上个周末，人工智能领域最热的话题，莫过于正在深圳召开的“2017全球人工智能与机器人峰会CCF-GAIR”了。世界顶级专家和知名企业代表聚在一起，最前沿的应用技术、最新的研究成果、最独到的观点看法，都能在这里看到、听到、交流分享到。

在此次论坛上，星河首次提出了“智能商业”的概念(徐茂栋：智能商业引爆产业互联网时代)，引起了广泛关注。随后，在此次大会的主题分论坛中，星河互联CEO傅淼再次详细阐述了智能商业的相关问题：

•Business Intelligence(BI)这么多年来一直被翻译为“商业智能”，我们可能一直都翻译错了，正确的翻译也许应该是“商业情报”。而真正的智能商业时代才刚刚开始。

•虽然目前AI的整体发展水平大约相当于六岁孩子的智商，但是这是一个严重“偏科”的神童，如果我们能正确地定义问题，这个神童能在商业决策上为我们提供巨大的帮助。

•历史上看，OR(运筹学)、BI、AI似乎都没能很好地建立起高度可依赖的商业决策支持系统。借助于AI领域的最新进展，三者结合催生了新的商业决策支持模式，即Intelligent Business，这是真正的智能商业。

•我们尝试给出智能商业的框架性定义：AI增强的决策支持系统(Decision Support System，DSS)，服务于企业中需要决策的各级人员，应该具备实时、闭环、自动进化、自动识别问题、全局优化等特征，目的在于提高企业决策的效率和质量，增强企业在数字经济时代的竞争力。

•智能商业领域努力的终极目标——为构建一个支持决策的优化模型需要做出关于决策变量的决策。AI的应用可能使优化模型构建和演化变得自动化，也就是说，模型本身也成为了优化的决策变量，这也意味着基于机器学习的模型的自动适应和自动演化成为可能。这样的机制才是真正的Intelligent Business，我们努力的终极目标。

•什么样的企业会成为成功的智能企业：做到算法、数据和场景三者的完美融合。

•人类欲望的驱动会带来更多的需求和相应更多新的工作机会，与此同时，AI及脑机接口等新技术在教育上的应用会帮助未来的劳动力快速适应新的工作机会。技术的改进会给我们人类带来更多的福祉，而不是灾难。

以下为傅淼的演讲全文：

大家好。今天我演讲的题目是从商业智能到智能商业。

1、BI的起源

大家知道AI真正热起来是过去两年的事，得到了产业界和投资界的广泛认可。在此之前AI在学术界起起落落数十载，始终没有得到产业界的真正关注和认可。但是反过来，Business Intelligence，也就是BI，实际上已经出现了很多年，并且在商业上也获得了相当大的成功。

那么问题来了，为什么大家一直不把Business Intelligence的成功视为Artificial Intelligence的成功呢？为什么大家要歧视Business Intelligence里的这个Intelligence呢？我最近一直在思考这个问题，然后有个大胆的结论：也许这二十年来，我们一直都翻译错了。

大家知道，Intelligence在英文里有两个含义，一个是智能，一个是情报的意思。那么实际上Business Intelligence这个词可能就是商业情报的意思，只不过这么多年来我们一直想当然地把它翻译为商业智能。

为了验证这个想法，我研究了一下BI的历史。1958年IBM的研究员Hans Peter Luhn首次提出了BI的定义：“BI是这样一种能力，这种能力可以理解已知事实之间的相互关系，以帮助用户采取正确的措施，达成既定目标。”可以看出，BI的作用是帮助用户对数据进行挖掘，发现对决策有价值的信息，其实就是商业情报。

2、客观存在着更适合计算机决策的问题

下面我们回到对人工智能的讨论。AI等于几岁孩子的智力？这是一个很难回答的问题。最近我找到一篇论文《人工智能的智商和智能等级划分研究》，是几位中国学者的研究成果，我认为是在这个问题上分析得比较完备的一篇文章，感兴趣的同学可以找来看看。此文把不同年龄的人类的智商和不同的AI平台做了比较，结论是代表AI最高水平的谷歌平台综合来看和人类6岁智商是类似的。

因此，业界通常认为，目前AI在商业领域的应用，主要是在一些以成年人类的标准来看，不需要太高智能的场景进行自动化替代或人机交互的体验升级。

但是，我们对这个问题有不同的看法。我们认为只要正确地定义问题，目前AI的发展程度已经可以在商业决策支持领域发挥重要的作用。

为什么我们认为6岁孩子的智力能够帮助我们更好地做商业决策呢？注意我们上面提到的结论是，AI目前的水平“综合”来看和人类6岁的智商类似。但是，很明显，这个6岁的孩子是个“偏科”的神童，至少他在围棋上已经可以战胜人类最伟大的棋手。

