清华大学徐心老师与FMBA同学面对面企业发展与AI治理之道【中国MBA教育网讯】近日

文章插图
【中国MBA教育网讯】近日，清华大学经济管理学院副院长徐心与FMBA项目2019级同学展开面对面交流，和同学们就企业发展与AI治理之道进行深入探讨，通过前沿的观察与生动的案例，启发各位同学在企业业务中思考AI的价值。
文章插图
图 / 徐心（清华大学经济管理学院副院长）
AI经历了怎样的发展之路？
算法能为企业创造哪些价值？
企业与AI的深度交融何以成为可能？
企业中的人工智能
企业中AI的应用是有影响的。企业里有什么样的AI项目， AI相关的资源应该如何协调，如何建设？我和大家分享的内容，将更多从组织和企业的层面看人工智能项目立项和建设的过程。
如果你想得到不一样的结果，就要做不同的事情，不能做同样的事情。爱因斯坦是物理学家，我们知道物理学有三个定律，爱因斯坦还讲有三个力量统治世界，分别是愚蠢（stupid）、恐惧（fear）和贪婪（greedy）。人工智能让我们变得更聪明，我们是在破解第一个力量。
什么是人工智能？百度的吴恩达，人工智能首席科学家，曾经说现在我们人在一秒钟内能做的事情， 80% AI都能做。 70年代有一位名叫理查·贝尔曼（Richard Bellman）的科学家，是研究决策科学优化的科学家， 1978年将人工智能定义为，人工智能是那些与人的思维、决策、问题求解和学习等有关活动的自动化。从这一层面上看，自动化相对的就是手动，一些和信息处理相关决策讨论分析的事情，过去需要手工去做，现在可以把它自动化，这个就叫做人工智能。
文章插图
在Bellman给出人工智能定义的70年代，知识工程达到顶峰。我在大四的时候选修一门课叫专家系统，所谓专家系统就是专家总结一系列的规则，把这些规则输入到信息系统里面，然后再用一些逻辑运算进行判断。在现实的应用中，比如银行对小企业的授信，规模多大是一个规则，过去是否申请过贷款是一个规则，企业和哪些企业做过项目等等，满足哪些规则就加几分，最后加在一起。我们在现实生活中依据规则做出决策，往往有风险。各位在企业管理中面对的很多问题，都是复杂的决策。知识工程，也就是说靠总结规则进行决策，就是我们今天熟悉的机器学习。
近年来，人工智能依靠机器学习，在图像识别、图像处理一系列的应用中都有了很大突破。 2015年在 Science上有一个里程碑式的总结，基于深度学习从图像中进行物体识别。机器学习是怎么做的呢？我们要感谢像杰弗里·辛顿这样的计算机科学家。机器学习在50年代-70年代的冰河期的时候，他们一直坚守，研究神经网络机器学习的算法；90年代，大数据的出现给了机器学习算法进行有效的训练和收敛的数据基础；硬件的发展又提供了海量的算力，三个条件并列存在，出现了一些很成功的应用，例如图像识别，这些都是未来我们所期待的AI应用的基础。
文章插图
深度学习是有神经科学的基础的。 Hubel和Wiesel两位科学家曾经在1981年获得诺奖，他们主要研究人的神经系统的基础工作机制，通过实验验证了人大脑中不同位置的神经系统负责处理认知中不同层面的信息。深度学习其实就是在模仿学习的过程，我们把一张照片的像素输入进去，第一层学习的就是这些照片的像素组成基本的、最简单的小零件，这些小零件再组成人脸，人脸再和我们赋予的一些意义联系在一起，这是机器学习最基本的逻辑。
机器学习很有可能对我们未来的组织产生重要的影响。我们经常说学习型组织要不断从外界进行学习，纠正自己的错误，组织相关的研究通常都是聚焦在组织形态、组织规模、组织激励、组织文化，但是往往忽略了技术的层面，那么机器学习它为什么区别于规则呢？我们把图片输入到最底下一层，它会经过算法，最终它的输出是告诉你这里面有人还是没有人，一开始的输出有可能是错误的，这就形成一个错误，形成一个误差，误差又会拿回来去更新复杂的系统中的每一条边，这个边其实就是一个权重，这就是学习的过程。我们讲企业授信的过程，例如有一个小企业到银行贷款，根据过去企业的一些特征，比如规模、行业、电费、员工等特征，经过最初的神经系统和神经元系统，神经网络得出判断是可以贷款，结果一年后企业无法还贷，说明最初的判断是错误的，这就是一个误差，要把误差再拿回来去更新最初的神经元网络。过去让一个组织更新自己的规则往往很缓慢，现在基于数据，基于现实中的业务，我们可以每天都要网络进行计算，最终企业里用于授信的神经网络算法会越来越逼近有效的算法。