以下是文章主要內容：

 

　　機器智能（MI）正在快速走出技術部門的搖籃。這需要企業(yè)有一個新的高管職能和戰(zhàn)略路線圖。我將會在這篇文章中概述供你的新首席機器智能官（以下簡稱“CMIO”）在2017年及以后攻克的一些領域。

 

　　當前，機器在學習如何運營實體零售店，開始在醫(yī)療診斷上勝過醫(yī)生，甚至在發(fā)明自己的私密語言。因此，機器智能提出問題和議題是自然而然的事情。我有幸已經從事和監(jiān)督過很多的機器智能項目，在這一領域也鉆研得越來越深。我認為，只要嚴肅對待利益和挑戰(zhàn)問題，未來該技術對于企業(yè)和個人而言都會利大于弊。

 

　　人工智能將走馬上任 企業(yè)任職首席機器智能官

 

　　衡量社會發(fā)達程度的其中一個重要指標是它的生產力，而機器智能將會成為巨大的生產率驅動力。例如，醫(yī)生、律師又或者他們的后勤辦公室團隊需要數(shù)周甚至數(shù)個月完成的工作，IBM沃森（Watson）幾秒鐘或者幾分鐘就能搞定；亞馬遜的Amazon Go零售店利用機器智能技術，提供免排隊結賬的超快速零售體驗；谷歌的機器智能已經能夠翻譯它未曾碰到過的語言；Salesforce的企業(yè)機器智能能夠顯著簡化行政管理、匯報和協(xié)調工作，要知道這些工作如今占用管理層超過50％的時間。這一切將會讓給人們有更多的時間去思考，管理其他人，以及做自己享受的事情。

 

　　毫無疑問，跟所有其它的技術變革一樣，機器智能也將會帶來挑戰(zhàn)，也有可能將會讓互聯(lián)網革命顯得微不足道。然而，雖然它被廣泛認為是未來成功的關鍵，但企業(yè)往往還沒有探究細節(jié)和全面的路線圖。我認為，它應該是任何大公司的戰(zhàn)略重點，它應該由一位直接向CEO匯報的高管來領導。這些CMIO將承擔起把所有的業(yè)務部門以及公司整體帶到機器智能時代的任務。如果你是其中的一員，又或者想要招募一位CMIO，以下就是你將會面臨的一些主要的CMIO級挑戰(zhàn)。

 

　　業(yè)務需要

 

　　有待發(fā)現(xiàn)的隱藏聯(lián)系在哪里呢？你應該實施診斷和預測哪些重要方面呢？你應當自動化哪些量大的日常事項呢？你應當在哪些地方大規(guī)模采用快速的、基于情景的定制化和實時優(yōu)化呢？這些是機器智能企業(yè)級應用價值的一部分最有前景的領域。CMIO將需要通過全面理解公司的環(huán)境、業(yè)務流程和它們之間的關系來評估最大的機會以及最緊急的事務。

 

 

　　在部分領域，機器智能甚至不會帶來競爭優(yōu)勢——這是經商要付出的代價?？v觀歷史，新技術的普及速度呈現(xiàn)顯著加速。如今，我們的移動互聯(lián)網、方便訪問的云服務以及物聯(lián)網都已經部署到位了。在這一背景下，機器智能能夠比過往的技術更加快速地接管各行各業(yè)，引領企業(yè)運營模式的深度變革。例如，當我們不再瀏覽搜索結果，只是提出問題希望得到一個正確的答案以及快速的執(zhí)行的時候，谷歌將如何賺錢呢？落后者將會面臨困境甚至被徹底淘汰，固步自封的傳統(tǒng)企業(yè)在誕生于互聯(lián)網的競爭對手的沖擊之下也將遭遇類似的情況。只不過，這一次機器智能技術所產生的影響將會更加顯著。

 

　　客戶價值

 

　　除了機器智能，設計思考和客戶體驗管理在不遠的未來也將成為企業(yè)成功的重要理念。人并不是理性的計算器，比起硬性的客觀價值，他們往往更加看重軟性的體驗因素。機器智能在為人們提供更加價值的體驗上擁有巨大的潛力，CMIO需要通過與設計部門和代理機構合作來發(fā)掘這些機會。

 

　　機器智能能夠簡化日常的工作任務，能夠讓原來無法做到的事情成為可能，能夠教導人們，能夠個性化產品和服務，能夠促成人與物體之間的重要聯(lián)系，能夠讓體驗變得安全，能夠帶來全新的講故事和娛樂形式。這些只是創(chuàng)新體驗的部分領域，而在所有的這些領域中，平臺和設備之間的無縫過渡連接將會是關鍵。

 

　　機器智能將不僅僅涉及“什么”（what）。我的朋友亞歷山大·馬努（Alexander Manu）即將出版的書籍將會圍繞這一洞察：在行為經濟中，配送（如何，how）確實是整個價值定位所在。聊天機器人和認知型個人助手已經在讓許多常見的任務變得越來越順暢，越來越自動化。它們能夠隨時隨地了解它們的主人。

