我們不要自然地愚昧，我們要人工地智能
△ 是新朋友嗎？記得先點筆記俠關注我哦～
分享嘉賓：丁磊（左），中國數據科學50人、人工智能首席科學家、哥倫比亞大學博士後，前百度金融首席數據科學家; PayPal全球消費者數據科學部創辦人。
徐明強（中），微軟全渠道事業部首席技術官，負責微軟大中華區合作伙伴解決方案策略技術策劃工作。
顧卿華（右），安永大中華區數據智能諮詢服務主管合夥人，安永大中華區數字化與新興科技諮詢服務主管合夥人。
李夢平(主持人），微軟中央市場部數字營銷經理。
注：筆記俠作為合作方，經講者和主辦方審閲授權發佈。
責任編輯| 胡暘審校| 智勇值班編輯| 智勇
第 5189 篇深度好文：12163字 | 30分鐘閲讀
思維模式
筆記君邀您閲讀前，先思考：
AI思維的本質是什麼？
AI思維如何在商業領域落地？
一、AI到底什麼？
主持人（李夢平，微軟中央市場部數字營銷經理）：請三位嘉賓，從自身經驗角度解讀一下，到底什麼是AI？
丁磊（人工智能首席科學家）：AI可以從很多角度去解讀，譬如學術界、工業界對AI的理解是不一樣的。而我個人對AI理解，認為它是一個思維方式。它能夠幫助我們有效分析大量的數據，並從中得出預測，甚至幫助我們做出決策。這就是我對AI的解讀。
當然，這中間肯定遺失了很多重要環節或者關鍵詞，因為AI有很多重要的要素和重要的方面。但是這個理解可以幫助大家樹立宏觀觀念。
顧卿華（安永諮詢服務合夥人）：AI有不同類型的定義，有非常生活化的解釋，比如普通消費者可能會覺得只要自己“會跑、會動、會説話、會控制”機器的都叫AI。也有學術化的定義比如AI是讓計算機能夠執行本來只有人類能夠勝任的一些活動。
而在商業背景下，我個人理解AI有兩個比較重要的特點：
一是替代性的特點。
AI最終還是會代替一部分人類的活動，包括在處理的規模、效率、準確性、可靠性等方面，都在局部會優於人類。
二是學習性的特點。
AI最終還是會靠不斷收集信息，不斷積累、生產知識，不斷自我學習迭代的學習過程，去自適應外部的環境。
以上述兩個特性為核心，跟相關的軟件、硬件、算法、人類的知識和經驗結合在一起，是我對AI的理解。
徐明強（微軟全渠道事業部首席技術官）：微軟內部曾經有一句調侃——我們不要自然地愚昧，我們要人工地智能。什麼是自然地愚昧？我們看到現今的社會分工，生產關係裏頭實在有太多繁重、重複、沒有太大的意義的工作都是由人在做。
而今天的AI，無論在視覺、聽覺、語言能力上都有突破性的發展，完全可以在某些程度上取代人類部分繁重、重複的勞動。
二、潮流：AI再熱，實操中AI的價值是什麼？
主持人（李夢平，微軟中央市場部數字營銷經理）：眾所周知，AI技術是60多年前開始研發的，為什麼近兩年才在企業界和個人生活裏出現的越來越多，這背後的價值和驅動點是什麼？具象到應用場景來看，AI的價值是什麼？
徐明強（微軟全渠道事業部首席技術官）：從企業最關鍵的業務模式、運營模式來看，現在大家都遇到了一定的瓶頸。尤其是運營模式，規模化效應已經到了瓶頸。無論是成本、開銷這些東西，它總有一個平衡點。企業現在不得不從流程關鍵的路徑來看哪些節點是主要瓶頸。
之後我們就會發現，因為人類的視覺、聽覺、語言理解能力有侷限和偏差，導致很多標準化流程發生問題。
正好此時AI在視覺、聽覺、語義理解上有相當大的突破，可以在一定程度上取代重複繁雜的勞動。
這就意味着當公司業務增大時，企業不需要通過多招人來提升產能。真正在做數據化轉型，把AI應用得好的公司，你會發現它們在雲上資源用量就上去了，因為它實現了流程數字化，這是一部分。
