都在谈人工智能，但你知道它的潜力实践意义是什么吗？

在过去的250多年里，技术创新一直是推动经济发展的核心力量。其中，最重要的莫过于经济学家所称的“通用技术”，如蒸汽机、电力和内燃机等。这些技术催生了无数的互补性创新和机遇，推动了社会进步。以内燃机为例，它催生了汽车、飞机等交通工具，改变了物流供应链，并催生了一系列新的商业模式和大型企业，如沃尔玛、UPS等。如今，我们所处时代的通用技术便是人工智能，尤其是机器学习领域的发展尤为突出。机器学习技术让机器能够在不需要人类明确指导的情况下，持续提高自身的性能。在过去的几年里，机器学习的效率不断提高，应用范围也越来越广泛。我们已经能够构建出能够自己学习完成任务的系统。

人工智能的重要性体现在两个方面。人类的知识远远超过我们的表达能力。在机器学习出现之前，我们无法精确地表达自己的知识，因此无法自动化很多事情。而现在，借助机器学习技术，我们可以将我们的知识转化为机器的智能，让它们完成许多以前无法完成的任务。机器学习系统是非常出色的学习者，它们能够在广泛的领域中达到超人类的表现。它们在检测欺诈、诊断疾病等领域的应用已经展现出巨大的潜力。随着人工智能技术在商业领域的应用逐渐深入，它的影响力将会越来越大。从制造业到金融业，从医疗保健到娱乐教育，每一个行业都在经历着人工智能带来的变革。目前商业领域面临着管理、执行和商业想象力等方面的挑战，限制了人工智能的发展速度。

尽管如此，人工智能也引发了一系列不切实际的期望和喧嚣的噪音。许多商业计划随意地涉及机器学习、神经网络等技术，但实际上却与技术的真正功能脱节。人工智能的真正潜力、实践意义以及被采用过程中的障碍常常被淹没在这些噪音之中。我们需要深入了解人工智能现在能够做什么以及它正在以多快的速度发展。最大的进步主要体现在感知和认知两大领域。语音识别的进步尤为显著，现在人们广泛使用语音助手如Siri、Alexa等来进行交互。一项研究发现，语音识别比在手机上打字平均快三倍，错误率也从曾经的8.5%降低到了4.9%。同样地，图像识别的进步也非常惊人。现在，应用程序可以轻松地识别出照片中的面孔并提示你为他们贴标签。在野外识别鸟类甚至只需要一个智能手机应用。一些公司甚至使用图像识别来代替身份证件检查。视觉系统的进步在自动驾驶汽车领域也尤为突出，它们现在能够在极低的错误率下识别行人和其他障碍物。这些进步不仅令人印象深刻，而且预示着人工智能的巨大潜力和未来的发展前景。小狗与玛芬蛋糕：图像识别的惊人飞跃与未来挑战

随着科技的飞速发展，图像识别技术已成为人工智能领域的一大亮点。拥有百万级别图片的ImageNet数据库，为这一领域提供了宝贵的资源。顶级系统的图片识别错误率已从2010年的30%降至2016年的4%，这一进步令人惊叹。

近年来，基于庞大的神经网络新技术，尤其是深度神经网络，图片识别的进步速度堪称迅猛。机器学习视觉系统虽非完美，但已能在识别相似图像类别方面取得显著成就。无论是区分小狗与玛芬蛋糕，还是其他复杂场景，机器学习都已展现出强大的潜力。

除了图像识别，机器已在多个领域展现出超越人类的能力。在认知和问题解决方面，机器已战胜围棋和扑克领域的顶尖人类选手。在实际应用中，机器学习正在助力企业优化运营、提高数据中心效率、检测恶意软件、防止洗钱行为等。在华尔街的交易决策、在线广告布局、消费品公司运营等方面，机器学习也发挥着重要作用。这些成功案例充分证明了机器学习的价值。

尽管机器学习在许多领域取得了显著成果，但其适用性依然相对狭窄。以ImageNet数据库为例，机器学习在其中的出色表现并不意味着它在所有环境中都能取得同样的成功。光线条件、角度、图片分辨率和情境等因素都可能影响机器学习的表现。机器学习系统的知识往往局限于特定任务，其理解力并不具备广泛的扩展性。我们不能过分夸大机器学习的能力，认为它能自主取得进步或具备多领域通用智能。

要理解机器学习，关键在于明白它是一条创造软件的全新道路。机器学习是通过让机器自主学习来获取知识，而不是通过明确的编程指令。这一方法具有巨大的潜力，但也面临着诸多挑战。如何平衡机器学习的潜力与挑战，将是未来研究的重要课题。

机器学习在图像识别等领域取得了显著成就，但仍面临着适用性狭窄、理解力有限等挑战。未来，我们需要继续探索机器学习的潜力，同时关注其局限性，以实现人工智能的可持续发展。我们所知超越言表，而机器学习正在突破这一局限。在第二次机器革命的热潮中，人类制造的机器已从实例中学习，并运用结构清晰的反馈解决难题，如面部识别等。

机器学习的独特魅力

人工智能与机器学习领域繁花似锦，近年来监督学习法成为成功案例的集中地带。此法关于赋予机器大量正确实例学习某特定问题。此过程涉及从一组输入X到一组输出Y的映射。例如，输入可能是各类动物图片，输出则是相应的动物标签。再如，输入音频波形，输出识别词汇。

