故事还要从2016年起，那一场围棋开始，我们从不同的行业、不同的场景看到了AI的成功，无论是更高效的工作效率、更低廉的生产成本、还是更贴心的客户服务，比如你看到的这些：
AI的革命在经过了几十年的两次“寒冬”之后，看上去是要真的成功了。
但是……我们应该遇到了很美好的（或者很不好的）幸存者偏差
所以……我们有必要去看看那些背影下的那些AI
我们不一定复制得了别人的成功，但一定可以试着避免别人的失败
从IDC 2019年做过的一份调查来看，大约有50%的AI尝试（项目）从来没有走向真正的生产环境，当然也就意味着AI没有帮助甚至没有机会帮助企业实现大家期望的价值。从学习和借鉴的价值来看，显然仔细地观察和归纳那些失败的AI对我们更有意义。
无论是个人的经历还是与业内好友的交互，我都发现这一些失败的AI都有个共同的特点：负责人对于AI有着不同程度的“幻想”，也就是客观上形成了判断上的“幻象”，导致实践还没开始，就注定了这些AI的失败，just a matter of time. 接下来，我们从这些“幻象”展开，尝试拨开云雾，寻找到成功的路径。
-----------------------------------------------------------------------------------------------------------------------------------
幻象一：AI是个魔盒，算法（论文）会解决所有问题！
解释：很多的企业对于AI的第一个触点都来自于Alpha Go或者GPT-3带来的好像要颠覆人类的壮举，企业的负责人想当然地认为这就是AI，神奇的AI。人有多大胆，算法就有多大产。
核心问题：数据，数据，数据！
解释：绝大多数失败的AI尝试都是因为数据的问题，但我们往往忽视了这个最基础和根本的问题，解释这个问题其实可以非常简单：Garbage in, Garbage out
如果我们把AI的系统描述成一个控制系统（或者说AI本来也就是一个典型的控制系统），我们的输入是数据，那么如果数据出了问题，理所当然我们得不到好的结果。
到这里，我们应该可以把问题前移到数据问题是什么问题呢？我们来做个总结：
（1）大数据 vs. 数据大：我们现在的AI尤其是大家吹捧的深度学习，都是以大数据作为训练的原材料，可是往往企业的IT负责人会认为大数据 = Hadoop，有了Hadoop就是有了大数据，可悲的是我们看到的在Hadoop上面的并不是大数据，而只是一堆又一堆的“数据” - 数据大而已。
（2）数据孤岛本质是组织孤岛：当我们意识到自己的“数据大”时，很有可能我们面对的是很多的数据孤岛，所以我们要解决数据孤岛的问题。然而，数据孤岛实质上是组织问题，数据的不连通、不通顺是因为组织之间的沟通问题，而非技术能力或技术手段可以覆盖的。
（3）没有人知道一个企业到底有多少数据：一个有意思的研究发现，在一家大规模的银行组织中，可能存在着成千上万的数据库，而这个组织从普通的IT员工到CIO、CEO，竟然没有任何一个人能够说得清楚这家公司到底有多少数据库，更不要说一个数据库中有多少数据表了。这样的现象是源于企业组织的发展并未与数据的发展同步，导致当AI应用的时候，出现了“我不知道我不知道”的窘境。
关键词 数据
建议：做AI的规划，尤其是可行性调研时，首先去想我们的数据好了吗？真的好了吗？是否至少有一个人知道我们的数据在哪里？如果没有，先不要着急用AI革新自己，去解决数据的问题。
-----------------------------------------------------------------------------------------------------------------------------------
幻象二：AI项目 == IT项目
解释：从掀起AI热潮的Google开始，互联网公司引领了在AI领域的研究和实践。与此同时，传统IT服务企业也在纷纷转型，希望给自己插上AI的翅膀。而无论互联网还是IT服务企业，在信息技术发展的周期里，我们都会给他一个正确但又不很精准的名字：IT，那么我们可以理解的就是多数企业在实践AI的起点，最便捷的方法是类比于传统IT项目，让自己能够与这位“智能”朋友熟络起来。
