曹绮桐作者

经济寒冬之后,是人工智能的春天

一家公司选择的经济发展道路往往是依照时代背景来决定的,在不同的经济时局之下选择正确的经济策略, 往往可以成为公司逆转腾飞的转折点。

一般来说,经济繁荣时,公司注重的是整体的发展速度;而在经济困难时期,公司则更加注重生产效率——也就是说,在投入成本最小的条件下实现利益的最大化。

这种说法当然不是空口之谈,我们可以在历史的经验中寻找证据。

自 20 世纪 80 年代以来,几乎在每一次经济大衰退之后,企业家们往往都将公司的发展目标和数字技术紧密捆绑起来,同时也更加注重软件技术的创新。他们都企图在原先生产力不出现严重缩水的条件下,通过利用数字技术帮助减少重复性的工作,从而节省人力资源成本。

而现在,新冠疫情带来的经济衰退,又一次为数字技术和高新科技提供了发展的最佳时机。
有着多年风险投资经历的风投经验专家 Mark Gorenberg 在他之前发表的分析中提到,疫情大流行造成的经济衰退没有成为 AI 的绊脚石,反而成为其发展的加速器。可以说,疫情过后的经济复苏将由迅速发展的人工智能所驱动,也将作为更加适宜的大环境,加速人工智能的应用进一步发展。

经济复苏往往建立在新兴技术之上

美国国家经济研究局(NBER)的经济学家们发现了一个规律:随着经济大萧条的缓慢恢复,大面积的失业人口也随之出现,但同时,这种萧条加速了人们工作性质的进化,即由低端重复性工作向非常规工作的转变。

其实,现有的许多工作任务是可以用自动化完成的,但公司仍然分配给员工高重复性任务,比如说数据分析,来增强他们对数字的判断力,从而进一步提高生产效率和生产质量。这样就形成了一个良性循环,公司既通过增加生产效率获得更丰厚的利润,又提高了员工的工作能力。

但是,在经济大萧条时期中,情况便变得复杂起来。失业率达到最高水平之后,人们会寻找更多提高技能的机会。因此,即使在经济复苏后,尽管较复苏之前的自动化程度有所提高,但失业率却并没有随之上升,反而降至历史低点。

而新冠疫情的流行,将我们又一次被推入了衰退和复苏的循环。当然,相关行业也已经期待着在下一轮的经济复苏中,AI 和机器学习的迅猛发展带来的产业革新,这也将为人工智能企业家创造新的宝贵机会。

参考上世纪 80 年代初的经济低迷时期,成功实现逆流而上、蓬勃发展的公司,都在经济复苏十年的中期开始了首次公开募股(IPO):Lotus(美国汽车品牌)、Microsoft(美国微软公司)、Oracle(美国甲骨文数据公司)、Adobe(著名图形图像和排版软件的生产商)、Autodesk(美国电脑软件公司)和 Borland(美国宝蓝软件公司)。


这些软件的兴起标志着商业企业历史上一个独特的转折点——从总体来看,软件公司对资本支出或人事费用的要求很低,同时,公司的毛利率高达 80% 或更多。这种得天独厚的优越条件使它们在不危及自身生存的前提条件下,具有惊人的增长能力。

也就是说,如果软件公司的企业家愿意接受较低的工资,那么就能实现公司以最少、甚至不需要外部投资的方式迅速建立起来;如果他们能够找到适合早期市场的产品,他们通常就可以自我引导,实现有机增长。

当然,聪明的企业家们会抓住经济衰退的“黄金时期”,来发展自己刚刚起步的软件公司。因为在特殊时期,高质量人才往往能接受较低的工资,这也就意味着更多节省的人力成本。同时,低廉的房租也提供了更多更舒适的空间。

最重要的是,那些同一领域的老牌竞争对手一般都把精力放在维持服务和留住现有客户上,从而暂停了新产品的开发。

大萧条往往是大数据时代发展的开路人

当次贷危机拖垮整个经济时,企业必须留住即将流失的原有客户, 因为预算有限,还要努力降低成本提高生产效率,但这两个目标往往相互矛盾。

大数据未来的想法已经根深蒂固,有远见的高管们认为,解决方案已经在他们的数据中,如果他们能找到的话。但与此同时,老牌软件公司削减了研发支出,这为更新更敏捷的分析公司开辟了沃土。
大多数软件公司在 2009 年都没有增长,但作为网络分析领域的领导者,Omniture 在那一年增长了 80% 以上,这也使得 Adobe 以 19 亿美元的价格收购了它。

Tableau 成立于 2003 年,但一直没有什么起色,直到 2008 年的经济危机—— 从 2008 年到 2010 年,它的销售额从 1,300 万美元增长到 3,400 万美元。无独有偶,Splunk 从 900 万美元涨到了 3500 万美元。Ayasdi、Cloudera、Mapr 和 Datameer 都是在大萧条最严重的时候推出的。

