IBM：不是人工智能，而是認知商業(yè)

文 /郭繼軍　IBM大中華區(qū)副總裁，戰(zhàn)略部總經(jīng)理趙　亮　IBM大中華區(qū)全球企業(yè)咨詢服務部銀行業(yè)總經(jīng)理

?

IBM：不是人工智能，而是認知商業(yè)

文 /郭繼軍IBM大中華區(qū)副總裁，戰(zhàn)略部總經(jīng)理
趙亮IBM大中華區(qū)全球企業(yè)咨詢服務部銀行業(yè)總經(jīng)理

輔助用戶決策的“認知商業(yè)”，比要代替人的人工智能更具商業(yè)實用性。

2016年堪稱人工智能元年。繼谷歌AlphaGo高調(diào)亮相之后，IT巨頭們紛紛亮出了人工智能領域的最新成果。微軟推出了智能聊天機器人Tay，必應搜索引擎也多次在足球、選秀等重大比賽中準確地預測了比賽結果。Facebook公布了圖像識別技術。這些技術看起來非常驚艷，但很多在商業(yè)領域難以直接發(fā)揮作用。

與開發(fā)通用型人工智能技術不同，IBM更關注人工智能在商業(yè)領域的應用。今年IBM提出了“認知商業(yè)”的戰(zhàn)略，將認知計算技術與行業(yè)經(jīng)驗相結合，幫助企業(yè)快速實現(xiàn)商業(yè)模式的變革與迭代，讓人工智能融入企業(yè)運營。

從智慧地球到認知商業(yè)

在認知商業(yè)戰(zhàn)略提出之前，IBM的戰(zhàn)略重點是智慧地球。彼時正值物聯(lián)網(wǎng)、大數(shù)據(jù)和移動互聯(lián)技術大規(guī)模應用的時期。IBM意識到，萬物互聯(lián)可以造就無限的商業(yè)機會。智慧地球的愿景就是希望世界上所有的設備都能夠聯(lián)網(wǎng)，通過大數(shù)據(jù)分析，實現(xiàn)智慧化的商業(yè)，甚至智慧化的城市和國家。

為實現(xiàn)智慧地球的戰(zhàn)略，IBM提出了3I模 型， 即Instrmented（ 感 知）、Interconnected（互聯(lián)）和Intelligent（智能）。

設備位于模型的底層，使設備能夠采集數(shù)據(jù)，這是智慧地球的基礎。設備互聯(lián)之后產(chǎn)生海量的數(shù)據(jù)，如何從數(shù)據(jù)中獲取價值，就需要智能化的分析技術。過去的幾年中，智慧地球戰(zhàn)略在設備和互聯(lián)兩個層面得到有效的實施，但在數(shù)據(jù)的智能分析上遇到了挑戰(zhàn)。如何實現(xiàn)對大數(shù)據(jù)的分析和認知？IBM提出了“認知商業(yè)”的戰(zhàn)略。

“認知”而非“智能”

與當前人工智能強調(diào)的概念不同，IBM對人工智能在商業(yè)應用中的理解，是實現(xiàn)“認知”而非“智能”。做出這一判斷的基礎，是IBM數(shù)十年來在行業(yè)客戶中積累的經(jīng)驗。

IBM認為，目前商業(yè)遇到的最大挑戰(zhàn)是不能發(fā)掘數(shù)據(jù)的價值，數(shù)據(jù)如何在商業(yè)中運用，仍需要人來進行判斷。商業(yè)不僅僅是追求利益最大化，還需要考慮法律、倫理、社會責任等多方面的因素。而這些有溫度的判斷，很難由計算機來完成。因此，IBM認為，當前人工智能要做的是“認知”數(shù)據(jù)的價值。

當前數(shù)據(jù)分析的兩大挑戰(zhàn)是數(shù)據(jù)量的井噴和數(shù)據(jù)類型的井噴。根據(jù)IBM的預測，到2020年，全球每人每天將產(chǎn)生約2.4GB的數(shù)據(jù)，形象地比喻，就是每人每月產(chǎn)生的數(shù)據(jù)可以填滿一部64GB的iPhone手機。據(jù)統(tǒng)計2015年全球智能手機用戶約20億人，如此巨大的數(shù)據(jù)，對于計算能力是非常大的考驗。

