过去二十多年，企业遭遇了颠覆性冲击。事实如此令人震撼：自年以来，数字化颠覆已令半数的《财富》强企业从榜单除名。AI将让数字颠覆来得更加强烈。
这是因为，人工智能是一种经济学家所定义的通用技术（general-purposetechnology）。而通用技术的影响通常巨大而且深远——我们不妨回想电力和内燃机的历史意义。通用技术影响不仅体现为对社会的直接贡献，还会通过溢出效应，激发广泛的互补式创新。正是由于电力的出现，工厂电气化、电信联络、以及随之而来的一切方才成为可能。内燃机则催生出了汽车、飞机、乃至现代化的运输和物流网络。如今，人工智能将以类似的规模影响整个社会。
本期的智能内参，我们推荐来自埃森哲的报告，在这次人工智能技术革命浪潮中，为企业管理者出谋划策。
一、何为AI？
究竟人工智能是什么？回答这一问题并不像看起来那么简单。事实上，就连统一的“人工智能”定义也尚未出现。这是因为，从本质来看，我们所谈论的人工智能并不真的特指某项技术。
从实际层面出发，人工智能涵盖了一系列不同的技术，通过有效的组合，机器便能够以类似人类的智能水平展开行动。
我们并未像许多人那样，不断尝试去明确地描述人工智能，而是倾向于将此类技术视为一套能力框架。毫无疑问，这是了解人工智能、知晓其背后广泛技术的最佳方式。我们的框架以人工智能支持机器实现的主要功能为核心，其中包括以下四个方面：
▲人工智能支持机器实现的主要功能
1、机器学习的威力
人工智能系统的学习能力至关重要。能够通过分析数据来决定完成任务所需的行动，而非按照明确的指令、以预先定义的方法行事，正是实现系统“智能化”、将人工智能与其他形式的自动化区分开来的关键。
一旦为最出色的人工智能系统设定出自我学习任务，我们就有望目睹非凡成果。谷歌旗下DeepMind公司开发的人工智能AlphaGo，已成为首个在高度复杂的棋类竞技中击败人类专业棋手的计算机程序6。开发人员向AlphaGo传授比赛规则，然后展示了数千种人类之间的对局，由系统自行辨别制胜策略。其结果是：AlphaGo一举战胜了拥有传奇成就的世界围棋冠军李世石（LeeSedol）。
但DeepMind并未就此停止其围棋领域的成功步伐。公司随后开发了更为强大的第二代版本——AlphaGoZero7，它可以单纯通过自我对弈来掌握获胜之道——完全无需观察人类棋手。不仅如此，AlphaZero作为人工智能更新迭代的最新版本，实现了更为长足的进步。AlphaZero已证明，能够和自己较量来学习国际象棋，并在短短四个小时内就超越了人类的技能水平。这项壮举真正令人瞩目的是，AlphaZero并非专门为下棋而设计。加拿大阿尔伯塔大学计算机科学教授、国际象棋系统专家乔纳森谢弗认为，这或许便是该系统能够制定出非传统制胜策略的原因。AlphaZero以这种方式彰显出，“窄人工智能（NarrowAI）”又向“通用人工智能（GeneralAI）”迈出了重要一步。
这一过程就是我们所说的机器学习。麻省理工学院的埃里克布莱恩约弗森（Brynjolfsson）和安德鲁麦卡菲（McAfee）两位教授观察发现，其如此强大的原因非常简单。一方面，虽然我们人类非常善于从事任意种不同的活动，但我们并不总是明确知晓自身工作是如何完成的。例如我们可能会发现，识别另一个人的容貌很容易，不过我们很难充分了解这项能力的生理机制。因此，将该功能直接通过编码嵌入机器当中会十分困难。
而另一方面，机器学习使得设备可以完全自主地学会做好这项工作。实际上，识别大量数据中存在的模式，恰是机器学习的核心特长之一。
