在2013年的电影《她》（Her）中，杰昆·菲尼克斯（Joaquin Phoenix）饰演的孤独主人公西奥多·汤伯利（TheodoreTwombly）安装了一个自称萨曼莎的人工智能虚拟助理。由斯嘉丽 ·约翰逊（Scarlett Johansson）配音的这个人工智能伴侣不仅能够让西奥多的生活完全重回正轨，而且事实证明， “她”是如此迷人，就像真实的人类一样，以至于西奥多爱上了“她”。

在电影的结尾真相大白，这个虚构的人工智能正在处理数百万个请求，在浪漫的电影台词幕后，其实正在同时进行数百万段类似的对话。（事实上，真实的人工智能也可以做到这些。） 因此，在电影中，尽管“她”并非真正的人类，但也有足够的处理能力来挖掘庞大的数据库，为用户模拟出量身定制的亲密关系。但令人难过的是，当西奥多发现萨曼莎正在与其他数百万人同时进行这些对话时，他感觉自己被背叛了。

在《终结者》（ The Terminator）系列电影中，好莱坞版本的人工智能更加黑暗。其中，一个由功能强大的计算机组成的网络“天网”，获得了自我意识，并且认为人类是其存在的威胁。根据故事情节，在不远的将来，它发动了一场先发制人的核战争，消灭了大部分人类。然后，它设计并制造了可怕的半机械人来清理剩余的人类并杀死反抗的战士，这个半机械人就是与电影同名的“终结者”。通过某种方法，在阿诺德·施瓦辛格（Arnold Schwarzenegger）和琳达·汉密尔顿 （ Linda Hamilton）的努力下，人工智能最终被打败了。

这两个关于人工智能的故事都是令人信服的，但这些故 事也加深了我们对人工智能的误解。重点不是将技术人格化，而是了解其潜在的好处。现实并非好莱坞影视剧，更加平淡无奇，但对企业来说也更加令人兴奋。

重要的事实是，人工智能可以实现非凡的成就。它可以将人类从重复性的任务中解放出来，并且成倍提高企业可以提供的价值。它还可以在海量的信息阵列中识别出有用的模式，并创作出令人惊叹的高质量原创内容，这些内容包括书面、视觉和听觉多种形式。在其最基本的层面上：人工智能包括任何模仿人类智能基本功能的计算功能。

它能分析传入的历史数据，以找到重复的行为和结果，从该信息中推断出模式并从模式中学习，以便更好地预测即将发生的事情，并且推荐解决方案。总的来说，人工智能正试图变得像人类一样聪明和拥有直觉，同时有可能超越人类所固有的局限性，比如会感觉到疲劳、无聊、需要饮食和产生偏见。

人工智能的演变

早在20世纪50年代和60年代，人工智能的概念就已经存在了，但我们当时缺乏大数据和足够的计算能力来使其成为现实。企业仍在使用大型主机计算机，这种计算机存储容量很小，处理速度也很慢。举例来说，今天一个常见的 iPhone 手机，内存是1969年用于人类登月的阿波罗导航计算机的一万多倍，处理能力是其十万多倍。

然而，正如摩尔定律所预测的那样，这一切都改变了。随着时间的推移，计算机变得越来越小，其存储和分析数据的能力却变得越来越强。它们可以每秒进行数十亿次的计算最终，计算机有了足够的计算能力来处理涌入的数据，以供人工智能处理。

然后，互联网出现了。渐渐地，我们都上网进行交流、分享和创造。世界变得更小了，因为人们相互之间，以及与越来越多的企业和组织之间，可以更方便地分享他们的想法、偏好和信仰。突然间，世界上充满了关于人、企业和机构的数据。着手观察发展趋势变得更加简单，找到人们思考的模式和喜恶的东西也变得更加容易。

数据本身的性质也发生了变化。早期，世界上的大部分数据都是结构化数据，我在第一章中提到过这一点。

技术革命。注：连续不断的技术创新浪潮已经从根本上改变了人类的体验（我们将在第九 章讨论其中的一些发展，特别是 Web1.0—Web3.0）。资料来源：The Performance Institute（日期为近似值）。

结构化数据符合预先确定好的格式，它们会在行和列或记录和字段之中。它会以一种预先规定好的方式被组织好，例如银行记录、在线表格中的姓名和地址信息，以及书籍的ISBN 编号。结构化数据是你能够在Excel 电子表格中找到的那种数据，它们通常是大量的日期、数字，以及组织好的或分类好的事实。

