【人工智能】《2018企业中的人工智能调查报告》、人工智能（AI）到底是什么？——什么是AI、什么不是 AI ？
为了了解企业如何采用认知技术/人工智能技术、并从中获益的情况，德勤于 2018 年第三季度调查了美国公司的 1100 名 IT 和业务线主管。
所有调查对象都必须了解他们公司使用认知技术/人工智能的情况，90％的人直接参与了公司有关人工智能的战略、支出、实施和/或决策。调查对象来自 10 个行业，其中 17% 来自科技行业。54% 的人是业务线主管，其余是 IT 主管。64% 是 C 级别的高管，包括首席执行官、总裁和企业主（30%），首席信息官和首席技术官（27%），36% 的人低于 C 级别。
以下是报告的中文译文：
德勤连续调查了有关认知技术/人工智能的主管，因为他们代表了今天正在测试和实施这些技术的公司。
我们发现，这些先行者仍然看好认知技术的价值。与去年的调查一样，他们对人工智能仍有很高的支持度。我们的分析有三个主要发现：
1.先行者正在加大人工智能领域的投资，推出更多计划，并获得积极的回报。基于云的认知服务，正通过减少投资和启动所需的专业知识来提高利用率。
2.企业应该改善风险和变革管理。这包括减少网络安全漏洞——这可能会减缓甚至阻碍人工智能的发展——以及管理道德风险。项目选择和管理投资回报也至关重要。
3.先行者需要合适的人才组合——而不仅仅是技术技能——来加速他们的进步。他们缺乏人工智能研究人员和程序员，也需要能够选择最佳应用案例的商业领袖。为了获得这些人才，他们正在培养他们现有的员工，但许多人认为有必要用新员工取代现有员工。先行者也可能需要一种战略性的方法来对待人才，这种方法可以使机器在自动化方面做到最好，同时仍然利用人类的判断力和创造力。
这些研究结果表明，认知技术具有诱人的前景，其中一些正在实现中。当公司在激发潜力和执行能力之间取得平衡时，人工智能技术可能会带来最好的回报。
一、互动、投资和好结果
一年过去了，这种令人兴奋的状况仍然持续着。在德勤 2017 年的认知技术调查中，我们被先行者们对技术的热情所打动。这种兴奋在很大程度上归功于他们所说的认知技术带来的回报：83% 的人说他们要么看到了「适度的」好处，要么看到了「可观的」好处。调查对象还表示，他们预计认知技术将迅速改变他们的公司和行业。在 2018 年，调查对象对认知技术带来的价值保持了高涨的热情。他们的公司正对基础认知能力进行投资，并且用更多的技巧使用这些它们。
（一）更高的采用率，多元化的选择
与有代表性的同行相比，接受我们调查的先行者在关键认知技术方面的渗透率很高，而且，渗透率还在不断增长之中：
•机器学习是统计模型在不需要遵循明确程序指令的情况下，会随着时间的流逝自我进化和改善自身性能的能力。大多数认知技术都是以机器学习及其更复杂的后代——深度学习为基础的，包括计算机视觉和自然语言处理。2017 年，机器学习的采用率已经高达 58%，2018 年增长了 5%。
•深度学习是一种涉及神经网络的复杂的机器学习形式，具有多层抽象变量。深度学习模型在图像识别和语音识别的任务中具有很好的性能，但是它对于人类来说往往是很难或者不可解释的。新技术使得企业更容易启动深度学习项目，采用率也在增加。在我们的调查对象中，有 50% 的人表示他们使用了深度学习技术，比 2017 年增长了 16%，这是所有认知技术中最大的一次飞跃。
•自然语言处理是一种从可读的、风格自然的、语法正确的文本中提取或生成意义和意图的能力。NLP 为虚拟助理和聊天机器人提供基于语音的界面，这种技术也越来越多地被用来查询数据集。62% 的调查对象采用了 NLP 技术，高于去年的 53%。
•计算机视觉是一种从视觉元素中提取意义和意图的能力，无论是对字符（在数字化文档的情况下）进行分类，还是对图像内容（如人脸、物体、场景和活动）的分类。人脸识别背后的技术（计算机视觉技术）是消费者日常生活的一部分。例如，一些手机允许用户只通过人脸识别来登录，计算机视觉技术也被用于「驾驶」无人驾驶汽车，和无人售货商店 Amazon Go。计算机视觉在我们调查对象中也成为主流，57% 的人说他们的公司正在使用这项技术。
在先行者中，认知技术采用率不断增长的背后原因是什么，尤其是像深度学习这样复杂的技术这么流行？答案可能是：投资。37% 的受访者表示，他们的公司已经在认知技术上投资了 500 万美元甚至更多。另一个可能的原因是，公司有更多方法获得认知能力，而且他们正在利用这一优势。近 60% 的人选择了可能是最简单的方法：10% 使用了带有人工智能的企业软件。
通过与其他方法进行对比，更多的调查通过企业软件获得认知能力，如 CRM 或 ERP 系统。这些系统的优点是可以访问庞大的数据集（通常是他们自己客户的数据），并且可以被不具备专业知识的员工立即上手使用。通过企业软件提供的认知工具往往集中在具体的、与工作有关的任务上。虽然这会使它们变得不那么灵活，但它们可能是有影响力的。例如 Salesforce 的人工智能平台 Einstein（爱因斯坦）可以帮助销售代表确定哪些销售线索最有可能转化为销售，以及确定一天中最适合与潜在客户联系的时间。此外，供应商还在不断开发更高级的工具，并逐渐集成到软件中。Salesforce 最近开发了一个高级的、用于处理多个用例的 NLP 模型，通常这需要不同的模型来处理。
