AI的特点引发的观念改变
前言
在商业中，生存压力通常是变革的驱动力，而变革往往伴随着技术变革，这种进步通常是绝大多数人主动做出的“共同选择”，这在历史上屡见不鲜。然而大部分的企业缺乏对新技术定位的正确认知，从管理、落地到技术本身，我们试图用最简单的语言帮助企业找寻对待新技术最合适的态度。
AI是当前经济技术环境下“被选择”的结果
大部分技术在出现时，面对需求往往有很多竞品，而最后综合最优的会被“选择”留下。
在人类历史上面临过很多类似的时刻，虽然当时没人这么认为，例如百年以前的飞机与飞艇、交流电与直流电，现在的氢动力能源与电动力能源——人类并不是一定要用某一个技术，而是某个技术恰好符合某阶段人类的需求。
而当前的阶段中，企业面临着：
在外部
互联网与消费者的生活深度融合，而用户流量逐渐见顶，消费互联网的格局和竞争态势日趋稳定和饱和，市场竞争趋于精细化、下沉化
在内部
产品、市场与营销渠道等多个领域在构成上出现了大量数据，呈现出明显的数字化特征
大型企业尴尬地发现，依照原有的管理方式与工具，越来越难以精细化运营庞大的产业，也没有充分利用海量数据的能力，竞争与生存压力迫使企业需要提升运营管理水平。
AI在这个背景下被大多数企业所选择，因为它确实是提升基层执行力，改善经营决策效率、提升管理能力的有力手段。这个前提下，企业需要考虑到另一个问题：AI能力用什么方式获取会更符合自身需求？
关于AI能力建设
像人类一样认识世界是AI能力的终极追求，但AI本身与真实需求相去甚远，企业选择的是AI的能力而不是AI系统。自建或采购在AI能力单一的初期均是可行的，但因为AI的技术特点，随着AI能力边界的不断提升，采购AI厂商的服务在未来会成为主流。
在“AI+企业服务”的细分领域中，运营管理能力的提升才是最本质的需求。过去我们通常依仗人类的智慧，而人类的智慧宽广而复杂，有些人类成就远远超出现今机器可达的领域，对于解决抽象问题、概念生成、情绪知识、创造力甚至是自我认知，即便是最强有力的深度学习算法，也无法在这些领域与人类智慧相提并论。不过，当前的AI技术在执行特定类型任务方面取得了较大成功，可以被应用于某些特定的应用场景。现阶段人工智能主要涵盖三种能力：学习、感知和认知。在企业的实际应用当中，感知、认知是最直接体现的能力，而学习是AI具备前两者能力的基础。
以财务为例，财务的有效AI建设需要感知与认知智能的同时投入。
01
财务AI的主要组成：感知与认知
在企业财务的日常中，最直观能感受到的是感知与认知两种能力在特定应用场景下对工作的效率提升。但是感知与认知定义、定位上的不同决定了二者被企业接纳的方式其实相差甚远。如果我们将AI的发展简单描述，应当是：
模拟人类认知世界的过程就是AI的终极追求，现阶段我们在感知、认知上具备较好的执行效率。
感知智能
其中感知智能作为最开始的阶段之一，希望达成的目标是识别诸如视觉、听觉等基础感官的信息，而做出简单的信息识别与采集。
认知智能
这个阶段则是在感知的基础上，将多个感知到的信息与已知的信息相关联，去完成综合性的信息反馈，比如“这是一辆奔驰汽车”。
02
AI的建设与运作：学习
从感知、认知到理解、创新，是AI发展的标志性区分，而这一切均是基于学习的基础上，企业希望可以通过学习使AI能像人一样具备决策、处理、自我学习等能力。那么人是如何通过学习具备能力的？这里需要借用经典的库伯学习圈理论（Kolb‘s Experiential Learning）：
人类的学习是通过感性认识到理性认识再到实践，实践的需要继续推动认识的发展。即人类的学习总是从具体经验出发，通过反思观察得到一个抽象的概念，或者可以称为理论，然后付诸行动产生新的具体经验，周而复始不断地得到经验且改善行为的过程。对于计算机来说也类似：
