人工智能從根本上改變了企業(yè)在所有領域的運營方式，包括制造業(yè)、醫(yī)療、IT和運輸。在過去十年中，人工智能的發(fā)展為企業(yè)提供了自動化業(yè)務流程，改變了客戶體驗及差異化產(chǎn)品的服務。

像谷歌和亞馬遜這樣的人工智能先驅，已經(jīng)利用這些新技術贏得競爭優(yōu)勢，并且從其AI戰(zhàn)略中獲得了利益。

雖然企業(yè)對AI的利用程度還處于早期階段，但就目前的AI發(fā)展而言，任何企業(yè)的高管都會對此進行戰(zhàn)略商討。但重要的是，要對AI及其生態(tài)系統(tǒng)有一個具體的了解，以及行業(yè)領袖采取何種措施，來增加其競爭優(yōu)勢。

了解人工智能

人工智能是計算機科學的一個分支，旨在創(chuàng)建能夠實現(xiàn)智能行為的機器。在AI內(nèi)部有多種技術和分支，其中機器學習成為發(fā)展最快的一項技術。

機器學習算法借鑒的是實例和經(jīng)驗，而不是依賴預定義的規(guī)則和算法。機器學習也有許多分支，比如專注于深度神經(jīng)網(wǎng)絡結構的深度學習。

人工智能受益于技術創(chuàng)新和更廣泛的專業(yè)知識的融合，特別是可負擔的云計算基礎設施，大型數(shù)據(jù)集的可用性，以及算法優(yōu)化的飛躍。

得益于人工智能研究的大量投資，這些技術進步為人工智能創(chuàng)造了一個可持續(xù)發(fā)展的環(huán)境，并繼續(xù)影響企業(yè)和社會的未來。

機器學習有什么特別之處？

最近人工智能的興起在很大程度上得益于機器學習的進步。這些進步促進了自然語言處理（蘋果的Siri和谷歌翻譯）、推薦系統(tǒng)（亞馬遜的推薦引擎）以及圖像識別技術（診斷工具和自主駕駛汽車）的發(fā)展。

機器學習大致分為兩種學習方法：

監(jiān)督式學習：使用已知的數(shù)據(jù)集，根據(jù)標記的輸入和輸出數(shù)據(jù)進行推斷。

非監(jiān)督式學習：在已知的數(shù)據(jù)集中，根據(jù)未標記的輸出數(shù)據(jù)進行推斷。

目前，在工作中最普遍的方法是監(jiān)督式學習，而無監(jiān)督式學習適用于更廣泛的應用。在每個學習方法中，有多個算法類別可供選擇，其決策取決于問題的類型和預期的結果。

在機器學習工作流中，流程的每個部分都需要特定的專業(yè)知識和不同級別的資源。雖然領域專業(yè)知識對于工作流的預處理和特征工程部分（是機器學習中另一個需要大量專業(yè)人力的環(huán)節(jié)）很重要，但是訓練階段需要不同的AI專業(yè)知識和較少的領域知識。

從基礎設施的角度來看，在處理數(shù)據(jù)時，資源最密集的階段是模型訓練階段。同樣，了解每種方法的利弊以及在構建ML模型時所需解決問題的類型都很重要。

AI堆棧

人工智能堆棧是運行人工智能模型所需的基礎設施，包括優(yōu)化組件、存儲、數(shù)據(jù)處理和分析工具。

組件：CPU、GPU、FPGA和專用ASIC是AI堆棧的基本組件。雖然CPU無處不在，但在機器學習的資源密集型訓練階段中，使用的GPU和FPGA促進了深度學習的巨大進步。對于需要較少資源的推理部分來說，傳統(tǒng)CPU或超低功耗FPGA或ASIC是最常見的工具。

計算：公共云供應商為人工智能量身定制解決方案。云計算選項的可用性使任何企業(yè)、SMB或小團隊能夠在一個可承受的價格點運行AI模型。

存儲：在機器學習中需要大量的數(shù)據(jù)，特別是在特征工程階段，且數(shù)據(jù)存儲至關重要。Hadoop集群（偽分布式運行模式）和云對象存儲的出現(xiàn)，大大提高了支持人工智能用例的數(shù)據(jù)存儲能力。

AI堆棧依賴于公共云供應商和開放源碼項目提供的服務。云巨頭——如谷歌、亞馬遜、Facebook、微軟和百度——的投資，推動了從擁有堆棧的專有廠商轉變?yōu)樘峁〢I服務。

開放源代碼作為公認的標準，在整個人工智能生態(tài)系統(tǒng)中促進了更快速的發(fā)展。谷歌的開放源碼的TensorFlow庫對其進行了驗證，它可以讓任何一個對機器學習有興趣的人來開發(fā)模型，而不必從頭開始構建庫和算法。

AI生態(tài)系統(tǒng)

在過去的十年，AI走出了研究機構，成為世界上一些先進科技公司的前沿技術。這些公司將AI嵌入其核心產(chǎn)品和服務，加速技術進步和人才發(fā)展，以及擴大在AI生態(tài)系統(tǒng)中的投資。

亞馬遜正在利用AI改進個性化推薦和優(yōu)化庫存管理。在亞馬遜致股東的年度信件中，首席執(zhí)行官杰夫?貝佐斯（Jeff Bezos）討論了采用AI的重要性，從而更快地交付產(chǎn)品、提升現(xiàn)有產(chǎn)品、并通過云計算部門創(chuàng)建新工具。

