AI 熱潮風靡已久，不過目前 AI 在商業上的應用還比較初級，對於 AI 技術的進一步挖掘與商業應用還沒有深入核心，因此筆者結合這一現象進一步分析了 AI 還能作何商業用處。
我是一名從事AI賦能傳統行業的工作者，雖然我使用的人工智慧演算法解脫了傳統產線操作員的生產力，但我仍然認為AI從探索到賦能普及、應用還有一段漫長的過程。
如同200年前發明電一樣，對於整個時代而言，技術本身的出現和探索帶來的意義遠遠小於商業真正地應用。人類真正懂得用電的時間只有400年左右，而最初的200年其實只是實驗階段。所以AI真正賦能產生效能時，也許已經不是現在的我們認識的這個「AI」。
01 AI由來已久，卻在不久前驚艷
人工智慧（Artificial Intelligence），簡稱AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。
其實早在1956年起，美國人發明電腦17年後，幾位有遠見的科學家就在研究如何用機器模擬人的智能。
當1997年，IBM的深藍計算機戰勝國際象棋冠軍時，其實那時候還沒引起足夠的轟動。
真正扭轉人類認知，甚至改變全球AI產業結構的轉折點是2016年阿爾法狗戰勝了圍棋九段李世石，從此人工智慧一戰成名——阿爾法狗不光在下一步的演算法中計算了m的n次方種可能，而且還對棋局整個的把控（欺騙技術）掌握得非常熟悉，這才是人類感到驚嘆的地方。
02 AI能做什麼，怎麼做的
那到底什麼是AI呢，AI就是機器用一部分樣本數據進行學習，按照模擬人思考的一些演算法進行運算，最後經過另一部分實際樣本數據的驗證，得到最終的輸出模型。
- 沃爾瑪根據過去上億條的的小票交易數據來預測未來1個月的商品銷量；
- 輸入上萬份的醫生的藥方和診斷後，機器能根據來訪者的癥狀的描述，自動開出藥方；
- 輸入一定數量級的公路圖像后，無人駕駛汽車能自動進行右轉，靠邊等操作；
- 在給定語音和應答規則輸入后，產生的自動語音聊天的機器人。
以上AI的應用都是在數字，圖像，語音，文本等不同維度的應用，實際核心是對數據的學習、模仿和輸出的過程。
AI處理不同維度的數據
移動互聯網時代將全民的吃穿住行的點點滴滴都反應在數據上，而信息化和數字化將所有企業的運作歷史都留下了數據的痕迹。這些數據表現為多種多樣：數字，圖像，語音，文字。數據化是AI發展的基礎，因為AI計算的本質是基於特徵的學習和基於特徵的工程。
特徵學習(feature learning)，又叫表示學習(representation learning)或者表徵學習 ，它是指學習的過程，是機器自動從數據中提取特徵或者表徵的方法。比如從6K條溫度數據中，提取出攝氏23-39度代表高溫區；攝氏0-8度代表低溫區。
特徵工程(feature engineering)，主要指對於數據的人為處理提取，有時候也代指「洗數據」 ，與特徵學習相比，這是人為的工程。是人為的對數據進行處理，得到我們認為的、適合後續模型使用的樣式。比如我們把6月-9月的溫度作為夏天的有效溫度，而12月偶爾的20度反常現象我們把它清洗掉，認為沒有意義。那這種經過人為處理的數據就具備了特徵工程的意義。
03 演算法和算力是AI的核心
從AI誕生到現在這幾十年，AI發展並不迅速的一個原因是因為機器的算力不夠，晶元和計算速度都跟不上，而隨著幾十年硬體領域經過摩爾定律的發展，算力已經成為了AI普及的前提條件。而在另一邊，人類開始在機器的另一邊，去逆向模擬人類自身是怎麼工作的。
演算法是AI的靈魂
人類的腦子裡面不是存儲著大量的規則，也不是記錄著大量的統計數據，而是通過神經元的觸發實現的，每個神經元有從其它神經元的輸入，當接收到輸入時，會產生一個輸出來刺激其它神經元。於是大量的神經元相互反應，最終形成各種輸出的結果。
