輔助用戶決策的“認知商業(yè)”，比要代替人的更具商業(yè)實用性。

2016年堪稱人工智能元年。繼谷歌AlphaGo高調亮相之后，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)經驗相結合，幫助企業(yè)快速實現商業(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、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，通過，實現智慧化的商業(yè)，甚至智慧化的城市和國家。

為實現智慧地球的戰(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，使設備能夠采集數據，這是智慧地球的基礎。設備互聯(lián)之后產生海量的數據，如何從數據中獲取價值，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，但在數據的智能分析上遇到了挑戰(zhàn)。如何實現對大數據的分析和認知?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的概念不同，IBM對人工智能在商業(yè)應用中的理解，是實現“認知”而非“智能”。做出這一判斷的基礎，是IBM數十年來在行業(yè)客戶中積累的經驗。

IBM認為，目前商業(yè)遇到的最大挑戰(zhàn)是不能發(fā)掘數據的價值，數據如何在商業(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”數據的價值。

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

數據類型的井噴，對企業(yè)而言是更為嚴峻的挑戰(zhàn)。數據類型可以簡單分為結構化數據和非結構化數據。結構化數據是長度固定、以數值形式記錄的數據。如GPS的定位坐標，電商產品的銷售量等。非結構化數據是除結構化數據以外的數據的統(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IBM的預測，到2017年，非結構化數據將占到數據總量的80%。

為應對數據井噴帶來的挑戰(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據的分析。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，結構化數據的挑戰(zhàn)并不難克服。

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

認知計算是模擬人的自然思維理解數據，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。

實現認知計算的第一步是理解數據，例如理解人的自然語言、圖片的內容等等。以語音識別為例，在一個句子中，出現“蘋果”一詞，可能是指蘋果公司或者它的產品，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。如果不能實現數據的理解，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)現非結構化數據之間的邏輯聯(lián)系。通過假設生成，能夠透過數據揭示洞察、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。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。”沃森能以每秒閱讀8億頁內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。通過以證據為基礎的學習能力,從大數據中快速提取關鍵信息，像人類一樣進行學習和認知。可以通過專家訓練，并在交互中通過經驗學習來獲取反饋，優(yōu)化模型，不斷進步。具備自我學習的能力，是認知計算與大數據等傳統(tǒng)技術最為本質的區(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據的輸入，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數據庫，就可以實現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)經驗的結合是未來商業(yè)的主流模式。

早在郭士納主導的轉型中，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可以實現一個特定的功能，通過不同API的組合，就可以實現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、遞歸神經網絡、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。

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。