谷歌使用自己的DeepMind技術來管理數(shù)據(jù)中心，并將冷卻成本降低40%。該公司的AI-First專注于利用AI進行搜索優(yōu)化、自動駕駛汽車及眾多其他投資組合解決方案。

Facebook致力于打造AI的基礎技術。其研究小組FAIR是神經(jīng)網(wǎng)絡突破的頂級研發(fā)者之一。

微軟已經(jīng)創(chuàng)建了一個AI業(yè)務部門，擁有超過5000名計算機科學家和工程師，專注于將AI應用到其產(chǎn)品中。

英特爾正在更新其服務器，以應對處理和訓練AI系統(tǒng)所需的額外計算要求。為了做到這一點，該公司已經(jīng)將其AI業(yè)務交由Nervana前CEO Naveen Rao所領導（Nervana是一家深度學習創(chuàng)業(yè)公司，于2016年被英特爾收購）。

百度在人工智能領域投入巨資，開發(fā)圖像識別技術，推進自主駕駛和數(shù)字助理，并開發(fā)增強現(xiàn)實工具。

AI人才短缺仍然是一個問題。據(jù)麥肯錫數(shù)據(jù)顯示，70%的AI投資來自大型科技公司的內(nèi)部研發(fā)投入。我們可以看到很多云巨頭從學術界聘請AI人才來領導其AI研發(fā)工作。約有80%-90%的AI人才被世界上的科技巨頭納入麾下。

對人才的激烈競爭也掀起了對AI公司收購的熱潮。據(jù)CB Insights整理，僅在2017年就有55家不同領域的AI私人公司被收購。谷歌、蘋果、Facebook、英特爾、微軟和亞馬遜在AI并購方面表現(xiàn)得十分活躍，其大部分并購針對其核心的AI技術，比如圖像識別和自然語言處理。

在這些技術供應商的帶領下，AI已經(jīng)迎來了其早期的贏家，并在這一過程中創(chuàng)造了一個基于AI技術和工具的生態(tài)系統(tǒng)。2017年，650多起交易活動創(chuàng)下了65億美元的交易記錄，遠超2016年近1000筆交易的57億美元的交易記錄。

AI公司專注的領域不斷擴展，從最初的AI核心技術到為特定行業(yè)提供AI解決方案。在投資方面，AI最大的細分領域一直是網(wǎng)絡安全和橫向解決方案，其次是商業(yè)智能和IoT創(chuàng)業(yè)公司。

企業(yè)如何打開AI大門

在評估如何部署或建立AI工具時，企業(yè)應同時分析其最高價值用例，并建立強有力的支撐體系和人才基礎。

任何AI工作都會依賴于三個主要的構建區(qū)塊：數(shù)據(jù)、基礎設施和人才。

數(shù)據(jù)驅動觀察，但需要訪問大型數(shù)據(jù)集。機器學習的有效性往往與現(xiàn)有數(shù)據(jù)的數(shù)量密切相關。在這個階段，獲取大量的數(shù)據(jù)需要從ML工具中獲取價值。

基礎設施，無論是軟件還是硬件，都必須到位，才能有效地運行機器學習模型。云服務提供商都做已經(jīng)好準備將其產(chǎn)品擴展到AI基礎設施，并提供可以與開源軟件結合使用的解決方案。對一些公司而言，將訓練數(shù)據(jù)轉移到云端太昂貴或根本實現(xiàn)不了。但大量的技術能力還是必要的，有時也會需要GPU、FPGA或ASIC硬件加速器。

AI人才在有效利用機器學習方面至關重要。雖然并不是每個公司都會建立其內(nèi)部的AI組織，但吸納經(jīng)驗豐富的數(shù)據(jù)科學家是發(fā)揮AI價值的關鍵。機器學習是一個需要專業(yè)知識的難題。

將AI應用于其核心產(chǎn)品和服務，用以實現(xiàn)競爭的差異化。基于內(nèi)部的專業(yè)知識，公司將能夠建立一個促進AI發(fā)展的強大基礎設施。

在許多情況下，實施一項戰(zhàn)略需要大量的資本投入。如果不能構建自己的內(nèi)部解決方案，那么可以采用第三方工具作為合適的替代方案。對于那些無法通過AI來實現(xiàn)差異化的公司，可以逐步改進并實現(xiàn)其自動化運營。運營效率也是一項競爭優(yōu)勢。

并非每家公司都享有相同的優(yōu)先級。雖然有些人可能會找到一種自動化的客戶服務解決方案來發(fā)揮其業(yè)務價值，但可能另外一些人會找到對庫存管理更智能化預測的解決方案。鼓勵團隊分析和探索在部門內(nèi)采用AI工具的好處，將有助于了解AI在哪些地方會產(chǎn)生最大的影響。

結論

AI不再僅僅是學術機構或實驗室的理論研究；相反，它是一項會改變社會，帶來創(chuàng)新的基礎技術。對大公司而言，這可能是一項令人不安的變化。然而，技術的易獲取性與活躍的生態(tài)系統(tǒng)的融合表明，企業(yè)比任何時候都能更快地參與到這種新的創(chuàng)新浪潮中。

來源：億歐