如今，各类媒体经常将人工智能 (AI) 视为缓解经济萎靡不振的灵丹妙药，但企业高管们仍然想了解当前企业运用 AI 的真实现状。这些 AI 采用者运用了哪些方法？取得了哪些成果？
随着许多企业纷纷开始采用人工智能，企业最高管理层和其他领导者务必时刻保持警醒，不要轻易相信 AI 的一些神话，比如“AI 无捷径”、“只有深度学习才是真正的 AI”。他们应当根据 AI 的现状来做出明智的决策。
本文揭穿了 AI 领域的五个神话，通过数据和真实案例揭示了当前企业运用 AI 的真实现状，让企业领导者及其团队能够学习和借鉴其他企业的实践经验。
受新冠疫情驱动，企业找到了 AI 采用的精准方向，并加速了 AI 采用。在新冠疫情期间启动AI试点项目的企业数量相比 2018 年增长了一倍多 — 最近的数据表明，此类企业继续保持增长之势。
尽管调研数据反映 AI 采用呈上升趋势，但并未呈现 AI 采用的全貌，无法让许多业务和技术领导者通过对标分析了解其企业采用 AI 的真实情况。
AI 能否成为营收增长的驱动力？这当然是毫无疑问的。对于一部分创新型 AI 采用者，例如 NVIDIA 和 NavTech 等企业，AI 有助于创造全新的产品，甚至开创全新的商业模式。
但只有极少数企业能够应用 AI 来实现如此大规模的转型。大多数企业都是应用 AI 来解决孤立的实际业务问题。全球范围的组织都在广泛采用 AI 来帮助降低成本、改善客户和员工体验、提高赢单率、优化供应链绩效等等。
我们还发现，许多关于 AI 的常见概念其实是具有误导性的神话，它们在众多新兴技术的炒作周期中成为暂时性热点。不幸的是，这些误解往往会阻碍组织开展更务实的 AI 工作，并分散组织的注意力。
在接下来的报告中，我们将通过从调研中获取的相关见解和实际案例来揭穿五个最普遍的 AI 神话。我们与 35 家 AI 采用者企业的超过 55 位专业人员展开了对话，从中获取了宝贵的观察结果和真实案例，旨在帮助企业厘清事实和假象。这些信息让企业能够深入本质，并与其他同类企业进行对比，从而更加有效地发挥 AI 的影响力和价值。
神话 1
AI 是一把万能钥匙
现实
适用性至关重要。AI 驱动的业务改进与许多技术密不可分。例如，在众多 AI 技术中，深度学习通常最适合用于解决与视觉、语言和其他预测模型中的底层（通常是大型）数据集相关的问题。从虚拟助手到欺诈检测，深度学习正在改变我们的工作和娱乐方式。在这些场景中，传统机器学习技术可能不太有效。
但 AI 并不一定适用于应对每一项业务挑战或实现每一项期望成效，尽管在媒体宣传时经常会过度神化 AI 的适用性。组织首先需要确定 AI 是适用于更广泛的战略计划，还是仅适用于解决特定的业务问题。
AI、机器学习和深度学习的定义
深度学习是机器学习的一个子集，而机器学习又是人工智能的一个子集。这有点类似于俄罗斯套娃。这些技术通常与其他前沿技术形成互补，包括基于物联网的机器人、传感器和执行器以及虚拟接口等。
AI 的概念和起源
AI 旨在通过计算机来处理过去只能依靠人力执行的任务。但是，随着人类在准确性、速度和处理能力方面逐渐达到瓶颈，AI 才开始真正获得发展动力。
AI 诞生于 20 世纪中叶，但直到 21 世纪才开始进入技术成熟期。1955 年，达特茅斯学院和哈佛大学的两位数学教授以及贝尔实验室和 IBM 的两位研究科学家建议“在（那一年）夏天开展为期 2 个月的……人工智能研究”。这项提议在摘要中指出，“将尝试探索如何让机器使用语言，形成抽象和概念，帮助人类解决各种难题，并实现自我改进。”
这就是人工智能的第一个正式定义。此后，学术界和企业开始竭力构建越来越强大的人工智能。
什么是机器学习？
在麻省理工学院出版社的《深度学习》一书中，作者给出了机器学习的定义：“人工智能系统需要从原始数据中提取模式从而获取自有知识的能力。这种能力被称为机器学习。”
换句话说，计算机能够从复杂的数据集中进行学习，并通过不断学习变得更加智能。如今，机器学习系统已广泛应用于各种领域，包括选择最相关的结果、响应关键字搜索以及解析视觉图像等。在此类人工智能应用中，深度学习是一项日益广泛采用的技术。
深度学习的定义
