你可能早已深陷在主流媒體對人工智能鋪天蓋地的宣傳中。或許你已經看過了《經濟學人》(The Economist)和《名利場》(Vanity Fair)刊登的有關人工智能的文章，也了解了有關特斯拉自動駕駛的故事以及霍金與其他名人闡述人工智能會對人類產生的威脅；或許，你還看了Dilbert對于人工智能和人類智能的玩笑...

這些人工智能的宣傳應該會引發你對以下兩個問題的思考——

人工智能到底有沒有商業潛力？

怎么把人工智能應用到自己的工作當中？

第一個問題的答案毋容置疑是肯定的。今天的商業已經可以應用人工智能代替人類完成一些工作，人工智能還可以在人力工作上增加上百倍效力，成本卻減少到了原來的90%。

第二個問題的答案可能需要更長一些。首先，我們必須破除一些主流媒體的宣傳所產生的有關人工智能的謠傳。一旦我們粉碎了這些謠言，我們就可以很清晰地了解如何有效的把人工智能應用到自己的工作當中。

誤解1

人工智能是魔法

許多媒體都把人工智能描繪的魔幻而神秘，我們只能在一旁為那些像偉大的魔術師一樣的科技巨頭公司歡呼慶祝，如谷歌、Facebook、蘋果、亞馬遜和微軟等。但其實這樣的宣傳是不對的。我們要想人工智能應用到商業中，至少要讓公司的執行者和決策者理解它。人工智能不是魔法，它是數據、數學、模式與迭代。在將人工智能應用到商業前，我們必須了解清楚人工智能的3個相互關聯的關鍵概念：

訓練數據（Training Data, TD）

訓練數據是機器學習所用的原始數據集。訓練數據有一些輸入和預設的輸出，所以機器學習模型能對任何一個給定的輸出尋找其中的模式。舉個例子，輸入信息可以是客戶和客戶與公司代表之間的郵件。輸出是從1到5的分類標簽，這些標簽可以根據公司內部的需要來制定。

機器學習（Machine Learning, ML）

機器學習是一種能從訓練數據當中學習模型的一種軟件，它還能把這些模型運用到新的輸入數據上。舉例來說，一封新的郵件從客戶發送給公司代表。機器學習模型可以預測郵件的分類，并且說明預測的準確率。機器學習的關鍵特點是它可以學習而不是應用固定的規則，它可以消化新的數據來調整它的方法。

人機回圈（Human-in-the-loop, HITL）

人機回圈是人工智能的第三個核心，我們不能指望機器學習模型從不出錯。一個好的模型大概只有70%的準確率，所以當置信率太低的時候你需要人為介入去解決問題。

因此，請不要被人工智能是魔法的謠言所欺騙，在此基礎上，你可以心中有一個人工智能的核心公式——

AI = TD + ML + HITL

誤解2

人工智能屬于少數人

媒體經常暗示，只有亞馬遜、蘋果、Facebook、谷歌、IBM、微軟、Salesforce、Tesla和Uber這樣的科技巨頭才能主導人工智能，因為這些大公司能組建大型的機器學習專家團隊以及投資1億美元進行相關的研發。但這樣的說法是錯誤的。

今天，花費不到10萬美元去應用人工智能是十分現實的。如果你是年收入超過5千萬美元的美國公司的一員，那么你只用花費0.2%的年收入就可以應用人工智能，而這樣的公司在美國達到了26000家。

所以，人工智能不是專屬科技巨頭，它對每一個行業都適用的。

誤解3

人工智能要用來解決大問題

媒體們總是愛講把人工智能應用在自動駕駛汽車或者自動送貨無人機這樣的大項目上。由于贏家通吃的心理，像谷歌、Tesla和Uber這樣的公司正將數億美元投資在無人駕駛汽車這樣的領域。這種宣傳很容易讓人們產生人工智能只是為了解決數十億美元問題的印象，但這是一種錯誤的想法。

人工智能也可以解決百萬美元級別的問題。舉例來說，任何一個行業最核心的都是了解顧客，這一點對古希臘和古羅馬在集市進行交易的人們適用，對今天在互聯網進行大規模交易的人們來說也是適用的。對于企業來說，顧客的使用數據和反饋是一座巨大的寶藏。人工智能正是處理這些數據和反饋的有效方法。

所以，人工智能不僅僅是解決像無人駕駛這樣的新問題，它也是能解決百萬美元級別的實際需求，比如它就可以用在更好地理解用戶意見和社交媒體的反饋分析上面。

誤解4

算法比數據更重要

主流傳媒經常報道機器學習的算法是人工智能所有要素中最重要的一環，他們常常把算法比作是人類的大腦，而且他們認為越來越精密的算法將終究超過人類的頭腦。國際象棋與圍棋正是機器打敗人類例子。媒體尤其關注深度神經網絡和深度學習，以及機器做決策的方式。

