【财富空间】技术牛也要懂社交：数据科学家公司生存指南TOP30秘诀

会员服务 ·

【财富空间】技术牛也要懂社交：数据科学家公司生存指南TOP30秘诀

2017 年 9 月 14 日 产业智能官 大数据文摘

来源：大数据文摘

本文长度为4900字，建议阅读7分钟

数据科学家老司机的30个经验之谈，教你如何在公司内获得认同，带你绕过他们曾经踩过的坑。

作为一名数据科学家，即便你技术再牛逼，不懂职场社交也会成为你晋升之路上的天花板。

为此，我们创建了一份能够确保数据科学团队获得成功的秘诀top 30榜单。不管你的数据科学团队是新组建的，还是经验丰富的，这份榜单都很适用。作为数据科学家，我们希望把更多的时间用在分析问题上，而花更少的时间处理公司政治的问题。

在管理层与数据科学团队之间常有不和的情况下，我们该如何处理呢？处理不当会导致信任的缺失，项目执行不力和支持匮乏，进一步则会导致数据科学团队的失败。如果你觉得我们的top 30榜单有所遗漏，也欢迎补充。

1、获得管理层的认同

获得管理层的认同对任何项目来说都是最关键的因素之一。作为数据科学项目经理或数据科学家，努力让你的领导相信你的项目是你的职责所在。没有他们的认同和资金支持，你的项目是无法进行下去的。当你的老板发现你的数据科学项目有助于推动他的战略目标，他们会不遗余力地支持你的项目。

2. 大胆一点，用数据告诉你的老板他们错了

经理和管理者也只是人类，他们一次只能处理那么多的信息，看到那么一些相关性。而你，作为一个数据科学家，可以利用你的专业知识和工具在相同时间内处理100倍的数据，精确地发现成千上万的相关性。使用这一知识，勇敢地向你的老板展示他们错了。不，但我们并不是让你得理不饶人。我们是让你支持你的老板。帮助TA，让TA带着正确的结论去参加会议。他们会为此感激你。不过，这就要求你指出他们的错误。

3. 取得你同事的信任

根据我们与不同的团队合作的经验，我们发现很多领导甚至不相信他们的数据。然而，他们想要新的数据可视化模式，新的数据科学团队和新的一切。但如果你连你的数据都不相信，这些又有什么意义呢？福尔摩斯说过，数据是思考分析的基石。如果这是真的，而你又对自己的基石没有信心，那么你在此基础上所做的所有努力都终将土崩瓦解。所以，努力让你的领导和同事相信你和你的数据吧！

4. 从成功实现简单项目起步

我知道，所有人都希望开发下一个Google或Facebook算法。谁不想呢？那多酷，多有影响力，而且每年还能赚取数不清的利润。不过，如果你的团队才刚刚起步，而你想要它获得成功，那就从小的项目起步吧。别担心，即使是简单的东西，只要做得好，也能给你的领导带来不可估量的价值。一旦你取得了第一次胜利，你的领导们就会在所有事情上寻求你的帮助。接下来你只要确保你的项目能够不断地接到各种任务，或者至少你做的项目都有用处。

5. 展现你的项目的价值

取得管理层认可的一种方法是成为一个推销员。怎么做？告诉他们为什么他们需要这个项目，创造这样的需求。数据科学仍是一门新兴科学，许多管理者还不知道他们为什么需要数据科学，以及在什么地方可以使用它。那就推销给他们看！这是你的职责！向他们展示如何使用数据科学以及将它转化为节约下来的资金、资源等等。

6. 将你的数据科学过程标准化

数据科学有许多需要特别洞察力的很酷的技术和工具。然而，就像软件工程一样，即使你可以做到所有那些很酷的事情，如果没有过程，你会跟不上项目，做出来的产品表现也不好，并且不能维护已经完成的项目。这意味着你需要把你的过程写成文档。这看起来好像是在浪费时间，但等你的项目出现内部故障的时候你就知道记录过程有多重要了。所以确保你从一开始就有很棒的数据科学过程。

