1、高管指南 人工智能 应用之道 目录 前所未遇，通用技术革命 厘清概念，何为AI 心存犹疑，多轮努力无功而返 与时并进，需要采取切实行动 未雨绸缪，预先考量相关风险 高瞻远瞩，广泛影响不容忽视 应用智能，恰逢其时 04 10 34 44 66 74 84 人工智能 |3 TECHNOLOGY REVOLUTION 前所未遇， 通用技术革命 | 5 前所未遇，通用技术革命 人工智能 | 5 当人人都在讨论人工智能（AI），他们在讨论什么？ 从会议室到工厂车间，从呼叫中心到物流车队，从政府 到风险投资者，人工智能已然成为最热门的话题。 但除了作为最新的技术流行词汇外，AI是否还意味着 更多？当然！事

2、实上，人工智能或许是有史以来最大的 一场技术革命。 这篇指南将为您诠释个中缘由。 ARTIFICIAL INTELLIGENCE | 6 TECHNOLOGY REVOLUTION | 人工智能6 前所未遇，通用技术革命 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2000年以来，数字化颠覆已 令半数的财富500强企业从榜单除名1。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-purpose technology）。 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

3、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。 ARTIFICIAL INTELLIGENCE | 7 前所未遇，通用技术革命 人工智能 | 7 人工智能是终极的 突破性技术 萨提亚 纳德拉（Satya Nadella）， 微软公司（Microsoft）首席执行官 一系列快速发展的技术趋势正在形成组合 效应，得益于此，人工智能已变得更具可行性 （参见第39页：“人工智能的发展进化”）。 这些趋势不断降低着各行各业的进

4、入门槛。一 批依托人工智能的新企业纷纷涌入市场，改变 了老牌企业固有的竞争格局。这些新生力量更 加灵活，不受传统技术系统、分销渠道、以及 员工团队转型需求的束缚。 | 8 | 人工智能8 前所未遇，通用技术革命 相关私人投资随之出现了激增。2017年 前九个月，人工智能风险投资总额达76亿美元2 （与之相比，2016年全年方为54亿美元）。 人工智能专利的注册量亦攀升至历史最高水 平，较2006年扩大四倍3。在美国，人工智能 初创企业的数量短短四年内便增长了二十倍之 多； 截止2018年6月， 中国的人工智能初创企 业达到了1011家4。 这一切都在进一步加剧快速发展、持续变 化的竞争、投资和

5、研究格局。归根结底，人工 智能已成为不容忽视的市场因素，每位高管都 务必积极应对、密切关注。 ARTIFICIAL INTELLIGENCE | 9 前所未遇，通用技术革命 到2020年，人工智能 市场规模将突破400 亿美元5 Constellation Research公司 | ARTIFICIAL INTELLIGENCE11 WHAT IS AI | 11 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

6、组合，机器便能够以类似人类的智能水 平展开行动。 厘清概念，何为AI 人工智能 | 人工智能12 厘清概念，何为AI 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： 感知。人工智能使机器可以通过获取并处理图像、声音、语言、 文字和其他数据，察觉周围的世界。 理解。人工智能使机器可以通过识别模式来理解所收集到的信 息。这类似于人类的信息诠释过程：解读信息的呈现方式及其背 景尽管这种方式未必能推导出真正的“含义” 。 行动。人工智能使

7、机器可以基于上述理解，在实体或数字世界中 采取行动。 学习。人工智能使机器可以从成功或失败的行动中汲取经验教 训，不断优化自身性能。 | ARTIFICIAL INTELLIGENCE13 WHAT IS AI 词汇的区别 认知计算与人工智能 人工智能 | 13 厘清概念，何为AI 认知计算（Cognitive Computing）是人工智能业界广 泛使用的术语。那么，它具体是何含义，与人工智能又有何 不同？然而，正如还没有一个被普遍接受的人工智能定义一 样，认知计算对于不同的人士而言，意思也有所差别。从这 个角度而言，“认知”一词在很大程度上可以被视为人工智 能的感知能力即人工智能感知和理解

8、周边环境的能力。 | 人工智能14 厘清概念，何为AI 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

9、成就的世 界围棋冠军李世石（Lee Sedol）。 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AlphaGo Zero7，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 | ARTIFICIAL INTELLIGENCE15 厘清概念，何为AI 人工智能 | 15 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

