从商业智能到智能商业，AI如何帮助我们做商业决策？
多年来，Business Intelligence（BI）一直被称作“商业智能”，或许我们的翻译并不准确，正确的名称可能应当是“商业情报”。实际上，我们正处在智能商业时代的初期阶段。
尽管目前人工智能的发展程度大致等同于六岁儿童的智力水平，然而它却是一位在某一领域极具天赋的“偏才”，只要我们准确把握问题本质，这位“偏才”便能在商业决策方面给予我们极大的助力。
从历史的角度分析，运筹学中的OR、商业智能（BI）以及人工智能（AI）均未能有效构建起高度信赖的商业决策辅助系统。然而，随着AI领域最新技术的应用，这三者的融合催生了一种全新的商业决策辅助模式——智能商业（Intelligent Business），这代表了真正的智能商业形态。
我们试图为智能商业构建一个框架性的定义：这是一种基于人工智能增强的决策辅助系统（简称DSS），旨在服务于企业内部各层级的决策者。这样的系统需具备实时响应、闭环管理、自我进化、自动发现并解决问题以及全局优化等关键特性。其根本目标是提升企业决策的效率和水平，进而增强企业在数字经济发展中的竞争优势。
智能商业领域的奋斗追求在于打造一个辅助决策的优化模型，这要求对决策变量进行精心选择。人工智能技术的应用有望实现优化模型的构建与演化的自动化，进而使得模型自身也成为优化决策的一部分。这一转变预示着，基于机器学习的模型能够实现自我适应和自我演化的可能性。这种机制正是我们追求的真正智能商业，是我们不懈奋斗的最终追求。
什么样的企业能够成为卓越的智能企业：它们需实现算法、数据与场景三者之间的无缝结合。
人类需求的增长催生了更多的工作岗位，与此同时爱游戏app官方入口最新版本，AI和脑机接口等前沿技术在教育领域的应用将助力未来的劳动者迅速适应这些新岗位。技术进步将为人类带来更多的福祉，而非灾难。
星河互联的掌舵人傅淼对智能商业领域进行了深入剖析——《从商业智能到智能商业》一书中，他对此进行了详尽的论述。
1、BI的起源
众所周知，人工智能的热潮是在过去两年才真正兴起，受到了产业和投资领域的普遍认同。在此之前，尽管人工智能在学术界历经数十年的起伏，却始终未能获得产业界的真正重视与认可。然而，与此相对，商业智能，即BI，实际上已经发展多年，并在商业领域取得了显著的成就。
那么疑问随之产生，为何众人始终未将商业智能的成就归功于人工智能？为何对商业智能中的“智能”部分抱有偏见呢？我近期持续在深思这一问题，随后得出了一个相当大胆的推断：或许在过去二十年里，我们的翻译一直存在误差。
众所周知，英文中的“Intelligence”一词具有双重含义，既指智能，也指情报。因此，“Business Intelligence”这一术语，其实质可能指的是商业情报，然而，在漫长的岁月里，我们却习惯性地将其解读为商业智能。
为了检验这一观点，我对商业智能的发展历程进行了深入研究。在1958年，IBM的研究员汉斯·彼得·卢恩首次对商业智能进行了定义，他指出：“商业智能是一种能够洞察已知事实之间相互联系的能力，它能够辅助用户作出明智的决策，从而实现预定的目标。”观察可知，商业智能（BI）的主要功能在于辅助用户深入挖掘数据，从中提炼出对决策至关重要的信息，这实际上就是所说的商业情报。
2、客观存在着更适合计算机决策的问题
接下来，我们转回对人工智能的探讨。人工智能的智力相当于几岁小孩？这实在是一个难以定论的问题。近期，我发现了一篇名为《人工智能的智商与智能等级划分研究》的论文，该文由中国学者共同完成。在我看来，这篇文章对这一问题进行了较为全面的分析。对这一话题感兴趣的同学不妨找来阅读一番。本文对各个年龄段的人类智商与不同AI平台进行了对比分析，最终得出结论：在综合评估下，代表AI最高水平的谷歌平台与人类6岁儿童的智力水平相当。
