从蒸汽机到电力到计算机，一次次技术进步带来了生产力革命，进而让人类社会的运行效率不断提升，随着AI的兴起，我们正处在第四次生产力革命之中。
如今，我们身处人人都是AI时代，AI如空气一般无处不在，每个人既是AI的受益者，也是AI的驯化师。
通过AI，滴滴实现了3000多万司机与4.5亿用户进行连接，各地政府可以大力推行“平安城市”的安防工作，金融行业的风险防控能力得以进一步提升，医疗疾病的检测手段更加丰富，能够提早预防……
如谷歌CEO桑达尔-皮查伊所说：AI将改变我们工作的方式，而我们要学会适应。
但对于很多人来说，AI似乎只是一种技术手段或是一个个具体app。所以，我认为不管是个人还是企业，我们更应该了解AI底层逻辑——AI思维是什么，以及它的意义。
一、什么是AI思维？
我认为AI不光是一个技术工具，对我们来说它是帮我们有效运用数据、从数据中提取价值的一种思维方法。
每一个与数据打交道的人，都应该具有AI思维。
那么，AI到底是如何“思维”，它的“思维方式”又和产业转型存在什么样的联系？
1.AI如何思维？
2016年，阿尔法狗和李世石的“人机大战”引来各界关注，最终在阿尔法狗强大的运算能力之下，李世石最终1：4落败，可以说阿尔法狗是完虐人类棋手。一时间，在围棋上人类棋手已无法超越AI的事情亦成为事实。
事实上，阿尔法狗的“思维”方式与人类的思考方式大体是相同的，之所以它能够赢，就在于阿尔法狗的“经验”远超人类棋手——每天能够与自己对弈300万局。
通过深度学习，AI(阿尔法狗)的程序之中搭建了两套类人类思维方式的深度神经网络：
一套是“策略网络”，简单来说就是模仿人类棋手的落子方式，同时计算胜率，抛弃掉其中明显会“败”的棋路，使得算量总是在阿尔法狗的控制范围内；
另一套是“价值网络”，简单来说就是阿尔法狗不会一下子搜索一盘棋所有的步数，而是一边下一边进行未来十几步的计算。
所以，AI就是从数据中学习，然后建立模型，AI模型相当于人脑中的规律，通过新的数据（信息）输入，AI会做出一个预测。
反观人类，人类是从经验中学习出规律，一旦头脑中形成规律，碰到新的问题就会做出一个判断，这就是人的思维。
不同的地方在于，人类需要花很长时间学习的东西，对于AI来说是小菜一碟。它就像一个孩子，不断地被数据“喂饱”，然后快速、惊人的成长。
所以，两者差异的本质不在于思考方式，AI也是一样通过大量训练（数据）进行“认知”升级，不断丰富自己的模型。
2.AI思维的4大要素
第一个要素，是数据。
AI往往与大数据形影不离，大数据是AI的“养料”补给，AI则是在挖掘数据的工具。没有了数据的智能产品就不再具有智能化，变成了空壳的机器；没有了AI，大数据也成了杂乱无章的信息流，无法产生任何价值。
我们正处在一个数据井喷的时代，依据智研咨询发布的《2017-2023年中国大数据应用行业市场全景调查及未来前景预测研究报告》显示：全球数据总量的年增长率将维持在50%左右，到2020年，全球数据总量将达到40ZB（1ZB=1万亿GB）。
AI得到的数据越多，能够学习到的东西就越多，做出的预测就会越准确，实用性更强。
第二个要素，是模型。
人类大脑是通过无数神经相互连接而成，我们每做一个决定，都需要无数的神经元参与活动。
AI则是模拟人类神经网络，在此基础上，产生了一系列的深度学习模型（传统的神经网络模型的升级版）。
深度学习强大的学习能力决定了它能够更好地模拟人类大脑的运算机制，它最擅长的是理解和识别图像、视频、声音、文本这样的数据。比如，支付宝的刷脸支付，讯飞的一键录音转文字等等。
数据不一样，场景和任务不一样，模型不一样。但是，场景是基础，离开场景建立模型，没有任何意义。
第三个要素，是算力。
AI思维的实现需要很强的计算能力的支撑。对人工智能来说，经常需要成百台上千台计算机连接在一起，进行大规模的运算。
比如，谷歌X实验室推出的谷歌大脑就是将16000台计算机的处理器连接在一起。
此外，还需要GPU的助力，由于AI需要运行巨大的算力，CPU远远不如GPU。
