人工智能|我们不要自然地愚昧，我们要人工地智能
△ 是新朋友吗？记得先点笔记侠关注我哦～
本文插图
内容来源：2020年9月22日 ， 由微软AI商学院和中信读书会共同举办的“AI+商业话题共读计划002期：从AI思维到商业落地 ， 如何实现产业闭环” 。
分享嘉宾：丁磊（左） ， 中国数据科学50人、人工智能首席科学家、哥伦比亚大学博士后 ， 前百度金融首席数据科学家 PayPal全球消费者数据科学部创办人 。
徐明强（中） ， 微软全渠道事业部首席技术官 ， 负责微软大中华区合作伙伴解决方案策略技术策划工作 。
顾卿华（右） ， 安永大中华区数据智能咨询服务主管合伙人 ， 安永大中华区数字化与新兴科技咨询服务主管合伙人 。
李梦平(主持人） ， 微软中央市场部数字营销经理 。
注：笔记侠作为合作方 ， 经讲者和主办方审阅授权发布 。
责任编辑| 胡旸审校| 智勇值班编辑| 智勇
第 5189 篇深度好文：12163字 | 30分钟阅读
思维模式
笔记君邀您阅读前 ， 先思考：
AI思维的本质是什么？
AI思维如何在商业领域落地？
一、AI到底什么？
主持人（李梦平 ， 微软中央市场部数字营销经理）：请三位嘉宾 ， 从自身经验角度解读一下 ， 到底什么是AI？
丁磊（人工智能首席科学家）：AI可以从很多角度去解读 ， 譬如学术界、工业界对AI的理解是不一样的 。 而我个人对AI理解 ， 认为它是一个思维方式 。 它能够帮助我们有效分析大量的数据 ， 并从中得出预测 ， 甚至帮助我们做出决策 。 这就是我对AI的解读 。
当然 ， 这中间肯定遗失了很多重要环节或者关键词 ， 因为AI有很多重要的要素和重要的方面 。 但是这个理解可以帮助大家树立宏观观念 。
本文插图
AI不光是一个技术工具 ， 对我们来说它是帮我们有效运用数据、从数据中提取价值的一种思维方法 。
顾卿华（安永咨询服务合伙人）：AI有不同类型的定义 ， 有非常生活化的解释 ， 比如普通消费者可能会觉得只要自己“会跑、会动、会说话、会控制”机器的都叫AI 。 也有学术化的定义比如AI是让计算机能够执行本来只有人类能够胜任的一些活动 。
而在商业背景下 ， 我个人理解AI有两个比较重要的特点：
一是替代性的特点 。
AI最终还是会代替一部分人类的活动 ， 包括在处理的规模、效率、准确性、可靠性等方面 ， 都在局部会优于人类 。
二是学习性的特点 。
AI最终还是会靠不断收集信息 ， 不断积累、生产知识 ， 不断自我学习迭代的学习过程 ， 去自适应外部的环境 。
以上述两个特性为核心 ， 跟相关的软件、硬件、算法、人类的知识和经验结合在一起 ， 是我对AI的理解 。
徐明强（微软全渠道事业部首席技术官）：微软内部曾经有一句调侃——我们不要自然地愚昧 ， 我们要人工地智能 。 什么是自然地愚昧？我们看到现今的社会分工 ， 生产关系里头实在有太多繁重、重复、没有太大的意义的工作都是由人在做 。
而今天的AI ， 无论在视觉、听觉、语言能力上都有突破性的发展 ， 完全可以在某些程度上取代人类部分繁重、重复的劳动 。
本文插图
这些可以帮助企业在数字化转型往前走一步 ， AI可以帮助我们进行数据分析 ， 帮助人类克服多种偏见 ， 用数据帮助我们做更智能的决策 。 而这种智能不是碳基（人类是碳基生命）是硅基 ， 硅基智能确实跟我们是非常互补的 。
二、潮流：AI再热 ， 实操中AI的价值是什么？
主持人（李梦平 ， 微软中央市场部数字营销经理）：众所周知 ， AI技术是60多年前开始研发的 ， 为什么近两年才在企业界和个人生活里出现的越来越多 ， 这背后的价值和驱动点是什么？具象到应用场景来看 ， AI的价值是什么？
徐明强（微软全渠道事业部首席技术官）：从企业最关键的业务模式、运营模式来看 ， 现在大家都遇到了一定的瓶颈 。 尤其是运营模式 ， 规模化效应已经到了瓶颈 。 无论是成本、开销这些东西 ， 它总有一个平衡点 。 企业现在不得不从流程关键的路径来看哪些节点是主要瓶颈 。
之后我们就会发现 ， 因为人类的视觉、听觉、语言理解能力有局限和偏差 ， 导致很多标准化流程发生问题 。
正好此时AI在视觉、听觉、语义理解上有相当大的突破 ， 可以在一定程度上取代重复繁杂的劳动 。
这就意味着当公司业务增大时 ， 企业不需要通过多招人来提升产能 。 真正在做数据化转型 ， 把AI应用得好的公司 ， 你会发现它们在云上资源用量就上去了 ， 因为它实现了流程数字化 ， 这是一部分 。
另外一部分 ， 如果一个公司实现了流程数字化 ， 那么它们就是真正的在用数据做机器学习 ， 并由此来帮助其后端不断地优化整个流程 。
本文插图