随着软件供应商和云计算服务提供商争相开发针对业务功能的人工智能产品，认知技术带来的「捷径」可能会变得更加具有吸引力。谷歌最近宣布了一系列针对呼叫中心和人力资源部门的、预置好的人工智能服务。SAP 的人工智能业务（被统称为「Leonardo 机器学习」）还包括一些具体的解决方案，如金融行业的现金管理、品牌管理中的视频分析、以及客户服务中的故障票分析。随着类似的服务进入市场，企业主动定制认知技术的需求可能会减少。
然而，现有的技术只能刚好满足现在的需求。许多公司可能需要开发定制化的解决方案来满足它们对认知技术的崇高的期望。当然，还有一些工具可以加速采用。许多大型云服务提供商通过「即服务」（as-a-service）模式来提供人工智能服务：公司不用构建自己的基础设施和训练算法，可以直接利用这些技术。
这些公司他们对人工智能技术的需求十分迫切，而且只想为他们真正使用到的服务付费。根据德勤最近的一项研究，39% 的公司倾向于基于云服务获取先进的技术（比如人工智能），而 15% 的公司倾向于内部解决方案。事实上，人工智能即服务的模式（AI-as-a-service）的吸引力反映在其每年的全球增长率上，对这一数值的估计达到了惊人的 48.2%。
基于云的深度学习服务可以让企业获得巨大的、曾经成本昂贵的计算力——计算力是从非结构化数据中提取见解所必需的。他们还可以管理大数据集，使用预训练好的模型加速 APP 开发。虽然公司有无数的方法来获取现成的人工智能技术或开发自己的人工智能，但许多公司也在寻求外部支持（专门技术/专家意见）。53% 的调查对象与合作伙伴共同开发认知技术，近 40% 的受访者在使用 GitHub 等众包社区。
通过云服务和企业软件，公司可以尝试认知技术，甚至广泛使用，初始成本低，风险最小。基于云服务的选择越来越多，这或许可以解释 2017 年至 2018 年期间试点项目和实施项目的飙升。55% 的主管表示，他们的公司已经启动了 6 个及以上的试点项目（2017 年为 35%），而几乎同等比例（58%）的人表示，他们已经完成了 6 个及以上项目的全面实施（之前为 32%）。
（二）认知技术是必需的，而不是可有可无的
许多先行者正对认知技术进行投资，从而提高他们的竞争力。63% 接受调查的主管表示，他们的人工智能项目需要赶上竞争对手，最好是能够保持一定的优势。
人工智能的应用能力与竞争优势之间的联系似乎越来越紧密。11% 的人说，采用人工智能技术在今天具有「至关重要的战略重要性」，42% 的人认为人工智能将在两年后成为关键。对企业来说，这是一个磨练他们人工智能战略和技能的小窗口，他们相信自己的成功取决于正确的操作。然而，主管们对这项工作所需时间的考虑越来越现实。
在我们 2018 年的调查中，56% 的调查对象表示，认知技术将在三年内改变他们的公司，低于去年的 76%。整个行业的转型也是如此：在我们 2018 年的调查对象中，37% 的人认为这将在三年内发生，比 2017 年低了 20 个百分点。我们相信，主管们承认使用认知技术来推动跨行业的变革是非常复杂的，但并没有对实现这一目标感到绝望。
（三）一边学习一边赚钱
许多公司的人工智能目标远远超出了投资回报率。然而，积极的投资回报率可以为未来的投资创造动力，并为领导人工智能技术发展的前冠军企业提供支持，这些技术似乎正在发挥作用。在我们的调查中，82% 的调查对象表示，他们已经从人工智能投资中获得了经济回报。对于所有行业的公司来说，认知技术的投资回报率中值是 17%。而实际上，有些人比其他人更善于将投资转化为经济利益。
虽然这些回报是基于自我报告的数据做出的估计，但它们表明，各行业的主管们都认为，他们从认知技术中获得了价值。科技公司在认知方面投入了大量资金，并获得了丰厚的回报。它们也是推动认知技术发展的动力，为一个全球估值已达 191 亿美元的市场开发认知技术。这些科技公司包括谷歌、微软和 Facebook 等巨头，以及成千上万的初创企业。
人工智能还通过改进业务和提供更好的客户体验而获得回报。Netflix 发现，如果消费者搜索一部电影的时间超过 90 秒，他们就会放弃它。Netflix 通过人工智能来改善搜索结果，避免了客户的失望，也防止了客户流失，每年节省了 10 亿美元的潜在收入损失。
并不是只有科技公司能够获取强劲的回报。老牌制造商和初创企业也都在使用人工智能技术提高制造效率。例如，通用电气和西门子等工业企业正在使用「数字孪生」中的数据来预测趋势和识别异常，并预测故障。这样的公司正在使用人工智能改进业务流程，他们正在寻求这样做的显著收益。事实上，我们的调查结果表明，公司越来越重视内部运营。（见图 4）
在向内部业务转向的同时，对将人工智能整合进现有产品和服务的重视程度有所降低，尽管这仍是最普遍的目标。事实上，在进行整合之前，通常需要进行操作变更。我们的调查对象可能意识到，他们应该首先进行业务更改。
医疗保健和生命科学公司都在对人工智能进行投入，但根据我们的数据，这些公司很少展示这一点。当然，到目前为止，一些医疗保健「大爆炸」项目令人失望。然而，放射学和医院索赔管理等不同领域的进展表明，尽管有一些引人注目的问题，人工智能在医疗保健方面仍具有巨大的潜力。例如，在最近的一项研究中，深度学习神经网络通过分析病理图像，以 100％的准确度识别出了乳腺癌肿瘤。然而，到目前为止，这些进展还只是在实验室中，进入临床实践还需要一段时间。
（四）（大部分是）理性繁荣
尽管人工智能产生了大量的炒作，但许多主管都很兴奋——而不是沉浸在于幻灭的低谷中。他们将其转化为投资。在接受调查的公司中，有 88% 的公司计划在未来一年增加在认知技术上的支出；54% 的公司表示他们将增加 10% 甚至更多的支出。早些时候，我们注意到，80% 接受调查的主管称，他们公司人工智能的投资回报率很高。
