论首席机器智能官的重要性

随着机器学会经营实体零售商店，开始在疾病诊断上胜过医生，甚至发明自己的秘密语言，那么机器智能会带来问题也是自然的了。我曾经参与过并监督过不少机器学习项目，对这一问题的研究也日益深入。因此我知道无论对企业还是个人来说，只要认真对待机器智能的益处和挑战，未来它将会带来更多福利。

衡量社会福利最有力的一个指标就是生产能力，而机器智能可以称得上是生产力巨兽，比如医生、律师及其后勤办公团队需要几个星期或几个月完成的工作，IBM的超级电脑Watson可以在几秒钟或几分钟内搞定；亚马逊的便利店概念服务Amazon Go利用机器智能让用户享受不用排队结账的快速购物体验；谷歌的机器智能能够翻译各种从未遇到过的语言；Salesforce的企业机器智能能够简化管理、报告和协调工作，目前这些繁琐的工作占据了管理人员一大半的时间。所有这些都给了人们更多时间去思考判断，管理别人，用自己的方式去做自己喜欢的事情。

毫无疑问，就像其他科技力量变革一样，机器智能也会带来挑战。在它的对比下，互联网革命可能就显得微不足道。尽管各家企业普遍将机器智能看作未来成功的关键，却都还没有形成具体全面的路线规划。就我个人而言，这一块应该是任何一家大公司的战略关键，要由能够直接向CEO汇报的高层来负责。这些CMIO的任务就是将公司以及其所有业务部门带入机器智能时代。如果你是一位CMIO或者你想要雇用一位CMIO，那么你会发现有以下这些挑战需要去解决。

有哪些隐藏联系需要发现？有哪些重要方面需要及时诊断和预测？有哪些任务应该实现自动化？有哪些领域应该大规模使用快速定制化和实时优化？在机器智能和企业发展相结合的过程中，这些都是最有前景的一些领域。CMIO需要完全把握公司所处的环境、商业流程及它们之间的关系，以评估发展机遇，分清轻重缓急。

在某些领域，机器智能可能不会带来竞争优势，这也是经营企业所要付出的代价。如今我们采用新技术的速度比历史上任何时期都要快，移动互联网、云计算服务和物联网都已经获得稳步发展。机器智能将会比其他技术更加快速地遍及整个行业，引导企业运营模式发生深刻变革。比如，当我们不再浏览搜索结果，而只是简单提出问题，希望得到一个正确答案并立刻执行的时候，谷歌还靠什么来赚钱？落后者将会遇到困难甚至走向灭亡，随着互联网公司的兴起，那些固执己见的传统企业也将会遇到相似的情况。只是这一次，机器智能产生的影响会更加巨大。

在未来几年中，除了机器智能，设计思维和客户体验管理也将会成为帮助企业走向成功的重要理念。我们都不是纯粹理性的计算器，比起硬性客观的价值，往往更加看重“软性”体验要素。机器智能在提供更具价值的体验这一方面潜力巨大，CMIO需要与设计部门和代理机构合作，以充分挖掘这些发展机遇。

机器智能可以简化日常事务，完成各种任务和工作，将从前的不可能变为可能，能够教育人们，能够个性化定制产品和服务，能够促进人与物之间的重要联系，能够保障用户体验的安全性，能够带来全新的娱乐形式。当然，以上这些还只是创新体验的一部分领域，未来各个平台与设备之间的无缝转换将会成为关键。

关于机器智能，我们只是了解定义和内容还远远不够。我朋友Alexander Manu即将问世的新书中，有这样一个核心价值主张：在行为经济中，机器智能以何种方式送达至民众手中，才是真正重要的问题。聊天机器人和认知型个人助手已经使得许多日常任务变得更加顺畅，实现了自动化，并且它们在服务过程中充分地了解主人。

此外还需注意的是，你既拥有内部客户，也拥有外部客户。如果问题十分简单，可用数据充足，那么对外应用很快就能解决问题。而如果问题模糊不清，可用数据较少，最好还是为员工建立决策和支持系统。只有这样，他们处理客户和客户数据的能力才能得到大幅提升。

