每个科技公司都应该问自己：如何适应人工智能时代？

本文首发于GGV纪源资本（ID：GGVCapital）

文 | Jason Costa

回想互联网的兴起，每当一种新平台兴起的时候，都需要新行业的公司具有一种不同的DNA。换句话说，即使西尔斯 （Sears） 或梅西百货 （Macy’s） 这种线下零售公司开设了网站，它们也不能算是电子商务互联网公司。全新的组织结构和不同的思维方式成就了亚马逊，并在随后的二十年中彻底改革了电子商务格局。

实体店 网站 =互联网公司

之所以这样说，很大程度上是因为有太多新的职能、方法和过程都需要开发新的技能，这些技能是老兵不能或不愿意做到的，如A / B测试和快速实验。

刚刚涉水互联网的传统公司可能并不重视A / B测试和实验。这既导致数据工程师需要不断使用可扩展框架来搭建现有系统，以便部署常规实验，还导致需要大量数据学家每天 （而不是每小时） 解读这些实验的结果。数据科学在网络时代拥有崭新和独特的功能，其作用之大史无前例。

此外，产品的开发周期也发生了意外的变化。网络使公司真真切切可以随时部署新产品。西尔斯 （Sears） 每季度推出一个新的产品目录；亚马逊可以每天 （甚至每小时） 推出一个新的“产品目录”。这些互联网所具备的新属性需要不一样的准备和规划才能被充分利用。团队之间如果可以相互协作，把握好软件推出节奏，不仅能与用户快速升级或修复系统，还能快速收集用户反馈、改进产品。

新组织的核心特点包括创建“产品经理”角色以及提升工程师的话语权。工程师团队将有主动权，不再被动接受销售与营销团队的命令。

突然间，在产品开发阶段建立并拥有主要话语权的工程师就被奉为英雄了 （本身确实应该如此） 。产品经理的诞生令既有技术又有敏锐商业触觉的个人有了崛起的机会——他们也同样了解如何与工程师交流，或者与设计师讨论用户界面需求，与销售和营销人员畅谈客户需求。更重要的是——他们能够应对内外所有质疑，将产品交付到用户手中。

互联网公司 深度学习 = 人工智能公司

传统实体企业不能仅靠开个网站就马上能变成一个电子商务公司。同样地，传统互联网公司要变为一家“人工智能公司”，只是建立一系列神经网络是不够的。成功的人工智能平台转型需要新的组织、职能和方法。这在有机器人技术参与的领域表现尤为明显：自动驾驶汽车、工业自动化 （工厂、仓库等地的机器人） 、自动最后一英里投递等等。

数据网络效应

在这个时代，数据的地位比起其在互联网年代变得更加重要。有战略性地获取数据将是人工智能时代最重要的事情。注入培训框架从而产生习得模型的极其大量的差异化数据集将成为新的人工智能公司的主要竞争优势。很多公司很有可能使用硬件来收集这种数据。他们可能投入巨款出售硬件，将产品渗透到特定市场 （住宅、汽车、办公室市场等） 。硬件的存在将对这些公司产生数据网络效应，也就是说，假以时日，这些公司将在各自领域从其他竞争对手中赢得复合竞争优势。

一家公司获得的纵向数据越多，他们的模型和所做出的自动化决策就越好。这些必须是“良好”、“干净”的数据；而不是无用数据的输入输出。更优的产品能被更好地利用，转而提供更多的数据——这就是数据生命周期的优势。

决策自动化

决策自动化也将会变得尤为重要。所谓的决策自动化是指机器在无需人手操作下自动决策的能力。一个公司产品实现自动化决策的速度越快，公司的竞争优势就越大。比如，就“最后一公里”的投递机器人来说，人员需要多久对它进行一次远程操作呢？如果在机器过马路或者必须要避让人行道的障碍物的时候，人类不需要进行远程的干预，那么这个公司的规模效益就会更大。

接下来问题就在于，对于管理机器人队伍的远程操作员来说，机器人厂家能在多短的时间内使得机器人的自动化比率达到75%，甚至90%。工厂和仓库也是一样，这些机器人需要达到最高水平的自动化决策。

新的产品团队

在这些新兴机构里也可能会产生过多衍生角色。产品管理会有所变化，设计也是一样。在互联网和移动工具时代的进程中，各个领域中的大多数公司都已倾向于不再把注意力集中在硬件方面。取而代之的是现代产品组织的三巨头：产品、设计和工程。随着无人驾驶汽车、产业自动化、机器人、智能家居等的出现和发展，未来社会将会需要机械和电气工程师、产业工程师，甚至还可能需要物理学家和数学家的潜在需求或许也将会显现出来。

毫无疑问，还会需要更多数据科学家，数据科学本身可能成为一项商业技能，像“编程训练营” （ HackReactor） 会训练数据学家来把TensorFlow这样的行业标准工具运用在特定的数据集上。制定新型建模策略的专家们可能会更像房屋建筑师，他们承包了蓝本的构建，但他们甚至可能从不参与实践。

产品经理的角色

产品经理的角色也会有极大的变化，我猜测产品经理以后会分为两种类型。一方面，产品经理可能会更强调对项目管理和对目标客户的产品营销。这类产品经理会经常地与客户打交道，更密切监控进程并从市场上获得反馈。他们还会与市场营销部门更密切合作，进行进入市场前的故事营销，专注于让机器人和人工智能对用户和公司更加友好。

在另一个方面，将会出现一些具备高级技术技能的产品经理，他们的工作与工程部门的联系非常紧密 （甚至很有可能需要向工程部报告） 。在人工智能和深度学习的背景下，这类产品经理需要了解，现在可以做到的事情是什么，为两年、五年后的需要收集的数据做规划，来实现更多事情。那意味着将来不只需要建立功能路径图，还需要建立一个数据路径图。除此之外，获得必要数据和审改数据集不再是重点——重点是需要从一开始就构建能收集数据的产品。产品经理需要弄清楚哪些信号是重要的，然后制造产品来搜集发出信号的数据集。

结论

虽然人工智能将需要时间继续发展和进一步渗透市场，我的确相信深层次学习将影响我们日常生活的方方面面——从我们如何上班、工作的时候如何提高生产力，到我们如何得到食物和如何连接家庭居住空间。组织可以凭此获得无限机会进行资本化，也需要避免很多问题 （参见百视达Blockbuster的破产） 。

如果说互联网浪潮曾预示过什么，那就是未来将会有很多赢家和输家。对于现存的企业，他们的成功很大程度依赖于公司DNA的变化速度以及能否抓紧下一个平台潮流，并吸取互联网产业的历史教训。下一个十年值得拭目以待。