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。

本期的智能内参，我们推荐来自埃森哲的报告， 在这次人工智能技术革命浪潮中，为企业管理者出谋划策。 如果想收藏本文的报告（人工智能应用之道），可以在智东西（公众号：zhidxcom）回复关键词“nc381”获取。

一、何为AI？

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，其中包括以下四个方面：

▲ 人工智能支持机器实现的主要功能

1、 机器学习的威力

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。加拿大阿尔伯塔大学计算机科学教授、国际象棋系统专家乔纳森 • 谢弗认为，这或许便是该系统能够制定出非传统制胜策略的原因。 AlphaZero以这种方式彰显出，“窄人工智能（Narrow AI）”又向“通用人工智能（GeneralAI）”迈出了重要一步 。

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。

▲机器学习能力

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。

2、人造大脑

那么，机器学习如何实际运作？最近许多非凡进步的背后，是一种受动物大脑机能启发、非常先进而精巧的计算系统形式在起作用。这些系统被称为神经网络（Neural Networks） ， 它们支撑着当今最前沿的人工智能研究。

神经网络由一系列相互联系的“节点”组成，模仿了生物大脑中的神经元网络。每个节点在接收输入信息后，内部状态会出现改变，并相应地产生输出。接下来，该输出又形成其他节点的输入，依次传导。这种复杂运作能够支持一种非常强大的计算形式——深度学习（Deep Learning）。

深度学习通过多层处理来了解数据集中数据的重要特征。例如，它可用于图像和语音识别。使用神经网络，每个层级的输出为下一个层级提供了输入，其中每个层级都在不同的提取级别上运作。通过这种方式，深度学习系统可以比其他方法处理更庞大的数据集。

当数据科学家和其他人士讨论人工智能时，他们通常使用两个对比类别来阐明其含义： 窄人工智能与通用人工智能，以及弱人工智能与强人工智能。

▲人工智能的两个对比

正确实施培训所需的，不仅是高级数学技能。产业化的机器学习是一种跨学科能力，融合了数据科学、工程学、用户体验设计与相关领域知识。单独依靠某项能力本身，都不足以满足需求。

▲产业化人工智能的跨学科能力组合

那么，分析法适合在哪些环节与上述能力加以结合？或许问题应该是：人工智能应如何引入分析技术？如果我们认识到，分析法是通过分析数据来改进决策，就可以明确知晓机器学习和其他统计分析应怎样嵌入业务流程当中。毕竟，分析法的目的在于从数据中获取洞察——这与机器学习的目标非常相似。

分析法，连同支持它的各种机器学习算法，可基于所需洞察的深度，划分为不同复杂程度的几个层级。较简单的一个层级是“描述性分析（Descriptive Analytics）”——分析历史数据以了解发生了什么、及其背后的原因何在。与之相比，“预测性分析（Predictive Analytics）” 更为复杂，它利用数据来预判将会发生哪些状况。复杂度最高的则是“规范性分析（Prescriptive Analytics）” ，不仅可以做出预测，而且能提供应对之策。

3、 人工智能与机器人

一谈到人工智能，人们通常会先想到机器人和机器人技术。公众脑海中可能浮现出库布里克影片中的“HAL 9000”机器人、阿西莫夫笔下的机械人，或是本田公司开发的可行走机器人Asimo。

在商业环境中，它既可以指利用工业机器人来实现制造或服务流程的自动化，诸如，汽车装配线，又可以指日益普遍的管理或服务流程的自动化，即，结合了数字和人工输入的机器人流程自动化（RPA）。

从严格意义上说，机器人流程自动化是为恒久不变的流程而设计的，所以根本不需要任何“智能”。例如，若是业务流程需要员工以标准形式，将数据从一个系统（比方一张纸）手工输入到另一个系统，就可以通过带有键盘敲击模拟功能的RPA系统轻松实现流程自动化。实际上，埃森哲已在某大型制造业客户的发票处理流程中应用了机器人流程自动化。 其成果非常显著：耗时减少70%，工作效率提升30%，并且达到了100%的准确率。

