【中國(guó)MBA教育網(wǎng)訊】近日，清華大學(xué)經(jīng)濟(jì)管理學(xué)院副院長(zhǎng)徐心與FMBA項(xiàng)目2019級(jí)同學(xué)展開(kāi)面對(duì)面交流，和同學(xué)們就企業(yè)發(fā)展與AI治理之道進(jìn)行深入探討，通過(guò)前沿的觀察與生動(dòng)的案例，啟發(fā)各位同學(xué)在企業(yè)業(yè)務(wù)中思考AI的價(jià)值。

AI經(jīng)歷了怎樣的發(fā)展之路？

算法能為企業(yè)創(chuàng)造哪些價(jià)值？

企業(yè)與AI的深度交融何以成為可能？

企業(yè)中AI的應(yīng)用是有影響的。企業(yè)里有什么樣的AI項(xiàng)目，AI相關(guān)的資源應(yīng)該如何協(xié)調(diào)，如何建設(shè)？我和大家分享的內(nèi)容，將更多從組織和企業(yè)的層面看人工智能項(xiàng)目立項(xiàng)和建設(shè)的過(guò)程。

如果你想得到不一樣的結(jié)果，就要做不同的事情，不能做同樣的事情。愛(ài)因斯坦是物理學(xué)家，我們知道物理學(xué)有三個(gè)定律，愛(ài)因斯坦還講有三個(gè)力量統(tǒng)治世界，分別是愚蠢（stupid）、恐懼（fear）和貪婪（greedy）。人工智能讓我們變得更聰明，我們是在破解第一個(gè)力量。

什么是人工智能？百度的吳恩達(dá)，人工智能首席科學(xué)家，曾經(jīng)說(shuō)現(xiàn)在我們?nèi)嗽谝幻腌妰?nèi)能做的事情，80% AI都能做。70年代有一位名叫理查·貝爾曼（Richard Bellman）的科學(xué)家，是研究決策科學(xué)優(yōu)化的科學(xué)家，1978年將人工智能定義為，人工智能是那些與人的思維、決策、問(wèn)題求解和學(xué)習(xí)等有關(guān)活動(dòng)的自動(dòng)化。從這一層面上看，自動(dòng)化相對(duì)的就是手動(dòng)，一些和信息處理相關(guān)決策討論分析的事情，過(guò)去需要手工去做，現(xiàn)在可以把它自動(dòng)化，這個(gè)就叫做人工智能。

在Bellman給出人工智能定義的70年代，知識(shí)工程達(dá)到頂峰。我在大四的時(shí)候選修一門(mén)課叫專(zhuān)家系統(tǒng)，所謂專(zhuān)家系統(tǒng)就是專(zhuān)家總結(jié)一系列的規(guī)則，把這些規(guī)則輸入到信息系統(tǒng)里面，然后再用一些邏輯運(yùn)算進(jìn)行判斷。在現(xiàn)實(shí)的應(yīng)用中，比如銀行對(duì)小企業(yè)的授信，規(guī)模多大是一個(gè)規(guī)則，過(guò)去是否申請(qǐng)過(guò)貸款是一個(gè)規(guī)則，企業(yè)和哪些企業(yè)做過(guò)項(xiàng)目等等，滿(mǎn)足哪些規(guī)則就加幾分，最后加在一起。我們?cè)诂F(xiàn)實(shí)生活中依據(jù)規(guī)則做出決策，往往有風(fēng)險(xiǎn)。各位在企業(yè)管理中面對(duì)的很多問(wèn)題，都是復(fù)雜的決策。知識(shí)工程，也就是說(shuō)靠總結(jié)規(guī)則進(jìn)行決策，就是我們今天熟悉的機(jī)器學(xué)習(xí)。

近年來(lái)，人工智能依靠機(jī)器學(xué)習(xí)，在圖像識(shí)別、圖像處理一系列的應(yīng)用中都有了很大突破。2015年在 Science上有一個(gè)里程碑式的總結(jié)，基于深度學(xué)習(xí)從圖像中進(jìn)行物體識(shí)別。機(jī)器學(xué)習(xí)是怎么做的呢？我們要感謝像杰弗里·辛頓這樣的計(jì)算機(jī)科學(xué)家。機(jī)器學(xué)習(xí)在50年代-70年代的冰河期的時(shí)候，他們一直堅(jiān)守，研究神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)的算法；90年代，大數(shù)據(jù)的出現(xiàn)給了機(jī)器學(xué)習(xí)算法進(jìn)行有效的訓(xùn)練和收斂的數(shù)據(jù)基礎(chǔ)；硬件的發(fā)展又提供了海量的算力，三個(gè)條件并列存在，出現(xiàn)了一些很成功的應(yīng)用，例如圖像識(shí)別，這些都是未來(lái)我們所期待的AI應(yīng)用的基礎(chǔ)。

