【導讀】今天實施人工智能戰略的公司將有機會抓住未來。 AI 正在改變我們做生意的方式，對于大小企業來說，這可能意味著一個令人不安的變化。然而，無障礙技術和活躍生態系統的融合表明，企業比以往任何時候都更加準備參與這一新的創新浪潮。

　　人工智能（AI）從根本上改變了所有行業的企業的運營（包括制造業，醫療健康，信息技術和運輸業）。

　　在過去的十年中，AI 的進步為企業提供了自動化的業務流程，改變客戶體驗和產品差異化的機會。

　　Google 和亞馬遜這樣的 AI 先行者已經采用這些新技術來創造日益增長的競爭優勢，我們看到了他們的 AI 戰略帶來的的好處。

　　雖然企業級 AI 的采用仍處于初級階段，但把握住 AI 帶來的機會需要管理層進行更多的討論，增加對AI及其生態系統的理解，了解行業巨頭如何采取措施，從而獲得差異化的競爭優勢。

理解 AI

　　AI 是計算機科學的一個分支，旨在創造能夠實現智能行為的機器。 AI 內有多種技術和細分，機器學習（ML）是其中規模最大，增長最快的領域之一。

　　機器學習算法從實例和經驗中學習，而不是依賴于預定義的規則或算法。在機器學習中，還有其他細分，如深度學習，其重點是深度神經網絡結構。

　　今天，AI 準備從幾項技術創新和更廣泛的專業知識的融合中受益，特別是：負擔得起的云計算基礎設施，可用的大型數據集和算法優化的飛躍。

　　這些進步，加上人工智能研究的投入增加，為人類發展創造了一個可持續發展的環境，并將繼續影響到未來的企業和社會。

機器學習有何特別之處？

　　最近 AI 的興起主要是由于機器學習的進步。 這些進展導致了自然語言處理（蘋果的Siri，Google Translate），推薦系統（亞馬遜的推薦引擎，音樂推薦服務 Pandora）和圖像識別（診斷工具，自動駕駛汽車）的突破。
機器學習大致分為兩種學習方法：

　　監督學習，其使用已知數據集基于標記的輸入和輸出數據進行推理。
　　無監督學習，從包含沒有標記輸出的數據的數據集中得出推論。

　　今天工作中最流行的方法是監督學習，無監督學習對于更廣泛的應用來說具有巨大的前景。

　　在每種學習方法中，有多種算法類型和選擇算法可供選擇。根據問題的類型或所需的結果進行不同的選擇。

　　在機器學習工作流程中，流程的每個部分都需要特定類型的專業知識和資源。 雖然領域專業知識對工作流程的預處理/功能部分工作很重要，但訓練階段需要獨立的 AI 專業知識，領域知識較少。

　　從基礎設施的角度來看，資源最密集的階段是數據處理時的模型訓練階段。然后是構建 ML 模型時，理解和權衡各種方法和正在解決的問題的類型變得很重要。

掌握 AI 需要的技術棧

　　AI 技術棧是運行 AI 模型所需的基礎架構，包括優化組件，存儲，數據處理和分析工具。

　　組件：CPU，GPU，FPGA 和專用 ASIC 是 AI 技術棧的基礎組件。 雖然 CPU 是普遍存在的，但在機器學習的資源密集型訓練階段中使用的 GPU 和 FPGA 已經在深度學習中取得了巨大進步。對于需要較少資源的推理部分，傳統的 CPU 或超低功耗 FPGA 或 ASIC 是最常見的選項。

　計算：公共云供應商現在正在為 AI 提供量身定制的解決方案。云計算服務商的選擇很多，可使任何企業，中小企業或小團隊都能夠以合理的價格運行 AI 模型。

　　存儲：隨著機器學習所需的大量數據，特別是在特征工程階段，數據存儲至關重要。 Hadoop 集群和云對象存儲的出現顯著提高了數據存儲容量，以支持 AI 使用案例。

　　AI 技術棧依賴于公有云供應商和開源項目提供的服務。云計算巨頭（如谷歌，亞馬遜，Facebook，微軟和百度）投入 AI 服務已經有助于從擁有技術棧的專有廠商轉移。

　　總而言之，將開放源碼作為公認標準在整個 AI 生態系統中引起了更快的發展。谷歌的開放源碼 TensorFlow 庫體現了這一觀念，TensorFlow 可以讓任何對機器學習感興趣的人開發模型，而不必從頭開始構建庫和算法。
AI 生態系統

　　過去十年，AI 從研究機構中脫穎而出，成為世界上最先進的技術公司的前沿。 這些公司將 AI 嵌入其核心產品和服務，加速了人工智能生態系統的技術進步，人才開發和投資。 例如：

　　亞馬遜正在使用 AI 來改善個性化推薦并優化庫存管理。 在亞馬遜向股東提交的年度股東信中，CEO Jeff Bezos 討論了通過其云計算部門采用 AI 快速交付產品，增強現有產品和創建新工具的重要性。

