这一次人工智能的浪潮，绝对不是泡沫。——杨洋

我的课题是：AI时代下的商业逻辑。

AI的商业本质是提升生产效率

本节要点

• 人工智能的终极目标是让机器替代人类；
• 这一波人工智能改革浪潮并非泡沫，深度学习是真正拐点；
• 人工智能的商业本质，是提升生产效率。

人工智能，不是一项技术，而是一系列技术。这一系列的技术都在往一个方向发展：希望机器能够替代人。

“代替”的重要标准，是比人更好。很可惜，过往的几次人工智能浪潮，只是让计算机比人算得快，却没有人能证明，它比人类算得准。

而今日，有这么多的巨头公司投入重兵砸到AI领域中去，是因为这次掀起的AI浪潮真的是整个人工智能发展史上一次重要的拐点。

改变这一切的关键在于“深度学习”，其大幅度地提升了高纬度的信息辨识能力。

当面临海量的信息时，深度学习表现了特殊的能力——信息越多维度准确性就越高，且没有上限，很容易就超过人类。

其实，所谓深度学习的本质，就是一个比人类感官更为优秀的“分类器”。

如何理解呢？

我们人类现在做的所有思考，其实都是在做分类。比如，在我上台的那一刻，主持人并没有介绍我是男是女。这一点，是你们通过意识经验去做分类，通过我的发型、衣服、声音以及姿态等去判断的。

而现在，却有一项技术可以在分类上做得更好：只要我们将事情拆解得足够细，那么，深度学习就可以在每一项分类上都做得比人类更好，合起来也就比人类做得更好，甚至远超于人。

我对深度学习的技术无比佩服。人类的职业大致分为80多个类别。我们测试过，如果由HR手动分类，准确率大概在85%；用非深度学习的其他统计算法技术，准确率在60%多；而通过深度学习技术，准确率却突破92%。

这是技术本质的突破。这就是为什么这次的AI浪潮得以引爆的原因：拐点诞生了。

因此，这次浪潮绝对不是泡沫。

深度学习与商业本质有什么关系？我们可以将传统的“互联网+”公司与出名的AI公司做对比。

“互联网+”的商业本质，其实提升的是生产过程中的信息传递效率，它是一个提高沟通效率的过程。我们所熟悉的BAT的产品中，百度是使你搜索信息变得容易，阿里巴巴是让你可以无须去线下购买，QQ和微信就更不用说了，提升连接效率。

但AI公司是恰恰不一样的。它改变的是整个生产过程中的生产效率，直接影响生产过程的核心。

如果是在非信息行业，比如传统制造业，社交软件并不能发挥作用，直接让公司产品变得更好，比如，让电视看起来更好，让手机用起来更爽。因为，它只是一个沟通工具。

而AI+可以。

人工智能、人机交互和高速计算技术的发展，会让很多人的工作被电脑取代。事实上尽管在现代这个脑力劳动的社会，我们所从事的90%脑力劳动其实都是在重复过去累积的经验，而非新的思考。

因此，这部分工作很容易被我们安插“分类器”的技术环节去取代。事实上，没有什么行业不存在单调重复的劳作环节。

AI+已经离你很近

本节要点

• AI覆盖的行业面极广，且各有特色不存在统一解决方案；
• 任何行业，都可以用“核心生产效率问题”、“AI解决方案”、“应用案例”三部分来分析；
• AI正在悄然渗透在各行各业，只是你未曾发觉。

接下来的重要部分，是让大家感受一下AI现在已经如何渗透到你的行业。这些行业案例是我自己非常深入地了解或者亲身经历的，会和你从网上看到的那些信息非常不一样。

这些领域，有两个特点。

• 第一，覆盖面特别广。
• 第二，每个行业各有特色，不存在大一统解决方案。

高端制造业

• 核心生产效率问题：如何能更高效的设计出更优秀的产品方案
• AI解决方案：通过学习历史数据，更快的找到更好的设计方案
• 应用案例：国内某芯片制造巨头通过AI算法将芯片模具设计时间大幅缩短，AI还能大幅提升药物晶体选型速度。

至少在两年以前，我还以为AI在高端制造业没有太大用途，但自从知道这个案例，则完全改变了我的认知。

举一个例子，芯片制造业的核心是模具。

有一天，我突然接到一个电话，是我一个大学同学打过来的，说是很想投资我。

他给的理由让我觉得无比神奇。

他是国内一家芯片巨头公司的管理层，主要就是做芯片模具设计的。最近他们公司进来一个读计算机的博士。这个博士将AI引入整个芯片模具的设计，并将原来以年为单位的周期，缩短到以天为单位。