核心问题：管理方法
解释：问题在于，AI虽然归属在IT技术内，但与传统IT实践相比，却有着自己的独特性，不正确地理解这个区别，我们可能会看到自己创造出来的会是一个又一个“人工智障”。
我们试着把重要的区别归纳成以下几点：
（1）不确定性：无论何种AI应用，我们都会发现一个学科的重复出现：概率，比如在一张图片中，人脸识别的算法告诉我们这个人是Tim Cook（其实模型给出的结果会是P(Tim Cook) = 0.98）。我们都知道概率是用来评估不确定性的，而AI内核的概率属性，必然也会带来不确定性，这样的不确定性与我们之前IT项目的显式编程方法（或者说规则化）有着天壤之别。这也是为什么很多时候我们的期望和AI给出的结果有那么大的差距，部分的原因不是AI有问题，而是我们的期望设定偏离了AI的能力半径。
（2）试验性质：我们把AI想象成一个小孩子的成长过程，大家一定听说过一句话：伸手摸一次烧开的茶壶才会知道什么叫烫。一样的，AI形成的过程需要的是反复探索、试验、验证、再优化，循环往复多遍，寻找到解决问题最好的方法。这又与传统IT项目启动即目标明确，任务清晰的特点不同，如果用IT项目的方式管理AI项目，要么算法半路夭折，无法继续；要么一再妥协，输出并非最优的结果。
（3）持续优化：谈到AI，必然涉及：机器学习、深度学习，这两个词重要的都是后面的两个字：学习。上面谈到AI的成长，学习的机制就是保障AI能够成长，且按照我们期望的思路自己成长。但成长的过程不时还是需要老师指导，也就是说我们在把第一个AI的模型推送到生产环境中去，只是他成长的开始，我们还要时不时去升级更新这些模型，让它在真实环境中能够持续学习，持续优化，才会是AI更长久的价值。那么在价值输出的形式上，AI就是一种渐进式的而与传统的IT一次性的价值输出有显著的区别了。
从上面的三个区别来看，我们需要用一种新的管理思路和方法来对待新的AI实践，几个关键的管理考量：
（1）敏捷&试验的管理方法
（2）正确全面的量化指标体系
关键词： 从小开始 | 考核指标
建议：从一个小的试验开始，也许是4-6周的时间（通常6周会更好一些）去建立一个适合自己的敏捷项目管理方法，同时对AI的考核覆盖技术、业务、体验、价值四个维度。
-----------------------------------------------------------------------------------------------------------------------------------
幻象三：AI是威胁，是挑战；AI意味着失业
解释：这个认知往往出现在普通员工，也就是真正要与AI朝夕相伴的人身上，大家认为AI是来抢我的饭碗，逼着我下岗；而这种意识的来源总是从管理层渗透下来：老板拨着算盘，AI能够帮我省几个人，省多少钱，还能不能再省一些？好像AI成了资本家剥削剩余价值的有一个利器！
核心问题：AI的能力边界认识和企业管理的理解角度
解释：有这种风向，媒体应该要负一半的责任，从Alpha Go赢了棋开始，就不断有媒体把各种类人甚至超人的AI写进文章，搬上台面，带动了AI盲从的同时，也带来了一些对AI尚无很深刻理解的企业一种“AI威胁论”，还没接触就无比抵触甚至抗拒。
回到现实，现在AI我们可以定义它还是专业型、场景星AI，或者可以叫它专用AI，远远没有达到AGI（Artificial General Intelligence）的水平。专用的AI只能用来解决一些专用行业的专用问题，更多的是辅助人类完整那一些重复性强有时甚至不太人性的工作，比如拧螺丝、查缺陷、验报告等等。如果我们已这样的AI能力范畴和应用场景来评价AI，把它叫做Augmented Intelligence增强智能会更合适一些，是真正赋能人类、优化生活、提升效率的辅助工具，而非剥夺工作机会、大演造反派的可恶嘴脸了。
关键词：增强智能 | 赋能员工
建议：找一些快速试验的项目，寻找提升员工工作效率的优化点，让他们工作变得更高效，达到“没有AI我不能工作”的效果。
网友评论