人工智能自1956年在达特茅斯夏季AI研究会议上第一次被提出以来，已经走过了60年的发展历史。这其中，经历了20世纪5060年代以及80年代的人工智能浪潮期，也经历过7080年代以及90年代两次沉寂期。随着近年来数据爆发式增长、计算能力大幅度的提高以及深度学习算法的发展和成熟，我们已迎来了人工智能概念出现以来的第三次浪潮。此次我们有幸与美国罗格斯-新泽西州立大学终身正教授、百度商业智能实验室主任熊辉教授交流，围绕第三次人工智能的特征及未来趋势做了深入探讨。

  熊辉教授认为，与前两次相比，第三次人工智能浪潮有着明显的不同这一次是数据驱动的人工智能。随信息网络和智能设备的普及，数据收集的精准度和覆盖度全方面提高，使得数据质量得到大幅度的提高。一些原来无从获知的数据，例如农村地区的数据收集随只能手机的普及变得可行。借助于细颗粒度的数据，机器学习算法也得以加快速度进行发展，并在计算机视觉、语音识别、自然语言处理等一系列领域中取得了突破性进展，达到产业级应用的要求。熊辉教授举例：“比如人脸识别，其实目前主流的算法模型在以前就存在，现在算法精度的提升是由于对数据标注质量的全面提高，使得人脸识别算法模型的训练水平也在提高，从而促使人脸识别的精度能够达到应用级水平。” 同时，人脸识别技术水平的提升又促进了新的应用场景产生，比如银行、机场、酒店都开始应用人脸识别技术，这些新的应用场景又能产生新的数据，进一步拓展了数据的获取渠道，形成数据、技术、场景三者之间的正反馈循环(见图1)。正是通过这一个产业智能三角模型的不断迭代，此次数据驱动的人工智能才得以高速发展。

  500)this.width=500 align=center hspace=10 vspace=10 rel=nofollow/>

  500)this.width=500 align=center hspace=10 vspace=10 rel=nofollow/

  产业智能三角模型可以解释本次人工智能浪潮的基本逻辑，AI在不一样的行业的落地都经历了数据、技术、场景的正向循环并渐次推进的过程，最终演化出众多产业级应用。

  产业智能三角模型的逻辑可以解释AI在企业战略决策管理中的应用。通过数据驱动的AI将支持企业基于更复杂的信息做出决策，改变企业对人、组织、文化的管理方式。之前企业的人力资源管理大多数情况都是基于经验的主观判断，人工智能技术已渗透到企业管理中的人力资源管理甚至战略决策等方面，帮企业管理和决策更加客观、全面并具有前瞻性。智能化的人才管理涉及到员工包括“录用”、“离职”、“升/降职”、“转岗”的所有环节，其中所有的过程都能够最终靠数据分析的方法优化。在招聘环节，通过数据分析和AI算法选择与公司匹配的人才。以前“录用”大多数都是靠人主观筛选简历、安排面试，现在能够最终靠算法自动筛选简历并通过推荐系统来进行岗位智能匹配和推荐，从而提升企业招聘环节的准确度和效率。而同时，在企业应用智能化招聘的过程中也会产生新的数据和标注，从而逐步提升智能人才管理效率，实现产业智能三角模型的正反馈，不断推进企业人力资源管理的智能化发展。具有数百个部门、数万人的大公司在管理上往往头绪众多，在业务管理的决策层面，数据驱动的AI算法能够像雷达一样量化分析出业务团队的稳定性、健康程度、创新活力、积极性以及团队文化是否与企业文化契合，通过智能化系统能更好的掌握业务部门的健康指数。甚至在文化建设层面，比如创新文化的建设，一样能通过对于团队沟通情况、对于权威的态度等相关数据辅助分析。在战略方面，比如，由于通常行业的产生或者变迁都是从人才市场开始，通过监测发现市场上对某一类型人才需求大幅度上升的趋势，可以辅助公司进行内部战略决策。