深度学习是机器学习的一个子集，其灵感来源于人类大脑中的神经元网络的运作方式。在当今投入使用的机器学习技术中，最重要的一项技术非深度学习莫属。深度学习具备以下能力：
- 处理图像和自由文本等非结构化数据
- 通过非线性关系建模来对解决复杂问题
- 无需在目标任务上预先编程即可学习关系
- 利用持续产生的新数据提高预测能力
对于有足够数据可用的复杂问题，深度学习通常可以提供比其他机器学习方法更加出色的性能。
欧洲服装零售商运用 AI 提高效率和可持续发展能力
需求预测和销售效率始终是消费品和零售行业的核心；即使是些微改进也会对业务产生巨大影响。
服装零售商 BESTSELLER 希望提高其需求预测准确性，并借此充分提高服装产品的销量。当时，这家服装零售商售出了其成品的 78%。这个成绩在充满变数的时尚行业已经算相当不错了。但是，如果 BESTSELLER 可以增加其预测算法中的产品属性粒度，就可以进一步提高效率。
在确定传统分析技术已经达到极限之后，BESTSELLER 团队利用其服装图像作为输入训练了一个卷积神经网络(CNN)。（CNN 是一种人工神经网络，通常用于分析视觉图像。）这样一来，BESTSELLER 可以根据未包含在其结构化数据集中的其他特征来对产品进行分类。
通过将这些数据输出至核心预测引擎，BESTSELLER 将销售效率提高到了 82%，并将所需的样本设计数量减少了 15%。在全球销售因疫情而持续低迷之际，实现这一改进已难能可贵。此外，该企业还减少了打折、捐赠或丢弃的服装商品，从而积极改善了可持续发展能力。
神话 2
只有深度学习才是真正的 AI
现实
大型企业正在运用混合数据科学、传统机器学习、深度学习和预处理技术来解决各种不同的业务问题并实现重大业务价值。
在过去十年中，AI 研究中的许多进展都发生在深度学习领域。随着社交媒体、搜索、零售和流媒体的兴起，以及在商业模式中嵌入深度学习的其他 B2C 平台的爆炸式增长，坊间开始流传关于 AI 的这样一个神话 — 只有深度学习才是人工智能。
实际上，深度学习只是企业分析工具箱中用于实现 AI 的众多工具之一。从概念上来说，对深度学习成本的担忧可能会导致 AI 研究的未来方向和性质面临重大挑战。在实际应用中，企业通常可以通过比较概念验证或试点中的实际结果来确定深度学习有哪些不足。
毕马威运用深度学习和其他分析功能帮助客户节省数百万美元
全球税务、审计和咨询公司毕马威发起了一场内部黑客马拉松，旨在确定如何采用最优方式来减少客户研发项目、投资和税款抵免等归档流程中所涉及的手动工作量。这一做法可以帮助客户减少每年的纳税额，从而创造切实的业务价值。该公司发现，使用即开即用的文档发现软件（其效果与手动关键字搜索相当）可以实现55% 的准确率，而使用深度学习可以实现超过 70% 的准确率。
最优方式则是采用基于规则的机器学习，可实现超过85% 的准确率。通过自动处理这些流程，毕马威可以帮助特定客户提高成本效益，每年节省数百万美元的税费支出。采用这种方法之后，毕马威的一位客户在其研发支出上获得了额外 40% 的税收抵免。
神话 3
降低成本是 AI 的最佳发力点
现实
运用 AI 来解决业务问题确实有助于降低成本，但这并不是 AI 的唯一作用。领先的组织正在从战略层面积极运用AI 来建立差异化优势，并通过提升流程效率、推动业务增长和开展商业模式创新来释放营收潜力。
成本固然重要，但增长、创新和社会公益更加重要。IBV 研究表明，许多组织一直将以客户为中心的增长列为 AI 对业务影响最大的首要领域。
我们想知道这种对营收的关注是否更多出于愿望，而非现实。不过，在调研期间与高管对话的过程中，我们发现了几家成功将愿望转化为现实的企业。
AI 推动保险合资企业实现营收增长
总部位于印度的通用保险合资企业 IFFCO-Tokio 决定在客户提交获批索赔后直接向客户支付维修费用，从而改善客户体验。
第一步是更好地捕获碰撞受损汽车的图像。然后，团队运用深度学习对汽车型号、受损的零部件和损坏类型进行分类。AI 系统可以确定零部件是需要维修还是更换，并提供成本预估，同时让人工评估员参与其中以降低欺诈风险。
最终，项目取得了巨大成功。IFFCO-Tokio 只用了不到一年时间就收回了成本，不仅将结算成本降低了 40%，将客户接受率从 30% 提高至 65%，而且还提高了客户满意度、客户保留率和客户获得率。AI 不仅是提高效率的利器，更是收入增长的强力助推器。