10、 计算机科学教授、国际象棋系统专家乔纳森 谢弗（Jonathan Schaefer）8 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（Narrow AI）”又向“通用人工智能（General AI）”迈出了重要一步（有关窄AI和通用AI之间的差异，请参阅第25页）。 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9，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

11、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。 | 16 WHAT IS AI 当今，华尔街超过60%的 交易均由人工智能执行， 很少或根本无需人类的实 时监督 克里斯托弗 斯坦纳（Christopher Steiner）， 算法帝国 （Automate This）作者 厘清概念，何为AI | 人工智能16 系列技术 图1：机器学习能力 机器学习 预测系统 机器人 自然

12、语言理解 机器视觉 信息检索 知识展示 搜索与优化 专家系统 厘清概念，何为AI 人工智能 | 17 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。 | 18 Gartner公司 厘清概念，何为AI | 人工智能18 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

13、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。 到2020年，超过85%的 客户互动都无需再由人工 管理10 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，

14、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。D

15、eepMind的AlphaGo和AlphaZero（第14页）都极好地展示了强 化学习的威力。 机器能够以不同方式学习 厘清概念，何为AI 人工智能 | 19 | 人工智能20 厘清概念，何为AI 图2：小狗，还是面包圈？ | ARTIFICIAL INTELLIGENCE21 WHAT IS AI 小狗，还是面包圈？ 厘清概念，何为AI 区分动物和食物到底有多困难？有时，这会比想象中吃 力得多。互联网上的一大热门动态，就是关于某些宠物和食 品之间的神相似。例如上图中蜷缩的小狗和烤好的面包圈。 对于人类而言，要想在一瞥之下做出准确判断远比想象的要 困难。但人工智能可以轻松完成这一工作。只需通过

16、图像识 别应用编程接口（API）传递图片，人工智能可以惊人的准 确度区分食物与宠物11。 人工智能 | 21 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 （Neural Networks），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（Deep Learning

17、） 。 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。 厘清概念，何为AI | 人工智能22 | ARTIFICIAL INTELLIGENCE23 WHAT IS AI 面部识别 深度学习神经网络使用逐级复杂的规则，对容貌等精细的形状加以分类12 第1层： 计算机识别明亮 和黑暗的像素； 第2层： 计算机学会识别 边缘和简单形状； 第3层： 计算机学会识别 更复杂的形状和 物体； 第4层： 计算机学习哪些

18、 形状和对象可用 于定义人脸。 面容汽车 图3：神经网络如何识别对象 厘清概念，何为AI 人工智能 | 23 | ARTIFICIAL INTELLIGENCE24 WHAT IS AI 我们正在谈论何种智能？ 厘清概念，何为AI 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。 | 人工智能24 WHAT IS AI 厘清概念，何为AI 弱人工智能（WEAK AI） 是指具有“模拟”思维的系统，也 就是说，虽然看上去能够明智行动，但 其实对于正在从事的工作，却并不拥有 任何意识。例如，聊天机器人似乎可以 保

19、持自然的对话，但它其实不知道自己 是谁，或为什么与对方交谈。 窄人工智能（NARROW AI） 是指仅针对单个或特定数量任务 的人工智能。例如，1997年击败国际 象棋世界冠军加里 卡斯帕罗夫（Gary Kasparov）的计算机“深蓝”，其功能 仅限于下棋。它无法在简单的井字格游 戏里获胜甚至不知晓基本规则。 超级智能 “超级智能（superintelligence）”如果存在的话，通常是指超越人类智慧的 通用人工智能和强人工智能。 强人工智能（STRONG AI） 是指具备“真实”思维的系统 即运用有意识、主观性的头脑，像人类 一样思考，进而展开睿智的行动。譬如 当两个人谈话时，他们很可能

20、确切地知 晓对方是谁、自己在做什么、以及为何 如此。 通用人工智能（GENERAL AI） 这类人工智能可用于在各种环境中 执行广泛的任务。因此，它更接近于人 类智慧。谷歌DeepMind使用强化学习 技术开发了一款人工智能，使之学会参 与诸多需要不同技能的竞赛。该人工智 能系统在29款经典的雅达利（Atari） 电子游戏中，仅使用屏幕上的像素作为 数据输入，便取得了与人类相当的成 绩13。 人工智能 | 25 WHAT IS AI 与其尝试编写一个可以模拟成人 大脑的程序，为什么不尝试 模拟儿童的大脑呢? 在 经过适当的教育之后， 它将成长为成人 的大脑 艾伦 图灵（Alan Turing）

