标准。

其他以人工智能为动力的组织根据其情况有不同的方法来扩大人工

智能的规模，而且它们并不都是由技术驱动。例如，在联合利华（Unilever），

最大的挑战是在该公司开展业务的一百多个国家推广人工智能使用案例。

当它在供应链、精准营销、定价和促销领域推出高级分析和人工智能的新

能力时，它与每个国家（至少是大型市场的国家）的领导人合作，定制其

模型，并将其与当地的系统和流程相结合。历史上，产品种类是基于联合

利华（Unilever）过去运到商店的产品。但现在，联合利华（Unilever）的

数据科学家已经开发了数千个模型，根据过去的销售情况、当地的消费模

式、商店附近的生活水平以及正在经历增长的产品类别（甚至来自竞争对

手）来定制商店的产品组合。

这些模型和细化程度对印度很有效，但对那些在大型杂货连锁店（例

如美国的克罗格公司）、购物俱乐部（美国的好市多和山姆会员店）、大型

超市（法国的家乐福）或便利店（日本的 7-11）购物的国家，需要采取非

常不同的方法。联合利华（Unilever）的数据、分析和人工智能负责人安

迪·希尔告诉我们，“对我们来说，扩大规模不是开发模型的问题，而是在

全球范围内进行变革管理和部署的问题。”

管理用于训练和其他方面的数据

数据是机器学习成功的先导，没有大量的好数据，模型就无法实现准

确的预测。每个认真对待人工智能的组织都必须在某些时候处理其数据，

构建或重新构建数据，将其放在一个共同的平台上，并解决讨厌的问题，

如数据质量、重复的数据和整个公司的孤立数据。可以说，大多数组织在

扩展人工智能系统方面的最大障碍是获取、清理和整合正确的数据。

我们已经介绍了几个主要的数据举措。Piyush Gupta 在第二章中参

与了星展银行的数据重新设计，以及本章前面描述的用 AI 数据推进星展

银行的项目和壳牌的大量预测性维护数据收集。我们可以对联合利华

（Unilever）说类似的话。该公司也一直在为分析和人工智能开发一个新

的基于云的数据平台。和壳牌一样，他们采用了一个湖心岛架构，将非结

构化数据的数据湖和一些用于商业智能应用的传统关系型数据结合起来。

它是公司数据的“单一真相来源”，使联合利华（Unilever）有能力轻松扩

展存储库，并处理密集的分析和人工智能工作负载。面向人工智能的公司

的数据环境有以下几个特点：

⚫大多数是基于云的。他们提供方便的访问，灵活地扩展到更

多的计算能力，以及多种 AI 应用软件工具。一些积极的人工智能

用户，如 Capital One，声称因为自从转移到云端后，他们需要投

入更少的时间和注意力在数据存储和基础设施管理上，他们能够

大大增加他们的人工智能重点和能力。如果出于某种原因，企业需

要内部计算和存储（例如，出于安全、延迟或监管目的），在这种

情况下，同样的人工智能技术也可以使用。

⚫他们使用的数据是机器可读的。它通常需要一些提取、分类

和准备，但数据需要结构化，通常是数字的行和列，或者至少是分

类的文本字段，以便为 AI 做好准备。关键数据需要从传真、手写

笔记、语音记录、图像和视频等格式中提取，以便公司从数据中提

取更深入的见解。

⚫它们涉及内部和外部数据。公司正在分析地理空间、社交媒

体、天气、图像和其他类型的外部数据，并将其与自己的内部交易

数据进行比较。内部数据可以以传统的行和列的格式进行存储和

分析，而外部数据可以以其创建的任何形式存储。然而，即使是非

结构化的数据类型最终也需要转化为行和列的数字进行分析。

⚫它们是集中式的。与我们交谈过的大多数人工智能第一的公

司都试图摆脱他们的组织以前保持的许多数据孤岛，并转向一个

数据平台，用于分析或人工智能使用的几乎所有数据。一些企业正

在转向数据网或数据结构环境，整合来自企业周围多个来源的数

据，但这还处于早期阶段。

⚫他们使用新的系统。需要数据用于人工智能的公司也越来越

发现，他们需要人工智能用于数据。例如，他们正在使用概率匹配

的机器学习系统来结合不同数据库中关于同一产品、客户或供应

商的数据。人工智能系统也在一定程度上帮助数据准备，指出数据

质量问题并建议解决这些问题的方法。人工智能系统还可以创建

自动数据目录，帮助数据用户找到他们需要的东西。德勤咨询公司

的首席数据官 Juan Tello 还指出，人工智能可以帮助企业遵守欧洲

GDPR 和加州 CCPA 等法规。它可以帮助确定哪些地方可能发生

违反隐私的行为，并在某些情况下，解决这些问题。

⚫他们正在增加团队成员。尽管有人工智能的帮助，处理数据

仍然是一项劳动密集型活动。因此，许多公司现在人工智能团队中

包括数据工程师。他们的作用是建立高质量、高容量的数据环境，

从而有可能训练人工智能模型并将其应用于生产数据。执行这些

任务可以让数据科学家更专注于算法开发和功能工程，并加快系

统部署。

毫无疑问，数据平台将继续成为成功的人工智能最重要的前提条件之

一。但是，我们所描述的方法的兴起，有可能使人工智能的数据管理大大

增加效率和效果。

遗留的应用程序和架构的负担以及如何处理它们

人工智能技术的一个重要问题是如何处理遗留的交易应用程序和复

杂的现有技术架构，尽管这个问题不那么令人激动。进行预测或建议的人

工智能系统，或那些促进用户与计算机系统互动的系统，如果要 all in，

需要与交易系统整合。许多公司有老旧、分散的遗留系统，这使得整合具

有挑战性。在许多情况下，他们需要对这些系统进行现代化改造，以便将

人工智能能力与之整合。

大型遗留组织也有复杂的人工智能架构，有复杂的技术堆栈。这在整

个组织有大量创业型人工智能活动的公司尤其如此，而且没有强有力的中

央协调。许多由此产生的人工智能技术与彼此的能力重叠。领导们甚至很

难知道谁在他们的组织中使用什么，以及如何统一和管理这一切。这种情

况下的公司通常有多个云系统，多个人工智能开发工具，以及许多联盟，

这一切都变得不方便和不理想。处于这种情况的公司必须控制这些不同的

架构，并随着时间的推移将其简化。

健康福利公司 Anthem Inc.是一个有用的例子，部分原因是它说明了

这项任务的清醒性。几年前，我们第一次开始在安泰公司研究和咨询这个

问题。2017 年，时任安泰公司首席信息官的汤姆·米勒在德勤的一次会议

上发言。德勤当时正与安泰紧密合作，帮助该公司实现人工智能优先。

米勒描述了该公司如何管理其遗留系统，他说，安泰的交易架构的核

心是（现在仍然是）其索赔引擎，它每年处理超过 10 亿份索赔。2017 年，

安泰保险正在对其理赔引擎进行现代化改造，将多个系统（有几个是通过

收购进入公司的）整合到一个平台上，使关键服务模块化（注册、计费、

定价等），并将人工智能能力整合到核心系统和流程中。目标是包括诸如

机器学习洞察力、客户界面的对话式人工智能和机器人流程自动化等认知

能力。该公司为此目的创建了一个认知能力办公室。

随着安泰继续其现代化的努力，他们一直在将其索赔处理整合到一个

核心系统中，并过渡到一个具有 API 的云平台。这个云平台将推动各系统

之间的互操作性，增强它们提高效率的能力，并通过人工智能推动成本节

约。这些变化正在进行中，但该组织的架构方法已经有了一定的变化。我

们的前德勤同事 Rajeev Ronanki 在 2018 年成为安泰的首席数字官，现在

是他们的平台业务总裁，他说，“安泰的大部分人工智能功能将通过 API 提

供，而不是将其构建在交易系统的代码中。他们的技术环境变化被纳入一

系列三年计划。”