之前提到过，AI的学习可以基于神经网络，而神经网络是一种并行结构（多任务同时处理），单个节点的计算并不十分复杂，但是节点很多。
而CPU的单个核心任务繁重，无法处理很多节点的任务，GPU则是有许多个核心，擅长高速运算（浮点计算），GPU比CPU更适合深度学习中的大量训练和预测任务、大量矩阵、卷积运算。
第四个要素，是业务模式。
AI的落地，最重要是在具体场景之中的得以应用，通过赋能业务模式，对业务模式进行创新，是AI发展的必经之路。
比如，在金融领域，传统上我们的银行机构只对征信良好的用户发放贷款，而征信记录不良的用户得不到相应的贷款服务。
单纯使用人力去判断一个用户的信用是费时费力的事情，工作效率低下。但通过人工智能，我们能在很短的时间内对用户的信用状况进行分析和判断，决定是否向其提供贷款服务。这样不但减轻了银行工作人员的工作负担，还提高了工作效率。
因此，AI思维的基础在于数据，而核心在于模型，实现在于算力，应用在于业务模式。
AI思维在于不断地提升认知，通过数据驱动决策，决策创造价值。
二、AI思维是一把手工程
1.管理者一定要正确看待AI
很多中、小企业的一把手认为：AI离我们太远，我们既没有技术人才，也没有研发资金，想运用AI技术来转型，是十分困难的。
但是，我要指出的是：AI应用的落地成本越来越低，AI的基础技术人才我们国家不缺，AI也并非是被互联网巨头垄断的。
为什么我会这么说？
首先，人才方面，在深度学习得到广泛推广和普及的当下，博士生就不用说了，硕士生甚至很多本科生都可以用工具包来建立模型。我觉得基础的技术能力，我们是具备的，并且量也很多；
其次，中小企业数量之多，涉及行业之复杂，需求之多元化，互联网巨头是不可能“垄断”的。因为互联网巨头通常没有传统行业的基因，它们最多成为某个行业或某个产业的赋能者。
目前，电商平台（公域流量）还是倾向于头部商家，偏重营销环节。而对于用户来说，他们在乎的是精益产品，这些是生产环节、供应链环节的完善升级才能达成的目标。
所以，对于中小企业的一把手来说，当前最重要的是利用好“AI+私域流量”打造自己的品牌力，通过运用自己的私域流量数据，实现精益生产、精准触达。
而这一切，仍然需要强大的领导力支撑。
2.管理者一定要有AI思维
作为一名CEO或者说一把手，数字化、智能化一定是一把手工程，因为它涉及企业的方方面面、全链路的东西。
因为AI思维需要的是形成一套完整的反馈闭环，能够不断地进行学习模型的优化。
作为一把手或CEO，并不一定要懂具体的技术，但要具备AI思维。也就是说，他需找到能够让数据和模型相互反哺的反馈机制。
如果他能够把控这个机制，那无论是通过内部团队或是服务商，总能够找到AI落地的最佳点——平衡成本和效益，找到落地的空间和应用的点。
但是，如果企业的一把手或者业务的负责人不具备我们所谓的AI思维，他不知道数据通过模型的学习，以及相应的反馈会让模型越来越聪明的这个闭环，AI技术就肯定很难落地。
同样，作为一把手没有一个闭环反馈、闭环思维的能力，不知道数据如何在你的企业运营的闭环中产生价值，企业是无法通过数字化、智能化实现增长的。
此外，AI落地中关键的坑点或卡壳的地方，还是需要加大对CEO或者业务负责人，甚至包括部分一线业务负责人在AI思维上的提升和教育。当这些人真正地理解这样一个框架和AI思维的闭环逻辑的话，再进行AI落地就会顺利很多。
为什么这么说？
第一，要从整个AI落地应用到最终决策，都涉及到很多细节但又关键的东西，无论是从企业的一把手层面，还是从具体业务负责人的层面，需要有强大领导力才能看到这些细节。细节不能出错，因为数据产生价值是个很长的闭环，某个地方出错，可能全局都会“完蛋”；
第二，只有很强的领导力的推动才能形成快速的闭环。因为这中间的每一环都要人去执行，如果没有强大的领导力，不能推动下属执行，不能形成闭环反馈，就没法提升价值。
所以，我再次强调，AI思维在企业中落地一定是一把手工程。
而AI思维的外化表现就在于AI在商业实战中的应用，那么，AI的具体应用场景又有哪些？
三、AI在TO B端的具体应用