不过现在，人工智能技术也正被持续引入新兴的“认知RPA（Cognitive RPA）”领域。这令流程自动化拥有了一定程度的可调空间，使其应用范围得以大大扩展。其中的典型实例包括，利用机器学习训练机器识别图像中的文本（被称为光学字符识别）。

实际上，埃森哲常常建议将机器人流程自动化作为开启人工智能旅程的理想起点。其原因在于，若想成功应用RPA技术，首先要详细了解哪些流程需要实现自动化；而这也是设计更广泛、更复杂的AI自动化解决方案的第一步。此外，为了确保现有流程（有时为次优方案）不是简单地以数字形式加以模拟，而是通过重新设计尽可能地充分利用人工智能，该举措亦不可或缺。

我们必须认识到非常重要的一点： RPA和认知RPA技术不仅可以降低成本，还能增进流程的一致性和处理速度，并提供全天候运行、以及根据需求扩大或收缩流程的能力。请始终牢记，机器人流程自动化取代的是任务，而非员工。许多已采用RPA技术的企业都为员工重新部署了更具价值的工作——并且这些新工作的趣味性也大大超过了以往！

二、千载难逢的AI革命

AI并非全新创意，它由来已久。“人工智能”这一术语早在1956年便已问世。该技术的发展历史上曾出现过多轮令人欢欣鼓舞的高潮，但随后迎来的却是失望和长时间的低迷（这些阶段被称为“AI寒冬”）。以往的每一次技术突破都只是部分达到对其的瑰丽憧憬，而从未使这项技术成为主流。 那么，这次有何不同？

▲人工智能简史

当前出现的重大变化在于，我们正处于一个前所未有的时期——如此之多的不同领域都在展开技术创新。今天的人工智能应用软件可以利用云端几乎无限的处理能力；并且为特定任务定制设计的电脑芯片也在持续增多，此类芯片具备更高水平的计算效率和速度，其最主要的用途便是数据分析。这方面的典型实例包括，用图形处理器（GPU）代替中央处理器（CPU）使处理能力得到大幅提升。而谷歌已更进一步，其设计的张量处理器（TPU）的性能比当今使用的CPU和GPU高出达30-80倍。

如果再考虑存储成本的快速下降（每Gb从1980年的50万美元降至2015年的3美分）、可供训练人工智能的数据量呈指数级增长、以及开源平台和框架的出现，我们现已具备独特的条件来结合技术和能力。这一切都为人工智能提供了非常强大的基础，使其日益趋近主流应用的临界点。

从谷歌、亚马逊、脸书、微软，到百度、阿里巴巴和腾讯，几乎所有世界领先的技术巨头都极为关注人工智能。其他创业者和投资人同样热衷于此。超过半数的欧洲初创企业均以人工智能为焦点，而人工智能类业务的投资也通常会高出其他业务20%至30%。

然而，这并不意味着，人们对于人工智能何时迎来爆发点，已形成普遍共识。而且我们也无法断定，是否可以很快看到通用人工智能（而非窄人工智能）的出现。一方面，牛津大学和斯坦福大学面向350位专家进行的一项调查得出结论：45年内，机器在所有任务中都能胜过人类的可能性为50%。另一方面，艾奇奥尼教授（Etzioni） 2016年对知名人工智能研究者所做的调查显示：四分之一的受访人士认为超级智能根本不可能实现。

尽管我们尚未拥有通用人工智能。但随着基础技术以惊人的速度发展，窄人工智能已经在现实世界的商业应用中显露了非凡威力。

随着企业持续加大人工智能的应用力度，系统所能处理的数据和工作的复杂性必然有增无减。若想了解其如何在业务环境中发挥作用，下方框架可能会有所帮助。此框架列出了各种技术的潜在应用形式（本文以金融服务行业为例），并根据所涉及数据和工作的复杂程度，将人工智能应用分为四大模式——效率、效力、专家、创新。

