最近一段時間，我與眾多專家交流的過程中，關于人工智能的三個關鍵業務方面開始逐漸明朗化。

第一，人工智能是一個模糊的大概念，將數據與各種技術(例如模式識別和其他等技術)結合到一起，模擬人類的學習方式和智能性。“人工智能”這個詞是一種不夠精確的市場營銷或者演示術語。企業采購者們應該深入地了解這些對他們最有意義的技術。

第二，很少有企業大規模地部署了人工智能。現在有大量原型和概念證明，但是對大多數企業組織來說，人工智能仍然是新的、具有實驗性質的。例如，SAS最近的一項調查顯示，“人工智能的采用仍處于早期階段”。

第三，對廠商的說法持懷疑態度。很多科技公司仍在試圖找到人工智能能在哪些方面改善他們的產品和自動化流程。很多廠商通過收購人工智能初創公司來獲得專業技能和填補空白。

對于企業采購者來說，底線就是：學習這項技術，向你的提供商提出問題，通過挖掘內部數據科學人才為人工智能做規劃。人才短缺是當前的一個大問題。

在研究人工智能將會給企業組織和員工隊伍帶來怎樣影響方面，麥肯錫全球研究員(MGI)是全球重要的研究機構之一。麥肯錫的研究將定量分析、與高管和業務運營者的廣泛訪談相結合，由此創建的報告是具有洞察力和價值。最近，麥肯錫的兩份報告重點關注了人工智能的商業價值，以及自動化和人口統計對工作及經濟的影響。

其中一位合伙人Michael Chui，負責麥肯錫全球研究院圍繞人工智能與相關技術所帶來的影響，他也是我所知的在這些方面最有信服力的人之一。

Chui提出了一些要點是我想要特別強調的。首先，一家企業組織在采用人工智能方面取得的成功，很大程度上是基于整體數字化成熟度的。那些積極推進數字化轉型的企業在人工智能項目方面更有可能取得進展。從我的角度來看，我們可以將人工智能項目視為數字化轉型——重新思考文化、思維模式和商業模式——的延伸，而不是孤立的技術項目。

其次，人工智能給各種工作帶來改變，使得部分勞動力得到釋放，可以重新部署，所以需要從現在就開始思考，你要如何培訓你的員工。Chui說，勞動力的大規模重新部署可能是我們面臨的“重大挑戰”之一。

我與他的深入對話持續了45分鐘，下文描述了這位全球頂尖的人工智能業務研究員是如何看待今天的這些問題。下面是對這次深入對話整理的摘要記錄：

你如何定義人工智能?

你可以花幾個小時來探討這個問題。我們將人工智能描述為使用機器來做認知工作，所有智能性都受限于我們的大腦，這是我們身體的一部分。因此，我們知道在很多情況下，人工智能本身會進入物理世界中，化身成為機器人和自動駕駛汽車等等。但是，這與智能是有關的，然后是實例化的機器。

你的研究得出了哪些重要結論?

我們稱之為人工智能的這些技術，蘊藏著巨大的潛力。這些技術影響著我們的方方面面。原因之一就是，有大量潛在的人工智能應用，是對人們已經在數據和分析方面開展的工作的一種延伸。因此，我們研究了所有領域、所有功能方面的500種不同的人工智能使用實例。

有時候我們會說，是這些傳統分析方法給你帶來了如此大的影響。但是，當你可以增加多維度的數據或者更多的深度學習技術，你就可以提高預測精準度、或者提高OEE、或者減少浪費，這些使用實例讓我們能夠做到。你可以把人工智能看作是你分析工具包中的另一個工具。我認為這是一個廣泛的發現結果，幾乎會影響到業務的各個方面。

我有另外一位同事也在直接接觸那些正在考慮或者正在使用人工智能的客戶，從中我們了解到的，人工智能還處于非常早期的階段。雖然還有改善經濟的巨大潛力，但是無論在高層次還是低層次，只有非常少數的企業已經在大規模或者在核心業務流程中部署了人工智能。

這個情況每天都在發生變化，因為有越來越多的企業部署這項能力，去了解關于人工智能的更多信息，他們可以把人工智能潛入到企業組織的流程中，在某些情況下，這是很難的一件事情。我們還在學習曲線的初期，這其實是一個很陡峭的學習曲線，但是我們還處于早期。還有很大的潛力，但是我們還處于早期。

你研究的眾多行業之間有哪些共同點?

有很多行業，他們的價值是源自于與客戶的交互。如果你是一家零售企業，如果你是一家消費品包裝企業，那么考慮人工智能和這種功能的價值，是有意義的。另一方面，如果你的運營效率驅使你這么做，如果你從事制造業，你要交付和出貨產品，如果你從事物流業，那么也許這些運營需求是更優先一些的。我認為至少在高層方面，這是一種考慮人工智能的方式。

我們發現的另一個共同點就是接下來的事情，也就是，我認為通常你發現了一項具有潛在變革性影響的技術，你會說“天啊，就沒有捷徑可走嗎?我能不能直接使用它就能提高競爭力?”