我的朋友发现，这位博士的AI改革，使得这个行业不会再需要这么多的芯片设计员了。所以，他想到我是做AI的，要投资我，理由就是这么简单。

这样的故事媒体没有报道过，但是都是真实在发生的。大家也许觉得AI在各行各业的渗透并没有多么热闹，但其实，它正在悄然进行。

因为，每一家企业都在把AI对自己的提升当作秘密武器，想要以此打败竞争对手。

教育

• 核心生产效率问题：如何能快速提高学习成绩，个性化培养出更优秀的人才
• AI解决方案：自适应考试，自适应学习，个性化生涯规划
• 应用案例：Knewton通过自适应评测精确诊断学生对知识点掌握的情况，并制定有针对性的学习方案。iPIN的完美志愿根据个人特质和数千万人的职业发展经历，为学生制定个性化的生涯规划。

教育关系到我们每一个人。我走访了很多这个领域的从业者，从小学到高中。所有人都可以把教育行业的需求提炼得非常精准：提分升学。另一点，是如何个性化地培养更优秀的人才。这就是教育市场的核心生产效率。

美国是怎么解决这个问题的呢？自适应考试与学习。

最早是有一家著名的考试机构ETS，所有考GRE、托福的试卷都是这个公司出的。传统的考试，所有人都是做同一套卷子。而ETS的自适应考试，是我随机给你一套题，这道题你答对了，我给一道更难的；你答错了，我就给你更简单的。

所谓自适应学习，可以快速诊断学生对各个知识点掌握的广度与精度，定位学生的知识点弱点，并且，还可以针对这些弱点反复提供针对性训练，迅速提升学生的学习能力。这种系统会记住你在什么地方犯错，应该在什么地方提升。

目前，Knewton是全球最大的自适应学习的公司，他们做了很多可以渗透到K12教育（幼稚园至第十二年级）的应用。国内也有很多公司在做这个，包括新东方投资的公司也都是在做自适应学习的方向。

教育的核心是什么？服务。AI+其实并没有改变这个本质，而是能够帮助提供更好的、个性化的教育培训服务。国内排名前五的教育巨头，我们已经深入接触了三家，没有任何一家创始人对这一点有怀疑，他们都认为，AI+将是未来教育的大方向。

预计五年之后，AI+教育，会给这个社会带来真正的变革：

• 第一，让教育更公平。AI这个老师，会是一个比填鸭式教育更懂你的老师，它能够个性化地对待每一个学生。
• 第二，让每个人得到个性化的发展。
• 第三，可能会打破房市泡沫。中国的房价高有两大因素，一个是高考机制让大量农村人口及三四线城市人口向一二线城市转移，拉高了一二线城市的房价。另一方面，是学区房。比如，深圳最近房价跌了，但是学区房的价格却一点儿都没有跌。

这就是整个教育资源缺乏导致其对整个社会的重大影响。但是，AI+教育，是能够让教育变得更公平的，未来，我们对于普通教师的需求，可能不会那么大了。但优秀教师，还是稀缺的

文字工作

• 核心生产效率问题：更快的写作，更精妙的文笔，更吸引人的情节构思
• AI解决方案：标准文书写作…….
• 应用案例：百度机器人写古诗，今日头条写作机器人报道体育赛事，iPIN的JD机器人创作招聘需求，日本小说机器人写小说

文字工作的核心生产力是什么？

在这一点上，其实不是很聚焦。

在财经领域或者体育赛事的报道上，还是特别需要更快、更准确的写作的。它并不需要文字多么华丽，要的就是快和准。在这种情况下，AI其实是非常有用处的。

但从另一个角度来说，如果你用优美的文笔去吸引人，或者写小说这种引人入胜的精妙构思，很遗憾，目前AI还不能提供解决方案，它只能提供标准的文书写作。

目前，AI的逻辑构思能力还很差。日本有一个写小说的机器人，它的小说还通过了评委的初选。我想说，那个评委一定是非常糟糕的评委。

现在的机器人可以写一些现代诗，是那种读不懂的或者不知所云的内容。那种非常吸引你，让你读了就放不下的文章，机器人是做不到的。

当然，不止是这几个行业，金融、法律、财务、出行、医疗等等，一切都在发生变化。我很难想象，未来10年，会有哪个行业不会被AI影响。

但AI也并非无所不能，我们现在仍然处于AI的初级阶段。在常识理解和逻辑推理方面，机器仍然无能为力。

但你需要了解的是，虽然我们并不能用一种高度智能的方式让机器自动解决所有的问题，但通过“科学家+行业专家+应用专家”这三者的紧密配合，已经可以很好地将很多工作自动化。

