過去十年間，中國的人工智能投資頻數不斷攀升，共累計投資額 2,827 億人民幣。
在 5G、大數據、雲計算等新興技術的賦能下，人工智能加速發展，人工智能的應用也受到各行各業的廣泛關注。
九月底，中信讀書會和微軟 AI 商學院共同打造了“AI +商業話題共讀計劃”第二場分享會。
我們邀請了——微軟全渠道事業部首席技術官徐明強先生，安永大中華區數據智能諮詢服務主管合夥人顧卿華先生，Paypal 科學數據科學部創辦人、前百度金融首席數據科學家、《AI 思維》作者丁磊老師。
結合微軟與安永聯手發佈的《大中華區人工智能成熟度調研：解碼 2020，展望數字未來》報告，一同深度探討企業在 AI 落地中遇到的難題及可行的解決策略，並對商業閉環如何形成、AI 人才升級等問題發表了看法。
以下是直播的核心內容。
想要商業落地，先要真正理解 AI
大眾和業內對 AI 的定義是不同的。
很多普通人對 AI 的理解就是自己“會跑、會動、會說話、會控制”機器人。
丁磊老師在他的新作《AI 思維》中強調，AI 它不只是一個技術、工具， AI 是一種思維方式，它能夠幫助我們有效分析大量的數據，並從中得出預測，甚至幫助我們做出決策。
AI 能為人類做什麼？
（一）人類無法勝任的工作。
1、 對人來說，很困難的分析工作。
比如醫藥領域，人類 DNA 的對數量級大（上億甚至上十億），如果要分析哪些基因會致病，基因與疾病存在什麼樣的關係，人力是沒辦法做細微的統計與分析的。
2、雖然人可以嘗試分析事物之間的相關性，但量大無法勝任。
比如在一個世界級的大型網站上做首頁個性化，網站擁有每天幾百萬、上千萬的流量和用戶，怎樣給用戶們千人千面個性化的大橫幅？
人可以做出相應規則的設定，但是我們沒法分析實時的人的複雜行為信號。在人做不到的情況下，也是特別適合機器和AI做的場景。
（二）人可以勝任的工作，但是 AI 可以更快，甚至做得更好。
例如，銀行或者保險機構需要做大量的電話溝通，AI 機器人可以按照規定跟它的用戶進行常規流程溝通，或者給用戶解釋既定的政策等等。
這種機械、重複的工作，機器可以更快、更低成本，甚至更好地完成。
AI 在企業級的商業應用中為何進展緩慢？
AI 既能創造東西，又能解放我們，但在實際運用的過程中，AI 在企業級應用中進展是相對較緩慢的，這是為什麼呢？
AI 落地階段是個知易行難的階段。
AI 項目在企業中最大的問題和坑點，其實是空降精幹團隊在公司組織架構中的定位問題。
首先，數據科學、AI 部門既不是 IT 部門，分析部門，更不是傳統意義上的業務部門，所以註定 AI 部門不能隨意融合進傳統部門。
它的建立必須要從零開始，打造全新的專業領域形象。即使有 CEO 的支持，AI 部門可能也只有 6-12 個月的時間來打造專業領域形象。
如果這段時間，AI 部門不能給公司內一或多項業務提供相應的、有效的支撐與提升，它就很難在一個成熟公司內部立足，企業內的員工會對 AI 抱有質疑。
除了人的因素，數據因素很重要。
企業需要紮實的數據基礎，如果缺少比較統一、標準化、高質量的數據，AI 應用可能會是無米之炊、無源之水。
風險和合規因素也不容忽視。
AI 讓企業開始大量依賴機器幫忙做決策。在這個過程中會帶來業務連續性、隱私保護、AI 可信度、倫理和社會的問題等，這些在 AI 落地過程中都不能忽視。
規模化也是一大難題。大多數企業的AI創新都是點狀、實驗性質、局部的創新，缺少規模化、商業化、運行態的佈局。