在与客户、员工和利益相关者互动的过程中，赋予机器智能多大的自主权利是一个关键问题。理想状态下，智能系统应该自主负责所有的日常事务。但有时候，哪怕它们有独立完成任务的能力，也得不到人们的信任。谷歌旗下的人工智能产品Bob、Alice和Eve能够用人类无法解释的语言来相互交流，这使得某些人非常焦虑。就在几年前，市场上出现了一些疯狂交易的机器人，导致市场崩溃，投资人损失惨重。

Nick Bostrom在其著作《超级智能》（Superintelligence）中，将机器智能分为三个层级：第一层，Oracles告诉用户他们需要知道的东西，就像Google Search在过去几十年所做的那样；第二层，Genies可以根据具体要求满足主人的愿望，就像现在Siri所做的一样；第三层，Sovereigns在几条关键原则指导下，就能够作为独立个体代表主人运行。虽然真正的Sovereigns目前还不存在，但我们可以将经纪行打造的机器人投资组合看作它的雏形。

无论公司处于哪个层级，CMIO都需要领导这一块业务的开发工作，监控公司机器智能交互的表现。当下，机器智能系统越来越多地通过文本和语音来与用户互动。有时候，人们也将这两种方式称为“最小阻力界面”。美国高德纳咨询公司（Gartner Group）预计，在未来的四年中，30%的搜索将不再通过屏幕完成；首先是通过语音，随后还可能会通过脑波。

虽然对话是人类最常见的互动方式，但对于品牌商而言它不一定是最自然的媒介。相比商标和品牌口号等资产，一个品牌最为精华的部分将会隐藏在问题、答案、微交互、感觉情绪、对话风格，甚至是停顿中。这些将会成为企业和品牌最重要的因素，而我们必须要利用演进后的度量和分析来反映这些细微差别。

CMIO的主要任务就是与CTO、COO和CFO一起，搞清楚机器智能的技术架构、发展路线和投资计划。目前，机器智能生态系统百花齐放，发展势头迅猛，囊括各种云服务、现场解决方案，以及面向不同规模企业的硬件设施和传感器。这些设施和传感器经过个性化定制，从而适用于各个行业和各个部门。此外，这一技术堆栈还包括几个不同的垂直层级，比如理解自然语言和抽象概念、收集数据、数据科学和机器学习、多用途库和机器智能训练场地。当下，市场上已经出现了许多提供随时可用功能和应用程序编程接口的供应商，同时还有大量免费或者价格低廉的资源，以便你从零开始创建自己的解决方案。

尽管诸如谷歌TensorFlow这类的开源免费库，在一开始听上去还不错，但真正着手在公司内部创建机器智能之前，还是需要慎重考虑。虽然有些基础工具可能免费，但你还需要一批经验丰富的专家和科学家，来开发可以进行自我完善的机器智能模式和算法。想要做到这一点并不轻松：这些人才本身就非常稀少，更别提要花多少钱才能请得动他们。据IT技术问答网站StackOverflow的一份调查显示，在所有受访者中，只有0.1%的人认为自己是专业的机器学习开发人员，1.9%的人有机器智能开发两项核心技能——数学和统计——方面的背景。即便有简单易用的界面去训练机器智能，但当遇到问题的时候还是需要专家去修复和调整。

所以，不要想着能在全球人才争夺中打败谷歌、亚马逊、微软、Salesforce、IBM和Facebook，因为只有与他们合作才是万全之策。大公司机器智能实力的整合，再加上你日常使用的工具，应该能收到意想不到的附加效果。但是要记住，在机器智能领域，规模通常是一个有利因素，因为范围更大的数据就意味着更快更好的学习机会。

