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。