　　Google 使用自己的 DeepMind 技術來管理數據中心的電力，將冷卻成本降低了40％。該公司的 AI 優先策略專注于利用 AI 進行搜索優化，自動駕駛汽車以及投資了眾多其他的解決方案。

　　Facebook 致力于打造 AI 的基礎技術。 其研究小組 FAIR 是神經網絡突破的頂尖人工智能實驗室之一。

　　微軟已經創建了一個 AI 業務部門，擁有超過 5000 名計算機科學家和工程師，專注于將 AI 推向公司的產品。

　　英特爾正在更新其服務器以應對處理和訓練 AI 系統所需增加的計算量。 為了做到這一點，該公司已經在 CEO Naveen Rao（前深度學習公司 Nervana CEO，2016年被英特爾收購）的領導下，組建了一個統一的 AI 的機構。

　　百度正在大力投入人工智能，建立圖像識別技術，推進自主駕駛，推出數字助理，開發增強現實工具。

　　AI 人才的短缺仍然是一個問題。 據麥肯錫稱，AI 投資的 70％ 來自最大的技術公司的內部研發投入。 我們繼續看到，云端巨人從學術界聘請了關鍵的 AI 人才領導 AI 的工作。 80％ 到 90%的 AI 人才都在最大的幾家科技公司。

　　人才競爭激烈，AI 公司收購大幅增長。 據 CB Insights 的數據，僅在 2017 年就有不同行業使用 AI 的 55 家公司被收購。Google，蘋果，Facebook，英特爾，微軟和亞馬遜一直是 AI 中最活躍的收購者，大部分收購都落在核心  AI技術中，如圖像識別和自然語言處理。

　　在這些技術供應商的帶領下，AI 已經出現一些早期的獲獎者，并在此過程中創造了一個積極的技術和工具生態系統。 2017年，美國共有 650 多筆 AI 融資并購事件，總金額 6.5 億美元，已經超過了 2016 年全年近 1000 筆交易的 5.7 億美元。

　　AI 公司的范圍從那些專注于開發核心 AI 技術到構建 AI 工具來解決行業特定問題。在投資方面，AI 的最大細分部門是網絡安全和通用解決方案，其次是商業智能和物聯網初創公司。

企業如何利用人工智能

　　在評估如何部署或構建 AI 工具時，公司應分析最高價值用例，并計劃建立強大的支持和人才的基礎。

　　任何 AI 都將依靠三個主要的部分：數據，基礎設施和人才。

　　數據驅動洞察力需要訪問大型數據集。機器學習的有效性通常與可用數據量相關。在這個階段，訪問大量數據是推動 ML 工具價值的一個要求。

　　技術設施，軟件和硬件的基礎設施必須有效運行機器學習模型。云服務提供商有能力將其產品擴展到 AI 基礎設施，并提供可與開源軟件結合使用的解決方案。 對于一些公司來說，由于監管或其他商業原因，將訓練數據移至云端太貴或不可行。 對于這些公司，將需要大量的計算能力，有時需要使用 GPU，FPGA 或 ASIC 的硬件加速。

　　AI 人才在有效利用機器學習方面至關重要。雖然并不是每家公司都將尋求建立一個內部的 AI組織，但是經驗豐富的數據科學家是從 AI 推動價值的關鍵。機器學習是一個需要專業知識的難題。

　　將 AI 推向核心產品和服務創造競爭優勢。公司必須在內部建立一個能夠處理 AI 開發的強大的基礎設施。

　　在許多情況下，實施戰略需要大量資本入。 如果構建內部解決方案不可行，那么采用第三方工具就是一個合適的選擇。 無法將其產品通過 AI 進行差異化的公司仍然可以采取措施來改進和自動化核心業務。 運營效率也是競爭優勢。

　　通過高級機器人和虛擬助理進行差異化的客戶服務
　　對財務規劃，庫存管理和銷售渠道進行更智能的預測
　　自動人力資源流程，通過優化招聘，自動人才管理和量身定制的優勢
　　通過自動出站銷售，智能客戶參與和目標營銷，提高銷售人員的生產力
　　通過 AI 合同盡職調查，輔助法律研究和自動化 IP 監控來簡化法律流程。

　　每家公司的優先級都不一樣，有些公司可能自動化客戶服務解決方案為其業務帶來最大的價值，但更智能的預測庫存管理可能對另一家公司產生更大的影響。這需要領導層分析和探索在自己的部門采用人工智能工具的好處，將揭示人工智能產生影響最大的領域。

結論

　　AI 不再是學術機構或研發實驗室的理論研究; 相反，它是一種本質上能夠顛覆整個社會，帶來數十年創新的基礎技術，從我們工作的方式，醫生識別和治療疾病的方式來看，AI 將為未來創造無限的可能性。

　　今天實施人工智能戰略的公司將有機會抓住未來。 AI 正在改變我們做生意的方式，對于大小企業來說，這可能意味著一個令人不安的變化。然而，無障礙技術和活躍生態系統的融合表明，企業比以往任何時候都更加準備參與這一新的創新浪潮。