在下一个三年计划中，安泰有雄心勃勃的技术目标。自动化将是一个

主要焦点，目标是使公司 50%的工作任务自动化。下一个计划的目标也

是与利益相关者的互动有 90%是数字化和基于人工智能的。我们认为，

安泰的三年计划是将传统架构过渡到基于人工智能的架构的好方法。任何

有长期积累的技术债务的遗留公司都不可能一下子重建一切。即使他们可

以，以人工智能的变化速度，到新的技术架构建立时，它可能已经有些过

时了。关键是要设定明确的目标，并在多年变革计划的每一步展示明确的

价值。

人工智能、数字和 AIOps

根据德勤对人工智能活动的年度调查，近年来最受欢迎的人工智能应

用之一是 IT 本身。人工智能和自动化能力可以预测和诊断网络和服务器

的问题，而自动化程序可以将它们恢复到健康状态。这种人工智能的使用

案例可能看起来有点内向，但它实际上已经成为许多企业的关键能力。如

果你的业务依赖于 IT 和数字能力，你需要利用你所掌握的所有工具来确

保这些资源的可用性。使用人工智能来帮助 IT 运营被称为 IT 自动化，但

最近被称为 AIOps。AIOps 涉及软件和 IT 设备数据，以确定问题领域并

使 IT 运营的各个方面自动化。随着公司日益数字化，这项技术并没有取

代人类IT 操作员，但它有助于将这类工作的增长限制在一个合理的水平。

一个专注于人工智能的公司已经接受了 AIOps，它就是空客。它有数十万

台 IT 设备，它们对飞机和其他产品的生产越来越不可或缺。如果关键的

IT 设备出现故障，或者没有立即提供备件，生产可能会中断。该公司正在

使用人工智能来预测和防止 IT 设备的中断，并缩短维修时间。空中客车

公司还在使用 AIOps 来监控像我们在第三章中描述的 Skywise 开放数据

平台的信息传递。空中客车公司与软件公司 Splunk 合作，监控其生产过

程中的许多不同机器，以及其网络安全环境。在 18 个月的时间里，空中

客车公司开发了一个全球数据融合平台，每天监测来自 20 万个数据生成

资产的 20 兆字节的数据。该监测系统有 120 多个不同的应用程序，其中

许多具有机器学习功能。它们评估的问题包括：IT 资产是否在最佳水平上

运行，如果出现问题，可能有哪些备用组件，以及内部或外部数据泄露或

内部安全威胁的可能性。如果没有人工智能的帮助，任何公司都不可能跟

踪并成功管理所有这些数据和应用。空客公司并不是唯一的。很明显，拥

有大量数字业务的公司应确保其端到端的 IT 和数字基础设施一直可用，

或尽可能多地可用。由人工智能驱动的公司也是由数字驱动的，他们需要

AIOps 来保持数字燃料的流动。

构建高性能计算环境

人工智能技术不仅仅是关于软件。计划进行大量人工智能开发的公司

需要建立一个合适的硬件环境。通常被称为高性能计算或 HPC 环境，它

们通常包括可以并行执行非常快的数字计算的系统。最常见的是，基于深

度学习的人工智能模型使用图形处理单元（GPU），在云和内部配置中都

有。它们最初是为视频游戏开发的，特别适合于图像、视频和自然语言处

理。例如，德勤与 Nvidia 合作成立了德勤人工智能计算中心，Nvidia 提

供了支持 GPU 的 DGX A100 系统，以证明新的案例，与客户共同创新，

并通过使用这种先进的人工智能基础设施创建和销售新产品和服务来获

得增长。

人工智能技术的变化速度

人工智能技术可能是所有信息技术领域中变化最快的。成千上万的研

究人员正在探索新的模型和人工智能方法，成千上万的成熟供应商正试图

将其转化为产品。特定的供应商，特别是初创公司，随着时间的推移而消

亡。任何组织都不应该期望他们可以为人工智能建立一个技术环境，并让

它运行十年。我们相信，每一个大型组织，当然是那些正在或渴望成为人

工智能第一的组织，都应该指定聪明的人去关注人工智能技术趋势，尝试

新技术，并在它们似乎符合组织的需求时引进它们。这些人不需要是出色

的数据科学家或人工智能工程师，但他们确实需要了解人工智能的关键技

术，以及它们如何支持案例和业务需求。最后一点：在本章几乎所有关于

公司用来推进人工智能的技术的讨论中，我们也讨论了他们所做的其他类

型的组织变革，即人员、流程和技术的老三样，我们可以在其中加入战略

和商业模式的变化。人工智能技术是强大的东西，但如果没有业务、组织

和文化的变化，它是没有用的。

第五章 能力

关于任何类型的重大业务变革的古老管理陈词滥调，“X 是一个旅程”，

适用于人工智能驱动的业务转型。没有一家公司能一下子广泛而深入地采

用人工智能。它需要实验，随着时间的推移，能力的发展，适合和开始，

错误和挫折，以及一个组织内任何重大变革的所有其他属性。重要的是公

司如何随着时间的推移建立可持续的人工智能能力。在这一章中，我们将

描述这些能力以及它们是如何建立的。此外，我们还将描述一些公司实现

其渴望的人工智能原型的具体历程，以及在人工智能能力阶梯上向上移动

的一些一般原则。我们会指出一些企业可能想要采用的捷径，也会提到一

些组织在其人工智能计划中遇到的一些陷阱，你可能想避免这些陷阱。在

本章的最后，我们将讨论道德的、值得信赖的人工智能能力，以及如何将

其投入到人工智能的发展中。

让 AI 作为助推器的一般路径

通往All-in投入人工智能的道路不是特别好走；我们估计只有不到1%

的大型组织符合我们的定义。然而，几乎每一种业务能力都有能力成熟度

模型，我们将为人工智能描述一个类似的方法。推进人工智能的成熟度是

基于各种因素的，包括：

⚫整个企业的人工智能使用案例的广度

⚫采用不同人工智能技术的广度

⚫高级领导人的参与程度

⚫数据在企业决策中的作用

⚫可用的人工智能资源的范围——数据、人员、技术

⚫生产部署的程度，而不是人工智能试点或实验的程度

⚫与商业战略或商业模式转型的联系

⚫确保人工智能的道德使用的政策和程序

能力成熟度模型往往有五个级别，我们认为没有理由偏离这一标准。

他们也倾向于在 1 级有低能力，在 5 级有高能力，我们也遵循这一模式。

我们在第 1 章中介绍的能力水平在这里重复了级别：

⚫AI 助推器（第 5 级）。拥有我们上面描述的所有或大部分组

件，完全实施和运作；企业建立在人工智能能力之上，并正在成为

一台学习机器（见下一节）。

⚫变革者（第 4 级）。还没有得到人工智能的支持，但在这个

过程中已经走得比较远了，有一些属性已经到位；有多个人工智能

的部署，正在为组织创造巨大的价值。

⚫探路者（3 级）。已经开始了这个旅程，并正在取得进展，但

处于早期阶段；有一些已部署的系统和一些可衡量的积极成果。

⚫启动者（第 2 级）。正在尝试使用人工智能，这些公司有一

个计划，但需要做更多的事情来取得进展；有很少或没有生产部署。

⚫起步者（第 1 级）。已经开始试验人工智能，但没有生产部

署，几乎没有取得任何经济价值。

我们还可以添加一个“0 级”来描述没有任何人工智能活动的公司，但

这肯定是先进经济体中大公司的少数类别。与其他成熟度模型的关键区别

在于，我们为人工智能的使用提供了三种可供选择的原型，但无论公司努

力的主要重点是什么，都可以处于不同的水平。我们会认为，在谈论人工

智能驱动的企业时，我们几乎总是在描述 5 级组织。就像我们的例子一

样，他们是拥有各种各样的人工智能技术和案例的公司，同时还有专门的

技术平台来支持它们。他们确实在做实验，努力创造的公司可能比寻求运

营改善的公司做更多的实验。然而，所有这些组织的目标（通常已经实现），

是通过将人工智能系统投入生产部署，实际利用人工智能开展业务。新的

商业流程被采用。新的产品和服务被引入市场并被客户使用。高级管理人

员参与并积极确定使用案例和监测性能。他们建立了数据科学小组，实现

了数字基础设施的现代化，并确定了用于训练和测试模型的大量数据。也

许最重要的是，正如我们在第三章中所讨论的那样，采用人工智能有不同

的原型，不同战略的能力模型有不同的版本。正如我们前面指出的，我们

的观点是，三个主要的原型可以概括为：（1）创造新的业务、产品或服务；

（2）改变运营；以及（3）影响客户行为。虽然根据我们的调查研究，改

善运营是人工智能最常见的目标，但很明显，至少有些公司不只是用人工

智能来使他们现有的战略、运营和商业模式更有效率。相反，他们使用人

工智能来实现新的战略、全新的业务流程设计，以及与客户和合作伙伴的

新关系。这些公司将根据他们成功开发新战略、商业模式或产品的程度来

评估他们的能力。以运营为重点的人工智能目标将涉及实现实质性的运营

改进，而客户行为目标将关注实际实现了多少客户行为的改变。当然，这

种水平的业务转型需要高级管理层的积极参与和战略审议，而第五级组织

通常会表现出这种参与。

中国平安——创造新商业模式的明确的 5 级公司

很难想象有哪家公司比中国平安更致力于人工智能驱动的业务，中国

平安于 1988 年作为一家保险公司起步。正如我们在第一章所述，它已经