成功的系统通常依赖于庞大的训练数据集，每个实例都已标记出正确答案。当系统接触到新的实例时，若训练得当，便能高度精确地预测答案。这些成果多半得益于“深度学习”方法，其借助神经网络的力量。与早期算法相比，深度学习算法的一大优势在于能处理更为庞大的数据库。旧的系统随着训练数据实例的增加会逐渐改进，但会遭遇瓶颈——再增加数据并不能带来更好的预测。深度神经网络却能在数据洪流下持续提高预测准确性。处理海量数据需要强大的处理能力，因此大型系统多在超级计算机或专用计算机上运行。

监督学习系统的应用广泛，尤其在尝试预测行为结果时。例如，在亚马逊，监督学习系统已取代基于内存的过滤算法，为客户提供个性化建议。摩根大通则运用此系统审查商业贷款合同，以前人工完成这项任务需要360000小时，现在只需几秒。监督学习系统还应用于诊断皮肤癌等领域。这只是冰山一角。

相对地，标记数据并用于训练监督学习系统较为简单直接，这也是为什么监督学习在机器学习领域尤为普遍。无监督学习系统则试图自我学习——人类正是如此，能从少量未标记的数据中获取大量知识。尽管开发能如此运作的机器学习系统极具挑战，但若能实现，将开启全新的可能性。成功的无监督学习系统将能以全新方式审视复杂问题，帮我们发掘其中的模式，应用领域广泛，如疾病传播、证券市场、消费者行为等。Facebook的AI研究主管、纽约大学教授Yann LeCun将监督学习比作蛋糕上的糖霜，而无监督学习则是蛋糕本身。

强化学习这一领域虽尚处于成长阶段，但已展现出巨大的潜力。它已被嵌入游戏和围棋等游戏中，还能优化数据中心的电力使用，甚至为股票制定交易策略。某些机器人甚至利用机器学习辨识和归类未曾见过的物体，加快消费品配送速度。在强化学习系统中，编程人员描述系统的现状和目标、列出可允许的行为、并描述影响行为的环境因素。系统需找出在可允许行为下接近目标的方法。人类只需说明目标，而系统则会自动运行。

对于希望应用机器学习的组织来说，有三个好消息。人工智能正在广泛传播。尽管缺乏足够的数据科学家和机器学习专家，但在线教育资源及大学院校正在积极应对这一挑战。最佳资源如Udacity、Coursera和fast.ai不仅教授理论知识，还让学生实践工业级别的机器学习部署。

将机器学习融入工作场景

机器学习正在推动变革的三个层面：任务和职业、商业进程、商业模式。想象一下，用机器视觉系统识别潜在癌细胞，这不仅解放了放射科医生，让他们有更多时间与病人沟通、与其他医生协作，更让诊断变得高效准确。在商业进程中，亚马逊引入了机器人，并运用机器学习优化算法，重新定义了工作流程，布局各个履职中心。在商业模式方面，借助机器学习系统，我们可以实现智能定制推荐音乐、电影等。想象一下，不再只是基于消费者选择销售单曲，而是提供一种个性化订阅服务，推荐用户可能喜欢的音乐，即使他们从未听说过。

第二次机器革命的第二波浪潮也带来了新的风险和挑战。机器学习系统难以解释自身决策过程，深度神经网络拥有数亿个连接，每个都对最终决策有所贡献，使得预测结果难以明晰解释。这带来了三个方面的风险：隐藏的偏见、处理数据事实的不确定性以及错误纠正的困难。这些偏见可能不是设计者有意为之，而是源于训练数据。例如，一个用于招聘的机器学习系统可能会不经意间评估应聘者的种族、性别等因素。与传统的基于明确逻辑规则的系统不同，神经网络处理的是数据事实而非绝对事实，使得其难以证明在任何情况下都能正常工作。

面对这些风险，合适的基准不是追求完美，而是追求最优的可选项。尽管人工智能和机器学习有其局限性，但在感知和认知领域已经取得了巨大进步。从驾驶汽车到预测销售趋势，甚至决定雇佣和提拔谁，人工智能正在超越人类水平的表现。关于人工智能无法识别我们的情绪化、灵巧和狡猾的人类这一说法，我们不同意。机器学习系统已经能够识别人的情绪状态以及顶级扑克选手的虚张声势。这并不是魔法，而是感知和认知的力量。人工智能和机器学习的进步让我们看到了无限可能。计算机只是回答问题的设备而非提问者。企业家、创新者、科学家等寻求下一个问题和机会的人仍然至关重要。让我们共同探索新的领域和挑战吧！在这个机器学习技术迅猛发展的时代，人类智慧的巨大机遇展现在两个领域的交融之上：明辨未来的挑战并洞察下一步要解决的关键问题，然后动员众人协同解决。领导力，在这个第二机器时代，其重要性愈加凸显。

人工智能和机器学习，无疑是当今最引人注目的通用技术。它们的影响并不仅仅局限于直接的贡献，更在于激发其他创新的能力。借助更先进的视觉系统、语音识别、智能问题解决系统以及机器学习提供的众多其他功能，新产品和流程正在逐步变为现实。

预测哪些公司将在这一新兴环境中崭露头角的确困难，但有一点是明确的：最灵活、适应能力最强的公司和领导者将走向成功。那些能够敏锐感知机遇并作出迅速反应的组织，将在人工智能这片热土上占据优势地位。成功的策略在于乐于快速实验并不断学习。如果管理者们还未尝试在机器学习领域进行实验，那么他们未能充分发挥自己的潜力。未来的十年里，人工智能并不会取代管理者，但善于利用人工智能的管理者将超越那些忽视它的人。

当我们深入探究时，会发现算法中蕴含着人类的智慧；当我们更加细致地观察时，便会领略到智能背后的算法之美。