“你的工作什么时候会被人工智能（AI）取代？”这个被热议的话题近年来一再成为焦点，不过最近加州大学伯克利分校教授、美国三院院士Michael Jordan先生表示，人工智能和机器学习真正称得上“智慧”还言之尚早，“现今的我们并非处于一个人工智能的神奇大爆炸时代。我们可能还要再花上百年时间，才能把这座高楼建起来。”
在Jordan先生看来，我们需要的不是一个简单的算法，而是去创造一个市场。把用户和企业两端的需求结合起来，先让这个领域的交互、操作变得容易，再逐步地调整学习，人工智能才能变得真正智能。IT互联网这些年来的发展规律显示，需求侧的应用深化会反过来推动技术的发展，在人工智能领域也不例外。不过，所有需求都存在于各行各业的第一线，如何将这些需求与最前沿的人工智能技术相结合，正是微软亚洲研究院近一两年来思考的问题。
现阶段，AI发展的核心就是数据，没有数据，就没有现在的人工智能。在各行业的一线都积累、沉淀了大量的数据，如果可以进行有效、充分的利用，那必将带来行业的变革。在微软看来，AI领域的学术研究也必须要与各个行业紧密结合，只有这样才能碰撞出跨界创新的火花。如今，金融、物流、零售、制造、医疗等行业都呈现出AI深度渗透的趋势，那么各个领域与AI将如何结合，现在又有什么最新进展呢？
海量数据+AI：颠覆金融应用场景
在华尔街，用机器设定股票期货的买卖点、系统自动交易等已经是新常态，AI早已成为金融企业增强核心竞争力的杀手级技术；无论在街角，还是在互联网上，社区银行服务、个人消费还贷等服务，也因为AI元素的渗入而越来越便利。它们的共同点则是利用大量数据去分析收益节点和金融风险，数十亿美金的投资有风险，个人消费贷款亦有坏账可能，金融机构要做的就是从可以得到的数据中，去决定如何投资以及如何降低风险。
数据和信息的极大丰富是这个时代最大的馈赠，而它们也正在颠覆着最常见的金融场景。例如，个体借贷人的任何数据都可能透露关键信息，哪怕是发布的朋友圈、运动手环的定位，都可以成为信息来源；面对层出不穷的理财、保险新产品，到底哪款最适合自己，可能专业的理财顾问、保险咨询师也未必能马上给出最贴切的答案。一端是数据和信息的爆炸，另一端是有效信息的分析、总结和传达受阻，在用户与服务提供商之间的信息鸿沟，就是AI在金融行业很有潜力的切入点。
机器更擅长数据的记忆和整理，要让它们更具智能，拥有更强的分析能力，便是AI现阶段的目标。为不同的客户推荐适合的理财、保险等金融产品，提供“千人千面”的金融服务，在未来几年，将会有非常巨大的想象空间。
在金融行业的后端，AI发力的空间同样巨大。类似“过去50年之间利息上涨0.5%对整个市场有怎样的影响？”这样看起来不算复杂的问题，对于人类来说，也许只有资深分析师才能清晰阐释，但人工智能却可以通过对比时间轴数据，快速挖掘相似历史情境下的类比模型，甚至进行分析和预测。这两者间的差别在于，分析师要得出这样的模型，可能需要数十年的从业经验，而AI却可以在行业专家的帮助下快速打通领域边界。
几年前印度洋的海啸，让泰国很多城市都遭受了洪水灾害。而不为人知的是，海啸冲击的不仅仅是普通民众的家园，全世界的PC供货量也因此受到影响，这是因为泰国是不少PC配件的制造产地。一般来说，海啸洪水与PC供货量之间的关系，大家不会轻易察觉，但却是实际存在的，对于这类隐秘的内在关联，行业分析师完全可以利用AI和大数据去发现，并做出相应地判断。
同样，今年美国德克萨斯州所遭遇的洪水灾害导致不少炼油厂停产，这对油价必定产生影响。由于整个生态链上游、中游、下游所涉及的影响因素复杂，因此具体会是怎样的影响，则需要进一步分析。炼油厂处于整个生态链的中游，炼油厂停产不仅会导致下游成品油价格的上涨，上游的原油也很可能销路不畅，从而价格下跌。在现实世界中，类似的情况还有很多。如何加入更多变量，在更广的范围内，建立更合理的模型，这些也都是金融AI正在探讨的问题。
今年6月，微软亚洲研究院与华夏基金宣布了就人工智能在金融服务领域的应用开展战略合作研究，研究方向包括通过模式识别预测市场走势、基于深度学习挖掘影响市场的重要因素、基于机器学习方法论进行行业轮动的研究、基于大数据构建金融图谱、基于社交网络与应用软件等使用数据，识别并深度了解客户等。我们希望借此机会可以共同研究AI+金融的疆界，推动金融行业的智能化转型。
让海量数据和信息真正发挥价值，是金融AI的使命所在。以前分析师经常是巧妇勉强为少米之炊，现在原“材料”大大丰富，“巧妇们”则可以利用更高效的AI工具，让数据做出更好的“饭菜”。分析师们的职责也将会相应地调整为，基于多年的行业经验对AI分析出的结果进行“翻译”和“解释”，并反过来去验证和优化之前搭建的模型。AI+金融所带来的并非人力的取代，而是重新分工，AI（人工智能）+HI（人类智能）的结合，将大大提升整个行业的生产效率。
