【小哈划重点：今天的人工智能是由数据驱动的。而今天的大部分数据都来自于互联网：文字、图片、视频，以及我们与它们的交互......目前还没有一个现有的「文档理解」模型，让我们可以通过转移学习来适应我们的具体业务流程。构成商业世界的Excel电子表格、营销手册、法律合同等文档，都隐藏在各个公司内部的邮件收件箱和其他孤岛中。开发者无法接触到相关的文档，也无法为其贴上合适的训练标签。】
导读：尽管人工智能已经进步了20年，但感觉大部分的办公室工作都是由琐碎的脑力劳动组成。我们应该期望人工智能会像过去的机器自动化体力劳动一样，将这些工作自动化。然而，实践中仍然看到很多人在做着计算机应该能做、却实际上根本做不了的工作。为什么会这样呢？作者试图解答这个疑问。
我们听了这么久有关「AI取代设计师」、「AI取代写作者」、「AI取代画家」、「AI取代司机」……的论调。然而时至今日，我们发现实际上，目前还没有一个职业「真正」被取代。
AI并没有被广泛的应用于企业中，很多我们觉得计算机能够轻松搞定的工作，仍然需要人工去完成。例如翻阅一栋办公楼的PDF文档，并记下其中所包含的可出租单位的大小。
AI可以实现自动驾驶、可以处理海量数据、可以在最复杂的游戏中击败最厉害的职业选手，却连这么一个简单的事情都做不了？
数据科学家：缺乏数据和业务认知导致AI无法做到「真正的」智能
住在伦敦的数学家、数据科学家Matthew Eric Bassett最近一直在思考一个问题：人工智能为何对企业无用？
他认为，部分原因可能在于我们与计算机的交互方式。
计算机是基于一个需要明确、精确的指令来操作数据的架构。即使我们的智能手机上有语音控制的虚拟助理，我们仍然通过给它们发出明确、精确（尽管是更高级别的）指令来与它们互动。人工智能算法可能看做是隐含地推断出其中的许多指令。
也许在有了更高级别的编程语言之后，使用Excel来完成现代商业任务就像用机器代码编写软件一样。但他认为目前面临着两个更直接的问题：一是缺乏数据，二是缺乏认知。
今天的人工智能是由数据驱动的。而今天的大部分数据都来自于互联网：文字、图片、视频，以及我们与它们的交互。
如果一群软件工程师想要创建一个模型，比如说可以识别图片中的汽车的品牌和型号，他们可以从其他研究人员检测图片中的物体的预训练模型开始，然后通过训练一个仅包含汽车的较小的例子集来「顶上」，这就是所谓的迁移学习。
但目前还没有一个现有的「文档理解」模型，让我们可以通过转移学习来适应我们的具体业务流程。构成商业世界的Excel电子表格、营销手册、法律合同等文档，都隐藏在各个公司内部的邮件收件箱和其他孤岛中。开发者无法接触到相关的文档，也无法为其贴上合适的训练标签。
更重要的是，人工研究团队缺乏对具体的业务流程和任务的认知。研究人员需要对所涉及的业务流程形成一种直觉。
我们还没有在太多领域看到这种情况发生。大的成功案例发生在那些问题很容易被理解并且有很多公开的例子（机器翻译），或者是有巨大投资回报率的承诺（自驾车汽车），或者是一家大公司任意决定向这个问题抛出足够多的资源，直到他们能够破解这个问题（AlphaGo）。
这意味着，当研究人员能够专注于一个特定的问题，并且能够积累足够的数据来训练一个可行的模型时，我们就可以期待人工智能在自动化业务流程方面取得成功。
成功的另一个标准是，人工智能的目标应该是增强参与流程的人的能力，而不是取代他们。
如果他们成功了，那么在这些行业工作的人就可以期望他们把更多的时间花在做有趣的、有创意的工作上，而不是把更多的时间花在做枯燥的、耗时的任务上。
目前企业所谓的「AI」只不过是一堆数学模型
在HackerNews上，一位在印度最大的科技型物流公司工作过的网友说，自己的公司确实依靠优化以及解决问题，但都没有涉及到AI，都是数学模型而不是黑匣子。
另一位曾在宝马和大众汽车公司工作过网友也提到同样的问题。
他与企业合作伙伴一起领导了几个项目，这些项目更多的是通过数学模型或者数据集进行优化。在她看来，这需要大量的数据分析和一些试错，最终我们得到了一个有利的结果，而不是AI。
他在2017年负责宝马最后一个项目，他提交的供应链分析课程的提案得到了99.7%的高分。没有任何AI能够达到如此高的分数，这完全依赖于他对整个业务的熟悉程度，以及基于人类的直觉。
他坦言AI总归有一天能够发挥作用，但目前并非如此，供应链分析和物流领域这些年似乎也没有什么变化。
企业没有加入更多的「AI」成分，AI也没有让更多的人失业，让人失业的是当前的疫情。
亲爱的网友，您怎么看？
（编辑：元子）
