从AI思维到商业落地的最后一公里，企业需要厘清

过去十年间，中国的人工智能投资频数不断攀升，共累计投资额2,827亿人民币。在、、等新兴技术的赋能下，人工智能加速发展，人工智能的应用也受到各行各业的广泛关注。

《微软AI商学院》是一档针对企业的管理者，业务线的伙伴们打造的大咖对话栏目，本期邀请三位重磅嘉宾，根据微软与安永联手发布的《大中华区人工智能成熟度调研解码2020，展望数字未来》报告，为企业剖析AI落地的实际问题与行业案例分享，帮助企业自评并正确的实现自身AI转型落地。

这三位嘉宾分别是

来自科学研究界代表丁磊老师，是中国数据科学50人、人工智能首席科学家、哥伦比亚大学博士后，前百度金融首席数据科学家; 也有丰富实战经验Paypal科学数据科学部负责人。

来自应用实践界的徐明强博士，负责微软大中华区合作伙伴解决方案策略技术策划工作。

来自咨询界的顾卿华老师，他是安永管理咨询的服务合伙人，负责领导安永大中华区智能咨询，数字化与新兴业务的咨询服务。

连线画面截图

第一个问题AI是什么？

关键词思维方式、替代性、学习性、硅基智能

丁磊从宏观观念的树立来讲，AI是一种方法，一种思维方式。它能够帮助我们有效分析、运用大量数据，并从中提取价值，甚至帮助我们做出决策。一旦掌握了这个思维方法，在我看来你就具有了AI思维，后面可能才会详细聊AI落地的事。这就是我用一句话对AI的认知。

《AI思维》作者丁磊 中信出版社2020年出版

顾卿华业内和大众对AI都有不同的定义。在商业背景下，我个人理解AI有两个比较重要的特点

一是替代性的特点。AI最终还是会代替一部分的人类的活动，包括在处理的规模、效率、准确性、可靠性等方面，都在局部会优于人类。

二是学习性的特点。AI最终还是会靠不断收集信息，不断积累、生产知识，不断自我学习迭代这个学习过程，去自适应外部的环境。

以这两个特性为核心，跟它相关的软件、硬件、算法、人类的知识和经验结合在一起，这是我对AI的理解。

徐明强人类是碳基的生命，AI是硅基的智能。无论从生产关系、认知和决策上，硅基智能和碳基生命是互补的关系。

第二个问题AI对企业的真正价值是什么？

关键词降本增效、流程数字化、应用场景

虽然AI技术的发展已经有60多年历史，但它近年来才频繁出现在企业和个人生活的场景中。具体到企业场景来看，其背后的价值和驱动点是什么？

第一部分，流程数字化。真正在做数字化转型、把AI应用好的公司，是在云上资源用量上去了，实现了流程数字化。

当下，企业最关键的业务模式、运营模式都遭遇了一定的瓶颈。以运营模式为例，规模化效应已经到了瓶颈，无论是成本还是开销，总有一个平衡点，企业不得不从流程路径上来查找瓶颈所在。因为人类的视觉、听觉、语言理解能力有局限和偏差，导致很多标准化流程发生问题。正AI在视觉、听觉、语义理解上有相当大的突破，可以在一定程度上取代重复繁杂的劳动。这就意味着当公司业务增大时，企业不需要通过要多招人来提升产能。

一部分，如果一个公司实现了流程数字化，那么它们就是真正在用数据做，并由此来帮助后端不断地优化整个流程。

这些公司，在关键路径上排除了人为干扰因素，实现了前所未有的可扩展性和学习、更新能力。这些都是企业想要进一步发展，提高运营效率的必经之路。

丁磊AI惠及普通大众及产业新落地方向离不开四个要素的紧密结合数据、模型、算力、应用场景。

一是数据，没有数据没办法进行AI的应用。

二是模型，AI模型类似于人脑的结构，它可以是一个程序，起的作用类似于人脑某一方面的功能。

三是算力，现在无论是传统CPU架构，还是GPU架构，包括其它混合式的架构，都越来越成熟。算力支撑着数据和模型的运算。

四是业务模式，没有业务模式就不可能有AI落地。比如互联网金融，我们可以在线申请贷款，这在20年前完全不存在，也没有办法运用到AI成果。正因为有了业务模式在不停地创新、迭代，对AI的应用也提出了越来越大的需求。

