持續(xù)關(guān)注人工智能新聞的朋友肯定已經(jīng)發(fā)現(xiàn)，AI這個(gè)字眼已經(jīng)被異化成了兩個(gè)截然不同的定義。媒體和影視作品喜歡把AI描述成已然具備人類般的能力、會(huì)導(dǎo)致大量失業(yè)甚至?xí)鰟?dòng)機(jī)械部隊(duì)進(jìn)行人類清剿的末日威脅。但在另一方面，學(xué)術(shù)研究則更多關(guān)注人工智能的具體發(fā)展，并承認(rèn)目前的AI還非常弱小、無法實(shí)現(xiàn)人類思維體系中的大部分基本能力。
但至少可以肯定的是，如今的AI算法已經(jīng)在醫(yī)療保健、金融、制造以及運(yùn)輸?shù)阮I(lǐng)域成為重要的解決方案組件。正如哈佛商學(xué)院教授Marco Iansiti與Karim Lakhani在其著作《人工智能時(shí)代的競(jìng)爭(zhēng)：算法與網(wǎng)絡(luò)為主導(dǎo)的時(shí)代下的戰(zhàn)略與領(lǐng)導(dǎo)力》一文中所提到，不久之后，“一切人類事務(wù)將再也離不開人工智能的輔助。”
事實(shí)上，就是目前的“弱”AI已然引領(lǐng)了谷歌、Amazon、微軟乃至Facebook等科技巨頭的發(fā)展與成功，并給全球數(shù)十億民眾的日常生活帶來影響。Lakhani與Iansiti在自己的書中提到，“在實(shí)際應(yīng)用中，我們需要的并不一定是完美的人工智能。不夠完美的AI也足以對(duì)社交網(wǎng)絡(luò)上的內(nèi)容進(jìn)行優(yōu)先級(jí)排序、制作品質(zhì)完美的卡布奇諾咖啡、分析客戶行為、設(shè)定最佳價(jià)格甚至以完成不同的風(fēng)格創(chuàng)造畫作。事實(shí)上，這種不完美的弱AI足以改變企業(yè)的性質(zhì)及其運(yùn)營(yíng)方式。”
而哪家企業(yè)能夠真正將AI轉(zhuǎn)化為運(yùn)營(yíng)動(dòng)力，誰就能開拓出新的市場(chǎng)空間并顛覆傳統(tǒng)行業(yè)。能夠適應(yīng)AI時(shí)代的老牌廠商將生存下來并繼續(xù)蓬勃發(fā)展。而繼續(xù)固守傳統(tǒng)方法的公司則錯(cuò)失AI之力，要么不復(fù)存在、要么被徹底邊緣化。
Iansiti與Lakhani在書中討論了諸多主題，其中一大核心正是概念A(yù)I工廠，他們將其視為企業(yè)在AI時(shí)代競(jìng)爭(zhēng)并發(fā)展的關(guān)鍵性前提。
問題是，“AI工廠”究竟是什么？
在當(dāng)今業(yè)務(wù)體系中，最關(guān)鍵的AI技術(shù)在于機(jī)器學(xué)習(xí)算法。算法的實(shí)質(zhì)屬于統(tǒng)計(jì)引擎，負(fù)責(zé)從以往觀察到的數(shù)據(jù)內(nèi)收集模式，并據(jù)此預(yù)測(cè)新的結(jié)果。機(jī)器學(xué)習(xí)算法與其他關(guān)鍵組件（包括數(shù)據(jù)源、實(shí)驗(yàn)與軟件等）融合起來就建立起AI工廠，代表一組能夠相互連接、促進(jìn)學(xué)習(xí)與發(fā)展的組件與流程。
這就是AI工廠的運(yùn)作方式。從內(nèi)部及外部來源獲取高質(zhì)量數(shù)據(jù)以訓(xùn)練機(jī)器學(xué)習(xí)算法，再使用算法對(duì)特定任務(wù)執(zhí)行預(yù)測(cè)。在某些情況下，例如疾病診斷與治療等，這類預(yù)測(cè)可以幫助人類專家做出準(zhǔn)確的判斷。而在其他領(lǐng)域（例如內(nèi)容推薦）當(dāng)中，機(jī)器學(xué)習(xí)算法可以在幾乎無需任何人為干預(yù)的情況下自動(dòng)完成所有任務(wù)。
