尽管在 Amazon Alexa、下围棋和制造艺术产品这些应用上，人工智能和机器学习已经取得了很大进步，但在企业领域，它还处于发展初期。
人工智能对提高企业自动化的进度影响究竟有多大，现在有很多不同的观点。一方面，最近牛津大学的一项研究表明，未来 20 年，50% 的工作都将实现自动化。另一方面，许多企业人士对人工智能的现实性影响仍然持怀疑态度。此外当前媒体不时的炒作也进一步加剧了争论。
基于学术界、创业公司和企业用户的亲身参与和访谈，这篇文章主要讨论企业自动化的关键事实和战略意义。
事实 1：当前 AI 的繁荣是可持续的
AI 算法在图片识别、语音到文本的转换和围棋等复杂游戏等方面击败人类，写下了多个人类历史上的第一次。当前机器学习的繁荣有三方面的原因：深度学习算法复杂性方面的不断突破，训练深度学习算法的大数据的高速发展，CPU 芯片组等机器学习硬件的指数增长，让算法的训练时间大幅度缩短。
机器学习发展的三方面原因在不远的将来将继续加速发展。到 2020 年，将有近 70% 的企业数据通过云数据中心进行存储和处理，为机器学习算法训练提供前所未有的数据基础。
加速机器学习算法训练和处理的硬件芯片也正高速发展。谷歌、英伟达、英特尔和其他近期宣布推出新一代硬件芯片的企业都会进一步将算法训练的速度提升10-100倍。专利申请和应用的增加也证明机器学习算法会继续发展。
事实 2：AI 应用的范围仍然有限
在接下来的 5-7 年中，AI 还能做什么？专家认为，多数企业将运用监督学习等狭义人工智能，要达到广义的人工智能，还需要几十年。
简言之，AI 算法将能从训练数据中学会自动完成任务，然而，一旦它学会了一项任务，那么解决方案在应用范围上会变得狭窄，即在多数情况下，无法在应用于其他任务。下表中给出了当今或未来五年可能出现的情况：
B 类，可以帮助管理者们对 AI 自动化和增强策略进行系统掌握。 B 模式的 AI 自动化的情况：事实 4：AI 应用不只依靠技术
虽然底层的技术要求类似，但一些 AI 程序会更快实现应用，公司需要考虑更广泛的驱动因素以实现平衡。主要的驱动因素包括：
单次成本：即开发算法开发和训练数据采集等 AI 解决方案需要的初始成本。利用「AI as Service」平台能够减少研发过程中 AI 算法开源代码访问的成本，通常获取训练数据是分化关键资源的关键瓶颈。
转换成本：指用新的 AI 解决方案替代当前方案产生的相关成本和障碍，既包括攻克 AI 算法黑盒追踪和解释决定的能力等技术障碍，也包括政治、文化和打破阻力壁垒等人为障碍。
生态系统需要：补充集成解决方案的需要。例如，需要结合物联网传感器和新型机器人的AI 解决方案将存在更高的应用复杂性。
系统外部障碍：AI 解决方案体现网络外部性的程度，网络外部性即指连接到一个网络的价值，取决于已经连接到该网络的其他人的数量。
下图为三个阐释性案例，不同采用挑战以及扩大组织性影响的潜在时间线：
以基于消费者语音或对话增强呼叫代理交互的自动化情感分析的应用案例为例。这一解决方案在文化和风险壁垒方面的转换成本更高，客户对减少对消费者的消极影响更加敏感。即使解决方案有效，客户也需要重新设计其端对端的训练流程以让 AI 引擎能够推动代理响应。最后，解决方案具有较高的网络外部性，即更高的采用率将会产生更多的训练数据以推动 AI 性能的进一步提升，但收集初始的批量训练数据将花费大量的时间和领导者的信心。
鉴于这种复杂性，人工智能情感分析机器人可能会在 7-10 年后出现，而非 2-3 年。
人工智能自动化应用案例正不断涌现，我们很快就会看到公司采取基于投资组合的严格方法开发机器学习能力、数据与合作关系。
来源：Medium
完
