企業(yè)使用AI的一個(gè)復(fù)雜因素是，這個(gè)主題包含了多個(gè)不同的底層技術(shù)。這些技術(shù)中大多數(shù)都能夠完成很多替代功能。技術(shù)和功能的組合非常復(fù)雜，表1-1列出了7項(xiàng)關(guān)鍵技術(shù)，包括每項(xiàng)技術(shù)的簡(jiǎn)要描述，以及它們可以實(shí)現(xiàn)的一些典型功能或應(yīng)用程序。

表1-1 人工智能關(guān)鍵技術(shù)

本文會(huì)更深入地描述這個(gè)表中的每種技術(shù)及其功能。我還將論述每種技術(shù)在商業(yè)AI世界有多普遍。我的本職工作是商學(xué)院的教授（跟很多不同的公司合作過(guò)），但我也是德勤戰(zhàn)略和分析實(shí)踐部門的高級(jí)顧問(wèn)，該部門整合了人工智能方面的咨詢工作。

下面是對(duì)每一項(xiàng)技術(shù)及其功能的深入描述。

01~03 統(tǒng)計(jì)機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

機(jī)器學(xué)習(xí)是一種自動(dòng)將模型與數(shù)據(jù)匹配，并通過(guò)訓(xùn)練模型對(duì)數(shù)據(jù)進(jìn)行“學(xué)習(xí)”的技術(shù)。機(jī)器學(xué)習(xí)是AI最常見(jiàn)的形式之一。

在2017年德勤對(duì)250位經(jīng)理（其所在公司都已經(jīng)在探索AI）開展的“了解認(rèn)知”調(diào)查中，接受調(diào)查的公司58%在其業(yè)務(wù)中采用了機(jī)器學(xué)習(xí)。它是許多人工智能方法的核心技術(shù)并且有很多的版本。公司內(nèi)部和外部數(shù)據(jù)（尤其是這些外部數(shù)據(jù)）的爆炸式增長(zhǎng)使它們采用機(jī)器學(xué)習(xí)來(lái)全面理解這些數(shù)據(jù)變得既可行又必要。

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一種更為復(fù)雜的形式，該技術(shù)出現(xiàn)在20世紀(jì)60年代，并用于分類型應(yīng)用程序，例如確定信貸交易是否為欺詐行為。它根據(jù)輸入、輸出、變量權(quán)重或?qū)⑤斎肱c輸出關(guān)聯(lián)的“特征”來(lái)分析問(wèn)題。它類似于神經(jīng)元處理信號(hào)的方式，但把它比作大腦就有些牽強(qiáng)了。

最復(fù)雜形式的機(jī)器學(xué)習(xí)將涉及深度學(xué)習(xí)，或通過(guò)很多等級(jí)的特征和變量來(lái)預(yù)測(cè)結(jié)果的神經(jīng)網(wǎng)絡(luò)模型。得益于當(dāng)前計(jì)算機(jī)架構(gòu)更快的處理速度，這類模型有能力應(yīng)對(duì)成千上萬(wàn)個(gè)特征。

與早期的統(tǒng)計(jì)分析形式不同，深度學(xué)習(xí)模型中的每個(gè)特征通常對(duì)于人類觀察者而言意義不大。這導(dǎo)致的結(jié)果就是該模型的使用難度很大或者難以解釋。在德勤的調(diào)查中只有34%的人在使用深度學(xué)習(xí)技術(shù)。

深度學(xué)習(xí)模型使用一種稱為反向傳播的技術(shù)，通過(guò)模型進(jìn)行預(yù)測(cè)或?qū)敵鲞M(jìn)行分類。AI技術(shù)已推動(dòng)了該領(lǐng)域的許多最新進(jìn)展，從在圍棋大賽中擊敗人類專家到對(duì)互聯(lián)網(wǎng)圖像進(jìn)行分類，便是使用反向傳播的深度學(xué)習(xí)。在多倫多大學(xué)及谷歌任職的杰弗里·辛頓（Geoffrey Hinton）通常被稱為深度學(xué)習(xí)之父，部分原因就在于他在反向傳播方面的早期研究。

