人工智慧現狀和建立標準的必要性

09-08

人工智慧現狀和建立標準的必要性

作者：The Open Group

人工智慧(AI) 擁有廣闊的發展前景，目前被炒得相當火熱。雖然機器學習和認知計算都取得了重大進展，但AI 的大部分實踐應用仍處於萌芽之中。正因為這樣，此時才是開發AI 標準的最佳時機，這有助於及時解決一些已經發現的問題，比如潛在偏見和道德質疑，從而最大限度地發揮其商業價值。

Syed Husain是埃森哲的企業架構經理，他在2018 年4 月舉辦的The Open Group 倫敦大會上探討了這些話題。在這場意義深刻的對話中，我們與Husain 討論了AI 的現狀、AI 的最終前景以及AI 標準可能會為這項新興技術帶來的價值。

您如何定義人工智慧？

從對行業運轉方式的影響來看，人工智慧(AI) 可以分為三大類。其中最常用的便是機器學習。這是一項不斷地從人機交互中學習並自我改善的技術，包括監督學習、無監督學習和強化學習三個領域。從企業的角度來看，您可以藉此利用所掌握的特定數據或解釋這些數據的技能，超越競爭對手而獲得戰略優勢。這也是機器學習的獨特戰略優勢。

此外還有認知計算，它實際上是機器學習的另一個元素。認知計算基本上是一個重複利用他人解決方案的過程，旨在讓您的整個流程變得更智能。例如，您可以在聊天機器人服務通道中使用Alexa，在AI 的加持下提高競爭力。認知計算能夠降低客戶服務方面的成本，並通過創新融合到您的流程中。但是鑒於它的易操作性，任何人都可以輕易試水，因此無法為您帶來真正的差異化優勢。

第三類是RPA，即機器人流程自動化。這是一項可以將當前流程自動化的技術，但它具有很大的爭議性（對於其是否屬於AI，業內各執一詞），並且只能簡單用於削減成本，而無法帶來任何實際的戰略優勢。

人們常說的AI 大致就是以上三種。

AI 的發展由來已久，卻似乎總是處於突破的邊緣，遲遲未見有實際成果。AI 的現狀如何？

AI 技術經歷了兩次「寒冬期」。每次當我們以為會出現轉機時，結果都會以失望告終。第一次是在上個世紀50 年代中期，研究人員們信心滿滿：「我們將會在一周內攻克AI」，但我們最終等來的卻是，「別擔心，我們馬上搞定了」。你看，60 年過去了，我們仍然無解。

但好在我們有圖靈測試。艾倫·圖靈指出，如果您無法辨別被測試者是機器還是人，那麼這台機器就通過了測試，並被認為具有人工智慧。與以往不同的是，我們現在有了輔助工具，可以幫助企業和個人釋放AI 的價值。我們有數據、有處理能力，但稱不上有新演算法，因為業內使用的演算法已經存在很長時間了。但這些演算法一直在通過不同的方式進行升級和修復，並經歷了多次應用實驗和改良。所以，AI 目前是得益於其周邊輔助技術的進步。

任何技術都有利弊，AI 也不例外——它有哪些潛在優勢？

邏輯上來說，AI 能夠使您的產品策劃和定製達到前所未有的水平。例如，我們可以根據您的偏好，創造一部您一定會喜愛並且只有您才喜愛的電影，並讓您心甘情願地掏腰包。這就是AI 的潛力所在。AI 的產品定製水平可以細化到個人級別，這不僅是因為它擁有大量的個人數據，還在於它具備支持量身定製的高級能力。這是AI 的最終潛力所在。

往複雜了說，AI 今天做的就是分析數據並創建程序，不需要你去操心編寫程序。而往簡單了說，它又只是一堆if/then語句。

從某種程度上來說，一切都量身定製有什麼好處? 如果都像您剛才提到的電影例子那樣，《星球大戰》或《黑豹》就會失去一些共性，也就無法引起社會的共鳴和思考，是不是有點過猶不及了？