然而，随着社交媒体帖文、电子邮件、视频、照片、音频文件和其他类型的更丰富的内容构成网络世界更广阔的一部分，非结构化数据的数量激增。还记得我举过的一个例子吗？使用移动应用程序存入支票，也应用了人工智能。人工智能软件分析你的支票图像，以确定存款是否有效，你的支票图像就是一种非结构化数据。正如你所认为的，这种很难被“贴标签”分类的数据，其含义往往是微妙的或模糊的，分析这些数据需要前所未有的先进计算水平。这就是人工智能及其更复杂的组成部分的本质。

机器学习是人工智能的一种，其中的算法会自动学习，并随着接触到越来越多的数据而进步。这可能涉及不同程度的管理监督，使用由不同程度的人类监督的训练数据集。例如，假设你希望你的人工智能系统能够区分猫和狗的图像。

你会指令计算机分析成千上万甚至上百万的各种猫和狗的图像，每张图像都已经被标记为猫或者狗。随着时间的推移，人工智能将“学习”哪些特征与“猫”的概念有关，而非与“狗”或“人”的概念有关。就像一个从重复的经历中学习的孩子一样，机器通过反复接触数据而非编程来学习。

机器学习的另一个例子是语音识别。当你启动一台全新的 iPhone 时，你还不能使用 Siri，直到你按照操作系统的提示说出一组预先确定的语音命令，让远程 AI 通过云连接到你的手机以学习识别你的声音（关于这部分，后文会展开更多内容）。在不到一分钟的时间里，只需一句“Hey Siri”， 你就可以设置提醒事项，启动应用程序，并且拨通朋友的电话。

人工智能的层次结构。注：人工智能是一个概括性的术语，其中也包括机器学习和深度学习。资料来源：Avimanyu Bandyopadhyay（ modified ）CC BY-SA 4.0 commons. wikimedia. org/wiki/ile:AI-ML-DL.svg。

最后，还有深度学习。深度学习涉及被计算机科学家称为神经网络的概念，这是以人脑神经结构为模型的数学系统。这个概念的准确释义非常复杂，但简而言之，深度学习/神经网络同时采用多层处理和分析的方式，能够使系统在数据中识别出一些特征和模式，这些特征和模式远比简单的机器学习算法所能完成的更复杂。通过这种方式，深度学习模仿了人脑的动态活动，而人脑具有高度可塑性和适应性。因此深度学习需要大量的数据和强大的处理能力，正是云计算的发展才使之成为可能。

深度学习有一个知名案例，就是脸书的系统能够根据照片中的面部特征辨别个人身份。（2021年11月，脸书宣布计划关闭这个系统。）这项任务远比学习区分“猫”和“狗”复杂得多，因为区分 “猫”和“狗”是通过识别出猫更可能有尖耳朵和面部条纹图案。而通过照片辨别一个人的身份需要识别数以千计的可视化数据点，然后将它们与不同用户账户相关的文本文件联系起来。这些文本文件可能是数以百计或数以千计的，它们将人的名字与包含类似数据点的图像配对，配对的同时还要考虑到照明、拍摄角度、图像质量和其他变量。苹果公司的照片应用程序通过类似的方式应用深度学习，它会根据日期、地点标记、面部特征和物理环境等背景线索将用户照片自动归入“相册”。

谷歌和 OpenAI 的产品 GPT-3 是一个用于自然语言处理（ NLP）的人工智能。通过向其神经网络“输入”数万亿位的文本数据，他们开发了一种人工智能，它学会了人类写作和说话的常见顺序和节奏。毕竟，人类的交流是相当容易预测的。例如，如果一个朋友不小心给你发了不完整的一句话， 如“你想去……”，只有一些词可以完成这个句子，像“看电影”“商店”或“球赛”。你可以很准确地预测到，当你的朋友发来信息中的最后一个词时，这个词不会是“贝果”或者“感染”。而神经网络就能够通过学习做出同样的预测。这就是为什么经过了几个月的学习，通过在大量书面材料中寻找固定的模式，GPT-3 在人们只打了几个字之后，就能高度准确地完成他们的句子。事实证明，如果你有足够多的数据，人类行为具有相当大的可预测性。

迄今为止，GPT-3 已经分析了数万亿文字，这些文本材料从电子书到博客，从社交媒体到维基百科列表，应有尽有。作为大规模机器学习的成果，它已经发展出了一种不可思议的能力，不仅能在几秒钟内写出令人惊叹的散文，还能写诗、 发推特、回答小问题，甚至能生成自己的计算机代码。

