帶你讀《創新之巅： 未來十年重構商業的六大戰略性技術》第一章未來十年重構商業的 六大技術1.2AI可以做什麼（二）

探索和發現

紐約警察局（NYPD）利用基于 AI的搜尋工具 PATTERNIZR分析犯罪模式。僅在 2018年一年，紐約就有超過 68000宗搶劫、盜竊和入室行竊案件發生，對此NYPD将采用所有它們能夠獲得的幫助。PATTERNIZR—在2016年12月已經開始啟用，但是在 2019年初才初次向公衆披露—被用于尋找跨分區的犯罪模式。PATTERNIZR解放了人類分析師，讓其聚焦于更複雜的分析任務。就像一個真正的人類分析師，PATTERNIZR對入室方式、所偷物件類型、犯罪之間距離等因素進行比較。為了消除種族偏見，PATTERNIZR沒有将嫌疑犯的種族資訊置于系統内。PATTERNIZR已經被證明是有用的。比如，AI發現了跨分區犯罪之間的聯系，這是以前從未進行辨別的聯系。在兩起案件中，一個人利用注射器進行威脅去偷鑽頭。在AI判定的其他兩個案例中，也存在在搶劫中利用注射器作為威脅的行為。NYPD利用資訊将嫌疑犯定位并實施逮捕，最終嫌疑犯承認犯下了偷竊罪和毆打罪。

AI的預測能力對于研究人員來說是一種強大的工具。材料科學家利用AI預測可能具備所需實體屬性的材料結構，可能會發現新的合金和化合物。AI指導的研究可能導緻新型神奇材料的發現和合成，比如室溫超導體和高效能電池電解質，這些材料将改變能源部門并幫助應對氣候挑戰。就像我們在本書第10章總結的，制藥公司使用AI幫助發現新藥。預測型 AI可以幫助我們發現有效的治療藥物以改善人類的健康狀況。AI還能如何促進你們公司的研究工作呢？

更明智的決策制訂

商業分析提煉資料以提供各種各樣的嶄新洞察。一些人使用統計技術，一些人使用啟發法，還有一些人利用AI的力量發現資料間的關聯關系，抽取洞察并進行推薦。智能決策支援系統利用這種分析方式支撐資料驅動的決策制訂。比如，信用報告機構益博睿（Experian）和包括美國運通在内的信用卡公司利用機器學習，通過處理   TB   級的消費者資料提升信用卡審批的速度和準确性。一些客戶關系管理（CRM）平台利用 AI對潛在客戶的優先級進行智能排序。此外，AI也可用于指導招聘決策、開銷決策、投資決策、購買決策、營銷決策、設計決策、工程決策等。

抵押貸款公司利用 AI評估貸款風險并指導放貸決策。放貸人利用建立于曆史資料上的風險模型，制訂莎士比亞式的決策“放貸，還是不放”。一個放貸者利用有關潛在借貸者的10～15個資料點對其進行風險評估：薪酬、信用得分、債務收入比等。根據這個評估，放貸者要麼放貸，要麼不放貸。有限的資料無法全面反映一個人償還貸款的能力，一個人不僅僅隻擁有 10～15個資料點。放貸者利用有限的資料集限制了其複雜性，并降低了他們的工作負荷。一個放貸 AI會考慮有關一個人的數百個資料點、發現複雜的關聯關系，以對一個潛在借貸者建立一個更細緻的畫像。美國金融科技公司宣稱它們的放貸 AI發現了一群低風險的貸款候選人，這群人由傳統放貸方法評估時卻不合格。對于抵押貸款公司的利好是：它們提供更多貸款，風險卻沒有增加。

預測未來

AI為我們提供了一個預言未來的方法。将AI應用于曆史資料時，它發現的模式和關聯關系使得它可以對未來做出更準确的預測。AI可用于預測疾病爆發、評估保險精算風險和預測電網的未來需求。Atidot、Quantemplate 和 AnalyzeRe都是利用 AI進行保險風險預測的公司。

AI也被執法機構用來預測犯罪。PredPol是洛杉矶警察局（LAPD）與加州大學洛杉矶分校（UCLA）合作開發的系統。PredPol預測嚴重犯罪将最有可能在何時何地發生。開發PredPol的科學家宣稱這個系統的準确率是人類分析師的兩倍。然而，這個系統隻能預測未來犯罪發生的位置，而不能預測犯人的身份。距離 PhilipK. Dick的《少數派報告》所描述的預防犯罪（precrime）概念，我們仍有很長的路要走。

