兴趣重燃与重大胜利

重燃的兴趣与重大胜利

世纪之交带来了人们对人工智能以及这项技术可能应用的重新关注。20世纪90年代末的早期成功再次开始在全球范围内激发人们对人工智能的兴趣。除了研究人员和学者，企业也开始好奇如何利用这项新技术为自身带来优势。21世纪初，自动化软件的关注度也大幅上升，因为企业在成功应对“千年虫”问题后资金充裕，热衷于继续投资能够提升生产力和效率的软件。关注重点从工业自动化转向智能自动化；前者主要着眼于提高制造业效率。

虽然“自动化”和“人工智能”这两个术语越来越多地被交替使用，但这样做并不准确。一个自动化系统并不一定必须使用人工智能或机器学习才能运行。同样，并非所有人工智能工具都用于自动化某个流程。毫无疑问，两者之间存在重叠，但总体而言，它们是两类不同的技术。当亚马逊或奈飞这样的服务提供商开始根据你的个人历史提供个性化建议时，这就是利用人工智能实现有效运作的自动化实例。亚马逊使用机器学习在网站上自动标注某件商品的关键特征，同样是人工智能与自动化的结合。21世纪初，人工智能程序开始变得更好，并具备了足够的智能来回答基本问题。

真正让世界为之关注的发展，是苹果在2011年推出其语音聊天助手Siri。20 突然之间，基于人工智能的对话和辅助功能几乎可以被任何拥有iPhone的人使用，而这在人口中占有相当比例，尤其是在美国。人工智能从研究人员在学术期刊中讨论的事物，变成了普通人随身携带在口袋里的东西。

机器学习的兴起

人工智能发展中最大的一波繁荣发生在2010年之后。随着互联网在全球范围内被广泛使用，人们开始产生海量数据，而这些数据又可供研究人员用来训练这些神经网络。算法可以基于成千上万、甚至数以百万计的训练样本，在更准确的图像分类和识别上进行训练。

即便这些发展不断加速，一些研究人员也开始把目光投向正在取得的技术进步之外。其中最引人注目的是萨塞克斯大学认知科学教授玛格丽特·博登，她开始探索人工智能的哲学层面。她的研究深入探讨了机器创造力的本质以及人工智能的边界。21 大约在同一时期，硬件发展也加快了步伐。超高效率显卡和处理器的推出，有助于加速学习算法。过去需要数周时间处理某些数据样本的计算机，如今可以在几分钟内完成。这在计算史上是前所未有的。

2012年，谷歌搜索实验室（Google X）能够训练其人工智能系统在视频中识别猫。如今看来，这似乎是一项简单任务，毕竟手机已经能够准确识别并标注你相册中不同的家庭成员；但在2012年，这项任务需要超过16,000个处理器来完成。对于人工智能系统的发展而言，这仍然是巨大的一步，因为机器已经足够智能，能够识别某个事物，并将其与其他相似样本区分开来。22

所有这些都是幕后发生的事情。消费者和普通人看到的是沃森——IBM创建的一套计算机问答系统——在2011年击败了两位最伟大的《危险边缘》冠军。《危险边缘》是一档美国问答类游戏节目，参赛者会得到答案，并需要猜出问题。不久之后，谷歌专门用于围棋的人工智能系统AlphaGo在2016年击败了当时的欧洲冠军樊麾和世界冠军李世石。如果这还不够，它还击败了自己——AlphaGo Zero。23

所有这些进步都可以追溯到一个核心发展——人工智能系统训练方式的彻底转变。21世纪初，机器学习系统取得了巨大进步，并随着时间推移进一步发展为深度学习系统。从根本上说，从专家系统到深度学习的转变，就是从为计算机创建编码规则，转向让计算机基于大量数据通过相关性和分类来学习并得出推论。

此后，深度学习技术不断得到改进和增强，尤其是在我们可支配的数据量不断增加的情况下。2003年，安大略省多伦多大学的杰弗里·辛顿、魁北克省蒙特利尔大学的约书亚·本吉奥，以及纽约市纽约大学的扬·勒昆启动了一项研究计划，旨在更新神经网络技术。微软、谷歌和IBM也同时开展实验，证明这些深度学习技术使语音识别的错误率降低了一半。24

关于图像识别影响的实验显示出类似结果，进一步验证了从专家系统转向深度学习技术的必要性。文本识别和理解方面的挑战更为困难，正如我们即使在2024年仍能从一些生成式人工智能工具的问题中看到的那样。虽然人工智能系统可能足够聪明，能够理解发出的指令，但它往往难以将这些指令置于恰当的语境中加以理解。

