探索和发现

 

纽约警察局（NYPD）利用基于 AI的搜索工具 PATTERNIZR分析犯罪模式。仅在 2018年一年，纽约就有超过 68000宗抢劫、盗窃和入室行窃案件发生，对此NYPD将采用所有它们能够获得的帮助。PATTERNIZR—在2016年12月已经开始启用，但是在 2019年初才初次向公众披露—被用于寻找跨分区的犯罪模式。PATTERNIZR解放了人类分析师，让其聚焦于更复杂的分析任务。就像一个真正的人类分析师，PATTERNIZR对入室方式、所偷物件类型、犯罪之间距离等因素进行比较。为了消除种族偏见，PATTERNIZR没有将嫌疑犯的种族信息置于系统内。PATTERNIZR已经被证明是有用的。比如，AI发现了跨分区犯罪之间的联系，这是以前从未进行标识的联系。在两起案件中，一个人利用注射器进行威胁去偷钻头。在AI判定的其他两个案例中，也存在在抢劫中利用注射器作为威胁的行为。NYPD利用信息将嫌疑犯定位并实施逮捕，最终嫌疑犯承认犯下了偷窃罪和殴打罪。

AI的预测能力对于研究人员来说是一种强大的工具。材料科学家利用AI预测可能具备所需物理属性的材料结构，可能会发现新的合金和化合物。AI指导的研究可能导致新型神奇材料的发现和合成，比如室温超导体和高效能电池电解质，这些材料将改变能源部门并帮助应对气候挑战。就像我们在本书第10章总结的，制药公司使用AI帮助发现新药。预测型 AI可以帮助我们发现有效的治疗药物以改善人类的健康状况。AI还能如何促进你们公司的研究工作呢？

 

更明智的决策制订

 

商业分析提炼数据以提供各种各样的崭新洞察。一些人使用统计技术，一些人使用启发法，还有一些人利用AI的力量发现数据间的关联关系，抽取洞察并进行推荐。智能决策支持系统利用这种分析方式支撑数据驱动的决策制订。比如，信用报告机构益博睿（Experian）和包括美国运通在内的信用卡公司利用机器学习，通过处理   TB   级的消费者数据提升信用卡审批的速度和准确性。一些客户关系管理（CRM）平台利用 AI对潜在客户的优先级进行智能排序。此外，AI也可用于指导招聘决策、开销决策、投资决策、购买决策、营销决策、设计决策、工程决策等。

抵押贷款公司利用 AI评估贷款风险并指导放贷决策。放贷人利用建立于历史数据上的风险模型，制订莎士比亚式的决策“放贷，还是不放”。一个放贷者利用有关潜在借贷者的10～15个数据点对其进行风险评估：薪酬、信用得分、债务收入比等。根据这个评估，放贷者要么放贷，要么不放贷。有限的数据无法全面反映一个人偿还贷款的能力，一个人不仅仅只拥有 10～15个数据点。放贷者利用有限的数据集限制了其复杂性，并降低了他们的工作负荷。一个放贷 AI会考虑有关一个人的数百个数据点、发现复杂的关联关系，以对一个潜在借贷者建立一个更细致的画像。美国金融科技公司宣称它们的放贷 AI发现了一群低风险的贷款候选人，这群人由传统放贷方法评估时却不合格。对于抵押贷款公司的利好是：它们提供更多贷款，风险却没有增加。

 

预测未来

 

AI为我们提供了一个预言未来的方法。将AI应用于历史数据时，它发现的模式和关联关系使得它可以对未来做出更准确的预测。AI可用于预测疾病爆发、评估保险精算风险和预测电网的未来需求。Atidot、Quantemplate 和 AnalyzeRe都是利用 AI进行保险风险预测的公司。

AI也被执法机构用来预测犯罪。PredPol是洛杉矶警察局（LAPD）与加州大学洛杉矶分校（UCLA）合作开发的系统。PredPol预测严重犯罪将最有可能在何时何地发生。开发PredPol的科学家宣称这个系统的准确率是人类分析师的两倍。然而，这个系统只能预测未来犯罪发生的位置，而不能预测犯人的身份。距离 PhilipK. Dick的《少数派报告》所描述的预防犯罪（precrime）概念，我们仍有很长的路要走。