數(shù)據(jù)類型的井噴，對企業(yè)而言是更為嚴峻的挑戰(zhàn)。數(shù)據(jù)類型可以簡單分為結構化數(shù)據(jù)和非結構化數(shù)據(jù)。結構化數(shù)據(jù)是長度固定、以數(shù)值形式記錄的數(shù)據(jù)。如GPS的定位坐標，電商產(chǎn)品的銷售量等。非結構化數(shù)據(jù)是除結構化數(shù)據(jù)以外的數(shù)據(jù)的統(tǒng)稱，它們難以被量化、沒有固定的長度和格式。如醫(yī)療領域為病人拍攝的X光片，法律界法院判決的文書，媒體中的視頻資料等。根據(jù)IBM的預測，到2017年，非結構化數(shù)據(jù)將占到數(shù)據(jù)總量的80%。

為應對數(shù)據(jù)井噴帶來的挑戰(zhàn)，IBM嘗試從兩個方面尋求方法。一是提升運算能力來應對結構化數(shù)據(jù)的分析。得益于摩爾定律，計算機的運算能力一直保持高速的提升狀態(tài)，結合IBM在超級計算機領域的研發(fā)實力，結構化數(shù)據(jù)的挑戰(zhàn)并不難克服。

但是在非結構化數(shù)據(jù)方面，IBM遇到了困難。最初IBM希望通過培養(yǎng)數(shù)據(jù)科學家來分析非結構化數(shù)據(jù)。數(shù)據(jù)科學家將非結構化數(shù)據(jù)解構，分解為結構化數(shù)據(jù)再交由計算機處理。但隨著數(shù)據(jù)的井噴，數(shù)據(jù)科學家無法跟上數(shù)據(jù)增加的速度，迫切需要計算機來模擬他們的工作，分析非結構化的數(shù)據(jù)，以實現(xiàn)對數(shù)據(jù)價值的認知。

認知計算是模擬人的自然思維理解數(shù)據(jù)，歸納起來是三種能力的集合，即理解（Understanding）、推理（Reasoning）和學習（Learning），簡稱為URL。

實現(xiàn)認知計算的第一步是理解數(shù)據(jù)，例如理解人的自然語言、圖片的內(nèi)容等等。以語音識別為例，在一個句子中，出現(xiàn)“蘋果”一詞，可能是指蘋果公司或者它的產(chǎn)品，也可能是指一種水果。究竟是什么含義，這就需要準確判斷出來。如果不能實現(xiàn)數(shù)據(jù)的理解，后面的分析也就無從談起。這也是科技巨頭都在花費大量精力研發(fā)語音識別和圖像識別技術的原因。

推理是發(fā)現(xiàn)非結構化數(shù)據(jù)之間的邏輯聯(lián)系。通過假設生成，能夠透過數(shù)據(jù)揭示洞察、模式和關系。將散落在各處的知識片段連接起來，進行推理、分析、對比、歸納、總結和論證，獲取深入的洞察以及決策的證據(jù)。在與美國知名作曲家鮑勃·迪倫的對話中，IBM沃森（Waston）僅僅花了幾秒鐘就判斷出：“根據(jù)我的分析，你的歌曲主題大多是關于時光流逝和愛情枯萎的?！蔽稚芤悦棵腴喿x8億頁內(nèi)容的驚人速度從海量歌詞中提取關鍵信息，再通過推理判斷能力揭示海量歌詞背后的“愛與痛”。推理是認知計算最為關鍵的一環(huán)。

學習是認知計算能夠不斷提升的保障。通過以證據(jù)為基礎的學習能力，從大數(shù)據(jù)中快速提取關鍵信息，像人類一樣進行學習和認知?？梢酝ㄟ^專家訓練，并在交互中通過經(jīng)驗學習來獲取反饋，優(yōu)化模型，不斷進步。具備自我學習的能力，是認知計算與大數(shù)據(jù)等傳統(tǒng)技術最為本質(zhì)的區(qū)別。

布局行業(yè)認知平臺

目前人工智能可分為兩大陣營，一類是以谷歌Deep Mind通用型的人工智能平臺為代表。該類平臺的策略是突出程序和算法，優(yōu)化運算能力。希望只需通過改變訓練數(shù)據(jù)的輸入，就可以在不同行業(yè)運用。如谷歌希望AlphaGo的平臺，將棋譜變?yōu)榘┌Y數(shù)據(jù)庫，就可以實現(xiàn)癌癥治療方法的研究。

另一類是以IBM為代表，將人工智能技術與行業(yè)相結合的應用。在IBM看來如果說互聯(lián)網(wǎng)時代的關鍵詞是“顛覆”，那么人工智能的關鍵詞就是“變革”，與行業(yè)經(jīng)驗的結合是未來商業(yè)的主流模式。

早在郭士納主導的轉(zhuǎn)型中，IBM就將咨詢作為核心業(yè)務發(fā)展，這令IBM能夠深入到各個行業(yè)內(nèi)部積累行業(yè)知識，對行業(yè)的深度理解，是IBM與其他IT企業(yè)相比最大的競爭優(yōu)勢所在。

