埃森哲：AI應用高管指南(92頁).pdf

1、高管指南 人工智能 應用之道 目錄 前所未遇，通用技術革命 厘清概念，何為AI 心存猶疑，多輪努力無功而返 與時并進，需要采取切實行動 未雨綢繆，預先考量相關風險 高瞻遠矚，廣泛影響不容忽視 應用智能，恰逢其時 04 10 34 44 66 74 84 人工智能 |3 TECHNOLOGY REVOLUTION 前所未遇， 通用技術革命 | 5 前所未遇，通用技術革命 人工智能 | 5 當人人都在討論人工智能（AI），他們在討論什么？ 從會議室到工廠車間，從呼叫中心到物流車隊，從政府 到風險投資者，人工智能已然成為最熱門的話題。 但除了作為最新的技術流行詞匯外，AI是否還意味著 更多？當然！事

2、實上，人工智能或許是有史以來最大的 一場技術革命。 這篇指南將為您詮釋個中緣由。 ARTIFICIAL INTELLIGENCE | 6 TECHNOLOGY REVOLUTION | 人工智能6 前所未遇，通用技術革命 過去二十多年，企業遭遇了顛覆性沖擊。事 實如此令人震撼：自2000年以來，數字化顛覆已 令半數的財富500強企業從榜單除名1。AI將 讓數字顛覆來得更加強烈。 這是因為，人工智能是一種經濟學家所定義 的通用技術（general-purpose technology）。 而通用技術的影響通常巨大而且深遠我們不 妨回想電力和內燃機的歷史意義。通用技術影響 不僅體現為對社會的直接貢

3、獻，還會通過溢出效 應，激發廣泛的互補式創新。正是由于電力的出 現，工廠電氣化、電信聯絡、以及隨之而來的一 切方才成為可能。內燃機則催生出了汽車、飛 機、乃至現代化的運輸和物流網絡。如今，人工 智能將以類似的規模影響整個社會。 ARTIFICIAL INTELLIGENCE | 7 前所未遇，通用技術革命 人工智能 | 7 人工智能是終極的 突破性技術 薩提亞 納德拉（Satya Nadella）， 微軟公司（Microsoft）首席執行官 一系列快速發展的技術趨勢正在形成組合 效應，得益于此，人工智能已變得更具可行性 （參見第39頁：“人工智能的發展進化”）。 這些趨勢不斷降低著各行各業的進

4、入門檻。一 批依托人工智能的新企業紛紛涌入市場，改變 了老牌企業固有的競爭格局。這些新生力量更 加靈活，不受傳統技術系統、分銷渠道、以及 員工團隊轉型需求的束縛。 | 8 | 人工智能8 前所未遇，通用技術革命 相關私人投資隨之出現了激增。2017年 前九個月，人工智能風險投資總額達76億美元2 （與之相比，2016年全年方為54億美元）。 人工智能專利的注冊量亦攀升至歷史最高水 平，較2006年擴大四倍3。在美國，人工智能 初創企業的數量短短四年內便增長了二十倍之 多； 截止2018年6月， 中國的人工智能初創企 業達到了1011家4。 這一切都在進一步加劇快速發展、持續變 化的競爭、投資和

5、研究格局。歸根結底，人工 智能已成為不容忽視的市場因素，每位高管都 務必積極應對、密切關注。 ARTIFICIAL INTELLIGENCE | 9 前所未遇，通用技術革命 到2020年，人工智能 市場規模將突破400 億美元5 Constellation Research公司 | ARTIFICIAL INTELLIGENCE11 WHAT IS AI | 11 究竟人工智能是什么？回答這一問題并不像看起來 那么簡單。事實上，就連統一的“人工智能”定義也尚 未出現。這是因為，從本質來看，我們所談論的人工智 能并不真的特指某項技術。 從實際層面出發，人工智能涵蓋了一系列不同的技 術，通過有效的

6、組合，機器便能夠以類似人類的智能水 平展開行動。 厘清概念，何為AI 人工智能 | 人工智能12 厘清概念，何為AI 我們并未像許多人那樣，不斷嘗試去明確地描述人工智能，而是傾向于將此類 技術視為一套能力框架。毫無疑問，這是了解人工智能、知曉其背后廣泛技術的最佳 方式。我們的框架以人工智能支持機器實現的主要功能為核心，其中包括： 感知。人工智能使機器可以通過獲取并處理圖像、聲音、語言、 文字和其他數據，察覺周圍的世界。 理解。人工智能使機器可以通過識別模式來理解所收集到的信 息。這類似于人類的信息詮釋過程：解讀信息的呈現方式及其背 景盡管這種方式未必能推導出真正的“含義” 。 行動。人工智能使

