李懋华:接受并利用人工智能 让人工智能实现关键一跃

　　新浪财经讯 由中国商务部、科技部、工信部、国家发改委、农业农村部、国家知识产权局、中国科学院、中国工程院等国家部委和深圳市人民政府共同举办的“第二十一届中国国际高新技术成果交易会”于2019年11月13日-17日在中国深圳举行。波士顿咨询公司（BCG）合伙人李懋华出席“未来科技峰会”交流会并演讲。

　　李懋华表示，BCG对各个行业AI的影响进行过预测调研。它的影响是两个维度，一个是对行业本身的生产或者制造流程的影响，另外一个是对产品和服务产生一些影响。5年之后所有的行业都将经历一个变迁，人工智能将对该行业的流程和产品服务产都生深远的影响。对行业创业者来说，如何接受和利用人工智能，让它接受的程度来的更广泛，发展的速度更快，这是我们今天的课题。

　　以下为演讲实录：

　　感谢刚才各位嘉宾跟大家分享的精彩演讲，今天下午我给大家汇报的一个主题不像刚才各位嘉宾讲的那么技术化，我讲的是商业化的课题。怎么把人工智能的运用进行大规模的推广。如果说AI试点运用是相当于从0到1如果已经达成的话，我们怎么从1走到1000。

　　BCG对各个行业AI的影响进行过预测调研。它的影响是两个维度，一个是对行业本身的生产或者制造流程的影响，另外一个是对产品和服务产生一些影响。大家会发现5年之后所有的行业都将经历一个变迁，人工智能将对该行业的流程和产品服务产都生深远的影响。对我们行业创业者来说，我们如何接受和利用人工智能，让它接受的程度来的更广泛，发展的速度更快，这也是我们今天一个课题。怎么实现关键的一跃。为什么发展人工智能刻不容缓？大家也说了人工智能的重要性，为什么现在的时期是谈这个话题最关键的时期呢？我们可以看到这些深层次的现象。比如过去人工智能的应用还停留在数据世界的话，比如讲高级预测性的分析做商业的决策，我们在数字化营销方面做的精准推荐和精准的定位。以及在我们生产制造，交通物流里面等等。这一系列的人工智能的运用，我们还讲成是一些数据世界的应用。因为本身AI对人的影响没有那么直接，没有直接到我们人的一些生活。现在看起来越来越多的这些AI的应用实例已经进入现实行动。包括跟人进行对话，可以看到我们现实生活中一些移动的物体，就将牵涉到人的语言处理、计算机视觉、现实中的移动性等等。这一系列把我们的数据世界跟现实世界混合在一起了。我们目前正在全方位的接受AI的入侵。

　　各个企业在接受人工智能应用的时候常处于不同的阶段。大多数的企业介入了解AI的过程，即是进行AI主题的探讨、针对需要展开培训。第二个层级有一些企业应用AI，他们会做一些构思和排序，并且使用AI。今天我们在下午的会场听到很多的嘉宾分享了一些商业应用的场景，其实已经进入第二个层级。第三个阶段将是一个规模化使用AI的层级，包括一个企业制定AI战略和大规模AI转型路线图，从而充分释放AI的潜力。目前我们观察到达到第三阶段的企业还是比较少的，除了一些原生的高科技企业或者原生的互联网企业，传统企业往往都是停留在第一和第二阶段。

　　我们再来看一下，如果一些企业得以大规模的运用AI到底可以产生多大的价值？这是我们做的一个初步分析，对于全球前十大银行，根据成本收入比以及其他的业务驱动力做了一个假设。我们可以看出如果应用人工智能，我们可以从“业务收入”以及“运营成本”，这两个环节去做提升收入和降低成本。大概能够创造2200亿美元额外的利润。这个利润主要来源在哪里？来源于最终客户，企业客户的收入增长，零售客户的增长等等。整体业务收入的增长可以看见是当前业务收入的翻一翻。具体的驱动力不介绍，如果各位有兴趣可以跟各位做一个单独的分析。

　　那我们也看到刚刚大家意识到运用人工智能这件事情刻不容缓，而且运用人工智能可以取得很大的商业价值。但是我们面临的是一个悖论。很多企业发现简单之处在于：很快就能够找到一些可以试的地方，而且取得一定的成果。但是当你要走向规模化，即“整个全行业的AI运用”则难度很高。这也是为什么我们说很少有企业在大规模运用上获得成功。主要的原因在什么地方？我们深入的剖析一下。AI的悖论是本身的内在逻辑比较复杂。上面传统的方法进行模块化数量，数据输入、算法和输出是比较简单的。AI从数据中归纳学习的话，牵涉海量的数据和学习。另外我们做大规模的应用的话还会有一些其他方面的挑战，比如说传统的科技或者是数据分析的合作商跟做人工智能的合作伙伴是不一样的。我们需要跟这些新的合作伙伴进行磨合。在企业内部的话我们会缺乏这样的AI应用的人才和技能，在文化上我们可能产生抵触，尤其是一些传统的行业，比如金融行业。大家讲究的是我会讲清楚这个事情的根本原因，我看懂原因才能做决策，而AI的结论有时不容易解释原因。同时我们内部的员工对于AI能够提升的产能内心是恐惧的。因为这可能潜在的带来人力的节减。另外归纳学习还有一系列办法，如敏捷的工作方式。既然需要敏捷的工作方式就需要形成业务与技术的共同团队。还有集中学习和分散行动。集中学习就是大脑是集中的，不管你的触点和数据的来源多么的分散。整个人工智能的分析能力是几种呢的。落到我们应用AI就需要分散，分散每一个跟客户的触点 以及生产加工的环节。未来要做一个大规模AI转型的话，我们需要的或者可以采用的方法，反复迭代。首先会制定一个大规模转型AI的战略，然后构思并且排序AI用例，构建并部署AI用例。底层的是我们需要大规模应用AI转变运营模式。

　　今天我跟各位再详细的讲一下刚才讲的三层。首先是大规模转型的战略，因为我们做AI的大规模的运用跟小范围的试点其实是有一个根本性的差异。我们需要有一个战略性的思维转变，我们需要把数据和自动化产生的智能当成是企业的资产，而且我们有这个能力运用这个资产。这是第一点。第二点，我们的价值池，就是企业价值创造的能力会随着AI发生转变。可能我过去的价值来源在于我有一个非常高效的供应链，我的成本比较低的生产供应的方式。未来我的价值池就是智能化地快速响应客户的需求。在AI用例和部署我们也提到四点。第一要考虑非结构化、未利用的一些数据找到一些新的数据和数据用例。从运用数据的方法来讲我们要讲话敏捷型构建—测试—完善的方法。因为本身AI是与生俱来的归纳法。我们归纳的次数更多，产生的结果就越完善。第三是要探索复杂的关系，包括处理非线性海量数据。最后一个在我们设计AI方法的时候也要考虑数据的透明度和未来结果的可解释性。这些都具有一些深入的思考。底层我们需要一个平台化的设计，首先一点我需要一个AI的平台，是工业化的平台，包括数据和应用的平台。在我们做部署的时候我们也考虑一些战略性的决策，有哪一些能力是我们自建的，我们怎么跟供应商进行合作和竞争。在人力规划要使用人机的二元性，就是考虑到哪一些事情是人做，哪一些是机器做，怎么进行人机的协同。这是未来社会企业都要考虑的点。最后是有全新治理和组织范式。关键在我们讲的集中学习和分散行动。谢谢。

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。

责任编辑：李昂