当然，纯粹是出于好奇，我也研究了一下6岁孩子在围棋上能达到的最高水平，到目前为止是业余4段，这是绝大多数围棋爱好者一辈子都达不到的，所以不要小看六岁孩子的智力，在某些特定的领域经过系统的训练可以达到以成年人的标准衡量也非常高的水平。当然，AlphaGo的水准要远远高于业余四段了，“棋圣”聂卫平认为AlphaGo的棋力至少已经达到专业二十段。

所以，目前AI在人类的某些高级智能活动领域已经可以达到远远超过成年人类的最高水平。关键是，我们如何准确的找到这些AI可以充分发挥其能力的问题？我们不妨还是用围棋作为一个例子来定义这类问题的一个可能的方向。

二十年前IBM深蓝就战胜了国际象棋大师卡斯帕罗夫，大家震惊之余，并没有觉得很可怕，可是为什么AlphaGo战胜围棋棋手就很可怕呢？因为国际象棋只有8X8=64个格子，利用超级计算机可以用穷举法精确求解，这种情况按现在的标准不叫AI。但是围棋有19X19=361个节点，其计算复杂度远远超过国际象棋，目前最高级的超级计算机也远远无法通过穷尽法精确求解。

大家知道，人类大脑的数值运算是很差的，但是在处理很多问题上通过直觉而不是运算的能力可以达到相当高的水准。比如说围棋这件事情，19×19格已经远远超出人类大脑的计算力，在这种情况下人要靠直觉、经验和想象力下围棋，这是围棋的魅力所在。现在的AI可以模拟人类处理类似问题的方式近似地求解，但是比人类更精确，速度更快，这才是人们觉得可怕的地方。

因此，我们可以尝试定义这样一类问题：客观上它的正确解是存在的而且理论上是可以通过数值计算精确求解的，但是它的计算复杂度已经远远超越了计算机的算力，所以无论是人还是计算机，都是要用近似方法求解，只不过计算机可以比人做得更精确。

如果我们在商业决策领域能够找到符合这个条件的一些问题，AI在帮助用户更好地解决这类问题上是可以发挥重要作用的。

当然，这只是“正确”地定义AI可以发挥重要作用的商业决策问题的一个粗浅的尝试。随着我们不断努力，我相信我们会找到更多的定义这类问题的方法，也就是说，会找到更多的AI可以大显身手的商业决策问题。

3、商业决策支持系统的几种尝试

自从计算机诞生以后，人类就试图借助其强大的数值计算能力建设一个可依赖的决策支持系统(Decision Support System，DSS)，让我们来回顾一下这个领域的发展历史。

1运筹学(Operations Research，OR)

首先从运筹学来看，商业决策的目标是追求最大化收益。商业决策绝大多数都是微观经济层面上的决策，微观经济学上最核心的假设是所有的人，当然包括法人都是理性的经济人，其决策的目标就是追求经济利益最大化。从OR的角度看，商业决策的过程就是最优解搜索的过程。

OR大家知道，在40年代美军二战军事后勤领域首先出现，已经过了70年了。在这70年内OR发展的很成熟，在很多领域都发挥了巨大的作用。其中有这样一个非常传奇的公司，以OR为核心技术，取得了相当大的商业成功。这家就是i2 Technologies，我跟这家公司也非常有缘。

我个人的教育背景比较复杂，在清华上学的时候学的是柔性制造和工业机器人，去美国后先是学工业工程学，主要就是OR这套东西，后来又转到计算机专业。我找工作的时候惊喜地发现这家公司可以把我三个专业完美结合在一起，就义无反顾地加入了，并且成为我唯一以雇员身份服务过的公司。

这家公司依托于OR理念首先提出了智能化供应链的理念，并形成了一套强大的产品，借助这个理念和这套产品征服了全球财富500强中的约400强，其中包括国内的联想和华为。这家公司的市值在2000年最高达到了500亿美金，并且以93亿美金的天价收购了Aspect，是当时软件史上最大的并购。

2009年i2以只有3亿美金的价格卖给另外一家公司JDA，虽然相关的产品仍然在服务客户，但是作为软件史上的一代传奇就此落幕。

为什么基于OR的i2没能延续其商业上的巨大成功？

当然原因有很多，但是在底层的产品逻辑层面上，我个人反思，可能有两个原因。一个是局部优化。学过OR的都知道，运筹学里优化最大的敌人就是不小心陷入局部最优解。即使在算法层面求得全局的最优解，如果你所依托的数据都是内部数据的话，本质上还是局部的优化。