機(jī)器學(xué)習(xí)采用了上百種可能的算法，其中大多數(shù)算法有些深?yuàn)W。它們的范圍從梯度增強(qiáng)（一種構(gòu)建用于解決先前模型錯(cuò)誤的模型的方法，從而增強(qiáng)預(yù)測(cè)或分類能力）到隨機(jī)森林（作為決策樹模型集合的模型）。

越來(lái)越多的軟件工具（包括DataRobot、SAS和谷歌的AutoML）支持機(jī)器學(xué)習(xí)模型的自動(dòng)構(gòu)建，這些模型可以嘗試許多不同的算法來(lái)找出最成功的算法。一旦通過(guò)訓(xùn)練數(shù)據(jù)找到了能夠進(jìn)行預(yù)測(cè)或分類的最佳模型，就可以部署它，并對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)或分類（有時(shí)稱為評(píng)分過(guò)程）。

除了所使用的算法外，機(jī)器學(xué)習(xí)的另一個(gè)關(guān)鍵是模型如何進(jìn)行學(xué)習(xí)。有監(jiān)督學(xué)習(xí)模型（到目前為止是業(yè)務(wù)中最常用的類型）是使用一組對(duì)輸出做了標(biāo)記的訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)。

例如，一個(gè)試圖預(yù)測(cè)銀行欺詐行為的機(jī)器學(xué)習(xí)模型需要在一個(gè)明確構(gòu)成欺詐案例的系統(tǒng)上接受訓(xùn)練。這并不容易做到，因?yàn)閷?shí)際欺詐的頻率可能只有十萬(wàn)分之一（有時(shí)稱為不平衡分類問(wèn)題）。

有監(jiān)督學(xué)習(xí)與在評(píng)分模型中部署的傳統(tǒng)分析方法（如回歸分析）非常相似。在回歸分析中，目標(biāo)是創(chuàng)建一個(gè)模型，使用一組與輸出有關(guān)而且其值已知的輸入變量來(lái)預(yù)測(cè)一個(gè)已知結(jié)果。一旦模型開發(fā)完成，就可以用它通過(guò)相同輸入變量的已知值來(lái)預(yù)測(cè)一個(gè)未知的結(jié)果。

例如，根據(jù)患者的年齡、體育活動(dòng)水平、熱量消耗和體重指數(shù)，我們可以開發(fā)回歸模型來(lái)預(yù)測(cè)他患上糖尿病的可能性。

我們針對(duì)已確診患有糖尿病或沒(méi)患糖尿病的患者建立模型（通常使用所有可用數(shù)據(jù)來(lái)建立回歸模型）。一旦找到了合適的預(yù)測(cè)回歸模型，就可以使用它基于一組新的數(shù)據(jù)來(lái)預(yù)測(cè)未知的結(jié)果（輸入變量達(dá)到特定等級(jí)時(shí)患者患上糖尿病的可能性）。其后的活動(dòng)（在回歸分析和機(jī)器學(xué)習(xí)中）稱為評(píng)分。

回歸過(guò)程與有監(jiān)督的機(jī)器學(xué)習(xí)相同，除了：

在機(jī)器學(xué)習(xí)中，用于開發(fā)（訓(xùn)練）模型的數(shù)據(jù)稱為訓(xùn)練數(shù)據(jù)，而且它可以是明確出于訓(xùn)練目的而保留的數(shù)據(jù)子集;

在機(jī)器學(xué)習(xí)中，通常用另一個(gè)數(shù)據(jù)子集來(lái)驗(yàn)證訓(xùn)練模型，該子集的預(yù)測(cè)結(jié)果是已知的;

在回歸中，可能不需要使用模型來(lái)預(yù)測(cè)未知結(jié)果，相反在機(jī)器學(xué)習(xí)中則會(huì)對(duì)結(jié)果做假設(shè);

