波士顿咨询：赢在人工智能时代

　　直到最近，人工智能才令我们感觉到离现实应用越来越近。人工智能技术虽已发展了一段时间，却一直未能达到诞生之初人们寄予它的厚望。而如今，人工智能的“类人”潜力正逐步变成现实，机器开始具备本属于人类的能力。所以是时候该问问：商业如何利用人工智能，充分发挥人与机器的独特优势？

　　人工智能正迅速成为诸多行业的基础科技，其影响从自动驾驶汽车遍布到金融交易领域。自主学习算法如今被普遍嵌入到移动和在线服务中；数字化设备和联网传感器的数据处理和数据流传输能力已大幅提升，持续改善人工智能的表现；机器基本上能够识别特定的语音和图像，可以大致理解人类的沟通。这一趋势意义非凡：

　　曾让支持者一度失望的人工智能如今已深入，机器开始从事过去人类才能从事的活动（图1和附录“机器如何思考和运作”）。例如，现在人工智能能够比放射科医生更精确地诊断出某些癌症，难怪传统的金融、零售、医疗及其他行业都已经将几十亿美元投向人工智能。

　　1997年，深蓝计算机击败世界象棋冠军GarryKasparov。国际象棋曾被视作展现人类智力中核心战略元素的游戏，因而成为新人工智能算法的试金石。几十年以来，程序员试图用人工智能击败人类棋手，却毫无进展。终于在1997年，IBM开发的深蓝计算机击败了世界象棋冠军。但许多人仍感到失望，因为会走象棋不等同于拥有通用的人工智能。深蓝计算机靠的是算法和记忆，它不会学习，也不善于处理象棋以外的任何任务。

　　这一事件了两个道理。第一，机器解决问题的方式不同于人类；第二，许多“智力”任务覆盖面很窄，能够用专门的程序来解决。

　　随着AlphaGo在2016年击败李世石，计算机彻底了棋盘游戏。由DeepMindTechnologies开发的AlphaGo依靠深度学习——一种神经网络（也叫计算机大脑）击败了世界围棋冠军。关于这场比赛的备赛过程有一件趣闻：在开赛前最后几个月，AlphaGo学习完了所有的人类比赛，接下来的时间便一直和自己下棋。

　　2011年，Watson在综艺节目《边缘》中击败冠军。赢得这场挑战赛后，IBM的Watson也算是通过了人工智能图灵检验。Watson在比赛中充分展现了最前沿的语音识别、自然语言处理和搜索技术，但这场胜利靠的是一项不一样的技能：Watson在“双赌法（DailyDoubles）”中赢了其他参赛者——在双赌法中，玩家可以赌上自己全部或部分赢得的钱，以获得绝对领先。要做出最佳选择，玩家需要具备快速顺序推理、游戏理论知识以及正确计算概率和结果的能力。诺贝尔获得者DanielKahneman在他的著名作品《思考，快与慢》中指出，人类极度不擅长这些领域，而机器能够快速做出信息量很大的决策。

　　2012年，谷歌演示了自动驾驶汽车。谷歌并不是自动驾驶汽车领域的。这一殊荣归属一位名叫ErnstDickmanns的计算机视觉专家，他于1995年在高速公使用自动驾驶模式开车行驶了1785千米，时速达到170公里。

　　Dickmanns在自动驾驶途中全程不用左拐。FrankLevy和RichardMurnane在他们2004年合著的书籍《新劳动分工》中提出，“在迎面而来的车流中执行左拐会涉及很多因素，很难想象能够用一套规则复制司机的行为。”但是，谷歌的自动驾驶汽车总能顺利地做到这一点，它集成了电脑、计算机视觉和实时数据处理，其生成的智能代理既能探索现实世界，也能从现实世界中获取经验。

　　人工智能系统拥有思考和互动能力，因而经常不可避免地被拿来与人作比较。尽管人类能进行快速并行处理（模式识别），但顺序处理（逻辑推理）速度却很慢，而计算机在少数领域内已经完全掌握并行处理，并能够进行急速的顺序处理。正如潜水艇虽不会游泳却能潜水，机器也有自己解决问题、完成任务的方式。