业界普遍观点是，现阶段人工智能在商业领域的运用，主要集中在那些在成年人视角下，对智能要求并不高的场景，比如实现自动化替代或提升人机交互体验。
然而，对此我们持有不同见解。我们觉得，只要对问题进行准确界定，目前人工智能的发展水平已足以在商业决策支持这一领域扮演关键角色。
为何我们坚信6岁儿童的智力水平能助力我们在商业决策上取得优势？关键在于，我们之前提到的观点是，当前AI的整体水平在“综合”层面上与6岁儿童的智商相仿。然而，显而易见的是，这位6岁的孩子堪称“偏才”的天才，至少在围棋领域，他已经能够击败人类最杰出的棋手。
自然，仅是出于一探究竟的好奇心，我也对六岁儿童在围棋领域的最高成就进行了探究，目前他们已达到业余四段的水平，而这个成就对于绝大多数围棋爱好者来说，终其一生都难以触及。因此，我们不应轻视六岁儿童的智力，在特定领域经过系统训练后，他们的水平甚至可以与成年人相媲美，达到相当高的标准。当然，AlphaGo的棋艺远超业余四段水平，聂卫平“棋圣”的评价是，它的棋力至少相当于专业二十段。
因此，现阶段人工智能在人类若干高端智能行为领域，其表现已显著超越成年人的顶尖水平。关键在于，我们需精确识别出哪些领域AI能充分施展其才华。以围棋为例，我们可以借此探讨此类问题的潜在解决路径。
二十年前，IBM的深蓝击败了国际象棋大师卡斯帕罗夫，这一事件令众人震惊，但并未感到恐惧。然而，当AlphaGo战胜围棋高手时，为何人们却感到恐惧呢？原因在于国际象棋棋盘仅有64个方格，借助超级计算机，我们可以通过穷举法精确计算出所有可能走法。按照当前的标准，这种情况并不被视为人工智能。围棋棋盘由19行19列组成，共计361个交叉点，这一数量使得其计算难度远超国际象棋。即便是最先进的超级计算机，也难以通过穷举法对其结果进行精确计算。
众所周知，人类大脑在数值计算方面表现不佳，然而，在解决众多问题时，依赖直觉而非计算，其能力却能提升至相当的高度。以围棋为例，19×19的棋盘远超人类大脑的计算极限，此时，人们需借助直觉、经验和想象力来下棋，这正是围棋的迷人之处。现今的AI在模仿人类解决相似问题的方法上能够进行近似计算，然而其精确度更高，处理速度也更快，这恰恰是让人感到恐惧的核心所在。
因此，我们可以探索一种特定类型的问题：这类问题在客观上存在一个确切的正确答案，且从理论上讲，答案可以通过数值计算得到精确求解。然而，这类问题的计算难度已经远远超出了现有计算机的处理能力。因此，无论是人类还是计算机，都必须借助近似方法来寻找答案。不过，计算机在精确度上通常能够超越人类。
若能在商业决策领域挑选出若干满足该要求的问题，人工智能在协助用户更高效地处理这些问题方面将扮演关键角色。
这仅仅是初步探索如何准确界定AI在商业决策中扮演关键角色的尝试。然而，随着我们持续不懈的努力，我坚信我们将发现更多界定此类问题的途径，换句话说，将发现更多AI能够充分发挥其优势的商业决策领域。
3、商业决策支持系统的几种尝试
自计算机问世以来，人们便尝试利用其卓越的数值处理能力构建一个值得信赖的决策辅助系统，简称DSS。现在，让我们一同回顾这一领域的发展历程。
运筹学，也称为运筹分析，是一门应用数学的分支，旨在通过科学的方法对复杂系统进行优化决策。
从运筹学的视角分析，商业决策的核心目标在于实现收益的最大化。这类决策大多集中在微观经济领域。在微观经济学中，一个基本假设是所有个体，包括法人，均被视为理性的经济人，他们的决策旨在追求经济利益的最大化。从运筹学（OR）的角度审视，商业决策的过程本质上是一个寻求最优解的搜索过程。