当然,如果没有数据科学家,这些公司都不可能蓬勃发展。

正如 1990 年代早期大学加速培养了大量软件开发人员,大萧条期间再次加速了分析专家和数据科学家的出现,从而刺激经济复苏、开始了美国未来十年的经济扩张、就业增长和美国历史上最长的牛市。

现在轮到人工智能

其实在新冠疫情大流行之前,许多经济学家和企业首席财务官就认为,2020 年经济衰退的可能性至少有 50%。
一年多前,欧盟议会出版的政策杂志也曾预测,下一次的经济衰退,将把人工智能发展推向高潮。该杂志援引伦敦经济学院的米尔科•德拉卡的话说: “我们预计在未来 10 到 15 年,基于人工智能和机器人的技术将再次出现激增。”

可以说,那些仅仅预测经济衰退的人,他们还不够悲观。许多公司以前所未有的力度削减了劳动力成本,以适应形势的突然和严峻。当复苏开始时,他们将再次依赖自动化来提高生产。

大西洋理事会就 COVID-19 对全球创新的影响,对 100 多名技术专家进行了调查。结果显示,即使在大流行期间,这些专家也认为,在未来两到五年内,数据和人工智能的影响将超过生物医学工程。当然,这两者并不相互排斥,他们甚至可以互相促进,比如谷歌的 Deepmind 技术最近使用 AlphaFold 工具来预测复杂的蛋白质折叠模式,这在疫苗的研究中很有用。

即使是那些没有自己生产能力的公司,比如在线零售商,也计划使用人工智能来提高复杂的全球供应链的可靠性。因此,对人工智能人才的需求激增是不可避免的。

2018 年,几所主要大学宣布了开发 AI 人才的举措。

麻省理工学院(MIT)宣布了有史以来对人工智能最大的一项承诺:出资 10 亿美元创建一个计算学院;卡内基梅隆大学创立了第一个人工智能学士学位课程;加州大学伯克利分校宣布成立一个新的数据科学部门;斯坦福大学宣布了一项以人为中心的人工智能计划。

其他数十所学校也纷纷效仿。就像 30 年前的软件开发和 10 年前的数据科学一样,机器学习逐渐从默默无闻的小透明到处处刷着存在感的“知名人物”。

早在 2017 年,几位风投专家就人工智能风险曲线(AI risk curve)写了一篇文章,认为阻碍人工智能应用的不是技术,而是管理者对用不熟悉的软件流程取代一名员工(其表现是已知的)所涉及的风险的认识。
但现在,经济紧缩给了管理者前所未有的压力, 他们被迫降低成本,这也就增加了对采用新技术所带来的的风险的容忍度。在未来一两年,企业将更愿意承担风险,并将新技术集成到他们的基础设施中。

在粮食和农业领域,人工智能将帮助我们理解和适应变化的气候。在基础设施和安全方面,机器学习模型将提高云基础设施的效率、可靠性和性能。更好、更动态的风险模型将有助于企业和整个金融市场应对下一场危机。

为了完成所有这些,将需要大量新的应用人工智能的公司,特别是能够创造更好的开发工具和基础设施、持续优化系统和产品,以帮助规程提高数据质量、安全和隐私。

资料来源:
After this COVID winter comes an AI spring | VentureBeat. (n.d.). Retrieved July 6, 2020, from https://venturebeat.com/2020/06/28/after-this-covid-winter-comes-an-ai-spring/
AMiner学术头条
AMiner学术头条

AMiner平台由清华大学计算机系研发,拥有我国完全自主知识产权。系统2006年上线,吸引了全球220个国家/地区800多万独立IP访问,数据下载量230万次,年度访问量1000万,成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

https://www.aminer.cn/
专栏二维码
产业人工智能
相关数据
Microsoft机构

微软是美国一家跨国计算机科技公司,以研发、制造、授权和提供广泛的计算机软件服务为主。总部位于美国华盛顿州的雷德蒙德,最为著名和畅销的产品为Microsoft Windows操作系统和Microsoft Office办公室软件,以及Xbox的游戏业务。微软是美国《财富》杂志2015年评选的世界500强企业排行榜中的第95名。

https://www.microsoft.com/en-us/about
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

AlphaFold技术

DeepMind 提出的深度神经网络蛋白质形态预测方法。AlphaFold系统,是DeepMind在2017-2018年中一直在研究的项目,它建立在多年以前使用大量基因组数据来预测蛋白质结构的研究基础之上。 AlphaFold产生的蛋白质3D模型比以往任何一种都精确得多,在生物学的核心挑战之一上取得了重大进展。

合合信息机构
推荐文章
暂无评论
暂无评论~