AI正在改變企業的遊戲規則

阿莎·薩克塞納（Asha Saxena） 作者

編者註： 本文節選自【AI大戰略】，本書成書於GPT-3時代，故論述和案例都以GPT-3為主。

在2013年的電影【她】 （Her） 中，傑昆·鳳凰城 （Joaquin Phoenix） 飾演的孤獨主人公狄奧多·湯伯利 （Theodore Twombly） 安裝了一個自稱薩曼莎的人工智能虛擬助理。由斯嘉麗 ·莊遜 （Scarlett Johansson） 配音的這個人工智能伴 侶不僅能夠讓狄奧多的生活完全重回正軌，而且事實證明， 「她」是如此迷人，就像真實的人類一樣，以至於狄奧多愛上了「她」。

在電影的結尾真相大白，這個虛構的人工智能正在處理數百萬個請求，在浪漫的電影台詞幕後，其實正在同時進行數百萬段類似的對話。 （事實上，真實的人工智能也可以做到這些。） 因此，在電影中，盡管「她」並非真正的人類，但也有足夠的處理能力來挖掘龐大的數據庫，為使用者模擬出量身客製的親密關系。但令人難過的是，當狄奧多發現薩曼莎正在與其他數百萬人同時進行這些對話時，他感覺自己被背叛了。

在【終結者】 （ The Terminator） 系列電影中，好萊塢版本的人工智能更加黑暗。其中，一個由功能強大的電腦組成的網絡「天網」，獲得了自我意識，並且認為人類是其存在的威脅。根據故事情節，在不遠的將來，它發動了一場先發制人的核戰爭，消滅了大部份人類。然後，它設計並制造了可怕的半機械人來清理剩余的人類並殺死反抗的戰士，這個半機械人就是與電影同名的「終結者」。透過某種方法，在阿諾·舒華辛力加 （Arnold Schwarzenegger） 和琳達·咸美頓 （ Linda Hamilton） 的努力下，人工智能最終被打敗了。

這兩個關於人工智能的故事都是令人信服的，但這些故 事也加深了我們對人工智能的誤解。重點不是將技術人格化，而是了解其潛在的好處。現實並非好萊塢影視劇，更加平淡無奇，但對企業來說也更加令人興奮。

重要的事實是，人工智能可以實作非凡的成就。它可以將人類從重復性的任務中解放出來，並且成倍提高企業可以提供的價值。它還可以在海量的資訊陣列中辨識出有用的模式，並創作出令人驚嘆的高質素原創內容，這些內容包括書面、視覺和聽覺多種形式。在其最基本的層面上：人工智能包括任何模仿人類智能基本功能的計算功能。

它能分析傳入的歷史數據，以找到重復的行為和結果，從該資訊中推斷出模式並從模式中學習，以便更好地預測即將發生的事情，並且推薦解決方案。總的來說，人工智能正試圖變得像人類一樣聰明和擁有直覺，同時有可能超越人類所固有的局限性，比如會感覺到疲勞、無聊、需要飲食和產生偏見。

人工智能的演變

早在20世紀50年代和60年代，人工智能的概念就已經存在了，但我們當時缺乏大數據和足夠的計算能力來使其成為現實。企業仍在使用大型主機電腦，這種電腦儲存容量很小，處理速度也很慢。舉例來說，今天一個常見的 iPhone 手機，記憶體是1969年用於人類登月的阿波羅導航電腦的一萬多倍，處理能力是其十萬多倍。

然而，正如摩爾定律所預測的那樣，這一切都改變了。隨著時間的推移，電腦變得越來越小，其儲存和分析數據的能力卻變得越來越強。它們可以每秒進行數十億次的計算最終，電腦有了足夠的計算能力來處理湧入的數據，以供人工智能處理。

然後，互聯網出現了。漸漸地，我們都上網進行交流、分享和創造。世界變得更小了，因為人們相互之間，以及與越來越多的企業和組織之間，可以更方便地分享他們的想法、偏好和信仰。突然間，世界上充滿了關於人、企業和機構的數據。著手觀察發展趨勢變得更加簡單，找到人們思考的模式和喜惡的東西也變得更加容易。

數據本身的性質也發生了變化。早期，世界上的大部份數據都是結構化數據，我在第一章中提到過這一點。

技術革命

註：連續不斷的技術創新浪潮已經從根本上改變了人類的體驗（我們將在第九 章討論其中的一些發展，特別是 Web1.0—Web3.0）。資料來源：The Performance Institute（日期為近似值）。

