人工智能将走马上任！企业任职首席机器智能官

【网易智能讯 1月3日消息】国外媒体VentureBeat发表广告公司Havas数字执行总监萨米·维塔马基（Sami Viitamaki）的文章称，2017年企业将需要雇用首席机器智能官（CMIO）。文章详述了相关的挑战，如业务需要、客户价值以及自主性与交互性方面。

以下是文章主要内容：

机器智能（MI）正在快速走出技术部门的摇篮。这需要企业有一个新的高管职能和战略路线图。我将会在这篇文章中概述供你的新首席机器智能官（以下简称“CMIO”）在2017年及以后攻克的一些领域。

当前，机器在学习如何运营实体零售店，开始在医疗诊断上胜过医生，甚至在发明自己的私密语言。因此，机器智能提出问题和议题是自然而然的事情。我有幸已经从事和监督过很多的机器智能项目，在这一领域也钻研得越来越深。我认为，只要严肃对待利益和挑战问题，未来该技术对于企业和个人而言都会利大于弊。

衡量社会发达程度的其中一个重要指标是它的生产力，而机器智能将会成为巨大的生产率驱动力。例如，医生、律师又或者他们的后勤办公室团队需要数周甚至数个月完成的工作，IBM沃森（Watson）几秒钟或者几分钟就能搞定；亚马逊的Amazon Go零售店利用机器智能技术，提供免排队结账的超快速零售体验；谷歌的机器智能已经能够翻译它未曾碰到过的语言；Salesforce的企业机器智能能够显著简化行政管理、汇报和协调工作，要知道这些工作如今占用管理层超过50%的时间。这一切将会让给人们有更多的时间去思考，管理其他人，以及做自己享受的事情。

毫无疑问，跟所有其它的技术变革一样，机器智能也将会带来挑战，也有可能将会让互联网革命显得微不足道。然而，虽然它被广泛认为是未来成功的关键，但企业往往还没有探究细节和全面的路线图。我认为，它应该是任何大公司的战略重点，它应该由一位直接向CEO汇报的高管来领导。这些CMIO将承担起把所有的业务部门以及公司整体带到机器智能时代的任务。如果你是其中的一员，又或者想要招募一位CMIO，以下就是你将会面临的一些主要的CMIO级挑战。

业务需要

有待发现的隐藏联系在哪里呢？你应该实施诊断和预测哪些重要方面呢？你应当自动化哪些量大的日常事项呢？你应当在哪些地方大规模采用快速的、基于情景的定制化和实时优化呢？这些是机器智能企业级应用价值的一部分最有前景的领域。CMIO将需要通过全面理解公司的环境、业务流程和它们之间的关系来评估最大的机会以及最紧急的事务。

在部分领域，机器智能甚至不会带来竞争优势——这是经商要付出的代价。纵观历史，新技术的普及速度呈现显著加速。如今，我们的移动互联网、方便访问的云服务以及物联网都已经部署到位了。在这一背景下，机器智能能够比过往的技术更加快速地接管各行各业，引领企业运营模式的深度变革。例如，当我们不再浏览搜索结果，只是提出问题希望得到一个正确的答案以及快速的执行的时候，谷歌将如何赚钱呢？落后者将会面临困境甚至被彻底淘汰，固步自封的传统企业在诞生于互联网的竞争对手的冲击之下也将遭遇类似的情况。只不过，这一次机器智能技术所产生的影响将会更加显著。

客户价值

除了机器智能，设计思考和客户体验管理在不远的未来也将成为企业成功的重要理念。人并不是理性的计算器，比起硬性的客观价值，他们往往更加看重软性的体验因素。机器智能在为人们提供更加价值的体验上拥有巨大的潜力，CMIO需要通过与设计部门和代理机构合作来发掘这些机会。

机器智能能够简化日常的工作任务，能够让原来无法做到的事情成为可能，能够教导人们，能够个性化产品和服务，能够促成人与物体之间的重要联系，能够让体验变得安全，能够带来全新的讲故事和娱乐形式。这些只是创新体验的部分领域，而在所有的这些领域中，平台和设备之间的无缝过渡连接将会是关键。

