當舊的理論遭遇新的現實，一不小心就會撞的頭破血流。
2012年美國大選中羅姆尼敗給奧巴馬，讓後者迎來新的4年任期，有一個人居功甚偉，那就是奧巴馬競選團隊的首席科學家Rayid Ghani。這位科學家做了什麼呢？維基百科中他的個人介紹有這麼一段：Ghani completed his graduate studies in the Machine Learning Department at Carnegie Mellon University with Tom M. Mitchell on Machine Learning and Text Classification and received his undergraduate degrees in Computer Science and Mathematics from University of the South.
翻譯過來，他跟過Tom M. Mitchell學機器學習，而Tom M. Mitchell又是何許人？他被稱作“機器學習之父”，寫過一本書《機器學習》，堪稱是第一代機器學習的必讀教材和“聖經”。
名師出高徒的Rayid Ghani，帶領團隊用一年半的時間，將收集到的數據構建成大型數據庫，並做出了不同類型選民的精細模型，比如對各族群選民的投票趨勢的實時分析，針對性的給出不同的宣傳策略。通過分析他們發現，第一夫人的拉票郵件在春天最受歡迎，並建議奧巴馬去Reddit去跟網民互動，還通過模型推演決定購買冷門節目的廣告時段來定位精準選民。
即使不提這些“精細”的操作，美國總統選舉也一直被認為是財力的比拼，而Rayid Ghani和他的團隊通過建立模型來預測誰會在線捐款，再將結果應用到郵件營銷上等，幫助奧巴馬籌集了破紀錄的10億美元。至於花錢上——據稱他們每晚都用模型進行6.6萬次模擬選舉，推算奧巴馬在搖擺州的勝率來分配資源。
假如奧巴馬和羅姆尼的團隊是兩個競爭的創業團隊，前者只需如時下的流行，喊一聲“我們有AI”，然後顯擺下技術大牛Rayid Ghani和他的機器學習，即使最遲鈍的投資人，也知道誰會贏了。
濮陽人呂不韋賈於邯鄲，見秦質子異人，歸而謂其父曰：“耕田之利幾倍？”曰：“十倍。”“珠玉之贏幾倍？”曰：“百倍。”“立國家之主贏幾倍？”曰：“無數。”（《戰國策》）
美國總統大選是人類社會最稱得上“贏倍無數“的事情之一，或者說是一場最頂級的影響人類命運的營銷比賽，是“呂不韋”們的獵場。而從大學實驗室來到名利場的機器學習，用新的技術應用，超越了舊的經驗理論，第一聲啼哭就碾壓了一群頂尖的天才。
當然，這樣的話題有點遙遠，總統大選4年才有一次，也不可能外包給中國團隊，我們來聊些更貼近的：那些“贏百倍“的生意，比如做企業，AI又能帶過來什麼改變？
有趣的是，同樣是營銷領域資深的從業者，在今年四月下旬，品友互動的創始人黃曉南給出了斬釘截鐵的回覆：“它（AI）不會替代我們，但是會使用AI的人一定會替代不使用AI的人。”
未來企業
今天的企業，和過去的企業有什麼不同？未來又會有哪些變化？
如何回答好這幾個問題，一直是經濟學家們頭疼的事情，但技術的突飛猛進，讓理工科的人也能跑進商業論壇來演講了。而這個趨勢在近幾年愈演愈烈，甚至連相關的科幻作家們都常被邀請，以至於不溫不火幾十年的中國科幻作家群體，忽然就“不夠用”了。
無他，新的現實急需新的理論來解釋和支撐。
在品友互動人工智能大會上，國際人工智能協會（AAAI）院士、港科大教授楊強，一個自稱“不太懂”商業的學者，卻提出了商業環境面臨的三點變化：數字化，智能化和社會化。當數字化發展到一定程度，機器就會從後臺來到前臺，從單純的支持者，開始承擔決策的任務，這又意味著人和機器、機器和機器之間等，又都需要新的溝通方式——企業需要面臨的變革可不少。
香港科技大學教授、大數據研究所所長楊強
而變革的本質是人工智能的不斷進步：計算力的提升、數據的爆炸式增長和算法的演進。機器在部分領域超越人類有幾個里程碑的事件：2011年，IBM的沃森在《危險邊緣》節目中擊敗人類選手贏得冠軍；2012年機器學習在圖片分類上勝過人類；以及後來擊敗了人類的阿法狗，和8小時訓練後就擊敗了阿爾法狗的AlphaZero。
時至今日，我們對機器在細分領域超越人類的未來已沒有懷疑，隨之而來的就是對藉助這股能力的渴望。MIT人工智能實驗室（如果不熟悉這個實驗室，那你只要知道他們有7個圖靈獎獲獎者就夠了）主任Daniela Rus介紹了人工智能在美國最新的應用：
醫療領域：AI被應用到淋巴結的識別上，人機配合可以將原來7.5%的失誤率降低到1%以下，MIT和麻省醫院合作的項目，通過機器學習，可以達到97%-99%的乳腺癌篩查準確率。
