人工智能技術已逐漸步入主流行業，企業尋求通過應用人工智能建立持續的競爭優勢。但人工智能并非“即買即用”的產品，管理者們需要積極了解人工智能基礎技術、應用模塊和發展現狀，才能更好地掌握其運用之道。

近年來，人工智能已邁出機房，步入主流行業。BCG和《MIT斯隆管理評論》所進行的研究表明，人工智能將在未來五年內對所有行業產生重大影響。【注：我們的研究基于對全球3000多位行業高管、經理和分析師進行的全球調查，以及與30多位技術專家和高管進行的深入訪談。參閱2017年9月6日麻省理工學院斯隆管理評論的《人工智能重塑企業：彌合目標與行動之間的差距》】研究發現，超過70％的高管希望人工智能在其公司中發揮重要作用。

今天的人工智能算法能夠支持非常精確的機器視覺、聽覺和語音，并可以訪問全球信息庫。由于深度學習和其它先進的人工智能技術的發展、驚人的數據增長水平，以及原始信息和數據處理能力的不斷提高，人工智能的性能得以不斷改善。

這些發展導致人工智能商業應用的爆炸式發展，就像寒武紀時代，視覺系統的發展促使物種多樣性在世界范圍內顯著增加。

同其它時代一樣，這個新時代將會有贏家和輸家。但我們與麻省理工學院的研究表明，如果繼續按照目前的模式發展下去，兩者之間的差距會變得巨大而嚴峻。數據顯示，即使在同一行業內，不同公司對人工智能理解和應用的程度也有顯著不同。總體而言，許多公司的高管認為他們的組織對人工智能缺乏基本的了解。

關于人工智能，管理者應當知曉的十個事項

+

為了在這一快速發展的領域做出明智的決定，所有管理者都應該對人工智能有基本了解。以下是十點關鍵事項：

01

人工智能是歸納式的

人工智能系統通過其已做決策所收到的數據和反饋而進行學習。事實上，人工智能系統的預測與行動基于其所接受的訓練數據。這一點正是人工智能系統與以推演為基礎的傳統編程的不同之處。傳統程序只是處理數據，而非從中學習。

02

人工智能的算法很簡單

核心的學習算法少到幾條代碼，多則上百條。基礎的人工智能簡單易學，這也是其在當下發展迅速的原因。您并不需要成為計算機科學家，就可對人工智能有個直觀的了解。其復雜度在于如何應用人工智能來解決現實世界的問題。

03

人工智能擁有超人的工作速度和工作量

電子信號的傳輸速度比大腦內化學信號的傳輸速度快百萬倍，因此人工智能可吸收大量數據，從中學習并快速行動。一些電子交易市場須以微秒計時，對參與者和監管者而言，人工智能則是唯一的現實選擇。

04

對人工智能而言，語言和視覺觸手可及

人工智能領域最近的重大突破便是機器與人類的互動，掌握人類知識和在現實世界行走。雖然這些技能尚不完善，但已在許多場合得以應用——并且人工智能還在快速改進。

05

人工智能能夠克服傳統的復雜障礙

人工智能可以處理線性問題（本質上可以直接歸納的簡單問題）和非線性問題（其他任何問題）。這一雙重能力為物流、制造業和能源效率等許多領域提供了眾多優化機會。

06

潛艇不會游泳

即便是依靠相似的啟發教育法（例如：反復試錯），機器與人類處理任務的方式仍不相同。商業目標是解決問題，而非創造機器人來模仿人類來完成某一特定工作。就像工程師并不是以馬奔跑的方式來設計汽車一樣，無人駕駛也不應當模仿人類駕駛員的動作。

07

人工智能難以追根究底

如果想要理解為何機器能做出特定的決定，必須親自設計程序，才能追蹤機器的決策制定過程。您還需要避免前沿算法，比如深度學習應用程序中使用的算法。深度學習為基礎的應用能給出直觀或創新性的答案，但這類答案的分析過程很難被追蹤。

08

分散行動，集中學習

人工智能架構結合了集中化與分散化。例如，無人駕駛汽車在自動駕駛的同時將數據傳入中央數據中心。之后，系統使用來自車隊中每輛車的匯總數據來促進中央系統學習，而單個車輛可通過定期更新軟件來接收中央系統學習成果。

09

商業價值實現于數據和訓練

許多企業不理解數據和訓練對人工智能成功的重要性。對于建立智能系統而言，好的數據通常比好的算法重要，正如對于人類來說，后期培養比其天資更為重要。

10

人機交互發生變革

為優化人機交互所做出的努力已遠遠超過訓練人類使用靜態計算機程序所做的工作。通過人工智能來提升人的表現，以及將人引入算法解決問題的過程，兩者均日益普遍且具有挑戰性。

人工智能模塊

+

以下十個模塊對設計和構建人工智能系統至關重要。供應商可以提供具備基本功能的模塊，但公司通常需要對這些模塊進行修改以適應個性化的應用。最簡單的人工智能應用案例通常由單一模塊組成，但通常會逐漸演變到包含兩個或更多模塊。下圖結構是基于每個模塊主要涉及領域，包括數據、處理或行動。