另外一部分，如果一個公司實現了流程數字化，那麼它們就是真正的在用數據做機器學習，並由此來幫助其後端不斷地優化整個流程。
主持人（李夢平，微軟中央市場部數字營銷經理）：徐博士剛剛的分享，説到了商業的本質，企業永遠在追求降本增效、增加利潤。在這樣的時代，我們可以用到的一個工具是AI。那麼請問丁老師，為什麼這個時候，AI會成為大家考慮的一個工具呢？
丁磊（人工智能首席科學家）：首先，大家可以想一想，比如我們要從事AI方面工作，或者做AI方面的項目，會有哪幾個要素？
二是模型，AI模型類似於人腦的結構，它可以是一個程序，起的作用類似於人腦某一方面的功能。
三是算力，現在無論是傳統CPU架構，還是GPU架構，包括其它混合式的架構，都越來越成熟，算力支撐着數據和模型的運算。
四是業務模式，如果沒有業務模式那就不可能有AI落地。
現在有各種各樣創新的業務模式，在互聯網上，我們可以做各種各樣新業務，比如申請貸款等等。
放到20年前，這些模式完全不存在，也就沒辦法運用相關的AI成果。正因為有了這些業務模式不停地創新、迭代，對AI的應用也提出了越來越大的需求。
總結來説，數據、模型、算力、業務模式/業務場景，這四個要素都不是新的東西。
我們看到AI能夠越來越多的惠及普通大眾，惠及很多產業的新落地方向。這些都離不開這四個要素的緊密結合。
主持人（李夢平，微軟中央市場部數字營銷經理）：顧卿華老師，就AI的價值以及AI又成為熱潮這兩件事，您怎麼看？
顧卿華（安永諮詢服務合夥人）：為什麼企業會做這件事？價值到底在哪呢？
我們也有一些初步的分析和理解，從外因角度來講，數字化轉型是現在的大趨勢，國家層面、企業層面都在推動數字化轉型。
數字化轉型本身跟企業的生產力、創新能力、抗風險能力，跟產業的基礎能力、產業鏈現代化水平都有關係，而AI是數字化轉型中很重要的依賴點之一。
從內因角度來講，我們通過調研看到很多企業有包袱，它們可能有很大的內部系統，包括組織機制等，積累了很多包袱需要去轉變。
同時，企業也擁有大量數據，並具備很高的彙集數據能力，但它們其實沒有對這些數據充分地挖掘。並且，其很多業務也大量依賴信息化。
所以，業務同技術的邊界變得越來越模糊，跨學科、跨專業的工作和任務會越來越多的出現。因此，僅憑個人或者單個專家來解決問題，會顯得力不從心。
所以在這樣一個過程當中，企業就需要一些新興的技術，比如AI，來幫助他們做變革和創新。丁老師剛才也提到，現在環境基本已經就緒，企業也已經慢慢開始從瞭解、嘗試、試驗階段，轉入做比較成熟的應用和規模化發展階段。
主持人（李夢平，微軟中央市場部數字營銷經理）：那麼，有沒有具像的例子可以讓大家感受到生活中AI的應用場景已經落地了？
丁磊（人工智能首席科學家）：這個問題我可以從兩個方面來説回答，首先，AI應用有兩大方面。
第一個方面：人類無法勝任的工作。
對人來説，很困難的分析工作。比如在醫藥領域，由於人類的基因，包括DNA的對數量級都非常大（上億甚至上十億），因此要分析哪些基因會致病，哪些基因與疾病存在什麼樣的關係，我們是沒辦法做細微的統計與分析的。
同時，分析藥物的抗原跟免疫活動的關係也是非常複雜的工作，也是人類無法勝任的，但這些都可以由機器解決。
雖然人可以嘗試分析事物之間的相關性，但量特別大時，也無法勝任。好比之前我們做了一個項目，在世界級的大型網站上做首頁個性化，網站擁有每天幾百萬、上千萬的流量和用户，我給用户們怎樣千人千面個性化的大橫幅？
數據很複雜，解讀之間的相關性特別困難，或者説規則本身也許不復雜，但是如果要想用大數據意義下的行為信號來分析每天海量用户行為間的關係，這是十分複雜且人無能為力的，適合用AI來解決。