深度學(xué)習(xí)是有神經(jīng)科學(xué)的基礎(chǔ)的。Hubel和Wiesel兩位科學(xué)家曾經(jīng)在1981年獲得諾獎(jiǎng)，他們主要研究人的神經(jīng)系統(tǒng)的基礎(chǔ)工作機(jī)制，通過(guò)實(shí)驗(yàn)驗(yàn)證了人大腦中不同位置的神經(jīng)系統(tǒng)負(fù)責(zé)處理認(rèn)知中不同層面的信息。深度學(xué)習(xí)其實(shí)就是在模仿學(xué)習(xí)的過(guò)程，我們把一張照片的像素輸入進(jìn)去，第一層學(xué)習(xí)的就是這些照片的像素組成基本的、最簡(jiǎn)單的小零件，這些小零件再組成人臉，人臉再和我們賦予的一些意義聯(lián)系在一起，這是機(jī)器學(xué)習(xí)最基本的邏輯。

機(jī)器學(xué)習(xí)很有可能對(duì)我們未來(lái)的組織產(chǎn)生重要的影響。我們經(jīng)常說(shuō)學(xué)習(xí)型組織要不斷從外界進(jìn)行學(xué)習(xí)，糾正自己的錯(cuò)誤，組織相關(guān)的研究通常都是聚焦在組織形態(tài)、組織規(guī)模、組織激勵(lì)、組織文化，但是往往忽略了技術(shù)的層面，那么機(jī)器學(xué)習(xí)它為什么區(qū)別于規(guī)則呢？我們把圖片輸入到最底下一層，它會(huì)經(jīng)過(guò)算法，最終它的輸出是告訴你這里面有人還是沒(méi)有人，一開(kāi)始的輸出有可能是錯(cuò)誤的，這就形成一個(gè)錯(cuò)誤，形成一個(gè)誤差，誤差又會(huì)拿回來(lái)去更新復(fù)雜的系統(tǒng)中的每一條邊，這個(gè)邊其實(shí)就是一個(gè)權(quán)重，這就是學(xué)習(xí)的過(guò)程。我們講企業(yè)授信的過(guò)程，例如有一個(gè)小企業(yè)到銀行貸款，根據(jù)過(guò)去企業(yè)的一些特征，比如規(guī)模、行業(yè)、電費(fèi)、員工等特征，經(jīng)過(guò)最初的神經(jīng)系統(tǒng)和神經(jīng)元系統(tǒng)，神經(jīng)網(wǎng)絡(luò)得出判斷是可以貸款，結(jié)果一年后企業(yè)無(wú)法還貸，說(shuō)明最初的判斷是錯(cuò)誤的，這就是一個(gè)誤差，要把誤差再拿回來(lái)去更新最初的神經(jīng)元網(wǎng)絡(luò)。過(guò)去讓一個(gè)組織更新自己的規(guī)則往往很緩慢，現(xiàn)在基于數(shù)據(jù)，基于現(xiàn)實(shí)中的業(yè)務(wù)，我們可以每天都要網(wǎng)絡(luò)進(jìn)行計(jì)算，最終企業(yè)里用于授信的神經(jīng)網(wǎng)絡(luò)算法會(huì)越來(lái)越逼近有效的算法。

在AI之前，BI（Business Intelligence）這個(gè)詞已經(jīng)流行了20年。AI本質(zhì)上是人類(lèi)思維活動(dòng)的自動(dòng)化，第一階段是從BI過(guò)渡到AI，第二階段是在自動(dòng)化基礎(chǔ)上做好數(shù)據(jù)工程，第三階段是在某一個(gè)流程上應(yīng)用人工智能降本增效，或者進(jìn)行流程創(chuàng)新，很多流程都進(jìn)行創(chuàng)新，智能聯(lián)動(dòng)就形成了價(jià)值鏈層面的變化，最高層面的應(yīng)該是人工智能的治理創(chuàng)新，如何在企業(yè)內(nèi)部進(jìn)行有效的人工智能項(xiàng)目治理。