机器智能将不仅仅涉及“什么”（what）。我的朋友亚历山大·马努（Alexander Manu）即将出版的书籍将会围绕这一洞察：在行为经济中，配送（如何，how）确实是整个价值定位所在。聊天机器人和认知型个人助手已经在让许多常见的任务变得越来越顺畅，越来越自动化。它们能够随时随地了解它们的主人。

另外要注意的是，你既有外部客户，也有内部客户。面对内部的应用通常很快就会可行，这方面的问题比较简单，且有足够多可用的数据。而在问题较为模糊复杂，数据有待探究或者缺乏的地方，企业通常还是应当为员工建立决策和支持系统。他们处理客户和客户数据的体验会因此而大大改进。

自主性和交互性

在与客户、员工和其他利益相关者打交道上给机器智能解决方案多大的自主权，是一个关键的问题。理想情况下，智能系统应当完全自主处理普通的任务，但对于一些任务，即便它们已经胜任，人们可能还无法信任它们。谷歌旗下的数个AI产品Bob、Alice和Eve找到了以一种人类无法理解的语言来相互沟通，这让一些人感到非常担忧。另外，过往已经有疯狂交易的机器人导致市场崩盘，让投资者蒙受巨额损失。

尼克·博斯特罗姆（Nick Bostrom）在他的著作《超级智能》（Superintelligence）中将机器智能分成三个等级：Oracles告诉用户他们需要知道的东西，就像谷歌搜索过去数十年所做的那样；Genies能够满足主人的愿望，但只依据他们的要求，就像现在的Siri那样；Sovereigns只需要几个重要原则就能够代表主人独立运作。虽然真正的Sovereigns还不存在，但券商如今打造的机器人投资组合可以说相对接近了。

不管给机器智能提供多大的自主权，CMIO还是需要领导开发工作，以及监控公司机器智能交互实践的表现。机器智能系统越来越多地通过文本和语音来与用户互动。市场研究公司Gartner预计，4年内，将会有30%的搜索不需要屏幕来完成；首先是通过语音，之后可能会通过脑波。

虽然对话是人类最常用的互动方式，但对于品牌商而言它不一定是最自然的互动媒介。除了logo、宣传口号和其它常见的品牌资产之外，品牌的精华将会从问题、答案、小互动、感情和对话风格提取。这些将会成为重要的商业和品牌因素，度量和分析技术将需要进化来反映这些细微的差异。

技术架构

CMIO以及CTO（首席技术官）、COO（首席运营官）和CFO（首席财务官）的一项重要任务就是，想出机器智能的技术架构以及路线图和投资计划。机器智能生态系统已经是一个全面开花、快速生长的花园：既有云服务和现场解决方案，也有面向大大小小的企业的硬件和传感器，这些硬件和传感器针对核心功能和支持功能，且经过定制化来迎合各行各业。技术堆栈还包括数个垂直的层级，从理解自然语言和复杂的概念，到数据收集、数据科学和机器学习，再到多用途库和机器智能训练场地。已经有许多公司在提供即用型的功能和API，也有大量免费或者便宜的资源供你去从头打造自有的解决方案。

虽然像谷歌TensorFlow这样的开源免费库听上去可能很不错，但在开始内部开发机器智能必须要三思而后行。尽管那些基础工具可能免费，但你还是需要一支富有经验的科学家和专家团队来开发可自行改进的智能模型和算法。这并非易事：相关人才不好找，更不用说雇用他们的高昂成本了。StackOverflow的调查发现，只有0.1%的受访者自认为是机器智能开发者，只有1.9%有数学或者统计学（机器智能开发的重要技能）研究背景。即便有简单易用的界面和选项去训练机器智能，当遇到问题的时候你还是需要专家去修复。

因此，与其试图在全球人才争夺战中战胜谷歌、Salesforce、亚马逊、微软、IBM和Facebook，还不如与这些公司建立合作。而且，整合巨头的机器智能堆栈和你已经在使用的工具还将带来额外的好处。尤其是对于细分的专业化用途，小型但可能很合适的提供商选择正变得越来越多。但还要记住的是，在机器智能领域，规模通常是一个利好，毕竟更大的数据意味着更快速、更好的学习机会。