21、，1950年 厘清概念，何为AI | 人工智能26 WHAT IS AI 开始训练 厘清概念，何为AI 显而易见，机器学习过程中的“学习”环节对整个概念至关重要。就如同 在整个童年时期，人类大脑都必须学习如何理解和处理所接收到 的信息，机器学习算法或模型也需要经过培训才能洞悉所处 的环境。 如果企业培训方法不当，结果很可能令人难 堪甚至更糟。微软现在饱受诟病的聊天机器人 Tay14便是通过社交媒体互动进行机器学习的一次 失败尝试。该人工智能系统的设计初衷是在与其 他推特（Twitter）用户的交谈过程中，学习如 何自然地展开对话。但是，一些恶意挑衅的网 帖和充满种族偏见的评论却利用其筛选机制的

22、 漏洞，为之灌输了一系列种族侮辱言论和白人 至上主义思想，最终令微软不得不迅速停止其 运行。微软的教训清楚表明，部署人工智能系统 时需要强有力的治理与控制（有关人工智能所引 发治理问题的更多信息，请参阅第71页）。 人工智能 | 27 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。 厘清概念，何为AI 图4：产业化人工智能的跨学科能力组合 体验设计需要很多 异想天开的创意 数学 数据科学必不可少， 但还不够 仅凭大数据或技术都 无法实现目标 产业化的人工智能是 一种跨学科

23、能力 统计 线性代数和离散代数 功能分析优化 算法复杂性 谓词演算 工程学 软件工程 并行计算和分布式计算 应用编程接口管理 模型管理 大规模数据管理 体验 增强型用户体验 领域专长 信息架构 可视化 | 人工智能28 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

24、是“描述性分析（Descriptive Analytics） ” 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 （Predictive Analytics）”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（Prescriptive Analytics）” ，不仅可以做出预测，而且能 提供应对之策。 引入分析法 到2020年，洞见导向型企业每年将从 缺乏洞察的同行那里抢占1.2万亿美元 市场份额15 Forrester公司 厘清概念，何为AI 人工智能 | 29 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

25、里克影片中的“HAL 9000”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

26、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100%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（Cognitive RPA） ” 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）。 厘清概念，何为AI 人工智能与机器人 | 人工智能30 | ARTIFICIAL INTELLIGENCE31 WHAT IS AI 机器人流程自动化的崛起 厘清概念，何为AI 透明度市场研究（Transparency Market Research

27、） 新近发布的报告指出：从现在到2020年，全球机器人流程 自动化市场预计可实现约60.5%的复合年增长率16。 人工智能 | 31 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

28、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！ 我们对此深有体会，因为我们自身也在采取这样的行动。埃森哲已实现了1.7万 个工作岗位的自动化，同时成功地将员工调配到了其他业务领域。事实上，盖洛普 （Gallup）2017年在美国的调查显示17，担心自动化会令其失业的员工仅占13%。尽 管如此，机器人流程自动化和人工智能对就业者的影响仍是一项极为敏感的问题， 必须谨慎应对（更多了解如何负责任地使用人工智能，请参阅第68页）。 厘清概念，何为AI | 人工智

29、能32 机器人流程自动化改变了我们组织和分配工 作的方式，使我们能够专注于改进措施. 通过日常任务的自动化，我们让富有经验能 力的员工专注于更有意思、也更具挑战性的 工作，这既有助于提升员工满意度，又利于 改善客户体验。埃森哲自项目伊始就与我们 并肩努力，从探索阶段一直到具体部署，在 RPA技术的应用中给予全程帮助 克里斯蒂安 科恩斯莫（Kristian Kjernsmo） Circle K欧洲Circle K商务中心董事总经理 厘清概念，何为AI 人工智能 | 33 | ARTIFICIAL INTELLIGENCE34 HAVENT WE BEEN HERE BEFORE? 心存犹疑， 多