《纽约时报》报道过一个案例，当时， 项目的一个程序员指令 GPT-3 模仿流行心理学家斯科特·巴里·考夫曼（ Scott Barry Kaufman）的写作风格。当被问及“我们如何变得更有创造力”这个问题时，GPT-3 的部分回答如下：

我认为创造性的表现是在一个多元化世界中自然发展的副产品。世界越多元化，你就越能接触到更多不同的人、不同的机会、不同的地方和不同的挑战。而世界越是 多元化，你就越有可能把这些因素放在一起，进而产生新的东西。

在征求意见时，真正的考夫曼承认，人工智能生成的答案是对他实际写作内容相当准确的模拟。但是，GPT-3 如此令人激动的原因，是它一直在展示出新的能力，这些能力是其开发者没有想到的。开发人员设计的人工智能可以预测一连串单词中的下一个单词，而在随后的几个月里，在吸收了超过1750亿种语言使用模式后，该系统独立开发出了执行 它没有被预设任务的能力，如编写代码。你可以说，它已经完成了进化并将继续进化。

无论是为客户服务的聊天机器人，还是为工作繁忙的高管总结电子邮件重要信息的数字助理，只是人工智能的冰山 一角。随着像 GPT-3 这样的 NLP 系统变得更加复杂，可以想象一个“机器人”也可以通过最新的研究成果自动编写和更新大学教材，或根据广告公司最近一批的客户满意度数据调整营销文案。如果能更进一步发展，人工智能语言系统可以帮助提供远程医疗服务的心理医生，为有自杀念头的病人进行对症下药的心理疏导，或者车辆在高速公路上行驶时，纠正控制着自动驾驶的计算机代码错误。

可想而知，尽管这些技术已经被应用于社会经济的方方面面，但对这些技术的恐惧和误解仍然存在。让我们想一想。如果你从亚马逊订购一个推荐产品，或使用移动银行应用程序拍摄一张支票来存入你的账户，你就是在使用人工智能。当你的 Nest 恒温器预计到你即将下班回家，自动调节家里的温度时，你就是在使用智能设备。当你的 Fitbit 智能手环追踪你的每日步数并且提醒你，为了达到你过去 6 个月的平均步数水平，你今天需要再走2.2 英里，就是大数据在起作用。而当你访问 Dropbox 上的文件或分享谷歌文档时，你就是在使用云储存传输技术。

如果你渴望将你的企业提升至新的增长和盈利水平，现在是时候超越对人工智能等技术的恐惧和误解，了解它们的非凡潜力了。我把人工智能及其相关技术，包括大数据、智能设备和云计算，统称为倍增型技术。应用这些技术可以获取每个企业在日常运营过程中产生的数据，识别出能够揭示企业发展中致命弱点和重大机遇的模式，并对这些数据进行强化，使企业能够培养强大的客户忠诚度，主导现有市场， 进而通过创新开辟新的市场领域。通过精确的策略进行部署， 这些技术可以帮助你的企业以数倍于竞争对手的速度增加收入、利润、市场份额和社会影响力。那些出于无知、安于现状或害怕变革而不善加运用这些技术的企业将逐渐被市场淘汰。

换句话说，有了这些技术，非同寻常的事情就能变得触手可及。作为企业的领导者之一，你需要做的是，理解如何利用这些技术来发掘隐藏的商业价值，获取相关数据以开始利用这些价值，并在合适的时间采取恰当的行动，将这些价值变现，为企业增加利润。在本书中，我们将深入探讨实现这些目标所需的思维和策略。但在此之前，先让我们仔细研究一下，这些技术是什么，它们如何工作，而且有一个同样 重要的问题，它们不是什么。

数据分析的四种类型

虽然数据分析领域几乎和网络本身一样历史悠久，但在过去 10 年里，它已经发生了巨大的变化。实际上，“人工智能”和“数据分析”这两个词有时会被混淆使用，而这其实是个错误。虽然通过人工智能和机器学习，数据分析的功能 可以被大大增强，但不使用它们也行得通。

让我们先来介绍一下数据分析的四种基本类型（见下图）。

描述性分析是最基本的一种，具体来说就是检阅大量的数据，以确定过去发生了什么，以及这段历史是发生在一百年前还是五分钟前。判断性分析研究重复的数据点，以确定已经发生的事情背后的因果关系，并且弄清楚事情发生的原因。因为它们研究的是过去的事件，所以这两种类型的数据分析被认为是事后诸葛亮。