 

　　另外要注意的是，你既有外部客戶，也有內部客戶。面對內部的應用通常很快就會可行，這方面的問題比較簡單，且有足夠多可用的數(shù)據(jù)。而在問題較為模糊復雜，數(shù)據(jù)有待探究或者缺乏的地方，企業(yè)通常還是應當為員工建立決策和支持系統(tǒng)。他們處理客戶和客戶數(shù)據(jù)的體驗會因此而大大改進。

 

　　自主性和交互性

 

　　在與客戶、員工和其他利益相關者打交道上給機器智能解決方案多大的自主權，是一個關鍵的問題。理想情況下，智能系統(tǒng)應當完全自主處理普通的任務，但對于一些任務，即便它們已經勝任，人們可能還無法信任它們。谷歌旗下的數(shù)個AI產品Bob、Alice和Eve找到了以一種人類無法理解的語言來相互溝通，這讓一些人感到非常擔憂。另外，過往已經有瘋狂交易的機器人導致市場崩盤，讓投資者蒙受巨額損失。

 

　　尼克·博斯特羅姆（Nick Bostrom）在他的著作《超級智能》（Superintelligence）中將機器智能分成三個等級：Oracles告訴用戶他們需要知道的東西，就像谷歌搜索過去數(shù)十年所做的那樣；Genies能夠滿足主人的愿望，但只依據(jù)他們的要求，就像現(xiàn)在的Siri那樣；Sovereigns只需要幾個重要原則就能夠代表主人獨立運作。雖然真正的Sovereigns還不存在，但券商如今打造的機器人投資組合可以說相對接近了。

 

　　不管給機器智能提供多大的自主權，CMIO還是需要領導開發(fā)工作，以及監(jiān)控公司機器智能交互實踐的表現(xiàn)。機器智能系統(tǒng)越來越多地通過文本和語音來與用戶互動。市場研究公司Gartner預計，4年內，將會有30％的搜索不需要屏幕來完成；首先是通過語音，之后可能會通過腦波。

 

　　雖然對話是人類最常用的互動方式，但對于品牌商而言它不一定是最自然的互動媒介。除了logo、宣傳口號和其它常見的品牌資產之外，品牌的精華將會從問題、答案、小互動、感情和對話風格提取。這些將會成為重要的商業(yè)和品牌因素，度量和分析技術將需要進化來反映這些細微的差異。

 

　　技術架構

 

　　CMIO以及CTO（首席技術官）、COO（首席運營官）和CFO（首席財務官）的一項重要任務就是，想出機器智能的技術架構以及路線圖和投資計劃。機器智能生態(tài)系統(tǒng)已經是一個全面開花、快速生長的花園：既有云服務和現(xiàn)場解決方案，也有面向大大小小的企業(yè)的硬件和傳感器，這些硬件和傳感器針對核心功能和支持功能，且經過定制化來迎合各行各業(yè)。技術堆棧還包括數(shù)個垂直的層級，從理解自然語言和復雜的概念，到數(shù)據(jù)收集、數(shù)據(jù)科學和機器學習，再到多用途庫和機器智能訓練場地。已經有許多公司在提供即用型的功能和API，也有大量免費或者便宜的資源供你去從頭打造自有的解決方案。

 

　　雖然像谷歌TensorFlow這樣的開源免費庫聽上去可能很不錯，但在開始內部開發(fā)機器智能必須要三思而后行。盡管那些基礎工具可能免費，但你還是需要一支富有經驗的科學家和專家團隊來開發(fā)可自行改進的智能模型和算法。這并非易事：相關人才不好找，更不用說雇用他們的高昂成本了。StackOverflow的調查發(fā)現(xiàn)，只有0.1％的受訪者自認為是機器智能開發(fā)者，只有1.9％有數(shù)學或者統(tǒng)計學（機器智能開發(fā)的重要技能）研究背景。即便有簡單易用的界面和選項去訓練機器智能，當遇到問題的時候你還是需要專家去修復。

 

　　因此，與其試圖在全球人才爭奪戰(zhàn)中戰(zhàn)勝谷歌、Salesforce、亞馬遜、微軟、IBM和Facebook，還不如與這些公司建立合作。而且，整合巨頭的機器智能堆棧和你已經在使用的工具還將帶來額外的好處。尤其是對于細分的專業(yè)化用途，小型但可能很合適的提供商選擇正變得越來越多。但還要記住的是，在機器智能領域，規(guī)模通常是一個利好，畢竟更大的數(shù)據(jù)意味著更快速、更好的學習機會。

 

　　系統(tǒng)學習

 

