廖显
在这次疫情爆发中，我们再次看到了大数据、人工智能技术发挥的作用。有媒体报道，加拿大的人工智能初创公司BlueDot是众多使用数据评估公共健康风险的公司之一，在2014年爆发的伊波拉病毒疫情中，该公司根据全球航班数据、城市健康管理系统、人口移动等数据进行交叉分析，提供了新的防疫信息参考。
另外，人工智能也被应用到了患者的问诊与管理上。1月29日，当华盛顿普罗维登斯地区医疗中心（Providence Regional Medical Center）医生在治疗美国首例确诊的新冠病毒肺炎患者时，他们并没有与患者面对面互动，而是应用了一种名为Vici的机器人，通过屏幕与患者互动。这种远程医疗机器人看起来像带轮子的平板电脑，医生可以用来与患者交谈并进行基本的诊断操作，例如测量体温。“医护人员虽然在隔离病房内提供护理，但技术使我们减少了近距离与传染患者互动的次数，可以保护医护人员免受感染。”普罗维登斯地区医疗中心首席临床官艾米·康普顿-菲利普斯（Dr. Amy Compton-Phillips）表示。
广东一所医院也在这次疫情抗击中，开始使用能够自我消毒的人工智能驱动机器人来治疗患者，并对媒体表示，“机器人在昨天开始向患者提供药品和食物，并收集床单和医疗垃圾。”其目的同样在于使用自动驾驶和自动充电机可以减少医务人员的工作量并降低交叉感染的风险。科技公司也加入斗争疫情的研发行列，阿里巴巴和百度就提供了人工智能基因测序工具。中国的流行病学家目前正在为新型冠状病毒研发疫苗和其他治疗方法，根据中国疾病预防控制中心（CDC）报道，研究人员分离出了用于疫苗开发的病毒株。在澳大利亚，科学家们也在进行类似的工作，在那里科学家重新创造了这种病毒并共享了基因组序列。
不久前软银集团孙正义再次强调了未来投资人工智能这个趋势的正确性。他预见物联网在2035年的规模会比现在大一亿倍，而社会也会从互联网时代进一步发展到下一个人工智能的时代。孙正义坚信需要持续投资人工智能科技下的未来？ 未来的自动驾驶汽车安全高效，并且事故率低；未来人工智能将帮助我们解决大部分的疾病问题；未来人工智能机器人将会参与到救援与救护行动，以及陪伴老人；未来人工智能将会保证食物的安全，并且带来与众不同的快乐……
人工智能质变的突破路径
不久前，投资人Victor给我转发了一个微信新闻，“人工智能的下一个拐点：图神经网络迎来快速爆发期。”他提到的图神经网络技术（Graph Neural Network， GNN）在学术界获得了极大关注与响应，在业务应用场景上也不断在延伸，涉及计算机视觉、3D视觉、自然语言处理、科研场景、知识图谱推荐系统，甚至金融反欺诈等多个价值场景的创新使用，可以说人们对基于图关系的算法研究保持着强烈的科技好奇心。我们不断地发现这个自然界存在的规则，并且加以利用，变成科学，但是至今的科学发现虽然伟大，却依然不是全能。“基于统计学与运筹学之上的智能，存在着致命的天生缺陷。”我这样回复Victor，也希望今天我们认识智能的角度更加严密与理性。
人工智能至今仍然只是在解释两个事件的“关系”，仍然无法从两者的“关系”相关度，推论到直接的事件之间的“因果”。简单来说，就是智能能给予我们的是两者的关系程度建议，而至于这两者之间是不是必然存在“因果”结论，现在的智能是不能给出的。在智能创新的领域依然存在大量的不确定性，全球最顶尖的科技公司都在进行不断的投入、挑战与突破。
人工智能时代，人类已经完成了智能在交互方式上的升级，比如人机交互的方式已经不再是以往的按键指令这样比较生硬的过程，当语音识别、文字识别、图像识别技术发展到比较成熟的时候，人机交互已经开始朝着更加人性化的方式进行改进。通过交互过程的升级，我们不仅仅让机器可以与人进行语音对话式的命令传达，甚至在大量的工厂里，我们已经看到了“体力”机器人，系统通过严密的规则替代人进行过程制造，这样的人机智慧的交互沟通方式已经从人与机器，发展到了机器与机器，甚至未来的机器与人的交互变革。
特别是在工业4.0驱动下的制造工厂，大量的工业机器人使用已经成为常态，比如曾经辉煌一时的大众辉腾“透明工厂”的建立，以及上汽通用的金桥工厂，那里有300多台机器人手臂，即使从全球来看，这个水平的工厂也不超过5家。偌大的车间内，工人只有10多位，他们管理着386台机器人，每天与机器人合作生产80台凯迪拉克。
显然，人类对于智能的探索还远不止于交互能力上的突破。在下一个阶段，我们认为智能的质变突破在于如何建立机器的思考能力，也就是模仿人类大脑的运转方式来帮助人类处理大量的问题。这是另一个变革的维度，在这个维度上系统还需要不断地加强三个方面的能力，即理解能力、推理能力与学习能力。这些能力的突破将会带来人类历史上更多的产业性的飞跃，但过程中势必需要找到更多适合的场景来让人工智能获得“锻炼”，而人类也將由此开始进入人工智能的场景时代。
