【智能客服】智能客服2.0，数字时代的人性化交互

2017 年 11 月 13 日 产业智能官

本文转载自《零售银行》杂志第92期作者张慧、赖开文

智能客服创造了与客户连接的新方式，影响并改变了银行服务模式。而智能客服2.0提供了更有温度的数字化交互，在提高服务效率的同时，加深了客户洞察与联结。

今年4月，台湾玉山银行在社交网络Line上基于IBMWatson推出了智能客服“随身金融顾问”，通过手机与客户用语音或者文字进行聊天式的交互服务。可以说，以玉山机器人为代表的智能客服2.0提供了有温度的数字化交互，通过吸引用户主动参与、用直观而人性化的方式一步一步地引导客户深入互动，在提高服务效率的同时，加深了客户洞察与联结。

智能客服：技术驱动下的业务创新

智能客服是一个用语音或文字同客户进行对话交流的计算机系统，也常被叫做“对话机器人”。它往往出现在社交窗口或App、Web中，通过在聊天框进行一对一的交谈，解答客户问题，引导完成业务服务。

（可滑动观看）

场景一：

台湾玉山银行推出的智能客服，就是通过聊天的方式引导客户办理业务。客户如果对房贷感兴趣，可能发生以下对话与情景。

客户：“我能贷出多少房贷？”

机器人：“您现在几岁了呢？”

客户：“三十。”

机器人：“您是买新屋申请新贷款，还是旧屋增贷呢？”

客户：（点击“新屋申贷”）

机器人：“麻烦告诉我要评估的新屋地址，要有县市和明确的路段哟。”

客户：（用语音或文字输入详细地址）

机器人：“请问是否有电梯呢？房子的屋龄是多长呢……”（最后给出一个优选的贷款额度利率评估，再与客户预约确定线下的面签时间与地点）

要实现以上流畅的对话效果，智能客服依靠的是自然语言处理（NLP）技术。人类使用的自然语言对计算机而言是非结构化的、模糊的，NLP就是让机器能够理解人类语言。从上个世纪50年代开始，NLP主要是依靠语言学家定义词性、语法、依存关系、上下文有关文法等，试图用语言学规则描述概念和逻辑，但一直都没有取得良好效果。直到80年代初，出现了以IBMWatson实验室为代表的统计语言学，才指明了研究NLP的正确方向。2011年，IBMWatson系统在美国智力问答大赛中战胜了人类冠军，标志着机器在理解人类自然语言方面迈上了新台阶。随着技术的进一步发展，人工智能对于自然语言的处理也不再仅限于词性、语法分析等，而是着重理解文本的含义、甚至是字面之后隐藏的真实意图。

因此，随着NLP技术的发展，智能客服的智能化程度也在不断提升。对于智能客服来说，其“善解人意”的重要前提就是系统对于客户问题的准确理解，不仅是理解客户说的每个词、而是能根据上下文理解语义、并能与客户进行自然的多轮交流，这是衡量智能客服“智能化”程度的首要关键点。而与Siri等普通聊天机器人不同，银行智能客服还必须是一个“业务专家”，能帮助客户解决实际业务问题。在实操中，考虑到银行智能客服的知识库及问题回复都需要人工审核，高效及时的知识更新是衡量智能客服“智能化”程度的第二个关键点。因此，我们说，今天的智能客服已经从传统规则驱动的1.0，发展到了基于机器学习的智能客服2.0。

基于规则匹配的智能客服1.0

智能客服1.0是基于规则匹配，主要提供常见问题的自动问答。智能客服1.0的工作原理就是查找匹配客户问题与知识库中的关键词，找到答案。对于仅靠关键词无法精确匹配的客户问题，智能客服1.0则采用类似于CallCenter语音自助服务IVR的做法，通过让客户逐层选择菜单对问题加以澄清。

智能客服1.0对简单的业务咨询比较有效，起到了分流人工坐席的功能，但在客户体验方面生硬不连续，并且随着知识的增多会产生维护瓶颈，动辄需要几十人的业务规则维护团队。