OR这一技术自40年代在美军二战后勤领域崭露头角，至今已有70载。在这漫长的70年里，OR技术日趋成熟，并在众多领域展现出其巨大的影响力。其间，有一家以OR技术为核心，取得显著商业成就的传奇企业，那就是i2 Technologies。我与这家公司有着不解之缘。
我的教育经历颇为丰富，在清华大学期间，我主修了柔性制造与工业机器人技术。赴美深造后，我最初学习的是工业工程学，重点研究的是OR系统。之后，我又转入了计算机科学领域。在求职过程中，我惊喜地发现，有一家公司能够将我这三个专业领域完美融合，因此我毫不犹豫地加入了该公司，并且这是我唯一一家作为员工为其服务的公司。
这家企业基于OR理念率先提出了智能供应链的概念，并开发出了一套功能强大的产品。凭借这一理念和产品，该公司成功征服了全球财富500强中的大约400家，其中包括我国的联想和华为。在2000年，该企业的市值最高达到了500亿美元，并且以93亿美元的高价收购了Aspect，创下了当时软件行业并购的最大纪录。
2009年，i2以区区3亿美金的价格出售给了另一家公司JDA。尽管那些产品依旧在为客户提供服务，但i2作为软件行业的一段传奇，就此画上了句号。
为什么基于OR的i2没能延续其商业上的巨大成功？
当然，原因众多，然而在产品逻辑的根基之处，我进行自我审视，认为可能存在两个关键因素。首先，是局部优化的问题。对于学习过运筹学的朋友而言，都知道优化过程中最大的风险便是误入局部最优解的陷阱。即便在算法层面成功找到了全局最优解，但若所依赖的数据仅限于内部数据，那么这种优化在本质上依然是局部的。
第二个涉及的是静态模型的问题。在构建一个优化模型时，需要完成以下几个步骤：首先，需选定决策变量；其次，需对目标函数的具体形式作出选择，并设定相关参数；最后，还需对约束条件的形式作出决策，并设定相应的参数。
选定了这些要素之后，方可构建出实用的模型；在上一代的OR系统中，构建此模型需众多专家的参与，最终确定模型后，一旦确立便不易改动，这便构成了一个相对稳定的模型。然而，现实中的产业环境正迅速演变，一个静态的模型难以精确地映射出不断变化的周边环境。
商业智能，亦称BI，是一种利用先进技术对数据进行整合、分析和解释的方法，旨在帮助企业提升决策效率和市场竞争力。
BI，暂且称之为商业智能，它是决策支持系统领域中的一个关键分支，其价值在市场上已获得广泛认可。根据Gartner的调研报告，到了2010年，BI的应用比例已上升至30%，而67%的行业领先企业已开始采用BI技术。展望2017年，全球BI市场的规模预计将突破183亿美元。这个市场规模已经相当可观，因此我们可以肯定地说，BI在商业领域已经取得了显著的成就。然而，其增长势头已经明显减弱，预计在接下来的几年里，年化增长率将仅有7.6%。
人工智能技术，简称AI，是一种模拟人类智能行为的方法，通过算法和模型实现机器的学习、推理和决策能力。
审视AI在决策支持系统领域的应用现状。在过去数十年间，AI在学术界经历了起伏不定的发展，直至近两年才真正步入产业领域，堪称一位“大器晚成”的“天才”。在此之前，AI在实用层面的有限成就主要体现在决策支持系统的应用上，特别是专家系统（Expert System）的运用。经过多年的演进，专家系统虽已解决若干难题，但总体而言，其成功程度尚不足以称得上巨大。造成这一现象的原因是多方面的，主要涉及以下几点：
专家系统的缺陷主要体现在其知识表达手段单一，过度依赖启发式规则，并且无法支持大规模数值计算。