金融領域：聊天機器人和機器助手提供了更多決策輔助；在零售業，通過分析過去的數據，AI可以向購物者推薦更平衡的購物選擇。
法律領域：自然語言處理的應用，讓律師能夠輕鬆查閱整個圖書館的文件和書籍，而不用去記上千本書或是大量的案例和法律文件。
交通領域：MIT開發了一套機器學習的系統，可以將出租車的供需進行銜接（聽起來是不是很熟悉？）。
能源領域：谷歌近期使用的新系統，可以削減數據中心40%的能源消耗，“可以大幅減低此類消耗對於我們的環境有非常大的幫助”。
AI落地
人工智能令人神往，那麼，企業又要如何應用呢？
楊強提出的看法，是要回歸到機器學習的本質：“今天的AI是大數據驅動的，而大數據驅動的重要理念是機器學習。”
機器學習主要有三個步驟，首先是獲取數據，標註數據和清洗數據。第二步是特徵工程，把數據從原空間映射到超高維空間進行處理。第三步是機器學習，建模、優化然後反饋、測試，對未來進行預測。
“第一，從數據到模型再回到數據的環路要短，不要有過多人為的決策和參與；第二，數據的到來和反饋的獲得要頻繁；第三，模型的更新要快。”楊強說，對以人工智能為核心驅動的未來企業來說，“短、頻、快”將是成功的必要條件。
在實際應用中，企業對於需要人工智能解決的問題，要有這幾個思考：目標在哪裡？數據在哪裡？問題的邊界是否清楚？特徵在哪裡？特徵是否可以自動地用特徵工程進行運作？持續的反饋能否用在自學習的流程裡面？
一個非常符合這個情景的例子，就是客服電話。微眾銀行每天會收到大約10萬條客戶消息，這個場景有清晰的目標和邊界、高流量的數據、相應的反饋和算法，符合“短、頻、快”的原則。目前，98%的請求已經由機器人進行回答。
不難發現，在對人工智能的應用上，數字化程度高的互聯網原生企業頗有優勢。品友互動就是個很好的例子，不久之前，品友在百科上的介紹還是中國最大的程序化購買平臺，而程序化即是互聯網時代的產物。伴隨著互聯網的發展，網絡上出現了大量的中小廣告位，由於交易紊亂，作為需求方平臺應運而生，廣告主可以在DSP上進行程序化購買，但DSP的數據不一定夠精準，於是又出現了DMP（Data Management Platform）數據管理平臺提供數據業務。誕生於2008年的品友互動，沒有止步於，又繼續發展了DMP業務，在其主辦的智能大會上，黃曉南還宣佈了新的技術戰略——DISC（Data，Intelligence ，Strategy， Blockchain），投入到數據、算法、策略及區塊鏈方面的研究。現在，品友互動定位為基於大數據技術的人工智能決策平臺，並推出了MIP（Marketing Intelligence Platform）輔助企業的營銷決策。
品友互動創始人兼CEO黃曉南
探討在營銷領域的AI落地，黃曉南說，根據她的實踐經驗，第一原則是要找更熟悉本土情況的企業合作。“比如處理媒體的數據，媒體的數據在國外沒有那麼多作弊的，在中國有很多作弊的，我們模式識別的技術是專門針對這個問題來解決的。”其次，AI的落地必須是和CMO或者更高級別管理者交接：“我們做程序化的時候，接觸公司的媒介經理就夠了，現在我們基本上都是CMO或者CEO，不到這個級別的話，系統性的合作是不可能的。”第三，企業一定要很清楚AI的用途是什麼。“很多時候不是說先收集數據，收集數據有各種各樣的方法，事先沒有把問題講清楚就說開始收，基本上百分之百的失敗了。”
人機新解
回到楊強教授提出的三個變化，在普及了數字化，實現了AI落地的智能化後，社會化——未來企業中人類和機器的關係又會是怎麼樣的呢？
楊強的看法是：現代企業的設計和再造以人為中心，所有目標、反饋、計算力和數據都是圍繞著決策者和人設計的。在未來，人和機器是有各自的位置，人的作用依舊很重要，負責設計目標，提供數據，以及清洗和標註數據。也就是說，人既設定目標，又做機器的"老師"，但中心是機器在起作用，是人工智能的模型在起作用。
Daniela Rus補充到，人和機器不應該是競爭性的，而是有各自的優勢，通過協作可以實現1+1大於2的效果。“當然工作場景也在發生變化，非常重要的一點是，我們要思考如何駕馭技術服務於我們，支持我們進行認知性的工作、決策，應用在企業的方方面面。”
Daniela Rus
而對於企業家來說，看法則更實際一些。“一言蔽之，我覺得在人工智能時代是不可逆的趨勢，所有的人最後都會和機器成為夥伴。“黃曉南說，人成為機器最好的使用者，人就成為了一個判斷者，而機器成為了一個輔助者。
“它（AI）不會替代我們，但是會使用AI的人一定會替代不使用AI的人。”
作者 | 李昊原
閱讀更多 IT經理世界 的文章
