2025-04-24 智能化学会动态 0
在亚马逊的Alexa等消费者面向应用中，人工智能和机械进修技术取得了长足的进步，同时在企业内部安排也持续出现。关于AI主动化对企业影响的规模和影响水平存在不同的看法。一方面，研究指出未来二十年内，50% 的工作都可以由AI主动化完成；另一方面，许多企业高管仍然对AI现实影响持有疑虑立场。此外，当前市场炒作和媒体报道也存在很多误导。
基于学术界、初创公司和企业用户的深入访谈，我总结了AI企业自动化的四个症结现实和策略影响：
现实1：目前的人工智能突破是连续可行的，企业决策者不应该忽视
机器学习算法首次在复杂任务如图像识别、语音、文本翻译以及围棋等领域击败人类。目前的人工智能发展主要由三个根本驱动因素推进：（1）深度学习算法突破性成长；（2）大量数据或构造数据快速增加；（3）人工智能训练速度加快，如GPU芯片组等硬件将训练时间从几个月缩短到几天甚至几个小时。
机器学习成长三大潜伏驱动力预计将在近期加速。在2020年，有70% 的企业数据将通过云服务进行存储与处理，这将为机器学习算法提供史无前例的大量数据基础。而且，加速机器学习算法训练速度和处理能力的硬件芯片正在迅速增长。Google,NVidia,Intel 等科技巨头宣布推出下一代GPU芯片硬件，这将进一步加速训练速度10-100倍。最初，从底层机器学习算法持续加快提高这一点，从专利申请数量增加可以看出。
上述趋势为强有力的证据注解AI能否及时表示，将在接下来内持续改善。这提醒贸易首脑不要忽视AI。
现实2：AI应用案例在企业中广泛存在，但规模有限
由于人工智能提升将会持续加快，那么未来5-7年内能做什么？专家共鸣是，大部分部门都是弱人工智能（监控式进修），完成类似人类普遍智慧还需数十年。简而言之，即使人工智能算法具有从练习数据中主动完成任务的自我增强能力，一旦过了一段时间后，不仅无法再进行其他任务，还不能维持原有的义务效率。
考虑以下盘问机视觉用例，一家公司可能需要培训一个能够扫描PDF文件并验证字段格式，并触发自动支付流程。而更高级别的人工智能曾经涌现，即便是在未标记数据上也能进行处理计划。但发生的人工智能处理计划基本局限于主动履行文本字段辨认和格式化义务。如果公司希望使用机械手来发现欺诈行为，那么他们必须设计并培训一个全新的处理计划，以重点关注其他基本功能和形式。
未来，可预见的是，在弱人工智“应用于监控式进修”的范畴运用。在此意义上：
获得被调用的标志数据成为战略优势与差异化源泉
A→B运动优先展开，而非 B→A 运动
现实3：优先专注于 A→B 运动
日本保险公司 Fukoko 宣布采用人工智能替换传统索赔处置。大型银行如高盛则从2000至2016期间，将600名业务员团队缩减至一个精简200人的机械进修团队。不过，并不是所有商业过程都适合现在应用到的弱 AI 主体自动化。
描述机械可进一步提升特征的一个有效方法是 Andrew Ng 的 A→B 运动物投入明确目标集 A 并产生回答结果 B.
例如，对批发需求猜测，可以认为是一个 A→B 运动物收集季节、区域销售历史、社交媒体信号及价格敏感度等多种输出信号，该模型能够实现对未来需求猜测。此外金融交易也是一个典型 A→B 运动物收集一组输出，如历史价格、高频交易驱动因素及过去交易者的套利规则等，并根据这些输出产生买卖输入。
基于这些观察，我们了解了如何区分哪些操作属于“A → B”运动，以及那些不适合使用当前 AI 技术的手段。这对于理解 AI 主体自动化所带来的机会也有重要作用。
参阅下图，为理解用于 AI 的其他 “A → B” 操作，以及不宜使用 AI 自主操作的事项提供帮助。
现实4：采取并不只依赖技巧上的可行性
客户经验表明，即使潜在地技术要求可以满足，一些采取率较低的情况仍然会出现。因此，公司需要考虑更广泛的情景中的采取方案，而不是单纯追求技术上的可能性。一种常见的问题就是成本问题，比如初始投资成本——用于开发新系统或更新旧系统必要的一时性支出，以及转换成本——改变新系统带来的阻碍或者文化变革所需花费资源。此外，还有生态体系需求，比如整合到新的物联网传感器或者更先端设备中的新技能，还有一系列内部障碍比如组织内部性的挑战以及缺乏标准流程导致信息孤岛形成的问题，都需要解决以确保项目成功实施。
综上所述，本文探讨了利用现代数字工具来管理日常活动以及调整商业模式以应对不断变化环境的一些建议。本文旨在展示为什么利用这种方法对于任何想要保持竞争力的组织来说，是非常必要且实际有效的手段之一。在这个不断变化的地球上，要想保持领先地位，就必须不断创新并适应新兴技术。如果你还没有开始这样做，你可能已经落后太多了。你是否准备好踏上这条道路？