AI工廠的算法與數(shù)據(jù)驅(qū)動(dòng)模型，使得各類組織得以快速測(cè)試新的假設(shè)，進(jìn)而推出變更以不斷改善自身系統(tǒng)。具體措施可以是向現(xiàn)有產(chǎn)品中添加新的功能，也可以在公司的現(xiàn)有資產(chǎn)基礎(chǔ)之上開發(fā)新的產(chǎn)品。這一切變化又反過來幫助企業(yè)掌握更多新數(shù)據(jù)、改進(jìn)AI算法，并再次找到提高性能，創(chuàng)建新服務(wù)和產(chǎn)品，通過這樣的良性循環(huán)保持發(fā)展并沖擊種種新的市場(chǎng)區(qū)間。
Iansiti與Lakhani在《AI時(shí)代的競(jìng)爭(zhēng)》中寫道，“從本質(zhì)上講，AI工廠在用戶參與、數(shù)據(jù)收集、算法設(shè)計(jì)、預(yù)測(cè)與改進(jìn)等環(huán)節(jié)之間建立起一條完整的良性閉環(huán)。”
這種將構(gòu)建、衡量、學(xué)習(xí)與改進(jìn)環(huán)節(jié)串連起來的想法并不是什么新鮮事物。企業(yè)家與初創(chuàng)公司已經(jīng)在這一領(lǐng)域擁有多年的理論與實(shí)踐經(jīng)驗(yàn)。但是，AI工廠憑借著強(qiáng)大的自然語言處理與計(jì)算機(jī)視覺技術(shù)，將這一循環(huán)提升到了新的高度，由此在最近幾年中邁出了全面普及的重要一步。
《AI時(shí)代的競(jìng)爭(zhēng)》中還列舉了螞蟻金服（現(xiàn)為螞蟻集團(tuán)）的案例。該公司成立于2014年，擁有9000名員工，目前為超過7億用戶提供廣泛的金融服務(wù)。而這種前所未有的運(yùn)營(yíng)服務(wù)效率，依靠的正是高效的AI工廠與卓越領(lǐng)導(dǎo)。相比之下，美國(guó)銀行成立于1924年，擁有209000名員工，而服務(wù)的對(duì)象僅為6700萬用戶、產(chǎn)品種類也更為有限。
Iansiti與Lakhani感嘆道，“螞蟻金服開辟出全新的金融服務(wù)概念。”
“AI工廠”的基礎(chǔ)設(shè)施
眾所周知，機(jī)器學(xué)習(xí)算法高度依賴于大規(guī)模數(shù)據(jù)。目前，關(guān)于數(shù)據(jù)的價(jià)值已經(jīng)有很多耳熟能詳?shù)谋扔?，例?ldquo;數(shù)據(jù)就是新的石油”，這種陳詞濫調(diào)多見于各類紙頭報(bào)端。
但單憑大量數(shù)據(jù)絕不可能成就好的AI算法。實(shí)際上，很多企業(yè)都掌握著大量數(shù)據(jù)儲(chǔ)備，但他們的數(shù)據(jù)與軟件各自居于孤島之內(nèi)，存儲(chǔ)形式不統(tǒng)一、模型與框架也互不兼容。
Iansiti與Lakhani寫道，“即使客戶將企業(yè)視為統(tǒng)一的實(shí)體，但事實(shí)上企業(yè)在各內(nèi)部機(jī)構(gòu)、部門以及跨職能區(qū)劃間的系統(tǒng)與數(shù)據(jù)大多彼此分散，導(dǎo)致數(shù)據(jù)難以聚合，延遲了洞見的產(chǎn)生速度，最終導(dǎo)致人們無法充分動(dòng)用分析與人工智能的力量。”