知识库的全面性与大小、获取知识的难易程度、以及其覆盖范围，这些均构成了专家系统能否取得成功的核心要素。在互联网尚未广泛应用的时期，从特定行业内提取充足的数据以构建一个有效的知识库，实属不易。
推理机对特定领域经验的依赖很强，通用性不好。
4、新一代的商业决策支持系统：智能商业
回顾历史，OR、BI与AI在决策支持系统中的应用各自取得了不小的进展，然而，总体而言，离构建一个高度信赖的商业决策支持系统，我们仍需跨越相当长的路。
鉴于人工智能在近年来的显著进展，以及其与OR、BI技术的融合，这或许能够催生一种全新的商业决策体系。我们将这种新模式命名为智能商业，即Intelligent Business。这代表的是真正的智能，而不仅仅是商业信息的处理。
（1）智能商业的定义
我们努力为智能商业寻求一个明确的界定。众所周知，截至目前，人工智能领域尚无一个被业界广泛认可的定义。在此，我们仅尝试提供一个框架性的定义，以期为后续的讨论奠定基础。智能商业被视为一种由AI赋能的决策辅助工具，旨在服务于企业内所有需要做出决策的层级人员。它理应具备即时响应、完整闭环、自我演进和整体优化的特点，同时拥有自动发现问题的功能。其根本目标是提升企业决策的效能与水准，进而增强企业在数字经济浪潮中的竞争优势。
（2）智能商业框架
这便是我们所提出的智能商业架构（如图所示），从图中可观察到，该架构在单体层面与传统的商业智能（BI）模式大致相同，均包含数据层、模型层，以及位于其上的应用层。然而，这一代架构与上一代相比，究竟有何显著差异呢？
它已不再是企业内部单一环节的优化，必须关注自身在供应链中的上下游地位，同时还要审视不同供应链间的相互联系，这就意味着必须全面考虑整个产业生态系统中网状结构的相互作用。
再者，从数据的角度来看，我们正身处一个大数据时代，企业所能接触到的数据资源之丰富，前所未有。过去，我们面临的主要挑战是如何打破内部数据孤岛，而现在，除了内部数据之外，还需处理供应链上下游企业间的点对点数据交流，以及更为庞大的云化外部数据。
在传统的决策支持系统中，由于缺乏明确的相关性，外部数据的运用效率相当低下。然而，外部环境对企业运营的影响可能更为显著，这些外部数据中蕴含着丰富的相关性。借助当前的大数据技术，我们可以为企业的决策提供更丰富的数据资源。通过人工智能的手段，我们可以挖掘出这些数据中的有用信息，并将其融入整个决策支持系统中。
第三个层面就是利用反馈和闭环能够对模型进行自动的优化。
（3）与传统商业决策系统的不同
当然，目前我们仅是构建了一个智能商业的框架，这仅仅是一个开端。待此框架真正落地实施，与传统的商业决策辅助系统相较，将显现出以下几个方面的差异：
在传统的决策支持系统中，最终的决策权掌握在人类手中；而在智能化的商业决策支持系统中，人机交互成为主流，并且部分系统能够实现决策的自动化。
过去，分析的重点在于人们提出清晰的主题，随后借助机器进行深入剖析；而未来，机器将揭示你尚未察觉的潜在问题。
数据显示，起初并非实时更新，且数据来源受限；而未来的数据则需实现实时更新，并确保数据来源的开放性。
以往模型在结构上保持不变，缺乏自我优化的功能；而未来的模型则需具备自动调整的能力。
应用范围上以前是企业内部；将来会是全产业链的。
（4）智能商业的演进
当然，这无疑是一个漫长的追求目标，可能需要五到十年的不懈努力，甚至更久。目前，我们仅仅是基于理论层面提出了一个初步的框架，旨在为后续工作的开展提供指导。
关于对模型进行自动优化的过程，我需要做更深入的阐述，这或许是我演讲中最为关键的观点之一（它并非是一个令人费解的谜语）：