迅速发展成为一个综合金融服务平台，通过金融服务、医疗保健服务、汽

车服务和智能城市服务的生活方式生态系统，提供保险、银行和投资方面

的产品和服务。平安利用人工智能创造了新的商业模式、新的战略、新的

生态系统和新的流程。在二十世纪末和二十一世纪初，随着中国经济的急

剧增长，消费者变得更加富裕，这被证明是一个很好的战略。正如我们在

第三章中所讨论的，没有人会怀疑人工智能正在被用来推动公司层面的业

务转型,而且它已经成功地做到了这一点。当然，它也使用人工智能来改善

其各种业务的现有运作，但其主要重点是创造由人工智能推动的场景和商

业机会。

平安的高级管理团队当然也参与了人工智能。公司创始人兼董事长马

明哲与数据科学团队紧密合作，推动人工智能和相关技术的新发展。当他

有一个在企业内部应用人工智能的想法时，他会找到合适的团队来实现它。

马云十多年来一直热衷于数据，然后是大数据，然后是人工智能。2013 年，

马云请来杰西卡·谭担任首席运营和信息官。来自管理咨询公司的麦肯锡，

拥有麻省理工学院的两个学位，她现在是联合首席执行官，平安的人工智

能计划就是由她负责的。

平安还建立了一个庞大的数据科学组织。截至 2021 年 6 月，该公司

有超过 4,500 名数据科学家和人工智能专家，以及超过 11 万名科学和技

术专家。集团首席科学家和人工智能的有效负责人肖晶，是卡内基梅隆大

学计算机科学和机器人学的博士。该公司的许多数据科学家以前是学者。

该公司的人工智能专家被分配到特定业务部门的项目上。肖告诉我们，该

公司的海量数据（部分来自其生态系统结构）和许多应用案例使其更容易

吸引数据科学人才。他还说，人工智能专家不只是创建模型，他们也有责

任将模型部署到业务中。

平安有很长的人工智能案例库存，有些对外界来说相当明显。在平安

的“好医生 ”平台上，基于人工智能的系统协助人类医生进行症状检查和

分诊，为超过四亿用户提供服务，这有助于为公司在医疗保健领域创造新

的业务。在智慧城市业务部门，一个智能疾病预测系统帮助监测和预测中

国几个大城市社区的流感和糖尿病等疾病。平安的车主应用程序使用人工

智能和其他数字工具，在短短两分钟内通过智能手机照片解决汽车事故索

赔。同一应用程序的其他功能可以在 7 秒内为客户生成一个推荐的保险

政策。其针对金融服务公司的 OneConnect 业务具有强大的基于人工智

能的风险管理能力。整个公司还有很多这样的人工智能应用。

平安已经开发了几个不同的人工智能平台，以促进这些用户场景案例。

例如，平安大脑整合了深度学习、数据挖掘、生物识别等方法，为产业链

事件分析、语音识别、推荐引擎和机器人部署等场景案例提供动力。像疾

病预测这样的智能城市应用是由一个名为 PADIA 的平台驱动的，用于基

于数据的决策。它结合了各种人工智能算法，包括机器学习和自然语言处

理。

从组织上看，平安的人工智能大部分来自其平安科技部门，该部门位

于深圳，但它在中国其他几个城市和其他地方，包括新加坡，都有实验室。

平安科技成立于 2008 年，其研究项目获得了许多奖项，2019 年其开发的

专利数量在全球排名第八。如今，它的大多数研究项目都以某种方式涉及

人工智能。平安利用数据和基于场景的人工智能来推动其业务的发展和转

型，从三十多年前的保险业发展成为领先的综合金融服务和医疗服务提供

者。但没有理由其他保险公司或其他行业的公司不能采用同样的方法。中

国平安已经从 20 世纪 80 年代末的一个小公司变成了一个全球巨头。平

安的收入超过 1910 亿美元，在 2021 年《财富》全球 500 强名单中排名第

16 位，在全球金融企业中排名第二。

丰业银行——运营转型中的缓慢起步，快速追赶

一些机构和读者可能会觉得，获得人工智能的能力是一场竞赛，如果

一个公司落后了，就永远无法追赶。总部在加拿大的“五大”银行之一的丰

业银行（正式名称为新斯科舍银行）否定了这一观点，该银行在过去两年

中对人工智能采取了以结果为导向的方法，并加快了其能力。虽然丰业银

行的一些竞争对手较早建立或收购了人工智能能力，但丰业银行首先专注

于大规模的数字化转型，为数据和分析能力奠定基础。虽然这可能减缓了

银行进入高端分析和人工智能领域的速度，但这种关注使银行的各项业务

能够采用高度实用的数据驱动方法来应对客户需求。

丰业银行通过更紧密地整合其数据和分析工作，在人工智能的一些关

键领域迎头赶上。对人工智能采取务实的方法，并专注于可重复使用的数

据集，这有助于提高速度和投资回报率。到 2019 年中期，该银行的首席

执行官布莱恩·波特认为，一个专注于客户洞察、数据和分析（CID&A）的

新团队将是这项任务的核心。波特任命菲尔·托马斯为 CID&A 的执行副总

裁，银行的首席分析官和首席数据官都要向他汇报。此外，他还增加了一

名专门的首席信息官来支持这一职能。

这种综合报告结构使丰业银行能够迅速收集和管理必要的数据，并将

分析和人工智能能力落实到位。正如其中一位高管所说，“我们的激励机

制、领导力和个性都是一致的，没有任何摩擦或阻碍。”尽管如此，丰业银

行的高管们知道，成功来自于这些元素与他们的业务目标的直接一致。例

如，虽然分析和人工智能功能是集中的，但大多数数据科学家都直接与各

业务线保持一致。因此，业务领导人最终推动了开发哪些分析和人工智能

案例的议程，与他们专门的分析和数据团队紧密合作。“数字化使整个银

行的数据可见，分析和人工智能人员不仅仅是赋能，也是我们新的前线的

一部分”，Grace Lee 说，她在 2021 年 10 月之前是首席分析官。(李当时

接管了CID&A的领导权，托马斯升任首席风险官，这个角色包括对CID&A

的监督）。

对于托马斯、李和他们的同事来说，改进关键流程并在银行内部做出

更好的决策是最好的发展方向。他们实现这一目标的方式是采用以结果为

导向的人工智能方法，托马斯将其称为“蓝领人工智能”。重点不是研究或

实验，而是在相对较短的时间范围内，哪些项目有很大可能为企业带来价

值。没有“大爆炸”项目，只有那些涉及持续改善银行运营和客户关系的项

目。因此，大多数人工智能项目被部署到生产中，80%的分析和人工智能

模型已经部署，20%正在等待（据李说）。

丰业银行的高管们认识到，商业模式和产品/服务产品的巨大变化可

能更难落地，无法实现建立势头所需的牵引力。虽然一些资源被用于探索

新技术（不仅仅是人工智能，还有区块链和量子计算）如何推动新的商业

模式和产品，但 CID&A 团队的绝大部分人都专注于改善今天的运营和客

户体验。

为了与银行的人工智能方法以客户为中心保持一致，它的几个关键案

例都侧重于改善客户体验。丰业银行决定，在 Covid-19 大流行期间，它

将尝试为最需要这种帮助的客户（首先是个人消费者，后来是小企业）找

到关于如何驾驭大流行的金融建议。该团队开发了一个应用程序，采用机

器学习模型，利用存款和支出水平等交易数据，识别可能出现现金流问题

的消费者。由此，银行确定了那些被发现最需要支持和建议的人。CID&A

团队与该银行的加拿大银行零售部门合作，通过分行关系经理利用这些主

动联系的机会，他们将利用这些目标名单与客户联系，并提供个性化的建

议和支持。这个引擎分析银行所知道的客户生活事件（新的抵押贷款、新

的孩子、孩子上大学），以及客户对特定渠道（分行、手机、在线、联络

中心或电子邮件）的偏好，以提供个性化的银行建议，并在客户偏好的渠

道提供建议。该银行已经发现，在其全球银行和市场部门的后台任务中实

现自动化，提高前线的安全性，并将联络中心的信息搜索时间在每个电话

中减少 1 分钟以上，从而获得了巨大的回报。

由首席数据官 Peter Serenita 领导的丰业银行的数据管理部门也进行

了改革。目标是更迅速地为分析和人工智能案例提供数据，因为没有数据，

模型就不可能实现。在 2019 年 CID&A 重组之前，银行的数据战略主要

集中在防御方面（一种保护银行的方法，强调监管合规、财务报告和风险

管理）。随着对客户洞察力和快速价值实现的关注，数据功能开发了一种

新的数据交付方法，称为可重复使用的权威数据集（RAD）。它为客户数

据、交易数据、余额数据等确定了可重用的数据集。这种数据方法提高了

速度、一致性和价值。虽然在数据项目上产生高投资回报率通常具有挑战

性，但 Serenita 说这在丰业银行现在很常见。

丰业银行的经验证明，在人工智能方面起步较慢的企业可以赶上甚至

超过起步较早的竞争对手，只要这些起步较慢的企业致力于投资和利用人

工智能技术的价值。该银行采取的蓝领人工智能战略确保了人工智能举措

为企业提供价值，并确保绝大多数举措被部署到生产中。该银行的人工智

能战略明确地专注于改善现有业务，并促进与客户建立更紧密的关系。当

然，银行目标的明确性使得这些目标更有可能实现。

用数据和人工智能影响保险业的客户行为

我们一直认为，人工智能在企业中最不常见的目标是改变客户行为。

正如我们所讨论的，这一目标在社交媒体组织中已经相当成熟，但在其他