顾清华近期，微软跟安永一起调研并编写的“AI成熟度白皮书”将很快面世。这个调研覆盖两岸三地116家企业的高管，包含他们众多经验、洞察、观点；也覆盖很多的行业，譬如制造业、能源、信息科技、金融服务、医疗、零售等等。

我们可以从这个调研中看看企业是怎么重视和投资AI的。回顾过去十年（2009-2019年），调研对象投资在AI项目上的资金大概近2800亿。我们调研的所有企业和高管中，超过70%的企业相信在未来的3-5年中，AI会改变他们的行业，给行业带来重大影响。超过84%的企业相信，也准备在未来1-3年里启动下一个AI项目。大家都再认识到了AI的价值，也都在针对AI进行投资和建设。

从外因角度来讲，数字化转型是大趋势，国家层面、企业层面都在做推动。数字化转型跟企业的生产力、创新能力、抗风险能力，跟产业的基础能力、产业链现代化水平都有关系，而AI是数字化转型中很重要的依赖点之一。企业要投资一项新兴科技，外因会推动其要顺势而为。

从内因角度来讲，我们通过调研看到很多企业有包袱，它们可能有很大的内部系统，包括组织机制等，积累了很多包袱需要去转变。，企业也拥有大量数据，并具备很高的汇集数据能力，但它们其实没有对些数据充分地挖掘。并且，其很多业务也大量依赖信息化。所以，业务同技术的边界变得越来越模糊，跨学科、跨专业的工作和任务会越来越多的出现。，仅凭个人或者单个专家来解决问题，会显得力不从心。

所以在这样一个过程当中，企业就需要一些新兴的技术，比如AI，来帮助他们做变革和创新。现在环境基本已经就绪，企业也已经慢慢开始从了解、尝试、试验阶段，转入做比较成熟的应用和规模化发展阶段。

第三个问题AI的应用场景有哪些？

关键词数据、相关性分析、风险决策、赋能工具

丁磊第一种是人类无法胜任的工作。数据过于复杂导致相关性解读很困难的工作，适合AI解决。比如医药领域的基因分析，以及药物抗原跟免疫活动关系的统计和分析。规则并不复杂，但数据量特别庞大时，也适合AI来解决。比如给大型网站做首页个性化推荐。人可以做出相应规则的设定，没法分析用户的实时复杂行为信号。

第二种是人可以胜任的工作，AI可以更快，甚至某些情况下更好。例如银行或保险机构的电话沟通，AI可以完成的更快、更低成本，也更合规。

顾卿华举一个典型案例，它有比较完整的AI技术、业务场景和实际价值，也在不断演进和迭代。我们最近完成一个项目，是帮一家客户做风险决策引擎。这家客户每天面临上千万笔的交易，这个引擎要做的事情就是识别、判断其中有风险的、伪造的、欺诈的交易。这个过程中就用到了包括、等一部分AI技术。

从替代性来讲，这项工作原先需要200多人力，甚至200多人力可能都做不好。但AI自动地、更准确和可靠地把其完成了。

从学习性来讲，该引擎会逐步更新和迭代算法，让其慢慢从事后研判，变成事前的预测和拦截。

从经济性来讲，它也具有业务性价值，每年给这家企业挽回上千万的经济损失。

徐明强 AI可以对用户日常使用的各种工具进行赋能。Excel是职场人必备的技能，“表哥”“表妹”们都希望具备超人的洞察力，用什么样的数据，选取什么样的表现方式，可以准确、清晰的得出结论。这些都需要一定的数据处理经验。

在新版Excel中，可以把这些数据做预处理和分析，相当于Excel可以把数据分析师的经验提供、推荐给用户，比如数据需要用到趋势图，这怎么呈现，光是一个很无聊的柱状图吗？AI分析发现有时候一些数据大部分是集群在一起的，而有两个数据是在边上，这时候最好用的是Outliner来表示，AI会建议你用不同的颜色来标注那些数据，这样即使是个不会写公式的小白，也可以通过AI的推荐来完成非常有洞察力的报表，足够让你的老板刮目相看。这就是AI在Excel中的应用。PPT也有实时翻译和设计的功能。