机器学习是人工智能系统的核心。它可以从原始数据中学习，从而赋能于人工智能可见的出色表现，使其变得越来越普遍。无论是进行前瞻判断的预测系统、近乎实时解读语音和文本的自然语言处理系统、以非凡准确度识别视觉内容的机器视觉技术，还是优化搜索和信息检索，都依托于机器学习。
相对于其他技术，机器学习的一项关键优势，就是对“脏”数据的容忍度——即数据中包含有重复记录、不良解析的字段，或是不完整、不正确、以及过时的信息。此类问题对企业来说关系重大：大多数高管都将非常清楚地认识到，应对脏数据将是他们工作中的一大痛点。
机器学习具备灵活性，可随着时间推移获得全新发现并做出改进，这意味着它能够以更高的准确性处理脏数据，并且由此拥有了极佳的可扩展性。在我们当前所处的数据大爆炸时代，后者正变得越来越重要。
机器学习的真正强项之一，便是可以使用不同的学习算法，包括监督学习、无监督学习和强化学习等类型。
监督学习。这种算法使用带有标记的数据集（数据已经过整理和描述），推导出每个标记代表的显著特征，并学习识别新数据中的这些特征。例如，向算法展示大量标记为“猫”的图像，然后它将学习如何识别猫的形象，并在其他任意数量、且完全不同的图片中发现猫。
无监督学习。这种算法使用的数据不需要预先定义标记。它采用不带标签的数据集，查找其中各条目之间的相似与差异，然后自行分类。比如，我们可以向算法展示大量其中包含猫和狗、但未加以标记的图像，而算法会在不知道哪些图像分别含有“猫”或“狗”的情况下，把具有相似特征的图像分类到不同的组当中。
强化学习。这种算法利用反复试错，形成“奖励”和“惩罚”的反馈循环。当算法得到数据集时，它将所处环境视为一场比赛，每次执行动作都会被告知是赢还是输。通过这种方式，它可以创建出一套方案——哪些“动作”能够带来成功，而哪些会造成反效果。DeepMind的AlphaGo和AlphaZero都极好地展示了强化学习的威力。
2、人造大脑
那么，机器学习如何实际运作？最近许多非凡进步的背后，是一种受动物大脑机能启发、非常先进而精巧的计算系统形式在起作用。这些系统被称为神经网络（NeuralNetworks），它们支撑着当今最前沿的人工智能研究。
神经网络由一系列相互联系的“节点”组成，模仿了生物大脑中的神经元网络。每个节点在接收输入信息后，内部状态会出现改变，并相应地产生输出。接下来，该输出又形成其他节点的输入，依次传导。这种复杂运作能够支持一种非常强大的计算形式——深度学习（DeepLearning）。
深度学习通过多层处理来了解数据集中数据的重要特征。例如，它可用于图像和语音识别。使用神经网络，每个层级的输出为下一个层级提供了输入，其中每个层级都在不同的提取级别上运作。通过这种方式，深度学习系统可以比其他方法处理更庞大的数据集。
当数据科学家和其他人士讨论人工智能时，他们通常使用两个对比类别来阐明其含义：窄人工智能与通用人工智能，以及弱人工智能与强人工智能。
正确实施培训所需的，不仅是高级数学技能。产业化的机器学习是一种跨学科能力，融合了数据科学、工程学、用户体验设计与相关领域知识。单独依靠某项能力本身，都不足以满足需求。
那么，分析法适合在哪些环节与上述能力加以结合？或许问题应该是：人工智能应如何引入分析技术？如果我们认识到，分析法是通过分析数据来改进决策，就可以明确知晓机器学习和其他统计分析应怎样嵌入业务流程当中。毕竟，分析法的目的在于从数据中获取洞察——这与机器学习的目标非常相似。