7、機器可以基于上述理解，在實體或數字世界中 采取行動。 學習。人工智能使機器可以從成功或失敗的行動中汲取經驗教 訓，不斷優化自身性能。 | ARTIFICIAL INTELLIGENCE13 WHAT IS AI 詞匯的區別 認知計算與人工智能 人工智能 | 13 厘清概念，何為AI 認知計算（Cognitive Computing）是人工智能業界廣 泛使用的術語。那么，它具體是何含義，與人工智能又有何 不同？然而，正如還沒有一個被普遍接受的人工智能定義一 樣，認知計算對于不同的人士而言，意思也有所差別。從這 個角度而言，“認知”一詞在很大程度上可以被視為人工智 能的感知能力即人工智能感知和理解

8、周邊環境的能力。 | 人工智能14 厘清概念，何為AI 機器學習的威力 人工智能系統的學習能力至關重要。能夠通過分析數據來決定完成任 務所需的行動，而非按照明確的指令、以預先定義的方法行事，正是實現 系統“智能化”、將人工智能與其他形式的自動化區分開來的關鍵。 一旦為最出色的人工智能系統設定出自我學習任務，我們就有望目睹 非凡成果。谷歌旗下DeepMind公司開發的人工智能AlphaGo，已成為首 個在高度復雜的棋類競技中擊敗人類專業棋手的計算機程序6。 開發人員向AlphaGo傳授比賽規則，然后展示了數 千種人類之間的對局，由系統自行辨別制勝策略。 其結果是：AlphaGo一舉戰勝了擁有傳奇

9、成就的世 界圍棋冠軍李世石（Lee Sedol）。 但DeepMind并未就此停止其圍棋領域的成功 步伐。公司隨后開發了更為強大的第二代版 本AlphaGo Zero7，它可以單純通過自我對 弈來掌握獲勝之道完全無需觀察人類棋 手。不僅如此，AlphaZero作為人工智能更 新迭代的最新版本，實現了更為長足的進 步。AlphaZero已證明，能夠和自己較量來 | ARTIFICIAL INTELLIGENCE15 厘清概念，何為AI 人工智能 | 15 學習國際象棋，并在短短四個小時內就超越了人類的技能水平。這項壯舉真 正令人矚目的是，AlphaZero并非專門為下棋而設計。加拿大阿爾伯塔大學

10、 計算機科學教授、國際象棋系統專家喬納森 謝弗（Jonathan Schaefer）8 認為，這或許便是該系統能夠制定出非傳統制勝策略的原因。AlphaZero以 這種方式彰顯出，“窄人工智能（Narrow AI）”又向“通用人工智能（General AI）”邁出了重要一步（有關窄AI和通用AI之間的差異，請參閱第25頁）。 這一過程就是我們所說的機器學習。麻省理工學院的埃 里克 布萊恩約弗森（Brynjolfsson）和安德魯 麥卡菲 （McAfee）兩位教授觀察發現9，其如此強大的原因 非常簡單。一方面，雖然我們人類非常善于從事任 意種不同的活動，但我們并不總是明確知曉自身 工作是如何完成

11、的。例如我們可能會發現，識別 另一個人的容貌很容易，不過我們很難充分了解 這項能力的生理機制。因此，將該功能直接通過 編碼嵌入機器當中會十分困難。 而另一方面，機器學習使得設備可以完全自 主地學會做好這項工作。實際上，識別大量數據 中存在的模式，恰是機器學習的核心特長之一。 | 16 WHAT IS AI 當今，華爾街超過60%的 交易均由人工智能執行， 很少或根本無需人類的實 時監督 克里斯托弗 斯坦納（Christopher Steiner）， 算法帝國 （Automate This）作者 厘清概念，何為AI | 人工智能16 系列技術 圖1：機器學習能力 機器學習 預測系統 機器人 自然

12、語言理解 機器視覺 信息檢索 知識展示 搜索與優化 專家系統 厘清概念，何為AI 人工智能 | 17 機器學習是人工智能系統的核心。它可以從原始數據中學習，從而賦能于人工 智能可見的出色表現，使其變得越來越普遍。無論是進行前瞻判斷的預測系統、近 乎實時解讀語音和文本的自然語言處理系統、以非凡準確度識別視覺內容的機器視 覺技術，還是優化搜索和信息檢索，都依托于機器學習。 | 18 Gartner公司 厘清概念，何為AI | 人工智能18 相對于其他技術，機器學習的一項關鍵優勢，就是對“臟”數據的容忍度即 數據中包含有重復記錄、不良解析的字段，或是不完整、不正確、以及過時的信 息。此類問題對企業來

