人工智能应用研究报告：高管指南(92页)

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（Jonathan Schaeffer）8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（General AI）”迈出了重要一步（有关窄AI和通用AI之间的差异，请参阅第25页）。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。

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。

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。

如果再考虑存储成本的快速下降20（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%21。

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22：45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23。