結構化數據符合預先確定好的格式，它們會在行和列或記錄和欄位之中。它會以一種預先規定好的方式被組織好，例如銀行記錄、線上表格中的姓名和地址資訊，以及書籍的ISBN 編號。結構化數據是你能夠在Excel 電子試算表中找到的那種數據，它們通常是大量的日期、數碼，以及組織好的或分類好的事實。

然而，隨著社交媒體帖文、電子郵件、影片、照片、音訊檔和其他類別的更豐富的內容構成網絡世界更廣闊的一部份，非結構化數據的數量激增。還記得我舉過的一個例子嗎？使用移動應用程式存入支票，也套用了人工智能。人工智能軟件分析你的支票影像，以確定存款是否有效，你的支票影像就是一種非結構化數據。正如你所認為的，這種很難被「貼標簽」分類的數據，其含義往往是微妙的或模糊的，分析這些數據需要前所未有的先進計算水平。這就是人工智能及其更復雜的組成部份的本質。

機器學習是人工智能的一種，其中的演算法會自動學習，並隨著接觸到越來越多的數據而進步。這可能涉及不同程度的管理監督，使用由不同程度的人類監督的訓練數據集。例如，假設你希望你的人工智能系統能夠區分貓和狗的影像。

你會指令電腦分析成千上萬甚至上百萬的各種貓和狗的影像，每張影像都已經被標記為貓或者狗。隨著時間的推移，人工智能將「學習」哪些特征與「貓」的概念有關，而非與「狗」或「人」的概念有關。就像一個從重復的經歷中學習的孩子一樣，機器透過反復接觸數據而非編程來學習。

機器學習的另一個例子是語音辨識。當你啟動一台全新的 iPhone 時，你還不能使用 Siri，直到你按照作業系統的提示說出一組預先確定的語音命令，讓遠端 AI 透過雲連線到你的手機以學習辨識你的聲音 （關於這部份，後文會展開更多內容） 。在不到一分鐘的時間裏，只需一句「Hey Siri」， 你就可以設定提醒事項，啟動應用程式，並且撥通朋友的電話。

人工智能的階層

註：人工智能是一個概括性的術語，其中也包括機器學習和深度學習。資料來源：Avimanyu Bandyopadhyay（ modified ）CC BY-SA 4.0 commons. wikimedia. org/wiki/ile:AI-ML-DL.svg。

最後，還有深度學習。深度學習涉及被電腦科學家稱為神經網絡的概念，這是以人腦神經結構為模型的數學系統。這個概念的準確釋義非常復雜，但簡而言之，深度學習/神經網絡同時采用多層處理和分析的方式，能夠使系統在數據中辨識出一些特征和模式，這些特征和模式遠比簡單的機器學習演算法所能完成的更復雜。透過這種方式，深度學習模仿了人腦的動態活動，而人腦具有高度可塑性和適應力。因此深度學習需要大量的數據和強大的處理能力，正是雲端運算的發展才使之成為可能。

深度學習有一個知名案例，就是臉書的系統能夠根據照片中的面部特征辨別個人身份。 （2021年11月，臉書宣布計劃關閉這個系統。） 這項任務遠比學習區分「貓」和「狗」復雜得多，因為區分 「貓」和「狗」是透過辨識出貓更可能有尖耳朵和面部條紋圖案。而透過照片辨別一個人的身份需要辨識數以千計的視覺化數據點，然後將它們與不同使用者賬戶相關的文字檔案聯系起來。這些文字檔案可能是數以百計或數以千計的，它們將人的名字與包含類似數據點的影像配對，配對的同時還要考慮到照明、拍攝角度、影像質素和其他變量。蘋果公司的照片應用程式透過類似的方式套用深度學習，它會根據日期、地點標記、面部特征和物理環境等背景線索將使用者照片自動歸入「相簿」。

谷歌和 OpenAI 的產品 GPT-3 是一個用於自然語言處理 （ NLP） 的人工智能。透過向其神經網絡「輸入」數萬億位的 文本數據，他們開發了一種人工智能，它學會了人類寫作和說話的常見順序和節奏。畢竟，人類的交流是相當容易預測的。例如，如果一個朋友不小心給你發了不完整的一句話， 如「你想去……」，只有一些詞可以完成這個句子，像「看 電影」「商店」或「球賽」。你可以很準確地預測到，當你的 朋友發來資訊中的最後一個詞時，這個詞不會是「貝果」或 者「感染」。而神經網絡就能夠透過學習做出同樣的預測。這就是為什麽經過了幾個月的學習，透過在大量書面材料中尋找固定的模式，GPT-3 在人們只打了幾個字之後，就能高度準確地完成他們的句子。事實證明，如果你有足夠多的數據，人類行為具有相當大的可預測性。

