AI 热潮风靡已久，不过目前 AI 在商业上的应用还比较初级，对于 AI 技术的进一步挖掘与商业应用还没有深入核心，因此笔者结合这一现象进一步分析了 AI 还能作何商业用处。

我是一名从事AI赋能传统行业的工作者，虽然我使用的人工智能算法解脱了传统产线操作员的生产力，但我仍然认为AI从探索到赋能普及、应用还有一段漫长的过程。

如同200年前发明电一样，对于整个时代而言，技术本身的出现和探索带来的意义远远小于商业真正地应用。人类真正懂得用电的时间只有400年左右，而最初的200年其实只是实验阶段。所以AI真正赋能产生效能时，也许已经不是现在的我们认识的这个“AI”。

01 AI由来已久，却在不久前惊艳

人工智能（Artificial Intelligence），简称AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

其实早在1956年起，美国人发明电脑17年后，几位有远见的科学家就在研究如何用机器模拟人的智能。

当1997年，IBM的深蓝计算机战胜国际象棋冠军时，其实那时候还没引起足够的轰动。

真正扭转人类认知，甚至改变全球AI产业结构的转折点是2016年阿尔法狗战胜了围棋九段李世石，从此人工智能一战成名——阿尔法狗不光在下一步的算法中计算了m的n次方种可能，而且还对棋局整个的把控（欺骗技术）掌握得非常熟悉，这才是人类感到惊叹的地方。

02 AI能做什么，怎么做的

那到底什么是AI呢，AI就是机器用一部分样本数据进行学习，按照模拟人思考的一些算法进行运算，最后经过另一部分实际样本数据的验证，得到最终的输出模型。

• 沃尔玛根据过去上亿条的的小票交易数据来预测未来1个月的商品销量；
• 输入上万份的医生的药方和诊断后，机器能根据来访者的症状的描述，自动开出药方；
• 输入一定数量级的公路图像后，无人驾驶汽车能自动进行右转，靠边等操作；
• 在给定语音和应答规则输入后，产生的自动语音聊天的机器人。

以上AI的应用都是在数字，图像，语音，文本等不同维度的应用，实际核心是对数据的学习、模仿和输出的过程。

AI处理不同维度的数据

移动互联网时代将全民的吃穿住行的点点滴滴都反应在数据上，而信息化和数字化将所有企业的运作历史都留下了数据的痕迹。这些数据表现为多种多样：数字，图像，语音，文字。数据化是AI发展的基础，因为AI计算的本质是基于特征的学习和基于特征的工程。

特征学习(feature learning)，又叫表示学习(representation learning)或者表征学习 ，它是指学习的过程，是机器自动从数据中提取特征或者表征的方法。比如从6K条温度数据中，提取出摄氏23-39度代表高温区；摄氏0-8度代表低温区。

特征工程(feature engineering)，主要指对于数据的人为处理提取，有时候也代指“洗数据” ，与特征学习相比，这是人为的工程。是人为的对数据进行处理，得到我们认为的、适合后续模型使用的样式。比如我们把6月-9月的温度作为夏天的有效温度，而12月偶尔的20度反常现象我们把它清洗掉，认为没有意义。那这种经过人为处理的数据就具备了特征工程的意义。

03 算法和算力是AI的核心

从AI诞生到现在这几十年，AI发展并不迅速的一个原因是因为机器的算力不够，芯片和计算速度都跟不上，而随着几十年硬件领域经过摩尔定律的发展，算力已经成为了AI普及的前提条件。而在另一边，人类开始在机器的另一边，去逆向模拟人类自身是怎么工作的。

算法是AI的灵魂

人类的脑子里面不是存储着大量的规则，也不是记录着大量的统计数据，而是通过神经元的触发实现的，每个神经元有从其它神经元的输入，当接收到输入时，会产生一个输出来刺激其它神经元。于是大量的神经元相互反应，最终形成各种输出的结果。

例如当人们看到美女瞳孔会放大，绝不是大脑根据身材比例进行规则判断，也不是将人生中看过的所有的美女都统计一遍，而是神经元从视网膜触发到大脑再回到瞳孔。在这个过程中，其实很难总结出每个神经元对最终的结果起到了哪些作用，反正就是起作用了。

