我们如何通过 AI 实现可能的未来？ 认识 AI 采用成熟度曲线

我认识 Michael Wu 很多年了。 很多年。 他一直是一位思想领袖、一位有影响力的人、一位真正的科学家、一位建筑师，并且一直是一位亲爱的朋友，一位没有血缘关系的家庭成员。 当我遇到他时，他是 Lithium 的首席科学家，他即将成为影响力本质的影响者。 他写了很多关于它的开创性文章，同时开始周游世界，在从技术行业到科学的各种会议上发表演讲。 他和他的妻子玛吉是我有幸认识的两个最可爱、最善良的人。

在过去的几年里，Michael 一直是 AI 领域的思想领袖和创新者； 事实上，他目前是 PROS 的首席 AI 策略师，这家公司拥有世界级的 AI 并不奇怪。

通常，我批评来自供应商的成熟度模型，因为它们通常代表供应商的成熟度模型的自利版本。 我可以写一篇很长的论文来说明为什么我认为它通常是假的。 但这是迈克尔今天的节目。 他的成熟度模型符合适用于所有领域的通用模型的标准，并且不偏向于 PROS 的 AI 。 这是 Michael’s 和 PROS 文化诚实的功劳 – 两者都是无可挑剔的。 因此，您可以将此成熟度模型视为您可以信任的东西，它是真正的 AI 成熟度模型的样子。 想和我争论。 我对此很失望。 🙂 但我发布它是因为我信任 Michael 和 PROS，这是一个需要被看到的模型——尤其是现在人们正在努力将 AI 视为增加与客户互动的必要条件，从而增加他们的业务。

您会看到，在迈克尔的案例中，AI 的组成部分不仅适用于商业，也适用于公益。 使 Capital G 成为 Good。

所以，话虽如此……把它拿走，Michael Wu 博士！

你们中的大多数人可能都知道我是一名数据科学家，负责开发机器学习 (ML) 算法并构建人工智能 (AI) 解决方案。 但你们中的大多数人可能不知道我也是半个行为科学家。 我没有接受过行为经济学或心理学方面的正式培训，但在我以前的职位上，十多年来我一直专门运用我的数据科学专业知识来分析社交媒体上的消费者行为。 我从数字消费者留下的数字足迹中发现了许多有趣的商业见解。 尽管这并不能使我成为一名成熟的行为科学家，但我为该学科贡献了所有著作、讲座和研讨会（一些在知名大学），我认为我有资格成为一名行为科学家。

摆脱了这个动荡的 2020 年，我们作为一个社会已经学习、适应、发展并继续这样做，以更好地应对过去一年的混乱。 越来越多的公司支持远程虚拟工作。 与此同时，越来越多的企业正在走向数字化，并将他们的店面转变为电子商务渠道。

这让我想知道随着我们采用更多非接触式数字技术，未来将如何展开。 当然，这将大大加速人工智能的采用，原因有二。 首先，绝对需要人工智能来帮助扩展电子商务渠道的全球性，因为数字是无国界的。 更重要的是，人工智能是与激烈的在线竞争区分开来的关键因素。 在线大大增加了您的总目标市场，但它也显着提升了您的竞争力，因为您将与地球上的每一个电子商务竞争。 因此，每个数字企业都必须并且最终会采用某种形式的人工智能。

由于许多公司仍处于 AI 采用之旅的早期阶段，因此了解 AI 采用之旅很有帮助。 然而，所有公司都是由人组成的，因此同样受制于管理人类行为的原则。 这促使我探索是否可以使用心理学和行为经济学原理来预测未来人工智能的采用轨迹。 是的，作为这次探索的结果，我开发了一个与供应商无关的 AI 采用成熟度模型。

这种 AI 采用成熟度模型有六个阶段，从一个阶段进入下一个阶段是人类行为的直接结果（即他们对市场竞争压力的反应）。 它不受使用任何供应商的任何特定解决方案的驱动。 这样的成熟度模型非常有用，因为它可以让您了解与其他公司相比您所处的位置，而不管您选择的供应商甚至是特定的 AI 解决方案。 如果您是已经踏上这一旅程的早期采用者之一，则此成熟度模型还可以作为采用路线图，向您展示在未来的道路上可以期待什么。

第 1 阶段：数字化转型（更详细）
我将这个第一阶段称为工作的数字化，因为它实际上是将我们在物理世界中的工作转变为数字过程，这些过程可以作为数据进行数字跟踪和记录。 在宏伟的计划中，这个阶段就是获取数据，这是人工智能的原材料。 显然，数字化通常是数字化转型的第一步，所以如果你在数字化转型的潮流中，对你有好处。 您已经处于此成熟度曲线的第 1 阶段。