當大多數企業都需要進行預估或預測時，AI   還隻是觸及了這個空間的表面。

AI将助力企業規劃系統的各個方面：需求預估、風險分析、設計趨勢等。

利用超級傳感器，通過新的鏡頭觀看這個世界

傳感器，經AI增強配置建立為“超級傳感器”，将揭開世界的面紗、擴充我們現在的五官，而使我們可以更全面地感覺這個世界。就像之前的顯微鏡一樣，AI給了我們觀察世界的新鏡頭。利用這個鏡頭可以體驗世界的全部複雜性和美麗。超級傳感器還将監督業務營運、監測裝置運作、建立新的産品，并為我們提供一個有關人的更全面的視圖。

超級傳感器的一個早期激動人心的例子來自 DinaKatabi博士的成果，她是MIT（麻省理工學院）計算機科學和人工智能實驗室（CSAIL）的教授和研究負責人。Katabi的團隊已經建立了一個超級傳感器。為這個特别的故事增添樂趣的是，它以《星球大戰》開始，以《星際迷航》結束。當還是個孩子時，Katabi就着迷于《星球大戰》電影中“原力”的概念。她的着迷一直堅持到成年。在《星     球大戰》中，奧比萬·克諾比描述了一種神秘的力量，它“圍繞着我們，滲透着    我們，并将銀河系捆綁在一起。”當 Katabi思考“原力”這個科幻概念時，她意識到一種圍繞着我們的真正的力—電磁能。當你上下揮舞你的手臂時，你就    在對這個力制造幹擾。Katabi很想知道對電磁能的感覺能否讓她以一種新的方式了解這個世界。Katabi的研究團隊建立了一種壁挂式傳感器，并将其安裝在房間裡。傳感器以類似于 Wi-Fi熱點的工作模式發送和接收射頻（RF）信号。RF信号可以穿透牆，但是碰到人就會反彈。傳感器采集反射的 RF信号并将資料輸入神經網絡，以對反射信号的資料含義進行了解。

為了訓練 AI，Katabi博士的團隊拍攝了人在房間裡四處走動的視訊。将視訊和 RF傳感器資料作為并行資訊輸入AI。AI發現了 RF傳感器資料和視訊圖像之間複雜的關聯關系，并最終将兩者進行關聯，AI僅僅通過 RF傳感器資料就能夠判定房間裡在發生什麼，并且可以記錄一個人站立、坐下或躺着的時間。因為RF信号可以穿透大多數牆，AI可以透過牆“看”，也能在黑暗中“看”。Kata- bi很驚喜，她計劃利用傳感器監測接受治療的老年病人。當病人跌倒并且呼叫幫助時，傳感器能立即監測到。令人難以置信的是，傳感器還能監測生命體征—病人的呼吸和心率，以及他們的睡眠狀态—清醒、淺睡、深睡和快速眼動睡眠。如果你了解一個人的睡眠有多好，你也就能大緻了解到他的健康情況。深度睡眠障礙可能預示着抑郁和焦慮。快速眼動睡眠障礙可能預示着阿爾茨海默症。阿爾茨海默症可以從重複的行動模式和動作中被預測，傳感器對這些也都可以進行監測。此外，一個人的步态變化可能預示着帕金森症的發展。

通過将 AI應用于低成本、壁挂式的RF傳感器，我們可以監測生命體征、睡眠狀态、跌倒，并對包括阿爾茨海默症、COPD（慢性阻塞性肺疾病）、帕金森症和抑郁症的症狀發展提供臨床洞察。所有這些都無須在病人身上纏繞任何電線。系統運作無須使用錄影機，這解決了隐私問題。病人監測需要經過他們的同意，知道視訊、圖檔資訊不會被收集令他們感到放心。傳感器幫助臨床醫生“看到”大量的豐富資訊，這些資訊全部都通過無線采集。我們從《星球大戰》開始這個故事，并用《星際迷航》的病床來結束這個故事。

超級傳感器還能揭示出更多關于世界的資訊。谷歌的“ProjectSoli”技術利用短程雷達信号和機器學習監測手指輕微的手勢。這種技術将移動裝置和可穿戴裝置上的滑動條、按鈕和轉盤改變成為虛拟控制。在本書有關未來健康護理的第10章，對于超級傳感器将有更多、更詳細的闡述。未來我們還會建立什麼樣的超級傳感器？你的企業将建立什麼樣的超級傳感器？