機(jī)器學(xué)習(xí)中可以使用許多不同的算法類型來(lái)代替簡(jiǎn)單的回歸分析。

開發(fā)無(wú)監(jiān)督模型通常更難一些，它要從未做標(biāo)記的數(shù)據(jù)中檢測(cè)模式并預(yù)測(cè)未知的結(jié)果。

強(qiáng)化學(xué)習(xí)是第三種變體，它是指機(jī)器學(xué)習(xí)系統(tǒng)制訂了目標(biāo)而且邁向目標(biāo)的每一步都會(huì)得到某種形式的獎(jiǎng)勵(lì)。它在玩游戲中非常有用，但也需要大量數(shù)據(jù)（在許多情況下，太多的數(shù)據(jù)對(duì)該方法不起作用）。

需要指出的是，有監(jiān)督的機(jī)器學(xué)習(xí)模型通常不會(huì)持續(xù)學(xué)習(xí)。它們從一組訓(xùn)練數(shù)據(jù)中學(xué)習(xí)然后繼續(xù)使用同一個(gè)模型，除非使用新的一組訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練新的模型。

機(jī)器學(xué)習(xí)模型是以統(tǒng)計(jì)為基礎(chǔ)的，而且應(yīng)該將其與常規(guī)分析進(jìn)行對(duì)比以明確其價(jià)值增量。它們往往比基于人類假設(shè)和回歸分析的傳統(tǒng)“手工”分析模型更準(zhǔn)確，但也更復(fù)雜和難以解釋。相比于傳統(tǒng)的統(tǒng)計(jì)分析，自動(dòng)化機(jī)器學(xué)習(xí)模型更容易創(chuàng)建，而且能夠揭示更多的數(shù)據(jù)細(xì)節(jié)。

考慮到學(xué)習(xí)所需的數(shù)據(jù)量，深度學(xué)習(xí)模型在圖像和語(yǔ)音識(shí)別等任務(wù)上非常出色（遠(yuǎn)遠(yuǎn)優(yōu)于以前針對(duì)這些任務(wù)的自動(dòng)化方法，并且在某些領(lǐng)域接近或超過(guò)了人類的能力）。

04 自然語(yǔ)言處理

自20世紀(jì)50年代以來(lái)，理解人類語(yǔ)言一直是人工智能研究者的目標(biāo)。這一領(lǐng)域被稱為自然語(yǔ)言處理（Natural Language Processing，NLP），包括諸如語(yǔ)音識(shí)別、文本分析、翻譯、生成的應(yīng)用程序及其他與語(yǔ)言有關(guān)的目標(biāo)。

在“了解認(rèn)知”的調(diào)查中，53%的公司在使用NLP。NLP有兩種基本方法：統(tǒng)計(jì)NLP和語(yǔ)意NLP。統(tǒng)計(jì)NLP是以機(jī)器學(xué)習(xí)為基礎(chǔ)，而且其性能提升的表現(xiàn)要快于語(yǔ)意NLP。它需要一個(gè)龐大的“語(yǔ)料庫(kù)”或者語(yǔ)言體系來(lái)學(xué)習(xí)。

例如，在翻譯中它需要大量的翻譯文本，而通過(guò)統(tǒng)計(jì)分析可以發(fā)現(xiàn)西班牙語(yǔ)和葡萄牙語(yǔ)中的amor在統(tǒng)計(jì)上與英語(yǔ)中的love一詞高度相關(guān)。這雖然有點(diǎn)靠“蠻力”，但通常是相當(dāng)有效的方法。

語(yǔ)義NLP是近十年來(lái)唯一的現(xiàn)實(shí)選擇，如果能用單詞、語(yǔ)法和概念之間的關(guān)系有效地對(duì)系統(tǒng)進(jìn)行訓(xùn)練那么它就會(huì)相當(dāng)高效。