第四个问题AI转型有哪些坑点？

关键词决策者支持、增量价值、技术人才

顾卿华AI落地阶段确实是个知易行难的阶段，我们从“AI熟悉度白皮书”中的所调研的各位企业高管的反馈里也能看到。

第一，人的因素。企业管理者认为“AI落地中最有挑战内容”TOP10中，三项跟人有关，包括管理层、决策者的支持和意识，AI技术人才的缺失，员工对AI技术的信任。这是非常有代表性的，体现出领导者对企业宏观业务方向的把握，对AI技术本身设计和落地的把握，以及在员工中构建信任和拥抱变化的文化也非常重要。

第二，数据的因素。企业需要扎实的数据基础，如果缺少比较统一、标准化、高质量的数据，AI应用可能会是无米之炊、无源之水。我们看到很多企业在重复、反复、持续地做数据方面的治理，包括数据质量提升、数据平台建设、数据应用构建，这些都是为了给后面AI应用奠定一个好基矗

第三，不容忽视的还有风险与合规因素。AI让企业把很多业务转移至自动化平台，企业开始大量依赖机器帮忙做决策。在这个过程中会带来业务连续性、隐私保护、AI可信度、伦理和社会的问题等，这些在AI落地过程中都不能忽视。

第四，所有的创新都会落到规模化问题上，而大多数AI创新可能都是点状、实验性质、局部地创新，其非规模化、商业化、运行态的业务创新。这个时候领导者对业务策略的把握和选择、对应用场景的把控，包括对未来运营模式的设计，就是非常重要的先决条件，不能把AI仅仅当做基础性的项目来做。

，大家可以在白皮书中看到企业高管们对AI落地过程遇到的挑战的一些观点。

丁磊从PayPal早年AI落地项目的实践经验来看，组织架构对AI落地有重要的影响。数字化转型一定是一把手工程，是CEO亲自抓的。所谓的智能化，AI转型也一定是CEO抓的工程。

我在PayPal负责消费者部门的AI平台搭建，此前PayPal曾经尝试过二、三次，但都失败了。失败原因各种各样，可能是没有满足业务需求，也可能是没有在公司内部很快树立起AI部门的重要性……随着公司不断的调整组织架构，AI部门很快淡出。

AI部门不是IT部门，也不是分析部门。IT部门关注的是系统的可靠性与数据的质量，它不关注数据怎么变现和产生价值。很多大型公司早就配备专门的分析师团队AI部门也不是传统意义上的分析部门。

那么，要怎么证明AI部门有更强更大的价值？AI部门不但要把数据分析好，还要从数据中提取之前没有提取到的价值。，做AI的难点肯定不仅仅是进行粗略的PoC（注Prove of Concept，即概念验证，其目标是测试项目是否值得花时间在其中，如果通过概念验证，意味着项目可进入正式生产、商业化应用阶段）就能够完成落地了。它要求我们在已经不低的基线之上，证明还能够有相应的提升。

AI部门也不是完全意义上的业务部门，它并不背业务KPI。但如果AI部门不能给公司内一或多项业务提供相应的、有效的支撑与提升的话，它也无法再一个成熟公司内部立足。

在硅谷的大型公司，比如市值已达两三千亿美金的PayPal内部，找到AI部门的定位其实也非常困难。所以在组织结构上，AI部门要得到CEO的支持。但CEO给AI部门负责人的容忍期可能也只有6-12个月，在这个时间内，你必须找到并创造出公司已有部门业务之外，额外的、有差额的增量价值。

第五个问题如何重新定义数据智能？

关键词数据原罪、数据治理

徐明强很多数据团队是看着蛋糕上面的樱桃，却忘了如果没有这个蛋糕，其实樱桃也没有存在的意义。

樱桃是什么？数据团队说我们得把很多实时的Dashboard（注仪表盘）做出来，这类数据团队dashboard people。还有一些数据团队说致力于做出更好地决策支持模型，结果发现真正的问题是数据治理问题。

数据是有原罪的，就是四个字“自由散慢”。

“自由”是指很多第三方数据，在没搞清楚其阈或属性的情况下，就敢直接使用。还有，“自由”就是当你人为靠一些服务器收集数据，发现返回的数据是很有问题的。比如英国的HealthCare做普查，结果显示80%的人都出生于1911年11月11日，为什么会出现这种情况？后来发觉，原来是当被调查者不想回答一些非常隐私的问题时，他们就想输入“00”，但系统不允许输入“00”，于是大家都会输入“11”，所以80%的人都在1911年11月11日出生，这个数据是脏的。