在与客户的长期合作中，我们已看到人工智能正在不断被扩展和产业化。过去几年，许多企业都在试点人工智能如何影响其员工、流程和产品。现在，我们相信这些企业已经开始将试点项目向整个组织范围内推广。多达四分之三的高管表示，其组织未来三年将“积极部署” 某种人工智能。

一言蔽之，当前的局势已非常明确：人工智能正蓄势待发，并且事关重大。

▲了解人工智能潜在应用的框架图

三、与时俱进，紧跟AI时代步伐

采取正确的应用方式，人工智能将成为提升企业经济价值的全新驱动力。但问题在于，选择何种路径才是恰当之举？在这样一个飞速发展的领域中，我们很容易一叶障目，迷失战略方向。首先，应当了解人工智能将带来哪些机遇。通过将这些机遇划分为三大类型，您可以对应采取的路线有更清晰的认知。这意味着需要分别考虑：如何利用人工智能来加快自动化，如何增强工作效力和执行方式，以及如何在企业内外扩展人工智能创新。

1. 扩大自动化范围

人工智能已成为自动化的新前沿。借助具备自我学习能力的自动化系统，充分利用机器学习、计算机视觉、知识表达和推理等技术模仿人类行为，人工智能可以使自动化超越仅基于规则的预测性工作，延伸至我们目前认为需要人类判断的领域当中，从而创造出大量全新的自动化机遇 。

▲智能自动化前沿

 2. 增强工作能力

工智能大大提升了资源的利用效率。在实际工作中，这体现为两方面的助益——其一是增强人类员工的判断力，其二则可提升客户体验。

#1更聪明地工作。 在增强员工判断力方面，与人类相比，机器学习能够从非常庞大、且高度复杂的数据集中提炼出更多洞见。因此，它们可以发现人类专家未曾觉察的模式、相似性和异常。例如在筛查癌变症状时，人类专家能够从扫描胶片中识别出数百种恶性病变，而人工智能可以识别数千种之多。

诺丁汉大学的研究人员已创建了一套人工智能系统，预测哪些患者可能在十年内发生中风或心脏病。该系统的表现优于标准预测方法（得分在0.745和0.764之
间，而标准方法为0.728） 。

这些进步令人印象深刻。但其并不意味着人类专长很快会被取代。当前，最佳成果仍源自人类专家与人工智能的合作——双方都发挥各自独特的能力来共同解决问题。

#2提升客户体验。 利用人工智能——特别是该技术在认知方面的功能，企业可以极大改善与客户的交互。其具体方式包括：使用数字助理和聊天机器人，通过社交媒体和数字平台全天候地与客户交谈；或者，在电子商务网站上推荐个性化的产品和服务。

3. 扩展创新成果

创新能够激发连锁反应。非同凡响的新技术将带来贯穿整体经济的溢出效应，以前所未有的方式永远改变一切。当电力首次实现工业化时，谁能想象当今世界对电能有如此巨大的需求与依赖？当内燃机诞生时，谁又曾预见我们互联互通的全球运输网络能够具备这般速度和规模？

人工智能将对社会产生类似程度的影响。其创新成果会在企业中不断延伸——甚至扩散至整个经济体系，创建出全新的、超越想象的商业模式和机遇。无论是将那些我们曾认为离不开人类智慧的任务加以自动化，还是在海量数据中洞悉规律，抑或，是支持全新的认知型人机交互界面，这项技术必将对我们的工作和个人生活带来深远的根本性影响。

人工智能之所以产生革命性的威力，原因之一便是其应用简单。具体而言，人类不需要主动去适应此类技术，或者另外学习一套新的技能来使用它们，这使其在技术的发展史上具备了独一无二的特性。我们能够通过简单、自然的沟通介质——语音、文本、甚至是图像，和人工智能系统进行互动。与之相比，无论是学习驾驶汽车，还是首次使用电脑，对技能的要求都远高于此。它给了我们非常重要的启示：同以往的颠覆性技术相比，应用人工智能的临界点可能更快到来。

