普遍的五个AI神话是什么？

我知道五个最普遍的AI神话具体指的是什么。

1.神话 1：AI 是一把万能钥匙

适用性至关重要。AI 驱动的业务改进与许多技术密不可分。 例如，在众多 AI 技术中，深度学习通常最适合用于解决与视觉、语言和其他预测模型中的 底层（通常是大型）数据集相关的问题。从虚拟助手到欺诈检测，深度学习正在改变我们 的工作和娱乐方式。在这些场景中，传统机器学习技术可能不太有效。

但 AI 并不一定适用于应对每一项业务挑战或实现每一项期望成效，尽管在媒体宣传时经 常会过度神化 AI 的适用性。组织首先需要确定 AI 是适用于更广泛的战略计划，还是仅适 用于解决特定的业务问题。本文在“重新思考您的 AI 方法”部分中更全面地探讨了这一主 题。企业可以从评估其整体“数据财富”入手，并分析具体的业务问题。

2.神话 2：只有深度学习才是真正的 AI

大型企业正在运用混合数据科学、传统机器学习、深度学 习和预处理技术来解决各种不同的业务问题并实现重大 业务价值。 在过去十年中，AI 研究中的许多进展都发生在深度学习领域。随着社交媒体、搜索、零售 和流媒体的兴起，以及在商业模式中嵌入深度学习的其他 B2C 平台的爆炸式增长，坊间 开始流传关于 AI 的这样一个神话 — 只有深度学习才是人工智能。

实际上，深度学习只是企业分析工具箱中用于实现 AI 的众多工具之一。 从概念上来说，对深度学习成本的担忧可能会导致 AI 研究的未来方向和性质面临重大挑 战（请参阅第 11 页的“成本会导致深度学习消亡吗？”）。在实际应用中，企业通常可以 通过比较概念验证或试点中的实际结果来确定深度学习有哪些不足。

3.神话 3：降低成本是 AI 的最佳发力点

运用 AI 来解决业务问题确实有助于降低成本，但这并不 是 AI 的唯一作用。领先的组织正在从战略层面积极运用 AI 来建立差异化优势，并通过提升流程效率、推动业务增 长和开展商业模式创新来释放营收潜力。

成本固然重要，但增长、创新和社会公益更加重要。IBV 研究表明，许多组织一直将以客户 为中心的增长列为 AI 对业务影响最大的首要领域。 我们想知道这种对营收的关注是否更多出于愿望，而非现实。不过，在调研期间与高管对 话的过程中，我们发现了几家成功将愿望转化为现实的企业。

4.神话 4：AI 无捷径

尽管 AI 模型的应用场景因行业和部门而异，但越来越多 的“现成”基础模型和预训练模型可以为企业数据科学家 提供更具成本效益的切入点。

自 2016 年以来，IBM 商业价值研究院（IBV）持续采用系统化方法来量化企业 AI 的各种 趋势。2020 年IBV的一项意外发现就是，“技术可用性”再次成为 AI 采用的头号障碍 。我们不禁 要追问：技术可用性为何再次成为 AI 采用的头号障碍？

我们对此的解释仍然是，组织最终意识到掌握适当数据技能的员工是让 AI 技术发挥效用 的必要条件，但只有这一项条件是远远不够的。许多企业都聘请了数据科学家来训练各种 数据集，这些数据科学家们也在尽职尽责地完成这项任务。但是，针对每个业务问题，企 业通常都需要采用与之前不同的 AI 模型，似乎都要从零开始。企业无法通过简单有效的 方法来重复利用过去的成果。

5.神话 5：AI 仅为眼前的问题提供价值

企业内部和企业间出现的 AI 网络效应正在推动整个企业 创造真正的业务价值。

得益于不断增长的数据源和日益增强的数据利用能力，组织积累了越来越多的数据财富。 通过从战略层面推动深思熟虑、合乎伦理的 AI 项目，企业不仅将获得丰厚的经济回报，而 且也将积极拥抱开放式创新。而这又进一步提升了规模经济效益，一些领先的 AI 采用者 更是成效显著。正如我们在 2020 年的 AI 业务价值报告中所指出：

“网络效应（即使只是发生在企业内部）似乎进一步放大了 AI 投资的效益。初步分析表 明，组织在其业务运营的一个领域投资发展 AI 往往会增强其他领域的适应性和弹性，从 而实现相应的财务收益。例如，针对一个职能中的数据治理和访问策略的改进可以扩展 至相邻的其他职能，从而融合为跨工作流合作和协作的一部分。组织中的核心或骨干职能 （例如财务、IT 或人力资源）具有特别强大的跨组织影响力，这些职能中的 AI 投资尤其 能够发挥这种网络效应。”