事實上，我們需要大量的訓練數據，我們發現正在進行數字化轉型的行業和企業之間具有高度的相關性——能夠在他們的核心流程中使用數字化技術來改善流程效率。這與為人工智能做好準備之間也是有高度相關性的。

還有一個我們發現的共同點是，很難加速你的數字化之旅。你需要走上數字化之旅來讓你自己為人工智能做好準備。我認為這是另一項發現。

如果你希望加速人工智能發揮潛在影響，你就需要加速你的數字化之旅。

人工智能對員工問題會帶來怎樣的影響?

有一些潛在影響，是那些原本我們付費讓人們做的工作，被這些技術變成了自動化。

我們對個人活動進行了研究(不止是職位)，目前在全球經濟中我們有2000種不同的活動是付出成本去做的。人們近一半的付費工作時，是用在了理論上我們可以采用現有技術實現自動化的活動上。這聽起來很可怕，對吧?這是一個很大的比例，但這并不是說我們預測明天就有50%的失業率。開發這些技術也是需要花費時間的。

你需要一個正面的商業案例。新技術剛開發出來的時候總是很貴的，不管是自動駕駛汽車還是人工智能算法。因為摩爾定律，這個成本會逐漸降下來。你需要和人工成本進行對比，全球各地的人工成本是各不相同的。

無論如何，未來40年中，全球50%的活動可能都不會被自動化，到了2055年也是如此。但是，我們會設想一個20年前的場景，一個20年后的場景。我們知道，有越來越多我們付費去從事的活動將實現自動化。

那么問題來了，是否會有對勞動力的充足需求，即使是那些可能被自動化的事情?我們上個月的報告表明，答案是肯定的。

想想不同的潛在催化因素——無論是全球各地的復蘇;未來幾十年將有10億人進入消費階層;無論是你在談論老齡化問題，一個令人不安的問題，因為工作人數在不斷減少，但是另一方面，老齡化問題卻驅動了對醫療保健的需求。

未來我們將會看到基礎設施方面的投資不斷增加，這對消費階層來說是有利的，也是對我們現有基礎設施的修復和改善。我們將會看到能源結構和效率方面的變化，甚至還會有大量目前是無償性質的工作越來越多地進入市場，例如很多女性在家中做的兒童保育、烹飪和清潔的工作。

如果你把所有這些因素都放在一起來看，甚至把這些與人工智能和機器人可以做的事情進行對比，我們仍然可以看到有大量工作要做，足以抵消自動化帶來的影響。

但是有一個廣泛的問題是，如果你認為大規模失業不會成為問題的話，那么大規模重新部署就是問題所在了。

我們認為，未來數十年最大的一個挑戰就是，我們如何對那些技能被取代的數百萬工作者進行重新培訓?我們需要讓他們保持一直工作的狀態，以維持經濟增長，但是從大規模來看，要重新培訓這些人來渡過他們的第一個二十年，我恐怕要說，這是我們一直沒有完全解決的問題。這是我們亟待解決的問題。

業務領導者應該開始現在就開始考慮員工再培訓的問題，還是為時過早呢?

眼下就需要對這個問題給予一定的關注。雖然很多變化不是在一夜之間就發生的，特別是在人工智能方面。但是，如果我們更廣泛地考慮自動化技術的話，事實上我們已經開始看到一些變化的發生，無論是機器人流程自動化，還是制造工廠、物流還是配送中心的物理自動化。這些技術正在發揮著作用。

雖然我們會把這定義為一個跨度達數十年的趨勢，宏觀上是需要一定時間的，但是對于個人來說，這個變化很快就會發生。對于單個的員工來說，很快就會發生。而且，再培訓也需要時間。我們認為這是一個巨大的挑戰。通常來說，巨大的挑戰不是一朝一夕就能解決的，所以我認為企業領導者就員工再培訓這個問題要持續地考慮，應該是他們開始考慮員工策略的時候首要想到的。

這種討論中會涉及到普遍基本收入的概念嗎?