第一階段從BI到AI的轉(zhuǎn)化離不開(kāi)BI。 BI和AI到底有什么區(qū)別？涉及BI最核心的概念是drive down（鉆?。?，就是我們現(xiàn)在各行各業(yè)里經(jīng)常講的數(shù)據(jù)切片。最大的黃色正方體代表顧客空間，按照三個(gè)維度切割，藍(lán)顏色的群體是企業(yè)關(guān)心的群體，企業(yè)了解這個(gè)群體對(duì)營(yíng)銷(xiāo)的響應(yīng)率，看到了一個(gè)平均響應(yīng)率之后還不滿(mǎn)意，就把藍(lán)色群體拿出來(lái)再按照一些維度切割，聚焦在了一個(gè)企業(yè)覺(jué)得可以發(fā)力的小群體上。

IBM曾經(jīng)做過(guò)這樣的事情，顧客打電話(huà)抱怨企業(yè)賣(mài)的產(chǎn)品有問(wèn)題，接線員接到顧客的電話(huà)之后，立刻能調(diào)閱和顧客相關(guān)的所有信息，針對(duì)顧客反映的情況，系統(tǒng)自動(dòng)提出建議。營(yíng)銷(xiāo)經(jīng)理根據(jù)客服匯總的信息，例如他所關(guān)注的某一條產(chǎn)品線上的顧客，進(jìn)行客戶(hù)價(jià)值、保全比例、盈利能力等不同維度的分析。

營(yíng)銷(xiāo)經(jīng)理發(fā)現(xiàn)，客戶(hù)保全比例只達(dá)到了目標(biāo)的52%，這就是在進(jìn)行一次切片，按照一個(gè)指標(biāo)進(jìn)行一次切片，營(yíng)銷(xiāo)經(jīng)理就看到了客戶(hù)保全維度出現(xiàn)問(wèn)題，進(jìn)一步切片，發(fā)現(xiàn)是白金卡顧客出了問(wèn)題，然后發(fā)現(xiàn)顧客通常在商場(chǎng)里消費(fèi)最多，于是營(yíng)銷(xiāo)經(jīng)理調(diào)出商場(chǎng)的數(shù)據(jù)來(lái)看，這就是我們所說(shuō)的BI，不斷的切片。

現(xiàn)實(shí)中BI系統(tǒng)的應(yīng)用如何？曾經(jīng)很多公司都在用，但是效果沒(méi)有達(dá)到預(yù)計(jì)的。系統(tǒng)提供給營(yíng)銷(xiāo)經(jīng)理維度進(jìn)行切片，現(xiàn)實(shí)中營(yíng)銷(xiāo)經(jīng)理往往采用最熟悉的幾個(gè)維度，性別、工作、銀行賬戶(hù)、信用卡消費(fèi)、額度等。背后的原因是，盡管技術(shù)提供給經(jīng)理人進(jìn)行規(guī)則總結(jié)的工具，但是人腦面對(duì)大量數(shù)據(jù)總結(jié)規(guī)則，依然很困難。

如果是AI進(jìn)行營(yíng)銷(xiāo)分析該怎么做？AI不會(huì)再做這種切片的工作，會(huì)把和顧客相關(guān)的所有特征全部輸入到神經(jīng)網(wǎng)絡(luò)里面，輸出是這個(gè)人在營(yíng)銷(xiāo)之后的購(gòu)買(mǎi)率。神經(jīng)網(wǎng)絡(luò)進(jìn)行中間的計(jì)算，得到模型，面對(duì)新顧客時(shí)，把特征輸入到神經(jīng)網(wǎng)絡(luò)，AI會(huì)估算概率，這個(gè)人是否會(huì)進(jìn)行消費(fèi)。