所以對任何 AI 業務——無論是內部項目，還是服務客戶項目而言，要想 AI 落地，門檻和挑戰都很大。
企業 AI 落地，數據治理是第一步
數據是有原罪的，如果沒有被救贖，它就沒有辦法發揮能力。
數據何罪之有呢？數據的罪，就是四個字——“自由散慢”。
“自由”就是當你靠一些服務器收集數據，會發現很多數據有問題，無法使用。
比如英國的 HealthCare 做普查，80% 的人都出生於1911年11月11日，為什麼會有這種情況？
有些被調查者不想回答一些隱私問題，他們就想輸入“00”，但系統不允許 “00” ，於是大家都輸入了“11”，所以 80% 的人生日都是隨意填寫的，這個數據是髒的。
“散”是指散落在各處。“慢”是指速度慢。
很多業務部門總有一種誤解，覺得問數據團隊要數據，電腦很快就可以跑出來。但很多情況下，有些數據用時一個月都未必能出，非常地慢。
想要把數據真正做好，需要很多工具支持。
比如怎麼樣從原數據裡把數據抽取出來，還有如何把髒的數據做好等等。
只有這樣才能得到較好的結構化數據，讓數據科學家能夠在此基礎上做一些實質性挖掘，做好模型。
所以，企業要想實現 AI 落地，必須把數據治理首先畫在自己的路線圖上。
如果忽略了這些工作，AI 的根源就是錯的，那麼 AI 落地也就無從談起了。
AI 該如何落地，並實現閉環？
企業到底該如何順利實現 AI 落地呢？AI 成熟度調研報告中提出了一個 3+4+8 的落地方法論。
“3”是指總體上分三步走。
【1】要精細的瞭解企業目前對 AI 應用的現狀。
【2】 要明確未來應用的場景和方向。
【3】 落地和持續變革的管理。在過程中，總體原則還是企業要量力而行與循序漸進。
“4”是指四個價值創造的領域。這裡有一個大原則，就是要從企業的優勢領域裡來著手先應用這些新興科技。
“8”是指八項核心力，包括 AI 領導力、創新管理能力、應用場景的識別和選擇能力、數據的管理與高級分析能力，以及新興技術選擇的判斷力、迅捷開發水平、信息與網絡安全狀況。
白皮書中還提供一個在線的AI成熟度評估工具，由微軟跟安永共同研發，可以幫助企業做快速的診斷和評估，看看自己在AI應用成熟度方面的優勢和差距到底在哪，根據所處階段提供合適的工具。
如何解決 AI 落地的人才問題？
在 AI 落地過程中，企業儲備相關人才很重要。
國內很多企業或一些偏傳統的企業雖然沒有這麼多高級數據或者 AI 人才的儲備，但並不缺乏能夠進行 AI 基礎落地的技術人才。
尤其在深度學習得到廣泛推廣和普及的當下，博士生、碩士生甚至很多本科生都可以用 Python 工具包來建立模型。
那麼，我們缺什麼？缺的是具備 AI 思維、真正地懂 AI 的語言的人。
其實大部分的企業場景下，都是工程師、科學家講一套語言，而業務負責人講另外一套語言，相互之間沒有一個很好地交流的通道。這種狀態下，AI 是沒辦法落地的。
所以，AI 落地中關鍵需要加大對企業老闆或者業務負責人，甚至包括部分一線業務負責人在 AI 思維上的提升和教育。
當這些人真正地理解這樣一個框架和 AI 數據思維的閉環邏輯的話，再進行 AI 落地就會順利很多。
構建學習型組織也很重要。
一個學習型組織，它會自上而下的，從最高層開始重視學習和知識資產的積累，重視不斷的企業和員工的自我提升與改造。在這樣一種氛圍下，會有更好的土壤和氛圍接納AI和其它的一些創新的新興科技。
這點不論是對企業，還是個人的思維模式的轉變而言，都有一定的借鑑和啟發意義。