　　如果计算机处理能力无法取得巨大突破，机器将无法实现通用人工智能。通用人工智能指的是同时具备多种截然不同的解决问题能力，是人类智力的专属特征。例如，如今的机器人汽车并不会表现出我们常说的直觉判断力，它不会在行驶途中停下来帮助一个从自行车上摔下来的孩子。但若能合理应用，人工智能将能快速、出色、智能、全面地处理许多商业活动。

　　人工智能不再是一门“选修课”。懂得如何让人与机器既紧密联系又能互补、创造出竞争优势，对企业来说至关重要。

　　曾几何时，一项简单技术型工具就能成为企业的优势来源，沃尔玛上世纪80年代的物流系统就是一个例子。而如今的人工智能则不同，算法本身无法为企业带来竞争优势。纯粹的算法都在公共平台上，企业能够轻易地使用这些开源软件平台，如谷歌的TensorFlow。由埃隆•马斯克（ElonMusk，特斯拉创始人）等人创建的非盈利组织OpenAI正致力于推动人工智能工具和研究的广泛普及。许多杰出的人工智能研究人员在加入百度、脸书和谷歌等公司时，仍保留发表研究的。

　　人工智能并未磨灭传统竞争优势来源——如市场地位和关键能力，而只是对这些优势重新进行了定义（图2）。因此，企业需要以动态的视角看待自身优势。例如，通常企业因为一些相对稳固的优势赢得市场份额、占据领先地位：企业独有的资产、分销网络、客户接触和规模等。但在人工智能时代，我们需要重新定义竞争优势。

　　数据。人工智能的强大应用离不开数据。脸书、谷歌和优步等人工智能为打造自己的“优势领域”，正在通过远超传统数据收集的方式，获取用户和他人的当前和未来数据，作为人工智能应用的原材料。这些公司因其规模大，能够向算法输送更多训练数据，不断改善算法的表现。例如在全面实现自动驾驶汽车的竞赛中，优步的优势在于能够每天从司机身上收集1亿英里的批量数据，这些数据最终能够用于改善公司的出行服务。脸书和谷歌则能够利用自身规模和深度来加强广告定位。

　　然而，并非所有企业都能成为脸书、谷歌或优步，但这并没有关系。企业能够建立、获取和利用共享、租用或补充的数据集，即使这意味着与竞争对手合作，但能帮助企业补充资产、建立自身优势领域。共享不是一件坏事，关键在于打造一个无懈可击、得天独厚的与封闭数据组合。

　　客户接触。人工智能改变了客户接触的方式。不论是地理优越的实体店还是客流量高的网店，都要于人工智能生成的洞察。例如，大型零售商能够利用人工智能引擎分析忠诚度、销售点、天气和等数据，从而设计出个性化的营销活动和促销优惠。商家甚至能够在客户自己尚无意识的情况下就预测出客户的径和偏好，从而方便地为客户提供熟悉的、补充性的或全新的购买选项。利用这些优惠活动的暗示效应，企业能够在保持成本几乎不变的情况下提高收入。

　　能力。能力在传统方式下被细分为多个的优势来源，包括知识、技能和流程。而基于人工智能的自动化将这些领域整合成了一个连续的循环，包含执行、探索和学习三部分。随着算法吸收更多数据，其输出质量会得到提升。同样，对于人类而言，跨部门团队能够依据客户和终端用户的快速反馈而迅速设计并完善原型，这种敏捷工作方式使得各项传统能力之间的界限变得更为模糊。

　　人工智能和敏捷本质上均为迭代，两者的产品和流程均为连续的循环。算法能够从经验中吸收教训，能够让企业对未知领域的快速、广泛的探索与已知领域的开发相结合，在高度不确定性和快速变革的中繁荣发展。

　　除了重新定义某些竞争优势来源以外，人工智能还能提高决策速度和质量。在处理某些特定任务时，机器的输入数量和处理速度超出人类数百万倍；预测分析和客观数据取代了人类的直觉和经验，成为许多决策的核心驱动因素。股票交易、在线广告、供应链管理和零售定价都在往这个方向快速发展。

　　当然，即使出现类似于工业时期的（但这一次的速度肯定更快），人类也不会被淘汰。首先，系统开发工作还是需要人来完成。例如，优步公司招聘了数百名自动驾驶汽车专家，其中约50名来自卡耐基梅隆大学机器人研究所；人工智能专家如今成为了华尔街需求最大的招聘对象。其次，人类拥有机器当前不具备的常识判断力、社交技能和直觉。即使将常规工作交给机器人去做，未来很长时间内仍需要人工参与以确保质量。

