【知识图谱】AI基石知识图谱与百度AI布局

2017 年 11 月 20 日 产业智能官 新智元

中国人工智能资讯智库社交主平台新智元主办的 AI WORLD 2017 世界人工智能大会11月8日在北京国家会议中心举行，大会以“AI 新万象，中国智能+”为主题，上百位AI领袖作了覆盖技术、学术和产业最前沿的报告和讨论，2000多名业内人士参会。新智元创始人兼CEO杨静在会上发布全球首个AI专家互动资讯平台“新智元V享圈”。

全程回顾新智元AI World 2017世界人工智能大会盛况：

新华网图文回顾：http://www.xinhuanet.com/money/jrzb20171108/index.htm

爱奇艺（上）：http://www.iqiyi.com/v_19rrdp002w.html

爱奇艺（下）：http://www.iqiyi.com/v_19rrdozo4c.html

阿里云云栖社区： https://yq.aliyun.com/webinar/play/316?spm=5176.8067841.wnnow.14.ZrBcrm

新智元 · AI WORLD 2017

演讲嘉宾：王海峰

【新智元导读】知识是 AI 的基石，也是百度等搜索引擎最倚重的基础。百度副总裁，AI技术平台体系总负责人王海峰11月8日在新智元AI WORLD2017 世界人工智能大会上发表题为《汇聚知识，理解世界——百度知识图谱》的主题演讲。他在演讲中介绍了百度AI的技术布局、知识图谱对于AI的重要意义，知识图谱本身的技术要点、百度知识图谱多年的技术积累等。他透露了一个数字：百度知识图谱从2014年正式上线至今，已经增长了160倍。

新智元 AI World2017世界人工智能大会开场视频

以下是王海峰在新智元AI WORLD2017世界人工智能大会现场演讲实录

各位热爱AI以及关心AI的朋友们，各位从事AI的同仁们，大家上午好，非常感谢杨静女士给我这个机会，和大家交流人工智能相关的话题。我的主题聚焦在AI具体领域—即知识图谱。

我们认为，知识是AI非常重要的基石，所以，今天我专门和大家交流一下我们在知识图谱方面的工作。

人工智能是新的生产力

“科学技术是第一生产力”，这句话相信所有朋友都知道。从18世纪第一次工业革命开始，科学技术就把巨大的自然力和自然科学注入到生产过程中，从而大大提升了生产力，生产力又影响生产关系的变化，进而为整个社会方方面面都带来改变。19世纪的第二次工业革命使我们进入电气时代，20世纪第三次工业革命使我们进入了信息时代。随着这些工业革命的发生，科技对我们越来越重要。而今天，我们非常幸运地处在第四次工业革命之中，这其中最核心的科技就是人工智能。

我们看到，人工智能已经在影响我们生活的方方面面，渗透到各行各业。无论是我们想搜索信息还是浏览信息，还是根据地图导航出行，或者翻译……各行各业都在大量地应用人工智能。

我们可以清晰地看到，不管世界范围内还是在中国，人工智能的投资、产业规模等都在迅速增长，而且可以预计未来还会高速增长。人工智能在各个领域、各个方向上都非常活跃。

总结以上所说的，我们认为，人工智能是新的生产力，是未来很长一段时间里，人类生产力提升最重要的基础。

百度AI技术布局与人工智能应用的基石——知识图谱

众所周知，百度是从做搜索引擎开始的。差不多18年前，我们开始做搜索引擎。从做的那天开始，一些人工智能技术就在其中得到应用，比如自然语言处理技术。七八年前，我们更全面地布局人工智能，从自然语言处理开始，到语音、图像、深度学习、机器学习、数据挖掘等等，今天，我们形成了相对完整的人工智能布局。

基础层，是人工智能很重要的组成部分，要有大数据，强大的计算能力，还要有非常强大的算法。

而真正可以模拟人的能力，我们把它们分成两层：感知层和认知层。我们知道，每个人通过眼睛、耳朵等来感知这个世界，所以，我们要做计算机视觉相关的图像、视频技术，也要做AR、VR技术，还要做和人的听觉相关的语音技术，如语音识别等等。应该说，感知能力不仅人有，很多动物也有，甚至有的动物听觉比人强，有的动物视觉比人强。而认知是人特有的，语言是人区别于其他动物的能力。同时，知识也是人不断进步的重要基础。我们除了要有认识客观世界的知识，人和人之间还要交互，以及对人的理解，这就是认知层的技术要解决的。