这些公司 ， 在关键路径上排除了人为干扰因素 ， 实现了前所未有的可扩展性和学习、更新能力 。 这些都是企业想要进一步发展 ， 提高运营效率的必经之路 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：徐博士刚刚的分享 ， 说到了商业的本质 ， 企业永远在追求降本增效、增加利润 。 在这样的时代 ， 我们可以用到的一个工具是AI 。 那么请问丁老师 ， 为什么这个时候 ， AI会成为大家考虑的一个工具呢？
丁磊（人工智能首席科学家）：首先 ， 大家可以想一想 ， 比如我们要从事AI方面工作 ， 或者做AI方面的项目 ， 会有哪几个要素？
本文插图
一是数据 ， 没有数据没办法进行AI的应用 。
二是模型 ， AI模型类似于人脑的结构 ， 它可以是一个程序 ， 起的作用类似于人脑某一方面的功能 。
三是算力 ， 现在无论是传统CPU架构 ， 还是GPU架构 ， 包括其它混合式的架构 ， 都越来越成熟 ， 算力支撑着数据和模型的运算 。
四是业务模式 ， 如果没有业务模式那就不可能有AI落地 。
现在有各种各样创新的业务模式 ， 在互联网上 ， 我们可以做各种各样新业务 ， 比如申请贷款等等 。
放到20年前 ， 这些模式完全不存在 ， 也就没办法运用相关的AI成果 。 正因为有了这些业务模式不停地创新、迭代 ， 对AI的应用也提出了越来越大的需求 。
总结来说 ， 数据、模型、算力、业务模式/业务场景 ， 这四个要素都不是新的东西 。
本文插图
这四个要素每一个都不是绝对地新 ， 甚至有些时间已经很长 。 但这四个要素结合在一起在历史上我认为是一个比较新的事 ， 最近几年 ， 数据、模型、算力、应用场景在某些项目中（还不是所有） ， 都实现了初步的打通 。
我们看到AI能够越来越多的惠及普通大众 ， 惠及很多产业的新落地方向 。 这些都离不开这四个要素的紧密结合 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：顾卿华老师 ， 就AI的价值以及AI又成为热潮这两件事 ， 您怎么看？
顾卿华（安永咨询服务合伙人）：为什么企业会做这件事？价值到底在哪呢？
我们也有一些初步的分析和理解 ， 从外因角度来讲 ， 数字化转型是现在的大趋势 ， 国家层面、企业层面都在推动数字化转型 。
数字化转型本身跟企业的生产力、创新能力、抗风险能力 ， 跟产业的基础能力、产业链现代化水平都有关系 ， 而AI是数字化转型中很重要的依赖点之一 。
本文插图
企业要投资一项新兴科技 ， 外因会推动其要顺势而为 。
从内因角度来讲 ， 我们通过调研看到很多企业有包袱 ， 它们可能有很大的内部系统 ， 包括组织机制等 ， 积累了很多包袱需要去转变 。
同时 ， 企业也拥有大量数据 ， 并具备很高的汇集数据能力 ， 但它们其实没有对这些数据充分地挖掘 。 并且 ， 其很多业务也大量依赖信息化 。
所以 ， 业务同技术的边界变得越来越模糊 ， 跨学科、跨专业的工作和任务会越来越多的出现 。 因此 ， 仅凭个人或者单个专家来解决问题 ， 会显得力不从心 。
所以在这样一个过程当中 ， 企业就需要一些新兴的技术 ， 比如AI ， 来帮助他们做变革和创新 。 丁老师刚才也提到 ， 现在环境基本已经就绪 ， 企业也已经慢慢开始从了解、尝试、试验阶段 ， 转入做比较成熟的应用和规模化发展阶段 。
本文插图
这是我们目前看到的企业在做的事情 ， 包括企业在寻求转变的点 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：那么 ， 有没有具像的例子可以让大家感受到生活中AI的应用场景已经落地了？
丁磊（人工智能首席科学家）：这个问题我可以从两个方面来说回答 ， 首先 ， AI应用有两大方面 。
第一个方面：人类无法胜任的工作 。
对人来说 ， 很困难的分析工作 。 比如在医药领域 ， 由于人类的基因 ， 包括DNA的对数量级都非常大（上亿甚至上十亿） ， 因此要分析哪些基因会致病 ， 哪些基因与疾病存在什么样的关系 ， 我们是没办法做细微的统计与分析的 。
同时 ， 分析药物的抗原跟免疫活动的关系也是非常复杂的工作 ， 也是人类无法胜任的 ， 但这些都可以由机器解决 。
虽然人可以尝试分析事物之间的相关性 ， 但量特别大时 ， 也无法胜任 。 好比之前我们做了一个项目 ， 在世界级的大型网站上做首页个性化 ， 网站拥有每天几百万、上千万的流量和用户 ， 我给用户们怎样千人千面个性化的大横幅？
本文插图