具体来说，智能客服1.0存在的局限性，主要包括以下三个方面：

第一，对话缺乏上下文关联,容易产生问题识别错误；

第二，要把“扩展问”用关键词和正则式定义出来，维护工作量大，且受个人经验影响大；

第三，客户要从机器回复的大段文字中自己找到答案，澄清追问过程生硬，用户体验不好。

在国内许多企业，尤其是金融企业，都使用了基于规则匹配的对话机器人。然而经过一段时间的使用后，其知识库中累积的问答对都接近甚至超过了上万个，他们切身体会到了智能客服1.0的局限。因此，很多企业已经着手开始准备使用新的技术来升级现有的智能客服系统，即走向智能客服2.0。

人性化数字交互的智能客服2.0

基于机器学习的智能客服2.0，支持多轮会话，提供如玉山银行机器人那样的交互服务。从业务上看，智能客服2.0不再满足于简单的一问一答式服务（即问答机器人）而是通过多轮交互，协助客户办理业务或者为其解决问题（即服务机器人）；甚至与大数据分析相结合，可以为客户提供个性化的服务和咨询（即咨询机器人）。

从技术上看，智能客服2.0采用机器学习和深度学习技术，通过对历史数据的学习和训练，提高了语义理解的准确性、易维护性和客户体验，主要包含4个核心组件：意图分类、知识库、会话管理和后台集成。

1．意图分类

智能客服2.0基于机器学习来准确理解客户问题。如果客户说“怎么进不去系统了”，对于智能客服1.0，就需要由管理员人工将“进不去”、“系统”作为关键字配置成“重置密码”的“扩展问”；而对于智能客服2.0，则只需要把这句话标注后提交学习训练，无需规则定义。同时，系统可以根据上下文识别出相关实体，区分出是“重置网银密码”还是“重置手机银行密码”。训练后的系统不仅可以理解这件话，还能推测出“真讨厌，系统又进不了”表示同一个意图，并识别出情感态度是“负面”。所以说，与智能客服1.0相反，智能客服2.0会越学越聪明。

2．领域知识库维护

智能客服2.0提供一个可视化工具进行领域知识库维护，包括训练学习过程，还可以对所有客户交互文本进行“客户之声”挖掘分析，找到近期热点问题和趋势预测，从而提高知识库维护效力。一般来说，80%的客户咨询都会集中于20%的常见问题，而对于剩下80%的长尾知识，智能客服2.0能够通过文本搜索并结合知识图谱，从海量非结构化数据中提出或生成有业务意义的候选答案。这个功能主要是作为银行内部人员的“智能助手”，帮助客服坐席或网点人员对于某一个非典型的业务问题快速搜索最佳答案，提高工作效率。

3．对话管理

这是智能客服2.0最核心的一个组件，针对每一个特定的业务场景，需要根据领域知识控制对话的流向。在各流程环节，不仅需要准确理解客户意图，还要根据上下文进行意图理解、省略补全、理解排歧等。

智能客服2.0会话管理的挑战主要来自客户思绪的发散跳跃、不按规定套路说话。因此，机器人必须引导和控制对话流程，即在一个预先设定的框架下进行会话交互。

（可滑动观看）

场景二：

客户：“我要办张信用卡。”

机器人：“我行有多种类型信用卡可以办理，有星座时尚类、网络购物类、环保类等，请问您想要哪种卡？”（意图识别，进入信用卡申请流程）

客户：“网购的吧。”

机器人：“好的，向您推荐PASS网络购物信用卡，它有200万航意险、至尊租车礼遇等优点。”（根据上下文补全信息）

客户：“什么是至尊租车礼遇？”

机器人：“汽车租赁至尊礼遇是‘至尊租车’向客户提供的一种特惠礼遇。”（流程被打断，机器人通过问答功能回答此问题）

客户：“有金卡吗？”

机器人：“有的，PASS卡有金卡和普卡，金卡年费200元，普卡年费80元。”（返回对话流程，并根据上下文补全信息）

客户：“那算了。”

机器人：“您是说不要金卡了吗？” （意图识别，歧义排除，并确定流程分支）

客户：“对，我就申请普卡了。”

机器人：“好的。”

4．系统集成

会话不是目的，完成业务才是目的。因此，智能客服2.0通过与其它系统的集成，确保完成业务服务。在台湾玉山银行的例子中，前后台串接系统多达8个。特别是与分析系统的集成，智能客服2.0通过客户画像可以“投其所好”地提供个性化的会话。客户画像中不仅包括客户的价值、风险、偏好，还可以通过客户的语言习惯发现客户的性格，通过客户的行为轨迹和地理位置信息感知客户场景。智能客服2.0根据不同的客户类型和场景，采用不同的应答话术，给予每位客户个性化的服务。