在此基础上，我们提供AI开放平台。在百度内部，我们用平台化的方式支持了公司大量的应用，同时也把我们的平台对外开放，打造AI生态，最终通过产品应用为每个用户、企业等提供服务。

假如我们要搜索一张图片，用图像处理技术很容易在网上找到一张相似的图，这个图像处理技术就能完成了。如果我们想问的问题是，白葡萄酒的营养价值，仅仅图像处理技术就不够了，这需要知识。百度在回答这样一个问题时就会用到背后的知识图谱。下面这个例子也是一样：语音技术可以把曲子识别出来是什么，相应地在曲库里找到歌曲，甚至专辑的封皮也能调出来，但是如果想知道这个曲子谁演奏过，仅仅语音技术就不够了，这就需要知识以及知识图谱的支撑。

因此，大家看到，感知层、认知层技术看似是相对独立的，而且每个技术也有非常多的问题要继续研究解决，但是，把它们组合在一起，尤其是赋予知识以后，我们就可以做更多的事情。

百度知识图谱架构：构建数据到信息、到知识、到智能的“金字塔”

所以我想说，知识是AI进步的阶梯。我们每个人都知道高尔基这句话——“书籍是人类进步的阶梯”，这里面包含两方面的意思，一方面人通过读书可以不断地学习更多的知识，不断地进步；同时，有了更多知识，更多能力的人也可以不断地产生新的知识，有更多的知识可以沉淀下来、传承下去，这个阶梯也会随之越大越高，人也可以越走越高。对人工智能来讲，知识也是一样的，有了知识的人工智能会变得更强大，可以做更多的事情，反过来，因为强大的人工智能，也可以帮我们更好地从客观世界中去挖掘、获取和沉淀知识，而这些知识和人工智能系统形成正循环，两者共同进步。

我们有很多方法可以把现实的知识富集起来，通过各种算法，让它变成一个网状的知识图谱，这里面的知识非常多，比个人脑子里存储的知识都要多，同时可以有强大的网络，成为人工智能应用的基石。

先举个例子，这是从数据到信息、到知识、到智能的“金字塔”。比如我们看到95这个数字，我们都知道这是数字，但它意味着什么呢？如果我不给你更多的信息，你只知道它是一个数字，如果我告诉你，这是今天的PM2.5指数，那95这个数字就变成了一条有用的信息。但是如果我没有背景知识，不知道PM2.5是95意味着什么，这个信息对我的价值也不大，95是好还是不好呢，不知道。如果这时候有知识，我知道95意味着空气质量大概是良，这就已经是有知识了。进一步，我可以知道这个指数可以正常户外活动，但敏感人群应该减少外出，这就是从信息到知识到智能的过程。

这是百度知识图谱。最下面一层，我们要有基础的存储、运算和服务能力。百度的知识图谱从非常多的海量数据里挖掘出来，包括互联网上的数据、行业数据，也包括日志数据等等，再进行挖掘、归一、融合。同时，图中一个个节点要建边，最终形成通用知识图谱、行业知识图谱。在这些基础之上的巨大图谱，会有基本的算子去查询、标注、计算、推理、预测等，每一个产品会调用这些算子访问图谱，从而完成特定的能力。

这样讲还比较抽象，给大家看一个图。这是百度庞大的知识图谱里一个很小的局部。我们随便从中间看一个节点，比如《中国有嘻哈》，会发现很多事实可以连接到这个节点上，比如它相关的演员、音乐的类型，办这个节目的爱奇艺等等。经过几次大家发现会关联到很远，右边是关联到中国诺贝尔奖得主屠呦呦，左边也关联到其他很多人。知识图谱包含大量的知识，在不同的应用中会起作用。当然，这里面每个节点，远远大于我此刻所展现出来的，如果这个屏更大，能给大家展现更多。