领域却没有那么先进。众所周知，社交媒体可以以积极的方式（例如，创

造一种社区的感觉）和消极的方式（例如，创造社会分裂）改变行为。但

在保险业，目标是只创造积极的行为变化。该行业越来越希望不仅在其客

户的生活中发生坏事时向其支付赔偿，而且还希望帮助他们首先防止坏事

发生。这些公司当然在寻求盈利，但他们希望通过帮助其客户保持健康和

安全来实现。所有这些公司都处于追求这一目标的相对早期阶段，他们也

在寻求使用人工智能来改善运营。其中一些公司正在与初创企业合作，以

帮助建立这些能力，而其他公司已经自行开发了必要的能力。也许走得最

远的是进步保险公司，该公司长期以来一直是使用数据和分析来做出以客

户为导向的决策的先驱。它是行业内第一个根据信用评分为保险定价的公

司，后来它又是第一个根据司机的行为定价的公司。我们在第四章中介绍

的安泰保险公司是一家非常大的美国健康公司；而宏利保险公司是加拿大

最大的保险公司（在美国和亚洲有业务），主要提供人寿和健康保险、年

金和其他金融服务。

在进步公司激励更好的驾驶

在全球范围内，汽车保险业务正朝着这样的思路发展：实际驾驶习惯

是决定客户应支付多少保险费的最佳方式。这种方法被称为基于使用的保

险或 UBI，它使用传感器来测量某人的驾驶方式和时间，并为较安全的驾

驶者确定较低的保险价格，为那些表现出较高风险的驾驶行为确定较高的

价格。它使用机器学习模型，将驾驶行为转化为对个人客户的收费价格。

该公司最近采用了自动机器学习（AutoML），以便数据科学家能够分析更

多的数据，并更有效地进行定价。Snapshot 监测美国不同州的不同因素，

但在 Progressive 收集的驾驶数据中（通过移动电话或通过插入汽车并无

线传输数据的设备）有：

⚫过度加速或减速。通过加速器，Snapshot 监控快速加速、

强烈制动或艰难转弯。

⚫一天中的驾驶时间。Snapshot 监控客户的驾驶时间，当司

机在午夜至早上6 点之间上路或在高峰期时，收取更多的保险费。

⚫开车距离。Snapshot 对车辆行驶里程较少的司机收取较低

的价格（尽管它要求每年至少行驶四千英里）。

⚫使用移动电话。如果司机的手机上有 Snapshot 应用程序，

Snapshot 可以确定司机是否在开车时打电话或发短信，如果是，

则收费更高。

⚫超速行驶。超过或低于限速的驾驶（移动设备版本有 GPS）

会被 Snapshot 记录下来，并产生合法速度的较低价格。

Snapshot 不仅通过定价折扣（最高 30%）影响行为，而且还通过驾

驶安全字母等级（A 级获得大额折扣，B 级获得较小折扣，C 级及以下没

有折扣）。当不安全行为被登记时，插入式设备发出哔哔声、收到旅行期

间驾驶情况的网站报告，以及智能手机上机器学习生成驾驶提示。

Progressive 公司声称，使用 Snapshot 的司机总共节省了大约 10 亿美元

的保险费用。在某些时候，如果该公司能够计算出它所帮助防止的事故的

可能数量，那也是一件好事。

安泰集团的新健康行为

在 2020 年宣布，安泰集团计划成为一个健康的数字平台，将其健康

计划的数百万成员与服务联系起来，以改善他们的整体健康。该公司数字

平台总裁拉吉夫·罗南基告诉我们，目标是从“疾病护理”转向“健康护理”。

“与其治疗生病的人，我们将尝试让他们保持健康”。他说，该公司正试图

将个人会员、雇主和医疗服务提供者联系起来，以创造个性化的医疗保健，

并推动健康行为，将护理的重点从被动转向主动和预防。

罗南基在公司的 2020 年年度报告中说：

当今世界最有价值的 10 家公司中，有 7 家是平台企业，它们有效地

将供应和需求数字化。在安泰，我们建立了业界最大的平台，整合了我们

巨大的数据资产、专有的人工智能和机器学习算法。正是通过这个平台，

我们能够将知识数字化，并为我们的消费者、客户、供应商伙伴和社区创

造更灵活和无缝的体验。我们已经实现了护理服务的虚拟化，不需要购买

昂贵的实体护理服务基础设施。我们能够预测护理需求，并在正确的时间

将人们连接到正确的护理，无缝地融合了数字、虚拟和实体护理。我们能

够利用我们的人工智能和机器学习能力不断优化供应和需求，以确定个人

的健康需求，推动社区层面的整体健康改善影响。

截至 2021 年，安泰已经为其会员开发了一个获奖的应用程序，配备

了一套人工智能增强的工具和服务，以缓解护理导航，并为每个人量身定

制护理体验。这些工具之一包括利用所提供的健康信息、人口统计学数据

和偏好，为会员匹配合适的医疗服务提供者。安泰还利用其人工智能能力

来识别需要复杂程序的会员，然后引导他们到低成本、高质量的设施和服

务，以方便获得护理并降低会员的成本。该公司了解到，健康超越了临床

领域，进入了每个人周围的环境，在那里，日常行为和决定是会员活得更

好、更久的关键。由于一个人的健康大部分是由其生活的社区决定的，安

泰保险正在采取额外措施，与 Sharecare 等公司合作，以影响整个健康。

安泰和 Sharecare 一起开发了人工智能，对来自数字健康公司的社区幸福

指数的数据进行地理分析，以确定全国社区的福祉，并确定改善的机会。

在个人层面上，Sharecare 的人工智能通过认证项目定制和建议生活方式

和习惯的改变，并对标记的不利趋势进行个性化的推广和干预。当然，这

里的目标是让一个人的学习成果惠及许多人，通过由人工智能驱动的综合

和共享信息来改变社区健康。为了实现这种健康转型，医疗保健研究人员

也可以收集和训练他们自己的健康数据，以产生人工智能模型，实时对他

们的社区产生积极影响。安泰了解到，虽然会员体验和社区参与在医疗保

健中至关重要，但更深的影响需要整个健康生态系统的授权。对于供应商

来说，安泰的许多人工智能功能都在其供应商平台和护理管理系统中。集

成到临床医生的工作流程中，人工智能驱动的洞察力可供供应商使用，为

他们的病人创造一个整体的、360 度的视图。这种观点利用了他们的健康

记录和其他健康数据来源，如健康传感器和远程病人监控器。安泰的人工

智能工具协助临床医生在大量的数据中总结和优先考虑病人的健康干预，

通过更积极主动和个性化的护理服务，实现及时干预和更好的健康结果。

这些人工智能和分析工具旨在通过对医疗保险优势计划和 D 部分处

方药计划的质量评级进行根本原因分析来改善风险和质量，实现下一步最

佳行动的临床干预设计，并对会员进行个性化宣传，确保洞察力转化为行

动。

安泰保险正在创造整体的人工智能解决方案，影响每个成员的个人健

康旅程和端到端的医疗保健体验。通过人工智能，他们正在努力实现个性

化的护理选择，简化护理管理，并在正确的时间和正确的环境中提供正确

的护理。到 2021 年中期，超过一百万的安泰会员已经在使用该公司的数

字礼宾服务，这是一套集中的工具，将患有慢性或复杂疾病（如癌症）的

会员与他们的整个护理团队联系起来。安泰还为雇主团体会员提供了“全

方位的健康，完全属于你”计划。它帮助会员创建和实施个性化的健康改

善计划，包括礼宾客户服务。在人工智能的支持下，客户服务互动是基于

预测模型，通过积极的语音或聊天沟通向消费者提供相关信息。行为改变

的目标是激励会员改善他们自己的健康状况。Anthem 与其合作伙伴

Hydrogen Health 整合了一个症状检查器，供会员将他们所经历的症状输

入该应用程序。该应用程序告知用户其他出现类似症状的人是如何被诊断

的。然后它提供了如何了解更多信息的选项，包括发短信或打电话给医生

或自我治疗。目前，它已经被成千上万的会员使用，Anthem 预计到 2025

年将拥有超过 500 万的用户。

在第三章中，我们讨论了安泰与云雀的合作，通过人工智能监测和尝

试改善其成员的健康状况。这是许多尝试之一，即利用数据、人工智能和

相对自动化的干预措施来教导消费者什么是健康行为，并尝试大规模地灌

输这些行为。它拥有人员、领导力、投资和其他资源，可以推动运营改进

和新项目，以影响会员的行为。当然，改变 4,300 万会员的行为是一个雄

心勃勃的目标，安泰保险将在一段时间内通过人工智能和其他举措来解决

这个问题。

行为（习惯）保险

宏利保险公司是加拿大的保险巨头，在美国和亚洲都有主要业务，它

正在认真对待这样一个想法：当客户死亡、出现健康问题或在家里或车上

发生事故时，保险公司应该做的不仅仅是支付给客户。他们的目标是帮助

他们的客户过上更安全、更健康、更美好的生活。该公司已经接受了行为

保险的理念，即利用行为经济学的原理，以积极的方式改变客户的行为。

正如我们在第三章中所讨论的，这是一种尝试，利用人工智能和其他方法，

以积极的方式改变客户的行为。

宏利是 Vitality 的几个全球合作伙伴之一（平安是另一个），Vitality 是

一家位于英国的保险公司，专门从事激励行为改变以改善健康。Vitality 处

理的不健康行为包括运动不足、不健康的饮食习惯、吸烟和过量饮酒。这