13、說關系重大：大多數高管都將非常清楚地認識到，應對臟數 據將是他們工作中的一大痛點。 機器學習具備靈活性，可隨著時間推移獲得全新發現并做出改進，這意味著它 能夠以更高的準確性處理臟數據，并且由此擁有了極佳的可擴展性。在我們當前所 處的數據大爆炸時代，后者正變得越來越重要。 到2020年，超過85%的 客戶互動都無需再由人工 管理10 機器學習的真正強項之一，便是可以使用不同的學習算法，包括監督學習、無 監督學習和強化學習等類型。 監督學習。這種算法使用帶有標記的數據集（數據已經過整理和描述），推導 出每個標記代表的顯著特征，并學習識別新數據中的這些特征。例如，向算法展示 大量標記為“貓”的圖像，

14、然后它將學習如何識別貓的形象，并在其他任意數量、 且完全不同的圖片中發現貓。 無監督學習。這種算法使用的數據不需要預先定義標記。它采用不帶標簽的數 據集，查找其中各條目之間的相似與差異，然后自行分類。比如，我們可以向算法 展示大量其中包含貓和狗、但未加以標記的圖像，而算法會在不知道哪些圖像分別 含有“貓”或“狗”的情況下，把具有相似特征的圖像分類到不同的組當中。 強化學習。這種算法利用反復試錯，形成“獎勵”和“懲罰”的反饋循環。當 算法得到數據集時，它將所處環境視為一場比賽，每次執行動作都會被告知是贏還 是輸。通過這種方式，它可以創建出一套方案哪些“動作”能夠帶來成功，而哪 些會造成反效果。D

15、eepMind的AlphaGo和AlphaZero（第14頁）都極好地展示了強 化學習的威力。 機器能夠以不同方式學習 厘清概念，何為AI 人工智能 | 19 | 人工智能20 厘清概念，何為AI 圖2：小狗，還是面包圈？ | ARTIFICIAL INTELLIGENCE21 WHAT IS AI 小狗，還是面包圈？ 厘清概念，何為AI 區分動物和食物到底有多困難？有時，這會比想象中吃 力得多?；ヂ摼W上的一大熱門動態，就是關于某些寵物和食 品之間的神相似。例如上圖中蜷縮的小狗和烤好的面包圈。 對于人類而言，要想在一瞥之下做出準確判斷遠比想象的要 困難。但人工智能可以輕松完成這一工作。只需通過

16、圖像識 別應用編程接口（API）傳遞圖片，人工智能可以驚人的準 確度區分食物與寵物11。 人工智能 | 21 人造大腦 那么，機器學習如何實際運作？最近許多非凡進步的背后，是一種受動物大腦 機能啟發、非常先進而精巧的計算系統形式在起作用。這些系統被稱為神經網絡 （Neural Networks），它們支撐著當今最前沿的人工智能研究。 神經網絡由一系列相互聯系的“節點”組成，模仿了生物大腦中的神經元網 絡。每個節點在接收輸入信息后，內部狀態會出現改變，并相應地產生輸出。接下 來，該輸出又形成其他節點的輸入，依次傳導。這種復雜運作能夠支持一種非常強 大的計算形式深度學習（Deep Learning

17、） 。 深度學習通過多層處理來了解數據集中數據的重要特征。例如，它可用于圖像 和語音識別。使用神經網絡，每個層級的輸出為下一個層級提供了輸入，其中每個 層級都在不同的提取級別上運作。通過這種方式，深度學習系統可以比其他方法處 理更龐大的數據集。 厘清概念，何為AI | 人工智能22 | ARTIFICIAL INTELLIGENCE23 WHAT IS AI 面部識別 深度學習神經網絡使用逐級復雜的規則，對容貌等精細的形狀加以分類12 第1層： 計算機識別明亮 和黑暗的像素； 第2層： 計算機學會識別 邊緣和簡單形狀； 第3層： 計算機學會識別 更復雜的形狀和 物體； 第4層： 計算機學習哪些

18、 形狀和對象可用 于定義人臉。 面容汽車 圖3：神經網絡如何識別對象 厘清概念，何為AI 人工智能 | 23 | ARTIFICIAL INTELLIGENCE24 WHAT IS AI 我們正在談論何種智能？ 厘清概念，何為AI 當數據科學家和其他人士討論人工智能時，他 們通常使用兩個對比類別來闡明其含義：窄人工智 能與通用人工智能，以及弱人工智能與強人工智能。 | 人工智能24 WHAT IS AI 厘清概念，何為AI 弱人工智能（WEAK AI） 是指具有“模擬”思維的系統，也 就是說，雖然看上去能夠明智行動，但 其實對于正在從事的工作，卻并不擁有 任何意識。例如，聊天機器人似乎可以 保