然而，我们应该谨慎地看待投资回报的声明：只有不到 50% 的受访公司能够准确地衡量财务回报所需的关键绩效指标。这些指标包括关键要素，如项目预算/成本、投资回报率、生产目标、成本节约、收入和客户评价（如满意和保留意见）。这种缺乏评价手段的做法是认知实施的一个重大问题的核心：它们的管理方式往往不像企业使用更成熟的技术那样严格。
二、为了实现价值最大化，先行者应该成为风险和变革管理专家
商业和技术领导者在寻求用人工智能创造商业价值的过程中面临着一系列挑战。许多调查对象指出，实施、整合到角色（业务）和功能中去，以及衡量和证明人工智能解决方案的商业价值是人工智能项目最大的挑战。（见图 5）
任何技术的实施都可能是一项挑战，但是考虑到人工智能工具的相对新颖性和低水平的使用经验，这成为最常被提及的挑战是不足为奇的。整体而言，将技术整合到业务中去是一项挑战，但考虑到人工智能可能对知识工作者的任务和技能产生影响，它可能特别成问题。
在人工智能项目中，公司有时很难在行为改变的「最后一英里」中找到方向。我们看到的一个例子是，一个组织建立了一个机器学习系统，通过预测哪些潜在客户可能转换，哪些客户可能流失，来支持其销售团队。尽管该系统按计划运行，但销售团队最初并没有准备好接受其建议。该团队没有密切参与开发系统。（自动化分析是可能的，但那将是它自己的人工智能项目。）
获取人工智能项目所需的数据，为分析做准备，保护隐私以及确保安全性，对于公司而言，可能既耗时又昂贵。更加棘手的是，在可以进行概念验证之前，通常需要数据（至少是部分数据）。我们已经看到一些公司，因为没有充分考虑解决方案，既不理解也不信任它给出的结果。避免这个问题的一个方法是，让业务所有者密切参与整个开发过程，以便他们能够更好地了解正在提供的服务。
任何关注人工智能商业新闻的人都知道数据所扮演的关键角色。调查对象认为，「数据问题」是公司人工智能项目面临的最大挑战之一。原因有很多。一些人工智能系统，如支持客户自助服务的虚拟助手，需要多个系统的数据——这些数据可能之前从未集成过的。客户信息可能驻留在一个系统中，财务数据可能驻留在另一个系统中，虚拟助手培训和配置数据可能驻留在第三个系统中。人工智能创造了一种集成数据的需求，而这种需求是一家公司迄今可能一直在设法避免的。这对于一家通过收购成长起来的、维护多个不同年份的未集成系统的公司来说，可能尤其具有挑战性。
公司面临的另一项挑战是，一些人工智能项目所需的数据类型与他们习惯使用的数据类型不同。例如，一些解决方案依赖于对大量非结构化数据的访问，这些非结构化数据可能被保留以备保存记录，但从未打算用于分析。
在一个我们已知的虚拟助手项目中，由于获取项目所需的数据十分困难，团队需要审核数以千计的通话记录，从而确认推导出相关规则所需的共同主题。这种困难可能使他们决定搁置项目或者解散团队，直到他们处理好了数据，打下了坚实的数据基础。
一些组织也在努力阐明一个商业案例或者界定人工智能项目的成功。这可能是因为将人工智被视为是实验性的。有时，因为机器学习（最被广泛使用的人工智能技术之一）本质上是概率性的，这意味着，一个新系统的最终性能很难被准确估计。有时，是因为负责开发人工智能解决方案的团队不习惯用商业案例来证明其工作的合理性。
（一）人工智能的风险管理
现实情况是，新的情况往往会带来新的风险。人工智能等新兴技术也是如此。主管们担心与人工智能技术相关的一系列风险（见图 6）。其中一些是与任何信息技术相关的典型风险；其他则与人工智能技术本身一样独特。
图 6：网络安全是与人工智能相关的首要问题
公司最关心的潜在的人工智能风险: 排名 1-3，其中 1 是最令人关注的
1. 网络风险
主管们关注的人工智能风险主要是网络风险，对半数调查对象来说，网络风险排名前三（见图 6）。事实上，23% 的受访者将「网络安全漏洞」列为他们最关心的人工智能/认知问题。这种担忧可能是有道理的: 虽然任何新技术都存在某些漏洞，但某些人工智能技术面临的、与网络相关的责任似乎特别令人烦忧。
研究人员发现，一些机器学习模型难以检测到对抗性输入，即一些数据是专门为了欺骗模型而构建的。这就是研究团队如何误导一个计算机视觉算法将本应是一只猫的图片错误分类为一个电脑。训练机器学习模型的过程本身可以用对抗性的数据来操纵。例如，有意地将不正确的数据喂给自学习的面部识别算法，攻击者可以通过生物认证系统模拟受害者。
在某些情况下，机器学习技术可能会使公司面临知识产权被盗的风险。通过自动生成大量基于机器学习系统的交互，分析其产生的响应模式，黑客可以重新设计模型或训练数据本身。
人工智能最近也被用来制作名人和政客的假照片和视频。虽然还有识别赝品的技术，但看起来，技术可能会加剧一场假图片开发与检测的军备竞赛。鉴于基于人工智能的图像识别技术的突出性，该领域未来很可能成为一个网络风险战场。
有证据表明，出于对网络风险的担忧，一些公司正在放缓或暂停他们的人工智能项目。此外，20% 的调查对象表示，因为担心网络安全，他们决定不启动人工智能项目（见图 7）。主管们也普遍关注人工智能系统的安全性和可靠性。40% 的调查对象认为将「根据人工智能 / 认知修正做出错误的战略决策」列为三大关注点（见图 6）。几乎同样多的人指出，人工智能系统在关键任务或生死攸关的情况下的失败。
