實際上,這種情況較為少見。去年,全世界3182名首席信息官(CIO)中,僅有4%表示他們已將人工智能相關的應用投入生產中,或是在未來12個月內有此計劃。首席信息官不一定了解企業中正在進行的每一個項目,但基本上這個數字的誤差不會超過它的兩倍。也許,8%的企業都已將這樣的應用投入生產中,但8%這個數字很可能是對實際情況的一種高估。
為什么會出現這種情況?
今年6月27日,Gartner發布了一項人工智能技術成熟程度的研究,為企業架構師和科技創新者提供相關見解。該研究的重點在于人工智能技術的成熟程度,而不在于人工智能領域企業的發展狀況。
從表面上看,人工智能領域在過去十年中取得了突破性的進展。不斷有新的、寶貴的機會涌現出來。在這十年中,在與人工智能有關的研究、會議、研究生項目、初創公司、風險資金、公司中的并購(M&A)活動、人工智能相關的工作發布、專利申請上,我們都取得了很大的進步。
但我們看到的只是其中的一部分,還須考慮的是:
如今,偉大的研究發現過多地涌現,使得技術空間變得混亂。在很多情況下,當下的技術突破在下一季度或第二年就會過時;
系統工程的指導方針(以及專業知識)較為缺乏;
如今的人工智能技術就像信息通信技術在1960年的發展狀況一樣,這種情況短時間內很難改變;
最糟糕的是,由于缺乏新的、使用人工智能技術的“殺手級應用”推動商務人士在這方面開展投資項目,人工智能相關的應用投入大規模生產的進程近乎處于停滯狀態。
讓我們把目光聚焦在“殺手級應用”的“真空”狀態上。
我們向IT領導者或企業管理者詢問了人工智能應用的問題,并向他們征求文字或口頭回答,回答通常會分為以下四類:
第一,決策支持/擴大化——幫助人們變得更加聰明
第二,虛擬代理——熟悉用戶的文字或發言
第三,決策自動化——任務自動化或優化
第四,智能產品——嵌入式的人工智能
這幾類(先不說第二項)和老式汽車的市場非常相似——老式汽車的想法在十九世紀已經出現,在二十世紀早期出現了對應的產品。人們在熟悉的環境下可以更好地發揮想象。
因此,我們有例如:
二十世紀九十年代初的類似商業智能化的產物(決策支持/擴大化)
以“決策自動化”為特征的任務自動化和任務優化,實際上,我們從計算機時代的開始就在這么做了
智能產品——一個已經近乎沒有實際意義的、過時的標簽
客戶對虛擬代理存在著普遍的興趣。事實上,表示在人工智能技術上進行了投資的客戶中,有三分之二提到了“面向用戶”(通常與聊天有關)的項目。但是除非縮窄這些項目的定義,這些項目要達成一定規模的難度非常大。除了幾家大型科技公司外,沒有哪家公司具備開發出一個可以回答所有人所有問題的全能聊天機器人的能力,洞察引擎(Insights Engine)在這方面比聊天機器人做得更好。而從目前的情況來看,這些大公司的產品也并不是那么完美。谷歌的Duplex、亞馬遜的Alexa Challenge中的對話可能是目前最為智能的,但企業是否會對這些項目大規模投資仍然懸而未決。
未來是難以預見的。除了聊天機器人之外,其余項目都僅是在“老式汽車”上的改進。那些能夠讓企業開創使用人工智能技術的新商業計劃的巨大突破在哪里呢?
然而,行業、廠商、分析人員、咨詢顧問乃至全世界范圍內的企業,都并不了解這些巨大突破會是什么。
這其中一部分的問題是,人工智能最適合解決的問題,可能已超出那些想找到新的“殺手級商業應用”的人的能力和經驗認知。
回到商用計算機的早期年代(二十世紀中期),企業購買計算機,運行人們已在紙上處理了數個世紀的問題。當人們知道如何在紙上進行記賬,那么將相同的邏輯應用到計算機上就相對容易了。
在如今這個人工智能技術應用開始生產的早期時代,我們無意中失去了知道我們應該如何處理一些事情的能力。研究筆記中寫道:
“我們現在能夠用深度神經網絡(DNN)為基礎的系統對照片做面部識別。人類(我們靈長類動物的祖先)已經有至少五千萬年的面部識別經驗,但總的來說,我們并沒有一套有效、系統的方法來進行面部識別。
我們只是運用人類的本能(不像科技開發者那樣),用我們神經系統中不同的、與生俱來的學習回路來進行面部識別。其中具體的過程是模糊的。一個十五個月大的孩子是如何分辨出他父親和母親的圖片的?我們并不了解。日常的人類經驗不足以讓我們建立一套實現臉部識別的技術。”
我們在缺乏這樣的見解的同時,也缺乏實際經驗以驅動對相關應用的創造或開發。擬人法可能會讓我們誤入歧途。
這些局限之外,我們仍要相信:
科學將以驚人的速度繼續進步;
人工智能技術將會被應用在更多產品中;
到2020年,人工智能技術將存在于基本上所有的新型軟件產品中;
廠商將會用這些嵌入式的技術增加并擴大其產品功能,此后企業就會因商業型人工智能的優勢進行投資,而非開發相關技術。
等待能夠帶動重大商業投資的“殺手級應用”被發現的過程中,我們將繼續以實際的、策略性的方式進行小型投資,為業務帶來實際價值。