智慧城市网

　　【安防展览网 企业关注】人工智能(AI)革命自半个多世纪前诞生以来，给整个世界带来巨大冲击。特别是在过去十年当中，AI已经由学术领域的研究方向，转化为我们日常生活中不可或缺的组成部分。如今，我们习以为常的AI业务策略主要以数据为中心构建而成，专有数据甚至成为AI企业具有战略意义的资源储备。但在未来几年中，专有数据将不再是一种独特的资产，这意味着以专有数据为基础的差异化优势在可持续层面将持续走低。因此，整个世界很可能由基于数据的AI策略，转化为基于知识的AI策略。
 

　　大数据的发展，利益于众多传感器的部署、互联网连接的普及以及计算能力、通信能力与数字存储等层面软硬件的大幅改进，这也使AI技术培训得以从小型学术研究项目变身成为大规模企业生产级应用程序。在本质上，大数据要求复杂的AI模型从中分析并提取知识与洞见，而这些AI模型又需要海量大数据进行训练及优化。
 

　　因此，目前AI企业往往将数据视为重要的战略储备，这种趋势在风险投资领域也变得愈发普遍。事实上，近期不少初创企业已经将数据收集作为其业务战略的核心。越来越多的同类厂商开始强调他们所掌握的独特数据集以及能够进一步获取其他专有数据的长期策略，并将此视为一种可持续的从业壁垒。
 

　　此外，由于AI工具与AI即服务平台使得AI模型开发快速进入商品化阶段，再加上公共开放数据集的持续涌现，人们建立并捍卫自己数据围栏的需求也变得愈发显著。
 

　　在如今的技术生态系统中，谁拥有更先进的AI程序、谁对专有数据的控制能力更强，谁就能从市场上获得更多回报。这也被视为一种巨大且可持续的竞争优势。以谷歌与Netflix为代表的厂商，已经在多年的运营中开发并整理出规模庞大的数据集，无数其他企业则满怀钦羡在他们身边亦步亦趋、希望复制他们的成功。但面对Netflix复杂精妙的数据策略，竞争媒体服务供应商与剧集制作企业根本无法望其项背。
 

　　但随着预期数据交换能力与交换意愿的提升，我们相信在未来十年之内，专有数据建立起的准入门槛恐怕将无法持续。虽然数据仍将成为AI价值引擎的重要燃料，但知识在AI业务策略中的比重将越来越大。
 

　　将AI价值金字塔向上推进至知识层
 

　　如果存在一座AI价值金字塔，那么其基底部分无疑是数据，而越是往上、知识的占比就越可观。如今我们正处于“信息触手可及，知识却难觅形迹”的时代，因此将AI价值金字塔推向知识层已经成为一种必需。
 

　　事实上，我们已经看到众多数据交换倡议旨在促进并加速这一趋势的推进。我们希望通过商品化数据共享以换取有价值的知识乃至业务可行性。总之，数据将变得更加丰富、可用、可靠、标准化且成本低廉，而这一切也意味着数据将成为一种典型的商品。以此为基础，将数据作为准入壁垒的理念也将不攻自破。
 

　　随着物联网(IoT)设备的激增，数据共享的可行性也将达到新的高度。此外，用于数据合并、共享与交换的新兴技术、协议及标准也将及时跟上。展望未来，只要拥有明确的动机与意愿，数据共享能力本身也将成为一种重要优势。随着数据这一准入壁垒在AI技术的冲击下土崩瓦解，将有更多组织不懈收集自己的专有数据并将其作为一种重要商品。当然，这种数据的获取及利用仍然颇具难度，回报也未必明显，因此可能在战略层面造成扭曲。这是因为尽管大多数组织已经将AI视为自身业务体系中的一部分，但AI却仍然不属于传统技能或者核心专业知识中的一分子。另外，AI训练工程师、开发人员、产品负责人以及管理者的长期缺失，也将加剧这种战略失衡并终令以知识交换为目标的数据共享方案受到市场的广泛认可。
 

　　欧盟近提出的通过数据交换以产生知识倡议，就是这种将创造力与合作意愿加以结合的典型案例。他们希望建立起“单一数据市场”，帮助个人、企业及其他组织以非个人数据为素材提取洞见并做出更好的决策，借此与当前各主流技术巨头开展竞争。
 

　　冲击专有数据可持续性的另一大因素，在于新型数据解决方案的出现。这类解决方案能够使用相对较小的数据集实现模型训练。合成数据解决方案(例如生成对抗网络)与其他样本小化技术(例如数据增强)有望使企业无需大量数据即可构建起颠覆性的AI产品。
 

　　建立知识发展战略
 

　　AI革命的未来将重塑企业赖以生存的现实市场，因此我们必须建立起有针对性的业务战略。由数据向知识的转变也将带来新型框架、合作伙伴关系与商业模式，包括为知识创造提供数据、信息、AI模型、存储以及计算容量的各参与方。面对这片广阔市场，企业应该尽快着手制定更侧重于知识要素的发展战略：
 

　　建立知识储备以替代数据储备，并将这一基本原则视为未来业务战略的核心。企业与组织应该为以知识为中心的时代做好准备——在这一新时代中，谁能提出正确问题、找到关联度高的预测结果并设计出颠覆性的AI应用方案，谁就能占据市场竞争的制高点。
 

　　以自上而下的方式使用AI技术，围绕应用程序与产品层组织业务体系。AI模型应根据特定的垂直行业与假设进行开发及训练。例如，立足成像、诊断、远程医疗、药理学及其他临床应用开发特定的医疗保健应用；或者面向车队管理、公共交通以及其他交通参与因素构建交管系统等。这类解决方案的开发要求我们将基于特定领域的丰富知识与实践经验结合起来，同时匹配上下文信息与经过良好调优的AI模型。
 

　　数据获取计划将只是一种短期性质的战术性追求，而基于知识的交流与合作伙伴关系则是更值得培养的长期业务战略。去年，以色列创新局启动了一项试点计划，希望实现医院与技术初创企业之间以知识为基础的业务合作。这一合作在初创企业与医院之间建立起数十个具体项目，促进了各医院之间对原始(且以往几乎无法使用)数据的积极交换，同时也帮助初创企业积累起新颖且宝贵的知识。
 

　　后，面向知识的业务转变也应影响到组织内的人力资源策略。企业应该为未来AI发展制定贴切且明智的人力资源管理策略。尽管部分初创企业仍然需要投入重金招聘数据工程师与科学家，但理想的方法应该是将AI团队设计为管理团队，负责建立并推进AI知识合作伙伴关系、发明基于AI的应用程序/产品，并对AI革命的美好前景做出创造性的探索。这一切，在本质上都代表着从以数据为中心向以知识为中心进行架构重新设计。此外，AI团队还应帮助人们理解其所运营领域的上下文。其中核心的要点，是保证各团队成员通过整体方法充分运用自己对于AI及特定职能领域的理解，而不再仅仅只扮演常规AI专家的角色。
 

　　总结来讲，AI的未来取决于由强调专有数据集向跨实体共享数据并创造知识的转变。为了成功实施相关AI策略，企业必须正确对数据、信息、AI模型、存储、计算容量等要素加以组合，保证企业业务深深植根于知识这一重要、核心的差异性资源。