這個問題問得好。有些娛樂是專供個人享受的，所以如果這種體驗變得個性化，個人享受就會最大化。在面向大眾的教育領域中，您可以針對每個人的潛力進行批量定製。舉例來說，我擅長在實踐中學習，如果學校對我因材施教，老師根據我的理解能力調整講課節奏，簡單的一帶而過，複雜的深入淺出，那我必將獲益匪淺。這種定製也同樣適用於醫療等其他領域。當然，在娛樂領域我們也不否認共享體驗的價值：紛說《黑豹》引起的共情，暢談《權力的遊戲》中詹姆·蘭尼斯特的馭龍之舉，都不失為一種樂趣。

為什麼很多企業都對AI 無從下手？

一方面是這項技術太年輕了，企業難以找到合適的人才。另一方面，從AI 當前的實力來看，它所做的工作並不夠驚艷，比如重新設計業務流程等，而這無疑是在重複數字化的工作。AI 尚未發展成熟，人們卻期待它能夠一鳴驚人，結果自然不如人意。AI 有更好的用武之地，您需要挖掘到它的閃光點並運用到業務流程中，這才是它的正確打開方式。我們以Alexa 為例，Alexa 目前已經擁有數百萬名用戶，如果您希望開通新的客戶溝通渠道，則不妨利用這一點優勢，讓工作變得更簡單、更高效。但是很多企業還沒有到達這一步，因此AI 從炒作到落地還有很長的路要走。

為什麼？

一方面很多公司甚至還沒有經曆數字化轉型，另一方面，我們調查過的很多公司都在邊緣試探，也就是說只有一些部門在嘗試性地使用AI。但實際上只有形成一定的產業化方法，並在整個公司內全面實施時，AI 才能釋放真正的價值。建立AI 卓越中心是一種不錯的選擇，即通過卓越中心找到AI 與產品和服務的契合點，並輸送回企業價值流中。Google 和Facebook 已經完成這方面的布局。這需要大量的資金投入。

但最大的挑戰在於缺乏自上而下的管理承諾。在《點球成金》一書中，比利·比恩憑藉新穎的管理、充分的信任、堅定的承諾和強大的分析能力帶領奧克蘭運動家球隊逆境奪冠。他們所用的數據存在已久，早在上個世紀四五十年代就有公開發表的棒球數據了，但沒有得到任何人的重視。這些統計數據並不複雜，卻被荒置了這麼久，這是為什麼呢？其實人們並非沒有分析這些數據，只是棒球組織不願為得出的結論買賬，或者在實施上沒有得到管理層的支持。

現在到處都在宣傳AI 能夠顛覆工作方式，更有AI 搶人飯碗之說，您怎麼看？

顛覆是必然的，並且已經發生在眼前了。無人駕駛汽車就是一個開端，將對勞動力市場造成重大影響。順著這個方向發展，它的極端就是類似於《星際迷航》中的世界，人人各盡所能、各取所需，共享共產主義經濟。如果機器學習發展到極端，大眾人工智慧誕生，並因掌握了充分和完美的數據流而控制著一切，那麼可能就沒有人類的立足之地了。但這些都不切實際。

其實，當公司解僱的員工超過一定限度時，政府可能會重新分配財富，調整最低基本薪資，為或失業或在職的人們提供生活保障。這是大量人口失業產生的一種可能，歷史上這種現象並不在少數，就像如今沒有電報工人一樣。人們需要重新接受教育，為當今不受用但未來大有前景的增值活動做準備；政府必須要加以干預和調控，向採用大規模自動化流程的企業加強徵稅力度，然後將這部分資金應用到重新教育和生活保障中——當然這只是一個例子。

