哈佛商业评论

250多年以来，驱动经济增长的根本动力是技术创新，其中最重要的创新即经济学家所谓的通用技术，包括蒸汽机、电力和内燃机等。在这些技术之后，补充性创新和机会大量涌现。举例来说，内燃机问世后，汽车、卡车、飞机、链锯、剪草机，以及大型零售商、购物中心、交叉配货仓库、新供应链，甚至包括郊区的概念都相继出现。沃尔玛、UPS和优步等多元化公司利用该技术，创建新的商业盈利模式。

我们这个时代最重要的通用技术是人工智能，特别是机器学习技术（ML）——机器不需要人类对所担负任务作出明确指令，有能力自主提升表现。过去几年中，机器学习的效率和普及程度显著提高。我们现在可以开发能够自主完成任务的系统了。

为什么这件事意义重大呢？原因有两个。首先，人类所知胜于其所能言：我们无法准确说明很多任务的操作过程，从人脸识别到亚洲传统策略游戏围棋。在开发ML之前，我们还不能清楚解释自身所具备的知识，所以多项任务都不能实现自动化。但现在我们有能力了。

其次，ML系统往往是出色的学生，在多种活动中都有超越人类表现，比如侦查欺诈交易和监测疾病。“优秀”的数字ML系统在经济的层层面面中都得到应用，未来影响不可小觑。

人工智能（AI）将在商业领域中产生巨大影响，在极大程度上扩大早前多个通用技术的应用规模。虽然现在全球数千家公司已经在应用人工智能，但绝大多数重要机会尚未发掘。人工智能的影响在接下来的10年中不断放大，制造、零售、交通、金融、医疗、法律、广告、保险、娱乐、教育及几乎所有其他行业都会改革核心流程和商业模式，从而搭上机器学习的顺风车。现在，瓶颈出现在管理、执行和商业想象力方面。

然而AI像很多新技术一样，也让人们产生多种不切实际的期望。我们看到不少商业计划书随随便便提到机器学习、神经网络和其他技术，但和这些技术的实际能力并没有多大关联。比如，仅仅称一个约会网站“受AI驱动”，该网站不会因此变得更有效（但可能获得筹款）。本文求真务实，旨在描述AI的真正潜力、实际应用和阻碍其应用的障碍。

如今的AI能做什么？

达特茅斯大学数学教授约翰·麦卡锡（John McCarthy）于1955年首次使用“人工智能”一词，次年他就该话题组织了一次意义深远的会议。自此以后，关于人工智能的大胆假设和宣言层出不穷，可能部分原因是这个名字让人们浮想联翩。经济学家赫伯特·西蒙（Herbert Simon）1957年预测，计算机将在未来10年内打败人类国际象棋棋手，但实际上计算机用了40年时间。认知科学家马文·明斯基（Marvin Minsky）1967年说：“‘人工智能’的创建问题将在下一代基本得到解决。”西蒙和明斯基都是才智超群的人，但他们的预言大错特错。所以，这些对未来重大突破的大胆假设遭到质疑，也在情理之中。

我们先来看一下AI现在做的事及其进步速度。最大的进步出现在以下两大领域：感知和认知。前一类别中出现的一些重大实践进展与说话有关。虽然语音识别仍有很大改善空间，但数百万人都在使用该功能，相关应用比如Siri、Alexa和谷歌助手。你正在读的文字最开始是口述给计算机，然后计算机提供足够准确的速记稿，比打字速度更快。斯坦福计算机科学家刘哲明（James Landay）及同事发现，语音识别现在比手机打字平均大约快3倍。误差率也从之前的8.5%下降到4.9%。令人震惊的是，这一显著改进在过去10年中都没有出现，仅仅在2016年夏才有突破。

图像识别也有显著提升。你可能已经注意到，Facebook和其他应用软件如今能认出你所上传照片中很多朋友的脸，并提示你标出他们的名字。你的智能手机上运行的应用软件几乎可以识别出野外所有的鸟类。图像识别甚至取代了公司总部的身份证件。自动驾驶汽车使用的视觉系统等类似软件，此前识别行人时每30帧错误一次（这些系统中的相机每秒大概记录30帧），现在误差率骤降，低于每3000万帧一次。大型数据库ImageNet识别数百万张普通、模糊或离奇的图像，最优系统的误差率在2010年为30%多，2016年时降到了约4%。（见边栏《小狗还是松饼》）

近几年来，基于大型或“深度”神经网络的新方法得到应用后，人工智能改进速度再次加快。尽管视觉系统的ML能力依然问题重重，但人类的表现也不稳定。他们也不能迅速识别小狗脸，甚至有时还会在没有图像的地方看到小狗的可爱小脸，这真是尴尬。

第二类重大突破是认知和问题解决能力的提升。机器已经打败了最优秀的人类扑克牌和围棋选手，虽然专家曾预言这一成就起码还要再等上10年才能实现。谷歌的DeepMind团队利用ML系统，在人类专家对系统的优化基础之上，将数据中心的冷却效率进一步提高15%以上。网络安全公司Deep Instinct和PayPal分别利用智能代理检测恶意代码和防止洗钱。搭载IBM技术的系统将新加坡某保险公司的索赔流程自动化。数据科学平台公司Lumidatum创建的系统还可以提供及时意见，改善客户支持服务。多家公司都利用ML决定执行华尔街的哪项交易，更多信贷决策都会借助于ML。亚马逊用ML优化库存，提高给客户产品推荐的准确率。Infinite Analytics开发的ML系统能够预测用户是否愿意点击某个广告，从而帮助某全球消费性包装品公司提高线上广告投放精准度。该公司开发的另一ML系统，帮助某快消品公司改善巴西在线零售商网站的客户搜索和发现流程。前一个系统将广告ROI提高了3倍，后者将公司年收入提高了1.25亿美元。

机器学习系统不仅正在取代多个应用软件中的传统算法，还在很多人类曾经最擅长的任务中有更优秀的表现。虽然这些系统还远远谈不上完美，但在ImageNet数据库中5%的误差率已经和人类的表现持平，甚至更优异。即使在喧闹环境中，语音识别现也能和人类有近乎持平的表现。系统到达这一水平后，就会为工作场所和经济改革开启无数新的可能性。一旦基于AI的系统在某项任务中超越人类，就有很大可能迅速得到大规模应用。比如制造无人机的Aptonomy和制造机器人的Sanbot正使用升级后的视觉系统，将多数安保工作自动化。软件公司Affectiva正用这些系统识别焦点小组中快乐、惊讶和生气等情绪。深度学习初创公司Enlitic使用视觉系统扫描医学图像，辅助癌症诊断。

以上都是AI系统的杰出成就，但其应用领域依然有限。比如，这些系统在ImageNet数据库上表现出色，能识别出上百万张图像，但并不代表它们“在自然环境下”也能有同样优秀的表现，因为照明条件、角度、图片清晰度和背景可能非常不同。此外，我们赞叹这些能够理解中文演讲，并将之翻译成英文的系统，但并不期望这类系统知道某个特定汉字的意义，更不用提在北京哪里吃饭了。我们会很自然地认为，在某项任务中表现良好的人也会在相关任务中展现同等实力。但ML系统只得到特定任务的培训，还不能举一反三。人们错误地以为，计算机能够不断扩展自己相对狭隘的知识面——这可能是他们现在困惑不已的原因，也是他们夸大AI进步程度的根本原因。现在的机器还远远不能在多个领域中表现出通才。