回到抽象的部分，看看我们这个知识图谱到底有多大。这里面的每个节点可以理解为一个实体，不管是人、物还是实体，大概有几亿个，实体和实体之间会有很多边，一个实体可能会有几十个、几百个、几千个边，这是组合关系，非常多。每个边构成一个事实，比如《中国有嘻哈》谁参加了这个演出就是一个事实，谁举办了它又是一个事实。现在百度知识图谱里这个事实的量已经有千亿个。同时，我们支持基于图谱的动态计算，包括几十个应用场景，每天有几百个数据流同时在工作，都支持秒级更新，可以多层次地查询。

下面举一个通用知识图谱的例子。这里有一段百度百科里的文字，通过自然语言分析理解，可以把这段文字抽取成一个图谱。比如银河系会和太阳、地球等连接，会有很多边，这是抽取出来的一个通用图谱。而右边相当于从另一篇文章里抽取的又一个图谱。这两个图谱有些相似但又不同，他们有不同的数据来源，尤其一些常见的实体，网上有成千上万的网页和它有关，能抽取非常多的知识，这时候要做知识的融合，甚至有一些数据可能带来错误，不管是原始数据的错误还是分析过程中的错误，都要校验，最后保证知识图谱的质量。

再举一个行业知识图谱的例子，这是电信行业某一个运营商的手机流量套餐。和流量套餐相关的会有很多联接，比如日流量、月流量、流量包等等，可以建这样的图谱。同时，对于一个行业来讲，除了它静态的实体、属性、关系以外，还有业务逻辑。比如你打一个运营商的客服电话，想办流量包，他会问你是什么包，全国包还是本地包等等。你选择了其中一个以后，要查流量或者其他服务，又是一个完整的流程。这个流程实际上组成行业知识图谱的一部分。结合左边的图和右边的流程，我们就完成了一个运营商自动的客服。现在大家打到运营商某个客服电话，有一定比例其实是在和百度的智能客服机器人对话。

刚才讲的是一些基本的图谱应用，再讲一个带有一定推理色彩的。比如我们问今天离圣诞节还有几天。这样的问题对人来讲不是很难，对知识图谱而言，这就不是一个静态的知识，我们无法把这个问题的答案直接存在图谱里，而是需要先把今天是几号搞清楚，圣诞节是哪一天搞清楚，然后做个简单的计算得到一个正确的答案。

而右边的更复杂一点，用户的问题是，“Zippo能不能带上飞机”。我们需要先在知识图谱里知道Zippo是打火机，而民航规定打火机是不允许带的，这时候再推理一步就得到最终的答案，坐飞机是禁止带Zippo的。

百度知识图谱服务规模：三年长了大概160倍

百度很早就在做知识图谱了，真正大规模上线是2014年，到今年三年时间，这个曲线一直在飞速地增长，长了大概160倍，说明百度搜索这样的应用越来越依赖知识图谱。

传统的搜索是搜索一个内容，主流搜索引擎一页给10个结果。有了知识图谱的支撑，我们可以给用户更直接的答案，并以一种更友好的方式呈现。比如第一个例子是搜索“胡歌”，大家看到图文并茂的结果，需要的常用信息放在这儿。第二个问“太阳的重量”，虽然网页也能找到，但不如直接把重量给出来。最右边的例子是用户搜索“孙俪”，除了给一些孙俪的信息出来，还会有相关的人、作品等等。我们把相关的影视作品推荐出来，用户可能感兴趣，比如《那年花开月正圆》，在界面一点就可以进入《那年花开月正圆》的页面。

汉语语言本身非常博大精深，有专门针对汉语语言的知识图谱，比如问“凹凸的凹，笔顺。”这个字我相信每个人都会写，但是不是每个人都能写对笔顺呢？知识图谱可以直接把笔顺告诉大家。我们现在大多用拼音输入法和语音输入，一些字不会念，也没法拼音输入。针对中文，我们会把汉字拆解，用语言描述它。比如，如果不知道“怼”字怎么念，我们就可以这样提问，“上面是对下面是心怎么念。”家里有学生的朋友可能会比较关心这个问题，比如要查美好的“好”字的多音字词组，或者成语等等，知识图谱可以直接列出来。