通过将我们的工作数字化，我们将获得数据来训练人工智能模仿我们的工作方式。 然而，训练人工智能所需的临界数据量非常大，因此企业通常需要很长时间才能达到这个数据量。 虽然数据积累需要时间，但公司可以在达到 AI 所需的临界质量之前从他们捕获的数据中收集价值。 这是通过对现有数据进行分析以帮助领导者做出更好的决策来实现的。

大多数公司会从描述性分析开始，这些分析只是总结他们收集的数据。 这是因为执行描述性分析所需的数据量相对较低。 然而，这可能并且已经产生了数以千计的由商业智能 (BI) 提供支持的报告和仪表板，以促进业务决策制定。

随着数据资产的数量和多样性的增长，您可能已准备好执行预测分析。 这是我们使用现有数据资产来推断我们没有通过模型获得的数据的地方。 一个经典的应用是预测，公司使用现有的历史数据来推断他们没有的未来数据。 但一般来说，您可以使用任何数据资产来推断您想要的其他一些数据。 例如，制造工厂可以使用机械操作数据（假设已收集）来推断某些机器的故障时间（他们没有数据）以进行预测性维护。

最终，您会收集到足够的数据来执行规范性分析。 这就是开发规范模型以规定优化某些结果的行动的地方。 例如，定价推荐系统可以规定您应该为产品设置的价格以优化收入。 营销自动化可以规定潜在客户的参与频率，以优化转化概率。 随着您从进行描述性分析到预测性分析，然后是规范性分析，您将有足够的数据进入成熟度曲线的下一阶段。

我们已经更详细地经历了这个阶段，因此您可以看到公司如何以完全与供应商无关的方式自然地完成这一旅程。 无论您选择了哪个供应商来帮助您执行各种类型的分析，从描述性到预测性再到规范性的过程都会按此顺序发生，因为它仅受公司积累的数据资产的限制。 它独立于提供分析的供应商。 事实上，它独立于技术，甚至是用例。 这意味着无论您在业务中使用这些分析做什么都无关紧要，其进展仍会如前所述发生。

尽管成熟度模型第一阶段的旅程与供应商无关、与技术无关、与用例无关，但我必须强调它源自社会科学原理。 然而，这些原则不像数学、物理或化学中的基本定律那样几乎是绝对的。 这意味着会有例外，尽管很少见。

例如，一家公司可以跳过预测分析，直接从描述性分析转向规范性分析。 然而，另一家公司可能过于专注于使用规范性分析来解决特定问题，以至于他们选择不进行描述性和预测性分析，即使他们有足够的数据可以这样做。 正如我之前所说，这些是例外，而不是常态。 公司将不得不投入更多资源，并可能在短期内放弃更多价值，以偏离常态。

同样，AI 采用成熟度模型的其余阶段也源自行为经济学和心理学中的相同原理。 因此，他们对供应商、技术、用例、行业、商业模式等是不可知的。这种成熟度模型说明了大多数企业在采用 AI 技术以帮助他们的企业更有效地运营和更有效地竞争时将经历的规范之旅 市场。 但是，为了节省时间，我将更快地完成 AI 采用成熟度模型的其余部分。

第 2 阶段：为自动化交换数据
如果你和我一起做到了，你应该已经建立了一个相当大的数据资产。 因此，是时候通过交换这些数据以实现自动化来充分利用您的数据资产了。 规范分析提供了到这个阶段的自然过渡。 毕竟，如果一台机器已经可以规定优化某些结果的操作，为什么不直接自动化这些操作呢？ 如果规定的操作确实是“最佳”的，这意味着您无法采取任何其他措施来获得更好的结果，那么您为什么不让机器自动执行这些操作呢？

如果您正处于 AI 成熟之旅的这个阶段，您将为机器提供有关您（人类）如何在工作的某个方面做出决策的数据。 这些数据用于训练人工智能（通过监督学习）来模仿你的工作方式。 从人工智能的角度来看，我们可以等价地说，人工智能正在通过你提供的数据向你学习。 一旦人工智能经过训练，它将能够通过模仿我们的决策和行动来帮助我们自动化这方面的工作。 因此，从本质上讲，您是在交换数据以实现自动化。

这是一个说明性的例子。 亚马逊曾经有一个庞大的欺诈调查团队来检查潜在的欺诈交易并确定是否存在欺诈行为。 多年来，亚马逊收集了大量关于被其调查人员确定为欺诈的交易的数据，以及那些没有欺诈的交易。 有关欺诈调查人员决定在不同情况下对不同交易采取何种行动的数据，用于训练模型以模仿人类专家的决策和行动。 当人工智能学会模仿人类调查员时，它将能够帮助他们在未来实现决策和行动的自动化。

