人类和机器：生产力天堂中的天作之合。 如果没有我们的机械化主力，我们的物种就不会走得太远。 从彻底改变农业的轮子到将日益复杂的建筑项目结合在一起的螺丝，再到今天由机器人驱动的装配线，机器让我们的生活成为可能。 然而，尽管机器看似无穷无尽，但人类长期以来一直对机器感到恐惧——更具体地说，是机器有一天可能获得人类智能并独立生存的可能性。
但我们倾向于既着迷又害怕地看待有感知机器的可能性。 这种好奇心有助于将科幻小说变成现实的科学。 二十世纪的理论家，如计算机科学家和数学家艾伦·图灵，设想了一个机器可以比人类更快地执行功能的未来。 图灵和其他人的工作很快使这成为现实。 个人计算器在 20 世纪 70 年代开始普及，到 2016 年，美国人口普查显示 89% 的美国家庭拥有电脑。 机器——即智能机器——现在只是我们生活和文化的一个普通部分。
这些智能机器变得越来越快、越来越复杂。 一些计算机现在已经突破了百亿亿次阈值，这意味着它们在一秒钟内执行的计算量相当于一个人在 31,688,765,000 年内执行的计算量。 但这不仅仅与计算有关。 计算机和其他设备现在正在获取以前属于我们唯一权限的技能和感知。
人工智能是机器执行与人类思维相关的认知功能的能力，例如感知、推理、学习、与环境交互、解决问题，甚至发挥创造力。 即使您没有意识到，您也可能与 AI 进行过互动 – Siri 和 Alexa 等语音助手都是基于 AI 技术构建的，一些弹出来帮助您浏览网站的客户服务聊天机器人也是如此。
应用人工智能——简单地说，人工智能应用于现实世界的问题——对商业世界有着严重的影响。 通过使用人工智能，公司有潜力提高业务效率和利润。 但归根结底，人工智能的价值并不在于系统本身，而在于公司如何利用这些系统来帮助人类，以及它们以建立和赢得信任的方式向股东和公众解释这些系统的作用的能力。
什么是机器学习？
机器学习是一种基于数据训练算法的人工智能形式。 这些算法可以检测模式并学习如何通过处理数据和经验来做出预测和建议，而不是通过接收明确的编程指令。 这些算法还可以根据新的数据和经验进行调整，以随着时间的推移提高其效率。 现在生成的数据量和复杂性超出了人类的合理范围，增加了机器学习的潜力及其需求。 自 20 世纪 70 年代开始广泛部署以来，机器学习对许多行业产生了影响，包括在医学成像分析和高分辨率天气预报方面取得的成就。
什么是深度学习？
深度学习是一种机器学习，可以处理更广泛的数据资源（例如图像，除了文本），需要更少的人工干预，并且通常可以产生比传统机器学习更准确的结果。 深度学习使用基于神经元在人脑中相互作用的方式的神经网络来摄取数据并通过多次迭代来处理数据，从而学习数据中日益复杂的特征。 然后，神经网络可以对数据做出判断，了解判断是否正确，并使用所学到的知识对新数据做出判断。 例如，一旦它“学习”了某个物体的外观，它就可以在新图像中识别该物体。
以下是机器学习中使用的三种类型的人工神经网络：
前馈神经网络
在这个于 1958 年首次提出的简单神经网络中，信息仅沿一个方向移动：从模型的输入层向前移动到输出层，而不会向后移动以供模型重新分析。 这意味着您可以将数据提供或输入到模型中，然后“训练”模型以预测有关不同数据集的某些内容。 仅举一个例子，前馈神经网络在银行业和其他行业中用于检测欺诈性金融交易。
它的工作原理如下：首先，您训练一个模型，根据您用于手动将交易标记为欺诈或非欺诈的数据集来预测交易是否为欺诈。 然后，您可以使用该模型来预测新的传入交易是否具有欺诈性，以便您可以标记它们以供进一步研究或直接阻止它们。
卷积神经网络 (CNN)
CNN 是一种前馈神经网络，以动物视觉皮层（大脑中处理图像的部分）的构成为模型。 因此，CNN 非常适合感知任务，例如能够根据照片识别鸟类或植物物种。 业务用例包括通过医学扫描诊断疾病，或检测社交媒体中的公司徽标以管理品牌声誉或识别潜在的联合营销机会。
CNN 的工作原理如下：
首先，CNN 接收一张图像（例如字母“A”），并将其作为像素集合进行处理。
在隐藏层中，CNN 识别独特的特征，例如组成“A”的各个线条。
如果 CNN 发现另一幅图像具有之前识别为构成字母的独特特征，则现在可以将其分类为字母“A”。
循环神经网络 (RNN)
