IBM：不是人工智能，而是认知商业

文 /郭继军　IBM大中华区副总裁，战略部总经理赵　亮　IBM大中华区全球企业咨询服务部银行业总经理



IBM：不是人工智能，而是认知商业

文 /郭继军IBM大中华区副总裁，战略部总经理
赵亮IBM大中华区全球企业咨询服务部银行业总经理

辅助用户决策的“认知商业”，比要代替人的人工智能更具商业实用性。

2016年堪称人工智能元年。继谷歌AlphaGo高调亮相之后，IT巨头们纷纷亮出了人工智能领域的最新成果。微软推出了智能聊天机器人Tay，必应搜索引擎也多次在足球、选秀等重大比赛中准确地预测了比赛结果。Facebook公布了图像识别技术。这些技术看起来非常惊艳，但很多在商业领域难以直接发挥作用。

与开发通用型人工智能技术不同，IBM更关注人工智能在商业领域的应用。今年IBM提出了“认知商业”的战略，将认知计算技术与行业经验相结合，帮助企业快速实现商业模式的变革与迭代，让人工智能融入企业运营。

从智慧地球到认知商业

在认知商业战略提出之前，IBM的战略重点是智慧地球。彼时正值物联网、大数据和移动互联技术大规模应用的时期。IBM意识到，万物互联可以造就无限的商业机会。智慧地球的愿景就是希望世界上所有的设备都能够联网，通过大数据分析，实现智慧化的商业，甚至智慧化的城市和国家。

为实现智慧地球的战略，IBM提出了3I模 型， 即Instrmented（ 感 知）、Interconnected（互联）和Intelligent（智能）。

设备位于模型的底层，使设备能够采集数据，这是智慧地球的基础。设备互联之后产生海量的数据，如何从数据中获取价值，就需要智能化的分析技术。过去的几年中，智慧地球战略在设备和互联两个层面得到有效的实施，但在数据的智能分析上遇到了挑战。如何实现对大数据的分析和认知？IBM提出了“认知商业”的战略。

“认知”而非“智能”

与当前人工智能强调的概念不同，IBM对人工智能在商业应用中的理解，是实现“认知”而非“智能”。做出这一判断的基础，是IBM数十年来在行业客户中积累的经验。

IBM认为，目前商业遇到的最大挑战是不能发掘数据的价值，数据如何在商业中运用，仍需要人来进行判断。商业不仅仅是追求利益最大化，还需要考虑法律、伦理、社会责任等多方面的因素。而这些有温度的判断，很难由计算机来完成。因此，IBM认为，当前人工智能要做的是“认知”数据的价值。

当前数据分析的两大挑战是数据量的井喷和数据类型的井喷。根据IBM的预测，到2020年，全球每人每天将产生约2.4GB的数据，形象地比喻，就是每人每月产生的数据可以填满一部64GB的iPhone手机。据统计2015年全球智能手机用户约20亿人，如此巨大的数据，对于计算能力是非常大的考验。

数据类型的井喷，对企业而言是更为严峻的挑战。数据类型可以简单分为结构化数据和非结构化数据。结构化数据是长度固定、以数值形式记录的数据。如GPS的定位坐标，电商产品的销售量等。非结构化数据是除结构化数据以外的数据的统称，它们难以被量化、没有固定的长度和格式。如医疗领域为病人拍摄的X光片，法律界法院判决的文书，媒体中的视频资料等。根据IBM的预测，到2017年，非结构化数据将占到数据总量的80%。

为应对数据井喷带来的挑战，IBM尝试从两个方面寻求方法。一是提升运算能力来应对结构化数据的分析。得益于摩尔定律，计算机的运算能力一直保持高速的提升状态，结合IBM在超级计算机领域的研发实力，结构化数据的挑战并不难克服。

但是在非结构化数据方面，IBM遇到了困难。最初IBM希望通过培养数据科学家来分析非结构化数据。数据科学家将非结构化数据解构，分解为结构化数据再交由计算机处理。但随着数据的井喷，数据科学家无法跟上数据增加的速度，迫切需要计算机来模拟他们的工作，分析非结构化的数据，以实现对数据价值的认知。

认知计算是模拟人的自然思维理解数据，归纳起来是三种能力的集合，即理解（Understanding）、推理（Reasoning）和学习（Learning），简称为URL。

实现认知计算的第一步是理解数据，例如理解人的自然语言、图片的内容等等。以语音识别为例，在一个句子中，出现“苹果”一词，可能是指苹果公司或者它的产品，也可能是指一种水果。究竟是什么含义，这就需要准确判断出来。如果不能实现数据的理解，后面的分析也就无从谈起。这也是科技巨头都在花费大量精力研发语音识别和图像识别技术的原因。

推理是发现非结构化数据之间的逻辑联系。通过假设生成，能够透过数据揭示洞察、模式和关系。将散落在各处的知识片段连接起来，进行推理、分析、对比、归纳、总结和论证，获取深入的洞察以及决策的证据。在与美国知名作曲家鲍勃·迪伦的对话中，IBM沃森（Waston）仅仅花了几秒钟就判断出：“根据我的分析，你的歌曲主题大多是关于时光流逝和爱情枯萎的。”沃森能以每秒阅读8亿页内容的惊人速度从海量歌词中提取关键信息，再通过推理判断能力揭示海量歌词背后的“爱与痛”。推理是认知计算最为关键的一环。