第二個方面：人可以勝任的工作，但是AI可以更快，甚至某些情況下更好。
例如，銀行或者保險機構通常需要做很多電話溝通，AI機器人可以按照銀行、金融機構的規定跟它的用户進行常規流程溝通，或者給用户解釋既定的政策等等。這種機械、重複的工作，用機器可以更快，更低成本地完成，並且也可能會做得更好。
因為人在處理大量繁重的工作後，可能會有情緒出現，也可能在溝通中出現違反企業內部規定、規則的現象等，但AI絕對不會存在這些問題。如果我們能把該場景下的AI模型結合數據打磨地足夠好，那它就既能取代這項人為工作，又能把工作做得更好和更快。
毋庸置疑，在很多場景下AI甚至能把具體細分工作做得更好。這就是人可以做，但是通過AI做得更快，甚至某些細分場景下能夠做得更好的工作。
顧卿華（安永諮詢服務合夥人）：我就舉一個例子。
我們最近完成的一個項目，是幫一家客户做風險決策引擎。這家客户每天面臨上千萬筆的交易，這個引擎要做的事情就是識別、判斷其中有風險的、偽造的、欺詐的交易，相當於設計一個安檢設備，幫客户挽回經濟損失。這個過程中就用到了包括機器學習、自然語言處理等一部分AI的技術。
從替代性來講，這項工作原先需要200多人力，甚至200多人力可能都做不好。但AI自動地、更準確和可靠地完成了。
從學習性來講，該引擎會逐步更新和迭代算法，讓其慢慢從事後研判，變成事前的預測和攔截。
從經濟性來講，它也具有業務性價值，每年給這家企業挽回上千萬的經濟損失。
這是我們看到相對比較完整的有AI技術、業務應用場景和實際價值，也在不斷演進和迭代的案例。
徐明強（微軟全渠道事業部首席技術官）：剛才丁老師講到AI可以具體應用在人類可做，但是比較慢，還有不是很安全的工作中，我這裏也舉個例子。
上汽倉庫要做盤點，首先他們的工作人員要操作叉車把貨物取下，人走上去一一掃描把貨物記下來，再恢復原處，這中間有什麼問題呢？
首先是安全問題，大家試想，叉車會把重達數噸的貨物，叉到三層樓的高度後，將其插進一個很小的槽裏。這難度好比用叉車把線穿到針眼裏，需要工作人員具備相當的技術與經驗。一旦出錯貨物掉下來，後果不堪設想。
第二是時間長。過去盤點一個倉庫要花360小時，而今天使用AI視覺系統自動辨認和無人叉車，可以將該工作的用時降到4小時。
當然，這項工作的難度不在於判斷，而在於會有很多預處理。
所以，關於AI落地，起初大家都以為是模型問題，但這僅是其中一部分，更重要的是很多標籤貼得對不對，比如有些貨物需要斜着放，有些則是正着放等等，對於細分場景都要做好預處理，才能把事情做好。
三、知易行難：
AI在企業級的商業應用中為何進展緩慢，
遇到哪些坑點？
主持人（李夢平，微軟中央市場部數字營銷經理）：在AI商業應用這條路上，大家普遍會遇到什麼樣的坑點？
顧卿華（安永諮詢服務合夥人）：AI落地階段確實是個知易行難的階段，我們從“AI熟悉度白皮書”中的所調研的各位企業高管的反饋裏也能看到。
第一，人的因素。大家會在白皮書裏看到，企業管理者認為“AI落地中最有挑戰內容”TOP10中，三項跟人有關，包括管理層、決策者的支持和意識，AI技術人才的缺失，員工對AI技術的信任。決策者、AI設計和執行者、普通員工，這是非常有代表性的，體現出領導者對企業宏觀業務方向的把握，對AI技術本身設計和落地的把握，以及在員工中構建信任和擁抱變化的文化也非常重要。
第二，數據的因素。企業需要紮實的數據基礎，如果缺少比較統一、標準化、高質量的數據，AI應用可能會是無米之炊、無源之水。我們看到很多企業在重複、反覆、持續地做數據方面的治理，包括數據質量提升、數據平台建設、數據應用構建，這些都是為了給後面AI應用奠定一個好基礎。