　　在被人工智能激发的新时代里，企业的优势来源发生变化，战略问题与组织、技术和知识问题相互。因此，灵活的组织结构和敏捷性成为了应对大规模快速变革的关键所在，不管对人还是对机器均是如此。

　　可扩展硬件和适应性软件是人工智能系统充分利用规模和灵活度的基础。常见的做法就是建立中央智能引擎和分布式半自动化代理。例如，特斯拉的自动驾驶汽车能够向一个中央单元输送数据，由中央单元定期更新分布式软件。

　　企业的致胜策略在于关注敏捷性、弹性雇佣以及持续的培训和教育。专注于人工智能的企业很少会聘用大量传统类型的全职人员，式创新和签约合作形式正在普及。某创新移动银行的首席运营官曾坦白，自己最大的难题便是将公司领导团队变成善于管理人与机器的经理人。

　　企业若希望利用人工智能打造竞争优势，就需要充分领会这样一个事实：机器能够以人类无法企及的速度和规模开展学习、与人互动、执行高级任务。企业需分辨出人类和机器各自擅长的领域，为人与机器分配互补性职责，并重新对流程进行相应的设计。例如，人工智能通常需要一种集中化和分散活动同时存在的新型组织结构，而这往往难以落地。另外，企业需要采取适应性和敏捷性的工作方式、制定战略，这在初创企业和人工智能企业中已经十分常见。所有企业都能从这类工作方式中获益，但对于人工智能驱动的流程而言，由于这类流程需要人与机器不断适应和学习，高度适应性和敏捷性就成了必须。

　　企业高管需要识别出人工智能在哪些领域能创造最显著、最持久的优势。从宏观层面来讲，人工智能适用于零售业等数据量较大的领域以及定价等常规工作，但这一思把人工智能行业想得过于简单。如今所有企业活动均涉及大量数据，这些企业活动能够被分解成许多简单任务（图3）。我们从四个维度来看待人工智能：

　　第一，定义客户需求。人工智能虽是一大热门领域，但企业在发展业务时仍有必要回归基本要素：你的现有客户和潜在客户有哪些显性和隐性需求尚未得到满足？就连优步和爱彼迎这类性创新企业也在致力于解决人的基本需求。

　　第二，融合科技进步。人工智能领域最显著的发展通常涉及新数据源的组建、处理以及半自动化决策。无数的服务和平台能够捕捉数据库、视觉信号、文字和语音的数据，智能代理和机器人等输出技术也在不断普及，也许都不需要自己去构建这些系统。考虑的是如何利用这些技术改变你的流程和产品。

　　第三，打造一个全面架构，将现有数据与新数据源相结合，甚至包括外部数据源。人工智能服务堆栈的标准化程度已经很高，人们能够越来越容易地使用直观的工具获取这些服务，甚至不懂技术的普通人也能使用大规模数据集。

　　最后，将流程和产品分解成相对常规化和孤立化的可自动化元素，充分利用科技进步和数据源带来的优势，然后将这些元素重新组合以更好满足客户需求。

　　对许多组织而言，这些举措充满挑战。要系统化地运用以上四个维度，企业需要熟悉已有的和正在兴起的人工智能能力以及必要的基础设施。企业可以建立专门的卓越中心来培养人工智能方面的技术和业务度，并在整个组织人工智能专业知识和能力。但人工智能最终还是属于各个业务部门和职能部门，因为它们才是应用人工智能的主体。

　　PhilippGerbert是波士顿咨询公司（BCG）的资深合伙人，也是BCG研究专家，专门研究人工智能对企业的影响，常驻慕尼黑办公室。

　　JanJustus是波士顿咨询公司（BCG）的董事经理，也是BCG战略专项的核心之一，专注于数字化转型，常驻慕尼黑办公室。

　　MartinHecker是波士顿咨询公司（BCG）的资深合伙人，也是BCG技术优势专项中人工智能话题负责人，常驻科隆办公室。

　　1月18日，“致敬者——庆祝40周年·GIIS 全球产业创新峰会”在深圳举办，向者学习！

　　总部：市朝阳区霞光里9号中电发展大厦B座2层华南：广东省深圳市南山区大冲商务中心C座703室华东：上海市长宁区延安西889号太平洋中心703室