 导语： 这波“新AI”革命，对管理界到底产生了什么影响? 我认为是企业多了四双“眼睛”。过去企业只有收集来的数据，数据栏位都是由人类定义出来的。互联网与物联网的世界中却充满着沉淀的数据，这种不经意留下来的数据，却代表着真实的世界。但是这些沉淀出来的数据杂乱无章，毫无规则。这些特性正好符合了“新AI”的强项，不再倚靠人类设计的逻辑，反而依靠大量无序的数据，进而找到特征表达，做出分类、判断与推论。“新AI”是人类的新眼睛，让我们看见了真实的世界（沉淀的数据），眼睛明亮了，就将产生一系列的新物种大爆发。
文 / 卢希鹏
第一双AI眼睛的战术：看见精准 建立商业信任最好的方法，就是你看得见我，我也看得见你。有了信任之后，就产生了物种大爆发，出现了大量P2P的商业模式。 第一双人工智能眼睛让我们看见数字世界中所沉淀的数据。为什么叫做沉淀的数据，因为这些数据不是规划出来的，而是遗留下来的，数量很大，而且很乱。沉淀的数据是一开始不知道要做什么?但是沉淀到一定的数量，它的用处是被挖掘出来的。挖掘数据的人称之为数据科学家，因为这些人必需要懂数据工具、懂领域知识、懂数学模型，导致人才非常缺乏。基本上有以下几类的应用。 例如，数据掘矿。商业决策，不再靠因果机率，而是靠看见关联后的战术。产生了数据公司的大爆发。借由建构好的数据模型，分析大量储存好的结构化（表格化）数据。像是阿里巴巴，在淘宝光棍节累积了相当大的交易数据，经过各类数据模型的分析，马云可以知道：哪一省的客户买最多的比基尼泳装（答案竟然是内蒙古）；光棍节到了，各城镇的人都在买什么? 此外，常用的还有关联分析，像是亚马逊分析买过这本书的人，也买过其他几本书。或是决策树分析，经由过去大量数据的分析，我们可以判断什么样子的人是比较高风险的人，帮助第一线的员工做决策。 除此之外，还可以看见个人化精准服务、看见弱连结的信任、看见舆情分析、读懂文件、江河运算（Streaming computing）。
第二双AI眼睛的战术:看见智慧生活 物联网让万物皆可联网，问题是，联网后要做什么? 我认为，第一双眼睛（商业互联网）看见的是人（P2P），所以产生了C2B逆商业时代。第二双眼睛（工业互联网）看见的是物品（M2M），因为万物联网，产生了智慧星球的概念。让未来互联网的中心不再是平台，而是你所在的地方，就是网络的中心。 具体而言，人工智能的第二双眼睛有三个层次： 端点感知层 举例来说，绿能科技需要感知环境监测、物联网产业需要感知器资料收集与网实整合、智能机器需要机台元件感测整合、国防工业需要精密感测IC、生技医疗需要生物感测IC，借以收集数据，做出智能判断，并回应做出管理行动。物联网将是未来工业的基础，需要基础建设来支撑。这个基础建设就是物联网的数据要整合上传到云端数据库，由人工智能的学习判断给予分类，最后启动该有的服务。这种“端点感知、云端判断、启动回应”，就成了人工智能第二双眼睛的基础建设。 云端判断层 通常我们在说大数据时，不是因为你拥有的数据大，而是联网了，云端的数据就无限大了。当所有感知器的内容都送到云端之后，除了数据可以跨屏（让手机、电脑、电视等等屏幕同步），更重要的是，这些整合的数据，可以经由数据科学家，设计出算法，做人工智能的判断。 启动服务层 端点感知、云端判断之后，最重要的就是启动应用服务。举例来说，当我知道车子的驾驶不是车主、当智能手表发现老年人摔倒、当智能电表发现有异常的用电，下一步要启动什么服务?这就是最早提及的，万物都可以联网，重点不再是科技，而是联网之后，可以做什么? 血压计、血糖计、运动手表、药罐都可以上网，看见你个人的行为，影响你的个人化保费。在智慧医疗照护上，医生可以看见内视镜而微创手术，病人身上可以接上感知器随时知道生理数据、甚至可以知道老人的位置与是否跌倒的判断。
