“AI工厂”本质：AI基础设施及怎样将AI转化为运营动力

持续关注人工智能新闻的朋友一定发现，AI这个词已经异化为两种完全不同的定义。而媒体、影视作品喜欢把AI描述为已经具备类人能力的末日威胁，会导致大量失业甚至出动机械力量进行人类清理。另一方面，学术研究更关注人工智能的具体发展，承认目前的AI还很薄弱，无法实现人类思维系统中的大部分基本能力。

但至少可以肯定的是，如今的AI算法已经成为医疗、金融、制造、交通等领域的重要解决方案组成部分。正如哈佛商学院教授Marco Iansiti和Karim Lakhani在他们的著作《人工智能时代的竞争：算法与网络为主导的时代下的战略与领导力》中所提到的，用不了多久，“所有人类事务都将离不开人工智能的协助。”

事实上，正是当前“弱”的AI引领了谷歌、亚马逊、微软甚至脸书等科技巨头的发展和成功，影响了全球数十亿人的日常生活。Lakhani和Iansiti在他们的书中提到，“在实际应用中，我们需要的不一定是完美的人工智能。不完美的AI足以优先考虑社交网络上的内容，做出完美的卡布奇诺，分析客户行为，设定最佳价格，甚至创作不同风格的画作。事实上，这种不完美的弱AI足以改变企业的性质及其运营方式。"

而哪个企业能真正将AI转化为运营力量，谁就能开拓新的市场空间，颠覆传统行业。能够适应AI时代的老牌厂商将会生存并继续蓬勃发展。继续坚持传统方法的公司错过了人工智能的力量，要么不复存在，要么被完全边缘化。

Iansiti和Lakhani在书中讨论了很多话题，其中一个就是概念AI工厂,他们认为这是AI时代企业竞争和发展的关键前提。

问题是，“AI工厂”究竟是什么？

在当今的商业系统中，最关键的AI技术在于机器学习算法。该算法的本质属于统计引擎，它负责从以前观察到的数据中收集模式，并相应地预测新的结果。机器学习算法与其他关键组件(包括数据源、实验和软件等)的集成。)建立了AI工厂，它代表了一组可以互连并促进学习和发展的组件和流程。

这就是人工智能工厂的工作方式。从内部和外部来源获得高质量的数据来训练机器学习算法，然后使用该算法来预测特定的任务。在某些情况下，比如疾病的诊断和治疗，这种预测可以帮助人类专家做出准确的判断。在其他领域(如内容推荐)，机器学习算法可以自动完成所有任务，无需任何人工干预。

AI的算法和数据驱动模型使各种组织能够快速测试新的假设，然后引入变化来不断改进自己的系统。具体措施可以是在现有产品上增加新功能，也可以是基于公司现有资产开发新产品。这些变化反过来又帮助企业掌握更多的新数据，改进AI算法，并通过这样的良性循环找到提升性能、创造新服务和产品、维持发展和冲击各种新细分市场的方法。

Iansiti和Lakhani在《AI时代的竞争》中写道，“从本质上讲，AI工厂在用户参与、数据收集、算法设计、预测与改进等环节之间建立起一条完整的良性闭环。”

这种把构建、测量、学习和改进联系起来的想法并不新鲜。企业家和初创企业在这一领域有多年的理论和实践经验。然而，凭借强大的自然语言处理和计算机视觉技术，AI Factory将这一循环提升到了一个新的高度，从而迈出了近年来全面普及的重要一步。

《AI时代的竞争》还列举了蚂蚁金服(现蚂蚁集团)的案例。该公司成立于2014年，拥有9000名员工，目前为超过7亿用户提供广泛的金融服务。而这种前所未有的运营服务效率，有赖于高效的AI工厂和卓越的领导力。相比之下，成立于1924年的美国银行拥有20.9万名员工，但仅服务于6700万用户，产品种类也较为有限。

Iansiti和Lakhani感叹道，“蚂蚁金服开辟了全新的金融服务理念。”

“AI工厂”的基础设施

众所周知，机器学习算法高度依赖于大规模数据。目前，关于数据的价值已经有很多耳熟能详的比喻，例如“数据就是新的石油”，这种陈词滥调多见于各类纸头报端。

但单凭大量数据绝不可能成就好的AI算法。实际上，很多企业都掌握着大量数据储备，但他们的数据与软件各自居于孤岛之内，存储形式不统一、模型与框架也互不兼容。

Iansiti与Lakhani写道，“即使客户将企业视为统一的实体，但事实上企业在各内部机构、部门以及跨职能区划间的系统与数据大多彼此分散，导致数据难以聚合，延迟了洞见的产生速度，最终导致人们无法充分动用分析与人工智能的力量。”