第三，不容忽視的還有風險與合規因素。AI讓企業把很多業務轉移至自動化平台，企業開始大量依賴機器幫忙做決策。在這個過程中會帶來業務連續性、隱私保護、AI可信度、倫理和社會的問題等，這些在AI落地過程中都不能忽視。
第四，所有的創新最後都會落到規模化問題上，而大多數AI創新可能都是點狀、實驗性質、局部地創新，其非規模化、商業化、運行態的業務創新。這個時候領導者對業務策略的把握和選擇、對應用場景的把控，包括對未來運營模式的設計，就是非常重要的先決條件，不能把AI僅僅當做基礎性的項目來做。
當然，大家可以在白皮書中看到企業高管們對AI落地過程遇到的挑戰的一些觀點。
丁磊（人工智能首席科學家）：我就沿着顧卿華老師搭的框架展開説。組織架構對AI落地的影響，數字化轉型一定是一把手工程，是CEO親自抓的。所謂的智能化，AI轉型也一定是CEO抓的工程。
失敗原因各種各樣，可能是沒有滿足業務需求，也可能是沒有在公司內部很快樹立起AI部門的重要性……隨着公司不斷的調整組織架構，AI部門很快淡出。
在我2013年牽頭搭建這個部門時，已經是至少第三次在全球消費者數據部搭建AI平台，為什麼會這樣呢？這背後就涉及到組織架構的變革。
數據科學、AI部門到底關鍵點在哪裏？它是IT部門嗎？其實也不算，因為IT部門關注的是系統的可靠性與數據的質量，它不關注數據怎麼變現和產生價值。
所以數據科學與AI部門不是IT部門。那它是不是個分析部門呢？它也不是我們平時所説的傳統意義上的分析部門，在很多大型公司中都有專門的分析師的團隊和部門，所以AI部門也不是分析部門。
這就碰到一個問題，既然AI部門不是傳統的分析部門，你怎麼證明其比分析部門有更強更大的價值？如果AI部門跟分析部門做一樣的事，那這個部門是沒有價值的。所以，AI部門不但要把數據分析好，還要從數據中提取之前沒有提取到的價值。
因此，做AI的難點肯定不僅僅是進行粗略的PoC（Prove of Concept，即概念驗證，其目標是測試項目是否值得花時間在其中，如果通過概念驗證，意味着項目可進入正式生產、商業化應用階段）就能夠完成落地了。
它要求我們在自己已經不低的基線之上，證明還能夠有相應的提升。只有這樣，AI部門才能得到公司內部及客户的認同，這些對AI部門的要求是比較高的。因此，AI部門它也不是傳統的分析部門。
從我個人經歷來看，在硅谷的大型公司，比如市值已達兩三千億美金的Pay Pal內部，該如何找到AI或者説數據科學部門的定位呢？這其實也非常困難。因為這個部門無法融合到任何一個傳統部門中。
它的建立必須要從零開始，打造全新的專業領域形象。並且其負責人可能只有6-12個月的時間來打造專業領域形象。
他必須在公司裏、在業務上證明自己部門存在的價值與合理性，只有這樣才有可能得到發展、成長的空間和餘地。
注意，這個價值必須是顯著的。作為公司的AI部門，或者AI項目，其所提供的價值如果還達不到，剛才徐博士提到的已被AI賦能的智能化Excel的程度，或者無法超出其很多的話，這個部門或項目就沒有存在的意義。
所以對任何AI業務——無論是內部項目，還是服務客户項目而言，要想AI落地，門檻和挑戰都很大。
徐明強（微軟全渠道事業部首席技術官）：我看到的很多數據團隊，他們總是看着蛋糕上面的櫻桃，卻忘了如果沒有這個蛋糕，其實櫻桃也沒有存在的意義。
櫻桃是什麼？數據團隊説我們得把很多實時的Dash board（儀表盤）做出來。還有一些數據團隊説致力於做出更好地決策支持模型，結果最後發現真正的問題是數據治理問題。