19、持自然的對話，但它其實不知道自己 是誰，或為什么與對方交談。 窄人工智能（NARROW AI） 是指僅針對單個或特定數量任務 的人工智能。例如，1997年擊敗國際 象棋世界冠軍加里 卡斯帕羅夫（Gary Kasparov）的計算機“深藍”，其功能 僅限于下棋。它無法在簡單的井字格游 戲里獲勝甚至不知曉基本規則。 超級智能 “超級智能（superintelligence）”如果存在的話，通常是指超越人類智慧的 通用人工智能和強人工智能。 強人工智能（STRONG AI） 是指具備“真實”思維的系統 即運用有意識、主觀性的頭腦，像人類 一樣思考，進而展開睿智的行動。譬如 當兩個人談話時，他們很可能

20、確切地知 曉對方是誰、自己在做什么、以及為何 如此。 通用人工智能（GENERAL AI） 這類人工智能可用于在各種環境中 執行廣泛的任務。因此，它更接近于人 類智慧。谷歌DeepMind使用強化學習 技術開發了一款人工智能，使之學會參 與諸多需要不同技能的競賽。該人工智 能系統在29款經典的雅達利（Atari） 電子游戲中，僅使用屏幕上的像素作為 數據輸入，便取得了與人類相當的成 績13。 人工智能 | 25 WHAT IS AI 與其嘗試編寫一個可以模擬成人 大腦的程序，為什么不嘗試 模擬兒童的大腦呢? 在 經過適當的教育之后， 它將成長為成人 的大腦 艾倫 圖靈（Alan Turing）

21、，1950年 厘清概念，何為AI | 人工智能26 WHAT IS AI 開始訓練 厘清概念，何為AI 顯而易見，機器學習過程中的“學習”環節對整個概念至關重要。就如同 在整個童年時期，人類大腦都必須學習如何理解和處理所接收到 的信息，機器學習算法或模型也需要經過培訓才能洞悉所處 的環境。 如果企業培訓方法不當，結果很可能令人難 堪甚至更糟。微軟現在飽受詬病的聊天機器人 Tay14便是通過社交媒體互動進行機器學習的一次 失敗嘗試。該人工智能系統的設計初衷是在與其 他推特（Twitter）用戶的交談過程中，學習如 何自然地展開對話。但是，一些惡意挑釁的網 帖和充滿種族偏見的評論卻利用其篩選機制的

22、 漏洞，為之灌輸了一系列種族侮辱言論和白人 至上主義思想，最終令微軟不得不迅速停止其 運行。微軟的教訓清楚表明，部署人工智能系統 時需要強有力的治理與控制（有關人工智能所引 發治理問題的更多信息，請參閱第71頁）。 人工智能 | 27 正確實施培訓所需的，不僅是高級數學技能。產業化的機器學習是一種跨學科 能力，融合了數據科學、工程學、用戶體驗設計與相關領域知識。單獨依靠某項能 力本身，都不足以滿足需求。 厘清概念，何為AI 圖4：產業化人工智能的跨學科能力組合 體驗設計需要很多 異想天開的創意 數學 數據科學必不可少， 但還不夠 僅憑大數據或技術都 無法實現目標 產業化的人工智能是 一種跨學科

23、能力 統計 線性代數和離散代數 功能分析優化 算法復雜性 謂詞演算 工程學 軟件工程 并行計算和分布式計算 應用編程接口管理 模型管理 大規模數據管理 體驗 增強型用戶體驗 領域專長 信息架構 可視化 | 人工智能28 那么，分析法適合在哪些環節與上述能力加以結合？或許問題應該是：人工智 能應如何引入分析技術？如果我們認識到，分析法是通過分析數據來改進決策，就 可以明確知曉機器學習和其他統計分析應怎樣嵌入業務流程當中。畢竟，分析法的 目的在于從數據中獲取洞察這與機器學習的目標非常相似。 分析法，連同支持它的各種機器學習算法，可基于所需洞察的深度，劃分為不同 復雜程度的幾個層級。較簡單的一個層級