将战略决策或关键任务完全置于人工智能系统的手中，肯定会带来特殊风险。然而，今天，赋予人工智能系统这种责任的情况仍然很少见。一个突出的例外是在自动驾驶汽车中使用人工智能：在测试过程中，该技术涉及多起事故，有些是致命的。
公司应该考虑的另一个网络风险的是，它们愿意将多少数据（以及什么样的数据）放入公共云中，允许他们使用认知技术分析比私有云更大的数据集。对敏感客户和财务数据的分析能产生有价值的见解，但企业应该将感知到的风险与收益进行权衡。德勤最近的一项研究发现，企业在云计算方面的经验越多，就越容易将敏感数据放到公共云中。
2.法律和监管风险
所有类型的产品和系统，包括 IT 系统，都存在一系列的法律和监管风险。因此，十分之四（40%）的调查对象表示，高度关切与人工智能系统相关的法律和监管风险，就不足为奇了。因为并非所有验证人工智能系统准确性和性能的方法都是可靠的，所以，公司需要管理与这些系统相关的法律、监管和运营风险。更复杂的问题是，在与人工智能相关的犯罪或事故发生时，谁应该承担责任。如何在这些情况下分配责任是一个正在讨论的主题。
在人工智能和监管风险方面，两个主题尤为突出：隐私和可解释性。由于数据对人工智能至关重要，寻求应用该技术的公司往往渴望得到数据。不过，个人数据的隐私管理条例可能会抑制他们的兴趣：最近在欧洲生效的通用数据保护条例（GDPR）制定了需要认真执行的隐私规则。GDPR 还要求使用个人数据做出影响人们的自动决策的公司，必须能够解释决策过程背后的逻辑。美联储发布的指南（SR 11-7）对美国银行业有类似的影响：它要求计算机模型的行为是可以解释的。
对一些人工智能采用者来说，这些规则之所以具有挑战性，是因为机器学习的复杂性不断增加，以及深度学习神经网络（deep-learning neural network）越来越受欢迎。深度学习神经网络的行为就像黑匣子，通常会产生高度精确的结果，而没有解释这些结果是如何计算出来的。许多科技公司和政府机构正投入资源以改善深度学习神经网络的「可解释性」。
3.道德与声誉
对大多数调查对象来说，道德风险并不是最重要的信息技术问题。虽然在我们的调查中，道德风险在风险担忧中排在最后，但约有三分之一的主管确实将道德风险列为最关注的问题。在对潜在道德风险的深入调查中，接受调查的主管们透露出广泛的担忧。排在第一位的是人工智能帮助创造或传播虚假信息的能力。这可能由于社交媒体驱动的「假新闻」在 2016 年美国大选中受到关注。
与调查对象产生共鸣的道德风险，与上述网络安全和监管问题有关：意外的后果、个人数据的滥用、以及人工智能决策缺乏可解释性。近年来，有一个问题受到特别的重视，在调查对象对道德风险的排名中排名第二：偏见。今天，算法通常被用来帮助做许多重要的决定，如授予信用、检测犯罪和分配惩罚。有偏差的算法或者用有偏差的数据训练机器学习模型，会产生歧视性或冒犯性的结果。例如，一项研究发现，男性比女性更容易看到高薪工作的广告。
三、先行者们真的拥有更多的人才来开发和部署认知解决方案吗？
总体的调查结果显示，尽管认知计算行业已经涌现出了数量可观的人才，但该行业对人才的需求更大。31% 的调查对象最关心的三个问题依次是「缺乏人工智能/认知计算的技能」，其次才是实现、整合和数据等问题。只有 8% 的调查对象认为，从产品原型到全面生产的最大挑战是技能的短缺。这些公司通常会认为，他们已经具备了很强的人工智能能力。
大约十分之四（40%）的主管表示他们的公司有一个十分复杂的管理和维护人工智能解决方案的机制，这样的解决方案会帮助他们选择人工智能技术和相关的技术供应商、将人工智能技术整合到现有的 IT 环境中、识别出有价值的人工智能应用，构建人工智能解决方案，以及招聘和管理具备人工智能技能的技术人员。另外，还有 41% 到 46% 的人表示，他们的公司对这些活动十分熟悉。这说明他们并没有很严重的人才短缺。
除了内部资源，许多公司也在寻求实现「人才生态系统」的广阔途径。10% 的采访对象表示，他们从自己收购、投资或合作过的公司中挖到需要的人。正如我们所看到的，许多公司使用人工智能即服务功能，或者通过 Github 和 Bitbucket 这样的众包开发社区，有效地外包了一些对于人才的需求。尽管他们的内部团队很复杂，也能通过众包等形式接触到外部人才，但主管们觉得他们需要更有技能的人才。30% 的人说他们面临着巨大的（23%）或极其巨大的（7%）技能差距。另外 39% 的人说他们的差距「不大」。
有趣的是，在我们的调查中，最先进的公司对技能差距的感受非常强烈。随着他们推出更多的人工智能解决方案，随着这些解决方案的复杂性和规模的增加，他们的技术技能的局限性可能会暴露出来。它们对于某些技能的需求要比其它的技能更加强烈（见图 8）。调查对象表示，他们对人工智能研究人员最大的需求就是希望他们能够发明出新的人工智能算法和系统。这表明他们对自己人工智能技术的发展是野心勃勃的。
此外，28% 的调查对象说，他们需要人工智能软件开发人员，24% 的人需要数据科学家，大致相同比例的人需要用户体验设计师、变更管理专家、项目经理、商业领袖和领域专家。61% 的人已经在培训自己的 IT 人员学习部署人工智能/认知解决方案，而 54% 的人正在培训开发人员创建新的人工智能/认知解决方案。
考虑到我们在这项调查的其他方面时所看到的、对人工智能/认知的热情程度和积极的采用程度，关于人才的发现可能并不令人惊讶。调查结果说明虽然人才不是当前最重要的问题，但先行者仍然需要雇佣和培训高能力的人工智能专家。拥有这种对人工智能/认知技术保障的公司，很可能会在很长一段时间内处在这种技能差距中。尽管目前的人工智能项目经常因为相关技术的缺乏而举步维艰。企业应该认识到，成功不仅仅取决于技术人才。