數據是有原罪的，數據如果沒有被救贖，它就沒有辦法發揮能力。
數據何罪之有呢？
還有，“自由”就是當你人為靠一些服務器收集數據，發現返回的數據是很有問題的。
比如英國的Health Care做普查，結果顯示80%的人都出生於1911年11月11日，為什麼會出現這種情況？
後來發覺，原來是當被調查者不想回答一些非常隱私的問題時，他們就想輸入“00”，但系統不允許輸入“00”，於是大家都會輸入“11”，所以80%的人都在1911年11月11日出生，這個數據是髒的。
“散”是指散落在各處。“慢”是指速度慢。當很多業務部門問數據團隊要數據時，往往是需要一個報表。其實他們前一天就想用，但出於不好意思，就會説能不能週末給我們。
所以，想要把數據真正做好，需要很多工具支持。比如怎麼樣從原數據裏把數據抽取出來，還有如何把“髒的”數據做好，等等。
只有這樣才能得到較好的結構化數據，讓數據科學家能夠在此基礎上做一些實質性挖掘，做好模型。所以，企業必須把數據治理首先畫在自己的路線圖上。
主持人（李夢平，微軟中央市場部數字營銷經理）：丁磊老師有沒有要補充的部分？
丁磊（人工智能首席科學家）：徐博士的“自由散慢”四個字，總結得特別到位，恰如其分。
從“自由散慢”出發，這些工作無論是數據科學家親自操作，還是跟別的團隊一起來做，其實大部分工作都是數據清理。我們知道有多少人工就有多少智能，大家可能覺得作為AI團隊或者AI服務商，他們的大部分工作就是做AI模型。剛才徐博和顧卿華老師也提到，這些其實只是中間很小的一部分工作。
你需要明白在不同場景下，到底需要質量“多好”的數據。但有一點毋庸置疑，如果輸入的數據是垃圾，輸出的模型肯定也是垃圾。
我們現在AI公司或者AI部門，通常都有很多數據標註人員和數據質監人員，這些崗位的人數絕對比數據科學家人數多不止一個量級。
也就是説，現在大部分AI企業或AI團隊也在做很落地、很具體的工作。我覺得這是好事，如果忽略了這些工作，AI的根源就是錯的，那麼AI落地也就無從談起了。
四、AI落地後，如何實現商業閉環？
主持人（李夢平，微軟中央市場部數字營銷經理）：到底AI該如何落地，並實現閉環呢？
顧卿華（安永諮詢服務合夥人）：結合《AI成熟度白皮書》我想分享兩點：
第一，AI戰略的落地思路。我們把它宏觀、初步地概括成3+4+8。
“3”是指總體上分三步走。
首先，要精細的瞭解企業目前對AI應用的現狀。其次，要明確未來應用的場景和方向。最後，是落地和持續變革的管理。在過程中，總體原則還是企業要量力而行與循序漸進。
“4”是指四個價值創造的領域。
在白皮書中也有闡述，從客户的維度，吸引客户，到賦能員工，到變革產品和服務，到優化運營。但這可能會因各企業自己業務的成熟度而異，大家可以挑選優先應用這些新興科技的領域。這裏也有一個大原則，就是要從企業的優勢領域裏來着手先應用這些新興科技。
“8”是指八項核心能力。
在進行AI落地的時候，有八個比較重要的組織能力，需要構建和優化。這要從整個AI領導力開始，到企業的創新管理，到應用場景的識別和選擇，到數據的管理，到數據部分的高級分析的技術，到新興技術的選擇，到敏捷開發（敏捷開發是一種以人為核心、迭代、循序漸進的開發方法。在敏捷開發中，軟件項目的構建被切分成多個子項目，各個子項目的成果都經過測試，具備集成和可運行的特徵）。
換言之，就是把一個大項目分為多個相互聯繫，但也可獨立運行的小項目，並分別完成，在此過程中軟件一直處於可使用狀態。