屏幕上是我们根据新智元曾经发表的一篇文章，分析这篇文章里面提到的关键词语和关键实体，组成的一个图谱。文章由此被打上标签。比如主题标签是“人工智能”，话题标签是“深度学习”等等，还有加上其他标签。我们对用户也有自己的模型，知道他关心什么领域，关心什么话题，有了两者的标签，我们就可以把合适的文章推荐给合适的用户。比如这个用户的画像是“IT精英”、“互联网”等等，新智元这篇文章可能正好是这个用户所喜欢的。

再举一个NBA的例子。NBA很著名的球员，比如詹姆斯、库里等等，他们之间有各种关系，不只是和现在球队之间的关系，比如他的基本信息，身高、体重、成就等等。很多人把詹姆斯和科比做对比，这个对比在图里也能看到。用户有时会在一些产品里提问，比如问詹姆斯取得了什么成就，和科比对比等等。机器之所以能回答这些问题，是因为背后有这些知识。所以，一轮一轮，机器和人之间就交流下去了。

我上中学的时候在看1983版的《射雕》，现在有了最新的2017版《射雕》。我们现在知道这个视频是新《射雕》，它的主题曲是《铁血丹心》。当我们问类似的视频是什么，就能找到1983版的《射雕》。知识图谱会纵横交错把各种信息关联起来，不管现在还是历史的。1983版的郭靖是黄日华演的，如果问黄日华其他作品，就能看到《天龙八部》；如果问这部书的作者是谁，就会找到金庸先生。一步步延伸下去，相当于在这样巨大的图里畅游，每个用户关心的方向不一样，往任何方向都可以不断地延展下去。

刚才讲了一些应用的例子，从搜索到对话，到推荐等等。虽然这次人工智能的爆发很大程度上和互联网关系很大，但人工智能影响的远远不止是互联网行业，它会影响到各行各业，深入到我们工作和生活中的方方面面。这次十九大报告也指出，将互联网、大数据、人工智能这些技术与实体经济深度融合，包括工业、农业、金融等领域。融合的过程中，人工智能要想为这些行业有更好的服务，需要对这些行业进行定制化，要有行业的知识，这时候在通用知识的图谱上也就进而要有行业的知识图谱，帮助这些行业提升生产力，帮助这些行业和产业去升级。

最后，我想总结一下。我们通过AI技术和大量的数据、以及与用户的互动不断地学习，汇集越来越多的知识，这些知识不仅包括通用的知识，也包括行业的知识，进而更好地理解世界，从而让我们用人工智能来提升我们的产品，提升每一个行业，让我们的生活变得更加美好。

谢谢大家！

刘挺 | 从知识图谱到事理图谱

本文转载自 AI科技评论。

在“知识图谱预见社交媒体”的技术分论坛上，哈尔滨工业大学刘挺教授做了题为“从知识图谱到事理图谱”的精彩报告。会后AI科技评论征得刘挺教授的同意，回顾和整理了本次报告的精彩内容。

刘挺教授

刘挺教授的报告内容分为四部分：

知识图谱与《大词林》
事理图谱概念的提出
事理图谱国内外相关工作
哈工大在事理图谱方面的探索

知识图谱与《大词林》

知识图谱最早是通过人工搜集数据和标注数据来构建的，随着需求的多样化和精细化（例如，需要获得“XX疾病是否可以被XX药物治疗”，“XX人和XX人之间是否是敌人/朋友”等信息），人工构建的知识图谱越发难以满足用户多种多样的需求。基于此，如何由机器去自动构建大规模的知识图谱已经发展成为热门的研究点。

知识图谱，是基于二元关系的知识库，用以描述现实世界中的实体(或概念，概念是实体的抽象，例如“水果”即为“苹果”的概念)及其相互关系，其基本组成单位是『实体-关系-实体』三元组（triplet），实体之间通过关系相互联结，构成网状结构。通过知识图谱，可以支持用户按主题而不是按字符串检索，从而真正地实现在语义层面上进行信息检索。基于知识图谱的搜索引擎，能够直接向用户反馈结构化的知识，用户不必浏览大量网页，就可以找到自己想要获得的知识。