制定企业的AI+方案有四个步骤

本节要点

• 企业对AI需求的共同特点是“秘密超车”与“尽量裁员”；
• 各行各业对AI的需求分为三类；
• 制定企业的AI+方案有四个步骤。

我希望，通过我的这次课程，除了给你对AI的全新认识之外，还能帮助你们各自的企业形成自己的AI方案。

首先，这些需求的共同特点是：

秘密超车

这几乎是所有行业老板共同希望的事情，不仅要秘密拥有，还有独有，为的是打赢一场战争。

尽量裁员

有一家公司是做脑力型工作的，3000多名员工。我问，你想裁掉哪些人？这家公司的回答是，这个行业中5年以下工作经验人的工作内容很简单的。全公司只有15个人的工作内容不是如此。

这是我听过最直白也最残忍的裁员需求，而他们希望通过AI达到目的。

当然，从另一个角度来说，AI提升生产效率，并不是让人失业，而是让更多人不必劳累工作，可能每天你只需要工作一个小时就可以了。

我将各行各业对AI的需求，归纳为三类：

• 第一类：各种信息和行业资讯智能检索和分析。例如：资料库检索，法律检索，专利检索等。
• 第二类：行业生产流程的AI优化。例如：财务流程，招聘流程，铁路调度流程等。
• 第三类：取代公司内从事单调重复脑力劳动的人。例如：信息录入员，招聘专员，律师助理，初级医生。

具体案例

接下来，我讲一个非常具体的案例。我们如何帮一个大型购物中心提升效率。

一般来讲，我使用的是AI升级四步法：

• 诊断阻碍生产效率的最大问题：对核心问题进行拆解
• 评估公司的数据基础：根据拆解出的问题列出理想的BI（商业智能）架构，检视目前公司的数据缺陷
• 解决方案：完善数据基础——完善商业智能(BI)基——AI过程设计——小试——大规模实施
• 方案评估与实施

这家大型购物中心的管理者给我们提出的需求非常明确。

1. 提升购物中心的坪效，赚更多的钱；
2. 我还有很多别的购物中心，完全依赖于人，管理成本非常高，如何改善。

我以“四步法”来帮他分析这个问题。

首先，他要解决的是什么问题？

1）如何提升商业地产面积的利润率（核心问题）

拆解这个问题，就会面临三类很具体的问题。

• 第1类：对于已经入驻的商户，到底应该如何评价运营效率，如何去优化调整。
• 第2类：对于未入驻的商户，到底应该筛选什么样的商户。
• 第3类：对于整体的运营购物中心，到底如何提升。

2）理想的BI（商业智能）架构

AI是靠数据吃饭的，没有数据AI就是一个傻瓜，所以接下来要去诊断他的数据基础。

所谓的BI构架，起源于上个世纪90年代。就是将分散的数据集中到一个数据仓库，再由这个仓库对一些关键问题实时响应和决策。在美国，绝大多数公司完成了这个工作，而中国的绝大多数公司在这方面还非常弱。

所以，目前整个中国的绝大多数企业，如果实现AI，首先要实现BI。

诊断一家公司的BI架构，分为五级：

• 第一级：关键数据缺失；
• 第二级：数据全而未打通；
• 第三级：打通但不支持快速决策；
• 第四级：支持快速决策但不能快速实时响应；
• 第五级：智能实时响应。

我了解到，这家购物中心只有两块数据是非常不错的，而其他地方几乎是空的。我把它评定在2.5级。

我给这家公司提供的解决方案。

第一步，你的数据不行，那就先提升数据基础。举个例子，通过WIFI、雷达布控去监控人流；包括对用户进行个性化分析，如果你发现一个带小孩的三口之间可以给他推荐去楼上的儿童乐园去玩，给他一个乐园的优惠券，让他停留更长的时间。

第二步，重构BI系统。

第三步，给他开发三套AI应用系统，有针对性地解决上述文中他的三类问题。

这种解决思路，是属于现在各个公司基本上都会遇到的问题，都可以这样去做。最首要的就是解决数据问题，使得你的数据提升达到理想的架构。你完成了信息化，再来做AI。

为此，我总结了AI+的思维模型：生产拆解—完善数据—逐个解决—有机整合。

AI+落地的最核心问题是人才

本节要点

• 发展AI的相关事业要注意：核心的不是算法，而是对行业的理解；
• 解决问题的正确搭配，需要科学家、行业专家与AI应用人才的合力。

你要做好准备，发展与AI相关的事业，一定会比你与其的时间要长。我自己就遇过几次大坑。

iPIN曾针对高考志愿填报规划做AI的服务应用。我当时认为这是一个很小的问题，只需要了解全国几千所高校的信息就可以做到。但事实证明，我完全低估了它。

志愿填报的核心是生涯规划。但是，这么多的职业，我怎么能全部了解？作为生涯规划的第一步，其实是自我认知，但是我如何让人了解自己？此外，很多学校的宣传和其本身的实际情况并不相同，我又怎么解决这个问题？

