關于 AI 主動化對企業的影響規模和影響水平的看法紛歧。 一方面，牛津年夜學比來的一項研討注解，在將來二十年內，50% 的任務都可以由 AI 主動化完成。另外一方面，很多企業高管依然對 AI 的現實影響持疑惑立場。 另外，今朝的炒作和媒體也存在很多誤導。
基于對學術界、始創公司和企業用戶的親自介入的客戶訪談，我在本文中總結了 AI 企業主動化的四個癥結現實和計謀影響：
現實 1：今朝的 AI 迸發是可連續的，企業治理者不該該疏忽
機械算法汗青上第一次在諸如圖象辨認、語音、文本翻譯和圍棋如許的龐雜的義務中擊敗人類。 今朝的機械進修高潮是由三個根本驅動身分的融會推進：（1）深度進修算法龐雜性的連續沖破，（2）年夜數據（或構造化數據）的疾速增加，（3）機械進修的指數加快， 如 GPU 芯片組如許的機械進修硬件，將練習時光從幾個月延長到幾天、幾個小時。
機械進修成長的三個潛伏驅動力估計將在近期加快（見下圖）。 到 2020 年，將有 70％ 的企業數據將經由過程云數據中間停止存儲和處置，這將為機械進修算法練習供給史無前例的年夜數據基本舉措措施。異樣，加速機械進修算法練習和處置的硬件芯片正在敏捷成長。 Google,NVidia,Intel 等都宣告推出下一代 GPU 芯片硬件，這將進一步加速練習速度 10-100 倍。最初，底層機械進修算法持續加快提高，這一點從專利請求和請求的增加可以看出。
上述趨向供給了強無力的證據，注解 AI 才能和表示將在近期內持續改良。貿易首腦不該該疏忽 AI.
現實 2：AI 的應用案例在企業中廣泛存在，但規模無限
鑒于 AI 的提高將會持續加快，那末 AI 在將來 5-7 年內可以或許做甚么？ 專家的共鳴是，年夜部門的企業用例都是弱人工智能（若有監視式進修），完成近似人類的普遍智能還須要數十年。
簡而言之，人工智能算法將具有從練習數據中主動完成義務的進修才能。 但一旦進修了某個義務，處理計劃的規模就會減少，并且在年夜多半情形下，不克不及推行履行其他義務。下圖顯示了明天或將來 5 年內能夠涌現的用例：
斟酌到以下的盤算機視覺用例，一家公司能夠須要練習 AI 算法來主動掃描 PDF 和手寫發票，驗證字段格局并觸發主動敷衍賬款流程。 更高等的算法（即無監視進修）曾經涌現，即便在未標志的數據上也能夠練習處理計劃。
但是，由此發生的人工智能處理計劃從基本上局限于主動履行文本字段辨認和格局化的義務。 假如公司愿望應用發票處置機械人來發明訛詐行動，那末他們將須要設計和練習一個全新的處理計劃，重點存眷其他基本功效和形式。
在可預感的未來，人工智能運用將沿著弱人工智能的“應用練習數據的有監視進修”范式。 這有兩個計謀意義：
獲得練習的標志數據成為計謀才能和差別化的本源
AI 處理計劃須要深刻的功效和特定范疇的與人類配合發明和從新設計流程
現實 3：優先專注于 A→B 運動
日本保險公司 Fukoko 比來宣告應用人工智能替換人工停止索賠處置。 高盛在 2000 年至 2016 年時代將 600 個生意業務員的團隊改變為一個加倍精簡的 200 人的機械進修團隊。
但是，其實不是一切的企業運動都合適于今朝應用數據范式的弱 AI 主動化。
描寫機械可進修義務特點的一個有效辦法是 Andrew Ng 的A→B運動; 投入明白的數據集 A,發生回答的運動 B.
例如，批發需求猜測可以以為是 A→B 運動。 經由過程獲得季候、區域發賣汗青數據，發賣趨向點，社交媒體旌旗燈號和訂價敏感度數據等多種輸出旌旗燈號，該算法能夠完成對將來需求的猜測。
金融生意業務也是一個 A→B 的運動。 生意業務算法獲得一組輸出數據，如汗青價錢，微觀趨向驅動身分，曩昔生意業務者遵守的套利規矩等，發生買入或賣出的輸入。 基于輸出（A）停止準確的生意業務（B）能夠是一個艱苦的成績，由于市場潛伏的弗成猜測性，然則假如 AI 處理計劃在年夜量生意業務中能超出人類，依然是具有吸引力。
將企業流程和運動分類到 A→B 與非 A→B 種別可以贊助治理者對 AI 主動化和加強戰略停止體系機遇的掃描。
參閱下圖，懂得實用于 AI 的其他A→B義務，和不合適 AI 主動化的運動。
現實 4：AI 的采取不只須要技巧上的可行性
我們的客戶經歷注解，即便潛伏的技巧請求可以完成，一些 AI 運用的采取率也會比其他運用更快。公司須要斟酌更普遍的安排采取的驅動身分， 癥結采取驅動身分包含：
一次性本錢：用于開辟 AI 處理計劃的初始本錢收入，例如算法開辟和練習數據收集。人工智能算法的開放源代碼的可用性，“人工智能即辦事”平臺可以贊助削減固定本錢。獲得練習數據常常成為一個昂貴的瓶頸，成為差別化的癥結。
轉換本錢：用新的 AI 處理計劃代替以后處理計劃的相干本錢和妨礙。 這包含技巧妨礙，例如翻開 AI 算法黑盒子以追蹤息爭釋決議計劃的才能，和政治，文明和變更阻力等工資妨礙。
生態體系需求：作為綜合處理計劃的一部門，須要彌補技巧。 例如，須要與立異的物聯網傳感器和新興的機械人技巧集成，人工智能處理計劃將閱歷更高的采取龐雜性。
體系內部性妨礙：人工智能處理計劃的收集內部性，個中采取的價值跟著采取的增長而增長。
拜見下圖，具有分歧采取挑釁和潛伏采取時光用例對企業的影響：
基于花費者語音或聊天來主動化停止情緒剖析，以進步話務員才能的案例。 該處理計劃在文明和風險方面的轉換本錢明顯較高。客戶對從小處著手以削減抵消費者的負面影響要敏感很多。 即便處理計劃有用，客戶也須要從新設計端到真個培訓流程，以許可 AI 引擎推送建議。 最初，處理計劃具有絕對較高的收集內部性，更高的采取率將發生更多的練習數據以進一步進步機能，但搜集最后的批量練習數據將須要時光和引導人“信念的奔騰”。 鑒于這類龐雜性，人工智能情感剖析機械人能夠須要長達 7 - 10 年，而不是 2 - 3 年時光內疾速采取。
AI 主動化用例在企業和價值鏈中敏捷成為實際。企業引導者應當從明天開端采取嚴厲的基于投資組合的辦法來開辟機械進修功效、數據和協作關系。（本文原文作者 Michael Hu,科爾尼治理征詢公司總監，由騰股創投編譯整頓。）