高德纳的分析价值升级模型。注：随着分析数据变得更有前瞻性（也更难量化），它们的商业价值也在增加。

在商业术语中，描述性分析和判断性分析用于检查事后指标，而不是事前指标。当然，这些类型的数据分析可以从大数据和人工智能中获益，但不使用它们也行得通。

而第三层次的预测性分析，就是我们如今正在进入的 “个性化经济”的核心。预测性分析审查过去的活动模式，以预测一个人、一个团体或一个复杂的系统在未来将会做什么。这种预测方法并不完美，因为它是基于可能性，而非确定性。在“前言”中，我讲述了 2002 年奥克兰运动家队的例子，他们成功运用了 AI 的预测性数据模型 sabermetrics，根据非传统的绩效衡量方式来雇用薪水较低的球员。他们的理由是， 虽然数据的预测可能不会在任何一场单独的比赛中得到证实， 但球队的数据优势将在整个赛季结束后体现出来。（如果在 21 世纪初就有可行的人工智能系统，奥克兰运动家队的数据团队可能会做得更好，但即便当时还没有先进的人工智能系统，他们的模型也足够成功了。）

最后，还有指导性分析，它使用数据来推荐解决方案并得出结论，而不只是预测结果。这就是大数据、人工智能和机器学习最常与分析过程交织在一起的地方。例如，当人工智能有足够的非结构化数据来进行模式识别，并且可以教它为这些模式赋予意义时，它就可以发展出模仿人类洞察力和逻辑推理的能力。

这方面的一个突出例子是沃森机器人（IBM Watson），这 是一个在 2011 年首次面世的问答系统。最近，该项目利用基 于沃森的“肿瘤学专家咨询”工具，将机器学习和癌症研究结合起来，向临床医生提出建议。

更加耳熟能详的例子是任何推荐引擎，如网飞或亚马逊的引擎。当你在亚马逊上购物时， 预测性分析会研究你的行为模式，确定你可能对哪些产品感兴趣，然后指导性分析会根据你当前所在的亚马逊页面挑选出具体的产品推荐给你。它也被广泛用于医疗保健行业，这一点我们将在第三章中进行探讨。

虽然技术细节可能非常复杂，但是人工智能的力量可能带来非同寻常的影响，这一点是显而易见的。它可以分析海量的数据，在数十亿个独立的操作和数据点中分辨出错综复杂的模式，并且不仅能够推荐满足客户需求的选项和产品， 而且能够提前为此做好准备。在任何企业的成功都已经离不开个性化的时代，人工智能为企业提供了一种能力，能够自动、实时和非常准确地为数百万客户提供个性化产品和服务。

人工智能可以做什么

有了数万亿字节的数据可供学习，不断提高的处理速度和存储能力，以及云技术几乎可以在任何地方提供高速互联网连接，人工智能已经可以完成一系列令人惊叹的任务。这里有一些突出的例子：

谷歌 Duplex 可以完成客户预约服务，并以逼真的语言与客户进行电话交谈。

像华盛顿邮报和路透社这样的主要新闻机构， 可以利用人工智能撰写基本的新闻报道和实时新闻更新， 有时还撰写更复杂、更有创意的文章， 这样就能解放人类记者，让他们专注于更加深入的报道。

英国拉夫堡大学的研究人员正在开发一个基于深度学习的系统，完成后它将通过“闻”人类的呼吸来检测和诊断疾病。

其他现实世界的人工智能案例包括像 Affectiva 这样的公司，它于 2009 年在麻省理工学院的媒体实验室诞生，以及Realeyes，这是一家 2007 年从牛津大学独立出来的公司。它们正在开发“情绪人工智能”（也被称为“情感计算”），使用传感器、相机和深度学习来分析人类对各类节目的情感反应， 从电影到教育节目都不例外。一些远程学习系统已经使用眼动跟踪技术和人工智能来评估学生对课堂的参与度。如果它检测到学生表现出沮丧或气馁的情绪，人工智能可以实时修改课程，降低课程难度；如果学生表现出无聊，系统可以立即使课程更具挑战性。