RNN 是人工神经网络，其连接包括循环，这意味着该模型既向前移动数据，又向后循环数据以再次运行之前的层。 RNN 有助于预测情绪或序列的结尾，例如文本、语音或图像的大样本。 他们之所以能够做到这一点，是因为每个单独的输入都会单独输入到模型中，并与前面的输入相结合。
继续以银行业为例，RNN 可以像前馈神经网络一样帮助检测欺诈性金融交易，但方式更为复杂。 前馈神经网络可以帮助预测单笔交易是否可能存在欺诈，而循环神经网络可以从个人的财务行为（例如信用卡历史记录等一系列交易）中“学习”并衡量每笔交易 反对该人的整体记录。 除了使用前馈神经网络模型的一般学习之外，它还可以做到这一点。
哪些行业可以从机器学习和深度学习中受益？
麦肯锡整理了 19 个行业和 9 个业务职能部门的 400 多个机器和深度学习用例。 几乎所有行业都可以从机器和深度学习中受益。 以下是跨越多个部门的用例的一些示例：
预测性维护
预测性维护是任何依赖设备的行业或企业的重要组成部分。 公司可以使用预测性维护来预测何时需要维护，而不是等到设备发生故障，从而防止停机并降低运营成本。 机器学习和深度学习具有分析大量多方面数据的能力，可以提高预测性维护的精度。 例如，人工智能从业者可以对来自新输入的数据进行分层，例如音频和图像数据，这可以为神经网络的分析添加细微差别。
物流优化
使用人工智能优化物流可以通过实时预测和行为指导来降低成本。 例如，人工智能可以优化送货交通的路线，提高燃油效率并减少送货时间。
客户服务
呼叫中心的人工智能技术可以为客户提供更无缝的体验和更高效的处理。 该技术不仅仅是理解呼叫者的话语：对音频的深度学习分析可以评估客户的语气。 如果呼叫者感到不安，系统可以重新路由给人工接线员或经理。
什么是生成式人工智能？
生成式人工智能是一种根据提示生成内容的人工智能模型。 很明显，ChatGPT 和 DALL-E（一种用于制作人工智能生成艺术的工具）等生成人工智能工具有可能改变一系列工作的执行方式。 然而，这种影响的全部范围仍然未知，风险也是如此。 但我们可以回答一些问题，例如生成式人工智能模型是如何构建的，它们最适合解决什么类型的问题，以及它们如何适应更广泛的人工智能和机器学习类别。
企业如何利用生成式人工智能？
您可能已经看到像 ChatGPT 这样的生成人工智能工具可以产生无尽的娱乐时间。 对于企业来说，机会也是显而易见的。 生成式人工智能工具可以在几秒钟内生成各种可信的写作，然后响应用户的批评，使写作更适合目的。 这对广泛的行业产生了影响，从可以从人工智能模型生成的即时代码中受益的 IT 和软件组织到需要营销文案的组织。 简而言之，任何需要制作清晰书面材料草稿的组织都可能受益。 组织还可以使用生成式人工智能来创建更多技术材料，例如更高分辨率版本的医学图像。 通过节省时间和资源，组织可以寻求新的商机和创造更多价值的机会。
但开发专有的生成人工智能模型需要大量资源，除了规模最大、资源最丰富的公司之外，其他公司都无法做到这一点。 为了让生成式人工智能发挥作用，公司可以使用现成的生成式人工智能解决方案，也可以对其进行微调以执行特定任务。 例如，如果您需要根据特定样式准备幻灯片，您可以要求模型“学习”通常如何根据幻灯片中的数据编写标题，然后向其提供幻灯片数据并要求其编写适当的标题。
生成式人工智能并非没有风险。 生成式人工智能模型将自信地产生不准确、抄袭或有偏见的结果，而没有任何迹象表明其输出可能有问题。 这是因为这些模型是在互联网上训练的，而互联网很难说是普遍可靠的来源。 领导者在转向生成人工智能作为业务解决方案之前应该意识到这些风险。 有关生成式人工智能的风险以及企业如何缓解这些风险的更多信息，请参阅下面的“人工智能模型的局限性是什么，以及如何克服它们？”部分。
生成式人工智能有哪些具体的业务用例？
生成式人工智能模型正处于扩展的早期阶段，但我们已经开始看到第一批跨功能的应用程序：
市场营销与销售。 生成式人工智能可以制作个性化的营销、社交媒体和技术销售内容，包括文本、图像和视频。
运营。 人工智能模型可以生成任务列表，以高效执行特定活动。
信息技术/工程。 生成式人工智能可以编写、记录和审查代码。
风险和法律。 人工智能模型可以根据大量法律文件回答复杂的问题，并起草和审查年度报告。
研发。 生成式人工智能可以通过更好地了解疾病和发现化学结构来帮助加速药物发现。
虽然生成式人工智能本身具有巨大的潜力，但它与人类结合起来可能会更强大，人类可以帮助它更快更好地完成工作。