目前已经有领先企业，利用智能客服2.0系统来取代传统手机银行、网上银行的业务办理模式。在传统模式下，客户更多的是通过下拉框和文本框获得用户输入以完成业务办理。而智能客服2.0通过人性化的对话方式与客户交流，在获得客户需求的同时，也随时回答客户在业务办理过程中的问题，以更加温暖和人性化的服务来消除客户的疑惑，使客户最终选择自己的产品和服务。

智能客服2.0的实现

近年来，随着机器学习算法、海量训练数据和计算力大幅提升，特别是凭其深度神经网络强悍的记忆能力和复杂特征的提取能力，人工智能在语音识别、机器翻译等方面的准确率已经可以超过人类，但是在对话系统方面则仍然面临许多挑战。如机器难以理解对话过程中“不言自明的常识”，难以识别谈话氛围和情绪，知识库无监督自动生成功能，仍处于学术研究阶段等。

可以说，智能客服2.0的目标不是开放式的聊天系统，而是基于特定业务领域和业务场景的对话系统，因此需要对内容、流程进行限定，选择合适的业务场景才是发挥其业务价值的成功之“道”。

“道”——业务场景

在选择确定智能客服的具体场景时，需要从客户体验、业务价值、实施条件等多方面加以考虑，诸如以下：

业务发展计划如何？智能客服能带来什么价值？

是否有操作和合规风险？是否有安全风险？

目标客户和所有相关方的接受程度如何？对业务流程有何影响？

如何以人为本，让交互过程更自然，让客户体验最优化？

与客户交互会话过程中，各节点的步骤和状态是否明确？如何处理例外？

是否有相关知识库？是否有真实的语料库/标注数据？要与哪些系统集成？

以上种种，都是银行需要考虑的因素。场景的选择不一定要全面，特定场景更有利于提高智能客服的工作效率。如台湾玉山银行使用“设计思维方法”选择了“随身金融顾问”的“住房贷”、“信用卡”、“购汇”这三个场景，并在项目启动后同各业务单位召开超过50场沟通会议。系统一经推出，获客引流量即是平时的5—10倍，带来了极大的业务价值。在国外，一些银行把降低客服中心运营成本作为业务目标，采用一种循序学习的路径。可以说，每一家银行实现智能客服的路径都有所可能不同，但重要的是先选择一个领域。把一件事情做好，再扩大到其他领域，并持续反馈数据、优化模型，才能使机器越来越聪明。

案例

巴西第二大银行Predesco选择IBMWatson实施智能客服项目时，第一期只选择两个业务领域的问答功能用于内部员工培训；第二期把问答功能推广到其它业务领域，并对人工座席和网点员工开放；第三期则是集成了客户洞察，提供个性化的智能会话功能；第四期才面向客户开放，为客户提供客服服务。

“术”——技术实现方式

“自然语言对话”可以说是最难、最复杂的人工智能技术之一，因此，大多数国外银行会基于某一云平台提供的自然语言会话服务API（如IBMWatson），建立自己的智能客服应用系统。即银行利用平台提供的MLASAPI（机器学习服务接口，MLAS指MachinelearningasServices），以此实现现场场景的理解、意图和实体的识别，并基于机器人框架定义交互流程，使得银行可以专注于业务应用场景、领域知识库维护以及客户交互体验。在运行过程中，只有客户问句被送往云端进行意图识别（返回意图编码），所有客户资料、领域知识库、业务流程定义等都在银行本地系统，因此不会造成客户信息的泄露。

对于那些有志于把人工智能作为自己核心竞争力的银行来说，可以依靠自己或合作伙伴的数据科学家团队，基于某个流行的机器学习开发框架（如TensorFlow）自行开发实施系统平台，包括建立聊天机器人框架、对话意图模型、上下文处理等，并在过程中不断调优。

而对于那些已经采用智能客服1.0的银行，可以直接从多轮会话入手，通过选择某一业务场景，建立基于机器学习的智能客服服务体系，再通过局部提升或逐步迁移的方式，提升智能客服的问题理解能力，降低知识维护的难度。

