今年初秋，我发表了一篇文章，预测通过自动化工作中的单个任务，新的人工智能驱动应用程序（ AI-powered applications）将重塑就业场所。大多数参与构建这一盛世蓝图的公司都是尚处早期阶段的初创公司。
最近，我和一位非常质疑人工智能初创公司生存能力的人士进行了一次有趣的谈话。他认为，凭借巨额预算和研发资源，大型科技公司（例如IBM）正致力于开发通用平台——这些平台会填满每个应用创业公司努力开拓的利基市场，例如安排会议或回复常见客服问题。我想反驳这一观点。
初创公司设计的人工智能驱动的App必定会胜出
人工智能驱动的应用程序意在消除阻碍商业化的数据鸿沟。人工智能系统需要高度相关、拥有丰富语义、可资训练的数据集。初创公司通过扮演现有云商业App（例如Gmail、Google Analytics、Salesforce和LinkedIn等）插件的方式来解决这个问题。例如，X.ai使用Gmail的邮件内容开发了个性化日程助手；DigitalGenius使用Salesforce服务云的API来自动处理常见的客户服务请求。
一般说来，云服务应用的公共API接口可以为创造者提供AI驱动的应用程序：丰富的语义创建更智能的人工智能系统。通过高度结构化的数据集和大量元数据，商业应用程序API使得数据科学家更轻松地构建深度学习中所需的数据层，正如在《经济学家》杂志中曾经描述的神经网络（一个旨在模拟溯因推理的人工智能构造）中，深度学习算法可以沿着分层数据集传输，就像大脑信号沿着神经元传输一样。分层结构中的数据层（由云服务应用程序中围绕工作流程的元数据提供）越多，人工智能系统在推理中所能达到的抽象层次就越高。
精确数据集可缩短训练周期，从而更快进入市场。人工智能系统因对大数据的野蛮统计分析获得了长足进展。但就像青少年一样，他们需要有人为他们指明正确发展方向。云服务应用程序是一个足够精确的领域，有助于刚刚起步的人工智能蓬勃发展。特定领域的数据就像是高中学校篮球队的教练，可以帮助未经训练的人工智能辨别输入和理想输出之间的关系，缩短走向成功所需的训练周期。Rainforest QA团队提到，由于他们没有一个精确且高度结构化的数据集来训练机器学习算法，因此他们必须要付出双倍的努力才能建立令人印象深刻的人工智能特性。
相反，曾被用于打造专有人工智能系统的通用人工智能平台，并没有被设计用来以同样程度充分利用预构建的开放API和函数库的语义分析及分类。这推迟了进入市场的时间。
通过使用私有企业案例以及在其数据集上进行训练，IBM的沃森可以解决企业的具体问题，但是，这需要严格的人工数据管理和训练，而IBM全球业务服务部门也乐于收取大量服务费来承担这样的管理和训练。
建立人工智能驱动应用程序的个人初创公司将会是接下来五年搅动劳动力市场的主要力量。
IBM正在努力让沃森更加规模化，但是，如今的国内人工智能项目看起来和上世纪90年代末的企业资源计划（Enterprise Resource Planning，ERP）的实施惊人相似——14个月、150名顾问和并不理想的成功率。其中一些项目将产生非常有前途人、会重新设定整个行业竞争优势的人工智能系统，但是，他们需要很多年才能达到这一范式下的临界规模。
什么才会改善通用人工智能平台的境况？企业间的数据交换与通用行业规范知识资源库结合是个很好的开端。很快就会成为现实吗？
全速前进：人工智能领域的整合不会很快发生
人们可以利用我之前提及的ERP类比提出这一主张：在我们知道之前，人工智能驱动的应用程序就会整合进标准应用程序套件中。上世纪90年代中期，商业流程再造（BPR）以ERP软件套件方式达到顶峰后不久，就宣告失败，ERP以开箱即用软件的形式标准化了商业流程再造（BPR），也成为桌面上的筹码。
但是，如今情况完全不同，原因之一是人工智能驱动的应用程序变化非常快。没有任何一家公司，无论它多么有活力，可以轻易并行不悖地打造这些程序，因为每一个应用程序都是一个精确调节系统，需要人工智能领域的专家和专门的培训团队来维护。
人工智能驱动的应用程序最终会进行整合，但是是通过收购而不是企业巨头内部开发的方式。
这意味着，虽然一些更广泛的平台（例如IBM沃森）对于解决公司相关的具体问题（例如医院诊断患者）非常关键，但是，由于个体初创公司的影响范围和便于部署的特性，未来五年，开发人工智能驱动应用程序的个体初创公司将会是搅乱劳动力市场的主要力量。
本文选自techcrunch，作者： Michael Yamnitsky，机器之心编译出品，参与成员：杨超、孟婷、微胖。