人可以做出相应规则的设定 ， 但是我们没法分析实时的人的复杂行为信号 。 因为量太大 ， 每天几百万、上千万的访问量 ， 人类无法做到 。 在人做不到的情况下 ， 也是特别适合机器和AI做的场景 。
数据很复杂 ， 解读之间的相关性特别困难 ， 或者说规则本身也许不复杂 ， 但是如果要想用大数据意义下的行为信号来分析每天海量用户行为间的关系 ， 这是十分复杂且人无能为力的 ， 适合用AI来解决 。
第二个方面：人可以胜任的工作 ， 但是AI可以更快 ， 甚至某些情况下更好 。
例如 ， 银行或者保险机构通常需要做很多电话沟通 ， AI机器人可以按照银行、金融机构的规定跟它的用户进行常规流程沟通 ， 或者给用户解释既定的政策等等 。 这种机械、重复的工作 ， 用机器可以更快 ， 更低成本地完成 ， 并且也可能会做得更好 。
因为人在处理大量繁重的工作后 ， 可能会有情绪出现 ， 也可能在沟通中出现违反企业内部规定、规则的现象等 ， 但AI绝对不会存在这些问题 。 如果我们能把该场景下的AI模型结合数据打磨地足够好 ， 那它就既能取代这项人为工作 ， 又能把工作做得更好和更快 。
毋庸置疑 ， 在很多场景下AI甚至能把具体细分工作做得更好 。 这就是人可以做 ， 但是通过AI做得更快 ， 甚至某些细分场景下能够做得更好的工作 。
顾卿华（安永咨询服务合伙人）：我就举一个例子 。
我们最近完成的一个项目 ， 是帮一家客户做风险决策引擎 。 这家客户每天面临上千万笔的交易 ， 这个引擎要做的事情就是识别、判断其中有风险的、伪造的、欺诈的交易 ， 相当于设计一个安检设备 ， 帮客户挽回经济损失 。 这个过程中就用到了包括机器学习、自然语言处理等一部分AI的技术 。
从替代性来讲 ， 这项工作原先需要200多人力 ， 甚至200多人力可能都做不好 。 但AI自动地、更准确和可靠地完成了 。
从学习性来讲 ， 该引擎会逐步更新和迭代算法 ， 让其慢慢从事后研判 ， 变成事前的预测和拦截 。
从经济性来讲 ， 它也具有业务性价值 ， 每年给这家企业挽回上千万的经济损失 。
这是我们看到相对比较完整的有AI技术、业务应用场景和实际价值 ， 也在不断演进和迭代的案例 。
徐明强（微软全渠道事业部首席技术官）：刚才丁老师讲到AI可以具体应用在人类可做 ， 但是比较慢 ， 还有不是很安全的工作中 ， 我这里也举个例子 。
上汽仓库要做盘点 ， 首先他们的工作人员要操作叉车把货物取下 ， 人走上去一一扫描把货物记下来 ， 再恢复原处 ， 这中间有什么问题呢？
首先是安全问题 ， 大家试想 ， 叉车会把重达数吨的货物 ， 叉到三层楼的高度后 ， 将其插进一个很小的槽里 。 这难度好比用叉车把线穿到针眼里 ， 需要工作人员具备相当的技术与经验 。 一旦出错货物掉下来 ， 后果不堪设想 。
第二是时间长 。 过去盘点一个仓库要花360小时 ， 而今天使用AI视觉系统自动辨认和无人叉车 ， 可以将该工作的用时降到4小时 。
当然 ， 这项工作的难度不在于判断 ， 而在于会有很多预处理 。
所以 ， 关于AI落地 ， 起初大家都以为是模型问题 ， 但这仅是其中一部分 ， 更重要的是很多标签贴得对不对 ， 比如有些货物需要斜着放 ， 有些则是正着放等等 ， 对于细分场景都要做好预处理 ， 才能把事情做好 。
三、知易行难：
AI在企业级的商业应用中为何进展缓慢 ，
遇到哪些坑点？
主持人（李梦平 ， 微软中央市场部数字营销经理）：在AI商业应用这条路上 ， 大家普遍会遇到什么样的坑点？
顾卿华（安永咨询服务合伙人）：AI落地阶段确实是个知易行难的阶段 ， 我们从“AI熟悉度白皮书”中的所调研的各位企业高管的反馈里也能看到 。
第一 ， 人的因素 。 大家会在白皮书里看到 ， 企业管理者认为“AI落地中最有挑战内容”TOP10中 ， 三项跟人有关 ， 包括管理层、决策者的支持和意识 ， AI技术人才的缺失 ， 员工对AI技术的信任 。 决策者、AI设计和执行者、普通员工 ， 这是非常有代表性的 ， 体现出领导者对企业宏观业务方向的把握 ， 对AI技术本身设计和落地的把握 ， 以及在员工中构建信任和拥抱变化的文化也非常重要 。
第二 ， 数据的因素 。 企业需要扎实的数据基础 ， 如果缺少比较统一、标准化、高质量的数据 ， AI应用可能会是无米之炊、无源之水 。 我们看到很多企业在重复、反复、持续地做数据方面的治理 ， 包括数据质量提升、数据平台建设、数据应用构建 ， 这些都是为了给后面AI应用奠定一个好基础 。
第三 ， 不容忽视的还有风险与合规因素 。 AI让企业把很多业务转移至自动化平台 ， 企业开始大量依赖机器帮忙做决策 。 在这个过程中会带来业务连续性、隐私保护、AI可信度、伦理和社会的问题等 ， 这些在AI落地过程中都不能忽视 。