根据Garner预测：到2020年，智能客服将接管40%的移动交互，我们正进入一个“后App”时代。事实上，智能客服2.0的应用边界已经突破了传统客服，不仅可以在标准化程度高的业务咨询方面直接替代人工，更可以通过与其它系统和人工的协同，实现营销与服务功能。从本质上来看，智能客服是创造了一种全新的客户连结方式，会影响并改变银行服务模式。借鉴玉山银行的成功案例，各银行应从现在就开始智能客服2.0的建设，选择从一个场景入手，做好一件事。

赛尔原创 | 聊天机器人中用户出行消费意图识别方法研究

作者:哈工大SCIR硕士生钱岳

1 引言

随着社会的日益信息化，人们希望能用自然语言与计算机交流，于是聊天机器人应运而生。在和机器人聊天的过程中，用户产生了大量的数据。这些数据包含了用户丰富的信息，展示了用户的需求和意图，识别出用户的出行意图可以进行相应产品的推荐，使得聊天机器人变得更加智能，增强用户体验。基于此，本文提出了聊天机器人中用户出行消费意图的识别工作。所谓出行消费意图是指用户为了满足出行的需要，通过聊天文本表达出的对出行类产品或服务的购买意愿。

近些年随着社会媒体技术的发展和普及，Twitter和新浪微博等社会媒体称为了最普遍的信息发布、传播和共享的工具之一。在这些用户生成的数据中蕴含了丰富的消费需求信息。Liu[1] 等人提出了基于弱监督的图排序算法，该方法适用于数据总量较大，已标注数据较少的情况。Ding[2]等人提出了基于领域自适应的消费意图检测方法。具体而言，给定一条微博文本，该方法首先基于领域自适应的卷积神经网络模型做二元分类，判断其是否含有用户消费意图；随后，对于有消费意图的微博文本再抽取其中的需求词，最后，根据该需求词去事先构造好的消费意图事理图谱中检索可以满足消费意图的产品推荐给用户。Duan[3]等人提出了基于社区问答的消费意图识别和挖掘方法，通过挖掘问题与回答之间的需求对应关系，把消费对象的挖掘问题转化为搭配问题。Wang[4]等人将Twitter中用户潜在的意图划分为6个类别，并通过半监督学习的方法进行消费意图识别。Yang和Li[5]提出了人们日常生活中经常出现的 12 种普遍需求，通过模板匹配方法获得了购买了产品的用户，然后基于 Twitter 中的 unigram 特征、WordNet 中词的语义特征、表达需求的动词特征来训练分类器完成对用户消费意图的识别。

区别于传统的消费意图识别方法，本文尝试使用端到端的模型进行意图识别工作。并且根据聊天文本的特性，结合用户的表达方式和特点，通过对不同的深度学习模型进行整合，进行聊天机器人中用户的消费意图识别。实验结果表明，在出行消费意图识别任务上，本文采用的混合模型在各项指标上均优于传统的机器学习方法以及基于CNN和基于LSTM的深度学习方法至少2个百分点，能够有效识别用户的出行消费意图。

2 问题描述

本文主要研究三个领域的出行意图识别任务，即订机票意图，订火车票意图和订酒店意图，常见的聊天文本如表1所示。进行用户出行意图识别的基本目标是根据用户在聊天中表达的语义信息来确定用户聊天文本的出行消费意愿，即判断用户在文本中表达了哪一类出行意图。

表1 常见的聊天文本示例

对于表1中前两组例子，直观上看，有出行意图和无出行意图的文本表达在用词、句式上存在较大的差异，可以直接使用一些模板匹配的方式进行识别。但是在聊天语料中处理过程中发现，由于聊天系统对话的特殊性，用户的表达一般较短，一些无意图的用户聊天文本在用词，句式上和有意图文本比较接近，通过一些模板或者关键词特征的方法不容易区分。从表1中的第3到第5组例子可以看出，每一组的两句对话在用词或者句式上都具有很高的相似性，但却属于两类不同的意图领域。对于第3组例子，尽管二者都具有相同的“动词+地点”的动宾关系句法结构，并且都包含了“飞机”这一关键词，但是有意图文本希望查询到某地的航班信息，而无意图文本则是表达了用户刚刚下飞机；对于第4组例子，有意图对话表达想去北京要订火车票，而无意图表达只是表示自己坐了一天的火车；对于第5组例子，有意图文本很短，只有三个词语，但是却包含了“酒店”，“大床房”等关键词，无意图文本虽然也包含了关键词，但是表达的却是一个新闻事件，并不是希望订酒店。

