那些想坐等AI成熟再采用的公司，可能永遠也跟不上AI浪潮

http://blog.sina.com.cn/s/blog_cfa68e330102zg9l.html

作者 | Vikram Mahidhar 譯者 | Sambodhi 編輯 | Natalie

導讀： 元末明初的陶宗義曾在《南村綴耕錄》寫道：五臺山有鳥，名曰寒號蟲。 當盛暑時，文采絢爛，乃自鳴曰：“鳳凰不如我！” 比至深冬嚴寒之際，毛羽脫落，索然如鷇雛，遂自鳴曰：“得過且過。”

這篇就是現在小學二年級的課文《寒號鳥的故事》的原型。在人工智能風起云涌的今天，有些公司對人工智能的態度，又何嘗不是 “寒號鳥” 呢？我們已經真真切切生活在人工智能時代了。這是最好的時代，也是最壞的時代。這個時代的偉大之處在于，它永遠在更新，永遠在前進；但是這個時代的悲哀之處在于，跟不上時代的人，可能永遠就跟不上了。

盡管一些公司，如大多數大型銀行、Ford（福特汽車）和 GM（通用汽車）、Pfizer（輝瑞，總部位于紐約的跨國制藥公司），以及幾乎所有的科技公司，都在積極擁抱人工智能。然而，還有很多公司并沒有這么做。相反，它們都在觀望，等待這一天的到來：技術成熟，人工智能專業知識得到更廣泛的應用。它們都在盤算小九九，想當一個 “后起之秀”，這是一種與大多數信息技術合作的策略。

我們認為，這并不是一個好主意。誠然，有些技術確實需要進一步的發展，但有些技術（像傳統的機器學習）已經相當成熟，并以某種形式存在了幾十年。更近一些的技術，如深度學習，就是基于上世紀 80 年代的研究成果。新的研究一直在進行，但目前人工智能的數學和統計基礎已確立。

系統開發需要時間

除了技術成熟度的問題之外，還有其他幾個問題：即一旦技術變得更有能力，公司就能夠迅速采用的想法。首先，開發人工智能系統需要時間。如果這些系統是完全通用的，那么它們可能不會為你的業務增加什么價值，因此，要根據你的業務及其中的特定知識領域來對它們進行定制和配置，而這就需要時間。如果你采用的人工智能使用的是機器學習，那么你就必須收集大量的訓練數據。如果它操縱的是語言，就像自然語言處理應用那樣，那么讓系統啟動和運行起來就可能會更加困難。需要將分類學和當地知識集成到人工智能系統中，類似于用于專家系統的舊的 “知識工程” 活動。這種類型的人工智能不僅僅是一個軟件編碼的問題，還是一個知識編碼的問題。發現、消除歧義和部署知識，無一例外都需要時間。

特別是，如果供應商或顧問沒有為你的知識領域建模，那么架構師通常就需要耗費數月的時間。對于復雜的知識領域尤為如此。例如，凱特琳癌癥研究中心（Memorial Sloan Kettering Cancer Center）與 IBM 合作，使用 Waston 治療某些類型的癌癥已有六年多的時間，盡管在癌癥護理和人工智能方面擁有高素質的人才，但這個系統仍然沒有做好廣泛應用的準備。有些領域和業務問題需要具備必要的知識工程。但是，它仍然需要根據公司的具體業務環境進行操縱。

整合需要時間

即使你的系統已經構建完成，但也存在將人工智能系統整合到你組織中的問題。除非你使用的是嵌入在公司已使用的現有應用系統中的某些人工智能功能（如 CRM 系統中的 Salesforce Einstein），否則，要與你的業務流程和 IT 架構相適應，就需要大量的規劃和適應時間。從試點和原型過渡到人工智能生產系統，這一過程可能既困難又耗時。

就算你的組織擅長將試點和原型遷移到生產中，也必須重新設計業務流程，以對你的業務和行業產生全面的影響。在多數情況下，人工智能支持的是單個任務，而不是整個業務流程。因此，需要重新設計業務流程和針對它的新人工任務。例如，如果你希望影響客戶參與，那么你就需要開發或調整與營銷、銷售和服務關系不同方面相關的多個人工智能應用和任務。