第四 ， 所有的创新最后都会落到规模化问题上 ， 而大多数AI创新可能都是点状、实验性质、局部地创新 ， 其非规模化、商业化、运行态的业务创新 。 这个时候领导者对业务策略的把握和选择、对应用场景的把控 ， 包括对未来运营模式的设计 ， 就是非常重要的先决条件 ， 不能把AI仅仅当做基础性的项目来做 。
当然 ， 大家可以在白皮书中看到企业高管们对AI落地过程遇到的挑战的一些观点 。
本文插图
主持人（李梦平 ， 微软中央市场部数字营销经理）：丁磊老师曾在硅谷工作多年 ， 拥有Pay Pal早年AI落地项目的实践经验 ， 您看到的坑是什么？
丁磊（人工智能首席科学家）：我就沿着顾卿华老师搭的框架展开说 。 组织架构对AI落地的影响 ， 数字化转型一定是一把手工程 ， 是CEO亲自抓的 。 所谓的智能化 ， AI转型也一定是CEO抓的工程 。
本文插图
举个Pay Pal的例子 ， 我在Pay Pal负责消费者部门的AI平台搭建 ， 此前Pay Pal曾经尝试过二、三次 ， 但都失败了 。
失败原因各种各样 ， 可能是没有满足业务需求 ， 也可能是没有在公司内部很快树立起AI部门的重要性……随着公司不断的调整组织架构 ， AI部门很快淡出 。
在我2013年牵头搭建这个部门时 ， 已经是至少第三次在全球消费者数据部搭建AI平台 ， 为什么会这样呢？这背后就涉及到组织架构的变革 。
数据科学、AI部门到底关键点在哪里？它是IT部门吗？其实也不算 ， 因为IT部门关注的是系统的可靠性与数据的质量 ， 它不关注数据怎么变现和产生价值 。
所以数据科学与AI部门不是IT部门 。 那它是不是个分析部门呢？它也不是我们平时所说的传统意义上的分析部门 ， 在很多大型公司中都有专门的分析师的团队和部门 ， 所以AI部门也不是分析部门 。
这就碰到一个问题 ， 既然AI部门不是传统的分析部门 ， 你怎么证明其比分析部门有更强更大的价值？如果AI部门跟分析部门做一样的事 ， 那这个部门是没有价值的 。 所以 ， AI部门不但要把数据分析好 ， 还要从数据中提取之前没有提取到的价值 。
因此 ， 做AI的难点肯定不仅仅是进行粗略的PoC（Prove of Concept ， 即概念验证 ， 其目标是测试项目是否值得花时间在其中 ， 如果通过概念验证 ， 意味着项目可进入正式生产、商业化应用阶段）就能够完成落地了 。
它要求我们在自己已经不低的基线之上 ， 证明还能够有相应的提升 。 只有这样 ， AI部门才能得到公司内部及客户的认同 ， 这些对AI部门的要求是比较高的 。 因此 ， AI部门它也不是传统的分析部门 。
本文插图
AI部门是不是业务部门呢？它也不是完全意义上的业务部门 ， 因为其并不背业务KPI 。 但如果AI部门不能给公司内一或多项业务提供相应的、有效的支撑与提升的话 ， 它也无法再一个成熟公司内部立足 。
从我个人经历来看 ， 在硅谷的大型公司 ， 比如市值已达两三千亿美金的Pay Pal内部 ， 该如何找到AI或者说数据科学部门的定位呢？这其实也非常困难 。 因为这个部门无法融合到任何一个传统部门中 。
它的建立必须要从零开始 ， 打造全新的专业领域形象 。 并且其负责人可能只有6-12个月的时间来打造专业领域形象 。
他必须在公司里、在业务上证明自己部门存在的价值与合理性 ， 只有这样才有可能得到发展、成长的空间和余地 。
本文插图
所以在组织结构上 ， AI部门首先要得到CEO的支持 。 但CEO给AI部门负责人的容忍期可能也只有6-12个月 ， 在这个时间内 ， 你必须找到并创造出公司已有部门业务之外 ， 额外的、有差额的增量价值 。
注意 ， 这个价值必须是显著的 。 作为公司的AI部门 ， 或者AI项目 ， 其所提供的价值如果还达不到 ， 刚才徐博士提到的已被AI赋能的智能化Excel的程度 ， 或者无法超出其很多的话 ， 这个部门或项目就没有存在的意义 。
所以对任何AI业务——无论是内部项目 ， 还是服务客户项目而言 ， 要想AI落地 ， 门槛和挑战都很大 。
徐明强（微软全渠道事业部首席技术官）：我看到的很多数据团队 ， 他们总是看着蛋糕上面的樱桃 ， 却忘了如果没有这个蛋糕 ， 其实樱桃也没有存在的意义 。
樱桃是什么？数据团队说我们得把很多实时的Dash board（仪表盘）做出来 。 还有一些数据团队说致力于做出更好地决策支持模型 ， 结果最后发现真正的问题是数据治理问题 。
数据是有原罪的 ， 数据如果没有被救赎 ， 它就没有办法发挥能力 。
数据何罪之有呢？
本文插图