普遍基本收入(保證最低收入)這個想法，是需要大筆資金的。我現在在舊金山，我發現這里有很多人在談論這個話題，當然也有很多的爭論。

其中一個觀點就是，如果我們認為機器要接管每個人的工作，我們會有大規模的失業，那么我們需要確保每個人有足夠的收入，讓他們實際上可以養活自己、養活家人。我認為，現在談普遍基本收入這個觀點還太早，因為這個觀點的前提是假設有大規模的失業。其實我們要說的是，我們確實需要大規模再調配，而不是大規模事業，才能確保經濟有足夠的增長。

我們的觀點是，我們要看過去五十年的經濟增長情況，其中一半是因為工作的人越來越多了。由于老齡化，我們也將會失去很多勞動力。所以思考這個問題的一個因素是，我們會面臨沒有足夠勞動力的問題。我們需要所有的人工智能、機器人等也工作起來，再加上我們需要人類勞動力來實現經濟的增長。而且，如果你認為UBI是基于將會有大規模失業這一事實的話，我認為你已經放棄了，事實上，你需要向前邁一步想想。

另外一方面我認為可能會起到幫助作用，因為我們了解了人工智能和其他技術的潛在影響，外加這些額外的驅動因素，我們可能會繼續看到有收入差距擴大或者收入不平等的現象。你可能會問，“看，我們紙需要人們有足夠的報酬。”那么，如果你從公共政策的角度來看待這個問題，也許你可以針對補貼類型，例如所得稅抵免，既可以起到作用，有可能為人們提供額外的收入。我認為，要考慮所有這些可能性。

現在，UBI對于發展中國家來說，它可能會讓人們在能做在工作中什么方面有更大的自有。但是，在發達國家，因為支出以及它的目標并不是為人們爭取工作，所以我認為這是有挑戰性的。總的來說，我們從歷史中發現的另一個要點，也是我們希望將繼續下去的，雖然我們并不認為所有人都會完全停止工作，但是工作周已經減少了，平均來看，在過去幾十年和幾百年間的減少幅度達到了兩位數。

希望我們大家有更多的休閑時間。而且，休閑會激發新的活動，新的職業。這就是另一些我們需要做的事情。我們需要繼續創造新的活動和職業。工作周將繼續減少，至少，在可預見的未來，工作周不會減少到零的。

那么改變人口統計呢?

人口統計是件有趣的事情，包含一些強大的因素。上個月我們發布的報告中提及了這個話題。首先，每個國家的人口差異很大。對于很多國家來說，他們正在經歷著老齡化，使得這個問題進一步加劇了。我們沒有足夠的勞動力來維持我們這么多年來一直的經濟增長。我們現在比父輩甚至是祖父母那一輩生活得更好的原因，正是因為多年來的經濟增長，而這個增長有一半是來自于有更多的勞動力在工作。

德國的勞動力正在減少，日本的勞動力正在減少，擁有15億人口的中國不久也要減少了。這些國家根本沒有足夠的勞動力來支撐經濟增長。在這方面，人工智能和機器人可能會扮演一些勞動力的角色，可以填補可工作勞動力的一些空白。

也就是說，還有其他一些國家像印度、以及非洲大陸上的國家，還處于發展早期，他們的人口金字塔看起來很不一樣。我們擔心的是，如果自動化人工智能、和這些技術開始發揮作用，這些國家需要創造的工作崗位就更多了，怎么辦?例如，在印度就是這樣的，還有1.5億人是需要工作的。

我們考慮了所有額外需求的潛在驅動因素，挑選了其中7個。我們知道還有更多的因素，甚至我們的模型也是有局限性的，特別是在那些還很“年輕”的國家，這些國家仍然對經濟增長有很高的要求，在人均國內生產總值方面起步較低。因此，這會產生對人力、機器人和人工智能的大量需求。甚至在這些國家，我們看到了很多工作的潛力，很多要做的工作。

回到再培訓和教育的話題上來。我們能夠讓人們從事這些工作嗎?你是否能以某種方式部署這些技術，正如我之前所說的，人工智能和機器人技術需要在數字化旅程中作為基礎?即使是那些發展中和還很年輕的國家，也需要走上數字化旅程，以便利用其他這些技術，提高生產力的同時，為人們創造新的就業機會。

給那些知名企業組織你有怎樣的建議?

首先是投入一些時間和資源去了解這項技術和它具備的潛力。我認為一開始要了解它的潛力。然后是同樣的測試和學習方法，在數據和分析方面廣泛有效的，我認為也同樣適用于這里。

另外一點，特別是針對那些在機器學習和深度學習方面表現出色的技術。這些技術是基于訓練數據集的，我認為制定一套嚴密的數據策略是很重要的。

例如，我有機會和深度學習和機器學習方面的先驅者之一Andrew Ng交流，他談到了一些在部署人工智能方面走在前沿的企業，這些企業會花很多時間多層次地了解收集或者訪問哪些數據是很重要的，而且這樣持續了多年事件。他把獲得重要數據類比成多維度的國際象棋游戲。

現在最大的挑戰之一就是人才問題。以前是數據科學家的匱乏。到了某種程度上，我們會談及很多人工智能使用實例是分析使用實例的擴展。現在關于分析人才的挑戰也擴展到人工智能方面，所以將會有很多對人才的爭奪戰，那些深度了解這些技術的人才。

當然，這種情況也在變化，隨著越來越多的人在利用在線資源、參加課程等等。供求關系在不斷變化中。目前需求如此之高，供應相對有限。最大的挑戰之一，就是有能力的人才。