些行为增加了四种非传染性疾病（呼吸系统疾病、癌症、糖尿病和心血管

疾病），根据世界卫生组织的数据，这些疾病导致了全球60%的早期死亡。

通过 Vitality 伙伴关系，宏利公司为会员提供了将他们的活动追踪器和其

他数据上传到公司的能力，并因保持健康而获得奖励（包括智能手表折扣、

较低的保险费和折扣旅游）。会员还可以在参与的零售商处获得健康食品

的折扣。人工智能被用来向会员提供个性化的提示，旨在激励或奖励特定

行为。在世界各地使用 Vitality 的客户中，最活跃的会员的死亡率比平均

水平低 60%，严重疾病的发病率降低了 20%至 30%。虽然有证据表明这

些个性化的行为干预措施是有效的，但可以说我们都处于用人工智能影响

行为的早期阶段。我们还不知道如何最好地激励和改变个人行为，什么样

的奖励组合是最有效的，以及任何行为变化的持久性如何。这是一项令人

钦佩的努力，当然，有太多的数据、太多的预测和处方需要填写，如果没

有人工智能，就无法成功完成。正如我们所注意到的，社交媒体已经改变

了很多人的行为（无论好坏），而且它在信用评分方面也很成功，那么为

什么不在保险方面应用呢？

同样重要的是要指出，虽然不同的原型需要不同的能力，但我们在本

章中描述的每家公司都将人工智能用于多种目的。中国平安不仅使用人工

智能来创建新的生态系统和商业模式，而且还识别和管理风险，并创造运

营效率。此外，它还在尝试影响客户的行为。进步公司不仅将人工智能用

于其基于用户的保险产品，而且还用于基于其流行的电视广告的客户服务

聊天机器人。而且，几乎所有这些组织都在追求后台任务的自动化。同样

关键的是要记住，虽然这些传统公司在其行业内有新的突破，但它们都有

初创公司作为竞争对手。例如，在保险业，美国的 Oscar 和 Lemonade

等初创公司与 Anthem 和 Progressive 竞争。在中国，平安在其每个生态

系统中都有初创企业的竞争对手。我们在本章中描述的公司正在建立强大

的人工智能能力，这一事实并不能保证他们的长期生存，但它肯定会使其

更有可能。

发展有道德的人工智能能力

发展人工智能能力的一个关键方面是确保人工智能系统是可信赖的

和有道德的。这在原则上被广泛认为是一个重要的领域，但真正实现它却

具有更大的挑战性。只有少数组织拥有所需的结构和流程，而其中大多数

是科技组织。然而即使是这些科技公司，也会遇到人工智能道德方面的挑

战。

人工智能供应商的政策和角色

负责任的人工智能项目的第一步是创建政策和负责任的角色，以监督

人工智能的道德层面。到目前为止，大多数采取这一步骤的公司都是人工

智能产品和服务的供应商、技术或服务供应商。谷歌、Facebook、微软、

Salesforce、IBM、索尼和 DataRobot 都属于这个类别。大多数负责人工

智能道德的官员主要集中在内部布道（与他们的产品和服务有关）或外部

宣讲（对客户）的人工智能道德的重要性。一些人开发了具体的方法来改

善或跟踪道德问题，例如在谷歌开发的记录数据来源和算法意图的模型卡

想法，并在 Salesforce 和其他地方应用。Facebook 开发了一个名为

Fairness Flow 的工具，用于评估其开发的机器学习模型中潜在的算法偏

见。然而，这些人工智能伦理小组在一些供应商（尤其是在谷歌）的地位

一直有些不确定和不稳定。谷歌解雇了两名人工智能伦理研究人员，因为

他们对公司的一些技术提出了批评，据说是该小组的其余员工不确定其方

向。Facebook 的人工智能伦理也受到了公开质疑。尽管该公司有一个负

责任的人工智能小组，但其一名数据科学家成为了举报人。尽管存在争议

和动荡，一些组织已经限制了一些人工智能能力的开发和营销，至少部分

原因是内部道德小组或审查委员会否决了它们。路透社的一份报告描述了

几个例子：自去年年初以来，谷歌也阻止了分析情感的新人工智能功能，

担心文化不敏感，而微软限制了模仿声音的软件，IBM 拒绝了客户对高级

面部识别系统的要求。这些例子表明，这些供应商的道德审查程序至少在

某种程度上是有效的。

其中许多组织，以及稍少的非技术组织，已经制定了道德或负责任的

人工智能政策声明。这些政策的主题和方向有很高的共识。德勤的“值得

信赖的人工智能框架”是为了帮助客户制定自己的政策而制定的，是这种

政策框架的一个好例子。它有六个关键要素：

⚫公正和不偏不倚。评估人工智能系统是否包括内部和外部检

查，以帮助实现所有参与者的公平应用。

⚫透明和可解释。帮助参与者了解他们的数据如何被使用以及

人工智能系统如何做出决定。算法、属性和相关关系都是公开的，

可以检查。

⚫负责任的和可问责的。建立一个组织结构和政策，以帮助明

确确定谁对人工智能系统的决策输出负责。

⚫安全和可靠。保护人工智能系统免受潜在的风险

⚫(包括网络风险），这些风险可能导致物理和数字伤害。

⚫尊重隐私。尊重数据隐私，避免使用人工智能来利用超出其

预期和声明用途的客户数据。

⚫允许客户选择加入和退出分享他们的数据。

⚫稳健和可靠。确认人工智能系统有能力向人类和其他系统学

习，并产生一致和可靠的输出。

然而，到目前为止，相对较少的非供应商公司，甚至是一些人工智能

第一的公司，已经开发了人工智能道德角色、政策框架和合规流程。中国

平安就是其中之一，它制定了一项人工智能道德治理政策。平安的政策强

调人的自主性和以人为本，该公司已经建立了一个人工智能道德委员会、

一个监督委员会和一个项目管理方法，以评估人工智能应用是否符合政策。

公司联盟和人工智能伦理学

一些公司不选择（或不仅选择）在人工智能伦理方面单打独斗，而是

选择加入一个以研究和制定人工智能伦理政策为导向的公司联盟。由于人

工智能伦理的许多主题在不同的组织中是相似的，一个联盟可以通过创建

政策模板和简报或会议来帮助公司快速启动他们的伦理计划，在其中解决

关键问题。虽然大多数联盟是以会员制为基础的，但他们的许多研究和政

策文件可供非会员使用。有几个不同的联盟主动处理人工智能伦理问题。

最早这样做的是世界经济论坛（因其在瑞士达沃斯举行的年度会议而闻

名），在过去几年中，该论坛处理了人工智能伦理的许多不同方面。这些

项目包括：《一代人工智能：为儿童制定人工智能标准》、《对面部识别技

术的负责任的限制》、《以人为本的人工智能人力资源》。世界经济论坛还

分享了该小组成员制定的人工智能伦理原则。“人工智能伙伴关系”成立于

2016 年，由人工智能和其他技术供应商（包括亚马逊、谷歌、Facebook、

IBM 和索尼）、学术机构、非营利组织以及相对较少的非技术公司组成。

它的使命是“将全球各部门、各学科和各人口群体的不同声音汇聚在一起，

使人工智能的发展为人类和社会带来积极的成果。”其工作人员和附属机

构就人工智能的不同方面撰写了一些研究和政策文件，包括算法偏见、人

工智能开发人员的多样性、文件在机器学习伦理中的作用以及错误信息。

它所开发的工具包括识别人工智能中的偏见的核对表，它的目标还包括识

别监管和立法解决方案。数据和信任联盟成立于 2020 年，其成员中有很

大比例的非技术雇主。德勤是这个专注于负责任数据实践的首席执行官联

盟的创始成员。其目标之一是“开发新的实践和工具，以促进负责任地使

用数据、算法和人工智能。”其确定并开始处理的第一个项目是算法安全。

减轻劳动力决策中的偏见。

自动化和负责任的人工智能

我们已经讨论了自动化机器学习模型创建和 MLOps 的兴起，以自动

评估机器学习模型是否不再预测良好（“漂移”）并需要重新训练。但现在

这些工具的几个供应商也可以自动检查模型，以产生模型的洞察力，检查

其可信度的不同方面。这些方法的早期采用者是 Chatterbox 实验室，这

是一家位于英国的公司，提供自动洞察能力，包括模型及其采用的数据的

可解释性、公平性、隐私和安全漏洞。德勤的人工智能研究所与客户一起

使用 Chatterbox 实验室的工具。其他 AutoML 和 MLOps 供应商，如

DataRobot 和 H2O，也有一些模型偏见和公平性评估能力，还有一个名

为 FairML 的开源工具箱，可以产生类似的模型洞察力。

在联合利华（Unilever）实施道德政策

当然，起草道德政策声明比实施它们更容易。大多数创建了这种政策

的公司也不得不仔细考虑如何最好地管理和执行它们。联合利华

（Unilever）就是这样一家公司，它在 2022 年实施了一套人工智能保证

政策。起草这些政策相对简单，所产生的声明提到了透明度、算法偏见、

公平性等通常的问题。功效是另一个值得期待的因素，这就是为什么重点

是保证而不仅仅是道德或负责任的人工智能。正如领导保证工作的联合利

华（Unilever）全球数据科学总监 Giles Pavey 所说：“为了实现我们的业

务目标，我们必须用更少的钱做更多的事。人工智能是这个旅程中最重要

的工具，但它必须是负责任的人工智能。我们需要人工智能保证，以便我

们能够在责任的护栏内推动可能性的障碍。”