最後到信息與網絡的安全。這其實也是個自上而下的體系，它從最頂端的、整體的、戰略層面的把握開始，到我們為建立機制孵化所做的所有的創新（創造好的環境），到我們剛才説的到底AI業務價值在什麼地方（選擇比較好的業務場景）。
2位專家也提到數據治理以及數據深度分析，這些都需要紮實的數據做基礎。企業在選擇新興技術時，是怎麼在眾多AI技術應用中選擇到合適的應用，並將其用到場景裏。
而敏捷開發是用一種比較快捷的、便捷的、迭代的模式去落地所有的AI技術。最後，有信息和網絡安全的機制，為所有的變革保駕護航。
這就是我們AI落地戰略總體的"3+4+8"的方法論，在這裏給大家做個參考。
主持人（李夢平，微軟中央市場部數字營銷經理）：徐博士，剛剛您説到數據治理、模型治理，到底我們應該怎麼做呢？從您天天跟合作伙伴、客户應用的場景打交道出發，我們到底要怎麼解決這些問題？
徐明強（微軟全渠道事業部首席技術官）：中國有句話叫“天下難事，從易處着手。”大家如果還沒有開始，或者即便已經開始，摸索一段時間也能從易處着手。
像很多大型公司，包括微軟、安永等等，把工業重要的場景都分了類，比如在零售行業，微軟就在打造更智能的供應鏈，以期更好地瞭解客户……我們按照不同的場景建立了相應的生態。
安永就是微軟在智能供應鏈的合作伙伴之一。在製造業方面，微軟也在打造比如怎麼樣做數字工廠等等這些場景，當然也有與此場景相應的合作伙伴。所以，微軟會跟合作伙伴一起，為客户的特殊場景打造專屬的路線圖。
那麼，在選擇技術支持時，很多企業並沒有數據科學家，機器學習業務該怎麼開展呢？
其實自動機器學習技術現在已經具備，企業可以在不懂模型，不懂參數優化，甚至不知道怎麼樣來清洗數據的情況下，利用自動機器學習的API（應用程序接口）來幫助挑選模型，調整參數。甚至輸入數據都可以是髒的，它也可以幫你把輸數據清洗乾淨。
所以從這幾方面簡化，從易處着手。
我舉個例子，我這邊有一個做零售快消品的客户，他們遇到的很大問題是，在快消品都是大量製造、批發和鋪貨的行業現狀下，挑戰怎樣做柔性生產。這是相當有難度的。
現在的年輕一代的喜好不同於父母輩，他們喜歡具備綜合功能的產品，比如洗面奶中增加護膚元素，加入玻尿酸等等。這種需求過去是沒有辦法能做到，但有這樣的柔性工廠，可以做到貨品從工廠直接連接到店面，這個模式叫M2C（生產廠家對消費者）。這中間需要做的數據工作是非常多的，需要真正要把客户畫像做好。
所以，這個客户選擇了微軟的合作伙伴來提供解決方案，主要做兩個事情：一是用户畫像。二是幫它做供應鏈，解決倉儲優化等問題。
這家客户就是找到了微軟，微軟推薦了合適解決其場景問題的合作伙伴，它們也就很快找到了解決方案。
這家客户的CIO（首席信息官）曾經説過，AI（人工智能）、IoT（物聯網）技術太多了，我要把這些技術消化，弄明白是怎麼回事，已經不容易了。再靠我自己的能力去鑑別供應商，確實太難。所以，跟微軟生態合作就有這樣的好處，我們事先篩選出真正能夠解決問題的供應商，為客户節省了很多時間。
主持人（李夢平，微軟中央市場部數字營銷經理）：丁老師，您有哪些方法，可以讓大家避開坑點？
丁磊（人工智能首席科學家）：我在自己的新書《AI思維》中，從一些角度做了解釋，給出了方向。
剛才我也簡單説了，毋庸置疑，AI落地過程中會涉及很多團隊，但其負責人，無論是企業的老闆還是核心業務的負責人，都需要具備一定的AI思維。這就是説，他要具備從數據中產生預測，做出決策，並且形成閉環反饋的思維的機制。
模型會不斷處理這些企業實際業務數據，同時這些數據又反哺到模型中，模型就像人的大腦，可以不停地發育和成長，這樣模型會越學越聰明。