　　機器智能系統(tǒng)需要持續(xù)不斷地學習，因為推出之初它還只是個“嬰兒”。事實上，研究人員正在打造虛擬嬰兒來幫助理解嬰兒如何學習，以及教導計算機更加快速地學習。制定企業(yè)機器智能項目的學習目標和戰(zhàn)略是CMIO的一項重要任務。持續(xù)的數(shù)據(jù)流在機器智能系統(tǒng)學習中扮演至關重要的角色，機器智能數(shù)據(jù)的經驗法則就是“越多越好”。機器智能的主要優(yōu)勢在于，它不需要獲得樣本——它能夠直接從所有可用的數(shù)據(jù)學習，因而能夠讓洞察和預測變得更加可靠。有數(shù)據(jù)和問題可能如何關聯(lián)的理論固然很好，但要記住，只要有足夠多可用的數(shù)據(jù)，機器智能就能夠幫助建立新穎的連接，發(fā)現(xiàn)新的機會，回答你甚至還沒有想到的問題。

 

　　不同的問題將需要不同的學習范式，強化、監(jiān)督式學習和無監(jiān)督學習是當下最廣為人知的幾種機器學習方式。目前也已經有一個針對訓練目的的生態(tài)系統(tǒng)：伊隆·馬斯克（Elon Musk）的OpenAI剛剛開放了Universe， Universe向所有人提供工具來訓練、測量和評估智能系統(tǒng)；OpenAI Gym被用于訓練強化算法；微軟將Microsoft Cognitive Toolkit開源，意在加速機器智能應用程序的開發(fā)，目前正取得進展。就連蘋果這家最神秘的科技公司也將它的機器智能研究開放給學術社區(qū)，很顯然機器智能的未來將依賴于協(xié)作和集體學習。

 

　　思考智能系統(tǒng)訓練的一個好思路就是，將它游戲化，引入觸發(fā)、行動、失敗、成功以及獎勵和反饋回路元素，這些元素讓人們和機器都能夠輕松理解。研究公司L2用一個代表智能系統(tǒng)未來價值的公式恰當?shù)乜偨Y了學習的重要性：可用數(shù)據(jù)傳感器的數(shù)量×能夠反饋回系統(tǒng)的可行動智能＝價值定位。

 

　　人工部分

 

　　最后一項要點是，CMIO將需要解決智能系統(tǒng)的人工部分，因為機器智能還無法獨立運作。人們只需要給機器智能系統(tǒng)提供它們能夠測量、學習和應用到新場景的數(shù)據(jù)線索。不過，它們還需要人工間歇性地檢查數(shù)據(jù)，調整算法，提供訓練集，在正確和錯誤的判讀上給機器智能提供指導，以及管理機器智能無法獨立解決的情境。

 

　　強化學習和監(jiān)督式學習需要更多的人力參與，而無監(jiān)督學習則讓機器自行學習。不過，無監(jiān)督學習在這三者當中是最試驗性的那一個，該類系統(tǒng)也還無法自行創(chuàng)造出來。谷歌AI Experiments試驗是一個很好的例子，它證明互聯(lián)網上的每一個人都可以被用來玩耍智能系統(tǒng)，以及在一種開放的環(huán)境中訓練它們。

 

　　要記住的一點是，機器智能系統(tǒng)還是由人來打造，因此如果沒有得到適當?shù)目刂频脑?，它們會一直保留其?chuàng)造者的偏見。這不僅僅涉及打造算法的科學家，還涉及標注訓練集的注解者。例如，按最高評分是5個星來算，女性給予同樣的小狗的可愛指數(shù)評分平均要比男性高出0.16個星。這在數(shù)據(jù)統(tǒng)計上是一個顯著的差異，它在機器智能的教導中關系重大，比如在教導可愛程度的概念上。

 

　　即便有近乎完美的系統(tǒng)，CMIO還是需要決定多大程度上信任那些機器，保留多大程度的控制，以及如何建立相互制衡機制。如前文所述，機器智能的一大希望在于，它將可以讓你的人手更多地專注于人文工作，比如判斷、社交聯(lián)絡以及創(chuàng)意。隨著時間的推移，控制的需要應該會減少。

 

　　總結

 

　　在Havas，我們目前在全球各地和各行各業(yè)進行許多利用機器智能的營銷推廣和產品項目。也許最能打動我的項目還是我們與客戶TD Ameritrade和IBM沃森共同展開的“最信賴主隊的粉絲”項目，它帶來了看待TD Ameritrade的NFL贊助的一個新視角。對于橄欖球賽季，我們打造了一款富有吸引力的網頁應用程序來估量球迷在社交渠道上表現(xiàn)出的對他們的主隊的信心與主隊的成功之間的關聯(lián)性。這個行業(yè)首創(chuàng)的解決方案令人驚喜。例如，它準確預測了NFL冠軍隊丹佛野馬所有比賽的結果，其中包括野馬隊普遍不被看好的超級碗比賽。

 

　　機器智能未來幾年將會接管諸多的行業(yè)和垂直領域。現(xiàn)在的問題并不在于這是否會發(fā)生，或者它什么時候會發(fā)生，而在于你對機器智能時代的到來做了多少準備？將機器智能視作公司內部重要的戰(zhàn)略部門是很好的開始。