如今，人工智能这一更广泛的领域可以进一步细分为人工狭义智能（ANI）、人工通用智能（AGI）、人工超级智能（ASI）和生成式人工智能（GenAI）。25 ANI指的是将人工智能用于固定的、特定的任务。ANI最好的例子之一是“深蓝”，IBM的国际象棋计算机，它能够非常出色地下国际象棋，但无法做其他任何事情。

ANI系统旨在专门解决某一给定任务或问题，并且能够以非常高的精确度完成。自动驾驶汽车的早期阶段可以被视为ANI，因为它们只接受了驾驶训练，并不具备其他功能，例如基于交通规则的自我学习。这也是ANI系统的另一个特征：它们往往不具备自我学习能力，也无法利用其训练成果去执行另一项任务，即使该任务与其受训任务非常相似。这类系统正在世界各地迅速部署，因为对于希望采用基于AI系统的企业来说，它们是最容易的切入点。一些常见用例包括扫描和分析医疗报告以得出初步诊断，或分析数据以预测需求。

AGI系统被设计为具备自我学习能力，使其能够将所学知识应用于一系列不断变化的任务和情境。大多数专家认为，我们仍处于AGI的早期阶段，机器在AGI方面究竟能发展到什么程度仍有待观察。真正有效的AGI将类似于一个功能完备的人类，能够基于其训练在不同情境中学习、理解并作出恰当反应。ANI系统可以扫描医疗报告、进行总结，甚至可能提供诊断；与此不同，AGI则会进一步根据患者的病史以及该患者特有的其他参数，开出针对个人定制的首选治疗方案。目前，AI系统仍然无法做到这一点，充其量只是被医生用来提供初步诊断，随后医生会根据自身经验进行验证，并为患者制定后续治疗方案。

ASI指的是比人类更聪明的AI系统。对于ASI的发展究竟会有益于人类，还是会成为一场彻底的灾难，目前专家们在这一领域的看法大致各占一半。

生成式AI，或称GenAI，指的是能够分析现有数据并基于此创建新数据的AI系统。除音频、视频和代码生成外，这还包括像Dall-E 2这样的图像生成系统，以及像GPT-3和GPT-4这样的文本生成系统。

我们目前看到的是AI与自动化以前所未有的规模融合在一起。借助RPA，一旦开发人员或程序员为机器人或机器人程序定义了一组特定指令，它就能够以高速、大批量、几乎完全无差错的方式执行这一重复性操作。自动化有不同类型，从通过RPA和业务管理工具实现的基础任务自动化，到流程自动化，即使用软件自动化整个工作流或流程，甚至提供业务洞察和解决方案。在AI自动化中，也就是我们在聊天机器人和虚拟助手中看到的形式，系统将AI系统与聊天机器人集成起来，使其能够理解一般性问题，并在可用数据中搜寻以提供适当回应。

目前，大多数企业已在日常运营中采用了某种形式的基础流程自动化。在金融服务、酒店、零售和医疗保健等服务导向型领域运营的企业，是AI自动化的早期采用者之一，它们引入了专门的聊天机器人和客户服务助手。如今，已有几家公司允许你在完全不必直接与人类互动的情况下完成整笔交易。例如，如果你想退回一条在网上购买的牛仔裤，只需一系列点击即可完成流程，并提交退货申请。即使是在网上购买保险，也可以做到零人工互动。如果客户想购买保险，系统会使用GenAI理解请求并提取相关信息，然后使用RPA生成报价。随后报价会发送给客户；如果客户接受，另一个系统将创建客户资料、生成保险单并将其发送给客户。所有这些过程在保险公司一侧都无需任何人工互动。

将AI与自动化结合起来，闭合了过去几十年来这两个领域各自发展所取得进展的循环。通过结合自动化和AI所带来的效率提升，未来只会继续增强。其应用范围可能涵盖比目前可能实现的任务广泛得多的领域，而这一切反过来又将对员工生产率和整体效率产生积极影响。撇开机器完全接管世界的末日情景不谈，大多数专家认为，这不会导致大规模失业。过去几十年来，自动化逐渐变得更加普遍，而每一次，人们都会担心它对就业产生的影响。人们曾经认为，银行引入自动柜员机或ATM会使银行员工失业，但五十年过去了，我们可以看到事实并非如此。虽然自动化确实会使某些特定任务和岗位变得不再相关，但它主要做的是改变工作形态。此外，自动化还会创造新的工作岗位。领导者，或有志成为领导者的人，在制定人才战略时应当牢记这一点。