来源：腾股创投（微信ID: tengguvc）

人工智能和机器学习在亚马逊 Alexa 等面向消费者的应用领域取得了长足的进步，在企业内的的部署也不断涌现。

关于 AI 自动化对企业的影响范围和影响程度的意见不一。 一方面，牛津大学最近的一项研究表明，在未来二十年内，50% 的工作都可以由 AI 自动化完成。另一方面，许多企业高管仍然对 AI 的实际影响持怀疑态度。 此外，目前的炒作和媒体也存在许多误导。

基于对学术界、初创公司和企业用户的亲身参与的客户访谈，我在本文中总结了 AI 企业自动化的四个关键事实和战略影响：

事实 1：目前的 AI 爆发是可持续的，企业管理者不应该忽视

机器算法历史上第一次在诸如图像识别、语音、文本翻译以及围棋这样的复杂的任务中击败人类。 目前的机器学习热潮是由三个基本驱动因素的融合推动：（1）深度学习算法复杂性的持续突破，（2）大数据（或结构化数据）的快速增长，（3）机器学习的指数加速， 如 GPU 芯片组这样的机器学习硬件，将训练时间从几个月缩短到几天、几个小时。

机器学习发展的三个潜在驱动力预计将在近期加速（见下图）。 到 2020 年，将有 70％ 的企业数据将通过云数据中心进行存储和处理，这将为机器学习算法训练提供前所未有的大数据基础设施。同样，加快机器学习算法训练和处理的硬件芯片正在迅速发展。 Google，NVidia，Intel 等都宣布推出下一代 GPU 芯片硬件，这将进一步加快训练速度 10-100 倍。最后，底层机器学习算法继续加速进步，这一点从专利申请和申请的增长可以看出。

上述趋势提供了强有力的证据，表明 AI 能力和表现将在近期内继续改善。商业领袖不应该忽视 AI。

事实 2：AI 的使用案例在企业中普遍存在，但范围有限

鉴于 AI 的进步将会继续加速，那么 AI 在未来 5-7 年内能够做什么？ 专家的共识是，大部分的企业用例都是弱人工智能（如有监督式学习），实现近似人类的广泛智能还需要数十年。

简而言之，人工智能算法将具有从训练数据中自动完成任务的学习能力。 但一旦学习了某个任务，解决方案的范围就会缩小，而且在大多数情况下，不能推广执行其他任务。下图显示了今天或未来 5 年内可能出现的用例：

考虑到以下的计算机视觉用例，一家公司可能需要训练 AI 算法来自动扫描 PDF 和手写发票，验证字段格式并触发自动应付账款流程。 更高级的算法（即无监督学习）已经出现，即使在未标记的数据上也可以训练解决方案。

然而，由此产生的人工智能解决方案从根本上局限于自动执行文本字段识别和格式化的任务。 如果公司希望使用发票处理机器人来发现欺诈行为，那么他们将需要设计和训练一个全新的解决方案，重点关注其他基础功能和模式。

在可预见的将来，人工智能应用将沿着弱人工智能的“使用训练数据的有监督学习”范式。 这有两个战略意义：

获取训练的标记数据成为战略能力和差异化的根源

AI 解决方案需要深入的功能和特定领域的与人类共同创造和重新设计流程

事实 3：优先专注于优先级  A→B 活动

日本保险公司 Fukoko 最近宣布使用人工智能替代人工进行索赔处理。 高盛在 2000 年至 2016 年期间将 600 个交易员的团队转变为一个更加精简的 200 人的机器学习团队。

然而，并不是所有的企业活动都适合于目前使用数据范式的弱 AI 自动化。

描述机器可学习任务特征的一个有用方法是 Andrew Ng 的A→B活动; 投入明确的数据集 A，产生答复的活动 B.

例如，零售需求预测可以认为是 A→B 活动。 通过获取季节、区域销售历史数据，销售趋势点，社交媒体信号以及定价敏感度数据等多种输入信号，该算法可能实现对未来需求的预测。

金融交易也是一个 A→B 的活动。 交易算法得到一组输入数据，如历史价格，宏观趋势驱动因素，过去交易者遵循的套利规则等，产生买入或卖出的输出。 基于输入（A）进行正确的交易（B）可能是一个困难的问题，因为市场潜在的不可预测性，但是如果  AI  解决方案在大量交易中能超越人类，仍然是具有吸引力。

将企业流程和活动分类到 A→B 与非 A→B 类别可以帮助管理者对 AI 自动化和增强策略进行系统机会的扫描。

参阅下图，了解适用于 AI 的其他A→B任务，以及不适合 AI 自动化的活动。

事实 4：AI 的采用不仅需要技术上的可行性

我们的客户经验表明，即使潜在的技术要求可以实现，一些 AI 应用的采用率也会比其他应用更快。公司需要考虑更广泛的部署采用的驱动因素， 关键采用驱动因素包括：

一次性成本：用于开发 AI 解决方案的初始资本支出，例如算法开发和训练数据采集。人工智能算法的开放源代码的可用性，“人工智能即服务”平台可以帮助减少固定成本。获取训练数据往往成为一个昂贵的瓶颈，成为差异化的关键。

转换成本：用新的 AI 解决方案取代当前解决方案的相关成本和障碍。 这包括技术障碍，例如打开 AI 算法黑盒子以追踪和解释决策的能力，以及政治，文化和变革阻力等人为障碍。

生态系统需求：作为综合解决方案的一部分，需要补充技术。 例如，需要与创新的物联网传感器和新兴的机器人技术集成，人工智能解决方案将经历更高的采用复杂性。

系统外部性障碍：人工智能解决方案的网络外部性，其中采用的价值随着采用的增加而增加。

参见下图，具有不同采用挑战和潜在采用时间用例对企业的影响：

基于消费者语音或聊天来自动化进行情感分析，以提高话务员能力的案例。 该解决方案在文化和风险方面的转换成本显然较高。客户对从小处着手以减少对消费者的负面影响要敏感得多。 即使解决方案有效，客户也需要重新设计端到端的培训流程，以允许 AI 引擎推送建议。 最后，解决方案具有相对较高的网络外部性，更高的采用率将产生更多的训练数据以进一步提高性能，但收集最初的批量训练数据将需要时间和领导人“信心的飞跃”。 鉴于这种复杂性，人工智能情绪分析机器人可能需要长达 7 - 10 年，而不是 2 - 3 年时间内快速采用。

AI 自动化用例在企业和价值链中迅速成为现实。企业领导者应该从今天开始采用严格的基于投资组合的方法来开发机器学习功能、数据和合作关系。