迄今為止，GPT-3 已經分析了數萬億文字，這些文本材料從電子書到網誌，從社交媒體到維基百科列表，應有盡有。作為大規模機器學習的成果，它已經發展出了一種不可思議的能力，不僅能在幾秒鐘內寫出令人驚嘆的散文，還能寫詩、 發推特、回答小問題，甚至能生成自己的電腦程式碼。

【紐約時報】報道過一個案例，當時， 專案的一個程式設計師指令 GPT-3 模仿流行心理學家史葛·巴瑞·考夫曼 （ Scott Barry Kaufman） 的寫作風格。當被問及「我們如何變得更有創造力」這個問題時，GPT-3 的部份回答如下：

我認為創造性的表現是在一個多元化世界中自然發展的副產品。世界越多元化，你就越能接觸到更多不同的人、不同的機會、不同的地方和不同的挑戰。而世界越是 多元化，你就越有可能把這些因素放在一起，進而產生新的東西。

在征求意見時，真正的考夫曼承認，人工智能生成的答案是對他實際寫作內容相當準確的模擬。但是，GPT-3 如此令人激動的原因，是它一直在展示出新的能力，這些能力是其開發者沒有想到的。開發人員設計的人工智能可以預測一連串單詞中的下一個單詞，而在隨後的幾個月裏，在吸收了超過1750億種語言使用模式後，該系統獨立開發出了執行 它沒有被預設任務的能力，如編寫程式碼。你可以說，它已經完成了前進演化並將繼續前進演化。

無論是為客戶服務的聊天機器人，還是為工作繁忙的高管總結電子郵件重要資訊的數碼助理，只是人工智能的冰山 一角。隨著像 GPT-3 這樣的 NLP 系統變得更加復雜，可以想象一個「機器人」也可以透過最新的研究成果自動編寫和更新大學教材，或根據廣告公司最近一批的客戶滿意度數據調整行銷文案。如果能更進一步發展，人工智能語言系統可以幫助提供遠端醫療服務的心理醫生，為有自殺念頭的病人進行對癥下藥的心理疏導，或者車輛在高速公路上行駛時，糾正控制著自動駕駛的電腦程式碼錯誤。

可想而知，盡管這些技術已經被套用於社會經濟的方方面面，但對這些技術的恐懼和誤解仍然存在。讓我們想一想。如果你從亞馬遜訂購一個推薦產品，或使用移動銀行應用程式拍攝一張支票來存入你的賬戶，你就是在使用人工智能。當你的 Nest 恒溫器預計到你即將下班回家，自動調節家裏的溫度時，你就是在使用智能器材。當你的 Fitbit 智能手環追蹤你的每日步數並且提醒你，為了達到你過去 6 個月的平均步數水平，你今天需要再走2.2 英裏，就是大數據在起作用。而當你存取 Dropbox 上的檔或分享谷歌文件時，你就是在使用雲儲存傳輸技術。

如果你渴望將你的企業提升至新的增長和盈利水平，現在是時候超越對人工智能等技術的恐懼和誤解，了解它們的非凡潛力了。我把人工智能及其相關技術，包括大數據、智能器材和雲端運算，統稱為倍增型技術。套用這些技術可以獲取每個企業在日常營運過程中產生的數據，辨識出能夠揭示企業發展中致命弱點和重大機遇的模式，並對這些數據進行強化，使企業能夠培養強大的客戶忠誠度，主導現有市場， 進而透過創新開辟新的市場領域。透過精確的策略進行部署， 這些技術可以幫助你的企業以數倍於競爭對手的速度增加收入、利潤、市場份額和社會影響力。那些出於無知、安於現狀或害怕變革而不善加運用這些技術的企業將逐漸被市場淘汰。

換句話說，有了這些技術，非同尋常的事情就能變得觸手可及。作為企業的領導者之一，你需要做的是，理解如何利用這些技術來發掘隱藏的商業價值，獲取相關數據以開始利用這些價值，並在合適的時間采取恰當的行動，將這些價值變現，為企業增加利潤。在本書中，我們將深入探討實作這些目標所需的思維和策略。但在此之前，先讓我們仔細研究一下，這些技術是什麽，它們如何工作，而且有一個同樣 重要的問題，它們不是什麽。

數據分析的四種類別

雖然數據分析領域幾乎和網絡本身一樣歷史悠久，但在過去 10 年裏，它已經發生了巨大的變化。實際上，「人工智能」和「數據分析」這兩個詞有時會被混淆使用，而這其實是個錯誤。雖然透過人工智能和機器學習，數據分析的功能 可以被大大增強，但不使用它們也行得通。

