衡量價值，并合理排列機會優(yōu)先級的嚴謹方法；確保在所有人工智能項目中采用最高標準的治理措施。

4、 密切關注發(fā)展動態(tài)

隨著企業(yè)在人工智能應用之路上不斷邁進，緊跟最新的創(chuàng)新和應用至關重要。在當下快速演進的市場環(huán)境中，局勢可能在一夜之間發(fā)生巨變。了解人工智能領軍者和人工智能第一梯隊的動向，并知曉這些行為背后的意義，將始終是商業(yè)智能極為寶貴的來源。 那么，我們有望在未來的道路上看到哪些情形呢？

短期內，語音交互仍將是人工智能面向消費者的最主要應用形式。亞馬遜Alexa和谷歌Home將繼續(xù)在該領域角逐，力爭成為智能家居的主要掌門人，而蘋果公司的HomePod近期也加入了戰(zhàn)局。此外，圍繞客戶數據和客戶關系，我們很可能看到在平臺提供商和服務提供商之間，會出現關于所有權和訪問權的爭執(zhí)。

但實際上，在人工智能普遍成為最新用戶界面的趨勢中，語音只是其中的一種溝通方式。也就是說，無論是通過聊天服務，消息發(fā)送，還是智能家居設備，人工智能都正在成為客戶互動的首選渠道。其重要性使得企業(yè)必須謹慎思考如何運用人工智能，并使之為自身品牌代言。那些將此視為次要或附加事項的企業(yè)很快就會遭遇失敗。

這種轉變的重要啟示之一，就是人工智能團隊不能僅由技術人才組成，必須具備跨學科的能力。例如，微軟聘請了一支包括作家和心理學家在內的完整團隊，為其人工智能操作系統(tǒng)Cortana賦予獨特個性。

 未雨綢繆，預先考量相關風險

毋庸置疑，人工智能在帶來巨大機遇和效益的同時，也引發(fā)了相應的風險。事實上，創(chuàng)新必然會有挑戰(zhàn)。因此，在踏上人工智能征程之前，首先需要對所有可能面臨的風險進行評估。

那么，風險的來源有哪些？我們認為，必須預先考慮四類主要風險——分別涉及信任、責任、安全和控制：

信任。我們怎樣向廣大民眾證明，人工智能的安全性？我們如何從一開始構建人工智能的時候，就避免無意或有意混入偏見？答案是堅持透明度和問責制。所有由人工智能做出的決定必須可以公開申訴和質詢。

責任。當人工智能系統(tǒng)出錯、甚至違法時，會造成何種后果？誰將為此承擔法律責任？需要實時更新相關法律和監(jiān)管要求的變化。

安全。我們如何防止人工智能在未經授權的情況下遭到惡意操控？隨著開源代碼的使用越來越多，安全性挑戰(zhàn)逐步加劇。

控制。由機器控制流程后會發(fā)生什么？在極端必要情況下，人類如何收回控制權？對于何時、以及如何在人與人工智能之間進行控制交接，需要仔細加以斟酌。例如，在自動駕駛汽車中保留人類駕駛功能，使之以各種方式控制車輛，這看上去給安全加了砝碼，但由于人類無法每時每刻都全神貫注，因此，一旦出現危急情況，仍無法依靠人類進行足夠快速的干預。

最重要的一點是，當企業(yè)開始使用人工智能時，“可解釋性”將確保公眾的信任。換言之，必須做好準備來說明人工智能如何、以及為何做出一項決定。這是某些受監(jiān)管行業(yè)早已熟悉的情形。例如，若其決策影響到客戶，金融服務機構有義務作出解釋。

事實上，這項任務知易而行難。從本質角度出發(fā)，機器學習通常都是一種“暗箱操作”。也就是說，其特定運作方式使得很難清楚解釋，最終的輸出究竟如何生成。不過，許多人工智能業(yè)內人士和數據科學家都在思考該問題，并且可能很快就會找到新的方法，對人工智能決策進行更充分的科學解釋。