Simon曾說(shuō)，“A wealth of Information creates a poverty of attention.”信息社會(huì)大量的信息導(dǎo)致認(rèn)知能力的貧乏。當(dāng)數(shù)據(jù)量很小的時(shí)候，我們偏向于HI（Human Intelligence），依靠人腦進(jìn)行規(guī)則總結(jié)；數(shù)據(jù)量小規(guī)模增加，按照少量維度進(jìn)行總結(jié)，BI輔助很好用；一旦數(shù)據(jù)變成海量，就需要依靠人工智能特別是機(jī)器學(xué)習(xí)，因?yàn)槿斯ぶ悄懿灰蕾?lài)于人腦進(jìn)行規(guī)則總結(jié)，是依靠復(fù)雜的線性函數(shù)疊加，在輸入和輸出形成復(fù)雜的網(wǎng)絡(luò)，自動(dòng)計(jì)算，自動(dòng)生成網(wǎng)絡(luò)，數(shù)據(jù)量越大，人工智能學(xué)習(xí)效果會(huì)越好。

組織的人工智能治理建設(shè)的第一個(gè)階段應(yīng)該自動(dòng)化過(guò)程。企業(yè)創(chuàng)新問(wèn)題可以上溯到熊彼特，大的組織能夠承受創(chuàng)新失敗帶來(lái)的風(fēng)險(xiǎn)，但是當(dāng)組織變得特別大的時(shí)候，沒(méi)有動(dòng)力進(jìn)行創(chuàng)新，個(gè)體小組織必須靠創(chuàng)新存活下來(lái)。

我曾經(jīng)帶博士生做過(guò)一個(gè)項(xiàng)目，就是在一個(gè)網(wǎng)絡(luò)平臺(tái)上出現(xiàn)網(wǎng)絡(luò)博主家族時(shí)，平臺(tái)的創(chuàng)新速度和成效如何。研究這個(gè)問(wèn)題有一個(gè)前提，就是識(shí)別博主的價(jià)值，我們主要將點(diǎn)贊和評(píng)論作為創(chuàng)新的效果。

平臺(tái)本身也很關(guān)注這樣的博主家族，我們和平臺(tái)首要解決的一個(gè)關(guān)鍵技術(shù)問(wèn)題，就是哪些人屬于一個(gè)家族。平臺(tái)采用人工的方式，根據(jù)經(jīng)驗(yàn)識(shí)別家族成員，例如根據(jù)文本介紹中是否提及家族關(guān)系、網(wǎng)絡(luò)互動(dòng)和博主發(fā)言，判斷是否屬于同一個(gè)家族，但是會(huì)出現(xiàn)作弊的現(xiàn)象，召回率只有20%。我和博士生通過(guò)分析平臺(tái)數(shù)據(jù)，發(fā)現(xiàn)家族之間的互動(dòng)是有特征的，基于觀察，我們建立了一個(gè)自動(dòng)化系統(tǒng)，通過(guò)博主之間形成的關(guān)系網(wǎng)，找到中心的小群體，這個(gè)小群體內(nèi)部特別聚攏，群體之間比較分散。以這樣的種子節(jié)點(diǎn)深挖附近的群體，把這些群體聚合在一起，通過(guò)規(guī)則進(jìn)行評(píng)分，召回的精確率達(dá)到78%。在這個(gè)項(xiàng)目里，我們實(shí)現(xiàn)了第一步，人工智能能力建設(shè)的自動(dòng)化。

這是一種思維模式的改變。我們過(guò)去的管理工作依賴(lài)規(guī)章制度，未來(lái)學(xué)習(xí)型的組織會(huì)依靠數(shù)據(jù)和算法。這種組織的優(yōu)點(diǎn)在于動(dòng)態(tài)，可以根據(jù)組織績(jī)效不斷改變自己的內(nèi)在。

接下來(lái)，神經(jīng)網(wǎng)絡(luò)如何建設(shè)得更有效，如何把神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練得更精準(zhǔn)？今天在業(yè)界里面應(yīng)用的人工智能算法，都是一些成熟算法，而且是云上開(kāi)源的算法，企業(yè)的工作是應(yīng)用這些算法把數(shù)據(jù)整理好。很多組織都會(huì)說(shuō)有海量的數(shù)據(jù)，但大量的組織數(shù)據(jù)是不可用的，，因?yàn)槠髽I(yè)忽略了數(shù)據(jù)工程。企業(yè)要做人工智能項(xiàng)目，第一步就是要花大力氣在企業(yè)內(nèi)部做數(shù)據(jù)工程。我曾經(jīng)帶著博士生和一家銀行合作，希望通過(guò)顧客數(shù)據(jù)幫助銀行提高營(yíng)銷(xiāo)成功率。我們拿到了脫敏之后的用戶(hù)數(shù)據(jù)，進(jìn)行了很長(zhǎng)時(shí)間的數(shù)據(jù)整理和研究，現(xiàn)在有一些積極的結(jié)果。但是在和銀行溝通時(shí)，我們感到，項(xiàng)目的業(yè)務(wù)部門(mén)歸屬還應(yīng)該更清晰，數(shù)據(jù)工程是長(zhǎng)期要做的事情，在做檢測(cè)的時(shí)候需要有AB測(cè)驗(yàn)（實(shí)驗(yàn)組與控制組）的平臺(tái)。