除此之外，还有一系列的视觉、听觉和运动评估技术， 让自动驾驶汽车能够安全行驶。

人工智能系统实际上可以根据一个规模巨大、不断增长的目录来“观察”它们周围的世界，这个目录既包含物体也包含人。由于现实世界中的驾驶需要即时适应并实时响应近乎无限的不可预测的变量，如交通、行人、障碍物、天气、 紧急情况和故障，控制自动驾驶汽车的人工智能功能还不够完备，但它离我们并不遥远。2020 年 12 月，通用汽车子公司克鲁斯（Cruise）开始在旧金山繁忙、拥挤的日落区街道上测试自动驾驶汽车，测试的最终目的是减少车祸死亡事故。可以预测，在 10 年内，纽约、东京和柏林等大城市的大部分客运交通都可以实现由人工智能控制，更不用说纵横交错的货物运输了。

换句话说，如果有足够多的数据来了解一个公司旗下的客户、产品和服务，人工智能就可以做到很多事情。如果你在一个繁忙的城市经营一家送货公司，想象一下，人工智能可以为你的司机计算最佳路线，让他们在高峰时段也能顺利到达目的地，并为你节省时间和燃料。如果你的公司正在进行一场大型宣传活动，以开发新客户并增加市场份额，想象一下，人工智能可以为新客户撰写措辞优美的每周电子通讯，并对每个回复或询问做出个性化和独特的回应。如果你从事制造业，想象一下，一个由传感器驱动的人工智能全天候监测你的设备，在故障发生前预测有可能发生的故障，诊断出所需的维修措施，并自动通过短信派遣人类工程师来解决问题，这一切都不会中断工厂的正常运作。

人工智能可以实现重复性任务的自动化，识别数据中的可操作模式，协调机器人运转流程自动化（RPA），并与数百万人即时沟通。人工智能的潜力几乎是无限的。

大数据

大数据是驱动人工智能的燃料。如果没有海量的数据进行分析和学习，人工智能将空有强大的处理能力，没有任何可以处理的东西。大数据和人工智能是相辅相成的。

正如前文提到的，结构化数据是可预测的和二进制的， 通常是系统使用表格和字段积累出来的那种数据。结构化数据主要包括我们认为是数据库内容的那种数据点：姓名、电子邮件地址、电话号码、年龄和性别等人口统计信息、税务记录、购买历史和医疗记录。在 20 世纪 60 年代和 70 年代， 信息时代刚刚开始时，像 Oracle 和 IBM 这样的大公司都在处理结构化数据。众所周知，如何把数据放在结构化的格式中， 正如你知道如何把数据放在一个 Excel 表格中。

非结构化数据对这种基本的数据处理模式构成了挑战。这不仅意味着会出现指数级增长的新数据，而且意味着出现了一种全新的数据类型。从 20 世纪 90 年代开始，非结构化数据的数量随着万维网的发明而爆发，首先是通过像美国在线服务公司这样的“围墙花园”服务，后来由于网景领航员（Netscape Navigator）和微软网页浏览器（Internet Explorer）等消费者浏览器的出现，网络变得无处不在。早在社交媒体出现之前，处理非结构化数据（如图像、视频和电子邮件）的需求就已经开始使大型公司的计算能力不堪重负，迫使它们升级新的工具来处理和分析这些数据洪流。这时，大数据的概念开始产生了。

即使有了更快的系统，公司也必须进行数据库的过渡，从将结构化数据存储在常规的数据仓库中，到把非结构化数据倾倒在巨大的原始“数据湖”中。它们面临的挑战是，如何找到一种方法来处理所有这些原始的非结构化数据，并对其加以利用。

一些企业领导者发现了非结构化数据的潜力并较早开始加以利用，其中就包括亚马逊、网飞和苹果。它们之所以领先，是因为它们明白，利用大数据能对客户需要和关心的事物有更深刻的理解，而这种理解是开启未来发展的关键。

大数据有三个基本特征：

规模化的数据收集。公司和组织利用一切可能的手段收集客户的数据，从网页浏览记录到在线表格和问卷调查都包括在内， 以发现客户的喜好和活动轨迹。

数据处理 / 数据挖掘。大数据公司从巨大的复杂数据里集中提取信息，这个过程通常会使用算法或机器学习来读取数十亿的数据字段，得出推论，并识 别模式。

分析和处理数据。像网飞这样的公司确定其数据的实际应用领域，利用这些数据来做一些事情，如开发和改进新产品，提供个性化的产品供应，改善客 户服务，或提高市场营销活动的针对性。政治竞选活动利用大数据向特定的选民群体精准投放政治宣传信息，比如古巴裔美国人或家庭农场主，政治宣 传会基于这些群体的历史投票模式和关注领域。