從經驗中學習解決複雜問題

一些挑戰—通過多種變量優化系統，或者通過程式設計讓機器人用兩條腿走路—要是通過傳統計算機進行處理，太過困難、太過複雜，也太過費力。而 AI利用被稱為強化學習的技術解決這些棘手問題。

強化學習是機器學習的一個分支，數字獎懲系統是其訓練過程的構成部分。強化學習系統通過一個反複的實驗過程來解決從前過于棘手的問題：AI通過智能形式的試錯，嘗試大量政策并學習解決問題的最佳方式。這就像是利用數字進化一樣。

強化學習教會計算機執行複雜的優化、控制複雜的裝置，以及把遊戲玩到最好。2018年，研究人員訓練一個 AI玩經典的世嘉遊戲機遊戲：刺猬索尼克。索尼克有兩種簡單的控制：跑和跳。AI則被訓練将視訊遊戲顯示作為輸入，遊戲控制作為輸出。在強化學習中，AI有一個被稱為獎勵功能的額外輸入。當AI進行訓練時，它試圖優化獎勵功能。遊戲點可以增加獎勵，而如果索尼克丢掉一條命則獎勵大幅減少。一開始，AI玩得很糟糕。後來過了一段時間，AI優化它的模型，在最恰當的時刻跑和跳，得到了最高分，并且還讓可愛的藍色刺猬一直活着。AI不是基于簡單的時間進行學習，它從螢幕上所發生的事情中進行學習，是以它可以達到它以前未曾見到過的遊戲等級。

強化學習最常被引用的例子是 DeepMind的 AlphaGo系統。DeepMind是 Al-

phabe（t  谷歌母公司）的子公司，建立了AlphaGo去玩中國古老的遊戲—圍棋。

赢棋政策非常不透明，就連大師也總是不能說清楚他們為什麼選擇所做出的移子—他們說這些移子隻是“覺得對”。圍棋棋盤上棋子配置的可能性多過宇宙中的原子數量。要建立出能夠了解這種複雜遊戲中細微差别和微妙政策的機器，是一項巨大挑戰。

AlphaGo并沒學習過遊戲政策，它通過對很多場人類對人類的遊戲開發出自己的政策。在 2016年 3月，AlphaGo與得過 18次世界冠軍，也是世界上最好的

（人類）圍棋手李世石下棋。AlphaGo以四比一打敗了李世石。為了赢棋，Al-phaGo開發了幾種新政策，這些政策與幾百年來專業圍棋手公認的智慧相悖。通過觀察AlphaGo的政策，人類圍棋手也完善了他們的棋法。

這個故事提供了重要的一課。與其想着把AI當作人類的一個威脅，不如把

AI想象成複雜的合作夥伴，它提升人類的技能并最終推動人類向前飛躍。

2017年，DeepMind的另一個機器 AlphaGoZero在模拟環境中與自己下了數百萬盤棋，終于成為圍棋大師。它通過實戰而非通過觀察人類下棋進行圍棋政策的開發。AlphaGoZero現在已經能夠打敗最初的AlphaGo機器，讓所有人類圍棋大師甘拜下風。

強化學習不僅僅應用于遊戲。華沙大學的研究人員使用強化學習訓練兩足機器人更高效地行走。控制機器人的   AI   利用不同的步行政策改變了由機器人的發動機和實驗産生的運動組合。因為提高了整體效率并加快了步伐，控制機器人的AI獲得了獎勵。通過這個方法，機器人專家為其機器人實作了更高效、更自然的步行運動。一個機器人學會了新的政策，行走的速度幾乎是原有設定政策行走速度的兩倍。

AI從經驗中學習的能力可用于解決很多商業問題，包括複雜的優化問題。AI可以優化交通控制系統、工業化學反應、廣告投标、工業自動化、供應鍊流程、産品設計、倉儲運作、庫存水準、投資收益、貿易政策、風力渦輪控制、藥物劑量、智能電網以及商業HVAC（空調）系統。強化學習還教會 AI駕駛汽車，如同人類一樣，AI通過練習學會駕駛。它們不僅在現實環境中駕駛真正的汽車，也在逼真的軟體模拟環境中行駛數百萬英裡路程。在某種程度上，特斯拉的 AI是從車主親自駕駛中所采集的傳感器資料中學習如何駕駛的。

