前言

幾年前，在學術機構之外很難找到人認真討論人工智能（AI）。但在今天，幾乎每個人都在說AI。和所有新技術趨勢一樣，這波新浪潮正源源不斷地帶來好奇心和熱情。普羅大眾的參與，雖然創造了不少偉大的想法，但在許多情況下也導致了錯誤看法的出現。

AI是由偉大的思想家和學術研究者建立的，接著被世界各地的學術界和工業界進一步發展，它的發展速度比任何人所預料的都要快。事到如今，人類自身的生物局限性正日益成為創建智能系統的主要障礙，這些智能系統本應和我們一起工作，利用我們的生物認知能力來實現更高的目標。

在過去幾十年里，AI克服了許多學術方面的障礙。然而，在進入現實場景中，它出現了許多問題，圍繞它產生了不少神話和誤解。不幸的是，由于對于AI能做什么和不能做什么的信息令人困惑和沖突，行業很難在狂熱者、平臺供應商和服務供應商造成的擁擠和嘈雜的生態系統中區分事實和虛幻，帶領行業前進。

所以，現在最主要的挑戰是，如何讓行業對AI能和不能做什么有一個現實的界定，并不斷地對其進行更新，從而引導他們的組織以正確的方式應用AI來解決現實世界中的問題和改造他們的業務。此外，學者和AI從業者有責任走出泡沫，與行業專家合作，以進一步發展AI的學術基礎，使其在現實世界中的應用得更快。

行業認知“一團亂麻”

過去幾年，幾乎所有行業都在試圖了解AI以及企業如何從中受益。不幸的是，直到現在，AI的應用大多還沒超越概念證明（POC）階段，即小范圍分散使用機器學習（ML）算法階段。

如今的許多POC項目，基本還是使用簡單的統計方法給他們的問題添加一些簡單的預測或分類，就堂而皇之地冠以AI的名字。實際上，這仍然可以定義為分析或是高級分析，在理解結果和作出決定或采取行動時仍然需要廣泛的人為干預。

隨著業務流程和操作條件的不斷變化，新生成的數據和不同業務因素的不斷變化降低了精度和價值，這些算法可能會隨著時間的推移變得無用，甚至導致危險的決策。這一現實使企業感到困惑，阻礙了他們以適當方式采用先進的AI技術。

目前，不少企業選擇少量采用ML算法以快速獲得收益，但是這可能會對跨行業AI應用造成挫折，從而引發另一個“AI寒冬”。當然，這次在行業方面，而不是在學術方面。

不過，這也并非全無壞處。雖然這一水平的AI應用讓公司浪費了許多機會和資源，但它有助于使企業和IT高層相信，AI可以推動變革性和相關的創新。

分散式ML的詛咒

以往常見的現象是，一些有雄心的商業大咖使用開源ML庫，在他們自己和業務領域內啟動AI計劃，但只重點關注一些需要優化的關鍵決策。這些行動通常不是整個公司有組織計劃的一部分，雖然可以獲得一些價值，給使用AI解決問題提供了第1次經驗，但它導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據中隱藏的價值，也不能充分利用組織所擁有的寶貴業務知識。此外，它們還會給公司帶來潛在風險。

分散的ML算法帶來的一些主要風險是：

算法如果通過有限類型的特性和數據進行培訓，會導致在業務領域之外做出錯誤的或有時是危險的業務決策;

在優化本地運營決策時，此類算法可能會無意中對其他業務領域甚至全球運營產生負面影響;

這種單獨的算法很容易被內部或外部參與者操縱和誤導，從而增加了一個新的網絡安全風險類別;

培訓ML算法可能需要昂貴的計算能力，這會增加小型企業單位的高成本。在許多情況下，這導致業務部門完全放棄AI，因為他們錯誤地認為采用AI的成本很高。

如果企業的業務職能部門和運營部門能夠直接連接的，它們生成的數據、創建的知識以及所遵循的角色是共享的且相互依賴的，那么AI可以在人類忽略的大量數據和特征中找到到一些相互依賴的關系，創建一個強大的數據和知識平臺，使跨組織分布式AI系統能夠將分散的數據、知識和決策性質從弱點轉換為主要優勢。

因此，各企業現在能能夠迅速采取行動，整合所有松散的AI戰略和ML算法，將其整合成整個企業級別的安全AI平臺。這將使現在分散但其實相互關聯的AI解決方案提供真正的智能，從而在需要做出決策時為企業帶來利益和轉型能力。這一舉措還將降低采用成本，增加投資回報率，從而加速AI的采用。

使用AI技術還是創建智能企業？

就算AI還不具備這種能力，企業也必須預先向好一個問題：他們是只想部分使用AI技術，還是最終創建一個全智能企業？

目前圍繞機器人工序自動化（RPA）以及它們是否是AI一部分的討論，讓關于整個AI應用的討論偏離了軌道。有許多企業在引入了這種自動化工序后，就自滿于自己成為AI應用的先鋒。

然而，RPA不是AI的一部分，至少基于學術定義是如此。當前的RPA技術只是簡單的腳本，在許多情況下，這些腳本只是將人類多年來積累起來的當前業務流程交由自動化機器人完成而已，在設計時也主要圍繞人的需求。