神话 4
AI 无捷径
现实
尽管 AI 模型的应用场景因行业和部门而异，但越来越多的“现成”基础模型和预训练模型可以为企业数据科学家提供更具成本效益的切入点。
自 2016 年以来，IBM 商业价值研究院（IBV）持续采用系统化方法来量化企业 AI 的各种趋势。2020 年IBV的一项意外发现就是，“技术可用性”再次成为 AI 采用的头号障碍。我们不禁要追问：技术可用性为何再次成为 AI 采用的头号障碍？
我们对此的解释仍然是，组织最终意识到掌握适当数据技能的员工是让 AI 技术发挥效用的必要条件，但只有这一项条件是远远不够的。许多企业都聘请了数据科学家来训练各种数据集，这些数据科学家们也在尽职尽责地完成这项任务。但是，针对每个业务问题，企业通常都需要采用与之前不同的 AI 模型，似乎都要从零开始。企业无法通过简单有效的方法来重复利用过去的成果。
最近，一些 AI 捷径方案开始帮助组织发挥其 AI 驱动的解决方案的优势。AI 领域的预训练模型和基础模型就相当于软件领域中的“现成”方案。这些模型可以为启动新的 AI 项目提供更加行之有效的切入点。
那么这是如何实现的呢？具体来说，组织可以利用从解决一个问题中收集的 AI 知识来解决其他相关问题，因此不必生成全新的数据集就可以建立更加成熟的模型。这种方法的关键是迁移学习，也就是将最初专门针对一项任务而训练的模型改用于处理不同的任务。例如，组织可以将用于识别汽车的模型应用于识别卡车。
业界已经设计了许多不同类型的预训练模型来解决一个或一些特定的业务问题，而且越来越多的大型通用模型（例如，Alphabet 的 BERT、OpenAI 的 GPT-3）现已可用于应对各种挑战。目前，中国“悟道 2.0”模型的参数规模已经率先达到万亿级别，位居全球第一。
基础模型可以通过以下重要方式创造价值：
- 改善经济性：跨多个用例摊销成本
- 改进成果：利用更加庞大和强大的数据集来提高准确性
- 新功能：能够更有效地整合多模式数据。
但实际情况远非如此简单。调整预训练模型有时会导致新数据训练性能大幅下降。美国医疗设备制造商 Boston Scientific（波士顿科学）就遇到并成功解决了这一问题。
Boston Scientific 仅投入 5 万美元就实现了 500 万美元的成本节省
Boston Scientific 希望实现自动化的支架检查流程，从而提高查找缺陷（例如连接断裂或表面缺损）的准确性。准确的检查对于临床治疗的成败关系重大。美国食品和药物管理局根据对患者的风险来严格监管“逃逸率”（也就是漏检的缺陷部件的比例）。
Boston Scientific 的数据科学经理 Eric Wespi 评论说：“人员目测检查通常速度缓慢，成本高昂，还可能带来不必要的质量风险。”该公司配备了大约 3000 名专家负责目测检查工作，每年要花费数百万美元的成本。
Boston Scientific 实施了一个基于规则的自动化系统，可以使用尺寸测量和其他方法来捕捉常见问题。该团队将系统调整为相对保守，即设定可忽略不计的误报率。然而，5%-10% 的误报率仍然过高。许多符合质量要求的零件被标记为缺陷品。
卷积神经网络 (CNN) 支持分析视觉图像，因此特别适合解决此问题，但这样的模型需要大量的数据。该团队没有足够的数据从零开始训练这些模型。该团队还认识到，收集或生成这些数据不切实际，而且成本过高。
解决方案？首先，该团队专注于粒度更小、范围更窄的任务，从而缩小问题的范围。然后，他们利用已有的现成开源 AI 模型来应对重新定义的挑战。最后，他们使用较小的数据集来进一步优化此系统。
成效如何？该公司只投入了大约 5 万美元，就直接节省了500 万美元的成本，同时还提高了准确性。
企业领导者应当谨记，基础模型和预训练模型在节省时间和资金方面成效斐然，但并不一定适用于帮助企业建立差异化优势。这些模型（其中一些是开源模型）对于所有组织都公开可用，因此只适用于解决对差异化优势影响不大的业务问题。或者，组织可以专注于定制工作，通过引入更多数据（通常是专有数据或专门集成的数据）来提升竞争优势。