虽然各方的确围绕人工智能付诸了许多努力，但目前的局面仍然是，大多数企业尚未踏上人工智能应用之路。而在那些已经开始行动的企业中，半数依然处于试点或概念验证阶段。那么，干扰他们的因素包括哪些？其中的原因多种多样，这与企业引入数据分析时的状况如出一辙。对一些企业来说，难题涉及招募合适的人才、安排投资优先级、以及化解对安全的担忧。而另一些需要突破的障碍在于，定义令人信服的商业模式、获得足够强大的领导层支持、以及掌握更多通用技术能力。

在开发人工智能应用程序时，敏捷的“快速试错”方法非常重要。就是说，应针对每项业务问题或机遇进行试点，测试解决方案的可行性，并评估企业可用的技术选项。

适当的运营模式和董事会级别的认可，两者缺一不可。根据埃森哲的经验，创建一个集中式的“枢纽”或卓越中心，能够最有效地发挥领导力并实施治理工作。这一枢纽可以通过一系列“影响力辐射”，扩展至企业的其他部门（营销、风险管理、人力资源，等等）。

这种中心辐射模式可以为企业的人工智能征程带来多种非常重要的益处：在选择所需技术与工具、以及招聘和人才开发等方面，能够形成规模效益；支持以跨组织的方式，构建并维护必要的数据生态系统；确保标准、定义和方法的一致性，并促进在整个组织范围内推广最佳实践；提供了一种衡量价值，并合理排列机会优先级的严谨方法；确保在所有人工智能项目中采用最高标准的治理措施。

4、 密切关注发展动态

随着企业在人工智能应用之路上不断迈进，紧跟最新的创新和应用至关重要。在当下快速演进的市场环境中，局势可能在一夜之间发生巨变。了解人工智能领军者和人工智能第一梯队的动向，并知晓这些行为背后的意义，将始终是商业智能极为宝贵的来源。 那么，我们有望在未来的道路上看到哪些情形呢？

短期内，语音交互仍将是人工智能面向消费者的最主要应用形式。亚马逊Alexa和谷歌Home将继续在该领域角逐，力争成为智能家居的主要掌门人，而苹果公司的HomePod近期也加入了战局。此外，围绕客户数据和客户关系，我们很可能看到在平台提供商和服务提供商之间，会出现关于所有权和访问权的争执。

但实际上，在人工智能普遍成为最新用户界面的趋势中，语音只是其中的一种沟通方式。也就是说，无论是通过聊天服务，消息发送，还是智能家居设备，人工智能都正在成为客户互动的首选渠道。其重要性使得企业必须谨慎思考如何运用人工智能，并使之为自身品牌代言。那些将此视为次要或附加事项的企业很快就会遭遇失败。

这种转变的重要启示之一，就是人工智能团队不能仅由技术人才组成，必须具备跨学科的能力。例如，微软聘请了一支包括作家和心理学家在内的完整团队，为其人工智能操作系统Cortana赋予独特个性。

四、 未雨绸缪，预先考量相关风险

毋庸置疑，人工智能在带来巨大机遇和效益的同时，也引发了相应的风险。事实上，创新必然会有挑战。因此，在踏上人工智能征程之前，首先需要对所有可能面临的风险进行评估。

那么，风险的来源有哪些？我们认为，必须预先考虑四类主要风险——分别涉及信任、责任、安全和控制：

信任。我们怎样向广大民众证明，人工智能的安全性？我们如何从一开始构建人工智能的时候，就避免无意或有意混入偏见？答案是坚持透明度和问责制。所有由人工智能做出的决定必须可以公开申诉和质询。