第三双AI眼睛:看见与听见世界的意义 这一波人工智能的革命主要在第三双眼睛，电脑可以听见与看见这个世界了。 电脑视觉一直是人工智能中最难突破的环节，因为真实世界中的“特征值”太多。人们对复杂世界的认知处理，都会有一个“降维”的处理，将复杂真实世界的维度，降低到到可以接受的特征值。举例来说，真实的股票市场太过复杂，于是投资专家便会定义重要的变量，希望用较少的变量，能够解释最多的变异量。人类必须要定义有效的变量，电脑帮忙运算。 过去，人类负责降维，但是找到的特征值都不够好；未来，将由AI负责降维。 举例来说，目前台湾桃园机场的人脸辨识系统就是“旧AI”，工程师定义了人脸五官的特征比例，借此运算辨认人脸，所以在机场辨识人脸时你必须立正站好，两眼直视镜头，因为镜头要确认你五官的位置。人类降维的数量不会太多，当你在林志玲脸上只定义出20个特征（五官的几何位置），你能够很容易地在十亿人口中找到她吗?如果人工智能能够在林志玲脸上找到一百万个特征（脸形的勾边特征），再逐步降维，就比较容易在十亿人口中找到林志玲。 一百万个特征如何找？这种用电脑自己归纳出林志玲脸上特征值的降维方法，是深度学习的重大突破。过去的机器学习比较类比像是非线性回归分析，人类定义出输入特征值X（数量无法太多），来调整权重预测Y。深度学习比较类比像是因素分析，让输入等于输出时，经过多层降维的运算，就能逐步归纳出最佳的特征值。过去人类定义人脸辨识的变量，多半是五官间的几何距离，再由人类设计精妙的算法来辨别人脸；而电脑则是由不断地试误，找到最小误差的特征值，多半是细微的勾边，再逐步降维到简化过的图像。只要有够多的图片去训练电脑，让电脑找到这些勾边如何继续降维。深度学习算法是固定的，不像过去必须倚赖程序设计师的逻辑能力，反而重点是谁掌握到够多的人脸照片，谁就能在人脸辨识上胜出。 在线上与线下数据整合上，我们过去都需要代码（如客户编号、二维条码、电话号码等等），未来如果人脸就是代码，就可以用人脸配合密码来支付，用人脸取代会员编号，只要你一走进店家，店家就知道谁来了，我们在真实人类的世界上，本来就是靠人脸辨识你是谁。
第四双AI眼睛:看见环境博弈 当电脑有了视觉与听觉，就开始可以与真实世界互动，甚至是博弈了。 走迷宫，建立探索树了解环境 在“旧AI”时代最喜欢挑战的游戏之一就是走迷宫，其实任何迷宫只要任机器人多走几遍，画出探索决策树之后，未来的决策就是照着探索决策树走。如图1所示，如果你的位置在B，走到出口最快的方式，就是依照探索树，B-A-C-G就出来了。重点是要如何画出探索决策树?目前先进的扫地机器人到了你家之后，会先探索把你家都走一遍，建立你家的探索树，未来就能很快地到达想要去的一个点。物流搬运机器人也是，建立了仓库的探索树，就能很快的移动。
人工智能已经来了。传统企业“对过去的坚持，与对未来的无知”，才是人工智能发展的隐忧。
关于作者 | 卢希鹏：台湾科技大学信息管理系专任特聘教授 文章来源 | 本文节选自《清华管理评论》2018年7-8月合刊文章《“新AI”时代: 物种大爆发》 |
|
|