24、是“描述性分析（Descriptive Analytics） ” 分析歷史數據以了解發生了什么、及其背后的原因何在。與之相比，“預測性分析 （Predictive Analytics）”更為復雜，它利用數據來預判將會發生哪些狀況。復雜度 最高的則是“規范性分析（Prescriptive Analytics）” ，不僅可以做出預測，而且能 提供應對之策。 引入分析法 到2020年，洞見導向型企業每年將從 缺乏洞察的同行那里搶占1.2萬億美元 市場份額15 Forrester公司 厘清概念，何為AI 人工智能 | 29 一談到人工智能，人們通常會先想到機器人和機器人技術。公眾腦海中可能浮 現出庫布

25、里克影片中的“HAL 9000”機器人、阿西莫夫筆下的機械人，或是本田 公司開發的可行走機器人Asimo。 在商業環境中，它既可以指利用工業機器人來實現制造或服務流程的自動化， 諸如，汽車裝配線，又可以指日益普遍的管理或服務流程的自動化，即，結合了數 字和人工輸入的機器人流程自動化（RPA）。 從嚴格意義上說，機器人流程自動化是為恒久不變的流程而設計的，所以根本 不需要任何“智能”。例如，若是業務流程需要員工以標準形式，將數據從一個系 統（比方一張紙）手工輸入到另一個系統，就可以通過帶有鍵盤敲擊模擬功能的 RPA系統輕松實現流程自動化。實際上，埃森哲已在某大型制造業客戶的發票處理 流程中應用了

26、機器人流程自動化。其成果非常顯著：耗時減少70%，工作效率提升 30%，并且達到了100%的準確率。 不過現在，人工智能技術也正被持續引入新興的“認知RPA（Cognitive RPA） ” 領域。這令流程自動化擁有了一定程度的可調空間，使其應用范圍得以大大擴展。 其中的典型實例包括，利用機器學習訓練機器識別圖像中的文本（被稱為光學字符 識別）。 厘清概念，何為AI 人工智能與機器人 | 人工智能30 | ARTIFICIAL INTELLIGENCE31 WHAT IS AI 機器人流程自動化的崛起 厘清概念，何為AI 透明度市場研究（Transparency Market Research

27、） 新近發布的報告指出：從現在到2020年，全球機器人流程 自動化市場預計可實現約60.5%的復合年增長率16。 人工智能 | 31 實際上，埃森哲常常建議將機器人流程自動化作為開啟人工智能旅程的理想起 點。其原因在于，若想成功應用RPA技術，首先要詳細了解哪些流程需要實現自動 化；而這也是設計更廣泛、更復雜的AI自動化解決方案的第一步。此外，為了確保 現有流程（有時為次優方案）不是簡單地以數字形式加以模擬，而是通過重新設計 盡可能地充分利用人工智能，該舉措亦不可或缺。 我們必須認識到非常重要的一點：RPA和認知RPA技術不僅可以降低成本，還 能增進流程的一致性和處理速度，并提供全天候運行、以

28、及根據需求擴大或收縮流 程的能力。請始終牢記，機器人流程自動化取代的是任務，而非員工。許多已采用 RPA技術的企業都為員工重新部署了更具價值的工作并且這些新工作的趣味性也 大大超過了以往！ 我們對此深有體會，因為我們自身也在采取這樣的行動。埃森哲已實現了1.7萬 個工作崗位的自動化，同時成功地將員工調配到了其他業務領域。事實上，蓋洛普 （Gallup）2017年在美國的調查顯示17，擔心自動化會令其失業的員工僅占13%。盡 管如此，機器人流程自動化和人工智能對就業者的影響仍是一項極為敏感的問題， 必須謹慎應對（更多了解如何負責任地使用人工智能，請參閱第68頁）。 厘清概念，何為AI | 人工智

29、能32 機器人流程自動化改變了我們組織和分配工 作的方式，使我們能夠專注于改進措施. 通過日常任務的自動化，我們讓富有經驗能 力的員工專注于更有意思、也更具挑戰性的 工作，這既有助于提升員工滿意度，又利于 改善客戶體驗。埃森哲自項目伊始就與我們 并肩努力，從探索階段一直到具體部署，在 RPA技術的應用中給予全程幫助 克里斯蒂安 科恩斯莫（Kristian Kjernsmo） Circle K歐洲Circle K商務中心董事總經理 厘清概念，何為AI 人工智能 | 33 | ARTIFICIAL INTELLIGENCE34 HAVENT WE BEEN HERE BEFORE? 心存猶疑， 多