第二个是静态模型问题。作为一个优化模型的构建，有几件事情要做：(1)要选择决策变量；(2)要对目标函数的形式进行决策，并对目标函数里的参数进行设定；(3)要对约束条件的形式进行决策，并对约束条件里参数进行设定。

这些都选择好了以后才能形成可用的模型，在上一代的OR系统里面，这些都需要很多专家来参与，最后设定好这个模型，一旦设定以后就不会轻易更改，这就是一个相对静态的模型。但是实际上，我们的产业环境是飞速变化的，一个静态模型很难准确来反映瞬息万变的外部环境。

2商业智能(Business Intelligence，BI)

再来看BI，我们暂且还把它叫做商业智能。作为DSS领域的一个重要分支，BI的价值也得到了市场认可。Gartner的报告显示，到2010年的时候，BI的使用率达到30%，67%的领先企业运用了BI。2017年全球市场预计可以达到183亿美金。这已经是一个相当大的市场规模，我们完全可以认为BI取得了比较大的商业成就。但是增长已经非常乏力，预计未来几年只有7.6%的年化增长率。

3人工智能(Artificial Intelligence，AI)

最后再看AI在决策支持系统领域的应用。过去几十年AI在学术界几起几落，直到过去两年才真正走进产业界，算是一个“大器晚成”的“神童”。之前几十年里AI在实用层面有限的成功算是在决策支持系统的运用，也就是专家系统(Expert System)。专家系统经历了很多年的发展，也解决了一些问题，但是整体上很难算是一个大的成功。这里面有几方面的原因，主要包括：

•知识表达方式单一，主要依赖启发式规则，以及不支持大规模数值计算是专家系统的内在缺陷。

•知识库的完备性和规模、知识获取的难度、覆盖面等，是决定专家系统成功的决定性因素。在互联网普及之前，很难把某个行业内足够的数据抽取出来，构建有效的知识库。

•推理机对特定领域经验的依赖很强，通用性不好。

4、新一代的商业决策支持系统：智能商业

总结一下，历史上OR、BI和AI在DSS领域的应用都各自取得了不同程度的成就，但是总体来看，距建立起高度可依赖的商业决策支持系统还有不小的距离。

那么基于AI在过去几年的重大突破， 并和OR、BI结合是否可以催生新的商业决策模式呢？我们把这个新的模式称为智能商业，Intelligent Business，这是真正的智能，而不仅仅是商业情报。

1智能商业的定义

我们试图给智能商业一个定义。大家都知道到目前为止AI本身都没有一个业界公认的标准。在这里我们只是试图给智能商业一个框架性定义，为后面的讨论做一个基础。我们认为智能商业是AI增强的决策支持系统，服务于企业中需要决策的各级人员，应该具备实时、闭环、自动进化、全局优化的特征，以及自动识别问题的能力，目的在于提高企业决策的效率和质量，增强企业在数字经济时代的竞争力。

2智能商业框架

这就是我们提出的智能商业框架(上图)，可以看到这个框架跟传统的BI模式在单体层面上基本类似，都是有一个数据层，一个模型层，上面有应用层，但是这一代跟上一代有什么不一样的地方呢？

首先它不再是一个企业内部的局部优化，它要考虑自己在供应链上下游的情况，也要考虑不同供应链之间的关系，即要考虑一个完整的产业生态网状结构的关系。

其次从数据层面，处于现在这样一个大数据的时代，企业所能接触到的数据的丰富程度是空前的。以前更多的是挑战打通内部的数据孤岛，现在除了内部数据，还有供应链上下游企业之间点对点的数据交互，还有更大的云化的外部数据。

在传统的决策支持系统里，因为没有明确的相关性，这些外部数据的利用率很低。但是外部环境对企业经营可能有更大的影响，外部数据隐含着很多相关性，利用现在的大数据技术，可以为企业决策带来更多的数据信息，通过AI的方式把里面有用的信息挖掘出来，应用到整个决策支持系统里面。