讓我們先來介紹一下數據分析的四種基本類別 （見下圖） 。

描述性分析是最基本的一種，具體來說就是檢閱大量的數據，以確定過去發生了什麽，以及這段歷史是發生在一百年前還是五分鐘前。判斷性分析研究重復的數據點，以確定已經發生的事情背後的因果關系，並且弄清楚事情發生的原因。因為它們研究的是過去的事件，所以這兩種類別的數據分析被認為是事後諸葛亮。

高德納的分析價值升級模型

註：隨著分析數據變得更有前瞻性（也更難量化），它們的商業價值也在增加。

在商業術語中，描述性分析和判斷性分析用於檢查事後指標，而不是事前指標。當然，這些類別的數據分析可以從大數據和人工智能中獲益，但不使用它們也行得通。

而第三層次的預測性分析，就是我們如今正在進入的 「個人化經濟」的核心。預測性分析審查過去的活動模式，以預測一個人、一個團體或一個復雜的系統在未來將會做什麽。這種預測方法並不完美，因為它是基於可能性，而非確定性。在「前言」中，我講述了 2002 年奧克蘭運動家隊的例子，他們成功運用了 AI 的預測性數據模型 sabermetrics，根據非傳統的績效衡量方式來雇用薪水較低的球員。他們的理由是， 雖然數據的預測可能不會在任何一場單獨的比賽中得到證實， 但球隊的數據優勢將在整個賽季結束後體現出來。 （如果在 21 世紀初就有可行的人工智能系統，奧克蘭運動家隊的數據團隊可能會做得更好，但即便當時還沒有先進的人工智能系統，他們的模型也足夠成功了。 ）

最後，還有指導性分析，它使用數據來推薦解決方案並得出結論，而不只是預測結果。這就是大數據、人工智能和機器學習最常與分析過程交織在一起的地方。例如，當人工智能有足夠的非結構化數據來進行模式辨識，並且可以教它為這些模式賦予意義時，它就可以發展出模仿人類洞察力和邏輯推理的能力。

這方面的一個突出例子是沃森機器人 （IBM Watson） ，這 是一個在 2011 年首次面世的問答系統。最近，該專案利用基 於沃森的「腫瘤學專家咨詢」工具，將機器學習和癌癥研究結合起來，向臨床醫生提出建議。

更加耳熟能詳的例子是任何推薦引擎，如網飛或亞馬遜的引擎。當你在亞馬遜上購物時， 預測性分析會研究你的行為模式，確定你可能對哪些產品感興趣，然後指導性分析會根據你當前所在的亞馬遜頁面挑選出具體的產品推薦給你。它也被廣泛用於醫療保健行業，這一點我們將在第三章中進行探討。

雖然技術細節可能非常復雜，但是人工智能的力量可能帶來非同尋常的影響，這一點是顯而易見的。它可以分析海量的數據，在數十億個獨立的操作和數據點中分辨出錯綜復雜的模式，並且不僅能夠推薦滿足客戶需求的選項和產品， 而且能夠提前為此做好準備。在任何企業的成功都已經離不開個人化的時代，人工智能為企業提供了一種能力，能夠自動、即時和非常準確地為數百萬客戶提供個人化產品和服務。

人工智能可以做什麽

有了數萬億字節的數據可供學習，不斷提高的處理速度和儲存能力，以及雲技術幾乎可以在任何地方提供高速互聯網連線，人工智能已經可以完成一系列令人驚嘆的任務。這裏有一些突出的例子：

其他現實世界的人工智能案例包括像 Affectiva 這樣的公司，它於 2009 年在麻省理工學院的媒體實驗室誕生，以及 Realeyes，這是一家 2007 年從牛津大學獨立出來的公司。它們正在開發「情緒人工智能」 （也被稱為「情感計算」） ，使用傳感器、相機和深度學習來分析人類對各類節目的情感反應， 從電影到教育節目都不例外。一些遠端學習系統已經使用眼動跟蹤技術和人工智能來評估學生對課堂的參與度。如果它檢測到學生表現出沮喪或氣餒的情緒，人工智能可以即時修改課程，降低課程難度；如果學生表現出無聊，系統可以立即使課程更具挑戰性。