于是人类试着把影响对“美女”判断的所有因素作为输入，比如身高、体重、五官、皮肤、笑容、身材比例、衣着打扮，这些统统作为输入条件，对于任何一个人来说，只要能让他见过无限大样本的“女生”，并且他都能对美女的判断进行打分（可以是不同维度），只需把这些经过判断后的无限大的样本数据和判断的分值输入到机器中，机器自动可以看到美女的图像打出分值来，并且还可以总结出各个输入影响因子（身高，体重，五官，皮肤，笑容，身材比例）所占的打分权重是多少。

这就是机器模拟人大脑进行了预测的功能。

04 AI在商业上能做什么

有了AI的工作原理，我们来看看AI在商业上能做些什么。

下图是在百度AI研究院官网上搜集的他们对AI应用的定义。

目前AI的应用还在弱人工智能阶段，应用的业务场景呈现短和浅两个特点，只能在特定的业务场景中解决需要重复工作的“点”的问题，在解决宏观业务场景或业务链条时，还需要结合其他的信息系统进行应用。

05 AI在商业应用中的痛点

因此AI虽然很热，但是如何落地却是大家都很头疼的问题。正如AlphaGo在击败围棋9段后，它不但不能做其他的事，甚至它学习过的棋谱也会“忘记”。AI在商业应用中主要呈现以下几个方面的痛点：

1. 磨合期的各种不适

企业使用AI是想创造商业价值，但投入在AI具体应用上却需要大量的人力成本，并且由于算法是黑盒，需要受到实际操作人员的质疑，在很长一段时间也无法完全代替人工工作。

2. 出错概率暂不符合To B领域的需求

AI技术的先进性并不能作为企业扩大应用的理由，与先进性相比，产品的稳定性，准确率，出错概 率等其他因素才是大规模应用的有效依据。而AI目前会呈现极好和极坏的两个极端，哪怕只有1%的概率出现极坏，也会产生破坏性的效应：比如退款3000万给某一位实际消费300元的消费者。

因此，对企业来说，因为产品出错带来的流程替换，远远难于更换一个产品。如果因为要去适配AI的精度，要去协作多个部门更改制度或者更改后台的数据系统，那么企业宁愿选择一个试错成本低、稳定性强，并且能满足大规模用户的产品。

3. To B领域的低复用性限制其扩张发展

每个企业的业务流程都是不同，当应用AI技术在所在企业时，一定是AI+信息系统的形式在使用，而AI的形态取决于企业的业务形态。比如我现在做的是内衣服装领域，一旦我想把内衣服装领域重要的特征比如年龄，吊牌价迁移到白酒快消领域时，我发现业务场景与业务场景很难形成快速复用，最终还是得重新建模。

06 未来AI赋能商业社会的前景

AI在商业应用上会遇到痛点，当然不代表它不属于划时代的技术。人工智能领域最有影响力的人物吴恩达曾说：人工智能的影响力不亚于电。而人工智能赋能到商业社会后，这必将是和互联网改造社会一样，成为划时代的技术应用。而且AI的应用来得会更快，迭代周期会更短。

李彦宏在2016年曾提出，过去16年里，互联网发生了巨大改变。我们大体上经历了互联网的三幕：

• 第一幕是PC互联网时代，称霸了大约15年；
• 第二幕是所谓的移动互联网时代，增长周期只有四、五年；
• 而现在，我们迎来了第三幕，即人工智能时代。

每一幕都各具特色，因此，他们也有不同的迭代速度。PC互联网时代高度依赖于软件的快速反应，而移动互联网基于用户关注的一切创造了自己的生态系统。第三幕人工智能时代，机器将取代人的部分“器官”，比如大脑、眼睛、手和耳朵，去实现智能地观察，读写，计算和说话。人与机器将会创造一个虚实结合的全新社会。

而智能化与虚实结合，将会体现在不同领域、行业、企业和业务场景的方方面面。

人和机器将注定会一起携手谱写未来社会的新篇章。

本文由 @explorer 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议