與此同時，現在每家企業(yè)都可以采取一些實際步驟，使自身人工智能系統(tǒng)更易于解釋：

1、 列表 ?？紤]在本企業(yè)中，人工智能正在或將要制定的決策。哪一項可能需要加以解釋，或者創(chuàng)建出預期成果？它們是否與就業(yè)、招聘、貸款、教育、醫(yī)療保健、住房、包容性或安全防護等關鍵領域有關——甚至是間接相關？

2、評估?？紤]所有目前可用以解釋人工智能決策的定量及定性模型。對于模型計劃幫助的人士來說，其目前貢獻力度如何？

3、設計。重新審視用于人工智能的設計原則。它們怎樣才能使決策過程更加以人為本、且易于理解？

4、審核。查看數據。如何確保人工智能系統(tǒng)正在使用可反映工作環(huán)境不斷變化的數據集？

 高瞻遠矚，廣泛影響不容忽視

沒有人能夠獨善其身，企業(yè)亦然。我們采取的各種行動都可能會超出單一組織的界限。因此，鑒于人工智能的革命性潛力和深遠的溢出效應，使用它所形成的廣泛社會影響不容忽視。

這意味著，必須群策群力來解決一些重要問題。例如，在人工智能驅動的世界中，我們如何確保人們擁有發(fā)展進步所需的技能？人工智能會取代多少現有工作，又將創(chuàng)造出多少個全新崗位？一些人是否需要從工作以外的來源尋求收入和成就感？關于人工智能所做的決定，需要哪些新的法律框架？當人工智能變得比他們的創(chuàng)造者更聰明時，人類是否會面臨生存威脅？

1、 技能問題

在技能方面，各國政府多年來一直在推動科學、技術、工程和數學（STEM）四類課程的學習。這一趨勢必須保持、甚至加快，并在學校和培訓課程中增加新的數據和分析法內容。這不應只針對STEM課程，必須以同等力度強調數據和分析學對其他學科的重要性。此外，著力擴大學徒制培訓也可為此做出一定貢獻——例如，英國政府就采取了此類舉措。

當然，在提升人工智能時代的員工隊伍技能方面，行業(yè)部門也起著至關重要的作用。雖然這需要相當大的投資，但此舉對于企業(yè)而言，不僅能產生經濟激勵（確保人才供應），還事關道德義務（負責任地使用人工智能）。更重要的是，如果與人工智能驅動下的變革速度相比，我們現有教育和培訓機構無法同步邁進，那么行業(yè)參與就變得愈發(fā)重要。

一些工作需要運用人類最內在的特質——創(chuàng)造力、同理心、善良、關懷，等等，在任何情況下，它們都可能是最后才受到人工智能影響的崗位。人工智能極難復制人類智慧的這些核心元素。因此，即使人們無法智勝機器，但許多重要且有意義的職業(yè)道路仍將對其開放。

2、 就業(yè)問題

最終，人工智能帶給就業(yè)的凈影響會是正面、還是負面？該問題太過龐大，無法在這篇手冊式的指南中解答。不過埃森哲的專家對此普遍持樂觀看法。如果企業(yè)能夠通過負責任、以人為本的方式使用人工智能，并且在替換崗位的同時，給與增強人類智能同等關注，那么我們相信，所有努力必將帶來積極影響。依照這種思路引入人工智能，將使人類員工專注于工作中更具趣味性、挑戰(zhàn)性、創(chuàng)造性、且更多涉及人際關系的部分——而將單調、無聊、重復的部分留給機器。

很多人對此持樂觀態(tài)度，他們認為，從就業(yè)機會角度看，人工智能的創(chuàng)造力將大于破壞力。這些人士的理論依據來自以往的技術革命史，他們發(fā)現，每次技術革命最后都會促進整體就業(yè)的凈增長。誠然，這種增長過程往往會超越一代人——雖然上一輩工作者可能由于引進新技術而被淘汰，但歷史表明，下一代將從中受益。這種論點堅信，從長遠來看，人工智能同樣會產生積極的凈影響。