第三个层面就是利用反馈和闭环能够对模型进行自动的优化。

3与传统商业决策系统的不同

当然现在我们只是提出这样一个智能商业的框架，这只是一个起点。当这个框架真正变成现实，它跟传统的商业决策支持系统相比会有几点不同：

•传统DSS中最终决策者是人；在智能商业决策支持系统更多的是人机交互，而部分达到自动化决策。

•分析的主题以前是人提出明确主题，由机器帮助分析；将来机器会发现你还没意识到的问题。

•从数据上，原来是非实时的，来源封闭的；将来的数据应该是实时的、来源开放的。

•从模型上以前是固定的，没有自动优化的机制；将来的模型应该是自动优化的。

•应用范围上以前是企业内部；将来会是全产业链的。

4智能商业的演进

当然，这会是一个长期奋斗的目标，会需要五年、十年甚至更长的时间，现在只是从理论上提出这样一个框架, 以帮助我们开展下一步的工作。

关于模型的自动优化，我想再进一步解释一下，这可能是我整个演讲里最重要的一句话(这不是一个绕口令)：

为构建一个支持决策的优化模型而做出的关于决策变量的决策，这可能恰恰是AI-Enhanced DSS的核心所在。

AI的应用可能使模型构建和演变的决策变得自动化，意味着模型本身，包括决策变量、目标函数、约束条件，这些成为了优化的决策变量，形成了一个优化的嵌套，这也意味着基于机器学习的模型自动适应和自动演化成为可能。当然，这无论从理论上还是实践上都需要大量的工作要做，但是这样的机制才是真正的Intelligent Business，这是我们努力的终极目标。

5智能商业行业价值提升

这是我们做的一个智能商业的行业价值提升分布图(上图)，显示了哪些行业会更早地从智能商业的实施中尽快得到收益。横轴是从可行性角度，纵轴是从价值提升角度。可行性考虑的是一个行业的数据化和信息化基础，价值提升更多的是考虑一个行业的竞争激烈程度，决定了这个行业企业是否有足够动力用更激进的方法增强在商业竞争中的竞争力。

右下角是电信运营商，它的可行性是很高的，因为电信行业数据化信息化程度很高，但是因为行业竞争相对没有那么激烈，所以可能采用智能商业的驱动力没有那么强。刚才伯克利的Scott Moura教授讲了美国电力系统优化的案例，竞争也没有那么激烈，但是也可以看到至少现在在学术界已经引起了很多兴趣，所以我们认为将来所有行业可能都会被AI所影响。

6星河在智能商业的探索

星河互联在智能商业方面除了理论性的思考，还有些具体的探索。比如这是我们投资的公司叫鸿鹊(上图)，是中国第一家独立且很完善的酒店收益管理体系。

收益管理就是这个酒店每天、每时、每个客人的定价可能都是不一样的，其优化的目标函数就是让整个酒店的收益率最大化。这在航空业已经变成非常成熟的应用，当然也只有几家非常大的航空公司有钱有能力做这个事情，酒店相对比较分散，很多小型酒店没有能力做完善的系统，我们有一个独立完善的系统能够进行有效的支撑。

这里体现了一些我们的核心理念，包括数据源的开放和实时接入，跟市场和用户的全面交互，以及基于反馈的闭环自动优化层面。当然，现在这个模式自动优化很大程度上还是一个半自动的，但是它代表了一个趋势。

星河互联有很大一部分职能是风险投资，在支持我们自己的风险投资决策上我们也在尝试建设一套智能商业方面的系统。当然这套系统正处于建设早期，很多问题仍需探索，还没有形成非常系统和经过初步验证的结果，将来有机会会跟大家再报告进展。

5、黑箱和“工作台”应该怎么平衡？

所谓黑箱(Blackbox)就是系统给出一个决策指令，我们就完全按照这个决策执行；而工作台(Workbench)则是给你一系列决策的建议和决策建议后面的成本分析，让人类去做最终决策。同时把根据推理过程所基于的关键的约束告诉你，如果你对系统给出的决策建议都不满意，还可以根据这些关键约束的信息针对性的做工作，甚至去改变某些约束，以改变求解空间，找到更适合实际业务需求的方案。

这是应用智能商业时两种不同的理念，下面我谈一下我们对这个问题的看法。

我们知道自动驾驶领域对自动化程度有一个从level 0到level 5的分级方法，这里我借用这个体系对不同行业的智能决策支持的自动化现状做了评价。

在做这个研究之前，我们觉得智能商业还在早期。但很快我们发现很多行业的业务决策已经非常自动化，像广告自动投放、航空公司的收益管理定价，至少在具体操作层面上都处于level 5。而另外一端，也就是完全依赖人类决策、没有任何系统支持的level 0阶段的行业，现在几乎找不到了。在不知不觉之间，智能商业已经来到了我们身边。