30、轮努力无功而返 | ARTIFICIAL INTELLIGENCE35 心存犹疑，多轮努力无功而返 AI并非全新创意，它由来已久。“人工智能”这一术语 早在1956年便已问世18。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。 人工智能 | 35 心存犹疑，多轮努力无功而返 那么，这次有何不同？ 图5：人工智能简史 1940-1956年： 人工智能的诞生 1956-1974年： 黄金时期1959年 1966年 1974- 1980年： AI寒

31、冬 1956年 1950年 1958年1961年1966年 1980- 1987年： AI复兴 艾伦 图灵创建了 图灵测试。 人工智能这一术 语在达特茅斯学 院举行的会议上 首次出现。 IBM研发的Shoebox 可以通过语音指令 来执行算术运算。 首位可对话的人造 “治疗师” ELIZA 面世。 Shakey成为首个 “了解” 周围环境 的移动机器人。 塞缪尔 （Samuel） 开发的跳棋程序 利用机器学习击 败了人类棋手。 | 人工智能36 当前阶段 1997年2004年 1987-1994年： 第二次AI寒冬 1994年2000年2011年 2016年 2017年 2018年 专家机在R

32、1/XCON 等行业持续涌现， 帮助销售代表在 推荐产品时避免 错误。 两辆由机器人驾 驶的车辆实现了 长距离公路行驶。 本田公司推出仿 人机器人阿西莫 （Asimo） 。 IBM的计算机深蓝 （Deep Blue） 击败 国际象棋世界冠军。 IBM的Watson 系统击败了最出 色的“Jeopardy！” 电视竞答比赛选手。 谷歌的自动机器 学习 （AutoML） 技术使人工智能 系统可以创造新 的人工智能系统。 本指南发布。 能够表达情感的 社交机器Kismet 出现。 虚拟助理Siri、 Google Now、 以及IPSoft公司的 Amelia接连投入实 际应用。 心存犹疑，多轮努力

33、无功而返 人工智能 | 37 1994年-现在： 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19。 心存犹疑，多轮努力无功而返 1. 大型主机 客户端服务器和个人电脑 Web

34、1.0：电子商务 Web 2.0：云计算，移动应用 大数据，数据分析，可视化 物联网和智能机器 人工智能 量子计算 2. 3. 4. 5. 6. 7. 8. 1950 年：图灵测试 19 64 年： 服务器/主机 1972 1950 1960 1970 System/360大型电脑 年： SAP公司 1977 年： 个人电脑 | 人工智能38 0214 量子计算 时间 1980 1990 2000 2010 2020 2030 目 前 人工智能 年： 阿帕网 年： 公共互联网 年： 图6：技术的组合影响 19 69 1991 1 99 4 心存犹疑，多轮努力无功而返 亚马逊公司 19 99 年

35、： Sal es fo rc e. c o m 公 司 1 9 9 7 年 ： 大 数 据 1 9 9 9 年 ： 物 联 网 ， 机 器 间 通信 2 0 0 7 年 ： I B M 深 蓝 计 算 机 2005年： Web 2.0 2006年： 亚马逊网络 服务 2008年： iPhone 年： System/ 19 90 390大型电脑 公共云成为主流 年， IDC公司： 数据总量达4.4泽字节 2010年： 自动驾驶汽车 人工智能 | 39 20 10 年： 个人 电 脑 销 量 峰 值 如果再考虑存储成本的快速下降20（每Gb从1980年的50万美元降至2015年的3 美分）、可供训

36、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 的技术巨头都极为关注人工智能。其他创业者和投资人同样热衷于此。超过半数的 欧洲初创企业均以人工智能为焦点，而人工智能类业务的投资也通常会高出其他业 务20%至30%21。 然而，这并不意味着，人们对于人工智能何时迎来爆发点，已形成普遍共识。 而且我们也无法断定，是否可以很快看到通用人工智能（而非窄人工智能）的出 现。一方面，牛津大学和斯坦福大学面向350

