2012年美国大选中罗姆尼败给奥巴马，让后者迎来新的4年任期，有一个人居功甚伟，那就是奥巴马竞选团队的首席科学家Rayid Ghani。这位科学家做了什么呢？维基百科中他的个人介绍有这么一段：Ghani completed his graduate studies in the Machine Learning Department at Carnegie Mellon University with Tom M. Mitchell on Machine Learning and Text Classification and received his undergraduate degrees in Computer Science and Mathematics from University of the South. 

 

翻译过来，他跟过Tom M. Mitchell学机器学习，而Tom M. Mitchell又是何许人？他被称作“机器学习之父”，写过一本书《机器学习》，堪称是第一代机器学习的必读教材和“圣经”。

 

名师出高徒的Rayid Ghani，带领团队用一年半的时间，将收集到的数据构建成大型数据库，并做出了不同类型选民的精细模型，比如对各族群选民的投票趋势的实时分析，针对性的给出不同的宣传策略。通过分析他们发现，第一夫人的拉票邮件在春天最受欢迎，并建议奥巴马去Reddit去跟网民互动，还通过模型推演决定购买冷门节目的广告时段来定位精准选民。

 

即使不提这些“精细”的操作，美国总统选举也一直被认为是财力的比拼，而Rayid Ghani和他的团队通过建立模型来预测谁会在线捐款，再将结果应用到邮件营销上等，帮助奥巴马筹集了破纪录的10亿美元。至于花钱上——据称他们每晚都用模型进行6.6万次模拟选举，推算奥巴马在摇摆州的胜率来分配资源。

 

假如奥巴马和罗姆尼的团队是两个竞争的创业团队，前者只需如时下的流行，喊一声“我们有AI”，然后显摆下技术大牛Rayid Ghani和他的机器学习，即使最迟钝的投资人，也知道谁会赢了。

 

濮阳人吕不韦贾于邯郸，见秦质子异人，归而谓其父曰：“耕田之利几倍？”曰：“十倍。”“珠玉之赢几倍？”曰：“百倍。”“立国家之主赢几倍？”曰：“无数。”（《战国策》）

 

美国总统大选是人类社会最称得上“赢倍无数“的事情之一，或者说是一场最顶级的影响人类命运的营销比赛，是“吕不韦”们的猎场。而从大学实验室来到名利场的机器学习，用新的技术应用，超越了旧的经验理论，第一声啼哭就碾压了一群顶尖的天才。

 

当然，这样的话题有点遥远，总统大选4年才有一次，也不可能外包给中国团队，我们来聊些更贴近的：那些“赢百倍“的生意，比如做企业，AI又能带过来什么改变？

 

有趣的是，同样是营销领域资深的从业者，在今年四月下旬，品友互动的创始人黄晓南给出了斩钉截铁的回复：“它（AI）不会替代我们，但是会使用AI的人一定会替代不使用AI的人。”

 

未来企业

 

今天的企业，和过去的企业有什么不同？未来又会有哪些变化？

 

如何回答好这几个问题，一直是经济学家们头疼的事情，但技术的突飞猛进，让理工科的人也能跑进商业论坛来演讲了。而这个趋势在近几年愈演愈烈，甚至连相关的科幻作家们都常被邀请，以至于不温不火几十年的中国科幻作家群体，忽然就“不够用”了。

 

无他，新的现实急需新的理论来解释和支撑。

 

在品友互动人工智能大会上，国际人工智能协会（AAAI）院士、港科大教授杨强，一个自称“不太懂”商业的学者，却提出了商业环境面临的三点变化：数字化，智能化和社会化。当数字化发展到一定程度，机器就会从后台来到前台，从单纯的支持者，开始承担决策的任务，这又意味着人和机器、机器和机器之间等，又都需要新的沟通方式——企业需要面临的变革可不少。

 

而变革的本质是人工智能的不断进步：计算力的提升、数据的爆炸式增长和算法的演进。机器在部分领域超越人类有几个里程碑的事件：2011年，IBM的沃森在《危险边缘》节目中击败人类选手赢得冠军；2012年机器学习在图片分类上胜过人类；以及后来击败了人类的阿法狗，和8小时训练后就击败了阿尔法狗的AlphaZero。

 

时至今日，我们对机器在细分领域超越人类的未来已没有怀疑，随之而来的就是对借助这股能力的渴望。MIT人工智能实验室（如果不熟悉这个实验室，那你只要知道他们有7个图灵奖获奖者就够了）主任Daniela Rus介绍了人工智能在美国最新的应用：

 

 

 

医疗领域：AI被应用到淋巴结的识别上，人机配合可以将原来7.5%的失误率降低到1%以下，MIT和麻省医院合作的项目，通过机器学习，可以达到97%-99%的乳腺癌筛查准确率。

 