例如，数据科学家经常会因不清楚他们应该解决的业务问题而陷入困境。其结果可能是该人工智能项目会失败，而因此感到失望的数据科学家可能会转而投奔竞争对手。实际上，能够为数据科学家解读数据又能为主管解读业务的的领域专家是十分珍贵的。然而，在我们的调查中，只有 20% 的公司表示需要他们。在他们难以实现人工智能解决方案和项目管理工作的情况下，令人惊讶的是，只有 22% 的受访者表示需要这些技能。
对工作的影响
我们调查的这些公司正在利用人工智能技术实现任务自动化（降低成本和工作量）和提升员工的能力间寻求平衡。人工智能驱动的自动化并不是人工智能技术为我们带来的最大的好处。「通过自动化减少用工数量」在「人工智能/认知技术带来的主要好处」的选项中排名最低，24% 的人将其列为前三名。也就是说，有证据表明，许多公司计划对任务进行自动化改造并裁员。63% 的调查对象同意以下说法:「为了削减成本，我的公司希望用人工智能/认知技术将尽可能多的工作自动化」。在我们调查的许多公司中，他们一些认知项目（如聊天机器人）的商业案例，在很大程度上依赖于使用人工智能来取代人工。」
我们的调查并没有直接提到人工智能造成的失业规模，但 36% 的调查对象认为人工智能驱动的自动化导致的失业问题上升到了道德风险的水平。在诸如金融服务业的行业里，主管们对于未来几年将数万份工作自动化的计划一直直言不讳。也许一些损失已经造成了。随着对认知技术的使用变得越来越深入，这一数字可能还会上升。对现有工人的威胁不仅来自于与自动化相关的失业。绝大多数调查对象认为人工智能会导致工作角色和技能出现一定程度或巨大的变化，这一比例已经达到 72%，三年内还将达到 82%。但对于目前被聘用的人来说，最令人担忧的或许是，主管们更青睐拥有所需技能的新员工，而不是对现有员工进行再培训和挽留。只有 10% 的采访对象明确表示愿意采取再培训的方式并保留现有的员工。80% 的人倾向于「保持或更换同等规模的员工」或「主要用新人才取代现有员工」。
尽管人工智能对现有员工构成了威胁，但主管们相信，认知技术将使留下的员工和新入职的员工在工作中表现得更好，同时也能更快乐地工作。78% 的受访者认为人工智能/认知技术使人们能够做出更好的决定，72% 的人认为人工智能将提高工作满意度。也许最大的进步是新的工作方式，将机器的工作方式与人类的经验、判断和同理心结合起来；78% 的主管认为，以人工智能为基础的工人的增加，会促进新的工作方式的产生。
现在不是美国工人能够感到自满的时候了。虽然自动化不是许多公司的首要任务，但它仍然是一个日益增长的威胁。此外，许多公司都希望通过外部人才获得新的与人工智能相关的技能。
四、先行者可以通过认真对待更进一步
连续第二年，我们看到先行者们使用认知技术为他们的公司带来积极的变化。总体而言，他们对这套新工具的反应相当乐观。虽然他们面临着挑战，但我们调查的许多公司都在早期成功地将人工智能整合到他们的运营和客户关系中，并获得了经济利益。他们既对自己迄今取得的成功充满热情，也对这些技术在不久的将来改造公司的潜力充满热情。
我们相信，先行者对人工智能的兴奋是有理由的。我们还认为，先行者（以及希望效仿他们的公司）如果采取以下步骤，可能会有一条更可靠的成功之路。
（一）追求卓越的执行
早期的采用者应该将他们的实验和工业活动（甚至是狂热），与更好的操作规程相结合。尽管人工智能具有复杂性和变革的潜力，但其实现方式类似于其他技术。为了推动跨业务的变更，公司应该专注于项目管理和变更管理。促进组织变革的基本原则可能会在试点、草根实验和厂商驱动的炒作中迷失。围绕人工智能的一些管理基础设施正在建立；我们的调查结果揭示了以下提高执行效率的结构和流程指标：
•54％的人拥有一个将原型投入生产的过程；
•52% 的人有实施路线图；
•45% 的人被任命为高管，支持人工智能的发展；
•37％的人创建了公司范围的卓越中心（CoE）；
•37％的人拥有全面的人工智能战略。
一旦炒作消退，为了确保认知仍然是最重要的，AI 项目的领导者应该仔细跟踪成本和影响，并确保成功是不容置疑的。这将有助于首席财务官在项目和预算不断扩大时进行必要的投资。
（二）应对网络安全风险
先行者在网络安全方面遇到的问题使得他们的执行问题变得清晰。不到一半的人将网络安全纳入其人工智能项目中。尽管在我们的调查中，网络安全是主管们提到的最大风险：他们担心，提供见解的算法以及推动这些算法的数据都容易受到攻击。回想一下，调查对象对人工智能道德规范的最大担忧是伪造图片和制造「假新闻」的机器人，在网络安全防范不足的情况下，这二者都更容易传播。最糟糕的情况可能会危及生命，比如自动驾驶汽车遭到黑客入侵。
我们已经看到，网络安全对一些先行者产生了负面影响，其中 32% 的人遭受了与人工智能相关的漏洞。由于网络安全问题，一些公司放慢或停止了人工智能计划。
尽管如此，其他公司仍在稳步前进。这两种方法都不理想：一种会导致执行速度变慢、竞争力下降，另一种则会带来不必要的风险。没有任何网络安全措施可以阻止每一次攻击，但是先行者可以从一开始就把安全措施整合进人工智能项目中，以提高防御能力，并提高其优先级。
随着人工智能技术的进步，降低风险的技术也在不断进步。例如，司法信息技术在检测被称为「深度假货」的、被人为操纵的图像和视频方面表现越来越好。深度学习模型的可解释性也可能会提高，帮助公司避免监管不合规的风险以及与算法偏差相关的其他风险。公司应该让这些发展保持领先地位，并在它们得到证明后将其合并。