30、輪努力無功而返 | ARTIFICIAL INTELLIGENCE35 心存猶疑，多輪努力無功而返 AI并非全新創意，它由來已久?！叭斯ぶ悄堋边@一術語 早在1956年便已問世18。該技術的發展歷史上曾出現過多輪 令人歡欣鼓舞的高潮，但隨后迎來的卻是失望和長時間的低 迷（這些階段被稱為“AI寒冬”）。以往的每一次技術突破 都只是部分達到對其的瑰麗憧憬，而從未使這項技術成為 主流。 人工智能 | 35 心存猶疑，多輪努力無功而返 那么，這次有何不同？ 圖5：人工智能簡史 1940-1956年： 人工智能的誕生 1956-1974年： 黃金時期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復興 艾倫 圖靈創建了 圖靈測試。 人工智能這一術 語在達特茅斯學 院舉行的會議上 首次出現。 IBM研發的Shoebox 可以通過語音指令 來執行算術運算。 首位可對話的人造 “治療師” ELIZA 面世。 Shakey成為首個 “了解” 周圍環境 的移動機器人。 塞繆爾 （Samuel） 開發的跳棋程序 利用機器學習擊 敗了人類棋手。 | 人工智能36 當前階段 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 專家機在R

32、1/XCON 等行業持續涌現， 幫助銷售代表在 推薦產品時避免 錯誤。 兩輛由機器人駕 駛的車輛實現了 長距離公路行駛。 本田公司推出仿 人機器人阿西莫 （Asimo） 。 IBM的計算機深藍 （Deep Blue） 擊敗 國際象棋世界冠軍。 IBM的Watson 系統擊敗了最出 色的“Jeopardy！” 電視競答比賽選手。 谷歌的自動機器 學習 （AutoML） 技術使人工智能 系統可以創造新 的人工智能系統。 本指南發布。 能夠表達情感的 社交機器Kismet 出現。 虛擬助理Siri、 Google Now、 以及IPSoft公司的 Amelia接連投入實 際應用。 心存猶疑，多輪努力

33、無功而返 人工智能 | 37 1994年-現在： 當前出現的重大變化在于，我們正 處于一個前所未有的時期如此之多 的不同領域都在展開技術創新。今天的 人工智能應用軟件可以利用云端幾乎無 限的處理能力；并且為特定任務定制設 計的電腦芯片也在持續增多，此類芯片 具備更高水平的計算效率和速度，其最 主要的用途便是數據分析。這方面的典 型實例包括，用圖形處理器（GPU）代 替中央處理器（CPU）使處理能力得到 大幅提升。而谷歌已更進一步，其設計 的張量處理器（TPU）的性能比當今使 用的CPU和GPU高出達30-80倍19。 心存猶疑，多輪努力無功而返 1. 大型主機 客戶端服務器和個人電腦 Web

34、1.0：電子商務 Web 2.0：云計算，移動應用 大數據，數據分析，可視化 物聯網和智能機器 人工智能 量子計算 2. 3. 4. 5. 6. 7. 8. 1950 年：圖靈測試 19 64 年： 服務器/主機 1972 1950 1960 1970 System/360大型電腦 年： SAP公司 1977 年： 個人電腦 | 人工智能38 0214 量子計算 時間 1980 1990 2000 2010 2020 2030 目 前 人工智能 年： 阿帕網 年： 公共互聯網 年： 圖6：技術的組合影響 19 69 1991 1 99 4 心存猶疑，多輪努力無功而返 亞馬遜公司 19 99 年

35、： Sal es fo rc e. c o m 公 司 1 9 9 7 年 ： 大 數 據 1 9 9 9 年 ： 物 聯 網 ， 機 器 間 通信 2 0 0 7 年 ： I B M 深 藍 計 算 機 2005年： Web 2.0 2006年： 亞馬遜網絡 服務 2008年： iPhone 年： System/ 19 90 390大型電腦 公共云成為主流 年， IDC公司： 數據總量達4.4澤字節 2010年： 自動駕駛汽車 人工智能 | 39 20 10 年： 個人 電 腦 銷 量 峰 值 如果再考慮存儲成本的快速下降20（每Gb從1980年的50萬美元降至2015年的3 美分）、可供訓

36、練人工智能的數據量呈指數級增長、以及開源平臺和框架的出現， 我們現已具備獨特的條件來結合技術和能力。這一切都為人工智能提供了非常強大 的基礎，使其日益趨近主流應用的臨界點。 從谷歌、亞馬遜、臉書、微軟，到百度、阿里巴巴和騰訊，幾乎所有世界領先 的技術巨頭都極為關注人工智能。其他創業者和投資人同樣熱衷于此。超過半數的 歐洲初創企業均以人工智能為焦點，而人工智能類業務的投資也通常會高出其他業 務20%至30%21。 然而，這并不意味著，人們對于人工智能何時迎來爆發點，已形成普遍共識。 而且我們也無法斷定，是否可以很快看到通用人工智能（而非窄人工智能）的出 現。一方面，牛津大學和斯坦福大學面向350