简单来说，我们面临着两个应用方向：To B 端和 To C端，TO C这一块我们最有感触的可能是“字节”系的产品，而我认为可能对未来经济产生更大影响的是To B端的应用前景。
1.AI中台与数字化
当前，全球经济下行，贸易摩擦，单边主义盛行，疫情也给每家企业都带了严峻的挑战——很多企业面临着营销成本、劳动力成本、管理成本居高不下的情况。
在不确定的情况之中，商界几乎能够达成共识的就是“行业数字化”依旧是大势所趋。行业数字化的核心在于“业务流程数字化”，数据将成为重要的资产。
但是，数字化的基础在于打通数据，而打通数据面临三个难点：数据维度大、数量多、关联性复杂；由于数据散落在各个部门的各个业务环节，彼此相互孤立，形成数据孤岛；专业分析与维护人员较少。
以上三个难点，必须通过建立数据中台得以完善，同时，辅以AI思维，实现“数据+AI”赋能更多应用。
数据中台与AI中台关系图
数据中台将后台数据整理分析，传递给业务前台；业务前台产生的数据回到数据后台和中台，形成闭环。
而AI中台的任务则是通过建构模型，在业务场景之中对数据中台的数据进行挖掘，提升价值，对业务中台提供更加便捷、有价值的服务。
接下来，我讲几个具体的应用场景。
2.产业赋能
① 工业赋能
从机械革命开始，工业从1.0时代飞速发展至当今的工业4.0时代——智能时代，智能时代通过数字化进行赋能并实现产品和服务创新，而工业数字化赋能的核心就在于提供全链路AI模型服务。
AI模型通过分析具体工艺参数和关键生产指标的关系，从而提升产品的生产效率和生产质量。
举个例子，光伏材料制造商保利协鑫和阿里云工业大脑的合作是中国工业制造领域的创新示范。
阿里云在该制造商车间做的第一件事，是把生产线上所有端口的数据上了云，然后调集上千台服务器的算力，短时间内从数千个变量里找到了影响良品率的60个变量。接下来则交由人工智能实时监测和控制这些变量，生产线只要“奉命行事”即可。
② 零售业赋能
零售业是商业运作的另一个大环节，而AI赋能零售业也是大有前景的。
以华润五彩城为例，五彩城是北京集购物、餐饮、文娱等一体的多功能、多主题大型区域性商场。五彩城通过对商场消费维度的大数据进行分析，了解消费者在各个时间点的交互情况，并以此作为决策用以策划营销活动。
通过数据分析，五彩城的客户群体主要为年轻人，其中90-95后的占比接近40%，40岁以下的消费者占比达到了70%。
基于上述分析结果，五彩城联合天猫推出了“双十一”快闪活动，积分ETC和各种品牌营销活动，同时“改造”了广告投放方式，在2018年实现18亿元的销售额。
③ 金融业赋能
AI在金融领域也是大有可为的。
我们都知道，金融产品属于高价值、低频次的消费品，所以为了提高业绩，金融行业需要通过营销不断宣传自己的金融产品，在维护现有客户的同时还要开发新客户。
在过去很长一段时间内，金融行业营销的问题是广告投放效果差。人工智能进驻金融领域后，帮助金融行业实现了精准营销。
例如，微众银行利用人工智能模型做到了精准推荐，使投放效果大大提升。首先根据长期以来形成的各种数据，如登录、点击等用户前端行为数据，以及如开户、存款等后端转化行为数据，以实际的转化为优化目标，建立起专属人工智能模型。
通过该智能营销模型，微众银行将其多种金融产品的广告精准投放到数十万家小型企业，广告投放效果得到了有效提升，在降低广告投放成本的基础上，实现精准获客。
以上，简要地介绍了当前AI在一些行业里较为成熟的应用。
另外，我认为AI在教育和医疗方面的应用同样具有意义，但由于这两个行业的特殊性，当前AI的布局仍处于萌芽阶段。
《未来简史》作者赫拉利认为，AI引发的革命将是地球上自生命诞生以来意义最为重大的变革，其对人类影响之深刻将远超农业的产生和工业革命。
目前，AI技术进入大规模商用阶段，AI产品全面进入消费级市场，AI一定会对人类社会产生巨大的影响，这是必然的趋势，我们能做的就是拥抱AI。
如加缪所说：对未来最好的馈赠，是把一切都献给现在。
*文章为作者独立观点，不代表笔记侠立场。
原文始发于微信公众号（笔记侠）：这种思维，每位管理者都要懂
