當我們討論AI帶來巨大變革的同時，我們在討論什麼呢？帶著對這一問題的洞見，MIT人工智慧實驗室主任Daniela Rus做了主題為「人工智慧驅動商業決策」的演講，分享了包括AI對於交通、安全、醫療、金融等行業影響。（註：回復RUS下載演講PPT）

「機器和人可以協作互相支持、相輔相成。機器最擅長的，人最擅長的可以有益結合起來。經常有人問我，人和機器是否是競爭性的？人和機器不應該是競爭性的，如果兩個可以協作的話，可以實現1+1大於2的效果。」 美國人工智慧學會院士、MIT人工智慧實驗室主任Daniela Rus在2018品友互動人工智慧大會上說。

「比如機器有很好的記憶，比人的記憶力好很多，對於人來講，人可以整合，有大局觀，可以抽象思維，以及規劃。所以如果說機器最擅長的和人最擅長的結合起來，可以創造出一個AI的系統支持我們企業的決策，利用數據作出驅動做決策。」

4月19日，2018品友互動人工智慧大會在上海舉行，Daniela Rus做了主題為「人工智慧驅動商業決策」的演講，分享了包括AI對於交通、安全、醫療、金融等行業影響。

Daniela Rus是誰？

集萬千榮譽於一身的Daniela Rus，每一個頭銜，都含金量十足：美國國家工程院院士，美國人工智慧學會(AAAI)院士，麻省理工學院計算機科學與人工智慧實驗室(CSAIL)主任，麻省理工學院電氣工程與計算機科學教授，電子電氣工程師協會(IEEE)院士，國際計算機學會(ACM)成員。

不僅如此，Daniela Rus還是CSAIL歷史上第一位女性主管。在她的帶領下，CSAIL已經研發出具有編譯器的機器人，以及把迷你機器人應用在醫藥行業。此外，實驗室還成立了軟機器人技術小組，研發出可以智能抓取的3D列印軟抓手，突破了傳統機器人的種種限制。這都大大改寫了機器人領域以往的研究路線，真正實現了創造性。

以下為AI商業周刊對Daniela Rus演講內容，以第一人稱陳述的方式整理：

AI解放勞動力

AI技術可以讓機器有推理的能力，可以像人一樣去觀察、交流、思考、學習，這就是我所謂的休息時候的自主。它可以讓我們更好地去處理認知方面的一些工作，但是未來還有很多勞動方面的這種任務可以更好地去解放出來。

人工智慧可以讓機器去推理，機器學習可以去研究數據讓他們去學習、預測、自我完善。這些技術合在一起可以帶來深刻的變革和影響，我們能夠更好地去製造藥品、治療疾病；我們能夠更好地去確保大家能夠以更安全的方式避免交通事故出行；我們可以去實時地實現跨語言的溝通；我們也可以更快捷、便捷地運輸產品和服務；我們也能夠讓所有人有能力去學習，我們也能夠讓所有人能夠關注大局，然後有戰略地思考，因為機器可以代替我們做一些簡單的日常的工作。

我們現在一直在討論這些巨大的變革，因為看到有三個方面的進步正在同時發展：

第一個是計算力，大家應該了解摩爾定律，計算力已經足夠快，可以處理大量的數據。現在我們有大量的數據，也可以實時地去處理這些數據；

第二是演算法的進步，演算法是解決問題的，可以讓技術能夠處理數據，然後給我們產生想要的結果。

第三是巨大的數據，在並行發展的過程當中有幾個里程碑，2011年，IBM沃森生產的機器，能夠在「危險邊緣」這個節目當中贏得冠軍，打敗了人類；2011年以來我們看到越來越多機器的能力在不斷提升；2012年機器學習在圖像識別當中取勝；2014年移動終端產生的數據已經超過了人的總數，因為這樣一個發展，2017年我們每天產生的數據是2.5QBT。

我們解決運用的方法可以分為三類：監督學習是我們利用數據在輸入和輸出當中找到關係，人們要去理解；非監督學習是機器要去理解數據到底是什麼，利用數據去找到規律，然後去進行分類，這個時候數據不一定要進行人工的標籤；再就是強化學習，讓機器知道如何去行動做決策。

AI如何創造商業價值？

>>AI+醫療：MIT已實現97%-99%的乳腺癌檢測準確率

所有的企業只要有數據，他們都可以從中受益匪淺，因為我們的技術、機器可以處理大量的海量數據，找到規律，然後去理解這個數據到底代表什麼樣的意義。

第一個例子醫療領域，今天的機器能夠識別的影像資料是在醫生當中能夠閱讀的影像資料。比如說淋巴結，他們可以去分別到底是腫瘤還是不是腫瘤。跟人的錯誤率相比，一個是3.5一個是7.5，如果合起來就是0.5%的錯誤率，這是非常不可想像的非常強大的進展。

因為機器有比人類更擅長的，人類有比機器擅長的，如果你把這兩個結合起來的話，在決策的時候，人類能夠做什麼、機器能夠做什麼，然後彼此擅長什麼，然後把這個信息用在指導機器去做決策上，在醫藥行業我們看到，在世界上最先進的治療中心已經在運用了。