除此之外，還有一系列的視覺、聽覺和運動評估技術， 讓自動駕駛汽車能夠安全行駛。

人工智能系統實際上可以根據一個規模巨大、不斷增長的目錄來「觀察」它們周圍的世界，這個目錄既包含物體也包含人。由於現實世界中的駕駛需要即時適應並即時響應近乎無限的不可預測的變量，如交通、行人、障礙物、天氣、 緊急情況和故障，控制自動駕駛汽車的人工智能功能還不夠完備，但它離我們並不遙遠。2020 年 12 月，通用汽車子公司克魯斯 （Cruise） 開始在舊金山繁忙、擁擠的日落區街道上測試自動駕駛汽車，測試的最終目的是減少車禍死亡事故。可以預測，在 10 年內，紐約、東京和柏林等大城市的大部份客運交通都可以實作由人工智能控制，更不用說縱橫交錯的貨物運輸了。

換句話說，如果有足夠多的數據來了解一個公司旗下的客戶、產品和服務，人工智能就可以做到很多事情。如果你在一個繁忙的城市經營一家送貨公司，想象一下，人工智能可以為你的司機計算最佳路線，讓他們在高峰時段也能順利到達目的地，並為你節省時間和燃料。如果你的公司正在進行一場大型宣傳活動，以開發新客戶並增加市場份額，想象一下，人工智能可以為新客戶撰寫措辭優美的每周電子通訊，並對每個回復或詢問做出個人化和獨特的回應。如果你從事制造業，想象一下，一個由傳感器驅動的人工智能全天候監測你的器材，在故障發生前預測有可能發生的故障，診斷出所需的維修措施，並自動透過短訊派遣人類工程師來解決問 題，這一切都不會中斷工廠的正常運作。

人工智能可以實作重復性任務的自動化，辨識數據中的可操作模式，協調機器人運轉流程自動化 （RPA） ，並與數百萬人即時溝通。人工智能的潛力幾乎是無限的。

大數據

大數據是驅動人工智能的燃料。如果沒有海量的數據進行分析和學習，人工智能將空有強大的處理能力，沒有任何可以處理的東西。大數據和人工智能是相輔相成的。

正如前文提到的，結構化數據是可預測的和二進制的， 通常是系統使用表格和欄位積累出來的那種數據。結構化數據主要包括我們認為是數據庫內容的那種數據點：姓名、電子郵件地址、電話號碼、年齡和性別等人口統計資訊、稅務記錄、購買歷史和醫療記錄。在 20 世紀 60 年代和 70 年代， 資訊時代剛剛開始時，像 Oracle 和 IBM 這樣的大公司都在處理結構化數據。眾所周知，如何把數據放在結構化的格式中， 正如你知道如何把數據放在一個 Excel 表格中。

非結構化數據對這種基本的數據處理模式構成了挑戰。這不僅意味著會出現指數級增長的新數據，而且意味著出現了一種全新的數據類別。從 20 世紀 90 年代開始，非結構化數據的數量隨著萬維網的發明而爆發，首先是透過像美國線上服務公司這樣的「圍墻花園」服務，後來由於網景領航員 （Netscape Navigator） 和微軟網頁瀏覽器 （Internet Explorer） 等消費者瀏覽器的出現，網絡變得無處不在。早在社交媒體出現之前，處理非結構化數據 （如影像、影片和電子郵件） 的需求就已經開始使大型公司的計算能力不堪重負，迫使它們升級新的工具來處理和分析這些數據洪流。這時，大數據的概念開始產生了。

即使有了更快的系統，公司也必須進行數據庫的過渡，從將結構化數據儲存在常規的資料倉儲中，到把非結構化數據傾倒在巨大的原始「數據湖」中。它們面臨的挑戰是，如何找到一種方法來處理所有這些原始的非結構化數據，並對其加以利用。

一些企業領導者發現了非結構化數據的潛力並較早開始加以利用，其中就包括亞馬遜、網飛和蘋果。它們之所以領先，是因為它們明白，利用大數據能對客戶需要和關心的事物有更深刻的理解，而這種理解是開啟未來發展的關鍵。

大數據有三個基本特征：

另一種看待大數據的方式是使用「3V」模型 10 （見下圖） 。大數據龐大的數量 （Volume） 只是其中一個「V」。同樣重要 的是其復雜的種類 （Variety） ，從結構化的容易分類的資訊，到非結構化的看似隨機的字位。除此之外還有其不斷加快的速度和增多的方向，或者說是處理數據的速度 （Velocity） 。