7. 不要把你的数据科学团队框住

不要用你的知识范围来限制你的数据科学团队。挑战你的团队，问问他们怎么想的，问问他们的建议，不要限制他们的发展。让他们知道你支持他们并且相信他们的能力。数据科学家都是十分聪明的人，他们只是需要知道你相信他们（就像小叮当一样）。

8. 计划、计划、计划…但是不要计划太多

如果要说我们从不同的经历和项目中学到了什么，那就是——你需要计划。这确保你不会超出范围，保证你对所有的数据源和要求有一个很好的掌握，还保证你能成功。不过，如今在商业中事物变化得很快，所以你不能花一年的时间去计划一个项目。当一个项目提上了日程，你就得赶紧去获得这个项目的具体要求。只是别把所有时间都用来计划而从来不开发项目。

9. 和别的部门打好关系

每个企业都像是一个团队性运动。你的团队需要和会计处、财务处、运营部、销售部和其他所有部门一起工作。他们通常都有自己的数据仓库，而你需要那些数据。如果你够幸运的话，会有一个中心团队管理所有的数据库。不过即使确实有这样的一个中心团队，你依旧需要来自各个团队的专家。此外，所有这些团队可能都会想要对你的项目提出一些要求。所以，确保和他们好好相处。

10. 向尽可能多的行业专家（SME）学习

像我们在上一点中提到的，你会想要向不同部门的人学习尽可能多的专业知识。数据科学家不是药剂师或医生，也不是会计或财务经理。我们需要从对某一行业或领域了解最透彻的人那里获得一些洞见。当一个新项目开始时，列一份你所需要的数据和相关主题的清单，然后去请教那些行业专家。

11. 消除公司中的偏见

然而，即使你要去征求行业专家的建议，不要让他们的偏见阻碍新的洞见。这种情况一直都在发生。很多时候管理层和其他团队成员对商业模式有固有或者过时的认知，他们会认为提升业务无非是那几个要素。接着，你的团队得出了一个全新的结论。由于这一结论与现状相违背，你的团队把这一新的洞见掩藏了起来，而没有把它提交给经理。这不是你作为一个数据科学家的工作。你的职责是挑战现状！不过是在正确的前提下。

12. 挑战现状！

作为一个数据科学家，你有数据站在你旁边支持你。这就意味着当你是对的，那你确确实实就是对的。你对的时候也不能得理不饶人。我们的意思是你要敢于说出真相，不要被你的经理或主管牵着鼻子走。其实，他们想要你的意见。你的领导想要你提供给他们能够自信地带去见他们的老板的信息。归根结底，你的老板也有自己的老板。当他们向自己的老板汇报的时候，他们的感受和你的一模一样。所以，用数据巧妙地去挑战你老板的观点吧！

13. 利用数据驱动你的项目

我们相信现在你已经看到了一个主题。利用数据！这其中蕴藏了太多的力量。这甚至不是一个新的想法。人们一直都在使用数据证明一些事情。科学就是依赖于重复利用数据证明理论的这一套方法论，即使是那些我们今天认为是正确的理论。对你的每个项目也做同样的事情。你为什么做这个项目？是什么在驱动着它？最好是数据。

14. 首先建立一个原型以获得早期认同

你如何才能获得早期的认同？构建一个原始模型（当然，用Python）。向你的团队和领导展示它能做什么。人们想要的是行动，而不仅仅是理论和言语。构建一个原始模型，如果可以的话，获得真实的数据输入进去。如果做不到的话就给它提供一些其他数据，但是要确保它的功能性还是存在的。让这一原型足够灵活、具有交互性和实用性。

15. 设计要有稳健性和可维护性

这点非常重要。不论建立什么仪表板，设定什么过程，或者开发什么算法，都要确保它是可持续的。如果你明天离职，项目还能正常运转吗？你的同事们会不会背后骂你？说真的，如果你一点记录都没留下，从没分享过你的代码，那你在老同事中就会留下差评。

16.把无聊的工作自动化

停止无聊的手动处理数据再加工和品质监控。快快停止。在刚开始设计系统的时候，确保把尽可能多的无聊基础工作自动化。不要担心，你的公司永远有做不完的数据科学项目。让计算机自动完成而不是一周花费两个小时来上传数据会让你感觉更好。

