第一部分 简述人工智能和管理

第一章 人工智能在管理中的应用

人工智能概述

人工智能在近些年取得了长足的发展。从各式各样的智能音箱到回答问题的聊天机器人，从工厂机器人到自动驾驶汽车，从人工智能生成的音乐、艺术和香水到游戏人工智能和辩论系统……我们已经见证了人工智能从一门偏重理论的学科向一个赋能海量全新应用的实用工具的转型。有些人认为“人工智能就是信息技术的未来”，支撑这种说法的证据存在于各行各业：在大学里，机器学习和其他人工智能基础学科的入学率屡创新高；在行业中，人工智能赋能的工具现在已经可以协助医生发现黑色素瘤、帮助招聘人员寻找合适的候选人，以及辅助银行决定向哪些客户发放贷款。算法正在赋能产品推荐、精准广告、论文评分、员工晋升和留存、风险评级、图像标记、欺诈监测、网络安全防御等大量应用。

基于算法的决策的爆发式增长和广泛使用激起了人们的广泛兴趣，并引发了各种连锁反应（当然，其中还有各式各样的炒作）——从期待人工智能如何辅助人类决策、提高商业绩效，到质疑其公平和伦理，再到惧怕其取代工作岗位、加大贫富差距，乃至于忧心人工智能会威胁人类生存发展。“人工智能”一词本身也在不断演变，这一术语对不同的人有着不同的含义。人工智能不仅包括机器学习、神经网络和深度学习这些技术领域，它已成为许多与数据和分析相关的学科的一个概括和总称。这也是“人工智能就是信息技术的未来”这一现象的一种体现。

本章旨在对人工智能进行简要介绍，描述人工智能的发展和变化过程，如何从当前的“狭义人工智能”阶段发展到能力更强、更先进的“广义人工智能”阶段，再到未来的“通用人工智能”（General AI/AGI） 阶段。在本章，我们同时探讨组织和管理上的考虑因素，包括人工智能在诸如战略规划、市场营销、产品设计和客户支持等商业运营任务中发挥的作用。最后，我们还将详细论述组织确定全面的人工智能策略的要求和先决条件，基于理解人工智能对组织的价值，关注数据、技能等实际需求，适当地实施人工智能战略。

人工智能的定义

正如理查德·格雷戈里（Richard Gregory）在他的《牛津心智指南》[1]（The Oxford Companion to the Mind）一书中所述：“从狭义的视角来看，有多少位专家，就有多少种对智能的定义。”另一项研究成果显示，关于智能，有超过70种不同的定义。广义上说，人工智能是计算机科学大类下的一个研究领域，其研究重点是如何使机器的行动更加智能。人工智能的功能有很多，包括但不限于：

学习，以及从数据中学习模式的方法和途径。人工智能的学习包括无监督学习和有监督学习两种。在无监督学习中，计算机直接处理原生数据样本并建立模型；而在有监督学习中，计算机处理的是预先由人类打好标签（label）的训练样本，从而实现对训练样本之外的数据的分类和预测。深度学习是一种基于人工生成的神经网络的特殊的有监督学习；

理解，包括对例如医学、会计、法律等特定领域任务所需的知识表示技术；

推理，其中包括几种不同的推理类型，如演绎推理、归纳推理、时序推理、概率推理以及定量推理；

互动，与人类或其他机器协作完成任务，或与环境完成交互。

人工智能简史

虽然人工智能在近些年得到了极大的关注，但它并不是一个新的概念。创造一个“会思考”的机器的想法早在现代计算机出现之前就已存在。举例来说，对形式推理的研究可以追溯到古代哲学家亚里士多德和欧几里得。计算机器（calculating machine）的制作始于古人，历史上的众多数学家都对原有的计算机器加以改进过。17世纪，莱布尼茨（Leibniz）、霍布斯（Hobbes）和笛卡儿（Descartes）探索了将所有理性思维像代数或几何一样系统化的可能性。人工神经网络的历史虽不如计算机器一样久远，却也不是最近才出现的新鲜事物。1943年，神经科学家沃伦·麦卡洛克（Warren S. McCulloch）和逻辑学家沃尔特·皮茨（Walter Pitts）尝试通过研究大量基础细胞，也就是神经元（neurons），根据逻辑构建大脑模型，揭示人类大脑如何产生高度复杂的模式，并提出极为简化的神经元计算模型。这项工作为人工神经网络的发展做出了重要贡献，而人工神经网络是当前许多人工智能系统的基础。另一项重要贡献则来自加拿大心理学家唐纳德·赫布（Donald Hebb）。赫布认为，神经通路在每次持续使用后都会得到强化，尤其是倾向于在同一时间内发射的神经元之间的通路。这一理论成为赫布学习（Hebbian Learning）的基础，也对人工神经网络中如何设置和学习神经网络模型不同神经元之间的权重具有重要意义。