从需求目标出发，将我们过去的经验通过机器学习构建训练合适的AI模型，然后在运行过程里产生大数据，对结果做出反馈，周而复始持续提升AI的能力。
那么，“从0到1”建设AI能力需要的“角色”是：
支撑循环所需要的基础设施
AI虽然是前沿科技，但是也没有超出计算机基本逻辑的范畴，约翰·冯·诺依曼（John Von Neumann）在二战时期提出的计算机硬件架构，在今天仍然具备参考价值：
与普通计算机不同的是，传统运算器和控制器合一（CPU）的做法不能满足AI对算力的需要，需要单独配置环境，分开来看就是：
关键节点的相关人员配备
在AI学习循环的关键节点上，为了保障AI能力建设，我们必须为此配备相应的专业人才，即对AI关键三点：数据、算法和算力做出准备。从实际角度出发，企业本身的数据已经过于冗余，算力在GPU等不断升级迭代的背景下逐渐普遍化，算法将是构建AI能力的核心，对应为：
根据职位的不同，我们将其总结为3大部分：专家、算法人才和工程人才。
满足需求目标的机制
在构建AI时，无可避免以下步骤：通过目标确立训练数据范围，添加数据标注后去训练算法，并持续调优，直到最后应用于目标。
但很重要的差异在于训练目标应该和管理生产需求联系起来，这也使得因为不同应用场景条件差异，对AI的要求迥异，从而导致在AI学习的过程中合格标准的不同，可以简述为应用场景差异导致的标准差异。有的AI在实际应用时面临的情况均可以提前训练而得到最优结果，而有的AI却需要对所有情况有所准备。
比如一家支付公司的财务AI与业务AI，前者主要是对凭证的认知，后者主要用到人脸识别。这两者AI构建的过程类似而目标迥异，对财务AI来说，票据识别不能仅识别训练数据，而是应对训练数据之外的数据也有不错的识别能力（不能训练时用到茅台而实际无法识别水井坊）；对业务AI来说，人脸识别时均有对照（身份证、护照等），这些提前录入的数据甚至可以成为训练数据的一部分。应用场景的显著差异导致了训练的目标、方法也有显著区别。
那么在建设过程中根据目标匹配相应的机制是必须被考虑的，相关所需要具备的能力应当为：
1）构建AI能力时，专家必须既懂AI又懂业务；
2）业务为主导，具体的应用场景决定AI研发的标准；
3）数据标注需要业务背景与知识，并理解应用环境；
4）不断根据社会、政治、经济环境的变化等进行更新。
在完成硬件、人才、机制三方面的准备后，还需要大量的时间以及靠谱的战略目标规划，大部分的AI能力养成会在此耗费3-5年的时间。更重要的是AI技术通常具备颗粒度小的特点，单独的AI技术并不能为企业直接输出价值，需要架构在复杂而合理的工程系统与既有软件能力之上（比如智能客服需要结合原有的外呼系统、客服系统）。诸多难题使得企业自建AI系统道阻且长。
最符合企业利益与需求的选择
企业并不在意用什么技术，更在意需求是否能被满足，而有限的预算导致了另一个前提：回报足够。从AI的技术特点以及切入管理的角度出发，AI更应当被看作为“虚拟人”而不是“工具”。企业需要使用全新的视角来正确定位AI，从而做出最合适自身需求与利益的选择。
对于企业来说，基于提升管理能力的目标，有限的预算面临着两个选择：自建AI能力、或者采购AI服务。我们仍然从现阶段AI可以覆盖的三大方面：感知、认知、学习来讨论可能性。
01
从感知、认知来说
认知智能与感知智能存在典型差异：感知智能解决的是单点问题，是识别某个单一信息；认知智能解决的是多点关联，是多个被识别信息互通而后输出信息。