另一种看待大数据的方式是使用“3V”模型 10（见下图）。大数据庞大的数量（Volume）只是其中一个“V”。同样重要的是其复杂的种类（Variety），从结构化的容易分类的信息，到非结构化的看似随机的字位。除此之外还有其不断加快的速度和增多的方向，或者说是处理数据的速度（Velocity）。

当然，还有其他的“V”因素需要考虑，包括真实性 （Veracity）和价值（Value），我们在本书中一直在探讨这些 因素。

大数据的“3V”模型。注：大数据的增长不仅表现为其数量，还表现为其复杂性和通过人工智能对其进行处理的速度。

大数据的潜力

大数据最重要的作用是，能够让公司和组织清楚地了解自己、客户、成员，以及未来的发展方向。如果你对自己的发展方向没有一个清晰的概念，就很难开发技术或创建公司。大数据让你清楚地看到公司现行商业模式中的低效之处，所处市场中尚未充分开发的领域，客户需要的产品或服务，以及可能节约成本的领域。一旦你有了这些宏观数据，你就可以把它们分解成更细微的部分来具体应用，从而增加利润或改进组织结构。

假设我要在波士顿推出一个新的牛仔裤系列，而我的目标是在这个市场获得比以前的产品多 20% 的收入。我需要弄清楚我的产品是否真的能给我带来这种增长。最重要的是，我需要了解我的目标受众的购买行为。

这样做必须有明确的目的。同样的营销策略，对一个城市来说是适用的，对另一个城市来说可能就不适用了。

我从过去收集的数据中知道，最有可能购买我所销售的产品的消费者，是 25 岁以下的大学毕业生。这是一个很好的开始。现在，我可以利用我的数据库，通过历史购买数据和产品以及客户满意度调查等资源，掌握这些顾客的具体购买模式和产品偏好。

我的数据告诉我，我的最佳客户群体是居住在坎布里奇和查尔斯镇，年龄在23-28岁的艺术人士，他们对彩色牛仔裤非常感兴趣——黄色、红色、粉色、绿色等。现 在我有一个特定的细分市场进行测试，那么我就通过人工智能与这些受众联系起来。我将使用我的系统发起一个数字模拟营销活动，基于我的数据，人工智能回复的文本信 息，在社交媒体上分享人工智能设计的图形，人工智能剪辑的音乐片段，也许还有使用人工智能生成的环境广告， 所有的这些信息会不断地被人工智能进行 A/B 测试。（ A/B测试包括两套备选信息，并且每套信息的测试结果都会被追踪。）

现在我正在建立一个品牌，并开始产生入站销售流 量。我会评估一切营销活动的效果，做出相应调整，并且继续推进。这个测试场景下最大的用例包括顾客满意度和顾客行为，尽管这种数据也可用于员工满意度、流程改进，甚至是库存控制。

大数据帮助你让一切都更加清晰。然后，你可以设定公司的目标——创新、效率、新的品牌、新的商业模式，或者其他任何可以实现倍增效应的东西。在此之后，你可以开展活动，这可能是完善业务，推出新产品，或其他上百种选择。有了正确的数据，你可以将其输入一个算法，这个算法会帮你预测，更有效的运营方法按年计算将如何降低公司的成本，或者在你的产品推出后的第一个季度，公司有可能获得多少利润。

在人工智能和机器学习处理的大数据指导下，商业决策不会再被直觉、偏见和个人情绪所左右。而且，随着相关设备和云技术越来越平价，几乎每个人都可以利用大数据。

机器人和智能设备

简单来说，机器人是一种通过分析实时数据进行学习的机器，并且它会将学习到的内容转化为现实世界的活动，偶尔也会转化为非现实世界的活动。与人工智能的遭遇相似， 流行小说也助长了人们对机器人的恐惧和误解。但现实没有那么夸张，机器人反而会带给企业和组织更加光明的发展前景。

机器人技术自20世纪50年代以来就存在了，但因为缺少大数据和人工智能的支持，该领域在当时没有实现飞速发展。现如今，大数据驱动的人工智能不需要人类干预，就能够让机器完成有意义的任务。机器人系统现在反应更灵敏， 机器人的行为也更像人类，因为现在它们有足够多的人类数据，而且有能力快速处理数据并从中学习。

因此，我们现在能拥有自动驾驶汽车和完全由机器人运行的特斯拉制造工厂。我们有完备的“智能建筑”，其中的安全和环境系统可以实现自我监测并自动调整。我们有智能手表、智能电视、智能恒温器等，它们都是物联网（IoT）的组成部分。

