人工智能时代的承诺与挑战
人工智能和自动化将对人们的工作产生深远影响，在带来社会效益的同时带来挑战
人工智能（AI）在过去 60 年的发展中不断经历着“热潮”与“寒冬”，现在AI的时代可能终于到来了。目前，AI支持的应用遍及我们的日常生活，包括面部识别、语言翻译以及语音助手等智能应用。随着这些消费级应用程序的出现，越来越多的企业开始应用AI，这也进一步促进了生产力的增长和创新，为企业和经济带来了可观的利益。同时，它也对人们的工作产生了深远影响，对技能要求较少的职业需求量将下降，而其他职业的需求也会随着技术发展而逐渐变化。
AI已来，仍需更多努力
人工智能经过60余年的发展，仍没有完成许多预期的功能。例如，如何准确地描述人工智能。近年来机器学习算法已经取得了很大进展，尤其是基于神经网络的深度学习和强化学习技术的发展。
尽管人工智能技术已经取得了巨大进展，但仍有许多需要解决的难题。到目前为止，大多数进展都发生在所谓的“狭义AI”领域，即开发机器学习技术来解决特定问题。更难的问题被称为“通用智能” （artificial general intelligence），其中的挑战是如何开发出像人类一样解决一般问题的人工智能。许多研究人员认为距离通用智能的实现还需要几十年时间。
许多 AI领域的进展都是基于神经网络的深度学习领域的进展。这些 AI系统松散地模拟了大脑中神经元相互作用的方式。
机器学习的方式有监督学习、无监督学习和强化学习。当前许多AI应用的实例都是有监督学习的应用。在有监督学习中，训练的数据用于帮助系统学习给定的输入和输出关系，比如识别图像中的物体或转录人类的演讲。无监督学习是用没有标记的训练数据来在给定的数据中检测出模式或聚类，比如检测出具有相似建筑风格的建筑物。强 化学习系统通过评分系统、接收反馈（虚拟的“奖励”或“惩罚”）和反复试验来训练系统。
尽管新技术正不断出现并解决人工智能应用中一些现实的挑战，但人工智能仍然面临许多实际的挑战。机器学习需要大量的人力来标记监督学习所必需的训练数据。在自然使用过程中用于数据标记的流内监 督（In-stream supervision） 和其他技术可以帮助缓解这个问题。
用于训练的数据集的量必须要足够大、数据需要非常全面，而获取这样的数据集是非常有挑战的。比如，创建或获得足够的临床试验数据以更准确地预测医疗保健治疗结果。
相对于其他的机器学习方法，使用深度学习生成的模型非常难以解释。这些模型可能有许多层和上千个节点，单独解释每一个是不可能的。数据科学家通过度量它们的预测结果来评估深度学习模型，但模型架构本身是个“黑盒”。它有可能会让你在不知不觉间，失去“发现错误”的机会。
深度学习技术“黑盒”的复杂性还带来一个挑战——“可解释性”，哪些因素影响了决策或预测
尽管人工智能技术已经取得了巨大进展，但仍有许多需要解决的难题
的产生，以及如何影响。这在信任事项和预测具有社会影响的应用中尤为重要，比如刑事司法应用或金融借贷。
另一个挑战是如何建立广义的学习技术，因为人工智能技术在将经验从一种情况转移到另一种情况时仍然存在困难。迁移学习（transfer learning），是指训练 AI模型以完成某项特定任务，然后快速将该模型应用于类似的其他活动，是应对这一挑战的一种极具潜力的方法。
AI将跨越行业和职能部门
人工智能在消费级应用中越来越普遍，也有企业开始在其运营过程中采用 AI技术，有时甚至会产生意外的结果。
AI可用于改善企业的整体能力，包括预测性维护。比如，深度学习能够从音频和图像中分析大量高维数据，从而有效地检测工厂装 配线或飞机引擎中的异常情况；在物流方面，AI可以优化运送路径，提高燃油效率并缩短交货时间。从营销到供应链管理，在所有经济部门和多种业务功能中都可以找到AI的应用。在许多AI应用案例中，深度学习技术主要是通过改进传统分析技术来增加价值。
研究人员对 19 个行业和9 个业务功能中的400多个用例（use case）进行了分析，发现 AI 在 69％的潜在应用案例中改进了传统分析技术，在 16%的人工智能案例中，发现了适用于其他分析技术没有效果的“绿灯区”（greenfield）人工智能解决方案。随着算法变得更加通用，所需的各种数据变得更容易获得，深度学习用例的数量可能会快速增加，而“绿灯区”深度学习用例的占比则可能不会显著提升，因为更加成熟的机器学习技术也有潜力变得更好、更普遍。
尽管许多组织已开始采用人工 智能，但采用的速度和程度并不均衡。2018年，麦肯锡在一项关于人工智能采用的调查中发现，有将近一半的受访者表示，他们的公司在其业务流程中至少使用了一项人工智能技术，另有30％的企业正在试用人工智能。尽管如此，只有21％的受访者表示他们的企业已将 AI嵌入到业务的多个部分中，仅有3％的大型公司称已将AI整合到其整个企业的工作流程中。其他调查显示，早期人工智能技术的采用者倾向于考虑更广泛地使用这些技术，以增加市场份额，而经验较少的公司更倾向于降低成本。高度数字化的公司倾向于在人工智能方面投入更多资金，并从其使用中获得更大的价值。
许多公司和部门在人工智能的采用方面是落后的。因此需要制定具有明确利益的人工智能战略，寻找具有适当技能的人才，克服限制端到端部署的功能孤岛（functional silos）。
企业在采用人工智能时还可能在组织架构上面临更为棘手的挑战。掌握技术需要新的专业知识水平，而流程则可能会成为技术被成功采用的主要障碍。企业将不得不开发出稳健的数据维护和治理流程，并专注于“第一公里”，即如何获取和组织数据，以及更困难的“最后一公里”，即确保人工智能提供的卓越见解能够融入企业的人员和流程，从临床试验人员和销售经理到采购人员。
在人才方面，深层神经网络的大部分构建和优化仍然是一门需要真正专业知识的艺术。但对这些技能的需求远远供不应求，预计只有