参与：杜夏德、李泽南

当地时间 10 月 27 日，Creative Destruction Lab 在多伦多举办了 2016 机器学习与智能市场（2016 Machine Learning and the Market for Intelligence）会议。会议云集了人工智能投资及科研界众多世界级明星。在机器之心报道（）中，我们介绍了科研领域的大会内容。作为投资领域的代表，彭博社旗下基金 Bloomberg Beta 的合伙人 Shivon Zilis 和 James Cham 也在大会上宣布将发布机器智能报告的 3.0 版本（2.0 版本参见：）。这篇文章是 Shivon Zilis 和 James Cham 在哈佛商业评论发表的一篇文章，介绍了机器智能 3.0。

三年前，我们的风险投资公司开始研究人工智能初创企业。科幻小说对人工智能的描述误导了大众对这项技术的看法。最近两年，我们一直在尝试寻找最重要的创业公司，汇集成一张概览图。（比起人工智能，我们更倾向于一个中性的词汇「机器智能」来描述这项技术。）

过去几年中，我们总是从创业公司创始人和学界中关注这一领域较早的人那里听闻技术行业中的大趋势。但是今年不同，很多关于机器智能的话题都是出自《财富》世界 500 强公司高层之口。

这些管理人员在不断自我反思：自己要做什么。在过去的一年中，机器智能爆发了，风险投资总额达到 50 亿美元，几宗大收购，数十万人阅读了我们早期的研究。上世纪九十年代的互联网，管理人员正在意识到这项新技术有可能改变一切，但是没人知道怎么改变以及何时改变。

高清PDF下载链接：https://hbr.org/resources/pdfs/hbr-articles/2016/11/the_state_of_machine_intelligence.pdf

今年的这张的创业公司竞争概览图展示了机器智能眼下的影响力。从农业到交通运输，智能几乎触及到了所有领域。每一个员工都能通过现有的工具用上机器智能，atv，提升工作效率。各大公司也第一次开始在他们的业务中配套配入机器智能技术。

与互联网不同，即便是最早进入市场的大佬公司也常常被机器智能技术打的束手无策，只有那些能迅速引入机器智能技术的公司持续占有优势。

世界 500 强和其他公司该从哪里找到切入点呢？

让人才更有生产力

一种能迅速获得机器智能价值的方法是为你的人才配备机器智能工具。使用该技术的最早的赢家们一直在根据知识工作的特定领域不断调试这些机器智能生产力工具。在我们的概览图中我们称之为「企业功能（Enterprise Functions）」。有了这些工具，每一名员工都能之前只有 CEO 们才有能力。

这些工具能够帮助监控和预测（比如，像Clari这样的公司一个一个地预测客户销售来帮助优化交易）也有助于指导和训练（Textio的预测文本编辑平台帮助员工提高写文档的效率）

发现全新的数据来源

下一步是使用机器智能实现新数据源的价值，也就是我们在概览图的「企业功能」部分强调的内容。机器智能软件能够快速查看海量的数据，atv，因此也开辟了一些原来无法获取的数据资源。人工太贵，想象一下你能负担得起让某人听销售人员的每一条销售记录并据此预测他们的销售表现，或者让一个团队检查所有的卫星图像，决定需要收集哪个宏观经济指标的数据吗。而这些数据也许你的公司就有（例如，客户服务对话记录、传感器数据预测中断需要维护），或者这些数据可以从外部新的数据源中获取。

重新思考如何开发软件

你已经尝试了一些新的生产力工具并开始挖掘新的数据源寻找洞见。实现机器智能价值的下一步是在新软件的基础上建立起持续的竞争优势。但是机器智能是一门管理者需要学习的新学科分支，需要一组新的软件人才和新的组织结构。

大多数 IT 集团公司想到的都是应用和数据方面的人才。而新的机器智能 IT 公司会考虑应用、数据和模型，把软件看成是代码、数据和模型的结合。这里的「模型」指的是业务规则，就像批准贷款和调试数据中心功耗的规则一样。对于传统的软件，程序员需要手动开发这些规则。今天机器智能可以用数据和新的算法生成一个人类程序员无法做到的非常复杂的模型，