“散”是指散落在各处。“慢”是指速度慢。当很多业务部门问数据团队要数据时，往往是需要一个报表。其实他们前一天就想用，但出于不好意思，就会说能不能周末给我们。这种情况，如果没有SAP数据库升级的话，数据科学家的回答可能是该数据用时一个月都未必能出，会非常地慢。

所以，想要把数据真正做好，需要很多工具支持。比如怎么样从原数据里把数据抽取出来，还有如何把脏的数据做好，等等。只有这样才能得到较好的结构化数据，让数据科学家能够在此基础上做一些实质性挖掘，做好模型。所以，企业必须把数据治理画在自己的路线图上。

丁磊徐博的“自由散慢”四个字，的特别到位，恰如其分。

从“自由散慢”出发，这些工作无论是数据科学家亲自操作，还是跟别的团队一起来做，其实大部分工作都是数据清理。大家可能觉得AI团队或者AI服务商的大部分工作就是做AI模型，但这些其实只是很小的一部分工作。我觉得这些很落地、很具体的工作是好事，如果忽略了这些工作，AI的根源就是错的，那么AI落地也就无从谈起了。

第六个问题如何从AI落地到实现商业闭环？

关键词“3+4+8”方法论、供应商合作

顾卿华第一，AI战略的落地思路。我们把它宏观、初步地概括成3+4+8。

“3”是指总体上分三步走。，要精细的了解企业目前对AI应用的现状。，要明确未来应用的场景和方向。第三是落地和持续变革的管理。在过程中，总体原则还是企业要量力而行与循序渐进。

“4”是指四个价值创造的领域。在《AI成熟度白皮书》中也有阐述，从客户的维度，吸引客户，到赋能员工，到变革产品和服务，到优化运营。但这可能会因各企业自己业务的成熟度而异，大家可以挑选优先应用这些新兴科技的领域。这里也有一个大原则，就是要从企业的优势领域里来着手先应用这些新兴科技。

“8”是指八项核心能力。在进行AI落地的时候，有八个比较重要的组织能力，需要构建和优化。这要从整个AI领导力开始，到企业的创新管理，到应用场景的识别和选择，到数据的管理，到数据部分的高级分析的技术，到新兴技术的选择，到敏捷开发，到信息与网络的安全。

这其实是个自上而下的体系，它从最顶端的、整体的、战略层面的把握开始，到我们为建立机制孵化所做的所有的创新，到我们刚才说的到底AI的业务价值场景。企业在选择新兴技术时，是怎么在众多AI技术应用中选择到合适的应用，并将其用到场景里。而敏捷开发是用一种比较快捷的、便捷的、迭代的模式去落地所有的AI技术。，有信息和网络安全的机制，为所有的变革保驾护航。

白皮书中还提供一个在线的AI成熟度评估工具，由微软跟安永共同研发的。帮助企业做快速的诊断和评估，看看自己在AI应用成熟度方面的优势和差距到底在哪。

徐明强天下难事，从易处着手。

，我建议大家从一些业务的场景出发，看看哪些问题是最需要解决的。像很多大型公司，包括微软、安永等等，把工业重要的场景都分了类，比如在零售行业，微软就在打造更智能的供应链，以期更好地了解客户……我们按照不同的场景建立了相应的生态。微软会跟合作伙伴一起，比如安永，为客户的特殊场景打造专属的路线图。

，当企业开始选择AI落地工具的时候，我也建议大家多做“调包侠”。很多东西不用自己从头搭神经元网络，选择一些好的认知服务的API，直接使用即可。

那么，在选择技术支持时，很多企业并没有数据科学家，业务该怎么开展呢？其实自动技术现在已经具备，企业可以在不懂模型，不懂参数优化，甚至不知道怎么样来清洗数据的情况下，利用自动的API来帮助挑选模型，调整参数。甚至输入数据都可以是脏的，它也可以帮你把输数据清洗干净。