17.获取外部数据科学指导

有很多数据科学咨询公司可以给你的团队提供数据科学指导。他们通过获知你的团队现在的状态，并和团队一起工作来了解如何提高工作效率。这点经常被很多团队忽略了，所以引入外部帮助是很有用的。

18.写自己的数据科学指南

或许你的团队里面有个超赞的数据科学家，不仅能完成自己的工作，也能给你的团队写很好用的工作手册，其中包括上载、程序示例、系统文档等等。如果是这样，让他们放手来做。相信我们，没有比亲自到岗和获得系统文档更有帮助的了。你可以知道之前发生了什么，建立新的解决方法并且快速的解决问题。这可以给你的公司省钱，也让数据科学顾问感到开心。

19.在项目开始前，学习创造性的收集和分类数据

你知道什么是坏主意吗？让20个分析师用一个月分类50000个数据点。这是对资源和资金的巨大浪费。当你开始一个项目时，试着开发一个不需要分析师的数据分类器。可以试着进行众包，提供服务器，设计新产品，尝试任何可以实现收集并分类数据的办法。但要尝试避免你的团队陷入单调乏味的工作。

20. 首先建立系统来合理的收集数据

有时候，你会很幸运的参与首创性的项目。采集系统将会在半年内为你采集分析所用数据。当你开始建立系统的时候，一定要未雨绸缪。考虑你需要哪些数据，希望它和哪些其他系统交互，等等。不要只建立一个功能系统，在事后才把数据采集组件添加进来。

同时，数据是从不同的数据源来的。可以从内部仓库、外部API或者任何其他地方获得。收集尽可能多的数据，确保数据处理过且干净。

21. 做一个会讲故事的人

说到底，我们都有老板，并且我们都需要说服老板我们是对的。作为一个数据科学家，你需要时常去做这件事。为什么，因为你要传达的基于数据观点可能非常枯燥。在跟你的上级汇报时，只要讲到百分比和标准差，你就能看出来他们已经走神。相反的，你应该建立一个信息图，一个PPT，一大堆干巴巴的数字之外的任何形象化展示。你希望引起大家的热情和共鸣。获得更多在第一点提到的。更多的管理层买账，代表着更多的资金和更多成功的可能性。

22.与管理者沟通数据科学在内部和外部的价值

数据科学有影响消费者和员工的能力。告诉你的上司数据科学如何工作以及它的价值。这一点将会在这份清单中不断重复。不论如何，从越多的角度告诉管理人员你的项目能够节省成本效果越好。数据科学家喜欢谈论具体算法，比如如何计算一个人在翻看facebook时抓鼻子的概率。但是，商业团队只关心他们能从那个信息中挣多少钱。否则那个信息有什么用？

23.学习管理流程

你的团队需要知道管理者如何工作。你的项目需要通过几道评审，他们多长时间见一次，他们希望看见什么？你对上级管理者如何工作知道的越多，就能越好的帮助把工作引入正轨。并且，也会更加容易获得资金和让项目通过监督。

24.明白高管的策略和他们疑虑

高管有自己的政治生涯，自己的处理流程和策略。很多员工根本不知道背地里公司管理层发生着些什么。我们一直在努力争取让数据科学家和高管之间有更多开放的讨论，不只是一个而是一群高管。一旦你了解高层发生了什么，就能更容易的开始开发符合他们策略的项目和程式。

25. 能够跟上级解释你的失误

这世界失败常常发生，特别是在数据科学领域。确保你能向你的领导解释为什么失败，并且在需要时向他们请求帮助。不要只因为你被需要外部介入的问题卡住，而让项目半路搁浅。这会损失更多人的利益。

26. 必要时寻求外部介入

有时寻求外部介入是必要的。这包括雇佣咨询团队，或者新员工。有时项目会扩张或者有更多的项目被批准。雇一些临时员工来保证规定时间完成不是一件坏事。在一个能节省上百万的项目上花费一些成本是值得的。