这件事我们硬着头皮做了四年，也取得了不错的结果，我们可以详细分析到“蓝翔技校”学挖掘机专业的人到底去了哪，干着什么，拿多少钱，后来是怎么发展的。

然而，我们还是需要面对一个问题：它能帮我赚钱吗？从AI的角度，我找不到答案，因为AI+很可能不会带来商业模式的创新。

目前，我们的盈利模式还是很“互联网+”——我们有海量的用户，就在线上去提升转化率，通过电商、广告的方式去赢利。而线下，我们和各个教育机构合作。

此外，iPIN利用了AI算法，解决了HR的简历筛选问题。HR的整个生产效率环节，包括输入、判断、匹配准确率、人才库使用率等指标，我们可以全方位介入，提升HR的工作效率。

然而，这并不能解决招聘最实际的问题，因为简历筛选只是招聘环节中很小的一部分。

大部分公司对人才和要求和评判标准，是很隐晦的。比如，他要一个很优秀的人。那么，什么是“优秀”的标准呢？

这是AI算法上做不到的。

真正很好地解决一个行业问题，只把算法做好是不够的，你要对行业有足够渗透、足够理解，还要把问题拆解得足够细。这和你真正能够到行业中去打造一个AI行业应用落地的距离，相差十万八千里。

因此，有一个漫长的链条等着你去解决。真正解决问题的正确搭配，是要三类人形成合力：

第一类：AI科学家

他们最擅长解决数学这一块。这类人非常稀有，各个公司都想拥有，难度很大。而如何管理这类科学家呢？他们长期做学术，也许并不一定深入地了解行业。首先要把问题拆的足够散，才能让他去具体地解决。

也因此，需要行业领域的专家参与。

第二类：行业专家

他们是真正很懂这个行业的人，可以把行业的所有问题全部描述清楚。但行业专家的问题是，他们会自我设限。

比如，我刚刚提到的那个购物中心的案例。有专家就认为我这样做是不对的，首先的工作是要给这个购物中心定位，它是一个高端的购物中心，还是一个低端的。然后再针对这个定位去选择进驻的品牌。这是他的行业经验。

但事实上，AI解决的问题，不是帮你去定位购物中心是否高端，而是赚更多的钱。商业是逐利的，生产效率、投资回报，这才是商业的本质，而非品牌是否高端。

第三类：AI应用型人才

有时候，行业专家的固有思维，反而会阻碍AI化的事实。所以，这个时候就会特别需要AI应用人才，让他们去调节各方面的利益冲突，洞察到你需要解决的根本商业需求。

事实上，现今社会，是非常稀缺AI科学家的。能够拥有十年以上的AI科学家，在全世界都没有多少。但AI科学家除了拥有非常好的理论基础之外，还要有和大量实际数据打交道的经验。

人工智能的发展第一次将科学家推向创业的先锋位置，而实际上，AI科学家最擅长解决的是学术问题。因此你将一个解决学术问题的人推到时代最前沿去解决应用问题，这本身就是一个错配。

应用方面，还是需要有应用人才，他们要了解算法，同事了解行业问题。

如何成为AI应用人才，这也是我们公司遇到的问题。我相信很多企业在未来也会遇到这个问题。

最合适的人，我认为他首先是一个优秀的产品经理。要能准确地把握到问题的本事，并且拿出相应的解决方案。

当然，如果他要成为一个AI应用型人才，还要对技术懂一点，对所要解决的行业领域懂一点，要成为一个半吊子的Tensorflow Boy。

这是目前AI行业很火的一个词儿（TFBOY），Tensorflow是谷歌的一个开源框架，这个框架可以将很多机器学习的算法使用门槛降到非常低，在座的各位都可以去尝试一下。

最后，他还需要是半个行业专家。

从这三方面出发经常使用AI+的思考模型思考问题，或许你就有可能成为在AI时代的公司最需要的那个人。

最后，我想跟所有混沌大学的同学说，我们正在处于一个人类历史上从未出现过的科技日新月异发展的时代，速度远超于其他时代。

这是一个超级加速的过程。

我感到非常荣幸自己出生在这样一个时代，希望大家能够和我有同样感受。

作者：杨洋

来源：微信公众号：混沌研习社北京分社

本文由 @混沌研习社北京分社 授权发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自PEXELS，基于CC0协议