此外，在將數(shù)據(jù)饋送至AI算法之前，我們還需要進(jìn)行數(shù)據(jù)預(yù)處理。例如，你可能希望使用客戶往來聊天記錄開發(fā)一個(gè)AI驅(qū)動(dòng)型聊天機(jī)器人，由其自動(dòng)為部分客戶提供支持服務(wù)。在這類場(chǎng)景下，我們首先需要對(duì)文本數(shù)據(jù)進(jìn)行合并、令牌化、去除多余的詞匯及標(biāo)點(diǎn)符號(hào)、輔以其他轉(zhuǎn)換，而后才能將其用于訓(xùn)練機(jī)器學(xué)習(xí)模型。
即使面對(duì)銷售記錄等結(jié)構(gòu)化數(shù)據(jù)時(shí)，其中同樣可能存在空缺、信息丟失乃至其他需要處理的不確切之處。再有，如果數(shù)據(jù)來自多種來源，則需要以不致引起誤差的方式加以聚合。如果未經(jīng)預(yù)處理，大家只能使用低質(zhì)量數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，最終導(dǎo)致AI系統(tǒng)性能不佳。
最后，內(nèi)部數(shù)據(jù)源可能在體量上不足以支撐AI管道的開發(fā)。有時(shí)候，大家還需要借助外部來源進(jìn)行信息補(bǔ)充，例如收集來自社交媒體、股市、新聞等來源的數(shù)據(jù)。以BlueDot為例，該公司使用機(jī)器學(xué)習(xí)預(yù)測(cè)傳染病的傳播情況。為了訓(xùn)練并運(yùn)行其AI系統(tǒng)，BlueDot會(huì)自動(dòng)從數(shù)百個(gè)來源處收集信息，包括來自衛(wèi)生組織的聲明、商業(yè)航班、牲畜健康報(bào)告、衛(wèi)星氣候數(shù)據(jù)以及新聞報(bào)道等等。該公司的大部分工作內(nèi)容乃至軟件方案都圍繞數(shù)據(jù)的收集與聚合設(shè)計(jì)而生。
在《AI時(shí)代的競(jìng)爭(zhēng)》中，兩位作者介紹了“數(shù)據(jù)管道”的概念，通過一組組件與流程對(duì)來自多個(gè)內(nèi)部及外部來源的數(shù)據(jù)進(jìn)行合并、清洗以及集成，而后處理并存儲(chǔ)結(jié)果以供不同AI系統(tǒng)使用。但更重要的是，數(shù)據(jù)管道必須以“系統(tǒng)化、可持續(xù)且可擴(kuò)展的方式運(yùn)作”，意味著應(yīng)盡可能避免手動(dòng)操作以消除AI工廠中的一切潛在瓶頸。
Iansiti與Lakhani還進(jìn)一步探討了AI工廠所面臨的其他挑戰(zhàn)，例如如何為監(jiān)督機(jī)器學(xué)習(xí)算法建立正確的指標(biāo)與特征，在人類專家洞見與AI預(yù)測(cè)結(jié)果之間找到正確的缺失環(huán)節(jié)，以及如何應(yīng)對(duì)運(yùn)行層面的挑戰(zhàn)并驗(yàn)證結(jié)果。
作者們寫道，“如果將數(shù)據(jù)視為向AI工廠提供動(dòng)力的燃料，那么基礎(chǔ)設(shè)施就是輸送燃料的管道，而算法則是完成工作的機(jī)器。反過來，實(shí)驗(yàn)平臺(tái)則是負(fù)責(zé)將燃料、管道與機(jī)器接入現(xiàn)有操作系統(tǒng)的閥門。”
轉(zhuǎn)型為AI公司