27. 阅读足够多的外部新闻来获得灵感

太多的外部新闻可能会让人陷入混乱。它可能会引起对落后的担心，因为你的项目可能没能达到巨头的水平。不要担心，只要阅读足够的内容来启发你前进，而不用去读太多那些你觉得自己水平无法达到的文章。

28. 质疑你做的每一个项目

如果一个管理者提议你去做一个项目，尽管有其他副总裁或者高管的支持，也要对项目究根问底。为什么要做这个项目，它能在哪些地方起作用，它能节省多少成本？你可能是需要去发现这些问题答案的人，但是确保你知道问题的答案。不然，你可能做了一个毫无用处的项目。

29.积极面对

“积极面对”是一句鸡汤，同时也是真理。你很容易失去希望，特别是如果你是一个数据科学项目管理员。或许你的团队的发现没有太多价值，或许甚至没有任何发现。其实这样的情况很多见。不是每一个项目都会立刻成功。保持耐心和积极。如果你的数据是干净正确的，并且数据科学方法是可靠的，最终总会有成果产生。

30. 做一个决定，提出一个实际的观点

作为一个数据科学家，你有自己的力量。你有数据，这代表你可以充满信心的做出论断。不要忘记这点。请多多使用下面的语句：

最好的决定是……
我建议我们可以……
我知道……
让我们尝试方案x，因为……

原文链接：https://medium.com/towards-data-science/how-to-survive-corporate-politics-as-a-data-scientist-ba914fac2471

延展阅读：全面解读三类AI公司，谁将成为最后赢家？

来源：大数据文摘

本文长度为3800字，建议阅读4分钟

在AI型公司的混战中，我们已看到了数不胜数的公司相继倒下。在剩下的AI巨头和后起之秀中，哪类公司又能成为最终的赢家呢？

从Element AI，Databricks到DigitalGenius，AI型公司铺天盖地席卷而来。各类公司分化出了不同的特性，也选择了不同的战略发展方向。

在他们中，我们能够看到为客户提供定制解决方案的“数据科学咨询公司”，为AI解决方案提供底层基础构架的“AI平台公司”，以及通过产品化解决方案解决某个特定商业问题的“垂直整合AI公司”。

在我看来，能够突破这一三足鼎立的局面笑到最后的，应当是垂直整合AI公司。

为什么这么说呢？

首先让我们从这三类公司的定位讲起。

数据科学咨询公司：产品化程度低
AI平台公司：产品化程度高，解决方法针对用例数多
垂直整合AI公司：产品化程度高，解决方法针对用例数少

图片纵轴：(下)定制；(上)产品化

图片横轴：(左) 单个用例；(右)多个用例

图片内容：(左上)垂直整合AI公司; (右上)AI平台公司;(下)数据科学咨询公司

任何一类公司都有自己的优势和劣势。任何一个类别中也都有最优秀的公司。但是我认为最成功的公司会集中在垂直整合AI公司中。让我们一个个来分析看。

数据科学咨询公司

数据科学咨询公司的产品化程度较低。由于AI模型极其依赖于客户提供的数据，这类公司的主要优势在于他们更容易交付给客户更好的结果。这类公司的劣势在于不能很快的规模化。如果公司期望迅速增长，他们应该设法向其他类别的方向发展。

现在这类公司的数量越来越多。很多公司甚至并没有意识到他们已陷入了这个类别——直到他们发现公司规模化出现困难或者很难找到可以重复的用例。这些公司也许有独一无二的技术，可以获得很多客户，甚至有别的公司愿意高价收购。但是，要想发展超出一定的规模，他们一定要“成长”，并且把解决方案产品化。AI解决方案产品化是极其困难的，有两个主要原因。首先，如上文所述，很多AI产品极其依赖数据，而每个客户提供的数据各不相同。更进一步说，客户的确切需求也有很大差别。

Element AI是一家典型的数据科学咨询公司，这家公司今年夏初拿到了高达1亿200万美元的A轮投资。但目前为止，这家公司还没有一个具体的产品或者解决方法。他们的“解决方法组合”网页列出了15条不用的用例; “解决方法” 网页介绍说他们“构建易于整合入现有流程的定制应用程序”。基于他们获得的大量投资，Element AI未来应该会有所“成长”，并将他们的AI解决方案产品化。

