人工智能：效益、风险与行业影响

人工智能（AI）是当今最具增长潜力的技术之一。Gartner最新数据显示，已实施AI的组织占比在2018至2019年间从4%跃升至14%。

同一咨询机构将AI列入2020年技术趋势，聚焦IT安全提升。

AI是工业4.0关键技术，因其为企业带来的诸多优势，所有开启数字化转型的组织都必须在流程中采纳它。

什么是人工智能？

AI概念由来已久。John McCarthy于1950年创造"人工智能"术语，Alan Turing同年在《计算机器与智能》一文中探讨此现实。

此后计算机科学学科大幅演进。

麻省理工Patrick H. Winston教授定义AI为："由支持循环模型的表现形式所暴露的约束启用算法，该模型关联思想、感知与行动。"

DataRobot CEO Jeremy Achin定义AI为：用于让机器执行需人类智力工作的计算机系统。

Tech Target技术百科主编Margaret Rose定义为：模拟学习、推理、自我修正等人类过程的系统。

三大定义均指向模拟人类智能推理、执行仅人类能完成任务的机器/计算机系统。

但更多来源进一步定义AI为：用于解决超越人脑能力的复杂问题的计算机系统。

此意义上，AI利用机器算力攻克人类智力难以企及的复杂问题。

未来生命研究所所长Max Tegmark指出："文明一切美好皆源于智力，以人工智能放大人类智力，有潜力让文明以前所未有的方式繁荣。"

Google DeepMind与牛津大学研究显示：AI可破解受损难读古希腊文本。历史学家与铭文学者错误率57.3%，算法错误率仅30.1%。

这些例证证明AI超越人类解决复杂问题的能力。但AI如何运作？

AI如何运作？

AI通过算法按编程规则行动，及其子集机器学习（ML）与ML技术如深度学习（DL）运作。

机器学习（ML）

是AI分支中最常见、最发达的商业应用领域，负责开发让算法随时间学习改进的技术。涉及大量代码与复杂数学公式以使机器寻得问题解法。

此AI层面是当前商业/业务目的最发达领域，用于快速处理海量数据并以人类可理解方式呈现。

典型例证：生产工厂连接元件持续输送机器状态、产量、功能、温度等数据至中央核心。

生产过程衍生的海量数据须分析以实现持续改进与适当决策，但数据量大导致人类需耗费大量时间（天）分析溯源。

此时机器学习介入，支持数据随生产流程接入即时分析，更快更准识别运行模式或异常，触发预警/警报用于决策。

但ML范畴宽泛。AI节点发展催生深度学习（DL）。

深度学习（DL）

是机器学习（ML）更具体版本，指为机器学习设计、参与非线性推理的算法集（或神经网络）。

算法归组为人工神经网络，旨在模拟人脑神经网络。无需特定代码即可深度学习。

深度学习是执行更高阶功能的基础，支持同时分析广泛因素。

例：DL用于情境化自动驾驶汽车传感器接收信息：物体距离、移动速度、基于运动轨迹的预测等。用此信息决策变道时机等。

DL仍处全潜力开发早期。但已见其日益用于商业，将数据转化为更详细、可扩展的数据集。

商业环境中的AI

AI已用于自动化、语言处理、生产数据分析等商业生产应用。

这使企业在总体层面优化制造流程、运营与内部效率。

AI通过不同计算机编程规则让机器表现得像人类并解决问题。

企业实施AI技术的动力在于其带来的优势。

AI的效益

科技界多方声音捍卫AI效益。

Infinia ML产品经理Andy Chan在YouTube超4万观看的TED演讲中拆解职场AI效益。

Kai-Fu Lee，创新工场创始人、科技领军人物，在超60万播放的TED演讲中阐述AI核心效益。

综合两位专家，AI应用于商业领域的主要优势为：

1. 自动化流程。AI让机器人自动执行重复、例行、流程优化任务，无需人工干预。

2. 强化创造性任务。AI释放人类摆脱繁琐重复工作，投入更多时间创造性职能。

3. 提供精度。AI应用能提供超越人类的精度，如工业环境中机器可决策原本靠人工判断/监控的事项。

4. 减少人为错误。AI降低人类局限导致的失误。某些产线用AI配合红外传感器检测肉眼不可见的微小裂纹/缺陷。

5. 缩短数据分析时间。支持生产衍生数据的实时分析与挖掘。

6. 预测性维护。基于设备运行工况实施维护，提升性能与寿命周期。

7. 生产与业务层面决策改善。结构化信息更丰富，让各负责人更快更高效决策。

8. 生产流程与产线管控优化。通过AI实现更高效、零差错流程，获得对公司产线更强管控力。

9. 提升生产力与生产质量。AI不仅提升机器层面生产力，也让工人更高产、提升工作质量。信息更多让他们视角更聚焦、决策更优。

AI的风险与准入壁垒

部分观点认为AI有风险。特别是探索AI潜力而非仅复刻人类任务时。Stephen Hawking、Bill Gates及研究者表达过担忧。

关于准入壁垒，商业环境常见者：

• 数据可用性。 数据常在企业间孤立、不一致、低质量，给大规模创造AI价值带来巨大挑战。克服需从一开始制定清晰策略，确保AI数据有序一致提取。

• 合格专业人才短缺。 企业级采纳AI常面临具备同量级项目技能经验的稀缺人才。此类情况下拥有过往实战经验的专业团队至关重要。

探索Nexus Integra专业团队开发的项目

• AI项目成本与实施周期。 无论时间还是经济层面的实施成本，都是执行此类项目的关键因素。缺乏内部技能或不熟悉AI系统的企业，须评估外包实施与维务以获项目成功结果。

总之，AI已成为企业极其重要的资源，使其更具竞争力、获取更大收益，尤其是制造与生产环境。

因此此类专业人才在工业领域需求激增，拥有专家团队制定高效数字化转型策略成为必然。