例如當人們看到美女瞳孔會放大，絕不是大腦根據身材比例進行規則判斷，也不是將人生中看過的所有的美女都統計一遍，而是神經元從視網膜觸發到大腦再回到瞳孔。在這個過程中，其實很難總結出每個神經元對最終的結果起到了哪些作用，反正就是起作用了。
於是人類試著把影響對「美女」判斷的所有因素作為輸入，比如身高、體重、五官、皮膚、笑容、身材比例、衣著打扮，這些統統作為輸入條件，對於任何一個人來說，只要能讓他見過無限大樣本的「女生」，並且他都能對美女的判斷進行打分（可以是不同維度），只需把這些經過判斷後的無限大的樣本數據和判斷的分值輸入到機器中，機器自動可以看到美女的圖像打出分值來，並且還可以總結出各個輸入影響因子（身高，體重，五官，皮膚，笑容，身材比例）所佔的打分權重是多少。
這就是機器模擬人大腦進行了預測的功能。
04 AI在商業上能做什麼
有了AI的工作原理，我們來看看AI在商業上能做些什麼。
下圖是在百度AI研究院官網上搜集的他們對AI應用的定義。
目前AI的應用還在弱人工智慧階段，應用的業務場景呈現短和淺兩個特點，只能在特定的業務場景中解決需要重複工作的「點」的問題，在解決宏觀業務場景或業務鏈條時，還需要結合其他的信息系統進行應用。
05 AI在商業應用中的痛點
因此AI雖然很熱，但是如何落地卻是大家都很頭疼的問題。正如AlphaGo在擊敗圍棋9段后，它不但不能做其他的事，甚至它學習過的棋譜也會「忘記」。AI在商業應用中主要呈現以下幾個方面的痛點：
1. 磨合期的各種不適
企業使用AI是想創造商業價值，但投入在AI具體應用上卻需要大量的人力成本，並且由於演算法是黑盒，需要受到實際操作人員的質疑，在很長一段時間也無法完全代替人工工作。
2. 出錯概率暫不符合To B領域的需求
AI技術的先進性並不能作為企業擴大應用的理由，與先進性相比，產品的穩定性，準確率，出錯概 率等其他因素才是大規模應用的有效依據。而AI目前會呈現極好和極壞的兩個極端，哪怕只有1%的概率出現極壞，也會產生破壞性的效應：比如退款3000萬給某一位實際消費300元的消費者。
因此，對企業來說，因為產品出錯帶來的流程替換，遠遠難於更換一個產品。如果因為要去適配AI的精度，要去協作多個部門更改制度或者更改後台的數據系統，那麼企業寧願選擇一個試錯成本低、穩定性強，並且能滿足大規模用戶的產品。
3. To B領域的低復用性限制其擴張發展
每個企業的業務流程都是不同，當應用AI技術在所在企業時，一定是AI+信息系統的形式在使用，而AI的形態取決於企業的業務形態。比如我現在做的是內衣服裝領域，一旦我想把內衣服裝領域重要的特徵比如年齡，吊牌價遷移到白酒快消領域時，我發現業務場景與業務場景很難形成快速復用，最終還是得重新建模。
06 未來AI賦能商業社會的前景
AI在商業應用上會遇到痛點，當然不代表它不屬於劃時代的技術。人工智慧領域最有影響力的人物吳恩達曾說：人工智慧的影響力不亞於電。而人工智慧賦能到商業社會後，這必將是和互聯網改造社會一樣，成為劃時代的技術應用。而且AI的應用來得會更快，迭代周期會更短。
李彥宏在2016年曾提出，過去16年裡，互聯網發生了巨大改變。我們大體上經歷了互聯網的三幕：
- 第一幕是PC互聯網時代，稱霸了大約15年；
- 第二幕是所謂的移動互聯網時代，增長周期只有四、五年；
- 而現在，我們迎來了第三幕，即人工智慧時代。
每一幕都各具特色，因此，他們也有不同的迭代速度。PC互聯網時代高度依賴於軟體的快速反應，而移動互聯網基於用戶關注的一切創造了自己的生態系統。第三幕人工智慧時代，機器將取代人的部分「器官」，比如大腦、眼睛、手和耳朵，去實現智能地觀察，讀寫，計算和說話。人與機器將會創造一個虛實結合的全新社會。
而智能化與虛實結合，將會體現在不同領域、行業、企業和業務場景的方方面面。
人和機器將註定會一起攜手譜寫未來社會的新篇章。