此外，在将数据馈送至AI算法之前，我们还需要进行数据预处理。例如，你可能希望使用客户往来聊天记录开发一个AI驱动型聊天机器人，由其自动为部分客户提供支持服务。在这类场景下，我们首先需要对文本数据进行合并、令牌化、去除多余的词汇及标点符号、辅以其他转换，而后才能将其用于训练机器学习模型。

即使面对销售记录等结构化数据时，其中同样可能存在空缺、信息丢失乃至其他需要处理的不确切之处。再有，如果数据来自多种来源，则需要以不致引起误差的方式加以聚合。如果未经预处理，大家只能使用低质量数据训练机器学习模型，最终导致AI系统性能不佳。

最后，内部数据源可能在体量上不足以支撑AI管道的开发。有时候，大家还需要借助外部来源进行信息补充，例如收集来自社交媒体、股市、新闻等来源的数据。以BlueDot为例，该公司使用机器学习预测传染病的传播情况。为了训练并运行其AI系统，BlueDot会自动从数百个来源处收集信息，包括来自卫生组织的声明、商业航班、牲畜健康报告、卫星气候数据以及新闻报道等等。该公司的大部分工作内容乃至软件方案都围绕数据的收集与聚合设计而生。

在《AI时代的竞争》中，两位作者介绍了“数据管道”的概念，通过一组组件与流程对来自多个内部及外部来源的数据进行合并、清洗以及集成，而后处理并存储结果以供不同AI系统使用。但更重要的是，数据管道必须以“系统化、可持续且可扩展的方式运作”，意味着应尽可能避免手动操作以消除AI工厂中的一切潜在瓶颈。

Iansiti与Lakhani还进一步探讨了AI工厂所面临的其他挑战，例如如何为监督机器学习算法建立正确的指标与特征，在人类专家洞见与AI预测结果之间找到正确的缺失环节，以及如何应对运行层面的挑战并验证结果。

作者们写道，“如果将数据视为向AI工厂提供动力的燃料，那么基础设施就是输送燃料的管道，而算法则是完成工作的机器。反过来，实验平台则是负责将燃料、管道与机器接入现有操作系统的阀门。”

转型为AI公司

从各个角度来看，建立一家成功的AI公司不仅需要克服工程技术层面的挑战，更需要解决产品管理领域的诸多难题。事实上，不少成功企业已经找到了以AI技术为基础建立长期文化与业务流程的实践方法，而不再单纯尝试将深度学习的最新成果强行融入难以与之匹配的传统基础设施。

这种方式对于初创企业及传统主流公司都同样适用。正如Iansiti与Lakhani在《AI时代的竞争》中所阐述，只有那些不断改变自身运营及商业模式的企业，才能在这样一个新时代下生存下来。

他们写道，“对于传统企业而言，要想转型为一家基于软件的AI驱动型公司，必须要采取完全不同的组织形式，并把转型视为一种新的常态。这并不是说单纯建立起新的部门、AI专项团队或者是偶发性的开发流程，而应建立起由敏捷组织支持的、以数据为中心的新型运营体系，这将从根本上扭转公司的运营核心。”

《AI时代的竞争》还提供丰富的相关案例研究。其中包括Peloton（彻底颠覆了传统家庭运动器材市场）与Ocado（利用AI技术实现低利润日用百货的数字化转型）等初创企业从零开始建立AI工厂的趣闻轶事。此外，知名科技企业也将以案例形式出现，包括通过多次成功转型在AI时代实现蓬勃发展的微软，以及动用数字化及人工智能技术克服自身固有缺陷的沃尔玛等等。

AI技术的兴起，也给“网络效应”带来了新的含义。事实上，这种现象自搜索引擎与社交网络诞生之初就成为科技企业的重要研究对象。《AI时代的竞争》讨论了网络领域的各个层面与类型，涵盖如何通过将AI算法集成至网络之内以促进增长、推动学习并改进产品。

正如行业专家们观察到的那样，AI技术的进步将给各类组织内的每一位技术人员乃至运营人员产生影响。Iansiti与Lakhani表示，“许多优秀的管理者需要重新接受培训并学习AI领域的基础知识，了解如何在组织业务及运营模型中有效部署这项技术。但需要强调的是，他们并不需要成为真正的数据科学家、统计学家、程序员或者AI工程师；正如每位MBA学员都需要掌握一定的财会及运营知识，但却不必成为专业会计一样，如今的企业管理员也需要以同样的方式对AI以及相关技术建立起初步的认知与理解。”