产品化究竟是什么意思？如果一个解决方法可以多次安装，过程中几乎不需要定制，就可以说这个解决方法已经产品化了。产品化可以让公司收入增长速度远超成本增长速度。相反的，一个咨询公司雇佣的员工数量与公司同期的业务数量是大致成正比的。

幸运的是，对于Element Al和与其类似的公司而言，他们不需要做到完全产品化(即解决方案安装时完全不用定制)。举个例子，某AI公司决定要在产品化上投入工程师人力资源，目标是解决方案每次安装时定制成本降低80%。与达到完全产品化相比，完成80%的目标可能只需要20%的人力资源。剩下20%的解决费用可以作为合理的一次性安装费用转嫁给客户。因此，实现80%产品化的目标或许足以达到产品规模化的目的。

图表横轴：工程师人力；总轴：产品化

产品化还有其他好处。产品化可以给其他新入行的公司设置障碍。在其他新公司努力解决规模化问题的时候，本公司可以更快的整合，技术团队也可以把工作重心投入到开发公司的核心知识产权上。

AI平台公司

AI平台公司提供底层基础构架，而具体的AI解决方案可以在上面运行。AI平台允许终端客户导入数据，清理和变换数据，训练模型和验证模型。AI平台公司的例子包括H2O.ai公司, Skytree公司, 和 (最近转型的) Databricks公司。

这类公司有不少独特的优势。首先，他们面向的市场巨大。任何企图扩充自己AI工具的公司都是他们的潜在客户。除此之外，AI平台公司产品化程度高，因为平台仅仅基于底层运算构架，操作系统，和支撑硬件。最后，他们有一个产品粘性优势，意思是一旦某个公司依赖这个平台，该公司就很难离开这个平台了。

但是，大多数AI平台公司的生存空间也受到威胁：

开源AI项目数量和质量增长
会使用这些开源项目的程序员数量增长

近年来，开源项目在质量和可选性上取得了令人震惊的进步。谷歌TensorFlow库最初仅专注于深度学习，现在其覆盖范围已经拓展到训练、测试和机器学习模型维护等领域，并获得了广泛认可。TensorFlow一方面能够轻松训练出好用的模型，另一方面还能够凭借各种特性将模型应用到生产环境中（比如TensorFlow Serving）。

此外，众多其他公司和个人的贡献也是开源环境发展的一大助力。雅虎旗下的一个开源项目就在Apache Spark上运行TensorFlow。脸书此前已经开放了其内部AI平台FBLearner Flow的代码，对开源机器学习库Torch也贡献良多。开发者David Cournapeau 于2007年创立的Scikit-learn也是大热的AI库之一，目前平台贡献者数量已超过900名。

越来越多的程序猿能够得心应手地使用这些开源工具。供给在需求的刺激下不断攀升，而未来五年，数据科学相关岗位需求量预计将增长15%。此外，新一代数据科学家相比“前辈”分析人员也刷新了不少技能点：前者能够熟练运用数据科学课程中涉及的标准化开源AI工具，而后者主要是通过SAS、Excel、Alteryx和MATLAB等封闭式平台来学习数据操作和建模。

在上述两大趋势的推动下，大多数企业都会投向开源工具的怀抱，有些还会聘请咨询顾问来协助工具的具体落实；而真正的AI平台公司可以施展拳脚的余地也就所剩无几了。

AI平台公司的日子并不好过，市场上已经出现了这方面的迹象。H2O.ai在2016年9月裁员10%，力图从“广撒网”式销售模式转型为针对少数精选客户的“深耕细作”。公司有可能沿着产品化轴线深入发展，推出的解决方案在定制化色彩更加浓厚的同时也能为公司带来更大的订单（销售团队规模也更小）。另一个比较常见的发展方向是专注某一个用例集，最终演变为垂直AI公司。