我曾經(jīng)和一家保險(xiǎn)行業(yè)的公司合作，探究聲學(xué)特征能不能反映顧客情緒，如果顧客負(fù)面情緒比較多，是不是應(yīng)該優(yōu)先執(zhí)行？

在具體研究時(shí)，要對(duì)客服電話(huà)先預(yù)處理降噪，然后把錄音切片，再用CNN （Convolutional Neural Networks，卷積神經(jīng)網(wǎng)絡(luò)）進(jìn)行識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)最著名的應(yīng)用是識(shí)別圖片里有沒(méi)有貓，應(yīng)用到語(yǔ)譜圖中，橫軸是時(shí)間，縱軸是頻率，把聲音轉(zhuǎn)化成圖像，識(shí)別圖片里面有沒(méi)有一個(gè)特殊的形狀表示生氣。這里面有一個(gè)難點(diǎn)，是需要人工標(biāo)注同時(shí)互相校驗(yàn)，識(shí)別圖片里是否有顧客的負(fù)面情緒。

我們把數(shù)據(jù)給到算法，經(jīng)過(guò)訓(xùn)練之后效果還不錯(cuò)。同時(shí)我們也做了一件事情，把這通電話(huà)轉(zhuǎn)成文本，我們覺(jué)得文字和情緒應(yīng)該結(jié)合在一起，但特別令人驚訝的是，這個(gè)場(chǎng)景下，文字里反映的負(fù)面情緒并不多。有可能是因?yàn)樵诖螂娫?huà)的過(guò)程中，雙方都被告知這個(gè)電話(huà)需要錄音，在受控的情況下能夠注意自己的文字。我們開(kāi)發(fā)了一些現(xiàn)實(shí)中應(yīng)用的場(chǎng)景，在現(xiàn)實(shí)的檢驗(yàn)中，公司隨機(jī)調(diào)增4%，據(jù)他們的經(jīng)驗(yàn)和歷史數(shù)據(jù)，有2.5%的通話(huà)有較嚴(yán)重的服務(wù)質(zhì)量問(wèn)題，采用我們這套系統(tǒng)，將一天內(nèi)所有的電話(huà)檢索一遍，按照負(fù)面情緒排序，能找到的負(fù)能情緒通話(huà)召回率達(dá)到了30%，有幾乎10倍的提升。CNN是一個(gè)圖像識(shí)別的技術(shù)，但是同樣我們可以拿到識(shí)別聲音信號(hào)上。這是我想跟大家分享的第一個(gè)感觸，很多人工智能的算法是通用算法，要理解了這個(gè)算法做什么，在這個(gè)場(chǎng)景下能干什么。

人工智能有一個(gè)問(wèn)題是黑盒子，復(fù)雜的神經(jīng)網(wǎng)絡(luò)輸入1000個(gè)特征，輸出電話(huà)里有沒(méi)有和服務(wù)質(zhì)量相關(guān)的問(wèn)題，中間的計(jì)算無(wú)法解釋?zhuān)栽诂F(xiàn)實(shí)應(yīng)用中決策人沒(méi)有信心。我們做人工智能項(xiàng)目，盡量在得出了較好的工程結(jié)果之后，要注意可解釋性。我們?cè)陧?xiàng)目中做了一些分析，縱軸是電話(huà)和服務(wù)流程可能有問(wèn)題的概率，概率越高，說(shuō)明可能有服務(wù)質(zhì)量問(wèn)題，橫軸是某一個(gè)特征。算法本身對(duì)特征進(jìn)行排序，比較靠前的特征是情緒波動(dòng)，在一通電話(huà)里，顧客情緒波動(dòng)不大不代表他永遠(yuǎn)都高興，情緒波動(dòng)越高，出現(xiàn)的負(fù)面情緒越多，說(shuō)明顧客不斷的不滿(mǎn)意，負(fù)面情緒一直在增長(zhǎng)，很可能是有服務(wù)質(zhì)量問(wèn)題。