事實上，這也是一個機會，一個通過RPA和智能工序自動化（IPA），重新設計員工隊伍的機會，在新員工隊伍中，人和機器更智能、緊密地協作。

企業應該從一開始就立志于創建一個智能企業，它不僅提供智能產品和服務，還要在內部采用智能流程。它要充分利用人類的生物智能和機器的AI能力，而不僅僅是自動化重復過程。

考慮到智能企業的人工制品和內外部業務環境日益復雜，而我們的生物能力又著實有限，過多的傳統人工干預其實正日益成為實現智能企業目標的主要瓶頸。因此，組織需要停止浪費時間討論RPA，轉而動手制定智能企業的戰略和路線圖，其中應包括：

智能企業的總體愿景、定義和路線圖，包括如何以動態方式找到產品、解決方案和服務問題的原因、內容、方式;

新智能流程的路線圖，設計用于更緊密的人機工作方法;

超越AI和ML算法的策略，以識別對端到端智能解決方案和產品至關重要的其他技術，例如新的傳感技術、智能物聯網網關、邊緣計算硬件以及包括量子計算在內的高性能計算機;

在構建、使用、操作和維護此類智能系統和解決方案的過程中，創建所需文化和組織運作轉變的計劃;

創建創新生態系統的計劃，該生態系統應是新業務的一個組成部分，以預見并向新業務和聯合客戶提供新的智能服務。

由AI技術賦能的人機界面（HMI）。

對數據的誤解

到目前為止，培訓、測試和驗證當前的ML算法仍然稱得上是挑戰，尤其是深度學習，因為它們需要大量的良好數據。過去幾年的數據表明，在許多情況下，企業在編寫ML方法時，沒有足夠數量和質量的歷史數據。

即使在有足夠的數據的情況下，人類也必須在數據工程、數據分析、特征工程、特征選擇、預測建模、模型選擇和驗證等不同領域投入大量精力，然后才能使用初始算法。此外，手動調整第1代算法的內部結構設計，以及后續的持續改進，都還需要大量繁瑣和重復的工作，并且需要大量的計算能力。

當前的各種“預測分析”算法實際上都是在用簡單的統計模型，根據可用的歷史數據來預測某些內容。它建立在一種假設之上，即未來將簡單重復過去發生的事，顯然，這種假設是錯誤的，部分“昂貴”的歷史數據反而會產生誤導效果。

此外，科學家們對統計推斷和濫用統計顯著性和“P值-概率值”的警告日益增多，在某些情況下，這可能導致災難性后果。一些科學家甚至呼吁放棄傳統統計學上的概念，特別是在需要高精度預測的情況下。

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軟件解決方案的方式進行自我保護。從技術上講，AI系統有可能自動檢測到敵方行為，甚至在某些情況下，主動采取先發制人的措施來保護自己。如今，AI正被有效地用于增強傳統的網絡安全解決方案，使其能夠早期識別或預測威脅，并建議對敵方系統。

但是，這只是針對目標的保護，對于自身的保護，AI不一定有那么好。黑客也許不需要再竊取數據，只需向AI系統提供錯誤的數據，從而操縱他們做出正確決策的能力。例如，黑客可以訪問電子病歷（EMR）來添加或刪除MRI掃描中的醫療狀況，這將導致ML算法誤判。同樣的情況也可能發生在核電站或智能電網的財務數據或關鍵設備的運行數據上。

AI特點之一，就是它們能根據我們解決問題或做出決策的方式，以及我們授予它們訪問權限的外部數據源來自己學會保護方法。這種獨特的性質也使其更容易受到新類型的網絡威脅。這和誤導人類行為的方法差不多。

AI系統的道德風險

AI倫理和偏見是當今最常討論的話題之一。當我們根據經驗創建的ML算法規則時，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，如診斷醫學圖像、預測設備故障或優化生產能力時，道德和社會偏見可能不是迫切需要解決的問題。這造成了一種誤解，即AI沒有偏差，許多公司都不知道ML算法可能會給組織帶來高風險甚至法律負擔。

例如，我們通常使用特定設備的技術數據和其他操作和環境數據來訓練ML算法，這些算法可以主動預測設備故障或指導我們如何提高其性能。在某些情況下，由于許多已知和未知的變量，算法可能會傾向于以故障率為基準做決策，從而導致業務中斷。

結論

各企業必須認真制定全面而靈活的AI戰略，并立即啟動適當的執行計劃，為新時代做好準備。這一面向智能企業的戰略將有助于創造未來的新的人機合作方式，并重新塑造整體業務格局。這要求企業和IT領導層對AI現在和未來能做的事情有一個現實而準確的看法。

此外，如果是由擁有在AI領域具有豐富學術和實踐經驗的人來領導這類行動，有助于擺脫炒作，避免代價高昂的社會誤解。

AI不應局限于幾個功能領域，企業應預先考慮采用嵌入式、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隊、職能領域、產品和服務中得到良好的協調發展。

最重要的是，采用AI及和智能企業相關的技術，可以使人類和智能機器更加接近，從而創造出生產效率更高、功能更強大的勞動力結構。公司應該明白，人類和機器將成為新時代勞動力的2大支柱，并明智地計劃利用它們的綜合優勢，了解它們在生物和人工性質方面的局限性。

責任編輯：ct