封闭域知识图谱和开放域知识图谱各有优劣

2014年年末，哈工大正式发布《大词林》。现在只需在浏览器中键入www.bigcilin.com，即可访问《大词林》。《大词林》是一种自动从网络中爬取实体及实体的概念以形成基于上下位关系的通用知识图谱。这意味着，如果用户输入的词语不被《大词林》所包含，《大词林》即会实时地到互联网上去搜索，以自动挖掘该词语的上位概念词，并将这些上位概念词整理为层次结构。比如输入“林肯”，《大词林》就会根据“林肯”在网络中出现的语义信息，自动挖掘出“林肯”所具有的多个概念，例如“汽车”、“总统”、“交通工具”、“领袖”等，然后再根据这些概念的抽象程度，将这些概念刻画为层次结构。例如“领袖”相对于“总统”更加抽象，在图中“领袖”的层次就比“总统”更高。

上图左侧为《大词林》层次目录的一部分，其骨架是《同义词词林（扩展版）》。《大词林》选择《同义词词林（扩展版）》作为骨架的原因在于：经过反复的探讨，刘挺教授带领的团队认为词汇应具有两种类型，一种是“实体”与真实的事物相对应，比如具体的人名、地名、机构名；另一种是“概念”，是“实体”的抽象含义，比如“植物”、“水果”等。实体之间具有明显的横向关系，而“实体”和“概念”、“概念”和“概念”之间具有明显的层次关系，因此词汇之间应具有由横向关系和纵向关系所形成的网状结构。基于此，刘挺教授带领的团队将《同义词词林（扩展版）》作为《大词林》层次（纵向）关系构建的骨架。

这里简单介绍一下作为《大词林》的骨架-《同义词词林（扩展版）》存在的问题。《同义词词林》的第一个问题是仅具有固定的5层结构，但面对千万级乃至亿万级规模多领域、多样性的词汇，固定的结构显然无法对其进行有效描述；第二个问题是《同义词词林（扩展版）》包含的词语数目非常有限，且大部分为抽象的概念，其规模不到十万词，显然不适合实际应用。基于此，刘挺教授带领的团队决心打破《同义词词林（扩展版）》的上述限制，从而形成了现在的《大词林》。首先，《大词林》的层数是不固定的，其根据词语的抽象程度自动进行层次化；其次，《大词林》中包含了很多具体的实体（例如人名、地名、机构名），其规模是《同义词词林（扩展版）》的数百倍，并且还在不断的扩充。

《大词林》的特点在于能够从多种信息源中自动地构造词汇和词汇的上下位关系。这是刘挺教授带领的团队中一名博士生发表的一篇ACL会议论文（该会议是自然语言处理领域的顶级会议，被计算机学会评定为Rank A），这篇论文详细地展示了如何自动的从多信息源里获取实体概念词的技术框架。

简单来说，获取概念词的来源主要有三个，1）搜索引擎中检索得到的高概率的同现词，2）在线百科的类别标签3）词语的构词法，对于很多词，其后缀即为该词的概念词，例如像微软公司的公司就是微软公司这个实体的概念词。之后，采用排序算法对获取得到的这些候选概念词进行打分，然后截取超过一定阈值的候选概念词保留到《大词林》中。

上面的方法仅仅获取了针对某个词语的概念词，如左图所示。但是，概念词之间是有明显的层次关系的，如右图所示，而《大词林》的特殊之处就在于能够自动形成概念词之间的层次结构。基于上述的处理方案，从《同义词词林（扩展版）》的十万词出发，现在的《大词林》已经成为一个具有千万级词汇量级的知识图谱，并且其规模每天都在不断的增长。

由于《大词林》是自动构建的，因此需要对其质量做一个评估，以判别《大词林》中是不是包含了很多的错误，到底可不可以实用。刘挺教授带领的团队对《大词林》做过抽样评估。结果显示，针对某个词语，找到其概念词的准确率为85%，词语之间的上下位关系识别的准确率为90%。

相比于其他知识图谱，《大词林》主要专注于语言学中词汇的上下位关系的自动构建，是一种语言的知识图谱。当然，目前刘挺教授带领的团队也着手在《大词林》中引入横向关系，相信不久的将来就能看见更加全面的《大词林》。