分析法，连同支持它的各种机器学习算法，可基于所需洞察的深度，划分为不同复杂程度的几个层级。较简单的一个层级是“描述性分析（DescriptiveAnalytics）”——分析历史数据以了解发生了什么、及其背后的原因何在。与之相比，“预测性分析（PredictiveAnalytics）”更为复杂，它利用数据来预判将会发生哪些状况。复杂度最高的则是“规范性分析（PrescriptiveAnalytics）”，不仅可以做出预测，而且能提供应对之策。
3、人工智能与机器人
一谈到人工智能，人们通常会先想到机器人和机器人技术。公众脑海中可能浮现出库布里克影片中的“HAL”机器人、阿西莫夫笔下的机械人，或是本田公司开发的可行走机器人Asimo。
在商业环境中，它既可以指利用工业机器人来实现制造或服务流程的自动化，诸如，汽车装配线，又可以指日益普遍的管理或服务流程的自动化，即，结合了数字和人工输入的机器人流程自动化（RPA）。
从严格意义上说，机器人流程自动化是为恒久不变的流程而设计的，所以根本不需要任何“智能”。例如，若是业务流程需要员工以标准形式，将数据从一个系统（比方一张纸）手工输入到另一个系统，就可以通过带有键盘敲击模拟功能的RPA系统轻松实现流程自动化。实际上，埃森哲已在某大型制造业客户的发票处理流程中应用了机器人流程自动化。其成果非常显著：耗时减少70%，工作效率提升30%，并且达到了%的准确率。
不过现在，人工智能技术也正被持续引入新兴的“认知RPA（CognitiveRPA）”领域。这令流程自动化拥有了一定程度的可调空间，使其应用范围得以大大扩展。其中的典型实例包括，利用机器学习训练机器识别图像中的文本（被称为光学字符识别）。
实际上，埃森哲常常建议将机器人流程自动化作为开启人工智能旅程的理想起点。其原因在于，若想成功应用RPA技术，首先要详细了解哪些流程需要实现自动化；而这也是设计更广泛、更复杂的AI自动化解决方案的第一步。此外，为了确保现有流程（有时为次优方案）不是简单地以数字形式加以模拟，而是通过重新设计尽可能地充分利用人工智能，该举措亦不可或缺。
我们必须认识到非常重要的一点：RPA和认知RPA技术不仅可以降低成本，还能增进流程的一致性和处理速度，并提供全天候运行、以及根据需求扩大或收缩流程的能力。请始终牢记，机器人流程自动化取代的是任务，而非员工。许多已采用RPA技术的企业都为员工重新部署了更具价值的工作——并且这些新工作的趣味性也大大超过了以往！
二、千载难逢的AI革命
AI并非全新创意，它由来已久。“人工智能”这一术语早在年便已问世。该技术的发展历史上曾出现过多轮令人欢欣鼓舞的高潮，但随后迎来的却是失望和长时间的低迷（这些阶段被称为“AI寒冬”）。以往的每一次技术突破都只是部分达到对其的瑰丽憧憬，而从未使这项技术成为主流。那么，这次有何不同？
当前出现的重大变化在于，我们正处于一个前所未有的时期——如此之多的不同领域都在展开技术创新。今天的人工智能应用软件可以利用云端几乎无限的处理能力；并且为特定任务定制设计的电脑芯片也在持续增多，此类芯片具备更高水平的计算效率和速度，其最主要的用途便是数据分析。这方面的典型实例包括，用图形处理器（GPU）代替中央处理器（CPU）使处理能力得到大幅提升。而谷歌已更进一步，其设计的张量处理器（TPU）的性能比当今使用的CPU和GPU高出达30-80倍。
如果再考虑存储成本的快速下降（每Gb从年的50万美元降至年的3美分）、可供训练人工智能的数据量呈指数级增长、以及开源平台和框架的出现，我们现已具备独特的条件来结合技术和能力。这一切都为人工智能提供了非常强大的基础，使其日益趋近主流应用的临界点。
从谷歌、亚马逊、脸书、微软，到百度、阿里巴巴和腾讯，几乎所有世界领先的技术巨头都极为