人工智能時代下的人機交互

最后，人工智能還需要克服人類的挑戰。很少有人工智能系統能夠做到完全自主，它們更關注的是人工智能的增強和那些由人類完成的工作。新的人工智能系統通常意味著與它們一起工作的人們需要轉變新角色，掌握新技能。而且，要重新培訓員工熟悉新的流程和系統，通常需要相當長的時間。例如，向客戶提供 “機器人咨詢” 的投資咨詢公司，往往試圖讓人力顧問將注意力轉移到“行為金融”，或提供建議和“助推”（nudges），以鼓勵明智的投資決策和投資行動。但是這種技巧，與提供有關購買購票和債券的建議截然不同，需要一些時間來反復灌輸。

即使人工智能系統的目標是達到完全自主，也可能需要一段時間的增強模式。在此期間，機器學習的關鍵部分，是通過系統與人類用戶和觀察者之間的交互實現的。這就是交互學習，是組織了解系統如何與其生態系統交互的關鍵步驟。它們通常可以收集新的數據集，并在這段時間內開始將其轉化為算法，通常需要耗費數月或數年的時間。

人工智能應用的管理時間

雖然應用人工智能系統的目的是提供指數縮放和預測，但它們需要一種新的管理方法，比傳統的控制和測試驅動方法要更為廣泛。人工智能算法的效率會隨著時間的推移而下降，因為它們是基于歷史數據和最近的業務知識構建的。當機器從新數據中的模式中學習時，算法可以得到更新，但它們需要由主題專家監控，以確保機器能夠正確地解釋業務環境的變化。算法還必須連續監測偏差。例如，如果人工智能系統經過訓練，能夠根據客戶人口統計數據來創建產品推薦，并且新數據中的人口統計數據發生了顯著的變化，就有可能會提供有偏見的推薦。

管理還包括監視客戶欺詐行為。隨著系統變得智能化，用戶也會變得更加聰明。他們可能會試圖用欺詐性的數據和活動來玩弄這些系統。監視和預防客戶的欺詐行為需要在你的業務環境中部署復雜的儀器，并配置人工監視。

贏家通吃

因此，要開發和完全實現人工智能系統，可能需要很長的時間，而且在必要步驟上幾乎沒有捷徑可走。一旦成功實施，規模化可能會非常迅速——尤其是如果公司擁有豐富的數據供應并掌握知識工程。當晚期采用者剛完成所有必要的準備工作時，早期采用者早就占據了相當大的市場份額——他們將能夠以更低的成本、更好的性能來運營。簡而言之，可能會出現贏者恒贏的局面，后來者可能永遠再也趕不上了。例如，想一想 Pfizer 這樣的公司吧，這家公司的學習經驗和能力，據該公司的分析和人工智能實驗室的主管稱，他們已經積累了 150 多項人工智能項目在進行。像 Alphabet 這樣的科技公司則擁有更多的學習經驗，早在 2015 年，該公司就有 2700 個正在進行的人工智能項目。

誠然，如果公司愿意犧牲其獨特的知識和經營方式，那么，通過等待可以加快某些步驟。供應商正在開發各種各樣的知識圖和模型，這些圖和模型使用的技術，涵蓋了從自然語言處理到計算機視覺技術的各種技術。如果你的行業或者業務存在這樣的問題，并且愿意在不做任何修改的前提下采用它，那么就可以加快人工智能的采用過程。但是，如果你不進行調整以適應你的環境并圍繞它構建一切，那么你可能會失去獨特的能力或競爭優勢。

顯而易見，如果你想在人工智能方面取得成功，并認為可能存在某些威脅，這些威脅來自于由人工智能驅動的競爭對手或新加入市場的公司。那么，你現在就應該開始學習如何在多種不同的應用和人工智能方法中使其適應你的業務。一些領先的公司已創建集中式人工智能小組來大規模地做這件事。這些核心團隊專注于擬定問題、證明業務假設、人工智能資產模塊化以實現可重用性，創建管理數據管道的技術，以及跨業務的培訓。另一種可能性是收購一家已積累大量人工智能能力的初創公司，但仍然需要將這些能力應用到你的業務中。簡而言之，如果你還沒有開始采用人工智能技術，那么你應該做的就是：立即開始！希望為時不晚。

原文鏈接：

https://hbr.org/2018/12/why-companies-that-wait-to-adopt-ai-may-never-catch-up