37、位專家進行的一項調查得出結論22： 45年內，機器在所有任務中都能勝過人類的可能性為50%。另一方面，艾奇奧尼教 授（Etzioni）2016年對知名人工智能研究者所做的調查顯示：四分之一的受訪人士 認為超級智能根本不可能實現23。 心存猶疑，多輪努力無功而返 | 人工智能40 | ARTIFICIAL INTELLIGENCE41 人工智能將成為終極版本的谷歌。這種極致的 搜索引擎將洞悉網絡上的一切。它會準確理解 你想要什么，進而精準地為你提供。我們現在 還遠遠沒有做到這一點。但是，我們能夠越來 越接近，我們正在為之而努力 拉里 佩奇（Larry Page），2000年 心存猶疑，多輪努力無

38、功而返 心存猶疑，多輪努力無功而返 您的競爭對手今天或許 已開始應用人工智能 盡管我們尚未擁有通用人工智能。但隨著基礎技術以驚人的速度發展，窄人工 智能已經在現實世界的商業應用中顯露了非凡威力。 隨著企業持續加大人工智能的應用力度，系統所能處理的數據和工作的復雜性 必然有增無減。若想了解其如何在業務環境中發揮作用，下方框架可能會有所幫 助。此框架列出了各種技術的潛在應用形式（本文以金融服務行業為例），并根據 所涉及數據和工作的復雜程度，將人工智能應用分為四大模式效率、效力、專 家、創新。 在與客戶的長期合作中，我們已看到人工智能正在不斷被擴展和產業化。過去 幾年，許多企業都在試點人工智能如何影

39、響其員工、流程和產品?，F在，我們相信 這些企業已經開始將試點項目向整個組織范圍內推廣。多達四分之三的高管表示， 其組織未來三年將“積極部署” 某種人工智能24。 一言蔽之，當前的局勢已非常明確：人工智能正蓄勢待發，并且事關重大。 | 人工智能42 圖7：了解人工智能潛在應用的框架圖 自動化 效力模式 支持無縫集成與協作 效率模式 提供持續、低成本運營 創新模式 支持創造力和創意 專家模式 利用專業知識 帳戶管理 分支機構管理 安全防護與身份管理 新產品創建 營銷活動 發現微細分市場/客戶群 財務咨詢 發現客戶/潛在客戶 退休規劃 產品管理 風險管理與監管合規 密碼重置（技術支持） 聯絡中心/服

40、務臺 基礎銀行交易 能力增強 非結構化， 易變化， 數量大 結構化， 穩定， 數量少 數據復雜性 常規， 可預測， 基于規則 臨時性， 不可預測， 基于判斷 工作復雜性 心存猶疑，多輪努力無功而返 人工智能 | 43 | ARTIFICIAL INTELLIGENCE44 WHAT DO I ACTUALLY NEED TO DO NOW? 與時并進， 需要采取切實行動 | ARTIFICIAL INTELLIGENCE45 與時并進，需要采取切實行動 采取正確的應用方式，人工智能將成為提升企業經濟價值 的全新驅動力。但問題在于，選擇何種路徑才是恰當之舉？在 這樣一個飛速發展的領域中，我們很容

41、易一葉障目，迷失戰略 方向。首先，應當了解人工智能將帶來哪些機遇。通過將這些 機遇劃分為三大類型，您可以對應采取的路線有更清晰的認 知。這意味著需要分別考慮：如何利用人工智能來加快自動 化，如何增強工作效力和執行方式，以及如何在企業內外擴展 人工智能創新。 人工智能 | 45 | ARTIFICIAL INTELLIGENCE WHAT DO I ACTUALLY NEED TO DO NOW? 1. 擴大自動化范圍 與時并進，需要采取切實行動 人工智能已成為自動化的新前沿。 借助具備自我學習能力的自動化系統， 充分利用機器學習、計算機視覺、知識 表達和推理等技術模仿人類行為，人工 智能可以使

42、自動化超越僅基于規則的預 測性工作，延伸至我們目前認為需要人 類判斷的領域當中，從而創造出大量全 新的自動化機遇（有關在產業自動化進 程中使用人工智能的更多信息，請參見 第30頁）。 | 人工智能46 圖8：智能自動化前沿 基礎 機器人流程自動化 智能自動化 項目級的特定自動化， 例如：腳本、宏、批處 理程序、迷你機器人 全企業范圍的表面級集 成 Blue Prism， Automation Anywhere， Fusion，Jacada 和數字 技術支持工具 光學字符 識別（OCR），業務流 程管理（BPM） 將人工智能應用于流程，以增強自動化水平 往往用以增強人類行為，而非完全替換他們，