1950年，阿兰·图灵（Alan Turing）发表了他举世闻名的论文《计算机器与智能》（Computing Machinery and Intelligence）。在这篇论文中，图灵提出了智能计算机器的评价标准，这些标准被后人称为“图灵测试”。“人工智能”的概念则是由约翰·麦卡锡（John McCarthy）在1955年创造并提出的。麦卡锡当时是达特茅斯学院一位年轻的数学助理教授，对机器智能领域具有浓厚兴趣。他联合了几位科学家共同发起了一个名为达特茅斯项目的研究，目的是梳理和研究关于思维机的观点和想法。1956年夏，在达特茅斯学院举办的人工智能研讨会上，“人工智能”概念被正式提出，从此作为一个学科存在。三年之后，即1959年，国际商业机器公司（International Business Machine，简称IBM公司）的科学家亚瑟·塞缪尔（Arthur Samuel）提出“机器学习”概念。他将其定义为通过从样本输入建立模型以学习和预测数据，而不是遵循一套静态指令的计算机算法。机器学习技术是塞缪尔跳棋程序的核心思想。塞缪尔的跳棋程序可以通过观察棋子的走位来构建新的模型，提高自己的下棋技巧。它也是第一个达到足以挑战世界冠军水平的游戏程序。接下来的几十年里，游戏继续成为挑战人工智能以及衡量和评价其进展的一种方式。现在，人工智能已经被用于跳棋、国际象棋、双陆棋和围棋等各种棋类游戏。

1956年到1974年的这段时间被称为“人工智能的黄金年代”。许多知名科学家认为人工智能的突破即将到来，政府和工业界也为人工智能研究提供了大量资金支持。

在快速发展和炒作之后，人工智能领域很快经历了投资和兴趣的下降，这也被称作“人工智能的寒冬”。第一个人工智能的寒冬出现在20世纪70年代，原因是人工智能的研究者们低估了他们尝试解决的问题的难度。由于人工智能未能实现突破，政府和其他来源的资金也随之枯竭。在人工智能的寒冬中，研究项目不得不使用不同的名字，如“模式识别”“信息学”“基于知识的系统”等，来伪装他们的研究，以便继续获得资金支持。

从20世纪70年代中期开始，通过关注知识表示方法，研究人员开始搭建实际可用的系统。人工智能重新以专家系统的形式回到了人们的视野之中——专家系统可以回答问题或解决特定具体领域的问题，使用封装的逻辑规则表达特定主题和领域专家的知识。例如，1980年，美国数字设备公司（Digital Equipment Corporation，简称DEC）部署了R1系统，可以根据客户的要求自动选择组件，协助完成美国数字设备公司的虚拟地址扩展（virtual address extension，简称VAX）计算机系统[2]订购。1986年，R1拥有大约2500条规则，年处理80000条订单，达到95%～98%的准确率；系统减少了由于技术人员失误为客户提供的免费组件，加快了装配过程，提高了客户满意度，每年为公司节省了4000万美元。

20世纪80年代诞生的还有Cyc项目。Cyc项目是人类历史上首次尝试创建的包含大多数人应具备的一般知识的数据库，其目的是使人工智能应用程序能够进行类似人类的推理。在Cycorp的支持下，Cyc项目一直持续到今天。项目启动的前10年内，条目数增长到了约10万。到2017年时，项目已包含约150万个术语。

1989年，由卡内基梅隆大学开发的象棋程序HiTech和“深思”（Deep Thought）击败了国际象棋大师。它们为IBM公司开发的象棋系统“深蓝”（Deep Blue）铺平了道路。“深蓝”是第一台与世界冠军对战且获得胜利的计算机象棋程序。

机器学习和神经网络的崛起

人工神经网络的灵感来源于人脑结构。它包含许多相互连接的处理单元，即与大脑中的生物神经元类似的人工神经元。神经元接收外界输入的信号，并以某种方式对其进行处理。通常情况下，神经元按照不同层级的方式组织。不同层可以对输入进行不同类型的操作，使神经元之间的连接包含权重来模仿赫布学习。

在大约30年里，符号人工智能（symbolic AI）在人工智能的研究和商业应用中占据了主导地位。尽管人工神经网络和其他机器学习算法也得到了积极的研究，但由于可供学习的数字化数据的缺乏和计算能力的不足，它们的实际应用存在诸多障碍。到20世纪80年代中期，对一个既有概念的重新探索才将神经网络重新带入人工智能研究的主流。这一概念就是反向传播（backpropagation），由研究人员在20世纪60年代设计，用以训练神经网络。鲁梅尔哈特（Rumelhart）、欣顿（Hinton）和威廉姆斯（Williams）重新审视了反向传播并发表论文，清晰和简洁的表达概述了这一技术，帮助其重新进入机器学习研究的主流。训练实用神经网络的能力，计算机科学和统计学的融合，再加上迅速增强的计算能力，共同转变了在研究中占据主导地位的人工智能范式，将其从符号人工智能和知识驱动进路转向机器学习和数据驱动进路。科学家开始建立能够分析和学习大量标记数据的系统，将其应用于不同的领域，如数据挖掘、语音识别、光学字符识别、图像处理和计算机视觉等。

21世纪的前20年，数字数据呈爆炸性增长。处理速度和运算能力的提升，以及图形处理器（GPU）等专门运算设备的出现，最终与人类收集、标记的足够大的数据集相互叠加，使得研究人员能够建立深度学习网络（deep learning network）。深度学习网络是一种规模更大的神经网络，能够非常准确地执行复杂的、类似人类的任务，在许多情况下能够实现超出人类的表现。现在，深度学习正在赋能各种不同应用，范围涵盖计算机视觉、语音识别、机器翻译、基于社交网络分析的好友推荐、玩桌游和电子游戏、智能家庭助手、对话设备和聊天机器人、医疗诊断、自动驾驶汽车和操作机器人等。