IBM深耕行業(yè)認知依靠的是沃森平臺。沃森是一個具有強大認知功能基于云和開放標準的平臺。沃森通過提供API使企業(yè)接入沃森平臺獲取認知計算服務。沃森的每個API可以實現(xiàn)一個特定的功能，通過不同API的組合，就可以實現(xiàn)多種認知計算的需求。目前沃森的API接近50個，主要包括潛在語義分析、情感分析、關系抽取、深度學習、知識提取注解、遞歸神經(jīng)網(wǎng)絡、問答驗證等。在API的基礎上，通過整合行業(yè)知識庫，就可以針對每個行業(yè)，提供特定的認知計算服務，目前沃森平臺主要的行業(yè)包括金融、制造、醫(yī)藥、零售、媒體等。

以醫(yī)療行業(yè)為例，癌癥的診斷一直是醫(yī)療界的一個難題。IBM Watson for Oncology是一個輔助癌癥診斷的解決方案。

首先，沃森分析患者的病歷。沃森腫瘤分析系統(tǒng)擁有先進的能力，可分析臨床記錄和報告中的結構化和非結構化數(shù)據(jù)的含義和上下文，吸收以普通英語編寫的關鍵患者信息，這些信息可能對于選擇治療方法至關重要。

接下來，沃森識別基于證據(jù)的潛在治療方案。通過將患者文件中的屬性數(shù)據(jù)與臨床知識、外部研究結果和數(shù)據(jù)相結合，沃森腫瘤分析系統(tǒng)識別潛在的患者治療方案供醫(yī)生考慮。這種學習能力單純依靠通用型的深度學習技術是無法實現(xiàn)的，人工專家的介入必不可少，這正是IBM行業(yè)經(jīng)驗所帶來的優(yōu)勢。

最后，沃森從大量來源中查找并提供支持證據(jù)，包括創(chuàng)建的文獻和原理，以及290多份醫(yī)療期刊、超過200部著作和1 200萬頁文本。沃森將識別的治療方案進行排列，并將每種方案的支持證據(jù)的鏈接在一起，為醫(yī)生篩選出一個潛在的治療方案清單，并為每個方案提供一個按百分比顯示的確信度與風險級別。

最終的治療方案的選擇交給醫(yī)生來決定，因為IBM認為，認知計算不是代替人類決策，而是幫助人類更好地決策。如果沒有沃森的幫助，單靠醫(yī)生幾乎不可能從如此海量的文獻中選擇治療方案，而是根據(jù)自己知識積累去做判斷，這大大降低了癌癥治療的準確性。

自從新聞寫作機器人出現(xiàn)以后，媒體業(yè)就經(jīng)常有人擔心自己的飯碗。IBM認知計算同樣具備寫作助手的能力，但是IBM的目的不是代替編輯，而是成為他們強力的采編助手，幫助他們更好、更快、更有針對性地完成自己的工作，完成新聞寫作。

試想一下，如果你是一名健康欄目記者，為了完成一篇關于某種疾病的報道，除了采訪，你往往還需要閱讀幾十篇甚至上百篇關于這種疾病的論文。記者對于這些疾病就像“門外漢”一樣，所以想要理解這些論文的意思，往往需要花費很長的時間。如果將這些都交給沃森去做，你在采訪之前可以將需要閱讀的文章交給沃森，讓它“讀”完這些文章之后，將重要的部分羅列成一個清單。這樣你只要一瞥沃森的清單，就可以了解論文中的重要內(nèi)容。

在社交媒體尚未出現(xiàn)之時，除了有受眾通過熱線電話提供新聞線索以外，更多的時候記者需要依靠自己積累的“線人”來獲取新聞線索。但當社交媒體崛起之后“記者+線人”的合作模式已經(jīng)無法搶占時效性。有記者開始直接在社交媒體上獲取新聞線索。但海量的數(shù)據(jù)，根本無從下手，如果你有沃森就可以在短時間內(nèi)將社交媒體平臺上新近發(fā)表的內(nèi)容“讀”個遍，隨后選擇出與你的媒體定位最契合的新聞線索，供你使用。當然沃森還可以檢索新聞線索下的評論，看是否有質(zhì)疑的評論，從而幫助你甄別虛假新聞。

對于傳統(tǒng)企業(yè)而言，也無需對人工智能的到來心懷恐懼，專注于自身行業(yè)經(jīng)驗的積累，選擇合適的人工智能服務商合作，將人工智能用于行業(yè)價值的挖掘，將為企業(yè)帶來無限的想象空間。