预测性人工智能技术及其数据角色

按照《AI极简经济学》的观点，人工智能技术实际上是一种预测的技术，不管它叫机器学习、深度学习还是自动学习，不管是NLP、图像识别还是机器翻译，其实都是预测。技术的发展让人工智能变得随处可得，也就让预测算法变得廉价，于是它就从科研的厅堂走到企业应用的广阔天地，进入需要预测机器的各种领域，从而引发了人工智能的爆炸式发展。预测是填补缺失信息的过程，预测就是运用你现在掌握的信息（即“数据”）生成你未掌握的信息。从初级层面看，预测机器可以代替人完成预测任务，节省成本。随着预测机器开始运转，预测有可能发生变化，并提高决策的质量。但等到了某个时间点，预测机器变得十分精确且可靠，以至于足以改变组织运作的方式。也就是说，一些人工智能对企业的经济效益产生了巨大的影响，它们不但可以提高策略执行过程中的生产力，还将改变策略本身。人工智能以预测为基础，让预测成为决策依据，在这个层面上，人工智能就可以成为企业经营中的重要工具，进而影响到企业的战略规划并对社会的权衡形成影响，这就形成了一座人工智能影响力的金字塔，从下到上依次是：（1）预测；（2）决策；（3）工具；（4）战略；（5）社会。

人工智能影响力金字塔图

预测　预测是填补缺失信息的过程。预测指运用你现在掌握的信息（通常称为“数据”），生成你尚未掌握的信息。除了生成关于未来的信息，预测还可以生成关于现在和过去的信息。企业的经营过程就是一个预测与决策的过程，我们需要预测商品与客户之间的对应模型，市场活动与营销业绩之间的关系，员工技能与工作能力之间的对应，服务资源与客户满意度之间的匹配等。

预测算法依赖数据。越来越多、越来越精确的数据带来越来越好的预测。从经济角度来说，数据是预测的关键互补品。随着预测算法越来越廉价，数据的价值会越来越高。数据在人工智能中扮演着三种角色，首先是输入数据，分析反馈算法，用于生成预测。其次是训练数据，它被用来生成最初的算法。训练数据用于训练人工智能，让后者得以在现实环境下进行良好的预测。最后是反馈数据，通过经验来改进算法的表现。在某些情况下，这三种角色存在大量重合，同一批数据甚至能身兼三角。

企业的经营活动就是数据积累的过程，我们可以将历史数据作为输入数据来生成预测模型，将预测模型在实行中进行应用并持续训练，在训练过程中产生的结果就是预测模型的反馈数据，用这些数据对模型进行持续优化。

就预测而言，机器和人类有着各自的优势和劣势。随着预测机器的改进，企业必须调整人与机器的劳动分工来应对。在考虑不同指标之间复杂的相互作用时，预测机器比人类表面看来要好，尤其是在数据丰富的环境中。随着这种相互作用的范围不断扩大，相较机器而言，人类作出精确预测的能力随之减弱。然而，理解数据的生成过程可带来预测优势，且在数据较为单薄的时候，人类比机器表现更好。所以更好的预测应该是基于人机耦合的，这是将人工智能与人类智慧结合的最好方法。

决策　预测不是决定，作出决定需要对预测进行判断。在人工智能应用之前，人类始终是把预测和判断放到一起进行的。而现在，预测算法的进步意味着我们必须对决定进行一番剖析。找到预测和结果之间的关系才能做相应的判断，这就是一个决策过程，决策后所产生的结果，又可以作为决策的反馈数据，对决策流程做进一步的优化。

随着预测算法能力的增强，人在企业中的某些活动会贬值，当然也有很多活动会增值。对预测本身而言，预测算法整体上是人类预测的一个更好的替代。随着机器预测越来越多地取代人类预测，人类预测的价值将降低。但更重要的一点是，虽然预测是一切决定的关键组成部分，但它并不是唯一的组成部分。目前，决策的其他元素（判断、数据和行动）仍牢牢地被人类握在手中。它们是预测的互补品，也就是说，随着预测变得廉价，决策的价值会提高。只有人类才会进行判断，也只有人类才会衡量决策结果对企业经营目标的影响。随着人工智能接管预测，人类会减少在决策中扮演预测加判断的综合角色，而更多地专注于发挥判断的作用。这将促使机器预测与人类判断之间形成互动。当然，企业也可以通过对目标的设定，让预测算法在所设定置信度阈值以内进行自动决策，人类则根据结果对目标的吻合程度，对其算法模型进行修正。

