正文
我们已经见证过在各个领域出现的机器智能早期使用案例。例如，一家运行着美国最大医学研究计划之一的领先医院，正在「训练」其机器智能系统分析存储在数据库中的 100 亿个表型和遗传图像。在金融服务领域，认知销售代理使用机器智能主动联系潜在的客户，然后获取资格进行随访，维护这一商机。这个认知助手可以解析自然语言，理解客户对话问题，同时处理多达 27,000 个会话，支持语言多达几十种。
随着越来越多的公司正在应用机器力量，在接下来的几个月中，我们有望看到更多类似的案例。机器智能在各个领域的支出已经增加，预计在 2019 年将达到 313 亿美元左右。[1] 它也成为 CIO 的优先考虑事项。德勤「2016 年全球 CIO 调查」要求 1200 名 IT 高管指出他们计划在未来两年内大幅投资的新兴技术。包括认知技术，其中机器智能占到 64％。[2]
一、数据，前所未有
我们今天认为，在 20 世纪 50 年代发展的认知计算很有远见，它能够使技术模拟人类智能。虽然有些原始的人工智能技术在 20 世纪 80 年代具有商业可用性，但是直到 21 世纪，人工智能——以及包括新兴机器智能趋势在内的认知计算能力，才真正地起飞。[3]
指数级数据增长：
数字世界——即我们每年创造和复制的数据——每 12 个月就会翻倍。事实上，预计到 2020 年它将达到 44 皆字节（zettabyte）。我们还知道，随着来自物联网，暗物质分析和其他来源的新信号激增，数据将增长得更快。从商业角度来看，这种爆炸式增长将转化为比以往任何时候都更有潜在价值的数据源。除了使用传统分析技术揭开新洞见的潜力之外，这些结构化数据以及大量驻留在深度网络中的非结构化数据，对机器智能的进步至关重要。这些系统消耗的数据越多，通过发现关系，模式和潜在暗示，它们就能变得「更聪明」。
要想有效管理快速增长的数据量，就必需用高级方法来掌握数据，存储，保留，访问，上下文和管理。从连接设备生成的信号到所有业务和功能系统历史交易数据背后的线路电平（line-level）细节，处理数据资产成为机器智能目标的关键组成部分。
运行速度更快的分布式系统：
随着数据量和分析复杂度的增加，能让个人用户可以访问数据的分布式网络已然更加强大。如今，我们可以快速地处理、搜索和操纵大量数据，这在几年前是不可能的。当代微处理器的性能是 1971 年出的第一款单芯片微处理器性能的 400 万倍 [6]。微处理器的这种强大性能使得先进系统（比如，支持多核和并行处理）的设计成为可能。同样，它也使得我们能够设计出先进数据存储技术，用来支持快速检索和存档数据分析。从 MapReduce、内存计算、机器学习技术（比如谷歌的张量处理单元）的硬件集成中，我们可以看到技术正在发展，优化我们有效处理指数级数据的能力。
除了纯粹性能和速度方面的提高，分布式网络的应用范围也越来越广。它们现在可以与云基础设施、云平台和云应用程序进行无缝对接，并能够消化和分析不断增长的云数据体量。它们也提供对来自网络「边缘（edge）」功能，比如物联网、传感器和嵌入式智能设备的流数据进行分析和驱动所需的能力。
更智能的算法：
近年来，日益强大的机器学习算法正朝着实现认知计算的原始目标——模拟人类思维过程——的方向稳步推进。
由于机器智能使用实例将于未来 18 到 24 个月内出现 [7]，以下这些算法性能可能会在公共及私营单位得到更广泛的应用：
-
深度学习：
开发人员正致力于涉及人工神经网络的机器学习算法，其灵感来源于大脑结构和功能。互联模块运行的数学模型是基于大量输入数据的处理结果进行连续调整。深度学习可以是监督型（需要人为干预来训练基础模型的演化）或无监督型（基于自我评价来自主改善模型）。
-
概率推理：
人工智能的新性能是使用图形分析和贝叶斯网络来确定随机变量的条件依赖性。
-
语义计算：
此认知范畴包括计算机视觉（分析图像的能力）、语音识别（分析和解释人类语言的能力）和各种文本分析能力，用以理解自然表达中的意图和计算内容的语义等。然后使用这些信息来支持数据的分类、映射和检索。
-
自然语言引擎：
自然语言引擎可以理解人类的手写文本，还能以许多复杂的方式来操纵那些文本，比如自动识别文档中提到的所有人和地点；识别一个文档的主题；或从一堆人类可读的合同文本中提取出条件和术语并制成表格。两个常见的自然语言引擎是：侧重于消费人类语言的自然语言处理技术和侧重于创建自然语言输出的自然语言生成技术。
-
机器人程序自动化（Robotic process automation/RPA）：
软件机器人，或者说「bot」，可以通过模仿人类与软件应用程序的互动方式来执行日常业务流程。企业开始采用 RPA 配合认知技术（比如语音识别、自然语言处理、机器学习）来自动执行感性的和理性的、曾经是人类专属的任务。[8]
二、机器智能如何创造价值
对于 CIO 来说，应用机器智能将需要一种新的数据分析思考方式——它不仅仅是一种创建静态报告的手段，也是一种利用更大、更多样的数据语料库来自动执行任务和提高效率的方法。
在机器智能方面，以下是可供 CIO 参考的一系列机会：
认知见解（Cognitive insights）：
机器智能可以提供深度的、可操作的可视性——不仅是针对已发生的事情，还有正在发生和即将发生的事情。这可以帮助企业领导人进行预先决策以帮助工作者提高其工作表现。例如在全球各地的呼叫中心，服务代表使用多功能的客户支持程序来进行产品答疑、订单处理、帐单问题调查及其它客户服务。在很多这样的系统中，工作者一般必须在屏幕之间来回跳跃以访问所需回复特定查询的信息。
认知参与（Cognitive engagement）：
机器智能价值树的下一个层次是认知代理（cognitive agents），即采用认知技术来与人进行交互的系统。目前，这种技术更多应用于消费者服务而非企业服务。它们响应语音命令来降低恒温器温度或打开电视频道。然而也开始出现了一个新的应用领域，有一些商业任务和流程可受益于这种认知参与。它们或许能提供复杂的信息，执行一些数字任务，比如病人入院或推荐产品和服务。它们可能会在客户服务方面提供更大的商业潜力，也即认知代理可能通过处理帐单或帐户交互、应付技术支持方面的问题以及回答员工人力资源相关的问题来取代一些人类代理。[9]