事理图谱概念的提出

关于事理图谱。现有的知识库普遍是以“概念及概念间的关系”为核心的，缺乏对“事理逻辑”知识的挖掘。刘挺教授团队认为在实际应用中，事理逻辑（事件之间的演化规律与模式）是一种非常有价值的常识知识，挖掘这种知识对我们认识人类行为和社会发展变化规律非常有意义。举个经典例子，北京人买房子，买完房子下一步就是装修，装修完了就会买家具，如果在网上发现有人发微博说他买房子了，装修公司就可以跟上去做广告，这就是一种预测。事理图谱并不是以名词为核心节点的知识库，而是以事件而且是抽象类事件为核心的事理逻辑知识库。举个例子，国家领导人访问另一个国家，这就是一个抽象事件。刘挺教授的团队三年前就提出了事理图谱的概念。

事理图谱只定义两种事件间关系：一种顺承，一种因果，这两种关系都有时间顺序。本质上事理图谱是一个事理逻辑知识库，描述了事件之间的演化规律和模式，可以应用在生活中的很多方面，比如事件预测，常识推理，消费意图挖掘，对话生成等等。

事理图谱与知识图谱的区别，知识图谱研究对象为名词性实体及其关系，事理图谱研究对象是谓词性事件及其关系。知识图谱主要知识形式是实体属性和关系，事理图谱则是事理逻辑关系以及概率转移信息。事件间的演化关系多数是不确定的，而实体之间的关系基本是稳定的。

事理图谱中的事件定义。事理图谱中的事件是一个泛化的抽象的事件，比如吃火锅，去机场，看电影都可以，但要是说非常的具体，某年某月干了什么，这就不是事理图谱中存储的知识。但也不能太抽象，比如，去地方，做事情，也不是事理图谱中存储的知识。事件间的关系就两种，一种顺承关系，吃饭，买单，离开餐馆，这就是很常见的事件顺承关系。还有就是因果关系，我们认为因果关系是非常重要的，只有因果关系建立了，才能通过控制因变量去影响结果。

事理图谱有3种典型的拓扑结构，第一种是链状，顺承关系为典型代表。第二种是树状，这其中有一种事件是心理事件，打算去做某事，并不是真做了；第三种是环状，以打架报复住院为例，循环往复。

事理图谱国内外相关工作

与事理图谱最相关的两个研究方向是统计脚本学习和事件关系识别。统计脚本学习是与事理图谱非常接近的一个研究领域。1975年，美国学者Schank提出脚本概念；2003年，日本学者提出自动获取脚本的方法；2008年，Dan Jurafsky利用无监督的方法构建事件链，成为该方向一个具有代表性的先驱工作。2014至今，统计脚本相关研究工作进入了复苏和发展阶段。

除此之外，还有一条技术路线是事件间关系（时序和因果）识别。

哈工大在事理图谱的研究

哈工大主要在两个领域进行了事理图谱探索性的工作，一方面是出行领域事理图谱的构建和应用；另一方面是金融领域事理图谱的构建和应用。

出行事理图谱的潜在应用

出行领域更多是顺承关系，其构建过程包括数据清洗、NLP预处理、事件抽取和泛化、生成候选事件对、顺承关系识别、顺承方向识别。

第二个是金融领域事理图谱。

可将金融领域事理图谱应用于股市预测当中。

从知识图谱到事理图谱的总结

刘挺教授的总结：知识图谱在各个领域精耕细作，逐渐显露价值，但知识表示形式有待突破，推理能力有待提高。统计脚本学习和事件关系识别等事理图谱相关研究越来越吸引研究者的关注。以“谓词性短语”为节点，以事件演化（顺承、因果）为边的事理图谱方兴未艾。事理图谱必将在预测、对话等领域发挥重要作用，有力地提升人工智能系统的可解释性。

最后刘挺教授向他的合作者，哈工大社会计算与信息检索研究中心的秦兵教授、刘铭副教授、丁效老师，以及博士生赵森栋、李忠阳、姜天文表示感谢。

以上内容为刘挺教授在CNCC 2017 [ 知识图谱遇见社交媒体 ] 论坛上的精彩报告，AI科技评论获其独家授权整理。

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。