人工智能保证的持续实施过程更加复杂，部分原因是联合利华

（Unilever）是一家高度全球化的公司，有一些基于国家的自主业务单位，

而且它有许多外部的 IT 应用供应商。在联合利华（Unilever）内部使用人

工智能的应用程序可能是内部建立的，由 IT 供应商建立，或嵌入联合利

华（Unilever）从合作伙伴采购的服务中。例如，该公司的广告公司经常

使用程序化购买软件，该软件使用人工智能来决定在网站和移动网站上投

放哪些数字广告。联合利华（Unilever）人工智能保证合规流程的基本理

念是检查每个新的人工智能应用程序，以确定该案例的内在风险。例如，

预测现金流的应用程序不太可能涉及任何公平或偏见的风险，但可能有效

力问题和与可解释性有关的风险。联合利华（Unilever）已经有一个明确

的信息安全方法，目标是采用类似的方法，以确保任何人工智能应用程序

在未经批准的情况下投入生产。

当一个新的人工智能解决方案正在计划中时，联合利华（Unilever）

的员工或供应商在开发之前提出概述的案例和方法。然后进行内部审查，

更完整的案例由外部专家评估。因此，项目提议者被告知潜在的道德和功

效风险以及需要考虑的缓解措施。在人工智能应用开发完成后，联合利华

（Unilever）（或外部方）进行统计测试，以确定是否存在偏见或公平问题。

然后，它可以检查该系统在实现其目标方面的功效。根据该系统在公司内

部的应用，也可能有当地的法规，该系统必须遵守。如果该系统被认为是

有风险的，就会告知建议的缓解方法。例如，如果人力资源部门使用的简

历检查器是完全自动化的，审查可能会得出结论，该系统需要一个人在循

环中做出关于是否进入面试的最终决定。如果存在无法缓解的严重风险，

人工智能保证程序会拒绝该应用，理由是联合利华（Unilever）的价值观

禁止使用该人工智能应用。关于人工智能案例的最终决定是由一个高级执

行委员会做出的，包括来自联合利华（Unilever）内部法律、人力资源和

人工智能部门的代表。

关于这个过程是如何运作的，一个真实的例子是联合利华通过百货公

司的特许权销售的一个化妆品品牌的案例。特许经营商要求商店里的销售

人员有一定的个人形象标准（例如，在工作时在自己脸上化妆或任何面部

毛发的长度）。联合利华希望有一个系统，让代理商可以通过每天发送一

张自拍来证明他们的工作出勤率，并自动登记。这个项目的一个延伸目标

是，系统内的计算机视觉人工智能也可以检测到代理人的外表是否符合要

求的标准。在这种情况下，人工智能保证过程帮助项目组有更广泛地思考，

而不是只具备这种方法所需的法规性、合法性和有效性，借以考虑这种完

全自动化系统的潜在影响。例如，这样的系统，即使它被证明是高度准确

的，是否应该被允许对不符合规定的销售代理自动扣分？在经历了这个过

程后，对该公司来说，他们显然需要确保有一个人参与检查被标记为不符

合规定的照片，并处理可能因此而出现的任何情况。联合利华正在研究负

责任地使用人工智能的另一个例子是使用面部识别来进入其工厂。他们必

须考虑的问题包括确保该系统对所有员工都是强大的，无论他们的长相如

何，并确保面部坐标数据库的安全存储。此外，重要的是要确保有一个故

障安全系统，在人工智能无法识别有效工人的情况下允许员工进入。

从这些例子中可以看出，任何有人工智能道德政策或导向的组织都会

有许多困难的问题需要解决。人工智能的部分力量是以一种细化的方式处

理客户和员工的能力，允许不同类别的人得到不同的待遇，但区别对待很

容易变成偏见或不公平。围绕道德和负责任的人工智能的法律和监管环境，

以及预先或应对这些环境的公司政策，在未来几年内可能会频繁发生巨大

变化。像联合利华这样拥抱人工智能的公司，也必须接受对负责任地使用

该技术的理解和应用的演变。

第六章 行业使用案例

我们已经描述了领先的人工智能采用者的人工智能战略原型以及他

们为实现这些目标而建立的一些能力。在本章中，我们将更细化地描述人

工智能领导者的工作。我们将按行业细分来关注，并深入研究由人工智能

推动的公司为引领这些行业而采用的具体案例。案例，也被称为人工智能

应用，是描述一个公司用人工智能做什么的基本单位。本章中的大部分案

例信息改编自 AI Dossier，该文件由德勤人工智能专家编写，自下而上地

描述人工智能的领导力（逐个案例，逐个行业）。

选择案例并对其进行优先排序是任何公司的人工智能战略的核心。拥

有人工智能的组织选择的案例将使他们区别于竞争对手（至少在一段时间

内），推进他们的业务战略和模式，并与他们的业务流程设计相适应。把

这一章看作是人工智能应用的购物目录。并非每个行业都涵盖了所有的案

例，有些案例可以跨行业应用，但这是我们看到的最全面的列表。

我们将描述的一些案例有的已经成为其行业的台柱，而一些已经以不

太精确和数据驱动的形式存在了一段时间。对于每个行业，我们还将描述

一些新兴的或只适合于相对狭窄的情况。我们的总体目标是描述什么才是

真正的人工智能，并详细介绍每个行业领域中以人工智能为重点的组织所

采用的一些人工智能案例。

消费品行业

消费品行业包括消费品制造业、零售业、汽车业、住宿业、餐饮业、

旅游业和运输业。它们都为消费者服务（尽管有些行业，如制造商、、，有

零售商这样的中间商），需要详细了解他们的喜好和感受。他们都有复杂

的物流、产品/服务开发和客户联系方面的挑战，而人工智能可以帮助解

决这些问题。在这一领域，一些普遍采用的案例（以及我们对其应用于人

工智能企业的评论）包括。

⚫车队网络优化。人工智能（以及其他形式的分析，如运筹学）

可用于优化路线，消除或减少空载回程，并最大限度地通过配送中

心的流动。当然，人工智能很难再像 Covid-19 大流行这样的混乱

时期一样优化供应链，但它可以为警惕的公司提供供应链问题的

早期预警。

⚫下一个层次的个性化。人工智能对于高度细化的个性化是必

要的——不仅仅是“买了这个的人也买了这个”的协同过滤，而是

基于机器学习的预测，预测谁会买东西，谁会根据过去的客户行为

对广告或报价做出反应。

⚫品种优化。人工智能，特别是机器学习，是现代分类优化的

核心。这些类型的模型确保正确的产品可以在货架上找到，并且没

有缺货。当然，这在 Covid-19 大流行期间特别困难。但最先进的

人工智能用户找到了实现这一目标的方法。

⚫供应和需求计划。例如，以人工智能为重点的零售商，几乎

不断地计划供应和需求。正如我们已经讨论过的，克罗格公司每天

晚上为每个商店的每个 SKU 做一个需求计划。假设需求和供应的

正常模式，机器学习是一个优秀的规划工具。

⚫自动化的客户联系。领先的公司也使用聊天机器人或智能代

理来管理客户互动。例如，星展银行坚持不懈地改进其聊天机器人，

使客户没有必要或不愿意给客户中心打电话。以零售业为例，至少

有 12 个不同的具体案例，从产品搜索到收集客户反馈。

消费领域新兴的或狭义的人工智能案例包括以下内容：

⚫自主商店。亚马逊因其无收银员的 Amazon Go 商店（现在

也在 Whole Foods）而闻名，尽管进货和清洁仍由人类完成。半

自动的无收银员商店也出现在韩国，emart24 和 Hyundai

Uncommon Store 是两个例子。

⚫自主驾驶。正如我们在第三章中所讨论的，完全自主的车辆

比预期的要长。为了能在一些“地理围栏”区域具有完全的自动驾驶

功能，即使是在相对廉价的汽车上，自动安全装置也在不断增加。

⚫时尚科技。时尚零售商越来越多地提供基于人工智能的虚拟