金融领域：聊天机器人和机器助手提供了更多决策辅助；在零售业，通过分析过去的数据，AI可以向购物者推荐更平衡的购物选择。

 

法律领域：自然语言处理的应用，让律师能够轻松查阅整个图书馆的文件和书籍，而不用去记上千本书或是大量的案例和法律文件。

 

交通领域：MIT开发了一套机器学习的系统，可以将出租车的供需进行衔接（听起来是不是很熟悉？）。

 

能源领域：谷歌近期使用的新系统，可以削减数据中心40%的能源消耗，“可以大幅减低此类消耗对于我们的环境有非常大的帮助”。 

 

 

 

AI落地

 

人工智能令人神往，那么，企业又要如何应用呢？

 

杨强提出的看法，是要回归到机器学习的本质：“今天的AI是大数据驱动的，而大数据驱动的重要理念是机器学习。”

 

机器学习主要有三个步骤，首先是获取数据，标注数据和清洗数据。第二步是特征工程，把数据从原空间映射到超高维空间进行处理。第三步是机器学习，建模、优化然后反馈、测试，对未来进行预测。

 

“第一，从数据到模型再回到数据的环路要短，不要有过多人为的决策和参与；第二，数据的到来和反馈的获得要频繁；第三，模型的更新要快。”杨强说，对以人工智能为核心驱动的未来企业来说，“短、频、快”将是成功的必要条件。

 

在实际应用中，企业对于需要人工智能解决的问题，要有这几个思考：目标在哪里？数据在哪里？问题的边界是否清楚？特征在哪里？特征是否可以自动地用特征工程进行运作？持续的反馈能否用在自学习的流程里面？

 

一个非常符合这个情景的例子，就是客服电话。微众银行每天会收到大约10万条客户消息，这个场景有清晰的目标和边界、高流量的数据、相应的反馈和算法，符合“短、频、快”的原则。目前，98%的请求已经由机器人进行回答。

 

不难发现，在对人工智能的应用上，数字化程度高的互联网原生企业颇有优势。品友互动就是个很好的例子，不久之前，品友在百科上的介绍还是中国最大的程序化购买平台，而程序化即是互联网时代的产物。伴随着互联网的发展，网络上出现了大量的中小广告位，由于交易紊乱，作为需求方平台应运而生，广告主可以在DSP上进行程序化购买，但DSP的数据不一定够精准，于是又出现了DMP（Data Management Platform）数据管理平台提供数据业务。诞生于2008年的品友互动，没有止步于，又继续发展了DMP业务，在其主办的智能大会上，黄晓南还宣布了新的技术战略——DISC（Data，Intelligence ，Strategy， Blockchain），投入到数据、算法、策略及区块链方面的研究。现在，品友互动定位为基于大数据技术的人工智能决策平台，并推出了MIP（Marketing Intelligence Platform）辅助企业的营销决策。

 

探讨在营销领域的AI落地，黄晓南说，根据她的实践经验，第一原则是要找更熟悉本土情况的企业合作。“比如处理媒体的数据，媒体的数据在国外没有那么多作弊的，在中国有很多作弊的，我们模式识别的技术是专门针对这个问题来解决的。”其次，AI的落地必须是和CMO或者更高级别管理者交接：“我们做程序化的时候，接触公司的媒介经理就够了，现在我们基本上都是CMO或者CEO，不到这个级别的话，系统性的合作是不可能的。”第三，企业一定要很清楚AI的用途是什么。“很多时候不是说先收集数据，收集数据有各种各样的方法，事先没有把问题讲清楚就说开始收，基本上百分之百的失败了。”

 

人机新解

 

回到杨强教授提出的三个变化，在普及了数字化，实现了AI落地的智能化后，社会化——未来企业中人类和机器的关系又会是怎么样的呢？

 

杨强的看法是：现代企业的设计和再造以人为中心，所有目标、反馈、计算力和数据都是围绕着决策者和人设计的。在未来，人和机器是有各自的位置，人的作用依旧很重要，负责设计目标，提供数据，以及清洗和标注数据。也就是说，人既设定目标，又做机器的"老师"，但中心是机器在起作用，是人工智能的模型在起作用。

 

Daniela Rus补充到，人和机器不应该是竞争性的，而是有各自的优势，通过协作可以实现1+1大于2的效果。“当然工作场景也在发生变化，非常重要的一点是，我们要思考如何驾驭技术服务于我们，支持我们进行认知性的工作、决策，应用在企业的方方面面。”

 

而对于企业家来说，看法则更实际一些。“一言蔽之，我觉得在人工智能时代是不可逆的趋势，所有的人最后都会和机器成为伙伴。“黄晓南说，人成为机器最好的使用者，人就成为了一个判断者，而机器成为了一个辅助者。

 

“它（AI）不会替代我们，但是会使用AI的人一定会替代不使用AI的人。”