2025-04-24 智能化学会动态 0
在亚马逊Alexa等面向消费者的应用范畴，人工智能和机械进修取得了长足的提高，同时企业内部安排也持续出现。关于AI主动化对企业影响规模和影响水平的看法不一。一方面，牛津大学的一项研究注解，在未来二十年内，50% 的任务都可以由AI主动化完成；另一方面，很多企业高管依然对AI现实影响持疑惑立场。另外，目前的炒作和媒体存在很多误导。
基于对学术界、初创公司和企业用户亲自介入的客户访谈，我总结了AI企业主动化的四个症结现实和策略影响：
现实1：当前的人工智能进步是连续性的，不应忽视
机械算法历史上第一次在如图像识别、语音、文本翻译以及围棋等庞杂义务中击败人类。当前的人工智能是由三个根本驱动因素融合推进：（1）深度学习算法突破性发展；（2）大量数据（或构造数据）的快速增加；（3）机器学习指数加快，如GPU芯片组等硬件将练习时间从几个月延长到几天、几个小时。
机械进修成长的三个潜伏驱动力预计将在近期加速。到2020年，将有70% 的企业数据将经过云数据中间停止存储和处理，这将为机器学习算法练习提供史无前例的大量数据基础措施。此外，加速机器学习算法练习和处理速度10-100倍的是硬件芯片正在迅速成长。Google,NVidia,Intel 等都宣布推出下一代GPU芯片硬件，这将进一步加速练习速度。
这些趋势提供了强有力的证据说明AI能够并且表示将在近期内持续改良。这对于贸易首脑来说是不容忽视的事实。
现实2：AI应用案例在企业中广泛存在，但规模无限
鉴于AI提高将会持续加快，那么关于未来的五至七年内能做什么？专家的共鸣是，大多数部门中的用例都是弱人工智能（即监控式训练），完成接近人类普遍智慧还需要数十年。
简而言之，人工智能算法将具有从训练数据中主动完成任务能力。但是一旦训练了某个任务，其处理计划就无法进行其他任务。在可预见的未来，人工智能运用会沿着弱人工智能“应用监控式训练”的范式发展。这有两个策略意义：
获得训练标志数据成为策略优势与差异化本源
AI处理计划需深刻功效与人类配合发明新设计流程
现实3：优先专注于A→B运动
日本保险公司Fukoko宣布使用人工智能替换人员进行索赔处置。高盛则改变600名业务员团队为一个精简200人的机器学习团队。不过，并非所有业务运动都适合目前应用大型数据库范式下的弱AI主动化。
描绘机械可进修义务特点的一个有效方法是Andrew Ng提出的A→B运动; 投入明确标志集A，对发生回答过程B。在批发需求猜测这一案例中，可以认为是一个A→B运动，从季候销售历史、区域销售趋势点、社交媒体旗帜灯号及订价敏感度等多种输出旗帜灯号来计算未来需求。此类金融生意也是一个典型A→B运动，其中生意业务算法从输出(例如价格)生成买卖输入，以实现准确生意决策。此类市场潜伏不可预测性虽然使得生意决策艰难，但是如果通过大规模交易中的超越人类表现，则具有吸引力。
分类流程与行动到A→B或非A→B类型可以帮助治理者扫描可能采用的每一步骤，即使有些行动似乎不太适合使用现在的大型数据库、大样本量或强大的计算能力，它们仍然可能带来显著提升。如果能更好地理解哪些行动更倾向于采用这种技术，我们可以更好地规划我们的战略投资组合，并根据具体情况制定新的战略响应方案。
现实4：采取不仅仅涉及技巧上的可行性
客户经历表明，即便潜在技巧请求可以完成，一些采用率也比其他工具更快。而采取率受多种因素驱动：
一次性成本: 开辟用于开辟新的处理计划初始成本收入，以及最初阶段所需的大量劳务。
转换成本: 采用新的人工智能系统替换旧系统后产生的一系列成本。
生态体系需求: 作为综合系统的一部分，要满足众多标准。
内部阻碍: 内部文化障碍导致人们抗拒变革，因此要花费更多时间去克服这些障碍。
因此，对于那些想要利用这项技术以减少负面反馈并改善服务质量的情况，不同行业背景下的客户反应各异，他们可能需要重新设计整个培训过程，以允许新的建议被推送出去。此外，由于这种复杂性，情感分析设备可能需要7-10年的时间，而不是通常认为的小时窗口内疾速采取。这意味着尽管这是一个令人兴奋但又挑战性的领域，但它也要求耐心并准备投入大量资源才能看到回报。如果你想了解更多关于如何把握这个机会，请阅读以下文章，以获取详细信息。你也许会惊讶地发现，这背后的故事远比你想象得要复杂得多，而我们正处其中——活跃参与这场变革之旅，每一步都充满挑战，每次选择都决定着未来的走向。在这个不断变化世界里，我们必须学会适应、新颖思考，更重要的是，我们必须学会如何抓住机会，并勇敢迈出那一步，用我们最好的技能去塑造未来的形状，让科技成为我们最忠诚伙伴，让创新成为我们的指南针，让知识成为我们最坚固的地基。在这样一个充满希望而又充满挑战的地方，我们每个人都是主人公，无论你的角色是什么，都请加入这场冒险吧！