有一个做零售快消品的客户，他们遇到的问题是，在快消品都是大量制造、批发和铺货的行业现状下，挑战怎样做柔性生产，这是有相当难度的。

现在的年轻一代的喜好不同于父母辈，他们喜欢具备综合功能的产品，比如洗面奶中加入玻尿酸等等。这种需求过去是没有办法能做到，但有这样的柔性工厂，可以做到货品从工厂直接连接到店面，这个模式叫M2C。这中间需要做的数据工作是非常多的，需要真正要把客户画像做好。

所以，这个客户选择了微软的合作伙伴来提供解决方案，主要做两个事情一是用户画像。二是帮它做供应链，解决仓储优化等问题。跟微软生态合作就有这样的好处，我们事先筛选出真正能够解决问题的供应商，为客户节省了很多时间。

第七个问题如何解决AI落地的人才问题？

关键词一把手思维、学习型组织、成长型心智

丁磊国内很多企业或一些偏传统的企业虽然没有这么多高级数据或者AI人才的储备，但国内并不缺乏能够进行AI基础落地的技术人才。尤其在深度学习得到广泛推广和普及的当下，博士生就不用说了，硕士生甚至很多本科生都可以用Python工具包来建立模型。我觉得基础的技术能力，我们是具备的，并且量也很多。

那么，我们缺什么？缺的是公司的一把手们是否真正地具备AI思维。他要求一把手能在多层面，具备够构思面向AI落地的数据应用的反馈架构。他应该知道特定数据在哪些场景下该建立怎样相应的模型，而这个模型收集的新数据又能训练自身不断学习，越来越聪明。以及这个模型的决策和预测结果，能用在哪些业务场景下。

所以，AI落地中关键的坑点或卡壳的地方，还是需要加大对企业老板或者业务负责人，甚至包括部分一线业务负责人在AI思维上的提升和教育。当这些人真正地理解这样一个框架和AI数据思维的闭环逻辑的话，再进行AI落地就会顺利很多。

顾卿华我们在一些比较成功和优秀的企业身上，看到了一个特点，那就是他们都在打造学习型组织。一个学习型组织，它会自上而下的，从最高层开始重视学习和知识资产的积累，重视不断的企业和员工的自我提升与改造。在这样一种氛围下，接纳包括AI和其它的一些创新的新兴的科技，就会有比较好的土壤和氛围。

这点不论是对企业，还是个人的思维模式的转变而言，都有一定的借鉴和启发意义。

徐明强微软转型AI成功的一个重要原因是文化。微软从原来卖许可证，转变为现在的主要做云技术；从原来主要靠数人头卖产品，推动客户公司商用电脑软件正版化覆盖比例，到现在变成真正帮助企业利用云、AI技术做数字化转型。

微软之前的企业文化可以用“固化的心智”来形容。微软过去的业务模式很简单，第一是Windos的市场份额，第二是Office升级。我有一个朋友曾给盖茨提过一个建议，说能不能在Windos上面加一层软件，这个软件是需要付费的。盖茨没有听他说完，就表示这是我听到最愚蠢的一个想法。为什么？因为只要用户购买了Windos，系统中提供的产品和功能就自然有了，这就是微软过去的打法。

当萨提亚担任CEO后，他认为正是这种固化的心智使得微软收购诺基亚。做OS和硬件生态最强的公司都是微软，微软和苹果比，苹果只有硬件，微软还支持了不计其数的设备，还有开放的PC架构等。正是因为这个原因，微软收购了诺基亚，但却忽视了一点，那就是全世界不需要第三个移动生态系统。

后来微软做了转变，那就是和AI有关。我们曾经在Titter上运营过一个名叫Tay的对话机器人，可它在上线第一天就被撤回了。因为在运营过程中我们发现机器人也会学坏。它发布了一些不当言论和不雅视频，这让微软非常。在过去发生这样的事情，GM可能就要主动递辞呈了。但萨提亚并没有这样做，他反而鼓励大家，并表示发生这样的事，我们才知道做AI原来是要承担很多责任的。于是，后来微软成为业界第一个提出要做负责任的AI的公司，并提出了透明度、数据的公正性、保护隐私这些原则。后来，Facebook、谷歌、亚马逊等公司也都加入此行列。

微软从固化的心智转变为成长型心智，这个转型非常重要。为什么？如果在过去，一旦有人提出公司重点从做许可证转向做云技术，内部很多声音就提出质疑，公司要怎样保证业务、营业额不会有大幅度的下跌。但当微软转换为成长型思维后，这些都不是问题。