反过来说黑箱和工作台。这里面有两个问题，一个是企业文化层面的问题，一个是平台进化成熟度的问题。

我举一个供应链领域的例子，比如说今天是7月8号，销售刚刚签回来的大单要求必须7月30号交付，但是智能供应链计划系统考虑到所有约束，认为最早8月30号才能交付。同时集团最高领导下了死命令，你们必须7月30号给我交付，这是战略订单。

这种情况下，如果是黑箱模式，计划员就完全不知道该怎么做了，不知道关键节点是什么地方。如果是工作台模式，计划员就可以发现关键节点在哪里，可能就是少了那么一个关键器件。这个信息转递给采购部门，可以用非常规的方法获得这个器件，在7月30号可以交付。

所以可以看到，要求发挥主观能动性的商业文化里，黑箱模式是不可能的。领导给我压力，我不知道抓手在哪儿，就会感觉非常不安全。另一个层面，黑箱模式会让很多人类在这个过程中所形成的直觉和经验消失，如果一个企业用全自动的智能供应链计划系统超过五年，拥有高级能力的计划员可能就没有了。在处理突发事件的时候，或者这个模型需要优化进化的时候，这都是依赖高级计划人才的任务，可能就会面临无人可用的尴尬局面。

最近英国有一篇杂志有一个关键发现，人在开车的时候大脑有个区域是活跃的，但是用了GPS以后，这个区域就不再活跃了，它的观点是如果完全依赖导航，人脑的某一部分功能就会退化掉。工作台和黑箱子模式也是同样的问题，你完全依赖黑箱，很多商业直觉和经验就会退化。在不同决策的环节，比如低价值的可以使用黑箱，但是一些高价值的关键节点还是要有工作台。

当然，人类工具的进化都是人类能力的外化和放大，当外化变的非常可靠之后，人类自己的能力就退化掉了。一旦智能商业自动决策能力进化到一定程度，非常可靠，质量非常高，人就心甘情愿放弃演化了。但是如果还不是完全可靠，关键时候还要依赖自己的能力，这时候工作台模式可能更有效。

一家企业成为成功的智能企业的三个核心因素是什么：算法、数据、场景，或者叫产品，也就是与用户和市场充分交互的服务载体。

6、AI会让人类失业吗？

最后也不能免俗的谈一谈对AI和人类就业的看法。

比尔•盖茨有一个很有意思的观点，企业使用AI把人替换掉了要交税，为什么要交税？因为政府需要用钱养被你砍掉的这个人。

大家可以想另外一个问题：特朗普为什么当选？他当选很大程度是因为全球化把美国蓝领的工作抢走了。其实在全球化的体系中，美国整体来看经济上没有吃亏，但是这些利益主要是被部分资本家赚走了。如果国家通过一定方法把一部分钱拿过来通过财富再分配的方式给到失去工作的蓝领工人，是不是一个皆大欢喜的结局呢？特朗普选择的政治路线显然不是这样的。

马克思关于共产主义的论断中说，共产主义社会中劳动是人的第一需求，现在看起来这是一个天才的论断。你只给我钱，不给我劳动者的身份，我就失去了作为劳动者自食其力的尊严。因此，特朗普的方案是要把工作机会拉回到美国去，让这些人能够得到劳动的机会，显然，他的方案更受这些蓝领工人的欢迎。

大家之所以会关注这个问题，是觉得AI会把人类的工作机会夺走。我会更乐观一点地看这个问题，人类无休止的欲望会不断创造出更多的工作机会。就拿旅游这件事来说，三四百年前除了徐霞客这样的人，很少人会有旅游需求，但是现在几乎所有的人都需要旅游。有一天技术成熟，去月球旅行成为所有人都想尝试的事情，这就是一个非常巨大的市场，会有大量新的工作出现。去月球旅行完了之后去火星旅行又是一个更大的市场，更多的工作机会。

所以，我们无需担心没有新的工作机会，我们面临的核心问题是：即使有新的工作机会出现，这种更新换代的速度会很快，但是成年人很难让自己足够快的进步，去学习适应新的工作机会。那么，AI在拿走了一些工作机会的同时，在教育和培训层面是不是也能提供更多对人类快速自我进步的支持？比如说利用脑机接口这种新的技术，是否可以将知识快速注入到大脑中以适应新的岗位？

在AI的发展历史中，伴随着每一波新技术浪潮，人们都会说技术会对人的劳动市场造成冲击，但起码到目前为止，并没有灾难发生。很多专家预言说AI会摧毁人类，但这么多最聪明的年轻人义无反顾地冲到了这个行业中来。我想他们跟我一样，相信AI技术的进步会给我们人类带来更多福祉而不是灾难，这是我的核心观点。

谢谢大家！