輔助用戶決策的“認知商業”，比要代替人的更具商業實用性。

2016年堪稱人工智能元年。繼谷歌AlphaGo高調亮相之后，IT巨頭們紛紛亮出了人工智能領域的最新成果。微軟推出了智能聊天機器人Tay，必應搜索引擎也多次在足球、選秀等重大比賽中準確地預測了比賽結果。Facebook公布了圖像識別技術。這些技術看起來非常驚艷，但很多在商業領域難以直接發揮作用。

與開發通用型人工智能技術不同，IBM更關注人工智能在商業領域的應用。今年IBM提出了“認知商業”的戰略，將認知計算技術與行業經驗相結合，幫助企業快速實現商業模式的變革與迭代，讓人工智能融入企業運營。

從智慧地球到認知商業

在認知商業戰略提出之前，IBM的戰略重點是智慧地球。彼時正值物聯網、和移動互聯技術大規模應用的時期。IBM意識到，萬物互聯可以造就無限的商業機會。智慧地球的愿景就是希望世界上所有的設備都能夠聯網，通過，實現智慧化的商業，甚至智慧化的城市和國家。

為實現智慧地球的戰略，IBM提出了3I模型，即Instrmented(感知)、Interconnected(互聯)和Intelligent(智能)。

設備位于模型的底層，使設備能夠采集數據，這是智慧地球的基礎。設備互聯之后產生海量的數據，如何從數據中獲取價值，就需要智能化的分析技術。過去的幾年中，智慧地球戰略在設備和互聯兩個層面得到有效的實施，但在數據的智能分析上遇到了挑戰。如何實現對大數據的分析和認知?IBM提出了“認知商業”的戰略。

“認知”而非“智能”

與當前人工智能強調的概念不同，IBM對人工智能在商業應用中的理解，是實現“認知”而非“智能”。做出這一判斷的基礎，是IBM數十年來在行業客戶中積累的經驗。

IBM認為，目前商業遇到的最大挑戰是不能發掘數據的價值，數據如何在商業中運用，仍需要人來進行判斷。商業不僅僅是追求利益最大化，還需要考慮法律、倫理、社會責任等多方面的因素。而這些有溫度的判斷，很難由計算機來完成。因此，IBM認為，當前人工智能要做的是“認知”數據的價值。

當前數據分析的兩大挑戰是數據量的井噴和數據類型的井噴。根據IBM的預測，到2020年，全球每人每天將產生約2.4GB的數據，形象地比喻，就是每人每月產生的數據可以填滿一部64GB的iPhone手機。據統計2015年全球智能手機用戶約20億人，如此巨大的數據，對于計算能力是非常大的考驗。

數據類型的井噴，對企業而言是更為嚴峻的挑戰。數據類型可以簡單分為結構化數據和非結構化數據。結構化數據是長度固定、以數值形式記錄的數據。如GPS的定位坐標，電商產品的銷售量等。非結構化數據是除結構化數據以外的數據的統稱，它們難以被量化、沒有固定的長度和格式。如醫療領域為病人拍攝的X光片，法律界法院判決的文書，媒體中的視頻資料等。根據IBM的預測，到2017年，非結構化數據將占到數據總量的80%。

為應對數據井噴帶來的挑戰，IBM嘗試從兩個方面尋求方法。一是提升運算能力來應對結構化數據的分析。得益于摩爾定律，計算機的運算能力一直保持高速的提升狀態，結合IBM在超級計算機領域的研發實力，結構化數據的挑戰并不難克服。

但是在非結構化數據方面，IBM遇到了困難。最初IBM希望通過培養數據科學家來分析非結構化數據。數據科學家將非結構化數據解構，分解為結構化數據再交由計算機處理。但隨著數據的井噴，數據科學家無法跟上數據增加的速度，迫切需要計算機來模擬他們的工作，分析非結構化的數據，以實現對數據價值的認知。

認知計算是模擬人的自然思維理解數據，歸納起來是三種能力的集合，即理解(Understanding)、推理(Reasoning)和學習(Learning)，簡稱為URL。

實現認知計算的第一步是理解數據，例如理解人的自然語言、圖片的內容等等。以語音識別為例，在一個句子中，出現“蘋果”一詞，可能是指蘋果公司或者它的產品，也可能是指一種水果。究竟是什么含義，這就需要準確判斷出來。如果不能實現數據的理解，后面的分析也就無從談起。這也是科技巨頭都在花費大量精力研發語音識別和圖像識別技術的原因。

推理是發現非結構化數據之間的邏輯聯系。通過假設生成，能夠透過數據揭示洞察、模式和關系。將散落在各處的知識片段連接起來，進行推理、分析、對比、歸納、總結和論證，獲取深入的洞察以及決策的證據。在與美國知名作曲家鮑勃·迪倫的對話中，IBM沃森(Waston)僅僅花了幾秒鐘就判斷出：“根據我的分析，你的歌曲主題大多是關于時光流逝和愛情枯萎的。”沃森能以每秒閱讀8億頁內容的驚人速度從海量歌詞中提取關鍵信息，再通過推理判斷能力揭示海量歌詞背后的“愛與痛”。推理是認知計算最為關鍵的一環。

學習是認知計算能夠不斷提升的保障。通過以證據為基礎的學習能力,從大數據中快速提取關鍵信息，像人類一樣進行學習和認知。可以通過專家訓練，并在交互中通過經驗學習來獲取反饋，優化模型，不斷進步。具備自我學習的能力，是認知計算與大數據等傳統技術最為本質的區別。

布局行業認知平臺

目前人工智能可分為兩大陣營，一類是以谷歌Deep Mind通用型的人工智能平臺為代表。該類平臺的策略是突出程序和算法，優化運算能力。希望只需通過改變訓練數據的輸入，就可以在不同行業運用。如谷歌希望AlphaGo的平臺，將棋譜變為癌癥數據庫，就可以實現癌癥治療方法的研究。

另一類是以IBM為代表，將人工智能技術與行業相結合的應用。在IBM看來如果說互聯網時代的關鍵詞是“顛覆”，那么人工智能的關鍵詞就是“變革”，與行業經驗的結合是未來商業的主流模式。

早在郭士納主導的轉型中，IBM就將咨詢作為核心業務發展，這令IBM能夠深入到各個行業內部積累行業知識，對行業的深度理解，是IBM與其他IT企業相比最大的競爭優勢所在。

IBM深耕行業認知依靠的是沃森平臺。沃森是一個具有強大認知功能基于云和開放標準的平臺。沃森通過提供API使企業接入沃森平臺獲取認知計算服務。沃森的每個API可以實現一個特定的功能，通過不同API的組合，就可以實現多種認知計算的需求。目前沃森的API接近50個，主要包括潛在語義分析、情感分析、關系抽取、深度學習、知識提取注解、遞歸神經網絡、問答驗證等。在API的基礎上，通過整合行業知識庫，就可以針對每個行業，提供特定的認知計算服務，目前沃森平臺主要的行業包括金融、制造、醫藥、零售、媒體等。

對于傳統企業而言，也無需對人工智能的到來心懷恐懼，專注于自身行業經驗的積累，選擇合適的人工智能服務商合作，將人工智能用于行業價值的挖掘，將為企業帶來無限的想象空間。