當然，還有其他的「V」因素需要考慮，包括真實性 （Veracity） 和價值 （Value） ，我們在本書中一直在探討這些 因素。

大數據的「3V」模型

註：大數據的增長不僅表現為其數量，還表現為其復雜性和透過人工智能對其進行處理的速度。

大數據的潛力

大數據最重要的作用是，能夠讓公司和組織清楚地了解自己、客戶、成員，以及未來的發展方向。如果你對自己的發展方向沒有一個清晰的概念，就很難開發技術或建立公司。大數據讓你清楚地看到公司現行商業模式中的低效之處，所處市場中尚未充分開發的領域，客戶需要的產品或服務，以及可能節約成本的領域。一旦你有了這些宏觀數據，你就可以把它們分解成更細微的部份來具體套用，從而增加利潤或改進組織結構。

假設我要在波士頓推出一個新的牛仔褲系列，而我的目標是在這個市場獲得比以前的產品多 20% 的收入。我需要弄清楚我的產品是否真的能給我帶來這種增長。最重要的是，我需要了解我的目標受眾的購買行為。

這樣做必須有明確的目的。同樣的行銷策略，對一個城市來說是適用的，對另一個城市來說可能就不適用了。

我從過去收集的數據中知道，最有可能購買我所銷售的產品的消費者，是 25 歲以下的大學畢業生。這是一個很好的開始。現在，我可以利用我的數據庫，透過歷史購買數據和產品以及客戶滿意度調查等資源，掌握這些顧客的具體購買模式和產品偏好。

我的數據告訴我，我的最佳客戶群體是居住在坎布裏奇和卓思鎮，年齡在23-28歲的藝術人士，他們對彩色牛仔褲非常感興趣——黃色、紅色、粉色、綠色等。現 在我有一個特定的細分市場進行測試，那麽我就透過人工智能與這些受眾聯系起來。我將使用我的系統發起一個數碼模擬行銷活動，基於我的數據，人工智能回復的文本信 息，在社交媒體上分享人工智能設計的圖形，人工智能剪輯的音樂片段，也許還有使用人工智能生成的環境廣告， 所有的這些資訊會不斷地被人工智能進行 A/B 測試。（ A/B 測試包括兩套備選資訊，並且每套資訊的測試結果都會被追蹤。）

現在我正在建立一個品牌，並開始產生入站銷售流 量。我會評估一切行銷活動的效果，做出相應調整，並且繼續推進。這個測試場景下最大的用例包括顧客滿意度和顧客行為，盡管這種數據也可用於員工滿意度、流程改進，甚至是庫存控制。

大數據幫助你讓一切都更加清晰。然後，你可以設定公司的目標——創新、效率、新的品牌、新的商業模式，或者其他任何可以實作倍增效應的東西。在此之後，你可以開展活動，這可能是完善業務，推出新產品，或其他上百種選擇。有了正確的數據，你可以將其輸入一個演算法，這個演算法會幫你預測，更有效的營運方法按年計算將如何降低公司的成本，或者在你的產品推出後的第一個季度，公司有可能獲得多少利潤。

在人工智能和機器學習處理的大數據指導下，商業決策不會再被直覺、偏見和個人情緒所左右。而且，隨著相關器材和雲技術越來越平價，幾乎每個人都可以利用大數據。

機器人和智能器材

簡單來說，機器人是一種透過分析即時數據進行學習的機器，並且它會將學習到的內容轉化為現實世界的活動，偶爾也會轉化為非現實世界的活動。與人工智能的遭遇相似， 流行小說也助長了人們對機器人的恐懼和誤解。但現實沒有那麽誇張，機器人反而會帶給企業和組織更加光明的發展前景。

機器人技術自20世紀50年代以來就存在了，但因為缺少大數據和人工智能的支持，該領域在當時沒有實作飛速發展。現如今，大數據驅動的人工智能不需要人類幹預，就能夠讓機器完成有意義的任務。機器人系統現在反應更靈敏， 機器人的行為也更像人類，因為現在它們有足夠多的人類數據，而且有能力快速處理數據並從中學習。

因此，我們現在能擁有自動駕駛汽車和完全由機器人執行的特斯拉制造工廠。我們有完備的「智能建築」，其中的安全和環境系統可以實作自我監測並自動調整。我們有智能手錶、智能電視、智能恒溫器等，它們都是物聯網 （IoT） 的組成部份。

我們還有像 Sophie 這樣的擬人化機器人，它可以模仿人類進行逼真的對話；或者 Embodied 公司開發的機器人 Moxie，它有助於提高小學年齡段兒童的社交和情感方面的技能；或者 Tombot Jennie ，一只為老年人提供情感支持的機器人小狗，它的外形極其逼真，表現得也像一只真狗。盡管我們仍有顧慮，而且機器人還沒有得到廣泛普及，但它們的優點是不可否認的。

