关于人工智能的应用之道

过去二十多年，企业遭遇了颠覆性冲击。事实如此令人震撼：自2000年以来，数字化颠覆已令半数的《财富》 500强企业从榜单除名。 AI将让数字颠覆来得更加强烈。

这是因为，人工智能是一种经济学家所定义的通用技术（general-purpose technology）。而通用技术的影响通常巨大而且深远——我们不妨回想电力和内燃机的历史意义。通用技术影响不仅体现为对社会的直接贡献，还会通过溢出效应，激发广泛的互补式创新。正是由于电力的出现，工厂电气化、电信联络、以及随之而来的一切方才成为可能。内燃机则催生出了汽车、飞机、乃至现代化的运输和物流网络。如今，人工智能将以类似的规模影响整个社会。

究竟人工智能是什么？回答这一问题并不像看起来那么简单。事实上，就连统一的“人工智能”定义也尚未出现。这是因为，从本质来看，我们所谈论的人工智能并不真的特指某项技术。从实际层面出发，人工智能涵盖了一系列不同的技术，通过有效的组合，机器便能够以类似人类的智能水平展开行动。

我们并未像许多人那样，不断尝试去明确地描述人工智能，而是倾向于将此类技术视为一套能力框架。毫无疑问，这是了解人工智能、知晓其背后广泛技术的最佳方式。我们的框架以人工智能支持机器实现的主要功能为核心。人工智能系统的学习能力至关重要。能够通过分析数据来决定完成任务所需的行动，而非按照明确的指令、以预先定义的方法行事，正是实现系统“智能化”、将人工智能与其他形式的自动化区分开来的关键。

一旦为最出色的人工智能系统设定出自我学习任务，我们就有望目睹非凡成果。谷歌旗下DeepMind公司开发的人工智能AlphaGo，已成为首个在高度复杂的棋类竞技中击败人类专业棋手的计算机程序6。开发人员向AlphaGo传授比赛规则，然后展示了数千种人类之间的对局，由系统自行辨别制胜策略。其结果是： AlphaGo一举战胜了拥有传奇成就的世界围棋冠军李世石（Lee Sedol）。

但DeepMind并未就此停止其围棋领域的成功步 伐 。 公 司 随 后 开 发 了 更 为 强 大 的 第 二 代 版本——AlphaGo Zero7，它可以单纯通过自我对弈来掌握获胜之道——完全无需观察人类棋手。不仅如此， AlphaZero作为人工智能更新迭代的最新版本，实现了更为长足的进步。 AlphaZero已证明，能够和自己较量来学习国际象棋，并在短短四个小时内就超越了人类的技能水平。这项壮举真正令人瞩目的是， AlphaZero并非专门为下棋而设计。

这一过程就是我们所说的机器学习。麻省理工学院的埃里克 布莱恩约弗森（Brynjolfsson）和安德鲁 麦卡菲（McAfee）两位教授观察发现，其如此强大的原因非常简单。一方面，虽然我们人类非常善于从事任意种不同的活动，但我们并不总是明确知晓自身工作是如何完成的。例如我们可能会发现，识别另一个人的容貌很容易，不过我们很难充分了解这项能力的生理机制。因此，将该功能直接通过编码嵌入机器当中会十分困难。

而另一方面，机器学习使得设备可以完全自主地学会做好这项工作。实际上，识别大量数据中存在的模式，恰是机器学习的核心特长之一。机器学习是人工智能系统的核心。它可以从原始数据中学习，从而赋能于人工智能可见的出色表现，使其变得越来越普遍。无论是进行前瞻判断的预测系统、近乎实时解读语音和文本的自然语言处理系统、以非凡准确度识别视觉内容的机器视觉技术，还是优化搜索和信息检索，都依托于机器学习。

相对于其他技术，机器学习的一项关键优势，就是对“脏”数据的容忍度——即数据中包含有重复记录、不良解析的字段，或是不完整、不正确、以及过时的信息。此类问题对企业来说关系重大：大多数高管都将非常清楚地认识到，应对脏数据将是他们工作中的一大痛点。

机器学习具备灵活性，可随着时间推移获得全新发现并做出改进，这意味着它能够以更高的准确性处理脏数据，并且由此拥有了极佳的可扩展性。在我们当前所处的数据大爆炸时代，后者正变得越来越重要。机器学习的真正强项之一，便是可以使用不同的学习算法，包括监督学习、无监督学习和强化学习等类型。

监督学习。 这种算法使用带有标记的数据集（数据已经过整理和描述），推导出每个标记代表的显著特征，并学习识别新数据中的这些特征。例如，向算法展示大量标记为“猫”的图像，然后它将学习如何识别猫的形象，并在其他任意数量、且完全不同的图片中发现猫。

无监督学习。 这种算法使用的数据不需要预先定义标记。它采用不带标签的数据集，查找其中各条目之间的相似与差异，然后自行分类。比如，我们可以向算法展示大量其中包含猫和狗、但未加以标记的图像，而算法会在不知道哪些图像分别含有“猫”或“狗”的情况下，把具有相似特征的图像分类到不同的组当中。

强化学习。 这种算法利用反复试错，形成“奖励”和“惩罚”的反馈循环。当算法得到数据集时，它将所处环境视为一场比赛，每次执行动作都会被告知是赢还是输。通过这种方式，它可以创建出一套方案——哪些“动作”能够带来成功，而哪些会造成反效果。 DeepMind的AlphaGo和AlphaZero都极好地展示了强化学习的威力。