我们还有像 Sophie 这样的拟人化机器人，它可以模仿人类进行逼真的对话；或者 Embodied 公司开发的机器人 Moxie，它有助于提高小学年龄段儿童的社交和情感方面的技能；或者 Tombot Jennie ，一只为老年人提供情感支持的机器人小狗，它的外形极其逼真，表现得也像一只真狗。尽管我们仍有顾虑，而且机器人还没有得到广泛普及，但它们的优点是不可否认的。

机器人的实际应用已经证明了它们在医疗保健、交通运输、家用电器和其他方面的优点， 并有可能持续带来积极影响，而不会如同人们想象的那样引发世界末日。

当然，机器人的应用领域并不局限于机械或电动方面的设备。智能手机、平板电脑和可穿戴设备，甚至是普通的个人电脑，都有“机器人”的成分。也就是说，它们都使用大数据和人工智能来收集关于人类行为的数据，在许多不同情况下，处理结果以满足使用它们的人类的需求。例如，移动设备的 GPS 无线信号及其内置的加速器提供了源源不断的数据流，这些数据流通过人工智能处理后，可以简化和指导我们的活动。一个例子是预装在许多智能手机上的健康应用程序，它可以测量一天中的步数，甚至记录重要的统计数据，以分析使用者的长期健康趋势。这些设备还会不断地记录我们的消费决策和其他活动，并且创造一个巨大的数据存储库，这个数据库可以被用来造福那些了解其价值的人。即使是与互联网连接的家用电器、安全系统和温度控制系统也会收集和利用大量的数据，用来支持人类决策或直接进行自主决策。在任何意义上，都可以说我们的个人智能设备就是机器人。

你甚至可以把亚马逊完全自主运行的 Go 零售店看作“充满机器人的环境”。顾客下载 Amazon Go 应用程序，在走进商店时出示二维码进行扫描，从货架上拿起他们想要的东西，然后走出商店，商店的自动系统就会从他们的账户中扣费。这个过程完全不需要人类来执行。

先进的机器正在改变游戏规则

生物技术公司美敦力（Medtronic）就是利用机器人技术的多功能性实现企业飞跃性增长的一个例子。新型冠状病毒感染疫情的影响使远程医疗成为许多医院和手术中心的必备能力，而机器人辅助手术（RAS）是远程医疗的核心所在。

美敦力的软组织机器人系统 Hugo，已经开始蚕食行业领先者美国直觉外科公司（ Intuitive Surgical）的市场份额， 这使美敦力不仅在本财年第四季度实现了 37% 的销售额增长， 而且到 2023 财年，机器人辅助手术带来的年收入将达到1 亿至3 亿美元。

该公司还计划，在研发方面的投入将比过去任何时期都多。换句话说，先进的人工智能机器人技术使美敦力公司从远程医疗领域的边缘参与者变为变革的推动者。

很难找到比前鸟巢实验室（Nest Labs）更好的例子来展示，人工智能和智能设备的力量可以让一个默默无闻的品牌成为全球知名的品牌。该公司由前苹果工程师托尼 ·法德尔（Tony Fadell）和马特 ·罗杰斯（Matt Rogers）共同创立，并于 2011 年推出了其主打产品：鸟巢智能温控器。这款智能温控器可进行编程，可以通过 Wi-Fi 连接到云端，配备传感器，并且能够从用户行为模式中学习用户偏好，因此鸟巢智能温控器的上市引发了轰动，催生了如智能烟雾探测器和安全摄像机等相关产品，并在公众意识中建立了“智能家居” 的概念。它是亚马逊的 Alexa 等“智能音箱”设备的鼻祖。

但是直到 2014 年，谷歌以 32 亿美元收购了拥有 150 名员工的鸟巢实验室，才证实了智能设备具有变革性的财富创造力。如今，鸟巢的品牌仍存在于谷歌的鸟巢设备中，包括家庭 Mesh Wi-Fi 系统和谷歌家庭智能音箱。对于一家成立 4 年的初创公司来说，这是相当不错的成绩。

盈利希望渺茫

云计算形式的互联网连接了整个技术生态系统，实现了智能学习、信息整合和效率提高的良性循环。云计算通过使用大量连接互联网的服务器，可以远程提供强大的数据处理能力。因此，机器人以及像 Siri 、Alexa 这样的实时人工智能系统，不必真的拥有自己独立的人工智能（考虑到处理所有 数据所需的计算机大小，这是不可能的），它们几乎可以瞬间连接到远程服务器和处理器，这些服务器和处理器可以处理分析数据的繁重工作，并向传感器、伺服系统和其他实体系统发送指令。