系统学习

机器智能系统需要持续不断地学习，因为推出之初它还只是个“婴儿”。事实上，研究人员正在打造虚拟婴儿来帮助理解婴儿如何学习，以及教导计算机更加快速地学习。制定企业机器智能项目的学习目标和战略是CMIO的一项重要任务。持续的数据流在机器智能系统学习中扮演至关重要的角色，机器智能数据的经验法则就是“越多越好”。机器智能的主要优势在于，它不需要获得样本——它能够直接从所有可用的数据学习，因而能够让洞察和预测变得更加可靠。有数据和问题可能如何关联的理论固然很好，但要记住，只要有足够多可用的数据，机器智能就能够帮助建立新颖的连接，发现新的机会，回答你甚至还没有想到的问题。

不同的问题将需要不同的学习范式，强化、监督式学习和无监督学习是当下最广为人知的几种机器学习方式。目前也已经有一个针对训练目的的生态系统：伊隆·马斯克（Elon Musk）的OpenAI刚刚开放了Universe， Universe向所有人提供工具来训练、测量和评估智能系统；OpenAI Gym被用于训练强化算法；微软将Microsoft Cognitive Toolkit开源，意在加速机器智能应用程序的开发，目前正取得进展。就连苹果这家最神秘的科技公司也将它的机器智能研究开放给学术社区，很显然机器智能的未来将依赖于协作和集体学习。

思考智能系统训练的一个好思路就是，将它游戏化，引入触发、行动、失败、成功以及奖励和反馈回路元素，这些元素让人们和机器都能够轻松理解。研究公司L2用一个代表智能系统未来价值的公式恰当地总结了学习的重要性：可用数据传感器的数量×能够反馈回系统的可行动智能=价值定位。

人工部分

最后一项要点是，CMIO将需要解决智能系统的人工部分，因为机器智能还无法独立运作。人们只需要给机器智能系统提供它们能够测量、学习和应用到新场景的数据线索。不过，它们还需要人工间歇性地检查数据，调整算法，提供训练集，在正确和错误的判读上给机器智能提供指导，以及管理机器智能无法独立解决的情境。

强化学习和监督式学习需要更多的人力参与，而无监督学习则让机器自行学习。不过，无监督学习在这三者当中是最试验性的那一个，该类系统也还无法自行创造出来。谷歌AI Experiments试验是一个很好的例子，它证明互联网上的每一个人都可以被用来玩耍智能系统，以及在一种开放的环境中训练它们。

要记住的一点是，机器智能系统还是由人来打造，因此如果没有得到适当的控制的话，它们会一直保留其创造者的偏见。这不仅仅涉及打造算法的科学家，还涉及标注训练集的注解者。例如，按最高评分是5个星来算，女性给予同样的小狗的可爱指数评分平均要比男性高出0.16个星。这在数据统计上是一个显著的差异，它在机器智能的教导中关系重大，比如在教导可爱程度的概念上。

即便有近乎完美的系统，CMIO还是需要决定多大程度上信任那些机器，保留多大程度的控制，以及如何建立相互制衡机制。如前文所述，机器智能的一大希望在于，它将可以让你的人手更多地专注于人文工作，比如判断、社交联络以及创意。随着时间的推移，控制的需要应该会减少。

总结

在Havas，我们目前在全球各地和各行各业进行许多利用机器智能的营销推广和产品项目。也许最能打动我的项目还是我们与客户TD Ameritrade和IBM沃森共同展开的“最信赖主队的粉丝”项目，它带来了看待TD Ameritrade的NFL赞助的一个新视角。对于橄榄球赛季，我们打造了一款富有吸引力的网页应用程序来估量球迷在社交渠道上表现出的对他们的主队的信心与主队的成功之间的关联性。这个行业首创的解决方案令人惊喜。例如，它准确预测了NFL冠军队丹佛野马所有比赛的结果，其中包括野马队普遍不被看好的超级碗比赛。

机器智能未来几年将会接管诸多的行业和垂直领域。现在的问题并不在于这是否会发生，或者它什么时候会发生，而在于你对机器智能时代的到来做了多少准备？将机器智能视作公司内部重要的战略部门是很好的开始。（乐邦）

关注网易智能菌（微信公众号：smartman163），获取专业人工智能资讯与AI报告。