（三）在 IT 功能之外应用人工智能
我们研究中的三大有关认知技术的使用案例（IT 自动化、质量控制和网络安全）主要集中在 IT 上（见图 9）。这些都是重要的使用案例——尤其是网络安全（在这种情况下，用人工智能解决网络安全问题）。一些研究表明，IT 自动化正显露出早期的希望。需要 IT 部门大力支持的、复杂的技术首先被应用是有道理的。
但是，只有当人工智能渗透到整个公司，并使多种业务功能和单位发生变化时，它的变革潜力才有可能实现。云可以通过服务在这些目标的实现过程中发挥关键作用，这些服务可以为广大用户提供方便访问基于人工智能的功能。
（四）买一些现成的
企业软件和云服务为企业提供了更多使用认知技术的选择，不必走曲折的道路——从头开始构建一切。认知技术仍在发展，并以惊人的速度发生着。基于云的 CRM、具有认知能力的 ERP 软件和聊天机器人被广泛使用。许多大型云服务提供商正在开发基于订阅的人工智能服务，旨在实现特定的业务功能。这可能是将人工智能的优势融入产品设计、销售和营销等功能的最简单途径。
对于那些想要开发内部解决方案的公司来说，自动化机器学习等工具也可以提高「普通」程序员的能力。AWS 想将人工智能民主化，方便没有经过特定人工智能培训的程序员也可以使用人工智能。谷歌和创业公司 DataRobot 在自动化机器学习产品方面也有类似的雄心。当然，公司需要「四壁」（「four walls」）内的专业知识，但他们应该考虑从企业软件和基于云的平台中可以获得哪些功能。这可以带来快速的胜利，降低初始投资和动力。
（五）明智的员工
任何公司的人工智能能力都存在很多潜在的漏洞。但只关注那些最难吸引和留住的人才（比如人工智能研究人员、程序员和数据科学家）可能不是最好的策略，尤其是对于刚刚起步的公司而言。新入局人工智能的人可能想看看，使用现成的解决方案和云平台能走多远。合作伙伴和顾问还可以提供急需的专业知识和指导，大多数先行者正在使用它们。企业还需要完善的人才开发和收购战略。虽然许多先行者表示，他们正在培训员工以适应人工智能所要求的新角色和技能，但他们更喜欢从公司外招聘新员工。
这两种方法都可能是必要的，特别是对于稀缺的技术技能而言。我们认为，对现有员工进行再培训，让他们与智能机器一起工作，比调查结果看起来更有潜力，尽管尽早开始这样的计划很重要。但是，在考虑公司内部应具备哪些人工智能开发和实施技能时，公司应该考虑成功管理人工智能项目所需的人才组合。
在激烈的军备竞赛中，科技巨头们对高成本、稀缺的人才过分关注及奋力争夺，可能导致挫败感和失望感。那些想为自己公司开发定制化认知解决方案的公司需要大量的技术人才。但他们也可能需要能够与数据科学家「交流人工智能」、需要懂得数据分析用途和局限性的企业高管。
（六）决定在哪里自动化、在哪里增加
那些仅仅为降低成本或提高效率而自动化的公司并没有充分利用人工智能。有一些清晰的案例表明，在某些情况下，自动化比人类做的更好、更有效。在这些用例中，机器最终可能会完全取代人。在更多情况下，机器将显示信息，进行预测并提供替代方案。人类应该使用判断力、同理心和商业技能将这些信息应用到最佳效果。这不仅仅是将人类置于循环中，而是为了增强人类的决策能力而建立的循环。
了解公司希望「自动化取代」的领域，以及希望「智能增强」的领域，可能会帮助它们清楚地了解自己应该如何改变业务，需要招聘什么样的人、裁掉什么样的人。认为人工智能不会导致工作岗位减少的想法是天真的，一些首席执行官也越来越坦率地承认这一点。然而，对自动化和削减成本的过度关注，可能会阻碍利用人工智能进行变革性的机会（指充分利用人工智能和人类智能）。这也会加剧员工之间的不信任和恐惧，因为他们可能正在等待另一只鞋子掉下来。
五、结论
我们的调查结果清楚地表明，越来越多的公司在使用人工智能技术方面越来越有经验。现在是组织开始选择商业应用案例的时候了，这些案例可以通过人工智能驱动的能力提供可衡量的价值。把云服务当做门户，开发和访问人工智能的潜力从来都不是那么容易——只需要少量的前期投资和减少了的、对内部专业知识的需求。
摘要：
研究人员和制造商正在培训机器人如何利用人工智能来学习和处理复杂的任务，但是所能实现的功能还远远未达到人们期望机器人达到的目标。现在人工智能的定义比以前更广泛，这可能会造成一些混乱。
在人工智能 (AI) 领域工作了数十年的研究人员和企业家，正试图帮助人们更好地理解它不够明晰的内涵。他们正在努力减少围绕人工智能的一些混淆和误解，并展示它是如何被用于工业应用的机器人技术。
“ 最大的误解可能是， 它还有多远。”Rethink Robotics 董事长兼首席技术官Rodney Brooks 说，“ 自从1956 年AI 之父John McCarthy 创造了‘人工智能’一词以来，我们一直致力于人工智能的研究，到目前为止大约62 年了。但它远比物理学复杂得多，而物理学花了相当长的时间来完善。 我想我们还处于人工智能的初期阶段。”
很多与人工智能相关的炒作与最近媒体的大肆报道相关，例如展会上仿生和受动物启发的机器人展示，或者观赏体育的人工智能系统，例如可以与人类下棋、打乒乓球、高尔夫的机器人。一些误解源于将机器性能等同于能力。当看到人执行某项任务时，我们可以假定一些基本的能力——技能和天赋，人必须拥有这些技能才能完成该任务。但人工智能和这并不一样。