工具　人工智能应用是通过工具的开发得以实际贯彻并在企业中开始应用的，人工智能工具设计的单位不是“工作”“职业”“策略”，而是“任务”。任务是决策的集合，决策以预测和判断为基础，依靠数据获得信息。有时我们能够将一项任务内的所有决策自动化，随着预测的提升，我们可以把任务中残留的尚未自动化的任务进行自动化。预测机器的崛起激发了人们的思考：怎样对工作流程重新设计并使其自动化，从此类任务中有效地剥离人类。但仅有更好、更廉价的预测还不能带来完全的自动化，采用预测机器还必须提高机器在任务的其他方面所带来的回报。否则，你会希望人类决策者与预测机器协同工作。人工智能工具是定点解决方案。每一种工具都能生成一种特定的预测，按照设计，大多数工具只执行一项特定的任务。企业在决定如何贯彻人工智能时，会把工作流程分解为任务，预估投资回报率并按投资回报率对人工智能进行排序，接着从清单的最顶端开始，一路朝下走。有时候，也可以简单地在工作流程里安插一套人工智能工具，提高该任务的生产效率而实现直接收益。然而，大多数情况并非如此简单，需要重新思考应用人工智能工具带来的真正益处，或对整个工作流程进行“工程再造”。因此，与个人计算机革命类似，在许多主流企业，人工智能带来的生产力收益要过些时间才看得出来。

一份工作，就是一组任务的集合。在分解工作流程、应用人工智能工具的时候，以前由人类执行的某些任务可能会自动化，剩余任务的顺序和重点可能有所改变，新的任务也有可能出现。因此，构成工作的任务集合是有可能改变的。

人工智能工具的实践对工作岗位产生如下4种影响：

▷人工智能工具可以增加工作岗位，如智能训练师与智能流程设计。

▷人工智能工具可以减少工作岗位，如简单的咨询服务。

▷人工智能工具可能导致工作岗位重组，一些任务增加，另一些任务消失，如营销模型的设计与优化。

▷人工智能工具可能会将重点转移到特定工作岗位所需的特定技能上。

战略　人工智能已经成为很多企业的战略，是应该由企业的决策层进行主导的战略。强大的人工智能工具远远不止于提升业务层面任务的生产效率，而且有望彻底改变企业战略。具备如下因素，人工智能就能带来战略上的变革：商业模式中存在核心权衡；受不确定性影响的权衡；减少不确定性的人工智能，拨动了权衡天平上的指针，最优策略从这一边转到了那一边。人工智能战略需要企业决策层领导参与的另一个原因是，采用了人工智能工具的业务同样有可能影响到企业的其他业务，强大的人工智能工具可能会导致工作流程和公司的业务边界在很大程度上被重新设计。(www.xing528.com)

人工智能会增加互补品的价值，包括判断、行动和数据。判断的价值增加可能导致组织等级的变化——把不同的角色或不同的人员放到权力岗位上，可能会带来更高的回报。此外，预测机器使管理人员不仅可以优化单个要素，还可以优化更高级别的目标，从而使决策更接近组织的目标。受预测影响的行动，可以成为竞争优势，传统企业亦可获得人工智能带来的一些价值。然而，在某些情况下，强大的人工智能工具带来了明显的竞争优势，新加入者可能会将该行动垂直整合，利用人工智能作为竞争基础。

确定企业业务的边界是一项关键的战略选择，不确定性会影响这种选择。由于人工智能可以减少不确定性，它会对组织与其他组织之间的边界产生影响。通过减少不确定性，预测机器提高了编写合同的能力，故此也就增强了公司以合同的方式将专门负责数据、预测与行动的资本设备和劳动力外包出去的动机。然而，预测机器会削弱公司把专门掌管判断的任务外包出去的动机。判断的质量很难细化到合同中，而且难以监控。如果判断能够被清晰地细化，那它就可以被编程，交给机器，而不再需要人类来做。随着人工智能越来越普遍，判断有可能成为人类要扮演的关键角色，这样一来，企业内部聘用的员工会增加，外包出去的劳动力会减少。

人工智能将提升拥有数据的动机。尽管如此，如果数据提供的预测对你的组织并不具备战略意义，那么通过外包获得数据便有其必要。在此种情况下，最好直接购买预测而不是购买数据，接着用它生成你自己的预测。