云技术让任何组织都可以提高处理速度、计算能力、改善数据结构并且完成复杂的分析，而无须对基础设施进行巨大的投资。这方面最好的例子是亚马逊网络服务（AWS），它占据了公共云市场份额的 32%。亚马逊网络服务、微软和其他云计算供应商通过将其强大的数据“后端”，以世界各地的公司能够负担的价格提供线上业务服务。

中等规模的公司能够从云技术中受益，因为它们不再需要建立自己的大型数据中心。云技术是为物联网设备供电的完美选择，从农场灌溉的传感器到家庭安全系统，再到“智能牙刷”都非常适用，因为这些设备通常使用 Wi-Fi 甚至 5G 无线网络连接来快速收发相对少量的数据。在大数据环境中，云技术的表现还不够好。因为它还不具备足够的处理速度和数据基础设施。

在 21 世纪初，开源项目 Apache Hadoop 得到了开发，进而使大数据计算成为可能。它最初被应用在大规模的本地计算机集群上，但最终被云计算所取代。当初的目标是，非结构化数据将进入云端并以更高的速度被处理，但能够远程处理所有非结构化数据的基础设施还不完备。云技术所期许的连接性和对任何地方数据的访问还没有完全实现，至少现在还没有实现。然而，随着摩尔定律继续发挥作用以及量子计算的发展，处理速度将继续不可阻挡地上升，存储容量也将继续增长。最终，云技术的效用将扩展到几乎任何规模的业务领域。

以特斯拉和亚马逊的商业模式思考

埃隆 ·马斯克（Elon Musk）的企业特斯拉（Tesla）长期以来一直走在利用云技术潜力的前沿。毫不夸张地说，如果没有使用云技术，特斯拉只会是一个平平无奇的电车制造商而已。多年以来，特斯拉驾驶者的档案会一直存储在其车辆内，可以让驾驶者对座椅位置、音乐设置、后视镜和其他设备的所有配置根据个人的偏好进行设置。每个驾驶者的配置档案都通过特斯拉应用程序或车钥匙与驾驶员的智能手机相连，这使得车辆能够检测出不同的驾驶员，并根据所需设置重新配置汽车。现在，这种根据驾驶者偏好进行汽车配置的能力，正通过特斯拉网络框架被转移到云端。

这不仅能够存储更多的驾驶者数据和媒介信息，而且还能让特斯拉使用基于云的算法来引导和“训练”自动驾驶汽车。特斯拉希望在 2022 年推出能够与优步和来福车（Lyft）竞争的共享汽车服务，这也将成为其人工智能系统的数据来源。

亚马逊网络服务是另一个极佳的例子。21 世纪初，亚马逊的 IT 团队判断，应对快速增长的季节性电商流量以及其他发展瓶颈的方法，是专注于开发一个“快速、可靠、廉价” 的架构。2006 年，亚马逊网络服务作为网店、媒体网站、游戏网站等的后端向公众开放，使得开发人员能够以低廉的价格快速访问按需云计算。

在过去的 15 年中，亚马逊的“电商服务”平台已经发展成了 EC2（一种虚拟机服务）、Glacier（一种低成本的云存储服务）和 S3 存储系统。如今，亚马逊网络服务约占公司总运营收入的 63%。这项技术不只是“云”而已，可以说它是一道“闪电”。

请向特斯拉和亚马逊学习：将你的业务迁移到云端。不要再继续用公司内部的主机处理大数据了，现在开始，收集你的数据，并且利用云计算和人工智能的远程力量，去了解你的数据说明了什么。你的企业是需要创新、提升效率，还是使用物联网、机器人和数据分析等最新技术？去弄清楚你的数据对你的业务会有什么影响。然后， 你可以将这些数据带来的商业洞察力适当地应用于你的业务用例中，而不是坐等改变发生，最终落后于人。

看看网飞和星巴克的例子。归根结底，它们的崛起并非技术原因，也不只是商业智能的原因，而是在应用数据给予它们的商业洞察力并采取相应行动时，人工智能和相关技术带来的影响。这就又回到了战略性思维。当网飞试图进行变革时，流媒体还很原始，数据处理的速度也较低，它们的算法也还没有那么完备。但这些并不重要，因为它们知道应该提出什么问题，以及它们正在努力解决的业务问题是什么。