为了建立一个辅助决策的优化模型，对决策变量所进行的抉择，这恰恰是AI增强型决策支持系统的核心要义。
AI技术的运用或许能让模型构建与演化的决策过程实现自动化，这表示模型自身，涵盖决策因素、目标函数以及约束条件等，均转变为优化决策的元素，进而构建起一个优化的层级结构。这一变化还预示着，依托机器学习的模型能够实现自动适应与自我演进。当然，无论是从理论层面还是实际操作层面，我们都面临着艰巨的任务，然而，只有这样的机制才能称之为真正的智能商业，而这正是我们不懈追求的最终理想。
（5）智能商业行业价值提升
此图为我们所绘制的智能商业行业价值提升分布图（见上图），其中展示了哪些行业有望在智能商业的推广中率先获得显著收益。图中横坐标代表实施可行性，而纵坐标则反映了价值提升的程度。在评估可行性时，我们关注的是一个行业的数据和信息技术基础，而提升价值则更多地着眼于该行业的竞争激烈程度，这一因素决定了行业内的企业是否拥有足够的动力，采取更为激进的方式以增强其在商业竞争中的优势。
位于右下方的电信服务提供商，其实施的可能性相当大；这是因为电信领域在数据化和信息化方面的发展水平较高。然而，由于该行业的竞争程度相对较低，因此推动智能商业发展的动力可能并不那么强劲。伯克利的Scott Moura教授刚刚分享了一个关于美国电力系统优化的案例，尽管竞争并不剧烈，但这一话题在学术界已引起了广泛关注。因此，我们坚信，未来AI技术将对各行各业产生深远影响。
5、黑箱和“工作台”应该怎么平衡？
所谓的黑箱爱游戏最新官网登录入口，指的是系统提供决策指令后，我们需严格依照该指令执行；相对而言，工作台则提供了一系列决策建议及其相应的成本分析，最终由人类进行决策。同时，我将向你透露推理过程中所依赖的核心限制条件。若你对系统提供的决策建议感到不满意，你可以依据这些关键限制信息进行有针对性的调整，甚至对某些限制条件进行修改，以此拓宽求解范围，探寻更符合实际业务需求的解决方案。
这是在运用智能商业领域时存在的两种不同理念，对此，我将分享我们的观点。
我们了解到，自动驾驶技术领域内存在着一个从0级至5级的自动化程度划分体系，我便是以此标准，对各行各业在智能决策支持方面的自动化实施情况进行了综合评估。
在着手这项研究之前，我们原本认为智能商业尚处于初级阶段。然而，不久后我们便察觉到，众多行业的业务决策已实现高度自动化，诸如广告的自动投放、航空公司的收益管理定价等，至少在操作层面已达到level 5的水平。与此同时，那些完全依赖人类决策、缺乏任何系统支持的level 0阶段行业，如今几乎已经绝迹。在不知不觉之间，智能商业已经来到了我们身边。
反观黑箱与工作台，涉及两个关键议题，其一关乎企业文化层面，其二则与平台的发展成熟度紧密相连。
我以供应链行业为例，以今日7月8日为例，销售部门刚接到的订单要求务必在7月30日完成交付。然而，智能供应链规划系统在全面评估各种限制条件后，推断出最早也只能在8月30日才能完成交付。与此同时，集团高层领导下达了严令，要求务必在7月30日完成交付，这属于战略性的订单。
在这种情形下，若采用黑箱模式，计划员将陷入迷茫，不知如何着手，更不清楚关键环节究竟在何处。转而采用工作台模式，计划员便能识别出关键节点所在，或许只是缺少了一个关键的元件。将这一信息传递给采购部门后，他们或许能通过非传统途径获取该元件，确保在7月30号前完成交付。