在這個(gè)例子中和大家溝通了深度學(xué)習(xí)的算法，以及可解釋性的問(wèn)題，它也引發(fā)關(guān)注管理問(wèn)題。人工智能項(xiàng)目在企業(yè)內(nèi)部往往涉及不同部門(mén)的業(yè)務(wù)和數(shù)據(jù)，項(xiàng)目應(yīng)該如何設(shè)立，為什么不同部門(mén)想把數(shù)據(jù)貢獻(xiàn)出來(lái)，有什么樣的機(jī)制能夠促進(jìn)不同部門(mén)分享數(shù)據(jù)，如何讓數(shù)據(jù)在企業(yè)內(nèi)部形成一個(gè)公共品，是我一直思考的問(wèn)題。

當(dāng)我們聚焦單一流程的時(shí)候，人工智能算法可以幫我們做一些創(chuàng)新，就是技術(shù)賦能的創(chuàng)新。我現(xiàn)在正在進(jìn)行一個(gè)教育類(lèi)的項(xiàng)目。我們經(jīng)常說(shuō)一心不能二用，但心理學(xué)和教育學(xué)提出了一個(gè)新的理論叫交錯(cuò)學(xué)習(xí)，同時(shí)間要學(xué)習(xí)兩到三件事?，F(xiàn)在很多學(xué)習(xí)平臺(tái)是這么設(shè)計(jì)的，根據(jù)用戶(hù)測(cè)評(píng)，找準(zhǔn)一個(gè)人薄弱的知識(shí)點(diǎn)，推薦有針對(duì)性的學(xué)習(xí)材料。有教育學(xué)的理論告訴我們說(shuō)，同一個(gè)學(xué)習(xí)段里學(xué)習(xí)不同的事情有兩個(gè)好處，大腦能更清晰地識(shí)別不同的東西，能把不同的問(wèn)題組織在一起形成更高階的問(wèn)題解答模式。但讓一個(gè)人一次學(xué)太多東西是不是太累了，腦力是有限的，所以一心多用有好處，也有壞處。在我們的項(xiàng)目中，對(duì)方為同學(xué)們出了閱讀理解題目，標(biāo)注每一個(gè)題目是考哪些知識(shí)點(diǎn)，通過(guò)學(xué)生做某一道題的結(jié)果，用統(tǒng)計(jì)的方法去推斷他對(duì)知識(shí)點(diǎn)的掌握程度，背后是貝葉斯的統(tǒng)計(jì)過(guò)程。不同的學(xué)生隨機(jī)分為三組，一組推送掌握程度較弱的知識(shí)點(diǎn)進(jìn)行練習(xí)，一組推薦知識(shí)圖譜距離較遠(yuǎn)的題目，還有一組推薦知識(shí)圖譜距離較近的題目，再加上前測(cè)和后測(cè)，最終發(fā)現(xiàn)做題時(shí)間和正確率關(guān)系不大，中間組的同學(xué)每次練習(xí)三個(gè)聯(lián)系較少的知識(shí)點(diǎn)，學(xué)習(xí)效果相對(duì)不好；每次練習(xí)三個(gè)距離較近知識(shí)點(diǎn)的同學(xué)，學(xué)習(xí)效果相對(duì)較好。這是AI賦能的一個(gè)教育研究。

畢加索有一句名言，“Computers are useless. They can only give you answers.”直到今天很多人還在討論這句話(huà)到底是什么意思。在這個(gè)案例中，一個(gè)新的教育理念引導(dǎo)我們做一件新的事情，業(yè)務(wù)思想驅(qū)動(dòng)業(yè)務(wù)創(chuàng)新。在今天大多數(shù)的情況下，AI自身不能驅(qū)動(dòng)創(chuàng)新， AI是一個(gè)重要的工具，可以賦能，可以把想象中的事情落地。所以在這個(gè)時(shí)代，大家應(yīng)該多掌握AI相關(guān)的一些工具，它會(huì)賦能你在未來(lái)做一些創(chuàng)新的事情。不同的流程創(chuàng)新之后，行業(yè)的價(jià)值鏈可能會(huì)發(fā)生變化，可能改變一些行業(yè)的規(guī)則。