機器人的實際套用已經證明了它們在醫療保健、交通運輸、家用電器和其他方面的優點， 並有可能持續帶來積極影響，而不會如同人們想象的那樣引發世界末日。

當然，機器人的套用領域並不局限於機械或電動方面的器材。智能電話、平板電腦和可穿戴器材，甚至是普通的個人電腦，都有「機器人」的成分。也就是說，它們都使用大數據和人工智能來收集關於人類行為的數據，在許多不同情況下，處理結果以滿足使用它們的人類的需求。例如，流動通訊器材的 GPS 無線訊號及其內建的加速器提供了源源不斷的數據流，這些數據流透過人工智能處理後，可以簡化和指導我們的活動。一個例子是預裝在許多智能電話上的健康應用程式，它可以測量一天中的步數，甚至記錄重要的統計數據，以分析使用者的長期健康趨勢。這些器材還會不斷地記錄我們的消費決策和其他活動，並且創造一個巨大的數據儲存庫，這個數據庫可以被用來造福那些了解其價值的人。即使是與互聯網連線的家用電器、安全系統和溫度控制系統也會收集和利用大量的數據，用來支持人類決策或直接進行自主決策。在任何意義上，都可以說我們的個人智能器材就是機器人。

你甚至可以把亞馬遜完全自主執行的 Go 零售店看作「充滿機器人的環境」。顧客下載 Amazon Go 應用程式，在走進商店時出示二維碼進行掃描，從貨架上拿起他們想要的東西，然後走出商店，商店的自動系統就會從他們的賬戶中扣費。這個過程完全不需要人類來執行。

先進的機器正在改變遊戲規則

生物技術公司美敦力 （Medtronic） 就是利用機器人技術的多功能性實作企業飛躍性增長的一個例子。新型冠狀病毒感染疫情的影響使遠端醫療成為許多醫院和手術中心的必備能力，而機器人輔助手術 （RAS） 是遠端醫療的核心所在。

美敦力的軟組織機器人系統 Hugo，已經開始蠶食行業領先者美國直覺外科公司 （ Intuitive Surgical） 的市場份額， 這使美敦力不僅在本財年第四季度實作了 37% 的銷售額增長， 而且到 2023 財年，機器人輔助手術帶來的年收入將達到1 億至3 億美元。

該公司還計劃，在研發方面的投入將比過去任何時期都多。換句話說，先進的人工智能機器人技術使美敦力公司從遠端醫療領域的邊緣參與者變為變革的推動者。

很難找到比前鳥巢實驗室 （Nest Labs） 更好的例子來展示，人工智能和智能器材的力量可以讓一個默默無聞的品牌成為全球知名的品牌。該公司由前蘋果工程師東尼 ·法德爾 （Tony Fadell） 和馬特 ·羅傑斯 （Matt Rogers） 共同創立，並於 2011 年推出了其主打產品：鳥巢智能溫控器。這款智能溫控器可進行編程，可以透過 Wi-Fi 連線到雲端，配備傳感器，並且能夠從使用者行為模式中學習使用者偏好，因此鳥巢智能溫控器的上市引發了轟動，催生了如智能煙霧探測器和安全攝影機等相關產品，並在公眾意識中建立了「智能家居」 的概念。它是亞馬遜的 Alexa 等「智能音箱」器材的鼻祖。

但是直到 2014 年，谷歌以 32 億美元收購了擁有 150 名員工的鳥巢實驗室，才證實了智能器材具有變革性的財富創造力。如今，鳥巢的品牌仍存在於谷歌的鳥巢器材中，包括家庭 Mesh Wi-Fi 系統和谷歌家庭智能音箱。對於一家成立 4 年的初創公司來說，這是相當不錯的成績。

盈利希望渺茫

雲端運算形式的互聯網連線了整個技術生態系，實作了智能學習、資訊整合和效率提高的良性迴圈。雲端運算透過使用大量連線互聯網的伺服器，可以遠端提供強大的數據處理能力。因此，機器人以及像 Siri 、Alexa 這樣的即時人工智能系統，不必真的擁有自己獨立的人工智能 （考慮到處理所有 數據所需的電腦大小，這是不可能的） ，它們幾乎可以瞬間連線到遠端伺服器和處理器，這些伺服器和處理器可以處理分析數據的繁重工作，並向傳感器、伺服系統和其他實體系統發送指令。

雲技術讓任何組織都可以提高處理速度、計算能力、改善數據結構並且完成復雜的分析，而無須對基礎設施進行巨大的投資。這方面最好的例子是亞馬遜網絡服務 （AWS） ，它占據了公共雲市場份額的 32%。亞馬遜網絡服務、微軟和其他雲端運算供應商透過將其強大的數據「後端」，以世界各地的公司能夠負擔的價格提供線上業務服務。