责任。当人工智能系统出错、甚至违法时，会造成何种后果？谁将为此承担法律责任？需要实时更新相关法律和监管要求的变化。

安全。我们如何防止人工智能在未经授权的情况下遭到恶意操控？随着开源代码的使用越来越多，安全性挑战逐步加剧。

控制。由机器控制流程后会发生什么？在极端必要情况下，人类如何收回控制权？对于何时、以及如何在人与人工智能之间进行控制交接，需要仔细加以斟酌。例如，在自动驾驶汽车中保留人类驾驶功能，使之以各种方式控制车辆，这看上去给安全加了砝码，但由于人类无法每时每刻都全神贯注，因此，一旦出现危急情况，仍无法依靠人类进行足够快速的干预。

最重要的一点是，当企业开始使用人工智能时，“可解释性”将确保公众的信任。换言之，必须做好准备来说明人工智能如何、以及为何做出一项决定。这是某些受监管行业早已熟悉的情形。例如，若其决策影响到客户，金融服务机构有义务作出解释。

事实上，这项任务知易而行难。从本质角度出发，机器学习通常都是一种“暗箱操作”。也就是说，其特定运作方式使得很难清楚解释，最终的输出究竟如何生成。不过，许多人工智能业内人士和数据科学家都在思考该问题，并且可能很快就会找到新的方法，对人工智能决策进行更充分的科学解释。

与此同时，现在每家企业都可以采取一些实际步骤，使自身人工智能系统更易于解释：

1、 列表 。 考虑在本企业中，人工智能正在或将要制定的决策。哪一项可能需要加以解释，或者创建出预期成果？它们是否与就业、招聘、贷款、教育、医疗保健、住房、包容性或安全防护等关键领域有关——甚至是间接相关？

2、评估。 考虑所有目前可用以解释人工智能决策的定量及定性模型。对于模型计划帮助的人士来说，其目前贡献力度如何？

3、设计。 重新审视用于人工智能的设计原则。它们怎样才能使决策过程更加以人为本、且易于理解？

4、审核。 查看数据。如何确保人工智能系统正在使用可反映工作环境不断变化的数据集？

五、 高瞻远瞩，广泛影响不容忽视

没有人能够独善其身，企业亦然。我们采取的各种行动都可能会超出单一组织的界限。因此，鉴于人工智能的革命性潜力和深远的溢出效应，使用它所形成的广泛社会影响不容忽视。

这意味着，必须群策群力来解决一些重要问题。例如，在人工智能驱动的世界中，我们如何确保人们拥有发展进步所需的技能？人工智能会取代多少现有工作，又将创造出多少个全新岗位？一些人是否需要从工作以外的来源寻求收入和成就感？关于人工智能所做的决定，需要哪些新的法律框架？当人工智能变得比他们的创造者更聪明时，人类是否会面临生存威胁？

1、 技能问题

在技能方面，各国政府多年来一直在推动科学、技术、工程和数学（STEM）四类课程的学习。这一趋势必须保持、甚至加快，并在学校和培训课程中增加新的数据和分析法内容。这不应只针对STEM课程，必须以同等力度强调数据和分析学对其他学科的重要性。此外，着力扩大学徒制培训也可为此做出一定贡献——例如，英国政府就采取了此类举措。

当然，在提升人工智能时代的员工队伍技能方面，行业部门也起着至关重要的作用。虽然这需要相当大的投资，但此举对于企业而言，不仅能产生经济激励（确保人才供应），还事关道德义务（负责任地使用人工智能）。更重要的是，如果与人工智能驱动下的变革速度相比，我们现有教育和培训机构无法同步迈进，那么行业参与就变得愈发重要。

一些工作需要运用人类最内在的特质——创造力、同理心、善良、关怀，等等，在任何情况下，它们都可能是最后才受到人工智能影响的岗位。人工智能极难复制人类智慧的这些核心元素。因此，即使人们无法智胜机器，但许多重要且有意义的职业道路仍将对其开放。