我覺(jué)得能力建設(shè)最高的層面，是AI治理的創(chuàng)新。在項(xiàng)目中能夠觀察到共性的管理問(wèn)題，項(xiàng)目立項(xiàng)怎么定，AI項(xiàng)目到底有沒(méi)有經(jīng)濟(jì)效率，算法、數(shù)據(jù)來(lái)自不同的部門(mén)，大家如何分享這個(gè)蛋糕？這些都是企業(yè)里現(xiàn)在懸而未決的問(wèn)題，值得我們探討。

我覺(jué)得AI有三個(gè)職能，分別是數(shù)據(jù)、計(jì)算和評(píng)估。數(shù)據(jù)在企業(yè)應(yīng)該是一個(gè)公共資源，它應(yīng)該來(lái)自于所有的業(yè)務(wù)和所有的職能部門(mén)，財(cái)務(wù)、人力資源、金融的數(shù)據(jù)應(yīng)該共享，所有的生產(chǎn)部門(mén)、供應(yīng)鏈、銷(xiāo)售服務(wù)都要貢獻(xiàn)自己的業(yè)務(wù)數(shù)據(jù)。因?yàn)槿斯ぶ悄艿乃惴ㄒ繑?shù)據(jù)，把這些數(shù)據(jù)湊在一起，人工智能的算法才會(huì)有意想不到的效果。

還有一個(gè)問(wèn)題，是“互聯(lián)網(wǎng)+”還是“+互聯(lián)網(wǎng)”，在我自己的理解中，這一點(diǎn)切中了互聯(lián)網(wǎng)的本質(zhì)，經(jīng)濟(jì)學(xué)里面成為“網(wǎng)絡(luò)效應(yīng)”?；ヂ?lián)網(wǎng)上參與者越多，溝通產(chǎn)生的價(jià)值越大，應(yīng)該做到“互聯(lián)網(wǎng)+”，將互聯(lián)網(wǎng)作為一個(gè)平臺(tái)，其他的業(yè)務(wù)加到平臺(tái)中，互聯(lián)網(wǎng)的價(jià)值才能增長(zhǎng)。

今天我們的人工智能都是弱人工智能，聚焦在一個(gè)很窄的領(lǐng)域，只做一件事情。弱人工智能是被人監(jiān)管的，不能自己訓(xùn)練自己，不能自己開(kāi)發(fā)出其他智能能力，意味著不同的算法之間不能打通的，沒(méi)有交互，AI反而增加了很大的管理成本，這是我個(gè)人的看法，可能不對(duì)。我覺(jué)得 AI公司是一個(gè)很具體的小公司，做一件事，但是這個(gè)公司的價(jià)值要加在一個(gè)平臺(tái)公司上，因?yàn)橐褂盟惴?，所以我們看到很多成熟而有價(jià)值的AI是大公司的產(chǎn)品。今年我曾經(jīng)提出過(guò)壟斷式創(chuàng)新金融科技，觀察金融科技里的很多創(chuàng)新都是壟斷式企業(yè)在做，背后的道理是因?yàn)楣緣艛嗔藬?shù)據(jù)，能夠把算法訓(xùn)練好。但是就 AI本身來(lái)講，AI不是平臺(tái)。

目前有一些公司產(chǎn)生了一個(gè)數(shù)據(jù)分析庫(kù)或者AI部門(mén)，這個(gè)部門(mén)應(yīng)該是公司內(nèi)部的一個(gè)支持部門(mén)，還是一個(gè)事業(yè)部門(mén)，或是一個(gè)獨(dú)立公司，如何才能是一個(gè)好的管理機(jī)制，這其實(shí)是不同的。如果是內(nèi)部的一個(gè)部門(mén)，要進(jìn)行的業(yè)務(wù)會(huì)和現(xiàn)在部門(mén)業(yè)務(wù)沖突，如何協(xié)調(diào)是一個(gè)問(wèn)題。如果是獨(dú)立上市的公司，所有的業(yè)務(wù)部門(mén)去參股，用的數(shù)據(jù)去參股，業(yè)務(wù)部門(mén)愿意嗎，還是有風(fēng)險(xiǎn)的。未來(lái)我想走訪一些企業(yè)，和同行討論，探討AI在企業(yè)內(nèi)部的治理創(chuàng)新，希望在課堂上能夠和大家進(jìn)行更好的分享。