作為公司的老闆，一把手或業務負責人，並不一定要懂這個具體的技術，但要具備AI思維。也就是説，他需找到能夠讓數據和模型自相反哺的反饋機制。
如果他能夠把控這個機制，那無論是通過內部團隊或是服務商，總能夠找到AI落地的最佳點——平衡成本和效益，找到落地的空間和應用的點。
但是，如果企業的一把手或者業務的負責人不具備我們所謂的AI思維，他不知道數據通過模型的學習，以及相應的反饋會越來越聰明這個閉環，那AI技術就肯定很難落地。
主持人（李夢平，微軟中央市場部數字營銷經理）：顧卿華老師，您是否可以再介紹一下成熟度評估工具是一套什麼樣的模型？它是不是能幫助企業定位自己處在什麼階段，並告知其需要什麼樣幫助？
顧卿華（安永諮詢服務合夥人）：AI成熟度評估這個工具比較好的一點在於它能夠做到快速診斷。通過診斷結果，企業能夠明確自身在同類型的企業裏，或同行業的領先企業中，大致的AI應用成熟度位置。
這個位置包含哪些內容呢？
包括從最頂端的管理層對AI的認知和重視程度，AI這個話題在管理層、董事會的位置，AI應用的領域應該在創新方面，還是在內部管理中，到AI應用的價值創造的效果在哪方面最顯著，到數據成熟度的情況，到未來公司在AI方向的投資計劃等等，我們可以向測評企業提供參照物進行對標。
同時，企業可以參與探討、研究這個話題，或者追加投資。我認為這是一個非常簡單和直觀的工具，可以幫助大家快速評估企業現狀。
主持人（李夢平，微軟中央市場部數字營銷經理）：實際上，即便公司一把手具有AI思維，但到具體的策略落地時，大家遇到的頭號問題是缺乏AI人才。
那麼，企業該怎樣培養人才，改變員工的思維方式？怎樣讓AI賦能到具體的數字化轉型策略上？在那個艱難的時期，您的科學家團隊又是怎麼説服老闆，最後證明自身價值的？
丁磊（人工智能首席科學家）：我從兩個方面講，對於Pay Pal這樣成熟的硅谷的國際型大公司，是真的是不缺人才的。我當時的夥伴都是斯坦福、哥倫比亞大學的博士、碩士。主要的挑戰和難點在於，如何讓這些人才有發揮自己價值的空間。
比如，我們需要有項目或者任務，它能夠產生實際的業務價值。這樣才能鼓勵這些人才，讓他們把時間和精力往公司想迫切發展的AI方向上推動。
國內很多企業或一些偏傳統的企業雖然沒有這麼多高級數據或者AI人才的儲備，但國內並不缺乏能夠進行AI基礎落地的技術人才。
那麼，我們缺什麼？缺的是公司的一把手們是否真正地具備AI思維。他要求一把手能在多層面，具備夠構思面向AI落地的數據應用的反饋架構。
他應該知道特定數據在哪些場景下該建立怎樣相應的模型，而這個模型收集的新數據又能訓練自身不斷學習，越來越聰明。
以及這個模型的決策和預測結果，能用在哪些業務場景下。我認為，其實對大部分公司一把手來説，上述命題都是想不清楚的。
所以，AI落地中關鍵的坑點或卡殼的地方，還是需要加大對企業老闆或者業務負責人，甚至包括部分一線業務負責人在AI思維上的提升和教育。當這些人真正地理解這樣一個框架和AI數據思維的閉環邏輯的話，再進行AI落地就會順利很多。
因此，我們國家並不缺基礎的技術人才，只要重視和解決上述問題，我們是有能力有效的推動AI落地。
主持人（李夢平，微軟中央市場部數字營銷經理）：顧老師是否有建議給到大家呢？
顧卿華（安永諮詢服務合夥人）：除了反覆強調的一把手要負責，要獲取和培育AI的人才，要建設配套的機制之外。我們也在一些比較成功和優秀的企業身上，看到了一個特點，那就是他們都在打造學習型組織。
一個學習型組織，它會自上而下的，從最高層開始重視學習和知識資產的積累，重視企業和員工的不斷地自我提升與改造。