神话 5
AI 仅为眼前的问题提供价值
现实
企业内部和企业间出现的 AI 网络效应正在推动整个企业创造真正的业务价值。
得益于不断增长的数据源和日益增强的数据利用能力，组织积累了越来越多的数据财富。
通过从战略层面推动深思熟虑、合乎伦理的 AI 项目，企业不仅将获得丰厚的经济回报，而且也将积极拥抱开放式创新。而这又进一步提升了规模经济效益，一些领先的 AI 采用者更是成效显著。正如我们在 2020 年的 AI 业务价值报告中所指出：
“网络效应（即使只是发生在企业内部）似乎进一步放大了 AI 投资的效益。初步分析表明，组织在其业务运营的一个领域投资发展 AI 往往会增强其他领域的适应性和弹性，从而实现相应的财务收益。例如，针对一个职能中的数据治理和访问策略的改进可以扩展至相邻的其他职能，从而融合为跨工作流合作和协作的一部分。组织中的核心或骨干职能（例如财务、IT 或人力资源）具有特别强大的跨组织影响力，这些职能中的 AI 投资尤其能够发挥这种网络效应。”
例如，将 AI 人才从一个部门或项目轮换到另一个部门可以实现专业知识的交叉赋能，并为整个企业中的人员提供持续组织学习的机会。这种方法有助于提高整体 AI 敏锐度，避免因人才问题而导致项目停滞不前。
AI 与其他数字化转型技术（例如云、物联网、安全和数据管理）之间的网络效应和协同作用进一步提升了 AI 的价值创造能力。
与许多新兴技术一样，我们看到 AI 在企业内部催生的效应也开始在各个企业之间显现。
NVIDIA 助力推动汽车市场的开放式创新
科技公司 NVIDIA（英伟达）的业务模式创新方法展示了如何将 AI 应用延伸至客户和业务合作伙伴。一些汽车企业并不具备自主研发的经验、硬件和数据。为了帮助这些企业应对自动驾驶汽车领域的巨量计算挑战，NVIDIA 正在创建一系列由 AI 驱动的共享功能：
- 覆盖多个客户的公共数据平台
- 用于训练和测试的模拟
- 视觉任务的通用处理
汽车制造商可以根据自己的需求和现有能力来选择租用自动驾驶汽车硬件，基于更庞大的数据集来训练其模型，或者也可以选择使用 NVIDIA 预先训练的模型。无论是哪种情况，汽车制造商都无需投入大量资本来发展硬件和 AI 开发能力，而是可以将技术能力转化为运营支出，并且随着硬件和软件的逐步改进而不断受益。
事实证明，AI 在各个机构中的应用最终发展成为了推动经济发展的强大力量。
许多蓬勃发展的 B2C 平台（连同硬件/软件公司、学术机构和政府）投入了大笔资金来推动 AI 研究，此类 AI 项目通常针对公共领域。此外，这些平台也一直在稳步培养其高管团队和远程知识工作者团队（自由工作者）中可迁移性的技能，从而充分利用他们在 AI 采用前沿获取的直接经验。
新冠疫情期间，办公模式发生了剧变，从而加速释放了专业人才流动的潜能。疫情催生的“大离职潮”反而释放出了推动改变全球经济力量的强大动能。
知识扩散（知识和人才的传播）并非总是与“吸收能力”（组织适应和整合这些洞察及技能的能力）协同一致。制度障碍、僵化管理以及对变化的抵制都可能会阻碍企业采用 AI。
只有在传统的企业领导者摒弃对过去工作方式的怀旧观念时，AI 的变革性价值才能成为现实，才能充分发挥 AI 的财务、经济和社会影响力。他们需要从战略层面做出深谋远虑的思考，并落实到实际行动上，才能充分把握未来的创新机遇。
要迈出第一步，最重要的一点就是拨开迷雾，摒弃固有观念，认识到并积极拥抱 AI 的最新真实现状。
本文摘编自IBM商业价值研究院《如何运用AI创造业务价值，AI五大神话分析（2022年）》，全文下载：
如何运用AI创造业务价值，AI五大神话分析（2022年）
更多标准、白皮书、报告等资料下载，请在文末扫码关注官方微信公众号“idtzed”，按自动回复发送引号内关键词即可。与我们有更多合作，扫码添加老邪企业微信：
- 数据平台和工具入库；
- 峰会、论坛等活动直播推广；
- 新产品、场景、应用等在线发布；
- 技术、案例解读等公开课召募等
一起利用学习保持领先，从评估数字化技能水平，确定学习路径开始。现在，数治企业网院BiDigi推出培训订阅计划，提供自定义的交互式学习体验，依据行业推崇的水平完成相应的针对性在线培训、动手实践和考试认证。