我必须在这里澄清第 1 阶段的规范分析和第 2 阶段的 AI 自动化之间的区别。 在第 1 阶段，机器会告诉你该怎么做，但将最终决定权交给人类，以防规定模型没有所有数据来确保其规定动作的最优性。 在第 2 阶段，我们必须乐于让机器在人类监督下进行呼叫（至少当它足够自信时）。

第二阶段的标志是允许机器做出一些决定并执行它认为最好的动作。 这将人类排除在循环之外，因此我们通常会看到效率的显着提高。 由于这是第一次允许机器做出最终决定，这是真正的人工智能自动化的开始。

第三阶段：向人类学习
然而，尽管效率得到了巨大提升，但第 2 阶段的 AI 算法通常还不能完全达到人类水平。 所以我们可能需要暂时牺牲质量作为权衡。 因此，仍然需要持续的人工监督，当人工智能对其决策不够自信时，人工干预仍然是必要的。 现在，您可能想知道，有没有一种方法可以在不牺牲质量的情况下获得效率提升？

为此，我有一个好消息要告诉你！ 这正是我们将在 AI 采用成熟度模型的第 3 阶段解决的问题。 在这个阶段，我们（人类）将积极地教 AI 改进它的工作方式模型。 这里的目标是提高人工智能的性能以匹配人类高质量的工作。 从本质上讲，我们成为了 AI 的主管和教练。 从人工智能的角度来看，它是在向人类学习。

但是等等，我们不是刚刚谈到了 AI 通过我们在第 2 阶段提供的数据向人类学习吗？ 这里有什么区别？ 区别很微妙，所以让我澄清一下。 在前一阶段（第 2 阶段），重点是自动化人类决策以提高效率。 所以学习的重点是处理最常见的情况（即最典型的80%）。 但在这里（第 3 阶段），重点是缩小机器与人类之间的性能差距。 所以学习的重点是处理异常值（即 20% 的边缘情况）。

在这个阶段，每次 AI 帮助我们自动化工作时，我们都会对其进行审查和评分。 我们需要就人工智能是否做得好提供明确的反馈。 如果 AI 做得不够好，我们可以接管并自己执行任务。 由于我们已经可以在第 1 阶段将我们的工作数字化，因此当我们接管任务时，人工智能将收集有关我们所做的不同之处、我们如何做以及为什么做的数据。

我想强调的是，这个阶段的一个重要特征是收集和利用明确的人类反馈数据。 AI 必须从这些新数据中学习，以完善和改进其关于我们如何通过强化学习工作的模型。 尽管此处的 AI 正在学习处理更少数量的案例（约 20%，而不是约 80%），但由于这些是很少发生的边缘案例，因此此模型改进是一个长尾过程。 也就是说，收集足够的数据来覆盖约 20% 的边缘案例可能比收集足够的数据来覆盖约 80% 的常见案例所需的时间更多。

但如果我们这样做的时间足够长，人工智能最终将用足够的数据覆盖所有异常值。 在这个时候，人工智能将拥有一个非常精细的模型来说明我们的工作方式，并且可以在接近人类的水平上执行。 这意味着人工智能将能够使我们的大部分工作自动化，并模仿我们在几乎所有可能情况下的工作方式。 结果是，企业将从 AI 自动化中获得更高的效率和可扩展性，而不会牺牲质量和个性化。

第四阶段：完全自动化和工作转移
如果你有一个 AI 可以执行人类质量的工作，并且在某些情况下甚至超过人类，你会怎么做？ 这是我们进入成熟度模型的第 4 阶段的地方。 我必须告诉你，自然而然的事情就是让人工智能完全自动化地接管我们的任务。 既然 AI 能够使我们的大部分工作自动化，并且做得和我们一样好或更好，我们为什么不让它接管呢？

出于自私的原因，您可能想知道，那我们该怎么办？ 这是一个合理的担忧。 但是，这种情况与我们培训实习生或新员工来做我们的工作时确实没有什么不同。

如果我们把一个实习生培养得很好，他们能同样出色地完成我们所有的任务，那么我们就应该聘用他们，让他们接手我们的工作。 然后发生的事情是我们成为管理者。 我们承担更多的工作，不同种类的工作，我们承担更多的责任。 我们工作的本质将发生巨大变化，但我们的工作正在转向更具战略性和重要性的方面。 这就是为什么我称这个阶段为“完全自动化和工作转移”。

如果您是为数不多的达到第 4 阶段的公司之一，那么您已经取得了长足的进步。 您的 AI 解决方案非常自主，并且您的用例非常先进。 可以想象，处于这个阶段的公司会有人类经理，每个经理管理多种基于人工智能的技术，负责许多不同的任务。 因此，您将在市场上获得无与伦比的效率和竞争优势。 但这带来了一系列与人力资源、问责制甚至法律相关的全新挑战。