中等規模的公司能夠從雲技術中受益，因為它們不再需要建立自己的大型數據中心。雲技術是為物聯網器材供電的完美選擇，從農場灌溉的傳感器到家庭安全系統，再到「智能牙刷」都非常適用，因為這些器材通常使用 Wi-Fi 甚至 5G 無線網絡連線來快速收發相對少量的數據。在大數據環境中，雲技術的表現還不夠好。因為它還不具備足夠的處理速度和數據基礎設施。

在 21 世紀初，開源專案 Apache Hadoop 得到了開發，進而使大數據計算成為可能。它最初被套用在大規模的本地電腦集群上，但最終被雲端運算所取代。當初的目標是，非結構化數據將進入雲端並以更高的速度被處理，但能夠遠端處理所有非結構化數據的基礎設施還不完備。雲技術所期許的連線性和對任何地方數據的存取還沒有完全實作，至少現在還沒有實作。然而，隨著摩爾定律繼續發揮作用以及量子計算的發展，處理速度將繼續不可阻擋地上升，儲存容量也將繼續增長。最終，雲技術的效用將擴充套件到幾乎任何規模的業務領域。

以特斯拉和亞馬遜的商業模式思考

埃隆 ·馬斯克 （Elon Musk） 的企業特斯拉 （Tesla） 長期以來一直走在利用雲技術潛力的前沿。毫不誇張地說，如果沒有使用雲技術，特斯拉只會是一個平平無奇的電車制造商而已。多年以來，特斯拉駕駛者的檔案會一直儲存在其車輛內，可以讓駕駛者對座椅位置、音樂設定、後視鏡和其他器材的所有配置根據個人的偏好進行設定。每個駕駛者的配置檔案都透過特斯拉應用程式或車鑰匙與駕駛員的智能電話相連，這使得車輛能夠檢測出不同的駕駛員，並根據所需設定重新配置汽車。現在，這種根據駕駛者偏好進行汽車配置的能力，正透過特斯拉網絡框架被轉移到雲端。

這不僅能夠儲存更多的駕駛者數據和媒介資訊，而且還能讓特斯拉使用基於雲的演算法來引導和「訓練」自動駕駛汽車。特斯拉希望在 2022 年推出能夠與優步和來福車 （Lyft） 競爭的共享汽車服務，這也將成為其人工智能系統的數據來源。

亞馬遜網絡服務是另一個極佳的例子。21 世紀初，亞馬遜的 IT 團隊判斷，應對快速增長的季節性電商流量以及其他發展瓶頸的方法，是專註於開發一個「快速、可靠、廉價」 的架構。2006 年，亞馬遜網絡服務作為網店、媒體網站、遊戲網站等的後端向公眾開放，使得開發人員能夠以低廉的價格快速存取按需雲端運算。

在過去的 15 年中，亞馬遜的「電商服務」平台已經發展成了 EC2 （一種虛擬機器服務） 、Glacier （一種低成本的雲端儲存服務） 和 S3 儲存系統。如今，亞馬遜網絡服務約占公司總營運收入的 63%。這項技術不只是「雲」而已，可以說它是一道「閃電」。

請向特斯拉和亞馬遜學習：將你的業務遷移到雲端。不要再繼續用公司內部的主機處理大數據了，現在開始，收集你的數據，並且利用雲端運算和人工智能的遠端力量，去了解你的數據說明了什麽。你的企業是需要創新、提升效率，還是使用物聯網、機器人和數據分析等最新技術？去弄清楚你的數據對你的業務會有什麽影響。然後， 你可以將這些數據帶來的商業洞察力適當地套用於你的業務用例中，而不是坐等改變發生，最終落後於人。

看看網飛和星巴克的例子。歸根結底，它們的崛起並非技術原因，也不只是商業智能的原因，而是在套用數據給予它們的商業洞察力並采取相應行動時，人工智能和相關技術帶來的影響。這就又回到了戰略性思維。當網飛試圖進行變革時，串流媒體還很原始，數據處理的速度也較低，它們的演算法也還沒有那麽完備。但這些並不重要，因為它們知道應該提出什麽問題，以及它們正在努力解決的業務問題是什麽。

【AI大戰略】

作者：[美]阿莎·薩克塞納（Asha Saxena）

出版時間：2024年4月

ISBN：978-7-5001-7772-2

推薦語：人工智能如何幫助企業實作指數級增長，為企業找到「營運模式圖」