雷锋网按： 2017年7月8日，雷锋网承办的第二届CCF-GAIR 2017全球人工智能与 机器人 ( 行情 300024 ,诊股)峰会上，星河互联CEO傅淼在AI+金融专场发表了他的演讲，演讲题目是“从商业智能到智能商业”，详细诠释了AI是如何辅助商业决策的。 以下为傅淼演讲速

　　雷锋网按：2017年7月8日，雷锋网承办的第二届CCF-GAIR 2017全球人工智能与机器人(行情300024,诊股)峰会上，星河互联CEO傅淼在AI+金融专场发表了他的演讲，演讲题目是“从商业智能到智能商业”，详细诠释了AI是如何辅助商业决策的。

　　以下为傅淼演讲速记全文整理，雷锋网（公众号：雷锋网）在不改变原意的基础上做了精编：

　　大家知道AI真正的热起来是过去两年的事情，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。

　　六岁孩子的智力如何帮助商业决策？

　　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。

　　OR在历史上取得了相当程度的商业成功

　　在商业决策中，自从计算机出来以后，人类试图建设一个依赖的决策支持系统，通常我们把这类尝试归为决策支持系统。

　　从OR（Operations Research，运筹学）来看，商业决策的目标是追求收益最大化，绝大多数都是在微观经济层面上决策，微观经济学上最核心的假设是所有人，是理性的经济人。

　　在数学上也就是OR层面上的最优解搜索。OR在历史上取得了相当程度的商业成功。有一家公司i2 Technologies，这家公司在20多年前就提出了智能化供应链的概念，基于OR做出了强大的产品，借助这些产品征服了全世界，Fortune 500强中有400家成为他们的客户。

　　2009年的时候这家公司已经以三亿美金的市值卖给了JJA，传奇落幕。然而，i2传奇的落幕，代表了上一代基于OR的商业决策优化的努力遇到了巨大障碍。

　　我认为，遇到障碍的原因有两方面：

　　一是局部优化的问题，运筹学里作为优化最大障碍是不小心陷入局部最优解，在i2的整个实施系统里，数据还是依赖于企业内部的数据。模型是一个理论上全局最优的，模型做得再完美，但是如果局部的话，最终还是要进入局部优化的困境。

　　二是静态模型问题。作为一个优化模型的建立，有五件事需要做：

　　设立一个目标函数

　　对目标函数里面关键参数进行设定

　　决定约束变量

　　选择约束条件形式

　　对约束条件所有参数进行设定。