企業如何打開AI大門？金融
對大公司而言，這可能是一項令人不安的變化。然而，技術的易獲取性與活躍的生態系統的融合表明，企業比任何時候都能更快地參與到這種新的創新浪潮中。
人工智能從根本上改變了企業在所有領域的運營方式，包括制造業、醫療、IT和運輸。在過去十年中，人工智能的發展為企業提供了自動化業務流程，改變了客戶體驗及差異化產品的服務。
像谷歌和亞馬遜這樣的人工智能先驅，已經利用這些新技術贏得競爭優勢，并且從其AI戰略中獲得了利益。
雖然企業對AI的利用程度還處于早期階段，但就目前的AI發展而言，任何企業的高管都會對此進行戰略商討。但重要的是，要對AI及其生態系統有一個具體的了解，以及行業領袖采取何種措施，來增加其競爭優勢。
了解人工智能
人工智能是計算機科學的一個分支，旨在創建能夠實現智能行為的機器。在AI內部有多種技術和分支，其中機器學習成為發展最快的一項技術。
機器學習算法借鑒的是實例和經驗，而不是依賴預定義的規則和算法。機器學習也有許多分支，比如專注于深度神經網絡結構的深度學習。
人工智能受益于技術創新和更廣泛的專業知識的融合，特別是可負擔的云計算基礎設施，大型數據集的可用性，以及算法優化的飛躍。
得益于人工智能研究的大量投資，這些技術進步為人工智能創造了一個可持續發展的環境，并繼續影響企業和社會的未來。
機器學習有什么特別之處？
最近人工智能的興起在很大程度上得益于機器學習的進步。這些進步促進了自然語言處理（蘋果的Siri和谷歌翻譯）、推薦系統（亞馬遜的推薦引擎）以及圖像識別技術（診斷工具和自主駕駛汽車）的發展。
機器學習大致分為兩種學習方法：
監督式學習：使用已知的數據集，根據標記的輸入和輸出數據進行推斷。
非監督式學習：在已知的數據集中，根據未標記的輸出數據進行推斷。
目前，在工作中最普遍的方法是監督式學習，而無監督式學習適用于更廣泛的應用。在每個學習方法中，有多個算法類別可供選擇，其決策取決于問題的類型和預期的結果。
在機器學習工作流中，流程的每個部分都需要特定的專業知識和不同級別的資源。雖然領域專業知識對于工作流的預處理和特征工程部分（是機器學習中另一個需要大量專業人力的環節）很重要，但是訓練階段需要不同的AI專業知識和較少的領域知識。
從基礎設施的角度來看，在處理數據時，資源最密集的階段是模型訓練階段。同樣，了解每種方法的利弊以及在構建ML模型時所需解決問題的類型都很重要。
AI堆棧
人工智能堆棧是運行人工智能模型所需的基礎設施，包括優化組件、存儲、數據處理和分析工具。
組件：CPU、GPU、FPGA和專用ASIC是AI堆棧的基本組件。雖然CPU無處不在，但在機器學習的資源密集型訓練階段中，使用的GPU和FPGA促進了深度學習的巨大進步。對于需要較少資源的推理部分來說，傳統CPU或超低功耗FPGA或ASIC是最常見的工具。
計算：公共云供應商為人工智能量身定制解決方案。云計算選項的可用性使任何企業、SMB或小團隊能夠在一個可承受的價格點運行AI模型。
存儲：在機器學習中需要大量的數據，特別是在特征工程階段，且數據存儲至關重要。Hadoop集群（偽分布式運行模式）和云對象存儲的出現，大大提高了支持人工智能用例的數據存儲能力。
AI堆棧依賴于公共云供應商和開放源碼項目提供的服務。云巨頭——如谷歌、亞馬遜、Facebook、微軟和百度——的投資，推動了從擁有堆棧的專有廠商轉變為提供AI服務。
開放源代碼作為公認的標準，在整個人工智能生態系統中促進了更快速的發展。谷歌的開放源碼的TensorFlow庫對其進行了驗證，它可以讓任何一個對機器學習有興趣的人來開發模型，而不必從頭開始構建庫和算法。
AI生態系統
在過去的十年，AI走出了研究機構，成為世界上一些先進科技公司的前沿技術。這些公司將AI嵌入其核心產品和服務，加速技術進步和人才發展，以及擴大在AI生態系統中的投資。
亞馬遜正在利用AI改進個性化推薦和優化庫存管理。在亞馬遜致股東的年度信件中，首席執行官杰夫?貝佐斯（Jeff Bezos）討論了采用AI的重要性，從而更快地交付產品、提升現有產品、并通過云計算部門創建新工具。