很多企业（如联想、百度等公司）把“人工智能优先”调整为企业级的战略，这就要求把最大化预测的准确度作为组织的中心目标，哪怕这意味着要牺牲其他目标（如收入和用户数的最大化、用户体验的最优化等）。人工智能会带来颠覆，然而以人工智能为动机的产品，往往最开始比较差，因为训练预测机器执行任务要花时间，不管是遵循人类指令的硬编码机器还是自行学习的机器，都是如此。然而，一旦部署，人工智能便可继续学习和改进，把竞争对手的非智能产品抛在身后。对老牌公司来说，采取等待和观望的态度，站在场外观察人工智能在行业内的应用，这是很诱人的做法。一些公司说不定适合这么做，但另一些公司会发现，一旦竞争对手抢先训练和部署人工智能工具，自己就很难赶上了。而战略决策需要时机，也就是什么时候把人工智能工具投入实地应用。人工智能工具最初是在内部进行培训的，它们远离客户。然而，等把它们部署到商业用途中，它们会学得更快，因为它们暴露在了真实的运营条件下，往往还能接触更多的数据。早部署的好处是学习速度快，代价是风险高。在一些情况下，权衡是明确的；在另一些情况下，比如自动驾驶，权衡就比较模糊了，在这个时候就需要决策者进行决策：商业产品抢先一步带来的优势与产品尚未充分准备就发布，一旦失误造成的代价，到底谁大？

当然，人工智能自带很多类型的风险。主要有以下六类：

▷人工智能作出的预测可能导致歧视。哪怕这种歧视是无意的，它也需要企业为之负责。

▷数据太少，人工智能就无法发挥作用。这会产生质量风险，尤其是“未知的已知”类预测错误：预测机器很有信心地给出了预测，可惜给的是错的。

▷不正确的输入数据会欺骗预测机器，容易让用户遭到黑客攻击。

▷一如生物的多样性，预测机器的多样性涉及权衡个体和系统层面的结果。多样性的减少，可能有益于提高个人层面的绩效，但会增加大规模失效的风险。

▷预测机器有可能遭到反向查询，致使你的知识产权被窃，攻击者也可通过此种查询洞察预测机器的弱点。

▷反馈有可能遭到恶意操纵，导致预测机器学习不良行为。

社会　人工智能的兴起为社会提供了许多选择，每一个选择都代表一种权衡，在这一阶段，尽管技术仍处于起步阶段，但社会层面上已经显现出三项特别重要的权衡。第一项权衡是生产力与分配。许多人认为人工智能会让我们变得更贫穷，境况更糟糕，并非如此。经济学家认为，技术进步会让我们的生活更加美好，还能提高生产力。人工智能无疑能提高生产力，问题不在于财富的创造，而在于它的分配。人工智能可能加剧收入不平等的问题，原因有二：一是，人工智能将接管某些任务，这或许会加剧人类对余下任务的竞争，工资降低，与资本所有者的收入相比，它将进一步削减劳动力赚取的收入的比例。二是，与其他计算机相关的技术一样，预测机器可能存在技能偏好，故此，人工智能工具不成比例地提高了高技能工人的生产力。第二项权衡是创新与竞争。和大多数软件相关的技术一样，人工智能具有规模经济的特征。此外，在一定程度上，人工智能工具往往具有收益递增的特征：预测越准确，用户越多，于是生成更多的数据，而更多的数据将带来更准确预测。如果企业拥有更多的控制权，它会有更大的动力去开发预测机器，但随着规模经济的发展，这有可能导致垄断。从短期角度看，快速的创新可能造福社会；但从社会或更长期的角度看，这或许并非最理想的结果。第三项权衡是性能与隐私，数据越多，人工智能表现越好。如果它们可以访问更多的个人数据，就能更好地做个性化预测。提供个人数据通常会以失去隐私为代价。

人工智能的企业应用总结　作为一个已经开始普及的预测技术，人工智能将在企业中得到大规模的应用，这一点是毋庸置疑的。人工智能负责预测，企业的管理者根据人工智能的预测进行相应的决策，或人工智能在置信度阈值范围内自行决策，将推动企业快速实现其业务目标。而以人工智能为核心引擎的系统则将预测与决策的流程工具化，让人工智能在企业应用中快速落地。

很多企业已经将人工智能应用作为其重要的战略规划，这有可能会牺牲掉一些短期的目标，但是经过实际数据训练的人工智能会快速成长。一旦越过了临界点，就会将没有实施人工智能战略的竞争对手远远地甩在后面，成为行业中的领跑者，这个领跑者会产生更多的数据对人工智能的预测算法进行迭代优化，如此一来，其领先者的地位很难被颠覆。但是人工智能战略也有被黑客攻击、被恶意训练等风险，需要用技术手段与制度手段加以回避。