“虽然AI 系统在下棋方面的表现令人吃惊，但它甚至不知道它是在玩游戏。”Brooks说，“我们把机器的性能误认为是它们的能力。当看到程序像人一样学习新事物时，如果你认为程序也能像你一样对其有深刻的理解，那可能你就犯了一个错误。”
■ 图 1: Brooks 认为AI 仍处于起步阶段。机器智能和人类智力之间没有可预见的竞争，人类仍然更聪明。
人工智能到底是什么
人工智能已经成为营销的时髦词。就像在此之前的 “机器人”一样，现在似乎一切都是AI 驱动的。到底什么是AI，什么不是 AI，有时很难确定。即使是专家，在确切的定义什么是AI、什么不是 AI 时，也会犹豫。正如Brooks 所指出的，在1960 年代被认为是 AI 的事物，现在则出现在计算机编程的第一个课中。但它不叫 AI。
“在某个时候曾被叫做AI，” Brooks 说，“后来，它就变成了计算机科学。”机器学习以及它的所有变化，包括深入学习、强化学习和模仿学习，都是 AI 的子集。
“在某段时间内，AI 是一个非常狭窄的领域。有些人非常确定的认为它是一种搜索技术。”加州大学伯克利分校工业工程与运筹学研究教授兼主席Ken Goldberg 说，“而现在， AI 被广泛认为是机器人和机器学习的一个总括术语，因此现在它被看做一系列子集的集合。”
先进的计算机视觉是人工智能的一种形式。“如果你只是检查螺丝是否在合适的地方，那从60 年代开始就有了该项技术。如果想将其称之为AI，那就需要对其进行扩展。”Goldberg说，“但同时，如果一个计算机视觉系统能识别工人面孔，那我们一般认为这是人工智能。因为这是一个更复杂的挑战。”
缺乏语境
人的智力和机器智力之间的一个重要区别是语境。作为人类，我们对周围的世界有了更多、更深入的了解。但人工智能并没有。Brooks 说: “我在AI 语境领域已经工作了60 年，成果甚少。”这就是为什么即使我们拥有超级智能AI，我也并不担心。虽然我们在某些领域取得了成功，也就是现在所谓的革命，但非常有限。当然，言语理解与我们10年前的情况截然不同。过去，按照语音理解系统的设置，你可以按下或说‘2’来代表挫折感。但现在已经不是这样。”他援引亚马逊的Alexa 为例，还有谷歌助手和苹果的 Siri。
“你对 Alexa 说些什么，即使在音乐播放的时候，在房间里还有其它人在说话时，它也能很好的理解。”Brooks 说，这令人吃惊，主要受益于深度学习的发展。“充分利用这些新兴技术领域的发展，让我们可以做出更好的产品。”
“在刚开始创建Rethink Robotics 时，我们考察了所有的商业语言理解系统。那时，我们认为在工厂里，实现机器人语音识别是荒唐可笑的。我想现在情况已经发生了改变。”Brooks 说。
语音识别系统编译出正确的字串。准确的字串足以做很多事情，但它仍不能像人一样聪明。“这就是区别，”他说，“获取字串只是一种有限的能力。如果要扩展这种能力，还有很长的路要走。”
这些有限的能力，已经成为许多关于人工智能乐观预测的基础，但对未来人类所承担的角色，则可能显得过于悲观。
在现实世界中的AI 研究
相对于单一性，Goldberg 更强调多样性，注意到不同组合的人和机器合作解决问题和创新的重要性。如果AI 应用程序想要走出实验室，进入现实世界，这种协作尤其重要。
加州大学伯克利分校电气工程和计算机科学系的教授Pieter Abbeel，也是Embodied Intelligence 公司的总裁和首席科学家。他正致力于将AI 带入工业世界，同时强调人类和机器协同工作的重要性。
“ 这是挑战的一部分，” Abbeel说，“ 人类如何能够利用这项技术，利用它来使自己更聪明，而不是仅仅让这些机器与我们分开？当机器成为我们日常生活的一部分，可以用于提高效率的时候，那就是它真正令人兴奋的时刻。”
尽管Abbeel 对 AI 的前景感到兴奋，但他认为适当的谨慎是有必要的。“我认为最好记住，像语音识别、机器翻译和识别图像中最显著的进步其实只是所谓的监督学习的例子。”
重要的是要了解有不同类型的AI正在建立。在机器学习中，有三种主要的学习类型: 监督学习、无监督学习和强化学习。
“ 监督学习只是一种模式识别，”Abbeel 说。从语音到文本，或者从一种语言到另一种语言，这是一个很难的识别模式，但是 AI 没有任何目标或目的。给出英语，它会告诉你中文是什么。给它一个口头句子，它将转录成一系列的字母。这只是模式匹配。你给出数据——图像和标签，它学习如何从图像到标签的识别模式。
没有监督的学习是你只给它图像，没有标签。希望它能够从大量的图像开始，了解世界是什么，然后逐步建立这种理解，也许在将来它可以更快地学习到其它东西。没有监督的学习没有任务。只需给它提供大量的数据。
接下来是强化学习，这种学习非常不同，更有趣，也更难 ( 强化学习被归功于自动驾驶技术的进步)。 强化学习是给系统一个目标。目标可以是在视频游戏中获得高分，或在国际象棋游戏中获胜，或组装两个零件。这也是对AI 产生某些恐惧的理由。如果 AI 有错误的目标，会发生什么？目标应该如何设定？
重要的是人类和人工智能不会在真空隔绝的环境中进化的。Abbeel说:“当我们创造越来越智能的机器时，我们作为人类的能力也将会增强。现在，我们在Embodied Intelligence所做的工作最让我兴奋的是，人工智能的最新发展，已经使 AI 能够理解它们在图片中看到的内容。”
■ 图 2: Abbeel 正在将机器学习的突破性研究转变为实际的工业应用，机器人可以自主学习新技能。