由此可见，在聊天机器人中，用户出行意图的识别具有很大的挑战，如何从较短的，而且是表达相近的用户聊天文本中准确的识别出用户的出行消费意图，是一项十分具有挑战性的工作。因而本文的主要目标是识别出用户的出行消费意图，准确的将这些相似的无意图文本进行区分，进而理解用户表达的真实意图，服务于后续的推荐工作。

3 模型

3.1 基于SVM的出行消费意图识别

以往的消费意图识别工作主要基于支持向量机（SVM）等传统机器学习方法[6]，因此本文为了与前人方法进行更好的对比，将基于SVM的出行消费意图识别方法作为基线方法。本文在该实验中使用词特征作为模型输入，首先对数据集合进行分词等预处理后生成词表，然后对数据集中的每条文本根据词表进行one-hot表示作为最终的模型输入。该方法对出行消费意图的识别流程如图1所示。

图1 基于SVM的出行消费意图识别

3.2 基于CNN的出行消费意图识别

根据本文的问题描述，出行消费意图识别本质上是一个四元分类问题，因此本文尝试使用基于CNN的出行消费意图识别方法. 该模型如图2所示，由输入层，卷积层，池化层和最终的Softmax分类层组成.其中，输入层中，整个句子可以表示为，由句子中词向量进行连接而成，而卷积操作可以看作是基于滑动窗口的特征提取，主要用来捕捉词语间的局部信息，本文定义卷积核的长度为h，大小为，用于聊天文本中第i个词到第i + h - 1个词。

图2 基于CNN的出行消费意图识别流程图

采用max-over-time pooling进行池化，取每个feature map中值最大的一维作为抽取出的最终特征。该层主要用来将局部的上下文特征向量映射成固定长度的全局特征向量，使得我们仅保留具备特征向量中最具有代表性的特征。最后，由于本任务一共有四个输出，即该用户文本是否具有订机票，火车票，酒店意图或者是无意图。因此输出层，即Softmax层输出维度为四。

3.3 基于LSTM的出行消费意图识别

基于CNN的出行消费意图识别虽然对文本进行深层特征抽取得到了文本最终表示，但在特征抽取过程中没有很好地考虑文本的语序问题。对于聊天机器人的用户对话文本，由于其表达较短，且词语的先后语序关系对文本的实际含义影响较大，为了能更好的对文本的时序关系建模，本文采用基于LSTM的出行消费意图识别方法。LSTM模型由Hochreiter和Schmidhuber[7]提出，它不仅对文本的时序关系具有良好的建模能力，而且当用户输入的文本较长时，可以有效处理文本的长期依赖问题。本文中的LSTM结构如图3所示，该模型由输入层，长短期记忆层和Softmax分类层组成，其中Softmax层与CNN模型中相同，LSTM层由一系列重复的Cell组成，得到最后一个Cell的输出送入Softmax层。该模型的输入层与CNN中不同的是，词向量是依次按照顺序依次送入到对应的Cell中，以保证聊天文本的时序性。

图3 基于LSTM的出行消费意图识别流程图

3.4 基于Convolutional-LSTM的出行消费意图识别

CNN可以从文本中获取深层的特征信息，LSTM则可以对文本的时序关系建模. 为了充分利用二者的优点，本文将CNN与LSTM模型进行整合，使用基于Convolutional-LSTM的出行消费意图识别模型，该模型于2015 年由Sainath等人提出[8]，并在语音、图像领域有了一些应用[9-12]，结构如图4所示，包含了输入层，卷积层，特征组合层，长短期记忆层以及最终的Softmax层。本文将该模型应用在文本上，其卷积过程与前人工作不同的是，卷积核的宽度和词向量维度相同。本任务中该模型的输入层，卷积层，Softmax层结构和CNN中对应层结构相同，长短期记忆层与LSTM中对应层结构相同。特征组合层的每个向量通过将卷积后的每个feature map的第i维对应的元素顺序相连得到，得到n-h+1个组合向量，这样每个向量根据卷积的先后顺序进行重新组合，保证了文本的时序性。进而将向量依次送入LSTM的Cell中。得到最后一个隐层的输出作为最终的句子表示，交由Softmax层得到识别结果。