但是未來有可能會用在所有人身上，即使你是一個農村的醫生，如果他能夠利用機器為病人提供最先進、最有意義的治療，然後獲得臨床的研究支持，這些簡單的想法無論是醫學還是在其他的領域都是可以適用的。

現在我要談一下在我們MIT和麻省醫院合作的項目，通過機器學習，我們可以達到97%-99%的乳腺癌的檢測準確率。由此，我們也可以去避免那些對於良性腫瘤的手術，如果說我們的家人有腫瘤史的話，你就知道這些工具對你來說會有多麼的重要。

>>AI+金融：幫助人找到市場規律

在金融領域每天我們都要創出大量的數據，金融行業在美國和中國的發展都非常迅速，尤其是互聯網金融。我們想像一下，如果說有一個小助手在幫你跑很多的差事幫你處理數據，找到一些有趣的規律，把這些規律交給人讓你去做出決策，所以你可以就此來進行決策和行動。

隨著機器學習以及大量的數據處理，現在我們用聊天機器人就可以幫助我們去改變金融領域的從業方式（在零售業和其他行業也有此類進展，我們可以利用此類系統來提升客戶推薦，通過分析過去的數據，由此向客戶去推薦更為平衡的購物的選擇），這些系統也可以幫助我們去進行金融分析。幫助我們去在金融市場出現變化之前去預測此類變化。我們用大數據、區塊鏈也可以建立起更高的信任和系統的問責性。

>>AI+法律：律師不用再去記大量的案例和法律文件

其實計算科學已經改變了我們閱讀文件的方式以及我們去查找一些事實的方式，在文本的領域當中，自然語言處理技術，現在通過機器，我們可以閱讀整個圖書館的文件和書籍，由此我們的律師就不用再去記上千本書或者說是大量的案例和法律文件了。

律師可以去通過機器找到最近的案例和判例，由此來支持當今的案例，也可以去判斷法官可能會對目前的案例採取一個什麼樣的判決。

所以說這是一個讓人非常感到興奮的圖景，我們的自然語言分析可以自然應用，我們可以分析整個圖書館的文字，從而創建出相應的信息幫助你做出決策。

>>AI+交通：更好地實現汽車供需匹配

交通非常的重要，因為它廣泛地影響到了我們的生活和業務，因為我們需要在商業的過程當中去搬運貨物。

通過AI，我們可以使運輸變得更加的愉悅、輕鬆，我想大家可能都在上海、北京或者波士頓都經歷過交通堵塞，大家不喜歡這樣的場景。我們在MIT做了這樣的研究，我們開發出了一套機器學習的系統，我們可以將供需進行銜接，這個銜接是比系統更加高效，通過這套新的方案我們可以展現出所有的交通需求，比方說像紐約的這些公交車和計程車的車隊，他們每天收到上千個需求，可以通過三千個計程車的小車隊來進行滿足。

所以說我們可以用更小的數量去更加高效地進行優化處理我們的需求。我們想像一下如果路上的車變少了，這是因為我們現在可以進行更好的供需匹配可以更加減少汽車車輛的數目。

>>AI+零售：找到客戶潛在的需求

說到交通運輸，我就要講一下關於供應鏈和零售了，現在在圖像處理和文本處理方面，我們可以用它來改善我們供應鏈和零售的需求，我們可以用圖像來識別我們的顧客以及去展現出我們的顧客是否在說謊。

通過對於顧客行為的追溯以及他們消費需求和消費歷史的分析，我們可以找到這些個人是如何跟系統進行交互的，由此我們可以實時分析客戶的需求。

我們也可以去找到客戶潛在的需求，由此我們就可以去實時地向客戶發送一些在線的優惠券，我們也可以進行分類，通過自動結賬等等系統，當我們的客戶幫超市建立起智能庫存，就可以實時預測我們的需求在哪裡，由此將我們的庫存運送到真正需要它的地方，並且是實時、準時的。

今天我們用AI技術可以做更多的改善，可以用自然語言分析系統找到客戶他們在社交網路上的發言，也可以去向我們的公司和供應鏈提出預警，我們也可以去追溯一下人們的溝通方式。其實現在我們的語音識別信息它已經達到了0.5%的誤差率，這和人類的翻譯其實已經達到了差不多的水平上。

>>AI+能源：可以削減數據中心30%能源消耗

另外一個機器學習的應用場景，也是我最為感興趣的方面，就是在能源領域，谷歌近期使用一個新系統，可以大幅地削減數據中心的能源消耗，可以削減40%。其實數據中心已經消耗了全球1/3的能源消耗，可以大幅減低此類消耗，對於我們的環境也有非常大的幫助。

總結

通過下圖我們可以看到哪些是AI應用最為先進的領域，哪些又是比較滯後的，比如金融服務業是整個採用人工智慧比較領先的區域。

人工智慧在各個領域應用指數

在教育、旅遊等等方面是比較滯後的，如果你是處於這些滯後的領域當中的，那就意味著你有著大量的機遇，你可以去採用最新的技術去提升自己領域的業務。

未來，人工智慧有四個領域的機遇——第一個領域是推動個性化和定製化；第二個是利用自然語言來更好地去闡述和解讀語義；第三個利用機器學習來提效、增加我們時間的質量；第四個領域是如何用推動機器和人的協作。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！