企业家一定得知道的事情——人工智能与商业的关系

在AlphaGo成功挑战围棋世界冠军后，“深度学习”家喻户晓，已成为人工智能（AI）的代名词。深度学习带动了人工智能的再次复兴，这次复兴的最大亮点，就是AI开始在语音识别、机器视觉、数据挖掘等多个领域落地，真正释放出了商业上的价值。各个行业的企业决策者也都有机会着眼自身战略，利用落地的AI技术和应用聚焦业务流程优化、效率提升以及对全新机遇的发掘。

AI带来的应用和业务创新机会将推动全行业的转型升级

成功部署AI，数据才是关键

在人工智能（AI）大潮席卷之下，许多企业正在考虑的，已不再是“是否要部署AI”，而是“应该如何构建或部署AI”。要解答这个问题，我们不妨先回过头来，重新审视一下AI的三大支柱——海量数据、算力和AI算法，看看它们之中哪一个才是企业推进AI时最重要的先决条件。先看算力，高算力确实是发展AI不可或缺的条件，但在计算技术日新月异的今天，它早已不是仅供少数机构或企业享用的资源；再说算法，在互联网行业主导AI复兴的时代，开放和免费已是主旋律；最后看数据，似乎只有它，才是企业需要通过长期投入和积累来获取的宝贵资产。

训练使用的数据集越大，质量越好，AI应用的受益就越多

这样一看，好像数据才是AI最核心的要素？是的！许多数据科学家，其实就是这样看待数据在AI中的价值，并将AI应用视为企业现有数据处理和分析工具链条上的补足或智能化升级的。毕竟AI的目标，就是要让计算机系统演进成为像人脑一样的，可以自主学习和理解事物、处理问题并做出决策的信息处理机，如果没有大量信息（数据）的输入和训练，实现智能进化纯属空谈。

高级数据分析就是有“AI加成”的数据分析，也是多数企业AI应用中最常见的场景

不断成长的人工智能

虽然AI正因其创造的商业潜力而备受睹目，但严格来说，它的发展仍然处于早期阶段，就像婴幼儿需要依次及综合使用口、手和眼等感官来感知这个世界，刺激大脑发育一样，AI用来感知信息、实现智能进化的路径，也是多种多样的。目前火爆的深度学习，以及一般的机器学习和基于规则的学习，都是目前AI领域的主流技术路径。

人工智能、机器学习及深度学习的关系示意图

这些技术路径之间的关系，与其说是彼此竞争或替代，更不如说是互补的——基于它们不同特性和适用场景来实现互补。只是单个的技术或者功能是无法实现真正的目的，当他们相互配合，才能最终完成一套可以有实际用处的智能硬件。

现阶段主流AI技术路径的优势、适用场景和局限性总结

人工智能的实际应用

这种多条技术路径互补，或者说融合应用的妙处，在中国银联电子商务与电子支付，国家工程实验室推进银行卡反欺诈技术的研究中体现得淋漓尽致。该实验室在最初研究中发现，如果只使用机器学习，将面临对序列化交易特征学习能力不足的问题，而只用深度学习，又会遇到单笔交易内特征学习能力有限的问题，而将两者融合才是更好的解决方案。

融合了机器学习和深度学习的三明治结构欺诈侦测模型架构

值得一提的是，银联这个融合式的创新模型，是选择了基于英特尔至强处理器的CPU平台，而非专用平台来作为其算力的支柱。这是因为CPU架构对目前几乎所有的AI主流技术、乃至新涌现的技术都有出色的兼容性，而且在英特尔为至强平台提供了更为广泛和深入，涉及了硬件加速能力、软件工具及框架等层面的优化后，这个CPU平台不论是支持基于单种AI技术的应用，还是在运行融合了多种AI技术的应用时，性能表现都更为突出。

可见，在AI之旅的起点上，企业面对的技术路径不只一条，选择也不限于一个。无论是传统推理、机器学习、深度学习，亦或是它们的融合，都是可选项。

就像银联将AI与反欺诈技术相结合一样，AI在目前的企业使用中还有许多其他的用途，例如米卡迪帮电销完成意向客户的初步筛选工作；帮企业完成客服的售前售后处理；并兼顾性能和可扩展性，帮助企业更好地应对复杂多变的现实应用需求，并以更快的速度、更低的成本达到企业的发展目标。