不過可以確定的是，并非所有人都如此樂觀。一些人認為這次的變革不同以往。他們指出，雖然此前的許多技術革命都曾推動手工勞動的機械化，但人工智能卻是觸及到了更為基礎的認知過程自動化。因此，機械自動化只能取代一系列特定任務（例如，在農業(yè)勞作中，拖拉機取代馬），而認知自動化的影響如此廣泛，以至于會令人類喪失核心競爭優(yōu)勢——他們的思考能力。這種觀點認為，從長遠來看，我們應該為普遍失業(yè)做好準備。

鑒于觀點如此多樣，針對就業(yè)問題的解決方案不太可能快速成形。相關辯論仍將持續(xù)一段時間。與此同時，政府和各行業(yè)都有責任盡一切努力，確保對人工智能的使用秉承負責任、以人為本的方針。

3、 法律問題

毫無疑問，隨著人工智能在商業(yè)、工業(yè)及其他領域的不斷發(fā)展，法律和監(jiān)管框架需要隨之更新。最先著手、也是最緊迫的領域之一，可能就是與自動駕駛汽車有關的法律。應思考的法律范圍包括人身傷害、疏忽過失和侵權，等等。例如，若一輛自動駕駛汽車在沒有駕駛員的情況下撞車，誰將承擔責任？是汽車制造商、軟件提供商，還是車內乘用者？

那么，人工智能的設計工作又會產生何種法律后果呢？當一輛自動駕駛汽車面臨極端緊急的情況（比如，在挽救車內乘客和前方行人之間做出選擇），人工智能的設計需要采用明確的思維框架來決定作何選擇。這將涉及某些最困難的法律和道德問題的核心。

維護競爭秩序的法律也需要調整。定價算法已被在線零售商廣泛使用，以此實現了更加快速而精準的價格調整。據報道，亞馬遜每小時內會多次變更某些商品的價格，這相當于每天修訂數百萬條單價。人工智能在開放市場中作出的任何決定都需要保持透明且有理有據。

 4、生存問題

沒有人確切知曉人工智能是否會超越人類的一般智力水平——更遑論如果真的如此，將發(fā)生何種狀況。即便那些相信通用人工智能確有可能的專家中，有關其具體發(fā)生時點的判斷也存在很大分歧。我們有信心斷定，盡管人工智能無疑具備令人驚嘆的潛力，但通用人工智能距離問世還有很長時間。然而這并不意味著，我們現在全然無需考慮其后果和影響。因此，建立由行業(yè)贊助的學術機構（如牛津大學的人類未來研究院），對這一問題進行審視分析，將對AI的發(fā)展大有裨益。

智東西認為，隨著人工智能技術爆發(fā)式的發(fā)展， 人工智能創(chuàng)業(yè)公司如雨后春筍般出現，這種趨勢不斷降低著各行各業(yè)的進入門檻。一批依托人工智能的新企業(yè)紛紛涌入市場，改變了老牌企業(yè)固有的競爭格局。這些新生力量更加靈活，不受傳統(tǒng)技術系統(tǒng)、分銷渠道、以及員工團隊轉型需求的束縛。所以，傳統(tǒng)企業(yè)擁抱AI并積極轉型人工智能化已成為大勢所趨。 所以，正如報告中所提，在這波AI浪潮中，為了防止被淘汰，企業(yè)必須做到與時俱進，明確自身定位，合理使用AI技術。

18各行業(yè)，106個中國大數據應用最佳實踐案例：

（1）《贏在大數據:中國大數據發(fā)展藍皮書》；
免費試讀：https://item.jd.com/12058569.html

（2）《贏在大數據:金融/電信/媒體/醫(yī)療/旅游/數據市場行業(yè)大數據應用典型案例》；

免費試讀：https://item.jd.com/12160046.html

（3）《贏在大數據:營銷/房地產/汽車/交通/體育/環(huán)境行業(yè)大數據應用典型案例》；

免費試讀：https://item.jd.com/12160064.html

（4）《贏在大數據:政府/工業(yè)/農業(yè)/安全/教育/人才行業(yè)大數據應用典型案例》。

免費試讀：https://item.jd.com/12058567.html