這樣的報道可能會讓打算使用人工智能的公司認為找一些機器學習的專家來制定完美的算法是最重要的。但是，如果一個公司僅僅找了算法專家，而沒有配套的高質量、大容量的定制訓練數據的話，期望往往就會和最終的結果產生巨大的偏差（有完美的算法但是只有60%的正確率）。

例如，從微軟、亞馬遜、谷歌這樣的公司購買機器學習服務而卻不打算對訓練數據進行投資，就好比買一輛車卻從不去加油站一樣，你只是花錢買了一堆廢鐵。另外和汽車加油不同的一點是，用越來越多的訓練數據可以得到越來越好訓練結果，就好比汽車每加一次油他的油耗就變得更少一樣。所以說，訓練數據對于人工智能的作用是比汽油對于汽車的作用更大的。

總結為一點，就是訓練數據的數量與質量至少是和算法同等級重要的，請確保你對訓練數據留出充足的預算并且做好計劃。

誤解5

機器 > 人類

無論是《終結者》里的施瓦辛格，還是《機械姬》》(Ex Machina)里的智能機器人伊娃，近30年來媒體總是愿意說明人工智能或者機器比人類更好更強。這一點是可以理解的，因為他們想把機器和人類對立起來然后看看哪一方會笑到最后。但是這種宣傳往往是和事實有很大偏差的。

比如最近就有一些報道聲稱谷歌的DeepMind/AlphaGo打敗了李世石就是機器戰勝了人類，這樣的說法明顯是與事實不符的。更準確的說法是機器加上眾多專家戰勝了李世石一個人。

機器與人類擁有不同的能力

打破這一謠言的核心是機器與人類擁有互補的能力。看一下上面的圖片，機器非常擅長解決結構性的計算問題，它們能很好的找到特征向量卻不能很好的區分哪一個是豹紋連衣裙。人類擅長辨別含義與語境，人類可以一眼就找到豹紋連衣裙卻在計算特征向量這樣的問題上遠不如機器。

所以在商業環境下對機器>人類這一問題的正確理解是機器和人類是互補的，人工智能是人類與機器一同工作。

誤解6

人工智能是機器取代人類

媒體為了吸引注意力，常常構想一些反烏托邦的未來。這些想法可能會成為現實，但是他們總是扭曲機器是如何與人共存的。

例如，一個商業中對支持票分類的問題（Support Tickets，指客戶針對一些問題對客服發送的信件或電子郵件）。對于今天的絕大部分企業來說，是100%人工分類來解決問題的，這一過程效率低下而且成本很高。想象一下，現在有一個分類模型對10000張支持票分類，結果是70%的正確率，這樣的正確率明顯是難以接受的。

此時就需要需要人機回圈（HITL）的參與，先設定置信率95%的門限指標然后只接受達到這個指標的輸出結果。人類對一些訓練數據所加的標簽會幫助機器進行學習和改進，經過一段時間的訓練，機器就可以逐步的提高準確率，企業也能增大支持票分類的數量直至達到良好使用。

通過人與機器的協作，企業可以在保持質量的前提下提升工作量與工作效率，減少單位經濟成本，這些優勢都是企業發展的關鍵要素。

其實，對于機器代替人類的謠傳，事實正相反，人工智能是關于機器增強人類。

誤解7

人工智能 = 機器學習

最后一個有關人工智能的誤傳是人工智能與機器學習是同一個事情。這樣的謠言會讓那些從微軟、亞馬遜、谷歌那里購買了服務的公司誤認為有了機器學習就已經能將人工智能應用到產品上了。

你需要訓練數據與人為干預才能讓機器學習成為可能的人工智能解決方案，沒有了訓練數據的模型就像汽車離開了油，昂貴但是又毫無用武之地。沒有了人為干預，結果常常會很不理想，你需要通過干預提升預測的準確率。

因此，如果現在你已經對人工智能的商業應用有了基本的認知框架，就可以用人工智能的7個正解取代上述7個誤解。

正解1：人工智能=訓練數據+機器學習+人機回圈

正解2：人工智能對每一個行業都適用

正解3：人工智能也可以解決百萬美元級別的商業問題

正解4：算法并不比訓練數據的數量和質量更重要

正解5：機器與人類是互補的

正解6：人工智能是機器增強人類

正解7：再一次的，AI = TD + ML + HITL