很多人還認為AI 存在道德問題，其中哪些比較常見？

Target 能夠利用女性購物模式數據預測其懷孕情況，並曾經讓一位少女的父母知道了她的懷孕秘密，這個例子您聽說過吧？這是技術超出人類理解和推斷能力的一個典型例子，這種現象也將變得越來越多。

AI 在三個方面受到了道德質疑。首先，訓練機器學習模型的數據可能會有所偏差。例如，如果您總是做出涉嫌種族歧視的決策，那麼當您使用這些數據訓練機器學習模型時，機器也會被調教成種族主義分子。一個有名的例子就是微軟Tay 聊天機器人，它在短短三個小時的聊天時間內就曝出了有關種族歧視、性別歧視和種族滅絕的言論。種瓜得瓜，種豆得豆，輸入的數據質量不好，機器也會誤入歧途。

這是一方面。其次，解決方案的實施可能無法做到公平公正。例如，如果您的所有機器學習解決方案都是通過移動應用開發的，那麼不使用移動應用的特定階層人群就無法享受這些解決方案；而如果您使用的數據來自非移動應用環境，那麼毫無疑問又有大部分人與其失之交臂，成為被歧視的對象。例如，Google 注意到女性較少收到高薪招聘廣告，甚至這些廣告直接不向女性顯示，於是他們根據這些數據和方法在解決方案中排除了女性。

最後一點來自於您訓練模型時使用的演算法。如果您使用個體模型代替整體模型，那麼模型本身的世界觀就會存在偏見。

如何克服這些偏見？

業內為此頻出高招，其中有一點強調對機器學習決策的解釋。歐洲頒布了《一般數據保護條例》(GDPR)，首次在法律上探討了機器學習演算法應該具備向人類解釋的能力，因此人們開始反覆實驗如何使用機器學習演算法向人類解釋機器學習決策。現在已經有這樣演算法誕生了。使用機器學習向人類解釋機器學習，這聽起來很不可思議，創意是有了，但實現起來卻是任重道遠。

您在The Open Group 倫敦大會上探討了標準可幫助克服AI 面臨的一些挑戰，能再具體說說嗎？

以數據偏見為例，我們應該就如何檢查數據是否存在偏差或偏見而設定標準。這些標準可能會提供一些工具，並在檢查數據之後給出反饋，比如「您是否知道您的數據沒有考慮女性？您的樣本完全是男性。」全面盤查數據，指出不確定變數，這是一種非常可行的方法。

此外，我們還可以建立標準化流程。即使流程不理想，也總比沒有強，因為我們還可以查漏補缺，逐漸完善。但如今的機器學習方法似乎比較隨意，基本上是先儘力而為，再檢查機器學習的數據協議，然後由數據科學家通宵達旦整合模型，最終投入生產環境。

公司如何利用AI 取得成功？

方法有很多，仔細想一下，認知解決方案還是比較好上手的。它涉及的因素比較簡單，包括文本到語音、光學字元辨識、語音到文本、聲音到文本等。此外還有很多API 支持進行自然語言處理，幫助您從文本中提取主題和情緒，這些並不難實施，至少比以前簡單多了。例如，Google、Amazon 和IBM 的雲服務都提供了API，您調用之後便會返回特定大小文本的主題，它會告訴您主題背後的情緒。這樣您在企業內實施機器學習就簡單多了。

一個比較有趣的用例是對客戶數據進行主題和情緒分析，以了解客戶對公司和產品的不滿之處和不滿程度。例如，如果客戶表示「你們的抵押貸款流程太差了，但客服部的Lisa 還不錯」，那麼公司的短板和長處便一目了然。

反洗錢和欺詐檢測領域也有很多例子，很多公司的認知計算都成為了打擊犯罪的利器。最有趣的是，有一位朋友告訴我，他們發現經常買健怡可樂的人不太實施欺詐犯罪，經常買七喜的人卻更可能產生欺詐行為。更令人驚訝的是，他們從未在愛買的豆腐的人身上發現這種犯罪記錄。