机器人抓取的深度学习
加州大学伯克利分校的Autolab实验室， 专注AI 领域的研究超过10年，并已将其应用于云机器人、深入强化学习、从演示中学习、以及仓库物流强健的机器人抓取和操纵、家庭机器人、以及外科机器人等项目。
该实验室的Dexterity Network(Dex-Net) 项目表明， AI 可以帮助机器人学习抓取不同大小和形状的对象，通过提供数以百万计的3D 对象模型、图像，以及如何将它们抓取到深度学习的神经网络指标。
以前，机器人通过拿不同的对象反复练习来学习抓取和操作对象，这是一个耗时的过程。利用合成点云代替物理对象来训练神经网络、识别抓取，最新的Dex-Net 迭代效率更高，可以达到99% 的抓取精度。从长远来看，Goldberg 希望开发高可靠性的机器人，能够抓取各种刚性物体：如工具、家居用品、包装货物、和工业零件。
■ 图 3: 在研究人员培训神经网络如何识别来自数以百万计的3D 模型和图像中的对象以后，机器人可以操作之前从未遇到过的对象。
深度学习协作机器人
Rethink 公司的 Intera 5 软件，旨在使Baxter 和Sawyer 协作机器人更聪明。机器人的视觉和培训功能中，利用了很多人工智能。
“传统的工业机器人没有太多的智慧，这一情况正在改变。我们正在将深度学习应用到机器人。” Brooks说。未来可能90% 的制造，都是人与机器人在同一空间协同工作。
Baxter 和Sawyer 机器人有一个示范培训功能，可以使 AI 投入工作。Brooks 说: “当你通过演示训练它的时候，你可以通过移动它的手臂向其展示某些东西，它会推断出一个叫做行为树的程序。它会为自己编写一个程序来运行。你不必亲自去写这个程序。”
Intera 5 是一种图形化编程语言。Brooks 说，你可以查看它，修改它，或者你可以在行为树中编写一个程序，让它绕过程序的选项自动执行。
■ 图 4: 集成AI 的协作机器人，将计算机数控车床应用到定制注塑机上，可以促进工艺过程的自动化，提高产品质量和生产效率，并可以将运行人员从重复的任务中解放出来。
AI 改变机器人编程
人工智能正在改变机器人的编程方式。在Embodied Intelligence 公司，Abbeel 和他的团队利用 AI 的力量，以帮助工业机器人学习新的、复杂的技能。
他们的工作是从 Abbeel 在加州大学伯克利分校的研究中发展而来的，在使用模仿学习和深层强化学习来培训机器人操纵物体方面有了重大突破。开始采用感知和控制相结合的方式来远程操作机器人。操作员佩戴虚拟现实 (VR) 装置，通过摄像机来显示机器人的视图。
在控制方面，VR 设备配置了操作员手持的处理设备。当运行人员的手移动时，该运动就能被跟踪。跟踪所得的坐标和方向，被送入驱动机器人的计算机上。这样操作员可以直接控制机器人爪的运动，就像木偶一样。
Abbeel 说: “我们允许人类将自己嵌入机器人内部。”通过机器人的眼睛， 人可以看并且控制机器人的手臂。他说，人类是如此灵巧，以至于机器人爪和我们的手之间没有可比性。通过 VR 系统，操作员可以感受到机器人运动方面的限制。
“通过给机器人演示来传授技能的精髓。这并不意味，在刚开始时会像机器人一样快。它会以人类的速度进行，对于大多数机器人来说，这非常缓慢。”Abbeel 说。这是第一阶段( 模仿学习)。通过示范培训机器人。然后在第二阶段，机器人将运行强化学习，从它自己的尝试和错误中学习。这时，机器人已经学会了任务的精髓。现在，机器人只需要学会如何加速。这时它可以通过强化学习加快学习的进程。
他们的技术特别适合于挑战性的视觉和操作任务，而这对传统的软件编程技术来说太复杂了。Embodied公司可以让任何人通过自己的演示，使用该软件来重新为它们的机器人编程。这将允许任何公司，不管大小都可以快速重新部署机器人，完成不同的任务。
■ 图 5: 操作员戴着VR 头盔，手持运动跟踪装置，远程操作机器人，这样它就可以学习如何使用强化学习来独立完成新的技能。
未来的潜力
虽然AI 在云计算机器人、机器学习、计算机视觉、语音识别等各个方面都在进步，并在特定领域取得了显著的进步，然而，AI 对人类还是所知有限。
在 AI 和人类工程学的帮助下，即使有一天机器人能够接近人类的灵巧程度，但可能也永远不会真正掌握周围的世界。语境和独创性将仍是人类主导的领域。技术既不坏也不好，就看我们如何使用它。有了人工智能和机器人的帮助，人类就有了巨大的潜能来做更多有意义的事。
本文关键概念
■ 人工智能正在发展，但它还远不如人类聪明。
■ 人类可以利用人工智能帮助机器人学习新的技能。
■ 云机器人可以帮助协作机器人，AI需要大量的数据。
思考一下 ： 有什么特殊的技能可以教给机器人，从而在制造和工业自动化方面带来巨大影？
本文来自于《控制工程中文版》（CONTROL ENGINEERING China ）2018年9月刊《技术文章》栏目，原标题为：人工智能对未来机器人产业的影响。
工业互联网
产业智能官 AI-CPS
加入知识星球“产业智能研究院”：先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
版权声明：产业智能官（ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源，涉权烦请联系协商解决，联系、投稿邮箱：erp_vip@hotmail.com。
相关内容
微信扫码咨询专知VIP会员