由于您的 AI 可以在相当大的自主权下运行，如果做出错误的决定，谁来负责。 你不能像对待员工那样解雇 AI。 既然这些人工智能帮助你如此高效地运作，你可能不需要那么多员工？ 你只是解雇多余的员工吗？ 我们如何对这些工人进行再培训和再培训，谁负责这样做？ 在你度过这个阶段之前，你必须克服这些挑战。

到目前为止，人工智能采用之旅的前四个阶段通常更侧重于公司内部的运营。 然而，客户服务中有一些使用对话式人工智能或聊天机器人的外部用例最早可以在第 3 阶段开始。但我不建议让人工智能在没有人类的情况下直接与外部实体（例如，客户、合作伙伴或公司）互动 当它还没有达到人类水平的表现时进行监督。 这是因为客户体验在今天至关重要。 在 AI 可以复制或超越人类质量工作之前，它有可能创造无法弥补的客户体验，从而导致客户的长期或永久流失。 相信我，你不想在这个上面掷骰子。

然而，当一家公司达到第四阶段时，他们的人工智能就足以面对外部世界了。 因此，接下来的两个阶段更侧重于外部，与客户、合作伙伴和其他公司接触。

第五阶段：“最后一英里”交付
随着我们进入第五阶段，这就是我们将交付 AI 自动化的“最后一英里”的地方。 这将涉及机器人技术和其他由自主人工智能驱动的机械设备。 机器人技术与自主 AI 的广泛使用是 AI 采用成熟度模型第 5 阶段的明确指标。

我们在第 4 阶段之前处理的大多数 AI 本质上都是数字化的。 尽管数字提供了实用性，但仍有很多事情我们无法通过数字方式完成。 我严重怀疑在可预见的未来我们会用数字方式吃饭。

今天，我们可以在网络上找到我们需要的一切，并根据自己的喜好配置这些产品的各个方面。 我们甚至可以通过电子商务在线买，但并非所有产品都可以下载到我们的笔记本电脑或手📱机上。 许多产品仍然需要物理交付，许多服务仍然需要由人来执行。 那么，公司如何才能交付“最后一英里”，即产品到达您手中并提供服务的地方？

我想强调的是，要进入第 5 阶段的公司，他们需要开始弥合数字与物理之间的鸿沟，并提供人工智能自动化的“最后一英里”。 无论是使用自主无人机、机器人、其他机器，还是由自主人工智能驱动的车辆，它们都必须能够在现实世界中交付它们提供的产品或服务。 这可以像送餐或其他实物产品一样简单。 或者它可能是执行复杂的物理任务，例如清洁家中的窗户。

第六阶段：人工智能增强经济
如果大多数公司能够实现前五个阶段，那么我们将进入最后阶段，我们将拥有人工智能增强型经济。 这将是一个截然不同的世界，我们业务中的大部分重复性工作可能会由人工智能和机器人来完成。 你可能会问，还有什么东西是留给人类的吗？ 我们还需要在那个世界工作吗？

坏消息是，人类仍然需要工作，因为总会有新的问题需要解决，新的情况需要处理。 由于以前从未遇到过新问题，因此没有关于在这些情况下应该做什么的数据。 因此，我们人类仍然需要多次解决这些问题，也许在不同的情况和背景下才能生成足够的数据。 我们甚至可能需要以几种不同的方式解决它们，以便为人工智能生成足够的数据来学习解决这些问题。 在这个未来，我们将做更多本质上非重复的问题解决。

然而，好消息是，这些类型的工作可能更有趣、更有动力，而且可能更具批判性。 这可能会产生重大的社会和经济影响，因为我们可能会减少工作量，并能够有更多时间专注于我们生活中更重要的事情。

自工业革命以来，人类已经大大减少了他们花在工作上的时间。 这是由于我们通过使用机械机器获得的效率。 现在，如果我们能够进入 AI 采用成熟度曲线的第 6 阶段，智能机器可以帮助企业高效运营，从而减少我们的工作量。

我们的政府甚至可能支持全民基本收入，因此人们可能不再需要为生存而工作。 这使人们可以选择他们想做的事情并从事他们真正热衷的事情，从而获得更高的工作满意度。 我相信这最终将推动更多的创新，最终实现更大的经济增长。

结论
显然，我们距离今天的人工智能增强型经济还有很长的路要走，但这一切都始于已经发生的数字化转型。 这条 AI 采用成熟度曲线为公司提供了通往未来的路线图。 这个未来不会是一个没有问题的乌托邦，但它是一个可以释放比以往任何时候都更有激情的人来解决我们社会中一些最困难问题的世界。 与人工智能一起，我相信我们可以应对人类面临的最大挑战。