43、例如，在人類決策過程中使用人工智能模型 人工智能可以深入應用于某一業務領域/流程， 或是跨越多個流程實現淺層自動化 認知型機器人流程自動化是將AI植入RPA當中， 從而使其具備更強“智能”或更多功能 工作性質 已編程 嚴格受控 已封裝 自我學習 自主性 無界限 基于規則 基于判斷 很多自動化機遇 仍有待挖掘. .人工智能已成為 自動化的新前沿 平臺和自動化技術統籌 與時并進，需要采取切實行動 商業影響變革型戰術型 人工智能 | 47 WHAT DO I ACTUALLY NEED TO DO NOW? 材料回收機器人 2. 增強工作能力 與時并進，需要采取切實行動 AMP Robotics公司

44、研發了一款名為Cortex的機器人系統， 使用計算機視覺功能，從廢棄產品傳送帶上快速挑選可回收 材料。該系統依托公司開發的Neuron人工智能技術，能夠 利用視頻流，將可回收材料（即使它們已變臟或與其他材料 堆積在一起）與無法使用的材料區分開來25。 人工智能大大提升了資源的利用效率。在實際工作中，這體現為兩方面的助 益其一是增強人類員工的判斷力，其二則可提升客戶體驗。 #1更聰明地工作。在增強員工判斷力方面，與人類相比，機器學習能夠從非常 龐大、且高度復雜的數據集中提煉出更多洞見。因此，它們可以發現人類專家未曾 覺察的模式、相似性和異常。例如在篩查癌變癥狀時，人類專家能夠從掃描膠片中 識別出

45、數百種惡性病變，而人工智能可以識別數千種之多。 | 人工智能48 諾丁漢大學的研究人員已創建了一套人工智能系統，預測哪些患者可能在十年 內發生中風或心臟病。該系統的表現優于標準預測方法（得分在0.745和0.764之 間，而標準方法為0.728）26。 這些進步令人印象深刻。但其并不意味著人類專長很快會被取代。當前，最佳 成果仍源自人類專家與人工智能的合作雙方都發揮各自獨特的能力來共同解決 問題。 大多數高管（81%）認為，不出三年時間， AI就將作為一名同事、合作者和值得信賴 的顧問，在企業中與人類并肩協作27 埃森哲技術展望2018 與時并進，需要采取切實行動 人工智能 | 49 #2提升

46、客戶體驗。利用人工智能特別是該技術在認知方面的功能，企業可 以極大改善與客戶的交互。其具體方式包括：使用數字助理和聊天機器人，通過社 交媒體和數字平臺全天候地與客戶交談；或者，在電子商務網站上推薦個性化的產 品和服務。 例如，當南美阿維安卡航空公司（Avianca）希望提升其2800萬客戶的旅行體 驗時，他們很快下定決心引入聊天機器人助理28。埃森哲幫助該公司創建了一款在 Facebook Messenger上運行的聊天機器人Carla，利用人工智能協助客戶安排旅行。 通過在客戶已經熟悉的消息平臺上與Carla進行自然對話，Avianca的客戶可以快 速、直觀地辦理值機手續、查看行程和航班狀態

47、，并從航空公司處獲取天氣和其他 更新信息，無需等待電話人工客服的應答。 此外，創建像Carla這樣的聊天機器人或數字助理無需投入龐大資金，或者花費 數月時間。開發Avianca的這款聊天機器人只花了六周時間，而且幾乎立刻就擁有 了超過2萬名獨立用戶，他們每個月都會與Carla進行約4000次對話。Carla甚至還 設法將Avianca客戶的平均值機時間縮短了一半。 與時并進，需要采取切實行動 | 人工智能50 人機合作撰寫新聞已成為現實 與時并進，需要采取切實行動 在谷歌“數字新聞計劃”支持下，英國新聞聯合社 （Press Association）和Urbs Media公司正以一種非常有趣的 方式使用機器人。兩家機構攜手開展的“記者與數據機器人 （RADAR）”項目創建出了一套軟件，可用于篩選國內數據， 并將本地化統計數據插入人類記者撰寫的報道中。截至目 前，這些由本地或地區性報紙發布的報道已涵蓋了廣泛內 容從醫院設立，到社會流動性問題。自2017年11月底試點 以來，共有20家報紙刊登了該項目出品的文章，不但為記者 節省了時間，而且使他們的報道更具分量2