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5G、大数据、云计算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; 同时也有丰富实战经验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，同时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。这就是我用一句话总结对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。
另外一部分，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机器学习，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。同时，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。因此，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，但是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，但是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机器学习、自然语言处理等一部分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，而另外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，所有的创新最后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。
当然，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。因此，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部门首先要得到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，结果最后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首先画在自己的路线图上。
丁磊：徐博的“自由散慢”四个字，总结的特别到位，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。首先，要精细的了解企业目前对AI应用的现状。其次，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，最后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。最后，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。
首先，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。
另外，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，机器学习业务该怎么开展呢？其实自动机器学习技术现在已经具备，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，利用自动机器学习的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Windows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Windows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Windows，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Twitter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。
