人工智能（AI）从根本上改变了所有行业的企业的运营（包括制造业，医疗健康，信息技术和运输业）。

在过去的十年中，AI 的进步为企业提供了自动化的业务流程，改变客户体验和产品差异化的机会。

Google 和亚马逊这样的 AI 先行者已经采用这些新技术来创造日益增长的竞争优势，我们看到了他们的 AI 战略带来的的好处。

虽然企业级 AI 的采用仍处于初级阶段，但把握住 A I带来的机会需要管理层进行更多的讨论，增加对AI及其生态系统的理解，了解行业巨头如何采取措施，从而获得差异化的竞争优势。

理解 AI

AI 是计算机科学的一个分支，旨在创造能够实现智能行为的机器。 AI 内有多种技术和细分，机器学习（ML）是其中规模最大，增长最快的领域之一。

机器学习算法从实例和经验中学习，而不是依赖于预定义的规则或算法。在机器学习中，还有其他细分，如深度学习，其重点是深度神经网络结构。

今天，AI 准备从几项技术创新和更广泛的专业知识的融合中受益，特别是：可负担的云计算基础设施，可用的大型数据集和算法优化的飞跃。

这些进步，加上人工智能研究的投入增加，为人类发展创造了一个可持续发展的环境，并将继续影响到未来的企业和社会。

机器学习有何特别之处？

最近 AI 的兴起主要是由于机器学习的进步。 这些进展导致了自然语言处理（苹果的Siri，Google Translate），推荐系统（亚马逊的推荐引擎，音乐推荐服务 Pandora）和图像识别（诊断工具，自动驾驶汽车）的突破。

机器学习大致分为两种学习方法：

监督学习，其使用已知数据集基于标记的输入和输出数据进行推理。

无监督学习，从包含没有标记输出的数据的数据集中得出推论。

今天工作中最流行的方法是监督学习，无监督学习对于更广泛的应用来说具有巨大的前景。

在每种学习方法中，有多种算法类型可供选择。根据问题的类型或所需的结果进行不同的选择。

在机器学习工作流程中，流程的每个部分都需要特定类型的专业知识和资源。 虽然领域专业知识对工作流程的预处理/功能部分工作很重要，但训练阶段需要独立的 AI 专业知识，领域知识较少。

从基础设施的角度来看，资源最密集的阶段是数据处理时的模型训练阶段。然后是构建 ML 模型时，理解和权衡各种方法和正在解决的问题的类型变得很重要。

掌握 AI 需要的技术栈

AI 技术栈是运行 AI 模型所需的基础架构，包括优化组件，存储，数据处理和分析工具。

组件：CPU，GPU，FPGA 和专用 ASIC 是 AI 技术栈的基础组件。 虽然 CPU 是普遍存在的，但在机器学习的资源密集型训练阶段中使用的 GPU 和 FPGA 已经在深度学习中取得了巨大进步。对于需要较少资源的推理部分，传统的 CPU 或超低功耗 FPGA 或 ASIC 是最常见的选项。

计算：公共云供应商现在正在为 AI 提供量身定制的解决方案。云计算服务商的选择很多，可使任何企业，中小企业或小团队都能够以合理的价格运行 AI 模型。

存储：随着机器学习所需的大量数据，特别是在特征工程阶段，数据存储至关重要。 Hadoop 集群和云对象存储的出现显着提高了数据存储容量，以支持 AI 使用案例。

AI 技术栈依赖于公有云供应商和开源项目提供的服务。云计算巨头（如谷歌，亚马逊，Facebook，微软和百度）投入 AI 服务已经有助于从拥有技术栈的专有厂商转移。

总而言之，将开放源码作为公认标准在整个 AI 生态系统中引起了更快的发展。谷歌的开放源码 TensorFlow 库体现了这一观念，TensorFlow 可以让任何对机器学习感兴趣的人开发模型，而不必从头开始构建库和算法。

AI 生态系统

过去十年，AI 从研究机构中脱颖而出，成为世界上最先进的技术公司。 这些公司将 AI 嵌入其核心产品和服务，加速了人工智能生态系统的技术进步，人才开发和投资。 例如：

亚马逊正在使用 AI 来改善个性化推荐并优化库存管理。在亚马逊向股东提交的年度股东信中，CEO Jeff Bezos 讨论了通过其云计算部门采用 AI 快速交付产品，增强现有产品和创建新工具的重要性。

Google 使用自己的 DeepMind 技术来管理数据中心的电力，将冷却成本降低了40％。该公司的 AI 优先策略专注于利用 AI 进行搜索优化，自动驾驶汽车以及投资了众多其他的解决方案。