37、位专家进行的一项调查得出结论22： 45年内，机器在所有任务中都能胜过人类的可能性为50%。另一方面，艾奇奥尼教 授（Etzioni）2016年对知名人工智能研究者所做的调查显示：四分之一的受访人士 认为超级智能根本不可能实现23。 心存犹疑，多轮努力无功而返 | 人工智能40 | ARTIFICIAL INTELLIGENCE41 人工智能将成为终极版本的谷歌。这种极致的 搜索引擎将洞悉网络上的一切。它会准确理解 你想要什么，进而精准地为你提供。我们现在 还远远没有做到这一点。但是，我们能够越来 越接近，我们正在为之而努力 拉里 佩奇（Larry Page），2000年 心存犹疑，多轮努力无

38、功而返 心存犹疑，多轮努力无功而返 您的竞争对手今天或许 已开始应用人工智能 尽管我们尚未拥有通用人工智能。但随着基础技术以惊人的速度发展，窄人工 智能已经在现实世界的商业应用中显露了非凡威力。 随着企业持续加大人工智能的应用力度，系统所能处理的数据和工作的复杂性 必然有增无减。若想了解其如何在业务环境中发挥作用，下方框架可能会有所帮 助。此框架列出了各种技术的潜在应用形式（本文以金融服务行业为例），并根据 所涉及数据和工作的复杂程度，将人工智能应用分为四大模式效率、效力、专 家、创新。 在与客户的长期合作中，我们已看到人工智能正在不断被扩展和产业化。过去 几年，许多企业都在试点人工智能如何影

39、响其员工、流程和产品。现在，我们相信 这些企业已经开始将试点项目向整个组织范围内推广。多达四分之三的高管表示， 其组织未来三年将“积极部署” 某种人工智能24。 一言蔽之，当前的局势已非常明确：人工智能正蓄势待发，并且事关重大。 | 人工智能42 图7：了解人工智能潜在应用的框架图 自动化 效力模式 支持无缝集成与协作 效率模式 提供持续、低成本运营 创新模式 支持创造力和创意 专家模式 利用专业知识 帐户管理 分支机构管理 安全防护与身份管理 新产品创建 营销活动 发现微细分市场/客户群 财务咨询 发现客户/潜在客户 退休规划 产品管理 风险管理与监管合规 密码重置（技术支持） 联络中心/服

40、务台 基础银行交易 能力增强 非结构化， 易变化， 数量大 结构化， 稳定， 数量少 数据复杂性 常规， 可预测， 基于规则 临时性， 不可预测， 基于判断 工作复杂性 心存犹疑，多轮努力无功而返 人工智能 | 43 | ARTIFICIAL INTELLIGENCE44 WHAT DO I ACTUALLY NEED TO DO NOW? 与时并进， 需要采取切实行动 | ARTIFICIAL INTELLIGENCE45 与时并进，需要采取切实行动 采取正确的应用方式，人工智能将成为提升企业经济价值 的全新驱动力。但问题在于，选择何种路径才是恰当之举？在 这样一个飞速发展的领域中，我们很容

41、易一叶障目，迷失战略 方向。首先，应当了解人工智能将带来哪些机遇。通过将这些 机遇划分为三大类型，您可以对应采取的路线有更清晰的认 知。这意味着需要分别考虑：如何利用人工智能来加快自动 化，如何增强工作效力和执行方式，以及如何在企业内外扩展 人工智能创新。 人工智能 | 45 | ARTIFICIAL INTELLIGENCE WHAT DO I ACTUALLY NEED TO DO NOW? 1. 扩大自动化范围 与时并进，需要采取切实行动 人工智能已成为自动化的新前沿。 借助具备自我学习能力的自动化系统， 充分利用机器学习、计算机视觉、知识 表达和推理等技术模仿人类行为，人工 智能可以使

42、自动化超越仅基于规则的预 测性工作，延伸至我们目前认为需要人 类判断的领域当中，从而创造出大量全 新的自动化机遇（有关在产业自动化进 程中使用人工智能的更多信息，请参见 第30页）。 | 人工智能46 图8：智能自动化前沿 基础 机器人流程自动化 智能自动化 项目级的特定自动化， 例如：脚本、宏、批处 理程序、迷你机器人 全企业范围的表面级集 成 Blue Prism， Automation Anywhere， Fusion，Jacada 和数字 技术支持工具 光学字符 识别（OCR），业务流 程管理（BPM） 将人工智能应用于流程，以增强自动化水平 往往用以增强人类行为，而非完全替换他们，