机器智能系统需要不断学习，因为它在发布初期还只是一个“婴儿”。事实上，研究人员现在正在发明虚拟婴儿来帮助它们了解学习的方式，并且教计算机更加快速地学习。对于CMIO来说，为公司机器智能项目制定学习目标和发展战略，是非常重要的任务。在学习的过程中，持续不断的数据流有着不容忽视的作用。对于机器智能数据来说，一个粗略而简便的原则就是越多越好。机器智能有一个优势，那就是它不需要样本，会直接从所有可用的数据中学习，做出更加可靠的分析和预测。虽然在数据和问题如何联系这一方面，有个理论，哪怕是猜想都是好的，但还是要记住只要拥有大量可用数据，机器智能就可以找到新的联系和机会，回答一些你压根儿没有想到的问题，

解决不同的机器学习问题需要不同范式和方法，其中大家最熟悉的包括强化、监督式学习和非监督式学习。针对训练目的，目前已经形成了一个生态系统：埃隆·马斯克旗下的开源人工智能系统OpenAI创造了一个名为Universe 的虚拟空间，专门为用户提供工具以训练、测量和评估智能系统；OpenAI Gym可以训练强化算法；微软开源Microsoft Cognitive Toolkit深度学习工具包，加速机器智能应用程序的开发。就连平时最为隐秘的苹果公司，也开始在更加广泛的学术群体中进行机器智能研究。所以，我们可以非常清楚地看出，未来机器智能的发展将依靠合作和集体学习。

思考训练智能系统的一个很好的思路就是，将它做成类似游戏的系统，集引发、行动、失败、成功、奖励以及反馈回路于一体，这样才便于人和机器理解。知名研究公司L2用一个公式概述了机器智能未来的价值，并且恰当地总结了学习的重要性。公式为：可用数据传感器的数量×能够反馈回系统的可行动智能=价值主张。

最后，但同样重要的是，CMIO需要解决智能系统在人力部署方面的问题，因为机器智能目前还没有实现自主管理。人们需要留下数据足迹，让机器智能识别、从中学习并运用到新情况中。我们要时不时地检查数据、调整修改算法、提供训练集、对机器智能判断的正确与否进行指导，以及处理那些机器智能不能独立解决的情况。

强化式学习和监督式学习需要更多的人力投入，而非监督式学习则会让机器自主学习。不过，非监督式学习目前还处于试验阶段。谷歌的人工智能实验就是一个很好的例子，它证明互联网中的每一个人都可以玩转智能系统，在一种开放的学习环境中训练它们。

除此之外，还有一点需要记住，目前机器智能还是人类脑力劳动的产物，如果控制不当，它们就会带有创造者思想中的习惯性偏见。这不仅与设计算法的科学家有关，还与标注训练集的注解者有关。现实生活中就有很明显的事例，如果用1到5来为小狗的可爱程度打分，那么女性打出的平均分数要比男性高出0.16分。这是统计数据上存在的巨大分歧，会影响对机器智能的教学。

哪怕某个系统看上去完美至极，CMIO都需要谨慎决定给机器多少信任度、给自己留多少控制权，以及如何建立制衡机制。正如上文提到，机器智能未来最大的好处，就是给人们留出更多时间专注于自己的事情，比如判断、社交和创作等。届时，对控制的需要就会逐渐减小。

目前，Havas在世界各地和各行各业中的许多营销和产品，都利用了机器智能技术。我个人最中意的还是与亚美利交易控股公司（即TD Ameritrade，以下简称AMTD）和IBM Watson合作的“最有信心的球迷（Most Confident Fan）”项目。该项目为我们认识AMTD赞助NFL这件事提供了全新的角度。针对橄榄球赛季，我们打造了一款网页应用程序，以测量球队取得胜利和球迷对该队信心（以社交平台上的言论为基础）之间的关系。

未来几年，机器智能将会普及到许多行业和垂直领域中。现在的问题并不在于它是否会流行，或者它什么时候会流行，而在于为了迎接它你都做了哪些准备？可以说将机器智能看作公司内部一个至关重要的战略部门，是踏出了正确的第一步。