数据的罪 ， 就是四个字——“自由散慢” 。 “自由”是指很多第三方数据 ， 在没搞清楚其阈或属性的情况下 ， 就敢直接使用 ， 有很多这样的情况存在 。
还有 ， “自由”就是当你人为靠一些服务器收集数据 ， 发现返回的数据是很有问题的 。
比如英国的Health Care做普查 ， 结果显示80%的人都出生于1911年11月11日 ， 为什么会出现这种情况？
后来发觉 ， 原来是当被调查者不想回答一些非常隐私的问题时 ， 他们就想输入“00” ， 但系统不允许输入“00” ， 于是大家都会输入“11” ， 所以80%的人都在1911年11月11日出生 ， 这个数据是脏的 。
“散”是指散落在各处 。 “慢”是指速度慢 。 当很多业务部门问数据团队要数据时 ， 往往是需要一个报表 。 其实他们前一天就想用 ， 但出于不好意思 ， 就会说能不能周末给我们 。
本文插图
这种情况 ， 如果没有SAP数据库升级的话 ， 数据科学家的回答可能是该数据用时一个月都未必能出 ， 会非常地慢 。
所以 ， 想要把数据真正做好 ， 需要很多工具支持 。 比如怎么样从原数据里把数据抽取出来 ， 还有如何把“脏的”数据做好 ， 等等 。
只有这样才能得到较好的结构化数据 ， 让数据科学家能够在此基础上做一些实质性挖掘 ， 做好模型 。 所以 ， 企业必须把数据治理首先画在自己的路线图上 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：丁磊老师有没有要补充的部分？
丁磊（人工智能首席科学家）：徐博士的“自由散慢”四个字 ， 总结得特别到位 ， 恰如其分 。
从“自由散慢”出发 ， 这些工作无论是数据科学家亲自操作 ， 还是跟别的团队一起来做 ， 其实大部分工作都是数据清理 。 我们知道有多少人工就有多少智能 ， 大家可能觉得作为AI团队或者AI服务商 ， 他们的大部分工作就是做AI模型 。 刚才徐博和顾卿华老师也提到 ， 这些其实只是中间很小的一部分工作 。
本文插图
如果没有足够“质量好”的数据 ， 一个AI团队或服务商的大部分甚至绝大部分时间 ， 可能都是在做数据清理工作 。 而在不同场景下 ， 对于“质量好”定义是不一样的 ，
你需要明白在不同场景下 ， 到底需要质量“多好”的数据 。 但有一点毋庸置疑 ， 如果输入的数据是垃圾 ， 输出的模型肯定也是垃圾 。
我们现在AI公司或者AI部门 ， 通常都有很多数据标注人员和数据质监人员 ， 这些岗位的人数绝对比数据科学家人数多不止一个量级 。
也就是说 ， 现在大部分AI企业或AI团队也在做很落地、很具体的工作 。 我觉得这是好事 ， 如果忽略了这些工作 ， AI的根源就是错的 ， 那么AI落地也就无从谈起了 。
四、AI落地后 ， 如何实现商业闭环？
主持人（李梦平 ， 微软中央市场部数字营销经理）：到底AI该如何落地 ， 并实现闭环呢？
顾卿华（安永咨询服务合伙人）：结合《AI成熟度白皮书》我想分享两点：
第一 ， AI战略的落地思路 。 我们把它宏观、初步地概括成3+4+8 。
“3”是指总体上分三步走 。
首先 ， 要精细的了解企业目前对AI应用的现状 。 其次 ， 要明确未来应用的场景和方向 。 最后 ， 是落地和持续变革的管理 。 在过程中 ， 总体原则还是企业要量力而行与循序渐进 。
“4”是指四个价值创造的领域 。
在白皮书中也有阐述 ， 从客户的维度 ， 吸引客户 ， 到赋能员工 ， 到变革产品和服务 ， 到优化运营 。 但这可能会因各企业自己业务的成熟度而异 ， 大家可以挑选优先应用这些新兴科技的领域 。 这里也有一个大原则 ， 就是要从企业的优势领域里来着手先应用这些新兴科技 。
“8”是指八项核心能力 。
在进行AI落地的时候 ， 有八个比较重要的组织能力 ， 需要构建和优化 。 这要从整个AI领导力开始 ， 到企业的创新管理 ， 到应用场景的识别和选择 ， 到数据的管理 ， 到数据部分的高级分析的技术 ， 到新兴技术的选择 ， 到敏捷开发（敏捷开发是一种以人为核心、迭代、循序渐进的开发方法 。 在敏捷开发中 ， 软件项目的构建被切分成多个子项目 ， 各个子项目的成果都经过测试 ， 具备集成和可运行的特征） 。
换言之 ， 就是把一个大项目分为多个相互联系 ， 但也可独立运行的小项目 ， 并分别完成 ， 在此过程中软件一直处于可使用状态 。
最后到信息与网络的安全 。 这其实也是个自上而下的体系 ， 它从最顶端的、整体的、战略层面的把握开始 ， 到我们为建立机制孵化所做的所有的创新（创造好的环境） ， 到我们刚才说的到底AI业务价值在什么地方（选择比较好的业务场景） 。