在这个时代应更加关注人工智能的场景落地，打造最佳的行业案例，从而形成场景性智能。在人工智能的场景时代，需要既懂科技也懂行业的专家，但是往往科技能力的掌握也只是基础，如何发挥行业场景的价值，更多的是靠如何把行业的问题通过科技的赋能来转化掉，从而创造更多的价值。
随着人工智能技术基础能力的普及，大量的企业会把视线慢慢转移到企业的具体问题上，比如如何与消费者建立更强的信任与连接？如何能提前预测重要设备的生命周期？如何能更加准确地关联事件发生的模式？并通过大数据的利用来发现更多场景问题的解决方法。虽然，在这个阶段我们还不能完全依赖机器给我们答案，但是，以数据为基础的决策一定比商业的感性决策更可靠、可控和可持续。并且，可以肯定的是在大数据下，商业预测会更加准确，更加趋近于事实，而这样的价值足够帮助企业建立起自身的核心竞争力。这种能力不完全依赖于某个人，而且更可控，从而形成一种基于数据的行业性认知垄断。
今天哪种消费品更加快消？只有淘宝知道。重要的商业问题会不断地驱动技术解决方案的产生，从而让一些商业问题不断循环得到提升式的解决。
拥抱适应性智能
人工智能进一步的进化是适应性智能。适应性智能的特征是以固定频率进行商业尝试，其实，我们今天已经看到一些科技企业正在大量投入关于人工智能相关技术的研发，并且首先用于自己的产品升级与服务体验提升。比如微软人工智能和研发部门在人工智能领域投入的人数已达8000人，研发投入超过百亿美元，不仅联合Bing、Cortana、微软信息平台集团、环境计算和机器人等团队，还通过战略收购自然语言调度创业公司Genee和深度学習创业公司Maluuba来加速其人工智能能力。谷歌和苹果每年也是几十亿美元的研发投入，这些人工智能科技标杆公司往往以固定的频率进行商业实验，获得创新转化的牵引力，从而形成适应性智能。这些科技企业积极参与到时代的变化当中，不是由于具体的某个问题驱动，而是希望建立引领时代的创新力，从而更好地适应下一个时代。
但是，我们也可以看到，适应性智能的代价往往不低，谷歌旗下人工智能公司DeepMind持续亏损，从2017年的3.41亿美元，增加到了去年的5.7亿美元，以及2017年谷歌卖给日本软银的波士顿动力（Boston Dynamics），也是昂贵的奢侈品。
事实上企业打造具备适应性的智能能力，并不是一味追求创新，企业会根据环境的情况来自动调节尝试频率，从而建立更好的智能保护与智能获利。然而，大多数的商业企业其实并不善于利用信息技术进行创新，因为他们更加关注各自商业发展的问题，特别是在一些行业里，更多的注意力会放在同行的竞争，以及业务的持续发展与变化上面，而对于技术的变革，其实是缺少研究和耐心的。
不久前我帮助一个房地产企业进行转型，它希望自己能从传统的房地产企业，转型为一个智慧城市的运营服务企业，转型最关键的仿佛是需要快速搭建起智慧城市科技理解能力，并且利用科技对城市服务进行输出，从而于城市的服务增值里获利。但是，变革的路途并不是那么顺利，当需要“革命掉”一个企业最擅长的盈利模式，而变成另一套陌生的盈利模式的时候，任何企业都是抗拒的，因为这里的不确定性太大。所以，最后还是科技服务于房地产的商业模式，最终还是帮助其拿地、卖房。
如果一个企业不能完全下决心进行模式变革，那么自适应性智能的打造往往就只能依靠外力。讲究性价比的科技创新不一定是廉价的，我们往往看到很多的商业创新并不是一定依赖于自身的科技转型，而是借助于外力，在正确的时间，完成正确的事情，跟上时代趋势，而自身的智能部门变为一个连接创新的窗口―更多的与时俱进的创新智能依靠专业科技公司来投入，并且保证质量和效果。
比如云计算技术，如果是10年前，我会认为云计算技术仅仅是一个研发性的创新方向，但是今天它已经成为了所有行业信息化的必然趋势。如果一个企业希望自己建立一套云计算技术的创新环境，然后再把业务搬到云上，结果要么是前期投入过大戛然而止，要么是后期技术运维与持续创新的代价过大进展缓慢。为了适应环境，建立企业的自适应性智能，连接高研发的智能科技公司，降低创新的不确定性，然后根据业务的成熟度不断调整创新尝试的频率其实是一个不错的选择。
通过强化学习（Reinforcement Learning）能够解决智能体在环境交互过程中通过学习策略来达到目标的最大化，这个目标可以使智能体的基础逻辑安全。
建立自适应性的智能，犹如人需要借助外部专业的医疗机构不断研发新的抗体来抵御病毒，事实上在人们没有受到大规模的显性伤害时，这些专业机构也在不断为了保证人类健康持续服务、研发与创新。而这些新型通过临床试验并且合格上市的药物和器材，将能帮助人类更加自信、健康地进行生命的延续与社会价值的创新。
因此，当我们面对未来充满不确定性的智能时代，无论是好与不好，都需要确保自己建立起强大的智能自适应能力，能快速地适应新时代的要求，而企业需要确定自己不会随着原有商业模式一起慢慢消亡。