学习是认知计算能够不断提升的保障。通过以证据为基础的学习能力，从大数据中快速提取关键信息，像人类一样进行学习和认知。可以通过专家训练，并在交互中通过经验学习来获取反馈，优化模型，不断进步。具备自我学习的能力，是认知计算与大数据等传统技术最为本质的区别。

布局行业认知平台

目前人工智能可分为两大阵营，一类是以谷歌Deep Mind通用型的人工智能平台为代表。该类平台的策略是突出程序和算法，优化运算能力。希望只需通过改变训练数据的输入，就可以在不同行业运用。如谷歌希望AlphaGo的平台，将棋谱变为癌症数据库，就可以实现癌症治疗方法的研究。

另一类是以IBM为代表，将人工智能技术与行业相结合的应用。在IBM看来如果说互联网时代的关键词是“颠覆”，那么人工智能的关键词就是“变革”，与行业经验的结合是未来商业的主流模式。

早在郭士纳主导的转型中，IBM就将咨询作为核心业务发展，这令IBM能够深入到各个行业内部积累行业知识，对行业的深度理解，是IBM与其他IT企业相比最大的竞争优势所在。

IBM深耕行业认知依靠的是沃森平台。沃森是一个具有强大认知功能基于云和开放标准的平台。沃森通过提供API使企业接入沃森平台获取认知计算服务。沃森的每个API可以实现一个特定的功能，通过不同API的组合，就可以实现多种认知计算的需求。目前沃森的API接近50个，主要包括潜在语义分析、情感分析、关系抽取、深度学习、知识提取注解、递归神经网络、问答验证等。在API的基础上，通过整合行业知识库，就可以针对每个行业，提供特定的认知计算服务，目前沃森平台主要的行业包括金融、制造、医药、零售、媒体等。

以医疗行业为例，癌症的诊断一直是医疗界的一个难题。IBM Watson for Oncology是一个辅助癌症诊断的解决方案。

首先，沃森分析患者的病历。沃森肿瘤分析系统拥有先进的能力，可分析临床记录和报告中的结构化和非结构化数据的含义和上下文，吸收以普通英语编写的关键患者信息，这些信息可能对于选择治疗方法至关重要。

接下来，沃森识别基于证据的潜在治疗方案。通过将患者文件中的属性数据与临床知识、外部研究结果和数据相结合，沃森肿瘤分析系统识别潜在的患者治疗方案供医生考虑。这种学习能力单纯依靠通用型的深度学习技术是无法实现的，人工专家的介入必不可少，这正是IBM行业经验所带来的优势。

最后，沃森从大量来源中查找并提供支持证据，包括创建的文献和原理，以及290多份医疗期刊、超过200部著作和1 200万页文本。沃森将识别的治疗方案进行排列，并将每种方案的支持证据的链接在一起，为医生筛选出一个潜在的治疗方案清单，并为每个方案提供一个按百分比显示的确信度与风险级别。

最终的治疗方案的选择交给医生来决定，因为IBM认为，认知计算不是代替人类决策，而是帮助人类更好地决策。如果没有沃森的帮助，单靠医生几乎不可能从如此海量的文献中选择治疗方案，而是根据自己知识积累去做判断，这大大降低了癌症治疗的准确性。

自从新闻写作机器人出现以后，媒体业就经常有人担心自己的饭碗。IBM认知计算同样具备写作助手的能力，但是IBM的目的不是代替编辑，而是成为他们强力的采编助手，帮助他们更好、更快、更有针对性地完成自己的工作，完成新闻写作。

试想一下，如果你是一名健康栏目记者，为了完成一篇关于某种疾病的报道，除了采访，你往往还需要阅读几十篇甚至上百篇关于这种疾病的论文。记者对于这些疾病就像“门外汉”一样，所以想要理解这些论文的意思，往往需要花费很长的时间。如果将这些都交给沃森去做，你在采访之前可以将需要阅读的文章交给沃森，让它“读”完这些文章之后，将重要的部分罗列成一个清单。这样你只要一瞥沃森的清单，就可以了解论文中的重要内容。

在社交媒体尚未出现之时，除了有受众通过热线电话提供新闻线索以外，更多的时候记者需要依靠自己积累的“线人”来获取新闻线索。但当社交媒体崛起之后“记者+线人”的合作模式已经无法抢占时效性。有记者开始直接在社交媒体上获取新闻线索。但海量的数据，根本无从下手，如果你有沃森就可以在短时间内将社交媒体平台上新近发表的内容“读”个遍，随后选择出与你的媒体定位最契合的新闻线索，供你使用。当然沃森还可以检索新闻线索下的评论，看是否有质疑的评论，从而帮助你甄别虚假新闻。

对于传统企业而言，也无需对人工智能的到来心怀恐惧，专注于自身行业经验的积累，选择合适的人工智能服务商合作，将人工智能用于行业价值的挖掘，将为企业带来无限的想象空间。