2位专家也提到数据治理以及数据深度分析 ， 这些都需要扎实的数据做基础 。 企业在选择新兴技术时 ， 是怎么在众多AI技术应用中选择到合适的应用 ， 并将其用到场景里 。
而敏捷开发是用一种比较快捷的、便捷的、迭代的模式去落地所有的AI技术 。 最后 ， 有信息和网络安全的机制 ， 为所有的变革保驾护航 。
这就是我们AI落地战略总体的"3+4+8"的方法论 ， 在这里给大家做个参考 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：徐博士 ， 刚刚您说到数据治理、模型治理 ， 到底我们应该怎么做呢？从您天天跟合作伙伴、客户应用的场景打交道出发 ， 我们到底要怎么解决这些问题？
徐明强（微软全渠道事业部首席技术官）：中国有句话叫“天下难事 ， 从易处着手 。 ”大家如果还没有开始 ， 或者即便已经开始 ， 摸索一段时间也能从易处着手 。
本文插图
首先 ， 我建议大家从一些业务的场景出发 ， 看看哪些问题是最需要解决的 。
像很多大型公司 ， 包括微软、安永等等 ， 把工业重要的场景都分了类 ， 比如在零售行业 ， 微软就在打造更智能的供应链 ， 以期更好地了解客户……我们按照不同的场景建立了相应的生态 。
安永就是微软在智能供应链的合作伙伴之一 。 在制造业方面 ， 微软也在打造比如怎么样做数字工厂等等这些场景 ， 当然也有与此场景相应的合作伙伴 。 所以 ， 微软会跟合作伙伴一起 ， 为客户的特殊场景打造专属的路线图 。
本文插图
另外 ， 当企业开始选择AI落地工具的时候 ， 我也建议大家多做“调包侠” 。 很多东西不用自己从头搭神经元网络 ， 选择一些好的认知服务的API ， 直接使用即可 。
那么 ， 在选择技术支持时 ， 很多企业并没有数据科学家 ， 机器学习业务该怎么开展呢？
其实自动机器学习技术现在已经具备 ， 企业可以在不懂模型 ， 不懂参数优化 ， 甚至不知道怎么样来清洗数据的情况下 ， 利用自动机器学习的API（应用程序接口）来帮助挑选模型 ， 调整参数 。 甚至输入数据都可以是脏的 ， 它也可以帮你把输数据清洗干净 。
所以从这几方面简化 ， 从易处着手 。
我举个例子 ， 我这边有一个做零售快消品的客户 ， 他们遇到的很大问题是 ， 在快消品都是大量制造、批发和铺货的行业现状下 ， 挑战怎样做柔性生产 。 这是相当有难度的 。
现在的年轻一代的喜好不同于父母辈 ， 他们喜欢具备综合功能的产品 ， 比如洗面奶中增加护肤元素 ， 加入玻尿酸等等 。 这种需求过去是没有办法能做到 ， 但有这样的柔性工厂 ， 可以做到货品从工厂直接连接到店面 ， 这个模式叫M2C（生产厂家对消费者） 。 这中间需要做的数据工作是非常多的 ， 需要真正要把客户画像做好 。
所以 ， 这个客户选择了微软的合作伙伴来提供解决方案 ， 主要做两个事情：一是用户画像 。 二是帮它做供应链 ， 解决仓储优化等问题 。
这家客户就是找到了微软 ， 微软推荐了合适解决其场景问题的合作伙伴 ， 它们也就很快找到了解决方案 。
这家客户的CIO（首席信息官）曾经说过 ， AI（人工智能）、IoT（物联网）技术太多了 ， 我要把这些技术消化 ， 弄明白是怎么回事 ， 已经不容易了 。 再靠我自己的能力去鉴别供应商 ， 确实太难 。 所以 ， 跟微软生态合作就有这样的好处 ， 我们事先筛选出真正能够解决问题的供应商 ， 为客户节省了很多时间 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：丁老师 ， 您有哪些方法 ， 可以让大家避开坑点？
丁磊（人工智能首席科学家）：我在自己的新书《AI思维》中 ， 从一些角度做了解释 ， 给出了方向 。
刚才我也简单说了 ， 毋庸置疑 ， AI落地过程中会涉及很多团队 ， 但其负责人 ， 无论是企业的老板还是核心业务的负责人 ， 都需要具备一定的AI思维 。 这就是说 ， 他要具备从数据中产生预测 ， 做出决策 ， 并且形成闭环反馈的思维的机制 。
本文插图
在数据源源不断作用于我这个系统的过程中 ， 负责人要能够知道存在这么一种架构 ， 什么架构呢？
模型会不断处理这些企业实际业务数据 ， 同时这些数据又反哺到模型中 ， 模型就像人的大脑 ， 可以不停地发育和成长 ， 这样模型会越学越聪明 。
作为公司的老板 ， 一把手或业务负责人 ， 并不一定要懂这个具体的技术 ， 但要具备AI思维 。 也就是说 ， 他需找到能够让数据和模型自相反哺的反馈机制 。
如果他能够把控这个机制 ， 那无论是通过内部团队或是服务商 ， 总能够找到AI落地的最佳点——平衡成本和效益 ， 找到落地的空间和应用的点 。