Databricks凭借其全球领先的Apache Spark专业知识和人才，有可能打造出无与伦比的AI平台。举例来说，他们可能会专为推动AI而对Spark进行重大改进，而这正是其他公司很难复制的。在与开源解决方案难分伯仲的情况下，Databricks的竞争对手就会变成采用开源解决方案的内部团队和其他公司（比如IBM的Data Science Experience就推出了在Spark上运行的Jupyter笔记本电脑）。换个思路，Databricks也可能专攻垂直AI解决方案，并将之作为主要收入来源。

垂直AI公司

垂直AI公司通过产品化的解决方案解决某一个或一系列的商业问题，帮助他们的企业客户借助AI实现进一步提升，而无需企业在内部构建或维护模型。这类案例不胜枚举，比如提供客户支持服务的DigitalGenius，提供招聘服务的Entelo，提供网络安全服务的Cylance，以及提供欺诈识别服务的DataVisor（我所在的公司）。

今年早些时候，Andrew Ng在《为什么AI是新电能》一文中也提到这一情况。在文中他这样写道：

正如电能为上个世纪带来了翻天覆地的变化，几乎没有事物没有被这一浪潮裹挟；如今我绞尽脑汁，也想不出几年后还有什么行业是AI改变不了的。

AI的强化范围不仅包括现有企业的核心技术，支持运营也被纳入到了羽翼之下，具体包括销售、营销、客户支持、内部通信、金融等不一而足。然而上述领域并非核心IP，因此企业也不会煞有介事地将之列为AI解决方案的优先改善对象，而是会采取购买解决方案的方式。垂直AI公司的机遇正在此处。

因此，垂直AI企业能够充分发挥产品化解决方案的作用来扩大公司体量，却无需头疼困扰AI平台企业的生存问题。然而相比AI平台企业，垂直AI企业的短板在于这块市场蛋糕更小，同行竞争也更加激烈。但如果Andrew Ng等人是正确的，这块还在不断变大的蛋糕还是能够容纳所有市场的垂直AI公司佼佼者的。也正基于这一点，我认为AI领域的大多数赢家都将是垂直AI公司。

当然，并不是所有垂直AI公司都能笑到最后。赢家必须满足三个主要条件。

首先，公司的解决方案必须能够解决实际问题，并有强有力的成功案例作为背书。确实有一些垂直AI公司靠一些酷炫名词来唬人，然而他们的解决方案事实上根本无法发挥AI的作用。对于那些挂羊头卖狗肉的AI公司来说，他们的问题在于凭借三寸不烂之舌，把那些差强人意的解决方案卖给不太懂技术的消费者。

其次，公司的解决方案不论是现在还是未来，都切忌与公司内部团队竞争。如果公司的内部团队已经在着手解决这个问题了，那么想要把你的AI解决方案再卖给他们简直比登天还难。进一步来看，把AI解决方案卖给想要内部消化这个问题的公司具有长期性风险，可能会导致教会徒弟、饿死师傅的局面发生，最终还是由公司内部团队取代你的解决方案。

第三，整合工作应控制在合理范围内。“合理”的定义取决于解决方案的投资回报率以及终端客户的身份。有些客户认为“合理的”整合时间是一天，而其他人会认为如果投资回报率很高的话，一年也是合理的。如果不存在重大的制约因素，那么解决方案的整合工作就不是什么大事；如果解决方案依赖于客户数据或基础框架，那么就必须严肃认真地加以考虑。

展望未来

即使是现如今，AI在各个领域的参与程度也已经远超我们的认知。Netflix的电影推荐、亚马逊的Alexa以及信用卡诈骗警示等只是数百万消费者接触AI的冰山一角。展望未来10年，随着人们破译了创立或发展AI公司的密码，AI解决方案所带来的种种利好将加速铺展在人们面前。

有朝一日，当所有公司都完成了AI化，“AI公司”这一说法也将不复存在。

原文链接：

https://medium.com/@cathlu/the-3-major-categories-of-ai-companies-7c2e3939e345?source=linkShare-9549803b36be-1504008223

新一代技术+商业操作系统：

AI-CPS OS

在新一代技术+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。

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：云计算+大数据+物联网+区块链+人工智能）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+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）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。