在這樣一種氛圍下，接納包括AI和其它的一些創新的新興的科技，就會有比較好的土壤和氛圍。
這點不論是對企業，還是個人的思維模式的轉變而言，都有一定的借鑑和啓發意義。
主持人（李夢平，微軟中央市場部數字營銷經理）：顧老師和丁老師剛剛都分享到一些很好的點，徐博是否也可以從親身經歷分享一下？
徐明強（微軟全渠道事業部首席技術官）：我從微軟轉型這件事上來講講吧。
大家知道，微軟轉型是從原來賣許可證，轉變為現在的主要做雲技術；從原來主要靠數人頭賣產品，推動客户公司商用電腦軟件正版化覆蓋比例，到現在變成真正幫助企業利用雲、AI技術做數字化轉型，這個轉變相當的大。
微軟轉型能夠成功的因素很多，但我想從文化的角度來講講。過去微軟的企業文化可以用固化的心智來形容。
為什麼這樣説呢？
舉個例子，微軟的執行力一直非常強，為什麼呢？微軟過去的策略是什麼？我們的業務模式很簡單，第一是Windows的市場份額，第二是Office升級，就這兩件事情。
我記得我有一個朋友曾給蓋茨提過一個建議，説能不能在Windows上面加一層軟件，這個軟件是需要付費的。
蓋茨沒有聽他説完，就表示這是我聽到最愚蠢的一個想法。為什麼？因為只要用户購買了Windows，系統中提供的產品和功能就自然有了，這就是微軟過去的打法。
當薩提亞擔任CEO後，他認為正是這種固化的心智使得微軟收購諾基亞。他為什麼會這麼認為？誰做OS（操作系統）最強呢？當然是微軟。
那麼硬件生態誰最強呢？當然是微軟。
微軟和蘋果比，蘋果只有硬件，但微軟支持了不計其數的設備，還有我們開放的PC架構等。正是因為這個原因微軟收購了諾基亞，但卻忽視了一點，那就是全世界不需要第三個移動生態系統。
後來微軟做了轉變，那就是和AI有關。我們曾經在Twitter上運營過一個名叫Tay的對話機器人，可它在上線第一天就被撤回了。因為在運營過程中我們發現機器人也會學壞。
它發佈了一些不當言論和不雅視頻，這讓微軟非常冏。在過去發生這樣的事情，高管可能就要主動遞辭呈了。
但薩提亞並沒有這樣做，他反而鼓勵大家，並表示發生這樣的事，我們才知道做AI原來是要承擔很多責任的。於是，後來微軟成為業界第一個提出要做負責任的AI的公司，並提出了透明度、數據的公正性、保護隱私這些原則。後來，Facebook、谷歌、亞馬遜等公司也都加入此行列。
微軟從固化的心智轉變為成長型心智，這個轉型非常重要。
如果在過去，一旦有人提出公司重點從做許可證轉向做雲技術，內部很多聲音就提出質疑，公司要怎樣保證業務、營業額不會有大幅度的下跌。但當微軟轉換為成長型思維後，這些都不是問題。
主持人（李夢平，微軟中央市場部數字營銷經理）：因為時間的關係，我們的活動到這裏就結束了。再次感謝三位嘉賓非常精彩的碰撞。
*文章為作者獨立觀點，不代表筆記俠立場。
主辦方簡介——
微軟AI商學院是一檔針對企業的管理者，業務線的夥伴們打造的大咖對話欄目。微軟AI商學院希望從4個方面：AI賦能的數字化轉型戰略制定，業務實踐，組織文化管理，技術解讀幫助各位朋友理解數字化轉型，獲得落地實踐，以及個人職場競爭力提高的啓發。
中信讀書會是中信出版集團的閲讀服務項目，旨在為終身學習者和閲讀愛好者提供優質圖書選品，以及包含直播、音視頻課程、私享讀書會等在內的閲讀服務。經濟+商業+財富+前沿+成長，五大熱門內容滾動更新、高效獲取。
企業諮詢 | 企業內訓 | 線上、線下企業大學
課程團購 | 定製化培訓
三板斧是馬雲培養一把手的方法論
即：定戰略、造土壤、斷事用人
用於培養高層定方向和做決斷能力
搞好組織建設和人才建設
掃碼立即學習
分享、點贊、在看，3連