但是 ， 如果企业的一把手或者业务的负责人不具备我们所谓的AI思维 ， 他不知道数据通过模型的学习 ， 以及相应的反馈会越来越聪明这个闭环 ， 那AI技术就肯定很难落地 。
本文插图
在我的既往经历中 ， 接触很多企业 ， 给它们做辅导和培训 。 如果一把手对整个AI反馈的机制和架构比较模糊 ， 或者没有任何概念的话 ， 是很难通过合作伙伴来实现相应的落地的 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：顾卿华老师 ， 您是否可以再介绍一下成熟度评估工具是一套什么样的模型？它是不是能帮助企业定位自己处在什么阶段 ， 并告知其需要什么样帮助？
顾卿华（安永咨询服务合伙人）：AI成熟度评估这个工具比较好的一点在于它能够做到快速诊断 。 通过诊断结果 ， 企业能够明确自身在同类型的企业里 ， 或同行业的领先企业中 ， 大致的AI应用成熟度位置 。
这个位置包含哪些内容呢？
包括从最顶端的管理层对AI的认知和重视程度 ， AI这个话题在管理层、董事会的位置 ， AI应用的领域应该在创新方面 ， 还是在内部管理中 ， 到AI应用的价值创造的效果在哪方面最显著 ， 到数据成熟度的情况 ， 到未来公司在AI方向的投资计划等等 ， 我们可以向测评企业提供参照物进行对标 。
本文插图
所以 ， 大家通过成熟度的评估工具就能比较直接地看到自己企业目前大概在什么位置 ， 在哪些领域我可能做得还不错 ， 是领先于同行或同业的 ， 在哪些领域我可能还有不足 ， 目前相对落后 。
同时 ， 企业可以参与探讨、研究这个话题 ， 或者追加投资 。 我认为这是一个非常简单和直观的工具 ， 可以帮助大家快速评估企业现状 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：实际上 ， 即便公司一把手具有AI思维 ， 但到具体的策略落地时 ， 大家遇到的头号问题是缺乏AI人才 。
那么 ， 企业该怎样培养人才 ， 改变员工的思维方式？怎样让AI赋能到具体的数字化转型策略上？在那个艰难的时期 ， 您的科学家团队又是怎么说服老板 ， 最后证明自身价值的？
丁磊（人工智能首席科学家）：我从两个方面讲 ， 对于Pay Pal这样成熟的硅谷的国际型大公司 ， 是真的是不缺人才的 。 我当时的伙伴都是斯坦福、哥伦比亚大学的博士、硕士 。 主要的挑战和难点在于 ， 如何让这些人才有发挥自己价值的空间 。
比如 ， 我们需要有项目或者任务 ， 它能够产生实际的业务价值 。 这样才能鼓励这些人才 ， 让他们把时间和精力往公司想迫切发展的AI方向上推动 。
国内很多企业或一些偏传统的企业虽然没有这么多高级数据或者AI人才的储备 ， 但国内并不缺乏能够进行AI基础落地的技术人才 。
本文插图
尤其在深度学习得到广泛推广和普及的当下 ， 博士生就不用说了 ， 硕士生甚至很多本科生都可以用Python工具包来建立模型 。 我觉得基础的技术能力 ， 我们是具备的 ， 并且量也很多 。
那么 ， 我们缺什么？缺的是公司的一把手们是否真正地具备AI思维 。 他要求一把手能在多层面 ， 具备够构思面向AI落地的数据应用的反馈架构 。
他应该知道特定数据在哪些场景下该建立怎样相应的模型 ， 而这个模型收集的新数据又能训练自身不断学习 ， 越来越聪明 。
以及这个模型的决策和预测结果 ， 能用在哪些业务场景下 。 我认为 ， 其实对大部分公司一把手来说 ， 上述命题都是想不清楚的 。
所以 ， AI落地中关键的坑点或卡壳的地方 ， 还是需要加大对企业老板或者业务负责人 ， 甚至包括部分一线业务负责人在AI思维上的提升和教育 。 当这些人真正地理解这样一个框架和AI数据思维的闭环逻辑的话 ， 再进行AI落地就会顺利很多 。
因此 ， 我们国家并不缺基础的技术人才 ， 只要重视和解决上述问题 ， 我们是有能力有效的推动AI落地 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：顾老师是否有建议给到大家呢？
顾卿华（安永咨询服务合伙人）：除了反复强调的一把手要负责 ， 要获取和培育AI的人才 ， 要建设配套的机制之外 。 我们也在一些比较成功和优秀的企业身上 ， 看到了一个特点 ， 那就是他们都在打造学习型组织 。
一个学习型组织 ， 它会自上而下的 ， 从最高层开始重视学习和知识资产的积累 ， 重视企业和员工的不断地自我提升与改造 。
在这样一种氛围下 ， 接纳包括AI和其它的一些创新的新兴的科技 ， 就会有比较好的土壤和氛围 。