图4 基于Convolutional-LSTM的出行消费意图识别

4 实验

4.1 实验数据

本文的实验数据来源于科大讯飞灵犀语音助手2015年4月的用户日志，共计13677844条用户数据。灵犀语音助手是一款智能语音软件，提供了查询及购买机票，火车票，酒店等功能，其用户表达习惯和聊天机器人中用户的表达相似。本文使用一些关键词及模板规则对数据进行了预处理，过滤掉部分无意图数据，在预处理后的数据上由两名标注人员进行标注，共标注28795条数据。通过计算两名标注人员标注结果的皮尔森相关系数（Pearson correlation coefficient）来验证标注的一致性。依照上述的流程，得到最终皮尔森相关系数值为0.88，说明不同用户对出行消费意图的理解较为一致。同时，为了避免实验结果的偶然性，本文采用了5折交叉验证的方法，即将数据等分为5份，依次取其中的1份作为测试集，其余4份作为训练集训练模型并进行测试。

4.2 实验结果

表2 意图识别实验结果表

可以看出在我们的任务上，Convolutional-LSTM在三项指标上都取得了最好的效果。

5 结论

在聊天机器人中，识别出用户的出行消费意图对于理解用户潜在行为和产品推荐具有重要的意义。Convolutional-LSTM的模型首先通过卷积操作，对用户聊天文本进行局部特征信息抽取以获取深层文本信息，然后通过对不同卷积核卷积后生成的特征向量进行维度组合，进而送入LSTM 进行表示学习。由于该模型省去了卷积后的池化操作，特征向量保留了文本卷积后的上下文关系，通过对不同特征向量的相同位置元素进行组合，生成新的向量集合代替原有的词向量输入，利用LSTM的循环输入结构以及上下文信息保留和传递机制，得到最终的文本向量表示。分别结合了CNN在特征抽取和LSTM在语义理解方面的优势。实验结果表明，本文采用的Convolutional-LSTM方法在消费意图识别任务上具有良好的表现，对于聊天机器人中用户的出行消费意图识别是行之有效的。

引用文献

[1] 刘挺, 付博, 陈毅恒. 基于图排序的社会媒体用户的消费意图检测[J]. 中国科学:信息科学,2015, 45(12):1523-1535

[2] Ding X, Liu T, Duan J, et al. MiningUser Consumption Intention from Social Media Using Domain AdaptiveConvolutional Neural Network[C]. In: Proceedings of AAAI, Austin, 2015.2389-2395.

[3] Duan J W, Chen Y H, Liu T, et al.Mining Intention-Related Products on Online Q\&A Community[J]. Journal ofComputer Science and Technology, 2015, 30(5): 1054-1062.

[4] Wang J, Cong G, Zhao W X, et al. MiningUser Intents in Twitter: A Semi-Supervised Approach to Inferring IntentCategories for Tweets[C]. In: Proceedings of AAAI, 2015. 318-324.

[5] Yang H, Li Y. Identifying user needsfrom social media[J]. IBM Research Division, 2013.

[6] Huang D, Huang Z. Consumption PatternRecognition System Based on SVM[C]. In: Proceedings of the InternationalConference on Intelligent Computation Technology \& Automation. IEEEComputer Society, Breckenridge, 2011. 79-82.

[7] Hochreiter S, Schmidhuber J. Longshort-term memory[J]. Neural computation, 1997, 9(8): 1735-1780.

[8] Sainath T N, Vinyals O, Senior A, etal. Convolutional, long short-term memory, fully connected deep neuralnetworks[C]. In: Proceedings of the 2015 IEEE International Conference onAcoustics, Speech and Signal Processing (ICASSP), London, 2015. 4580-4584.

[9] Xingjian S H I, Chen Z, Wang H, et al.Convolutional LSTM network: A machine learning approach for precipitationnowcasting[C]. In: Proceedings of Advances in Neural Information ProcessingSystems, Montréal, 2015. 802-810.

[10] Wu L, Shen C, Hengel A. ConvolutionalLSTM Networks for Video-based Person Re-identification[J]. arXiv preprintarXiv:1606.01609, 2016.

[11] Zhou C, Sun C, Liu Z, et al. A C-LSTMNeural Network for Text Classification[J]. Computer Science, 2015, 1(4):39-44.

[12] Donahue J, Anne Hendricks L,Guadarrama S, et al. Long-term recurrent convolutional networks for visualrecognition and description[C]. In: Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition, London, 2015. 2625-2634.

本期责任编辑：张伟男

本期编辑：吴洋

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。