語(yǔ)言的訓(xùn)練和知識(shí)工程（通常指為特定領(lǐng)域所創(chuàng)建的知識(shí)圖譜）可能會(huì)消耗大量的人力和時(shí)間。然而，它需要開發(fā)知識(shí)主體或者單詞與短語(yǔ)之間的關(guān)系模型。雖然創(chuàng)建語(yǔ)義NLP模型難度很大，但現(xiàn)在有些智能座席系統(tǒng)已經(jīng)在使用該方法。

NLP系統(tǒng)的性能應(yīng)該用兩種方法來(lái)衡量。一種是看它能夠理解百分之多少的口語(yǔ)。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，該指標(biāo)不斷提高而且往往超過(guò)95%。

衡量NLP的另一種方法是看它能回答多少種不同類型的問(wèn)題或者看它能解決多少種問(wèn)題。這通常都需要語(yǔ)義NLP，但是由于這方面并沒(méi)有重大的技術(shù)突破，所以問(wèn)答系統(tǒng)和問(wèn)題解決系統(tǒng)都要基于特定的上下文而且必須進(jìn)行訓(xùn)練。

IBM沃森在回答《危險(xiǎn)邊緣》的問(wèn)題時(shí)表現(xiàn)出色，但是除非進(jìn)行訓(xùn)練（通常都是以勞動(dòng)力密集型的方式），否則它回答不了《命運(yùn)之輪》（Wheel of Fortune，一檔綜藝節(jié)目）的問(wèn)題。也許深度學(xué)習(xí)在未來(lái)會(huì)應(yīng)用于問(wèn)題解答，但現(xiàn)在它還沒(méi)有。

05 基于規(guī)則的專家系統(tǒng)

在20世紀(jì)80年代，AI的主導(dǎo)技術(shù)是基于“if-then”規(guī)則集合的專家系統(tǒng)，而且在那個(gè)時(shí)代開始廣泛地應(yīng)用于商業(yè)領(lǐng)域。如今人們往往認(rèn)為它沒(méi)有那么先進(jìn)了，但是2017年德勤“了解認(rèn)知”的調(diào)研顯示引入AI的美國(guó)公司里有49%使用了該技術(shù)。

專家系統(tǒng)要求人類專家和知識(shí)工程師在特定知識(shí)領(lǐng)域中構(gòu)建一系列規(guī)則。例如，它們通常用于保險(xiǎn)承銷和銀行信貸承銷中（但也用于一些深?yuàn)W的領(lǐng)域，如福爵咖啡的咖啡烘焙或金寶湯罐頭的湯汁調(diào)制）。

專家系統(tǒng)在一定程度上運(yùn)行良好，而且容易理解。然而，當(dāng)規(guī)則的數(shù)量很大（通常超過(guò)幾百條），并且規(guī)則開始相互沖突時(shí)，它們往往會(huì)崩潰。而且如果知識(shí)領(lǐng)域發(fā)生了變化，那么更改規(guī)則將會(huì)很困難而且也會(huì)很耗時(shí)。

基于規(guī)則的系統(tǒng)自其早期的全盛時(shí)期以來(lái)并沒(méi)有太大的改進(jìn)，但是保險(xiǎn)和銀行等大量使用它們的行業(yè)還是希望能夠出現(xiàn)新一代基于規(guī)則的技術(shù)。研究人員和廠商已經(jīng)開始討論“自適應(yīng)規(guī)則引擎”，該引擎將基于新的數(shù)據(jù)或規(guī)則引擎與機(jī)器學(xué)習(xí)的組合來(lái)不斷修改規(guī)則，但它們確實(shí)還沒(méi)有得到廣泛應(yīng)用。

06 物理機(jī)器人

鑒于全球每年安裝的工業(yè)機(jī)器人超過(guò)20萬(wàn)臺(tái)，物理機(jī)器人已經(jīng)廣為人知。在美國(guó)“了解認(rèn)知”調(diào)查中，32%的公司在某種程度上使用了物理機(jī)器人。它們?cè)诠S和倉(cāng)庫(kù)等地執(zhí)行起重、重新定位、焊接或裝配產(chǎn)品等任務(wù)。歷史上，這些機(jī)器人始終在細(xì)致的計(jì)算機(jī)程序控制下去執(zhí)行特定的任務(wù)。