  在医疗、金融和零售等领域中，产业智能化演进也遵循着同样的路径。在智能医疗方面，病例数据的信息化使得越来越多的智能诊断技术能够被应用到问诊环节，减轻医生的压力；未来可穿戴设备的普及能够使人们随时随地了解自己的健康情况; 同时，借助于大量的身体检测数据，健康管理技术也将不断进步，以帮助人们有效地实现疾病预防、规避重大疾病风险。此外，随着5G和物联网时代来临，医疗将变得个性化、精准化。由于传感器技术的发展，未来像血液、体液等检测将成为一种在家即可完成的高频检测。高频精准化的数据使得疾病能够更及时地被发现。一些目前人们认为的重大疾病由于能够在更早期被发现而变得可治愈。而伴随着智能医疗的普及，也会产生越来越多的数据，从而实现数据、技术、场景的迭代，进一步提升整个系统的协同作用和精度；智能金融方面，丰富的用户数据使金融机构能够更加全面地了解自己的每一位顾客，而通过履约记录、社交行为、行为偏好、身份信息和设备安全等多方面行为“弱特征”帮助金融机构实现用户风险评估，替代原本人工审核的繁琐流程，这一方面可以有效降低人工成本，另一方面也提升了风控过程的效率和精度。而随着金融机构对智能风控应用的深入也将产生更加多元、精准的数据，从而形成积极的正反馈模式；在零售领域中，越来越多智能设备的应用让消费者线下数据的获取成为可能，商家可以对消费者的需求有更加全面的了解，从而可以推出个性化的服务和产品满足不同消费者的需求。而随着传感器和3D打印技术的发展，未来消费者甚至能够最终靠传感器上传测量数据，生产商则利用3D打印技术便能够高效、低成本的产出完全符合消费者需求的产品，最终借助智能物流系统实现快速投递。而消费者对于产品和服务的反馈也可以进一步丰富消费者的画像，推动算法和商业模式的迭代。因此，这一波人工智能浪潮所激发的不是简单的技术进步，而是生产力、生产资料和生产关系的全面提升。这其中，数据是生产资料，技术是生产力，而新的生产资料和生产力的结合将产生新的应用场景，也会产生新的生产关系，这也是为什么说AI技术将使整个商业社会以及各行各业产生重构。

  熊教授认为，目前美国在此次人工智能浪潮中的许多模式值得我们借鉴，尤其在金融和医疗领域。从金融的角度来看，在二级市场方面，美国市场中的交易主体主要是专业的金融机构，而中国二级市场中的主要交易主体是散户。美国借助于金融机构专业的信息搜集能力和数据分析技术使得AI技术广泛的应用到金融环境当中，无论是做交易策略、交易平台还是后台风控处理，形成了全面的解决方案。未来，随着中国金融市场的不断规范化以及数据规模的增长，金融机构在二级市场中将扮演越来越重要的角色，智能金融将实现快速发展。

  在医疗领域，由于美国医疗信息化已经发展的较为成熟，一方面，在诊疗数据方面，美国很早就实现了数字化、信息化，为智能诊疗提供了很好的发展基础。另一方面，在制药领域，由于美国有着丰富的经验和数据储备，因此，AI技术已经应用到制药领域，进行药品的设计、研制，未来有望完成产业智能化的迭代，实现智能医疗的迅速发展。

  同时，中国在人工智能方面也有着自己的优势，尤其在商业以及商业模式创新方面，中国有着更好的发展机会。由于我们有着巨大的客户群体，任何一个产品都有机会获得百万甚至千万级别的用户体量，从而产生大量的用户数据，为AI技术的发展提供良好的基础。此外，由于美国在许多场景中已经形成成熟的市场，改变人们的行为习惯将会是一个漫长且困难的过程。比如美国移动支付就不如在中国发展的顺利，因为人们已经习惯了用相对便利的信用卡支付，很难再去接受新的支付模式。因此，中国在许多方面有自己的后发优势，能够最终靠场景的创新，发展出更多新的产业和商业模式，积累更多的用户和数据，从而为技术和场景的迭代、发展提供良好的条件。

  目前，信息化和互联网化的进展极大的丰富了数据收集的渠道，但是现在各个行业、企业间的数据是分裂的状态，形成了一个个数据孤岛，造成了数据价值的极大浪费。未来AI发展的下一阶段可能会完成各个行业、企业间的数据孤岛联通，实现数据的共享，从而最大限度发挥人工智能技术的价值。实际上，目前产业界已经在尝试通过加密运算的技术方式实现数据共享，比如做加密的加减乘除浮点运算，在加密的数据上做客户分析、市场分析等等。同时，监管方面也需要仔细考虑数据的共享完善政策、法规建设，在实现数据的共享的同时保证数据隐私。

  随着这一轮人工智能浪潮的不断推进，数据分析技术也在不断突破创新，深度学习、基于图的神经网络算法等极大地提升了信息预测的精度。但是，未来技术的发展仍旧需要注重算法复杂度和泛化性的平衡，算法精度的提升还不够，还要对所解决的商业问题本身做出清楚的定义，将算法与场景深度结合才能真正的完成技术价值，因此，有时可能简单的算法反而加有效。同时，也应当清楚的是，没有一种算法是万能药，任何一种算法必须落入垂直领域的应用场景中，通过数据、技术、场景的模式不断的迭代，才能完成产业智能化的改造。