当大多数企业都需要进行预估或预测时，AI   还只是触及了这个空间的表面。

AI将助力企业规划系统的各个方面：需求预估、风险分析、设计趋势等。

 

 

利用超级传感器，通过新的镜头观看这个世界

 

传感器，经AI增强配置创建为“超级传感器”，将揭开世界的面纱、扩展我们现在的五官，而使我们可以更全面地感知这个世界。就像之前的显微镜一样，AI给了我们观察世界的新镜头。利用这个镜头可以体验世界的全部复杂性和美丽。超级传感器还将监督业务运营、监测设备运行、创建新的产品，并为我们提供一个有关人的更全面的视图。

超级传感器的一个早期激动人心的例子来自 DinaKatabi博士的成果，她是MIT（麻省理工学院）计算机科学和人工智能实验室（CSAIL）的教授和研究负责人。Katabi的团队已经创建了一个超级传感器。为这个特别的故事增添乐趣的是，它以《星球大战》开始，以《星际迷航》结束。当还是个孩子时，Katabi就着迷于《星球大战》电影中“原力”的概念。她的着迷一直坚持到成年。在《星     球大战》中，奥比万·克诺比描述了一种神秘的力量，它“围绕着我们，渗透着    我们，并将银河系捆绑在一起。”当 Katabi思考“原力”这个科幻概念时，她意识到一种围绕着我们的真正的力—电磁能。当你上下挥舞你的手臂时，你就    在对这个力制造干扰。Katabi很想知道对电磁能的感知能否让她以一种新的方式理解这个世界。Katabi的研究团队创建了一种壁挂式传感器，并将其安装在房间里。传感器以类似于 Wi-Fi热点的工作模式发送和接收射频（RF）信号。RF信号可以穿透墙，但是碰到人就会反弹。传感器采集反射的 RF信号并将数据输入神经网络，以对反射信号的数据含义进行理解。

为了训练 AI，Katabi博士的团队拍摄了人在房间里四处走动的视频。将视频和 RF传感器数据作为并行信息输入AI。AI发现了 RF传感器数据和视频图像之间复杂的关联关系，并最终将两者进行关联，AI仅仅通过 RF传感器数据就能够判定房间里在发生什么，并且可以记录一个人站立、坐下或躺着的时间。因为RF信号可以穿透大多数墙，AI可以透过墙“看”，也能在黑暗中“看”。Kata- bi很惊喜，她计划利用传感器监测接受治疗的老年病人。当病人跌倒并且呼叫帮助时，传感器能立即监测到。令人难以置信的是，传感器还能监测生命体征—病人的呼吸和心率，以及他们的睡眠状态—清醒、浅睡、深睡和快速眼动睡眠。如果你了解一个人的睡眠有多好，你也就能大致了解到他的健康情况。深度睡眠障碍可能预示着抑郁和焦虑。快速眼动睡眠障碍可能预示着阿尔茨海默症。阿尔茨海默症可以从重复的行动模式和动作中被预测，传感器对这些也都可以进行监测。此外，一个人的步态变化可能预示着帕金森症的发展。

通过将 AI应用于低成本、壁挂式的RF传感器，我们可以监测生命体征、睡眠状态、跌倒，并对包括阿尔茨海默症、COPD（慢性阻塞性肺疾病）、帕金森症和抑郁症的症状发展提供临床洞察。所有这些都无须在病人身上缠绕任何电线。系统运行无须使用摄像机，这解决了隐私问题。病人监测需要经过他们的同意，知道视频、图片信息不会被收集令他们感到放心。传感器帮助临床医生“看到”大量的丰富信息，这些信息全部都通过无线采集。我们从《星球大战》开始这个故事，并用《星际迷航》的病床来结束这个故事。

超级传感器还能揭示出更多关于世界的信息。谷歌的“ProjectSoli”技术利用短程雷达信号和机器学习监测手指轻微的手势。这种技术将移动设备和可穿戴设备上的滑动条、按钮和转盘改变成为虚拟控制。在本书有关未来健康护理的第10章，对于超级传感器将有更多、更详细的阐述。未来我们还会创建什么样的超级传感器？你的企业将创建什么样的超级传感器？

 

从经验中学习解决复杂问题

 

