半個多世紀以前就引發了人工智能（AI）革命。在過去的十年中，人工智能已經從學術科學領域發展成為我們日常生活中不可或缺的一部分。我們看到的最常見的AI業務策略是圍繞數據構建的。我們認為專有數據是當前AI公司最具戰略意義的護城河，但在未來幾年中，專有數據將不再是一種獨特的資產，從而使專有數據差異化的可持續性降低。因此，我們希望重點從基于數據的AI策略轉移到基于知識的AI策略。

大數據的進步得益于眾多傳感器的部署，互聯網連接以及計算能力，通信能力和數字存儲方面硬件和軟件的改進，使AI能夠從小型學術研究項目擴展到大型企業生產應用程序。本質上，大數據需要復雜的AI模型來分析和獲取知識和見解，而AI模型則需要大量的大數據來進行培訓和優化。因此，目前，數據通常被認為是AI初創企業足夠的戰略護城河。作為風險投資人，我們經常會看到這種現象。近年來，我們看到許多初創公司將數據采集作為其業務戰略的核心。越來越多的此類公司強調他們已獲取的獨特數據集以及獲取其他專有數據的長期策略，將其作為可持續的進入壁壘。此外，由于AI工具和AI即服務平臺已使AI模型的開發商品化，并且公共數據已無處不在，因此人們對于建立和捍衛數據護城河的需求已變得顯而易見。

在當今的技術生態系統中，市場越來越多地通過領先的AI程序和對專有數據的控制來獎勵公司，這是巨大而可持續的競爭優勢。諸如Google和Netflix之類的公司在很長一段時間內已經開發并策劃了海量且權威的數據集，而其他許多公司都在徒勞地努力以取得成功。一個例子就是競爭對手的媒體服務提供商和制作公司的大規模破壞，而Netflix復雜的數據策略卻無法克服這些破壞。

不過，由于預期的數據交換能力和意愿的提高，我們相信十年之內，專有數據的護城河將不太可持續。盡管數據仍將為AI價值引擎提供動力，但AI商業策略將越來越側重于知識。

將AI價值金字塔向上推向知識層

AI價值金字塔基于數據并由知識驅動。今天，盡管“我們淹沒在信息中，卻渴望獲取知識”，但我們期望將AI價值金字塔推向知識層。實際上，我們已經開始看到通過創建數據交換來促進和加速這一趨勢的進步。我們希望增加可行性和愿意分享商品化數據以換取有價值的知識，將促進數據交換。總之，數據將變得更加豐富，可用，可靠，標準化且價格便宜，這是理想商品的完美定義。將來，將數據用作可持續的進入壁壘將變得更加困難。

通過物聯網（IoT）的數據源激增將加速共享數據的可行性。此外，還有用于合并，共享和交換數據的新技術，協議和標準。展望未來，只要有動力和越來越大的意愿，共享數據的能力就會變得真正重要。隨著AI破壞并破壞傳統的競爭進入壁壘，許多組織不懈地嘗試收集自己的專有數據并從中獲利。這種數據的獲取和利用既不容易也不富有成果，因此會造成戰略上的不和諧。這是因為，盡管對于大多數組織來說，人工智能已變得越來越不可缺少，但它并不是其傳統技能或核心專業知識的一部分。此外，受過AI培訓的工程師，開發人員，產品負責人和經理的長期和長期短缺加劇了這種矛盾，并導致以知識交換為目標的數據共享解決方案偏愛。

通過交換數據以生成知識來創造能力和意愿的結合的一個例子是歐盟提出的新建議，即創建“單一數據市場”，以賦予人，企業和組織更好的決策權基于來自非個人數據的見解，以便與當前的科技巨頭競爭。

導致數據護城河變得越來越不可持續的另一個因素是發明了新穎的數據解決方案，該解決方案能夠將較小的數據集用于訓練模型。合成數據解決方案（例如，使用通用對抗網絡）和其他最小化技術（如數據增強）可能使公司無需大量數據即可創建破壞性的AI產品。

建立知識策略

人工智能革命的未來將為企業帶來新的現實，并需要修訂的業務戰略。從數據到知識的轉變將產生新穎的框架，合作伙伴關系和業務模型，其中包括為知識創造提供數據，信息，AI模型，存儲和計算能力的不同參與者。由于傳統數據護城河在未來十年內將變得不那么可持續，并且知識將成為AI的真正價值驅動力，因此我們認為企業應該開始制定更側重于知識的戰略：

建立知識護城河而不是數據護城河是一項基本原則，應該成為未來業務戰略的核心。公司和組織應該開始為以知識為中心的時代做準備，在這個時代，贏家將是那些提出正確問題，尋找最相關的預測并設計最具破壞性的基于AI的應用程序的人。

自上而下使用AI并圍繞應用程序和產品層組織業務。模型應根據特定的垂直和假設進行開發和訓練。例如，在成像，診斷，遠程醫療，藥理學和其他臨床應用中開發特定的醫療保健應用；或在車隊管理，公共交通及其他方面的流動性。這些解決方案的開發將基于特定領域的豐富知識和實踐經驗，結合上下文知識和適當且經過良好調整的模型。

數據獲取計劃應僅被視為短期的戰術追求，而基于知識的交流與合作伙伴關系則應作為長期的業務戰略加以培養。一個富有成效的例子是，去年，以色列創新局啟動了一項試點計劃，以實現醫院與技術初創企業之間基于知識的合作。這種合作在初創企業的醫院之間產生了許多舉措［12］，并促進了醫院之間以及醫院之間的原始（和幾乎未使用的）數據交換，以及初創企業產生的新穎而有價值的知識。

最后，向知識的轉變也應該影響組織的人力資源戰略。公司應為AI的未來制定相關且明智的人力資源戰略。盡管一些初創企業仍需要聘用大量稀有和昂貴的數據工程師和科學家，但應將精明的公司的AI團隊設計為一個管理團隊，旨在追求和促進AI知識合作伙伴關系，發明基于AI的應用程序和產品并進行創造性地探索AI革命的美好前景-從以數據為中心到以知識為中心進行了重新構想。此外，AI團隊應讓人們了解他們所操作領域的上下文。這些上下文團隊成員應采用整體方法，起源于他們對AI和特定領域的理解，而不僅僅是一般AI專家。

總體而言，人工智能的未來取決于從強調專有數據集轉向跨實體共享數據以創建知識。為了實施成功的AI策略，公司必須正確地組合數據，信息，AI模型，存儲，計算能力等，以使業務扎根于知識。

Eviatar Matania是特拉維夫大學政治學，政府和國際事務學院的教授，負責安全研究文學碩士課程和網絡政治與政府文學碩士課程（成立之初）。Matania還是牛津布拉瓦特尼克政府學院的兼職教授。Matania是以色列國家網絡管理局（INCD）的創始負責人和前總干事，直接向以色列總理匯報工作，并且在過去兩年中，他一直共同領導“智能系統（AI）國家倡議”以推薦總理部長和政府討論了一項將以色列定位為人工智能全球強國的國家計劃。

Tomer Y. Avni是位于特拉維夫的Blumberg Capital的合伙人。Tomer與企業家建立聯系，研究潛在的新投資，為投資組合公司提供支持，并制定新興的投資路線圖。在加入Blumberg Capital之前，Tomer曾在以色列國防軍情報總隊擔任小組組長兼副組長。在任職期間，Tomer獲得了卓越獎，并領導了許多技術研究項目和運營。Tomer還曾擔任技術顧問，專注于網絡安全。Tomer獲得了理學學士學位。以最高榮譽畢業于巴伊蘭大學數學和政治科學專業。
責任編輯:pj