43、例如，在人类决策过程中使用人工智能模型 人工智能可以深入应用于某一业务领域/流程， 或是跨越多个流程实现浅层自动化 认知型机器人流程自动化是将AI植入RPA当中， 从而使其具备更强“智能”或更多功能 工作性质 已编程 严格受控 已封装 自我学习 自主性 无界限 基于规则 基于判断 很多自动化机遇 仍有待挖掘. .人工智能已成为 自动化的新前沿 平台和自动化技术统筹 与时并进，需要采取切实行动 商业影响变革型战术型 人工智能 | 47 WHAT DO I ACTUALLY NEED TO DO NOW? 材料回收机器人 2. 增强工作能力 与时并进，需要采取切实行动 AMP Robotics公司

44、研发了一款名为Cortex的机器人系统， 使用计算机视觉功能，从废弃产品传送带上快速挑选可回收 材料。该系统依托公司开发的Neuron人工智能技术，能够 利用视频流，将可回收材料（即使它们已变脏或与其他材料 堆积在一起）与无法使用的材料区分开来25。 人工智能大大提升了资源的利用效率。在实际工作中，这体现为两方面的助 益其一是增强人类员工的判断力，其二则可提升客户体验。 #1更聪明地工作。在增强员工判断力方面，与人类相比，机器学习能够从非常 庞大、且高度复杂的数据集中提炼出更多洞见。因此，它们可以发现人类专家未曾 觉察的模式、相似性和异常。例如在筛查癌变症状时，人类专家能够从扫描胶片中 识别出

45、数百种恶性病变，而人工智能可以识别数千种之多。 | 人工智能48 诺丁汉大学的研究人员已创建了一套人工智能系统，预测哪些患者可能在十年 内发生中风或心脏病。该系统的表现优于标准预测方法（得分在0.745和0.764之 间，而标准方法为0.728）26。 这些进步令人印象深刻。但其并不意味着人类专长很快会被取代。当前，最佳 成果仍源自人类专家与人工智能的合作双方都发挥各自独特的能力来共同解决 问题。 大多数高管（81%）认为，不出三年时间， AI就将作为一名同事、合作者和值得信赖 的顾问，在企业中与人类并肩协作27 埃森哲技术展望2018 与时并进，需要采取切实行动 人工智能 | 49 #2提升

46、客户体验。利用人工智能特别是该技术在认知方面的功能，企业可 以极大改善与客户的交互。其具体方式包括：使用数字助理和聊天机器人，通过社 交媒体和数字平台全天候地与客户交谈；或者，在电子商务网站上推荐个性化的产 品和服务。 例如，当南美阿维安卡航空公司（Avianca）希望提升其2800万客户的旅行体 验时，他们很快下定决心引入聊天机器人助理28。埃森哲帮助该公司创建了一款在 Facebook Messenger上运行的聊天机器人Carla，利用人工智能协助客户安排旅行。 通过在客户已经熟悉的消息平台上与Carla进行自然对话，Avianca的客户可以快 速、直观地办理值机手续、查看行程和航班状态

47、，并从航空公司处获取天气和其他 更新信息，无需等待电话人工客服的应答。 此外，创建像Carla这样的聊天机器人或数字助理无需投入庞大资金，或者花费 数月时间。开发Avianca的这款聊天机器人只花了六周时间，而且几乎立刻就拥有 了超过2万名独立用户，他们每个月都会与Carla进行约4000次对话。Carla甚至还 设法将Avianca客户的平均值机时间缩短了一半。 与时并进，需要采取切实行动 | 人工智能50 人机合作撰写新闻已成为现实 与时并进，需要采取切实行动 在谷歌“数字新闻计划”支持下，英国新闻联合社 （Press Association）和Urbs Media公司正以一种非常有趣的 方式使用机器人。两家机构携手开展的“记者与数据机器人 （RADAR）”项目创建出了一套软件，可用于筛选国内数据， 并将本地化统计数据插入人类记者撰写的报道中。截至目 前，这些由本地或地区性报纸发布的报道已涵盖了广泛内 容从医院设立，到社会流动性问题。自2017年11月底试点 以来，共有20家报纸刊登了该项目出品的文章，不但为记者 节省了时间，而且使他们的报道更具分量2