一些挑战—通过多种变量优化系统，或者通过编程让机器人用两条腿走路—要是通过传统计算机进行处理，太过困难、太过复杂，也太过费力。而 AI利用被称为强化学习的技术解决这些棘手问题。

强化学习是机器学习的一个分支，数字奖惩系统是其训练过程的构成部分。强化学习系统通过一个反复的实验过程来解决从前过于棘手的问题：AI通过智能形式的试错，尝试大量策略并学习解决问题的最佳方式。这就像是利用数字进化一样。

强化学习教会计算机执行复杂的优化、控制复杂的设备，以及把游戏玩到最好。2018年，研究人员训练一个 AI玩经典的世嘉游戏机游戏：刺猬索尼克。索尼克有两种简单的控制：跑和跳。AI则被训练将视频游戏显示作为输入，游戏控制作为输出。在强化学习中，AI有一个被称为奖励功能的额外输入。当AI进行训练时，它试图优化奖励功能。游戏点可以增加奖励，而如果索尼克丢掉一条命则奖励大幅减少。一开始，AI玩得很糟糕。后来过了一段时间，AI优化它的模型，在最恰当的时刻跑和跳，得到了最高分，并且还让可爱的蓝色刺猬一直活着。AI不是基于简单的时间进行学习，它从屏幕上所发生的事情中进行学习，所以它可以达到它以前未曾见到过的游戏等级。

强化学习最常被引用的例子是 DeepMind的 AlphaGo系统。DeepMind是 Al-

phabe（t  谷歌母公司）的子公司，创建了AlphaGo去玩中国古老的游戏—围棋。

赢棋策略非常不透明，就连大师也总是不能说清楚他们为什么选择所做出的移子—他们说这些移子只是“觉得对”。围棋棋盘上棋子配置的可能性多过宇宙中的原子数量。要创建出能够理解这种复杂游戏中细微差别和微妙策略的机器，是一项巨大挑战。

AlphaGo并没学习过游戏策略，它通过对很多场人类对人类的游戏开发出自己的策略。在 2016年 3月，AlphaGo与得过 18次世界冠军，也是世界上最好的

（人类）围棋手李世石下棋。AlphaGo以四比一打败了李世石。为了赢棋，Al-phaGo开发了几种新策略，这些策略与几百年来专业围棋手公认的智慧相悖。通过观察AlphaGo的策略，人类围棋手也完善了他们的棋法。

这个故事提供了重要的一课。与其想着把AI当作人类的一个威胁，不如把

AI想象成复杂的合作伙伴，它提升人类的技能并最终推动人类向前飞跃。

2017年，DeepMind的另一个机器 AlphaGoZero在模拟环境中与自己下了数百万盘棋，终于成为围棋大师。它通过实战而非通过观察人类下棋进行围棋策略的开发。AlphaGoZero现在已经能够打败最初的AlphaGo机器，让所有人类围棋大师甘拜下风。

强化学习不仅仅应用于游戏。华沙大学的研究人员使用强化学习训练两足机器人更高效地行走。控制机器人的   AI   利用不同的步行策略改变了由机器人的发动机和实验产生的运动组合。因为提高了整体效率并加快了步伐，控制机器人的AI获得了奖励。通过这个方法，机器人专家为其机器人实现了更高效、更自然的步行运动。一个机器人学会了新的策略，行走的速度几乎是原有设定策略行走速度的两倍。

AI从经验中学习的能力可用于解决很多商业问题，包括复杂的优化问题。AI可以优化交通控制系统、工业化学反应、广告投标、工业自动化、供应链流程、产品设计、仓储运作、库存水平、投资收益、贸易策略、风力涡轮控制、药物剂量、智能电网以及商业HVAC（空调）系统。强化学习还教会 AI驾驶汽车，如同人类一样，AI通过练习学会驾驶。它们不仅在现实环境中驾驶真正的汽车，也在逼真的软件模拟环境中行驶数百万英里路程。在某种程度上，特斯拉的 AI是从车主亲自驾驶中所采集的传感器数据中学习如何驾驶的。

 

创作和合作创作内容

 