因此，显而易见，在强调主观能动性的商业环境中，黑箱操作难以实现。面对领导的压力，我常感到迷茫，不知从何入手，这让我感到极不踏实。此外，黑箱模式还可能导致众多人在此过程中积累的直觉和经验逐渐消逝。若一家企业连续五年以上依赖全自动的智能供应链规划系统，那些具备高级能力的规划人员可能会逐渐消失。在应对紧急情况之际爱游戏登录入口网页版平台，亦或是对该模型进行升级改进之时，此类工作往往需由资深规划人才负责，然而，届时或许会出现人才短缺的困境。
近期，英国某杂志揭示了重要发现：驾驶过程中，大脑中某一特定区域会保持活跃，然而，一旦启用GPS，该区域的活动便会减弱。该观点认为，若过度依赖导航系统，人脑中某些功能可能会出现退化。类似的问题也存在于工作台和黑箱子模式中，过度依赖黑箱会导致众多商业直觉和经验逐渐丧失。在决策过程中的不同阶段，对于价值较低的决策，可以采用黑箱方法，然而对于那些价值高且至关重要的环节，则必须配备工作台。
自然，人类工具的进步实际上是人类自身能力的延伸与增强。然而，当这种延伸变得极其稳固时，人类自身的技能便会逐渐减弱。若智能商业的自动决策能力发展至某一高度，变得极其可靠且质量上乘，人们便会欣然选择放弃自我进化。然而，若这种能力尚未达到完全可靠的程度，关键时期仍需依赖个人能力，那么采用工作台模式或许更为合适。
一个企业若要成为卓越的智能企业，其关键要素包括：先进的算法、丰富的数据资源、以及适宜的应用场景，亦即那些与用户及市场实现深度互动的服务平台。
6、AI会让人类失业吗？
最后也不能免俗的谈一谈对AI和人类就业的看法。
比尔·盖茨提出了一个引人深思的看法：企业若用AI取代了员工，那么这些被替代的人不再需要缴纳税收。然而，为何他们仍需缴税呢？原因在于政府仍需资金来维持那些因AI而被裁减的员工的生活。
众人或许会思考另一个议题：为何特朗普能赢得选举？他的胜选在很大程度上源于全球化导致美国蓝领岗位的流失。实际上，在全球化的框架内，美国从整体经济角度并未遭受损失，但这些收益主要落入少数资本家手中。若国家能够采取某些措施，将部分资金收回，并通过财富重新分配的方式回馈那些失业的蓝领工人，这难道不是一种皆大欢喜的结果吗？特朗普选择的政治路线显然不是这样的。
马克思在其对共产主义的论述中提到，在共产主义社会里，劳动成为人类的首要需求，这一观点如今看来堪称先见之明。若仅提供金钱而不赋予我劳动者身份，我便丧失了自力更生的尊严。故而，特朗普的提议旨在将工作岗位带回美国，使这些人有机会参与劳动，显而易见，这一提议赢得了众多蓝领工人的青睐。
众人之所以对这一议题产生兴趣，是因为他们担忧人工智能可能剥夺人类的工作岗位。然而，我对这一问题持有较为乐观的态度，认为人类无穷的欲望将持续催生新的就业机会。以旅游业为例，三四百年前，除了徐霞客等少数人，鲜有人有旅游的愿望，而如今，几乎每个人都有了旅游的需求。当技术达到成熟阶段，月球之旅将变为众人争相体验的活动，由此催生出一个庞大的市场，并带来众多新的就业岗位。完成月球之旅后，火星探险又将开启一个规模更大的市场，提供更多的职业机遇。
因此，我们不必忧虑找不到新的就业岗位，我们真正需要关注的核心困境是：即便新的工作机会涌现，其更迭速度之快令人咋舌，然而成年人往往难以迅速提升自己，以适应这些新兴的就业机会。那么，在AI剥夺部分岗位的同时，是否也能在教育和培训领域为人类提供助力，帮助他们更快地实现自我提升？例如，借助脑机接口这一前沿技术，我们能否迅速将知识输入大脑，以便更好地适应新的工作职位？
在人工智能的发展历程里，每当新技术浪潮席卷而来，人们总会谈论技术对劳动力市场的冲击，然而至少到目前为止，并未出现灾难性的后果。众多专家预测AI将毁灭人类，然而，众多最杰出的年轻人才纷纷投身于这一领域，毫无畏惧。我认为，他们和我一样，坚信AI技术的进步将为人类带来更多福祉而非灾难，这正是我的核心信念。
