人工智能和機器學習在亞馬遜 Alexa 等面向消費者的應用領域取得了長足的進步，在企業(yè)內的的部署也不斷涌現(xiàn)。

關于 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，牛津大學最近的一項研究表明，在未來二十年內，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。

基于對學術界、初創(chuàng)公司和企業(yè)用戶的親身參與的客戶訪談，我在本文中總結了 AI 企業(yè)自動化的四個關鍵事實和戰(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雜的任務中擊敗人類。 目前的機器學習熱潮是由三個基本驅動因素的融合推動：（1）深度學習算法復雜性的持續(xù)突破，（2）大數(shù)據(jù)（或結構化數(shù)據(jù)）的快速增長，（3）機器學習的指數(shù)加速， 如 GPU 芯片組這樣的機器學習硬件，將訓練時間從幾個月縮短到幾天、幾個小時。

機器學習發(fā)展的三個潛在驅動力預計將在近期加速（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，這將為機器學習算法訓練提供前所未有的大數(shù)據(jù)基礎設施。同樣，加快機器學習算法訓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，這將進一步加快訓練速度 10-100 倍。最后，底層機器學習算法繼續(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)將在近期內繼續(xù)改善。商業(yè)領袖不應該忽視 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)督式學習），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練數(shù)據(jù)中自動完成任務的學習能力。 但一旦學習了某個任務，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。下圖顯示了今天或未來 5 年內可能出現(xiàn)的用例：

考慮到以下的計算機視覺用例，一家公司可能需要訓練 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)自動應付賬款流程。 更高級的算法（即無監(jiān)督學習）已經(jīng)出現(xiàn)，即使在未標記的數(shù)據(jù)上也可以訓練解決方案。

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。 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，那么他們將需要設計和訓練一個全新的解決方案，重點關注其他基礎功能和模式。

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

獲取訓練的標記數(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域的與人類共同創(chuàng)造和重新設計流程

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 個交易員的團隊轉變?yōu)橐粋€更加精簡的 200 人的機器學習團隊。

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。

描述機器可學習任務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)生答復的活動 B.

例如，零售需求預測可以認為是 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，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上的可行性

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

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”平臺可以幫助減少固定成本。獲取訓練數(shù)據(jù)往往成為一個昂貴的瓶頸，成為差異化的關鍵。

轉換成本：用新的 AI 解決方案取代當前解決方案的相關成本和障礙。 這包括技術障礙，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。 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集成，人工智能解決方案將經(jīng)歷更高的采用復雜性。

系統(tǒng)外部性障礙：人工智能解決方案的網(wǎng)絡外部性，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，以提高話務員能力的案例。 該解決方案在文化和風險方面的轉換成本顯然較高?？蛻魧男√幹忠詼p少對消費者的負面影響要敏感得多。 即使解決方案有效，客戶也需要重新設計端到端的培訓流程，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)絡外部性，更高的采用率將產(chǎn)生更多的訓練數(shù)據(jù)以進一步提高性能，但收集最初的批量訓練數(shù)據(jù)將需要時間和領導人“信心的飛躍”。 鑒于這種復雜性，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)領導者應該從今天開始采用嚴格的基于投資組合的方法來開發(fā)機器學習功能、數(shù)據(jù)和合作關系。