品牌零售商，用AI定位调性
在北京微软大厦里有一台新式的自动贩卖机，它来自微软加速器成员甘来公司，表面看起来这款自动贩卖机和路边的贩卖机模样没有太大差别，不过它的玻璃外罩内藏玄机，走近它你就会发现，玻璃外罩同时也是一块屏幕，就像是机器的眼睛，可以识别购物者的性别、年龄，甚至挑选货物时的表情。如果在它面前待一阵子，它也许会找你搭讪，借机向顾客推荐一些可能感兴趣的小饰品等等。当顾客刷信用卡、微信、支付宝结账时，消费习惯、互动记录就都被存储下来了——对零售商而言，这就是最新鲜、宝贵、真实的一手数据。
这台贩卖机，可以认为是AI+零售的一个雏形。很多AI技术诸如人脸识别、计算机视觉、自然语言处理等都可以应用到每个超市的收银台，商家并不需要识别某个具体顾客的特征，就可以得到整个消费群体的画像。像耐克、ZARA、星巴克等知名品牌商，近几年也越来越关注其客户和潜在客户的特征演变。以前要通过抄价员、调查员去做的工作，今后与AI结合起来，相关工作将可以更加简便、精确和高效地完成，从而更好地定位品牌调性。
此外，像“消费者喜爱什么样的产品“、”库存应该准备多少”这类更加具体的问题，在零售AI的帮助下，也将不再是难题。例如，无人商店的兴起，以及通过天气预报去预测口罩、空气净化器的销量和库存等，都可以在人工智能的帮助下分析和预测得越来越精准。
物流、制造业等“后台”行业，因AI而变
除了金融和零售行业，物流业也是AI快速渗入的行业之一。无论是身边随处可见的共享单车，还是快递/外卖小哥背后的物流系统，抑或是海外购、全球贸易涉及的全球物流体系，都在人工智能的影响下发生着巨变。
细心的人们也许会发现，无论你周末回家把共享单车停在哪里，周一早上急匆匆要去地铁时，总能在小区门口找到一辆小黄车/小蓝车/小桔车…… 五颜六色的共享单车是怎么被放在你觉得“刚好需要一辆自行车”的位置呢？这背后便是AI与大数据的功劳。
同样，在双十一这样的物流高峰、晚八点的外卖高峰，快递/外卖小哥是如何最节省时间地把货物、商品送到你的手中的？其实这些问题与共享单车的流量分析本质上是相同的，订货数据、仓库部署、路线规划，都因为大数据分析悄然发生了改变。甚至在某些物流企业的后台，随着数据量的剧增，他们所得到的行业洞察已经远远超出人们所想象。
另一个充满“未来感”的场景则发生在制造行业，事实上，工业4.0、中国制造2025都可以看作是AI在制造行业应用的未来憧憬，越来越智能化的机械臂、机械手、感应器，已经在很多无需与人类有太多交互的场景下深度应用。微软加速器孵化的几家企业在这方面也做出了有益的尝试，例如使用无人机技术去发现发电风车、高压电缆等特种设备材料的裂缝，并进行相应地维护工作等等。
相比较而言，在物流、制造业等无需与最终用户有太多交互的应用场景下，人工智能的应用速度相当快速。而早期为大家所看好的医疗、健康等领域，反而因为受到各种管理机制、人类互动的约束等限制，人工智能的应用进展比较缓慢。这也让我们可以更好地去思考，哪些行业可能会成为AI早期的切入点和突破口？而哪些行业可能会面临之前没有考虑到的阻碍因素？
创新汇：与行业对接，让AI更“接地气”
看到AI给各个行业带来的影响和变化，作为人工智能研究的先行者，微软亚洲研究院自然希望能够在人工智能时代即将开启的这个节点，进一步推动AI+行业的深化，加速人工智能时代的到来。于是，我们有了成立“创新汇”的想法。我们希望“创新汇”作为一个汇聚微软亚洲研究院顶级科技专家与各行业专家创新智慧、经验、技术的平台，能够让微软亚洲研究院与中国市场上的大型企业、投资机构、政府部门建立更加广泛和深入的合作纽带，为大家搭建跨行业的沟通平台，共同探讨AI时代的技术创新。
尽管微软亚洲研究院拥有领先的AI科研技术和强大的科研实力，但科研人员对于现实中的行业应用场景并不了解，也没有真实的行业数据。原先基于少量数据就可以建立模型的时代已经过去，未来的AI一定是建立在大数据基础之上的，因此AI与行业的结合是必然趋势，现在恰恰是最好的启动时间点。
一个很有意思的例子是，研究院推出的英语口语学习应用“微软小英”作为口语初试的“评审”在参与一次青少年英文演讲大赛时突然发现，之前因为没有考虑到青春期孩子正处于变声期这一特点，而使用了成人语音训练出来的模型。当然这个问题很快得到了改进，却也同时提醒我们，真实的应用场景必须从真实的生活和生产中提炼出来。
因此，让AI更“接地气”才是让AI快速发展的正确思路。借助“创新汇”，让研究人员与行业专家坐下来深入探讨行业的痛点是什么？未来三、五年的变化是什么？在新的AI技术格局下，企业该如何高屋建瓴地去构建技术体系和架构？等等，解决了这些问题，AI迅速转化为生产力才能真正落地。
来源：http://geek.csdn.net/news/detail/247610