Facebook 致力于打造 AI 的基础技术。 其研究小组 FAIR 是神经网络突破的顶尖人工智能实验室之一。

微软已经创建了一个 AI 业务部门，拥有超过 5000 名计算机科学家和工程师，专注于将 AI 推向公司的产品。

英特尔正在更新其服务器以应对处理和训练 AI 系统所需增加的计算量。 为了做到这一点，该公司已经在 CEO Naveen Rao（前深度学习公司 Nervana CEO，2016年被英特尔收购）的领导下，组建了一个统一的 AI 的机构。

百度正在大力投入人工智能，建立图像识别技术，推进自主驾驶，推出数字助理，开发增强现实工具。

AI 人才的短缺仍然是一个问题。 据麦肯锡称，AI 投资的 70％ 来自最大的技术公司的内部研发投入。 我们继续看到，云端巨人从学术界聘请了关键的 AI 人才领导 AI 的工作。 80％ 到 90%的 AI 人才都在最大的几家科技公司。

人才竞争激烈，AI 公司收购大幅增长。 据 CB Insights 的数据，仅在 2017 年就有不同行业使用 AI 的 55 家公司被收购。Google，苹果，Facebook，英特尔，微软和亚马逊一直是 AI 中最活跃的收购者，大部分收购都落在核心  AI技术中，如图像识别和自然语言处理。

在这些技术供应商的带领下，AI 已经出现一些早期的获利者，并在此过程中创造了一个积极的技术和工具生态系统。 2017年，美国共有 650 多笔 AI 融资并购事件，总金额 6.5 亿美元，已经超过了 2016 年全年近 1000 笔交易的 5.7 亿美元。

AI 公司的范围从那些专注于开发核心 AI 技术到构建 AI 工具来解决行业特定问题。在投资方面，AI 的最大细分部门是网络安全和通用解决方案，其次是商业智能和物联网初创公司。

企业如何利用人工智能

在评估如何部署或构建 AI 工具时，公司应分析最高价值用例，并计划建立强大的支持和人才基础。

任何 AI 都将依靠三个主要的部分：数据，基础设施和人才。

数据驱动洞察力需要访问大型数据集。机器学习的有效性通常与可用数据量相关。在这个阶段，访问大量数据是推动 ML 工具价值的一个要求。

技术设施，软件和硬件的基础设施必须有效运行机器学习模型。云服务提供商有能力将其产品扩展到 AI 基础设施，并提供可与开源软件结合使用的解决方案。 对于一些公司来说，由于监管或其他商业原因，将训练数据移至云端太贵或不可行。 对于这些公司，将需要大量的计算能力，有时需要使用 GPU，FPGA 或 ASIC 的硬件加速。

AI 人才在有效利用机器学习方面至关重要。虽然并不是每家公司都将寻求建立一个内部的 AI组织，但是经验丰富的数据科学家是从 AI 推动价值的关键。机器学习是一个需要专业知识的难题。

将 AI 推向核心产品和服务创造竞争优势。公司必须在内部建立一个能够处理 AI 开发的强大的基础设施。

在许多情况下，实施战略需要大量资本入。 如果构建内部解决方案不可行，那么采用第三方工具就是一个合适的选择。 无法将其产品通过 AI 进行差异化的公司仍然可以采取措施来改进和自动化核心业务。 运营效率也是竞争优势。

通过高级机器人和虚拟助理进行差异化的客户服务

对财务规划，库存管理和销售渠道进行更智能的预测

自动人力资源流程，通过优化招聘，自动人才管理和量身定制的优势

通过自动出站销售，智能客户参与和目标营销，提高销售人员的生产力

通过 AI 合同尽职调查，辅助法律研究和自动化 IP 监控来简化法律流程。

每家公司的优先级都不一样，有些公司可能自动化客户服务解决方案为其业务带来最大的价值，但更智能的预测库存管理可能对另一家公司产生更大的影响。这需要领导层分析和探索在自己的部门采用人工智能工具的好处，将揭示人工智能产生影响最大的领域。

结论

AI 不再是学术机构或研发实验室的理论研究；相反，它是一种本质上能够颠覆整个社会，带来数十年创新的基础技术，从我们工作的方式，医生识别和治疗疾病的方式来看，AI 将为未来创造无限的可能性。

今天实施人工智能战略的公司将有机会抓住未来。 AI 正在改变我们做生意的方式，对于大小企业来说，这可能意味着一个令人不安的变化。然而，无障碍技术和活跃生态系统的融合表明，企业比以往任何时候都更加准备参与这一新的创新浪潮。