機器視覺以視覺、X射線、激光或其它信號為基礎，對現實世界的物體進行分類和跟蹤。光學字符辨識是機器視覺的早期成功案例，但解密手寫文本尚在研究中。

機器視覺的質量取決于大量參考圖像上人為做出的標簽。學習這些包含標簽的數據是訓練機器的最簡單途徑。在接下來的五年之內，以視頻為基礎的計算機視覺技術將能夠對動態行為進行識別和預測，比如監測系統。

語音識別能夠將聽覺信號轉化成文本。在相對安靜的環境中，包括Siri與Alexa在內的應用能夠識別普通詞匯中的大多數詞語。對于更特殊的詞匯，像Nuance的Power-Scribe這種為放射科醫師量身定制的程序就變得極為必要。而我們還需要幾年時間才能制造出在許多人同時說話的嘈雜環境中仍能精確記錄的虛擬助手。

自然語言處理是對文本的語法分析和語意解釋。這一能力可用于識別垃圾郵件、虛假新聞甚至高興、悲傷、挑釁等情緒。目前，自然語言處理可對文本進行基本總結，并在一些場合還可推斷意圖。例如，聊天機器人嘗試以感知聊天對象的意圖為基礎對聊天對象進行分類。自然語言處理技術有可能在接下來幾年內獲得顯著提升，但對復雜文本的完全理解仍是人工智能的重要課題。

信息處理通過搜索、知識提取、非結構化文本處理等各種方法為查詢提供答案。這一模塊與自然語言處理緊密相關，它包括對數以億計的文件進行搜索，或通過構造基礎知識圖形來識別文本中的各類關系。（使用維基百科中關于安吉拉·默克爾的數據形成的圖形可將默克爾標記為女性、德國***，以及已會見過唐納德·特朗普的人。）這一模塊還可能涉及到語義推理，比如從句子“特朗普是美國的默克爾”中可推論特朗普是美國總統。盡管知識數據庫快速發展，但以推理為基礎的機器學習可能在接下來的幾年內仍處于初級階段。

從數據中學習本質上就是機器學習——在歷史數據的基礎上進行價值預測或信息分類的能力。盡管機器學習是機器視覺和自然語言處理等模塊的基礎，同時也是一個獨立的模塊。機器學習是一些系統的基礎，包括Netflix電影推薦、基于異常監測技術的網絡安全程序，以及通過歷史數據預測客戶流失的標準回歸模型等。

如何移除數據中的人為偏見是機器學習面臨的挑戰之一。鑒定欺詐、預測犯罪或估算信用評分的系統需要對隱含如代理人、警務人員和銀行官員等偏見的信息進行編碼。數據清理是一項有挑戰的工作。

最后，現階段許多機器學習模型本質上是黑箱。數據科學家們需要在設計系統時考慮透明性的問題，特別是在有監管要求的環境中，即使這樣會犧牲部分性能。目前這一領域正在進行深入的研究，未來五年內透明度有望提高。

規劃和探索代理可幫助識別實現目標的最佳行動順序。無人駕駛車輛很大程度上依賴這一模塊來進行導航。當需要同時考慮更多的代理和行動時，識別最佳行動順序變得更加困難。強化學習是一個快速發展的子域，它的學習方式強調的是接收偶然的線索或獎勵，而不是明確的指導。強化學習與人類大腦通過反復試錯進行學習相類似，它幫助Google DeepMind在圍棋領域取得成功。

圖像生成與機器視覺相反，它以模型為基礎生成圖像。盡管這項技術仍處于初級階段，這一模塊可在缺失背景的情況下完成圖像，比如將圖片改變成文森特·梵高風格。圖像生成技術支持包括Snapchat的masks工具在內的虛擬增強（VR）和現實增強（AR）工具。目前，圖像生成技術是大型科技公司正在積極并購的目標。

語音生成包含以數據為基礎的文本生成，以及以文本為基礎的語音合成。Alexa的技術正是通過文本生成語音。這一模塊可以支持新聞機構自動編寫基本的體育和收入報告，例如比賽總結及財經新聞。在接下來的五年里，語音生成技術的發展很可能通過加入節奏、重讀和聲調使語音聽起來更加自然。在不久的將來，音樂生成也將變得更加個性化。

處理和控制是指現實世界對象間的互動。例如，機器人已經學會人類如何在工廠中工作，但當面對切面包或給老年人喂飯這類非常規或不固定的任務時則會遇到麻煩。由于全球很多公司開始投資這一領域，機器人將在挑揀倉庫異常物品和靈活處理不固定的人類行為方面表現得更好。

操控和移動涉及機器人在既定真實物理環境中的移動方式。無人駕駛車輛和無人機在使用車輪和旋翼方面十分嫻熟，但在用腿走路——特別是兩條腿走路方面面臨艱難挑戰。可順暢地爬樓梯或開門的機器人將不會在未來幾年內出現。四足機器人對平衡性要求略低，但目前已有的四足機器人已經能夠進入輪式車輛無法進入的環境。