计算机现在具备想象的能力。人工智能能够创作音乐、美术作品，甚至还能写诗。AI还能与人类一道合作创作内容：与艺术家、设计师和工程师形成数字智能合作关系。

大多数 AI创作内容使用的是一种名为生成式对抗网络（GAN）的新方法。最早的 GAN在 2014年由 IanGoodfellow创建，后来他成为蒙特利尔大学的研究人员，现在 GAN是谷歌大脑项目的组成部分。GAN将两部分 AI关联在一个强化学习的复杂版本中，每个AI都在互相训练对方。AI运行在一个对抗性的情境中：每一个 AI都试图抓住对方的错误。它工作的情形是这样的，一个AI进行内容创作，而另一个 AI则发现虚假的 /生成的内容。可以把这些 AI想象成伪造者和艺术侦探。侦探，也被称为鉴别式    AI，最初是用很多现实世界的“好的”数据

（真正的内容）对它进行训练。伪造者，也被称为生成式 AI，试图通过创作高质量的、逼真的内容来蒙混鉴别式 AI。最开始，生成式 AI创作的内容非常糟糕，鉴别式 AI很容易就能认出它是“假的”。但是生成式 AI的能力逐渐提升，直到最后鉴别式 AI发现很难认出哪些是生成的内容。经过一段时间，每个AI对于所分配任务都能更好地完成。虽然两个 AI之间的关系是对抗性的，但是真正的结果却是鉴别式 AI充当生成式 AI的教练，而生成式 AI同时也充当着鉴别式AI的教练。最终，生成式 AI创作出令人难以置信的、高质量的内容：图片、视频、谈话、音乐、散文、法律合同以及工程设计。

GAN的潜力巨大，它们将大大改变我们工作的方式。在接下来的十年里，很多阅读本书的人未来可能将与基于GAN的 AI成为伙伴，共同创作内容，并在一些商业任务中进行合作。

虽然生成式 AI存在一些令人担忧的缺点—最突出的是深度伪造—很多应用还是展现了令人难以置信的潜力。如今有关具备想象力的机器最强有力的例子是生成式设计，这是由工程设计公司Autodesk设计的。生成式设计在工程和建筑设计中应用广泛。我们会在本书第 14章和第 15章进一步探讨这些应用。生成式设计利用 GAN的想象力和内容创作能力，由一个原始设计生成成百上千种备选设计方案。设计者指定约束条件—规模、重量、成本等—生成各种方案，并用模拟工具对各个方案进行评估。设计者只需挑选出最符合他们需求的那一个方案—可能是制作起来最便宜的、最容易生产的，或者是重量最轻的。

生成式AI可以帮助设计更耐撞击的、重量更轻的飞机、汽车，以及更强壮、更轻便的机器人。生成式AI将完善新型建筑的结构和设计。

GAN甚至被用于对牙冠的自动化设计。加州大学伯克利分校与 GlidewellDental实验室的研究人员合作，利用 GAN进行牙冠设计。AI利用病人上下颚的数字 X射线，设计出完美填补病人牙齿缝隙的牙冠，优化咬合接触，并且看起来非常美观。研究人员宣称AI生成的牙冠超越了由人类设计的牙冠。这种方法应该可以加速牙冠制造、降低成本，并解放牙医，使他们可以投入更多时间在病人的口腔从而产生更多收益，而不是花更多时间在后台的 CAD机器上设计牙冠。

生成式 AI是更广泛 AI类别的一个范例，我称之为协同式AI。协同式 AI在创作过程中与人类共同协作。人类对工具的使用，将人类与绝大多数物种区别开来。传统的工具属于从属地位—我们使用一个斧子、驾驶一辆车和编制一个计算机程序。协同式 AI改变了我们与工具的关系。它们不再附属于我们，它们如今与我们共同创作。协同式AI不再仅仅是工具，它们更是合作伙伴。协同式 AI将为演示、广告和营销手册创作出视觉化作品。协同式电子邮件软件将自动生成回复。协同式管理软件将为复杂项目自动制订计划。在未来，很多工作都将受益于协同式 AI。

 

AI应用的未来

 

在一个快速变化的领域，除了之前所列出的八大应用类别之外，新的应用类别一定会继续推陈出新。最近才创建出来的GAN技术已经成为这几个应用类别的中心。随着研究对除深度学习之外的技术（如因果 AI、常识 AI、胶囊式 AI等）的拥抱，人工智能将能解决更多的商业问题。

AI举足轻重，每位领导者都应该密切关注，每个企业都必须了解AI将如何重构产品开发、业务运营、客户服务和劳动力管理。