創作和合作創作内容

計算機現在具備想象的能力。人工智能能夠創作音樂、美術作品，甚至還能寫詩。AI還能與人類一道合作創作内容：與藝術家、設計師和工程師形成數字智能合作關系。

大多數 AI創作内容使用的是一種名為生成式對抗網絡（GAN）的新方法。最早的 GAN在 2014年由 IanGoodfellow建立，後來他成為蒙特利爾大學的研究人員，現在 GAN是谷歌大腦項目的組成部分。GAN将兩部分 AI關聯在一個強化學習的複雜版本中，每個AI都在互相訓練對方。AI運作在一個對抗性的情境中：每一個 AI都試圖抓住對方的錯誤。它工作的情形是這樣的，一個AI進行内容創作，而另一個 AI則發現虛假的 /生成的内容。可以把這些 AI想象成僞造者和藝術偵探。偵探，也被稱為鑒别式    AI，最初是用很多現實世界的“好的”資料

（真正的内容）對它進行訓練。僞造者，也被稱為生成式 AI，試圖通過創作高品質的、逼真的内容來蒙混鑒别式 AI。最開始，生成式 AI創作的内容非常糟糕，鑒别式 AI很容易就能認出它是“假的”。但是生成式 AI的能力逐漸提升，直到最後鑒别式 AI發現很難認出哪些是生成的内容。經過一段時間，每個AI對于所配置設定任務都能更好地完成。雖然兩個 AI之間的關系是對抗性的，但是真正的結果卻是鑒别式 AI充當生成式 AI的教練，而生成式 AI同時也充當着鑒别式AI的教練。最終，生成式 AI創作出令人難以置信的、高品質的内容：圖檔、視訊、談話、音樂、散文、法律合同以及工程設計。

GAN的潛力巨大，它們将大大改變我們工作的方式。在接下來的十年裡，很多閱讀本書的人未來可能将與基于GAN的 AI成為夥伴，共同創作内容，并在一些商業任務中進行合作。

雖然生成式 AI存在一些令人擔憂的缺點—最突出的是深度僞造—很多應用還是展現了令人難以置信的潛力。如今有關具備想象力的機器最強有力的例子是生成式設計，這是由工程設計公司Autodesk設計的。生成式設計在工程和建築設計中應用廣泛。我們會在本書第 14章和第 15章進一步探讨這些應用。生成式設計利用 GAN的想象力和内容創作能力，由一個原始設計生成成百上千種備選設計方案。設計者指定限制條件—規模、重量、成本等—生成各種方案，并用模拟工具對各個方案進行評估。設計者隻需挑選出最符合他們需求的那一個方案—可能是制作起來最便宜的、最容易生産的，或者是重量最輕的。

生成式AI可以幫助設計更耐撞擊的、重量更輕的飛機、汽車，以及更強壯、更輕便的機器人。生成式AI将完善新型建築的結構和設計。

GAN甚至被用于對牙冠的自動化設計。加州大學伯克利分校與 GlidewellDental實驗室的研究人員合作，利用 GAN進行牙冠設計。AI利用病人上下颚的數字 X射線，設計出完美填補病人牙齒縫隙的牙冠，優化咬合接觸，并且看起來非常美觀。研究人員宣稱AI生成的牙冠超越了由人類設計的牙冠。這種方法應該可以加速牙冠制造、降低成本，并解放牙醫，使他們可以投入更多時間在病人的口腔進而産生更多收益，而不是花更多時間在背景的 CAD機器上設計牙冠。

生成式 AI是更廣泛 AI類别的一個範例，我稱之為協同式AI。協同式 AI在創作過程中與人類共同協作。人類對工具的使用，将人類與絕大多數物種差別開來。傳統的工具屬于從屬地位—我們使用一個斧子、駕駛一輛車和編制一個計算機程式。協同式 AI改變了我們與工具的關系。它們不再附屬于我們，它們如今與我們共同創作。協同式AI不再僅僅是工具，它們更是合作夥伴。協同式 AI将為示範、廣告和營銷手冊創作出視覺化作品。協同式電子郵件軟體将自動生成回複。協同式管理軟體将為複雜項目自動制訂計劃。在未來，很多工作都将受益于協同式 AI。

AI應用的未來

在一個快速變化的領域，除了之前所列出的八大應用類别之外，新的應用類别一定會繼續推陳出新。最近才建立出來的GAN技術已經成為這幾個應用類别的中心。随着研究對除深度學習之外的技術（如因果 AI、常識 AI、膠囊式 AI等）的擁抱，人工智能将能解決更多的商業問題。

AI舉足輕重，每位上司者都應該密切關注，每個企業都必須了解AI将如何重構産品開發、業務營運、客戶服務和勞動力管理。