这点不论是对企业 ， 还是个人的思维模式的转变而言 ， 都有一定的借鉴和启发意义 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：顾老师和丁老师刚刚都分享到一些很好的点 ， 徐博是否也可以从亲身经历分享一下？
徐明强（微软全渠道事业部首席技术官）：我从微软转型这件事上来讲讲吧 。
大家知道 ， 微软转型是从原来卖许可证 ， 转变为现在的主要做云技术；从原来主要靠数人头卖产品 ， 推动客户公司商用电脑软件正版化覆盖比例 ， 到现在变成真正帮助企业利用云、AI技术做数字化转型 ， 这个转变相当的大 。
微软转型能够成功的因素很多 ， 但我想从文化的角度来讲讲 。 过去微软的企业文化可以用固化的心智来形容 。
为什么这样说呢？
举个例子 ， 微软的执行力一直非常强 ， 为什么呢？微软过去的策略是什么？我们的业务模式很简单 ， 第一是Windows的市场份额 ， 第二是Office升级 ， 就这两件事情 。
我记得我有一个朋友曾给盖茨提过一个建议 ， 说能不能在Windows上面加一层软件 ， 这个软件是需要付费的 。
盖茨没有听他说完 ， 就表示这是我听到最愚蠢的一个想法 。 为什么？因为只要用户购买了Windows ， 系统中提供的产品和功能就自然有了 ， 这就是微软过去的打法 。
当萨提亚担任CEO后 ， 他认为正是这种固化的心智使得微软收购诺基亚 。 他为什么会这么认为？谁做OS（操作系统）最强呢？当然是微软 。
那么硬件生态谁最强呢？当然是微软 。
微软和苹果比 ， 苹果只有硬件 ， 但微软支持了不计其数的设备 ， 还有我们开放的PC架构等 。 正是因为这个原因微软收购了诺基亚 ， 但却忽视了一点 ， 那就是全世界不需要第三个移动生态系统 。
后来微软做了转变 ， 那就是和AI有关 。 我们曾经在Twitter上运营过一个名叫Tay的对话机器人 ， 可它在上线第一天就被撤回了 。 因为在运营过程中我们发现机器人也会学坏 。
它发布了一些不当言论和不雅视频 ， 这让微软非常冏 。 在过去发生这样的事情 ， 高管可能就要主动递辞呈了 。
但萨提亚并没有这样做 ， 他反而鼓励大家 ， 并表示发生这样的事 ， 我们才知道做AI原来是要承担很多责任的 。 于是 ， 后来微软成为业界第一个提出要做负责任的AI的公司 ， 并提出了透明度、数据的公正性、保护隐私这些原则 。 后来 ， Facebook、谷歌、亚马逊等公司也都加入此行列 。
微软从固化的心智转变为成长型心智 ， 这个转型非常重要 。
本文插图
为什么？
如果在过去 ， 一旦有人提出公司重点从做许可证转向做云技术 ， 内部很多声音就提出质疑 ， 公司要怎样保证业务、营业额不会有大幅度的下跌 。 但当微软转换为成长型思维后 ， 这些都不是问题 。
主持人（李梦平 ， 微软中央市场部数字营销经理）：因为时间的关系 ， 我们的活动到这里就结束了 。 再次感谢三位嘉宾非常精彩的碰撞 。
*文章为作者独立观点 ， 不代表笔记侠立场 。
主办方简介——
微软AI商学院是一档针对企业的管理者 ， 业务线的伙伴们打造的大咖对话栏目 。 微软AI商学院希望从4个方面：AI赋能的数字化转型战略制定 ， 业务实践 ， 组织文化管理 ， 技术解读帮助各位朋友理解数字化转型 ， 获得落地实践 ， 以及个人职场竞争力提高的启发 。
中信读书会是中信出版集团的阅读服务项目 ， 旨在为终身学习者和阅读爱好者提供优质图书选品 ， 以及包含直播、音视频课程、私享读书会等在内的阅读服务 。 经济+商业+财富+前沿+成长 ， 五大热门内容滚动更新、高效获取 。
企业咨询 | 企业内训 | 线上、线下企业大学
课程团购 | 定制化培训
三板斧是马云培养一把手的方法论
即：定战略、造土壤、断事用人
用于培养高层定方向和做决断能力
搞好组织建设和人才建设
扫码立即学习
分享、点赞、在看 ， 3连
【人工智能|我们不要自然地愚昧，我们要人工地智能】
推荐阅读
- 萝卜做饺子馅时，到底要不要焯水？很多人都不清楚，吃完告诉家人
- 宇宙|我们的宇宙是真实的吗？全息宇宙
- 天暖了，趁着这个功夫我们做一个芝麻馅，不煎不炸，蒸熟后包上芝麻糖馅，糯糯甜甜，真好吃
- 豆腐不要红烧了，教你做外脆里嫩的炸豆腐，家人吃到赞不绝口
- 炒土豆丝的时候，不要直接下锅！加上这个步骤，又香又脆
- 想吃香蕉饼不要出去买，教你在家做，香甜松软又好吃，5分钟出锅
- 烧饼不要烙着吃了，多做2个步骤，孩子爱吃不挑食，比买的还好吃
- 想吃千层酥饼不要出去买，教你在家做，酥脆多层，好吃又顶饱
- 地球|地球是一颗多大的行星？看看这10张太阳系天体对比图
- 三月，这野菜鲜美可口，做成锅贴鲜嫩多汁又美味，吃货不要错过