從各個(gè)角度來看，建立一家成功的AI公司不僅需要克服工程技術(shù)層面的挑戰(zhàn)，更需要解決產(chǎn)品管理領(lǐng)域的諸多難題。事實(shí)上，不少成功企業(yè)已經(jīng)找到了以AI技術(shù)為基礎(chǔ)建立長(zhǎng)期文化與業(yè)務(wù)流程的實(shí)踐方法，而不再單純嘗試將深度學(xué)習(xí)的最新成果強(qiáng)行融入難以與之匹配的傳統(tǒng)基礎(chǔ)設(shè)施。
這種方式對(duì)于初創(chuàng)企業(yè)及傳統(tǒng)主流公司都同樣適用。正如Iansiti與Lakhani在《AI時(shí)代的競(jìng)爭(zhēng)》中所闡述，只有那些不斷改變自身運(yùn)營(yíng)及商業(yè)模式的企業(yè)，才能在這樣一個(gè)新時(shí)代下生存下來。
他們寫道，“對(duì)于傳統(tǒng)企業(yè)而言，要想轉(zhuǎn)型為一家基于軟件的AI驅(qū)動(dòng)型公司，必須要采取完全不同的組織形式，并把轉(zhuǎn)型視為一種新的常態(tài)。這并不是說單純建立起新的部門、AI專項(xiàng)團(tuán)隊(duì)或者是偶發(fā)性的開發(fā)流程，而應(yīng)建立起由敏捷組織支持的、以數(shù)據(jù)為中心的新型運(yùn)營(yíng)體系，這將從根本上扭轉(zhuǎn)公司的運(yùn)營(yíng)核心。”
《AI時(shí)代的競(jìng)爭(zhēng)》還提供豐富的相關(guān)案例研究。其中包括Peloton（徹底顛覆了傳統(tǒng)家庭運(yùn)動(dòng)器材市場(chǎng)）與Ocado（利用AI技術(shù)實(shí)現(xiàn)低利潤(rùn)日用百貨的數(shù)字化轉(zhuǎn)型）等初創(chuàng)企業(yè)從零開始建立AI工廠的趣聞?shì)W事。此外，知名科技企業(yè)也將以案例形式出現(xiàn)，包括通過多次成功轉(zhuǎn)型在AI時(shí)代實(shí)現(xiàn)蓬勃發(fā)展的微軟，以及動(dòng)用數(shù)字化及人工智能技術(shù)克服自身固有缺陷的沃爾瑪?shù)鹊取?/p>
AI技術(shù)的興起，也給“網(wǎng)絡(luò)效應(yīng)”帶來了新的含義。事實(shí)上，這種現(xiàn)象自搜索引擎與社交網(wǎng)絡(luò)誕生之初就成為科技企業(yè)的重要研究對(duì)象?！禔I時(shí)代的競(jìng)爭(zhēng)》討論了網(wǎng)絡(luò)領(lǐng)域的各個(gè)層面與類型，涵蓋如何通過將AI算法集成至網(wǎng)絡(luò)之內(nèi)以促進(jìn)增長(zhǎng)、推動(dòng)學(xué)習(xí)并改進(jìn)產(chǎn)品。
正如行業(yè)專家們觀察到的那樣，AI技術(shù)的進(jìn)步將給各類組織內(nèi)的每一位技術(shù)人員乃至運(yùn)營(yíng)人員產(chǎn)生影響。Iansiti與Lakhani表示，“許多優(yōu)秀的管理者需要重新接受培訓(xùn)并學(xué)習(xí)AI領(lǐng)域的基礎(chǔ)知識(shí)，了解如何在組織業(yè)務(wù)及運(yùn)營(yíng)模型中有效部署這項(xiàng)技術(shù)。但需要強(qiáng)調(diào)的是，他們并不需要成為真正的數(shù)據(jù)科學(xué)家、統(tǒng)計(jì)學(xué)家、程序員或者AI工程師；正如每位MBA學(xué)員都需要掌握一定的財(cái)會(huì)及運(yùn)營(yíng)知識(shí)，但卻不必成為專業(yè)會(huì)計(jì)一樣，如今的企業(yè)管理員也需要以同樣的方式對(duì)AI以及相關(guān)技術(shù)建立起初步的認(rèn)知與理解。”