谷歌使用自己的DeepMind技術來管理數據中心，并將冷卻成本降低40%。該公司的AI-First專注于利用AI進行搜索優化、自動駕駛汽車及眾多其他投資組合解決方案。
Facebook致力于打造AI的基礎技術。其研究小組FAIR是神經網絡突破的頂級研發者之一。
微軟已經創建了一個AI業務部門，擁有超過5000名計算機科學家和工程師，專注于將AI應用到其產品中。
英特爾正在更新其服務器，以應對處理和訓練AI系統所需的額外計算要求。為了做到這一點，該公司已經將其AI業務交由Nervana前CEO Naveen Rao所領導（Nervana是一家深度學習創業公司，于2016年被英特爾收購）。
百度在人工智能領域投入巨資，開發圖像識別技術，推進自主駕駛和數字助理，并開發增強現實工具。
AI人才短缺仍然是一個問題。據麥肯錫數據顯示，70%的AI投資來自大型科技公司的內部研發投入。我們可以看到很多云巨頭從學術界聘請AI人才來領導其AI研發工作。約有80%-90%的AI人才被世界上的科技巨頭納入麾下。
對人才的激烈競爭也掀起了對AI公司收購的熱潮。據CB Insights整理，僅在2017年就有55家不同領域的AI私人公司被收購。谷歌、蘋果、Facebook、英特爾、微軟和亞馬遜在AI并購方面表現得十分活躍，其大部分并購針對其核心的AI技術，比如圖像識別和自然語言處理。
在這些技術供應商的帶領下，AI已經迎來了其早期的贏家，并在這一過程中創造了一個基于AI技術和工具的生態系統。2017年，650多起交易活動創下了65億美元的交易記錄，遠超2016年近1000筆交易的57億美元的交易記錄。
AI公司專注的領域不斷擴展，從最初的AI核心技術到為特定行業提供AI解決方案。在投資方面，AI最大的細分領域一直是網絡安全和橫向解決方案，其次是商業智能和IoT創業公司。
企業如何打開AI大門
在評估如何部署或建立AI工具時，企業應同時分析其最高價值用例，并建立強有力的支撐體系和人才基礎。
任何AI工作都會依賴于三個主要的構建區塊：數據、基礎設施和人才。
數據驅動觀察，但需要訪問大型數據集。機器學習的有效性往往與現有數據的數量密切相關。在這個階段，獲取大量的數據需要從ML工具中獲取價值。
基礎設施，無論是軟件還是硬件，都必須到位，才能有效地運行機器學習模型。云服務提供商都做已經好準備將其產品擴展到AI基礎設施，并提供可以與開源軟件結合使用的解決方案。對一些公司而言，將訓練數據轉移到云端太昂貴或根本實現不了。但大量的技術能力還是必要的，有時也會需要GPU、FPGA或ASIC硬件加速器。
AI人才在有效利用機器學習方面至關重要。雖然并不是每個公司都會建立其內部的AI組織，但吸納經驗豐富的數據科學家是發揮AI價值的關鍵。機器學習是一個需要專業知識的難題。
將AI應用于其核心產品和服務，用以實現競爭的差異化?；趦炔康膶I知識，公司將能夠建立一個促進AI發展的強大基礎設施。
在許多情況下，實施一項戰略需要大量的資本投入。如果不能構建自己的內部解決方案，那么可以采用第三方工具作為合適的替代方案。對于那些無法通過AI來實現差異化的公司，可以逐步改進并實現其自動化運營。運營效率也是一項競爭優勢。
并非每家公司都享有相同的優先級。雖然有些人可能會找到一種自動化的客戶服務解決方案來發揮其業務價值，但可能另外一些人會找到對庫存管理更智能化預測的解決方案。鼓勵團隊分析和探索在部門內采用AI工具的好處，將有助于了解AI在哪些地方會產生最大的影響。
結論
AI不再僅僅是學術機構或實驗室的理論研究；相反，它是一項會改變社會，帶來創新的基礎技術。對大公司而言，這可能是一項令人不安的變化。然而，技術的易獲取性與活躍的生態系統的融合表明，企業比任何時候都能更快地參與到這種新的創新浪潮中。
來源：億歐
1.TMT觀察網遵循行業規范，任何轉載的稿件都會明確標注作者和來源；
2.TMT觀察網的原創文章，請轉載時務必注明文章作者和"來源：TMT觀察網"，不尊重原創的行為TMT觀察網或將追究責任；
3.作者投稿可能會經TMT觀察網編輯修改或補充。