然而，當(dāng)下的機(jī)器人變得越來(lái)越能夠跟人類協(xié)作，而且更加容易訓(xùn)練，只需要根據(jù)預(yù)定的任務(wù)來(lái)移動(dòng)機(jī)器人的部件就可以了。隨著其他AI能力嵌入它們的“大腦”（實(shí)際上是它們的操作系統(tǒng)）中，它們也變得更加智能。隨著時(shí)間的推移，我們?cè)贏I的其他領(lǐng)域中看到的改進(jìn)很可能會(huì)被融入物理機(jī)器人中。

07 機(jī)器人流程自動(dòng)化

機(jī)器人流程自動(dòng)化（Robotic Process Automation，RPA）技術(shù)在執(zhí)行結(jié)構(gòu)化數(shù)字任務(wù)（即涉及信息系統(tǒng)的任務(wù)）時(shí)就如同一個(gè)人類用戶按照一個(gè)腳本或者規(guī)則在工作。關(guān)于RPA是否屬于AI/認(rèn)知技術(shù)的集合存在著爭(zhēng)論，因?yàn)樗皇鞘种悄?。但是由于RPA系統(tǒng)非常流行、自動(dòng)化，且越來(lái)越智能化，因此我把它也視為AI世界的一份子。

有人把它們稱為“數(shù)字勞動(dòng)力”，而且與其他形式的AI相比，它們價(jià)格低廉、易于編程，而且行動(dòng)透明。如果你會(huì)操作鼠標(biāo)、能理解流程圖并能理解一些if-then業(yè)務(wù)規(guī)則，那么你可以理解甚至開發(fā)RPA。這些系統(tǒng)也比其他方法（例如，用編程語(yǔ)言開發(fā)自己的程序）更容易配置和實(shí)施。

RPA并不真正涉及機(jī)器人，它只是服務(wù)器上的計(jì)算機(jī)程序。它依賴于工作流、業(yè)務(wù)規(guī)則及信息系統(tǒng)集成的“表示層”的結(jié)合體，作為系統(tǒng)的半智能用戶進(jìn)行工作。

有些人將RPA與電子表格中的宏進(jìn)行了比較，但是我認(rèn)為這不是一個(gè)公平的比較，RPA可以執(zhí)行更為復(fù)雜的任務(wù)。還有人將它與業(yè)務(wù)流程管理（Business Process Management，BPM）工具進(jìn)行了比較，后者可能具有一些工作流功能，但通常旨在記錄和分析業(yè)務(wù)流程，而不是實(shí)際將其自動(dòng)化。

一些RPA系統(tǒng)已經(jīng)具有一定程度的智能。它們可以“觀察”人類同事的工作（例如回答常見(jiàn)的客戶問(wèn)題），然后模仿他們的行為。其他一些則把過(guò)程自動(dòng)化與機(jī)器視覺(jué)相結(jié)合。與物理機(jī)器人一樣，RPA系統(tǒng)正慢慢地變得更加智能化，其他類型的AI技術(shù)也被用來(lái)指導(dǎo)它們的行為。

我對(duì)這些技術(shù)分別進(jìn)行了描述，但是現(xiàn)實(shí)中它們?cè)絹?lái)越多地被組合和集成。然而就目前而言，了解什么樣的技術(shù)可以完成什么樣的任務(wù)對(duì)一個(gè)業(yè)務(wù)決策者來(lái)說(shuō)是非常重要的。

全球公司（Global Inc.）首席信息官克里希納·內(nèi)森（Krishna Nathan）指出，他在2018年的一個(gè)關(guān)鍵優(yōu)先事項(xiàng)是“幫助我的利益干系人了解人工智能能做什么和不能做什么，以便我們能以正確的方式使用它”。也許在將來(lái)，這些技術(shù)將混雜在一起，以至于這樣的理解將不再必要，甚至不可行。
責(zé)編AJX