这样的差异导致了从商业角度说，认知智能阶需要在更苛刻的条件下持续高投入，无法和感知智能阶段类似，买断或者自建对大部分的企业而言是一种不现实的做法。我们将这个问题阐述为“ 没法为了开车而买下一个炼油厂”。
事实上，感知智能可以被企业直接搭建（比如单独需求人脸识别的功能）与买断，因为需求单一，技术复杂度不高。但涉及到认知智能范围，企业很难满足建设认知智能的每一个“前置条件“，认知智能的实时更新特点也导致了买断不是一个理性的选择，这个时候“去加油站加油”成为最合理的选择。
02
从学习来说
学习显得有些特殊，因为这是对于企业来说无法直接感受到的领域。在前文中已经详细研究过自建AI所需要的“角色“，绝大部分的公司很难同时满足：
1
硬件、人才、机制三大方面的充分准备；
2
既懂业务又懂AI，且能产品化的PM、HR；
3
4
至少3-5年的时间成本；
能够接受因为战略失误而必须重新训练AI的可能性；
选取专业供应商，采购持续更新与优化的AI服务，是最符合企业需求与利益的选择，对此没有异议的话，现在困扰采购AI服务的决策人的主要问题之一是AI的付费模式上。过去对待软件时，我们通常愿意接受买断与私有化部署，在对待服务（比如SAAS）时，持续付费的订阅制度成为主流，而AI更像将二者结合的产物。
AI的特点导致付费观念改变
对比传统的软件以及SAAS服务，使用AI企业将增加一笔付费项目——AI云服务持续支出。但是从公司管理的角度来说不是新的支出，是对于已有项目的“转移支付”。
AI应用需要作为运行器的应用端才能成为可用的产品，这使得人工智能应用看起来像普通软件，不同的是核心是一组经过训练的算法模型，它们所提供的算力。所以AI并不完全是软件或者服务，故而也导致了与过去付费模式的差异：
采购AI服务，并在AI服务的成长过程中持续付费使用，本质上是将企业运营管理中使用员工“脑力”的代价，向“AI算力”做“转移支付”。
无论采用何种方式，企业最终需求的是运营管理目标的完成。在过去主要依靠员工的脑力与体力为主导，并支付人力费用，从这个角度认识AI的持续服务费用支出就能够理解为什么在传统的10%软件运维费之外，企业还必须支付AI服务费了。AI参与的工作中，作为“虚拟人”，用算力代替脑力，提供人力原本应该提供的价值，企业并没有支付额外的费用，而是将付给人力的部分转移支付给了AI，或者说“虚拟人”。
企业的员工在工作、培训过程中效率、技能不断地提升，相应的企业也必须增加待遇，单位人力成本随着员工的经验和技能的积累呈线性增长的态势。AI同样在使用过程中不断地学习与提升，效率不断地提高，但单位成本远低于人力成本，并且随着技术的进步，单位成本将持续地下降。这样的付费模式对企业而言是足够经济的，历史上每一次工具与技术的进化实际上都在上演类似的场景。
而企业转移支付给AI服务商的这笔费用，也将完善自己的使用体验，这主要是行业特点：AI能力的养成并没有结束的那一天，因为数据会随时间变化（Data Drift）。由此导致了供需双方均需要认可一个事实：持续的数据流通是不可或缺的，AI需要不断地接触数据完善能力，企业需要能力更好的AI满足管理。这与传统软件行业、甚至SAAS行业差异甚大，过期的PS软件与最新款的差别在于质量好坏，而过期数据问题在于是否有用。
总结一下，企业因运营管理能力出现的瓶颈而选择AI希望能改善现状，但是在正确看待AI时需要在定位上做出诸多改变，因为AI和传统软件、SAAS等行业差异甚大，包括如何建立、企业内部如何定位等等。
人工智能在某些领域已经可以充分体现它的价值，但现在仍然是“摸着石头过河”的阶段，企业需要更妥当的看待方式。不过可以确定的是，未来一定是属于那些将AI应用于企业管理的公司，我们很期待这一天的到来。