2、 就业问题

最终，人工智能带给就业的净影响会是正面、还是负面？该问题太过庞大，无法在这篇手册式的指南中解答。不过埃森哲的专家对此普遍持乐观看法。如果企业能够通过负责任、以人为本的方式使用人工智能，并且在替换岗位的同时，给与增强人类智能同等关注，那么我们相信，所有努力必将带来积极影响。依照这种思路引入人工智能，将使人类员工专注于工作中更具趣味性、挑战性、创造性、且更多涉及人际关系的部分——而将单调、无聊、重复的部分留给机器。

很多人对此持乐观态度，他们认为，从就业机会角度看，人工智能的创造力将大于破坏力。这些人士的理论依据来自以往的技术革命史，他们发现，每次技术革命最后都会促进整体就业的净增长。诚然，这种增长过程往往会超越一代人——虽然上一辈工作者可能由于引进新技术而被淘汰，但历史表明，下一代将从中受益。这种论点坚信，从长远来看，人工智能同样会产生积极的净影响。

不过可以确定的是，并非所有人都如此乐观。一些人认为这次的变革不同以往。他们指出，虽然此前的许多技术革命都曾推动手工劳动的机械化，但人工智能却是触及到了更为基础的认知过程自动化。因此，机械自动化只能取代一系列特定任务（例如，在农业劳作中，拖拉机取代马），而认知自动化的影响如此广泛，以至于会令人类丧失核心竞争优势——他们的思考能力。这种观点认为，从长远来看，我们应该为普遍失业做好准备。

鉴于观点如此多样，针对就业问题的解决方案不太可能快速成形。相关辩论仍将持续一段时间。与此同时，政府和各行业都有责任尽一切努力，确保对人工智能的使用秉承负责任、以人为本的方针。

3、 法律问题

毫无疑问，随着人工智能在商业、工业及其他领域的不断发展，法律和监管框架需要随之更新。最先着手、也是最紧迫的领域之一，可能就是与自动驾驶汽车有关的法律。应思考的法律范围包括人身伤害、疏忽过失和侵权，等等。例如，若一辆自动驾驶汽车在没有驾驶员的情况下撞车，谁将承担责任？是汽车制造商、软件提供商，还是车内乘用者？

那么，人工智能的设计工作又会产生何种法律后果呢？当一辆自动驾驶汽车面临极端紧急的情况（比如，在挽救车内乘客和前方行人之间做出选择），人工智能的设计需要采用明确的思维框架来决定作何选择。这将涉及某些最困难的法律和道德问题的核心。

维护竞争秩序的法律也需要调整。定价算法已被在线零售商广泛使用，以此实现了更加快速而精准的价格调整。据报道，亚马逊每小时内会多次变更某些商品的价格，这相当于每天修订数百万条单价。人工智能在开放市场中作出的任何决定都需要保持透明且有理有据。

 4、生存问题

没有人确切知晓人工智能是否会超越人类的一般智力水平——更遑论如果真的如此，将发生何种状况。即便那些相信通用人工智能确有可能的专家中，有关其具体发生时点的判断也存在很大分歧。我们有信心断定，尽管人工智能无疑具备令人惊叹的潜力，但通用人工智能距离问世还有很长时间。然而这并不意味着，我们现在全然无需考虑其后果和影响。因此，建立由行业赞助的学术机构（如牛津大学的人类未来研究院），对这一问题进行审视分析，将对AI的发展大有裨益。

智东西认为，随着人工智能技术爆发式的发展， 人工智能创业公司如雨后春笋般出现，这种趋势不断降低着各行各业的进入门槛。一批依托人工智能的新企业纷纷涌入市场，改变了老牌企业固有的竞争格局。这些新生力量更加灵活，不受传统技术系统、分销渠道、以及员工团队转型需求的束缚。所以，传统企业拥抱AI并积极转型人工智能化已成为大势所趋。 所以，正如报告中所提，在这波AI浪潮中，为了防止被淘汰，企业必须做到与时俱进，明确自身定位，合理使用AI技术。

智能内参

权威数据·专业解读 读懂智能行业必看的报告在智东西回复“智能内参”查看全部报告