试衣间，以及对顾客可能喜欢的款式进行人工智能推荐。Stitch Fix

曾经是一家在线造型创业公司，现在是一家大公司，它将基于人工

智能的推荐与个人造型师相结合。

⚫个性化的健康、健身和养生。我们在第五章描述了这些相对

于保险公司的行为健康建议，但它们是由智能手表和手机等消费

设备驱动的。它们可以提供个性化的提示，以改变健康行为，使之

更好。

⚫服务体验现代化。购物和消费服务正越来越多地被人工智能

驱动的个性化产品和服务、推荐、优惠、网站和移动应用程序所改

变。

沃尔玛供应链中的人工智能

我们在本书中还没有讨论过沃尔玛，但他们可能被看作是在使用人工

智能方面能力最强的消费企业和零售商之一，而这些企业和零售商是出生

在非数字领域的。该公司为实体店补货的供应链是众所周知的，它在电子

商务销售和交付方面也取得了相当大的进展。沃尔玛有数百名数据科学家

从事供应链和预测/需求管理方面的工作，它与供应商在这些学科方面进

行了密切的合作。它有一套非常复杂的“旅行推销员”算法，用于优化其卡

车和送货车辆的路线，并使用图形处理单元（GPU）上运行的“塔布搜索”

模型来优化供应链流程。沃尔玛还使用人工智能模型，当顾客在网上下订

单而所选的产品没有时，确定下一个最佳选择。沃尔玛在仓库自动化方面

可能起步较晚，许多仓库建于 20 世纪 60 年代和 70 年代，但它正在迅速

增加这方面的能力。它已经宣布将花费 140 亿美元重新设计其配送中心，

并采用新技术，包括人工智能和机器人技术。该公司正在与由亚马逊机器

人公司前高管创建的机器人制造商 Symbotic 合作，以改善其仓库自动化。

它还使用机器人将不同尺寸的箱子装入立方体（机器人会想办法创建），

以便运送到商店。沃尔玛甚至与福特的 Argo 人工智能部门合作，在美国

的三个城市试行自驾车送货，用于网上订货。它还在商店里试验使用机器

人来识别缺货或遗漏的物品，并使用其他机器人来清洁地板。它为希望提

供当日或次日送货的其他零售商创建了 GoLocal 服务，该服务的首批合

作伙伴之一是家得宝公司。像 UPS 和 FedEx 一样，除了其零售能力外，

它正在成为运输服务的重要供应商。

能源、资源和工业行业

能源、资源和工业行业部分包括许多拥有大量资本预算的大公司，但

由于各种原因，许多公司还没有大力拥抱人工智能。这些组织主要是企业

对企业的供应商，他们有时没有足够的客户数据来采用大量的机器学习模

型。许多工业组织使用人工智能应用，但这些应用可能难以与机械或工厂

大规模整合。然而，尽管有这些障碍，领先的公司却在一些人工智能案例

方面取得了相当大的进展。

这一部分相对常见的案例包括：

⚫预测性资产维护。这是工业公司最早的人工智能案例之一，

现在仍然是最受欢迎的。它根据传感器显示的早期故障迹象或可

能导致故障的条件来预测维护的需要，像壳牌这样由人工智能驱

动的公司在很大程度上做到了这一点。他们已经有一万台机器被

监测到故障的迹象，并且正在朝着更多的方向发展。

⚫用于生产和规划的边缘人工智能。公司正越来越多地在其网

络的边缘放置传感器，并使用人工智能来分析来自这些传感器的

数据。传感器可以检测或测量流量、温度、大气中的化学物质、声

音或图像。壳牌公司正在使用自主无人机通过图像识别来监测管

道状况，这是一种边缘人工智能和预测性维护的形式。它还在使用

基于机器学习的计算流体动力学来规划风电场，并在建成后优化

其生产。丹麦能源公司 Ørsted 也广泛使用数据和人工智能来优化

其一千五百多台风力涡轮机的能源生产。

⚫现场传感器数据分析。利用现场传感器的主要行业是能源行

业，它在石油和天然气勘探中广泛使用它们。例如，钻头中的传感

器监测热量和振动，并能预测即将发生的断裂。钻头的手机图像可

以用深度学习模型进行检查，以评估磨损和地下土壤成分。在风车

中，传感器可以为人工智能系统提供数据，以优化叶片角度和旋转

速度。

⚫现场劳动力和安全。人工智能可以用来使危险工作更安全。

例如，在南加州爱迪生公司，一个预测模型对每个现场维护或安装

项目的安全风险的可能性进行评分，现场团队讨论如何降低高分

项目的风险。该模型还与公司的工单系统集成。

⚫公用事业服务中断的预测。电力公司可以使用机器学习模型

为服务区的电网资产和电路生成停电风险分数，目的是减少客户

的中断时间。评估的风险包括火灾、天气、动物干扰和植被。南加

州爱迪生公司对这种预测的主要关注点是野火，它使用无人机镜

头的图像识别分析以及更广泛的机器学习模型来预测火灾的风险，

并在火灾发生前关闭电路。

在这一领域，人工智能的一些新兴或狭窄的案例包括：

⚫材料信息学。大学和工业研究人员开始使用人工智能来了解

化学品和化合物的新组合如何创造高性能材料。

⚫算法供应链规划。供应链优化一般是基于需求和供应的现有

趋势的延续，但人工智能开始被用来预测供应链的潜在中断，包括

大流行病、政治动荡和航运瓶颈。

⚫数字双胞胎工厂。数字双胞胎是机器甚至整个工厂的虚拟复

制品，并不断地更新数据。人工智能检测机器的异常情况并解决故

障。这是一种更全面和详细的预测性资产维护方法。

⚫虚拟工厂操作员助理。工厂车间的工人和主管通常会在车间

里巡视，对机器进行干预，但他们的许多任务很快就会被人工智能

系统取代，进行自动调整。增强现实设备（其本身使用人工智能）

将与机器学习应用协同工作。空中客车公司已经在其位于中国的

哈尔滨哈飞空客合资企业中使用人工智能软件来做这件事。

希捷公司（Seagate）的 AI 质量

希捷科技公司是一家高科技制造商，是世界上最大的磁盘驱动器制造

商。它在工厂中拥有大量的传感器数据，并在过去五年中广泛使用这些数

据，以确保和提高其制造过程的质量和效率。希捷的制造分析的主要焦点

之一是硅晶圆的视觉检查的自动化，硅晶圆是用来制造磁盘驱动器头的，

以及制造它们的工具。在整个晶圆制造过程中，要从各种工具组上拍摄多

个显微镜图像，这些图像在检测晶圆内的故障和监测工具组的健康方面发

挥着关键作用。希捷明尼苏达工厂利用这些图像提供的数据创建了一个自

动故障检测和分类系统，该系统能够直接从图像中检测晶圆缺陷并进行分

类。其他图像分类模型检测工具中的失焦电子显微镜，确保任何缺陷都是

真实的，而不是失焦的图像。

基于深度学习的图像识别算法，这些自动缺陷分类模型在 2017 年底

首次部署，从那时起，图像分析的规模和力量已经在该公司位于美国和北

爱尔兰的晶圆厂广泛增长，实现了数百万美元的检查劳动和废品预防的节

约。虽然该公司已经能够利用这些系统减少人工检查的数量，但目标不仅

仅是能为其他类型的工作释放检查劳动力，还要使制造过程更加高效。几

年前，视觉检查的准确率为 50%，但现在超过了 90%。

希捷还与谷歌云合作，谷歌云是一个采用数百万台磁盘驱动器的大客

户，在大型数据中心发生故障之前预测硬盘故障。由此产生的模型是成功

的，工程师们现在有一个更大的窗口来识别故障的磁盘，这不仅使他们能

够降低成本，而且还能在问题影响到终端用户之前进行预防。

金融服务行业

金融服务（包括银行、保险、投资管理和贸易）一直是使用人工智能

最活跃的行业。金融服务是一个信息丰富的行业，快速和准确的决策对其

至关重要，而且它的客户需要大量的建议来过更成功的金融生活。金融服

务机构通常也有财政资源来投资人工智能。因此，我们在本书中所描述的

人工智能先行组织中，有更多是在金融服务领域，而不是其他行业领域，

这并不奇怪。

在金融服务领域已经流行的一些具体案例包括:

⚫法律和合规分析。银行需要为自己的财务目的控制欺诈，但

也需要为监管目的参与“了解你的客户”和反洗钱活动。人工智能决

策规则系统的形式已在行业内用于减少欺诈行为多年，但这些能

力往往会产生太多的假阳性警报，现在又有了机器学习能力的补

充。例如，星展银行在其交易监控能力中加入了机器学习，使其能

够根据需要调查的可能性对可疑交易进行排序。新系统将分析员

审查正面案件的效率提高了三分之一，同时也让他们使用更多的

数据。他们将最不可能的案件放入休眠状态，除非客户有额外的可

疑活动，否则根本就不会审查。

⚫对话式人工智能。当然，支持人工智能的聊天机器人或智能

代理在银行业越来越普遍。如果它们所做的只是让客户检查余额，

那么它们并不特别令人兴奋。但银行正越来越多地在其对话式人

工智能系统中增加其他更复杂的功能。美国银行的聊天机器人

Erica，在运营的三年内，使用率稳步增长，已经有超过 2,000 万

的客户。除了检查余额等基本功能外，它还能指出支出异常，为客

户制定的目标提供储蓄建议，并能处理 6 万多个短语和问题。

⚫与 Covid-19 有关的问题。随着时间的推移，这个聊天机器

人也变得更加健谈、更加人性化，并能向客户提供 360°的体验。

目前，银行正在使用人工智能和其他数字工具来更好地了解和改

善客户体验。到现在，许多人已经通过使用客户旅程分析来了解客

户体验的真实情况，机器学习模型预测困难的客户体验何时可能

与客户对立或导致流失。此外，无监督的学习模型可以使用聚类分

析来识别新的或服务不佳的细分市场。像我们在摩根士丹利描述

的下一个最佳行动系统，使用机器学习来识别最有可能被客户看

重的金融产品或服务。缺乏客户知识的银行或保险公司将不再有

技术不足的借口。

⚫保险核保。保险核保长期以来一直基于规则引擎，但领先的

公司正在用机器学习应用结合或取代规则，以做出更多基于数据

和精确的核保决定。而使用基于人工智能的屋顶状况或附近树木

的图像识别，这种趋势正在商业和家庭财产保险中发生。同样，它

也被广泛用于汽车保险，允许司机在投保前对他们的车辆进行拍

照（以及在事故发生后，进行非接触式的索赔裁决和支付--我们将

在下一章介绍）。这种情况也发生在人寿保险中，因为这些公司试

图避免在承保前进行昂贵和不方便的体检。例如，Haven Life 是

MassMutual 保险的一个部门，它有一个数字化的核保方法，使一

半的申请不需要人工审查；20%的被接受的申请不需要体检。

⚫基于使用情况的保险。正如我们在第五章所讨论的，根据客

户的驾驶方式收取不同的保险费率是由进步保险公司在 2008 年

开创的。现在，许多公司，包括初创企业和成熟的组织，都在使用

这项技术，这需要人工智能来分析所有的数据，并确定改善驾驶行

为的建议以及承保的影响。

⚫交易操作自动化。许多金融交易已经通过直通式处理进行处

理和清算，没有人工干预，但有许多失败的交易需要大量的人工干

预。人工智能正在使这些失败的可能性降低，并帮助解决需要进一

步调查的交易。它可以预测可能失败的交易，并在失败之前从交易

文件中提取更多的数据和信息，以解决失败或有问题的交易，同时

进一步检测交易数据中的模式和异常情况，这对交易者非常有用。

⚫消费者欺诈检测。检测银行和保险业的欺诈行为是一个主要

的案例领域，人工智能在其中发挥着核心作用。例如，信用卡公司

试图在销售点批准交易之前识别欺诈。

⚫对交易的欺诈行为进行评分需要机器学习和与交易系统的

紧密结合。

⚫信用风险分析。使用人工智能来确定客户是否应该获得信贷

是神经网络最早的应用之一，始于罗伯特·赫克特·尼尔森在1980年

代中期的神经网络建模和应用的创新。现在，许多不同形式的机器

学习被用于这一目的。

还有一些新兴的或小众的案例，在世界各地的一些金融服务公司中被

使用。

⚫生物识别数字支付。使用面部识别来验证客户的支付、贷款

和保险政策的身份，这在中国得到了相当广泛的应用（包括平安银

行）。

⚫房地产价格估计和预测。大多数房主都检查过 Zillow 提供

的 Zestimates，这是基于机器学习的对房子价值的预测。其他几

个房地产网站现在也有类似的功能，保险公司也有在投保前对房

屋进行估值的版本。然而，Zillow 最近关闭了其买卖房屋的业务，

这表明人工智能价格估计算法在高度可变的市场中可能有困难。

Capital One 的 AI 使用案例

我们尚未讨论的金融服务领域的人工智能组织之一是 Capital One，

按余额计算，它是美国第三大信用卡发行机构。那家公司以“基于信息的

战略”为信条，从 1994 年作为一个独立的公司成立之初就开始分析。在过

去的十年里，它也成为了机器学习领域的佼佼者，其使用案例跨越了消费

者银行功能。我们将在下一章描述Capital One从分析到人工智能的历程。

多年来，该银行在一个关键预测方面表现出色：客户是否会偿还信用卡贷

款。除此之外，它还使用机器学习来进行许多其他类型的预测：

⚫诊断移动电话应用故障

⚫识别可能的洗钱的可疑交易

⚫识别欺诈性的信用卡交易并减少错误的欺诈警报

⚫识别欺诈性的数字银行会话

⚫为交易频繁的个别商户创建虚拟卡号

⚫预测在线会话中客户的意图

⚫预测客户是否会致电呼叫中心，以及他们希望得到什么问题

的帮助

Capital One 还拥有一个名为 Eno 的聊天机器人，它可以进行许多银

行交易，如果客户需要，还可以告知他们关于消费习惯的见解。该公司还

试图通过使用深度学习模型来推动信贷决策的前沿，并努力使其更易于解

释和为监管机构所接受。正如我们将在下一章讨论的那样，Capital One

正将人工智能应用于整个银行的许多不同领域。

政府和公共服务行业

在美国，政府和公共服务组织在采用人工智能方面起步较慢，至少在

军事和情报部门之外。然而，该部门有大量的案例，一些组织正在开始采

用它们。

该部门公认的使用案例包括：

⚫索赔处理后台自动化。政府组织经常向个人或组织支付索赔，

而人工智能可以帮助解决多个方面的问题。机器人流程自动化是

美国联邦政府较强的人工智能能力之一，在五十个不同的机构中

有一个庞大的实践社区，并有许多项目在生产。

⚫识别最重要或最容易支付的索赔，以便尽早支付。

⚫人口风险支持。这种基于人工智能的方法来识别有风险的公

民、身体和精神健康问题、无家可归或食品不安全，是一种在社会

问题发生之前就已经出现的方式。它在健康领域走得最远。例如，

在英国，当老年患者出现以下情况时，医疗工作者会被告知。

⚫生物医学数据科学。生物学与机器学习的交叉点正在爆发，

研究人员试图将疾病和有效治疗与基因组学、蛋白质组学和其他

学科联系起来。例如，隶属于哈佛大学和麻省理工学院的研究机构

Broad Institute 正在建立一个价值2.5 亿美元的中心来连接生物学

和机器学习。在政府方面，美国国家卫生研究院（NIH）正在进行

一些项目，以推动人工智能在基础和应用健康研究中的使用。

⚫福利管理。在公共和私营部门，各组织正越来越多地使用人

工智能来决定向公民和雇员提供什么福利。例如，在丹麦，公共福

利（包括养老金、儿童津贴、失业支持和其他社会福利付款）部分

是基于确定谁能获得这些福利的算法。在许多私营企业中，人力资

源部门正试图向“一个人的劳动力”的方向发展，使用同样的方法来

确定员工的福利，就像公司在为客户提供个性化服务时使用的一

样。

⚫健康和环境预测。加拿大人工智能初创公司 Blue Dot 在识

别 Covid-19 大流行病的发病和传播方面的成功，使许多流行病学

家意识到在疾病失控之前预测其传播的可能性。人工智能也被政

府用来预测火山爆发、洪水、雪崩和其他自然灾害。