盡管人工智能已經進步了20年，但感覺大部分的辦公室工作都是由瑣碎的腦力勞動組成。我們應該期望人工智能會像過去的機器自動化體力勞動一樣
盡管人工智能已經進步了20年，但感覺大部分的辦公室工作都是由瑣碎的腦力勞動組成。我們應該期望人工智能會像過去的機器自動化體力勞動一樣，將這些工作自動化。然而，實踐中仍然看到很多人在做著計算機應該能做、卻實際上根本做不了的工作。為什么會這樣呢?作者試圖解答這個疑問。
我們聽了這么久有關「AI取代設計師」、「AI取代寫作者」、「AI取代畫家」、「AI取代司機」……的論調。然而時至今日，我們發現實際上，目前還沒有一個職業「真正」被取代。
AI并沒有被廣泛的應用于企業中，很多我們覺得計算機能夠輕松搞定的工作，仍然需要人工去完成。例如翻閱一棟辦公樓的PDF文檔，并記下其中所包含的可出租單位的大小。
AI可以實現自動駕駛、可以處理海量數據、可以在最復雜的游戲中擊敗最厲害的職業選手，卻連這么一個簡單的事情都做不了?
數據科學家：缺乏數據和業務認知導致AI無法做到「真正的」智能
住在倫敦的數學家、數據科學家Matthew Eric Bassett最近一直在思考一個問題：人工智能為何對企業無用?
他認為，部分原因可能在于我們與計算機的交互方式。
計算機是基于一個需要明確、精確的指令來操作數據的架構。即使我們的智能手機上有語音控制的虛擬助理，我們仍然通過給它們發出明確、精確(盡管是更高級別的)指令來與它們互動。人工智能算法可能看做是隱含地推斷出其中的許多指令。
也許在有了更高級別的編程語言之后，使用Excel來完成現代商業任務就像用機器代碼編寫軟件一樣。但他認為目前面臨著兩個更直接的問題：一是缺乏數據，二是缺乏認知。
今天的人工智能是由數據驅動的。而今天的大部分數據都來自于互聯網：文字、圖片、視頻，以及我們與它們的交互。
如果一群軟件工程師想要創建一個模型，比如說可以識別圖片中的汽車的品牌和型號，他們可以從其他研究人員檢測圖片中的物體的預訓練模型開始，然后通過訓練一個僅包含汽車的較小的例子集來「頂上」，這就是所謂的遷移學習。
但目前還沒有一個現有的「文檔理解」模型，讓我們可以通過轉移學習來適應我們的具體業務流程。構成商業世界的excel電子表格、營銷手冊、法律合同等文檔，都隱藏在各個公司內部的郵件收件箱和其他孤島中。開發者無法接觸到相關的文檔，也無法為其貼上合適的訓練標簽。
更重要的是，人工研究團隊缺乏對具體的業務流程和任務的認知。研究人員需要對所涉及的業務流程形成一種直覺。
我們還沒有在太多領域看到這種情況發生。大的成功案例發生在那些問題很容易被理解并且有很多公開的例子(機器翻譯)，或者是有巨大投資回報率的承諾(自駕車汽車)，或者是一家大公司任意決定向這個問題拋出足夠多的資源，直到他們能夠破解這個問題
這意味著，當研究人員能夠專注于一個特定的問題，并且能夠積累足夠的數據來訓練一個可行的模型時，我們就可以期待人工智能在自動化業務流程方面取得成功。
成功的另一個標準是，人工智能的目標應該是增強參與流程的人的能力，而不是取代他們。
如果他們成功了，那么在這些行業工作的人就可以期望他們把更多的時間花在做有趣的、有創意的工作上，而不是把更多的時間花在做枯燥的、耗時的任務上。
目前企業所謂的「AI」只不過是一堆數學模型
在HackerNews上，一位在印度最大的科技型物流公司工作過的網友說，自己的公司確實依靠優化以及解決問題，但都沒有涉及到AI，都是數學模型而不是黑匣子。
另一位曾在寶馬和大眾汽車公司工作過網友也提到同樣的問題。
他與企業合作伙伴一起領導了幾個項目，這些項目更多的是通過數學模型或者數據集進行優化。在她看來，這需要大量的數據分析和一些試錯，最終我們得到了一個有利的結果，而不是AI。
他在2017年負責寶馬最后一個項目，他提交的供應鏈分析課程的提案得到了99.7%的高分。沒有任何AI能夠達到如此高的分數，這完全依賴于他對整個業務的熟悉程度，以及基于人類的直覺。
他坦言AI總歸有一天能夠發揮作用，但目前并非如此，供應鏈分析和物流領域這些年似乎也沒有什么變化。
企業沒有加入更多的「AI」成分，AI也沒有讓更多的人失業，讓人失業的是當前的疫情。
親愛的網友，您怎么看?
關鍵詞： AI
