人工智能在政府和公共服务部门的一些新兴或狭义用途包括：

⚫基于代理的军事战略模拟。未来的战争有可能是在人工智能

能力的基础上进行的，并取得胜利。在目前，人工智能的一个重要

应用是用智能代理来模拟战斗。基于代理的模拟往往能产生更准

确和富有成效的战争游戏，因为它们对许多代理的行为进行建模，

并能模拟出突发行为。多个政府也在探索使用人工智能来自主控

制武器装备。这可能包括无人机和自动驾驶车辆，以及使用机器人

作为侦察员和侦察平台（空中或陆地）。

⚫民用资产和基础设施管理。保持一个城市或国家的基础设施

的有效运行，对人类来说越来越复杂，无法独立完成。像新加坡陆

路交通局这样的公共组织正在使用传感器数据和人工智能来监测

和预测公共交通服务的中断，并为服务的恢复推荐最佳替代方案。

⚫法律结果预测。人工智能的一个有价值但有争议的应用是在

司法领域，法官和陪审团的决定可以被预测（通常是由律师预测，

这可能会加速和解），并由人工智能增强。法官对人工智能最著名

的使用是在算法判刑建议中，其中一些版本与偏见和缺乏透明度

有关。

⚫教育中的自适应学习。教育机构，特别是那些有大量在线教

育内容的机构，可以采用基于人工智能的适应性学习工具来监测

学生学习和记忆内容的情况。

美国政府中的阿尔

美国政府尽管起步较慢，但近年来在该技术的民用和国防用途方面表

现强劲。美国行政会议委托进行的一项研究发现，截至 2020 年 2 月，近

一半的联邦机构（45%）已尝试使用人工智能和相关机器学习工具。行政

命令 13859，保持美国在人工智能方面的领导地位，遵循该研究，并要求

联邦机构创建公开可用的人工智能使用案例清单。其中一些包括：

⚫NASA 在应付和应收账款、IT 支出和人力资源方面启动了

RPA 试点项目。通过该项目，86%的人力资源交易是在没有人工干

预的情况下完成的。

⚫国家海洋和大气管理局（NOAA）已经部署了一项人工智能

战略，“通过提高整个机构的人工智能开发和使用的效率、有效性

和协调，扩大人工智能在 NOAA 每个任务领域的应用。”社会安全

局在其裁决工作中使用人工智能和机器学习，以解决来自高案件

量的挑战，并确保决策的准确性和一致性。

⚫退伍军人事务部（VA）建立了一个国家人工智能研究所，以

发展 VA 的人工智能研发能力。在 Covid-19 危机开始时，退伍军

人事务部还实施了人工智能聊天机器人来回答问题，并帮助确定

确认的案件的严重性和潜在性。

⚫国家司法研究所支持关于打击犯罪的人工智能的研究，以帮

助调查人员对数据进行分类，这些数据“可用于打击人口贩运、非

法越境、贩毒和儿童色情制品。”

⚫国土安全部科学和技术局的运输安全实验室（TSL）正在积

极探索将人工智能和机器学习纳入运输安全局的安全检查过程，

以改善乘客和行李扫描。TSL 正在开发新的工具、方法和程序，以

便在算法商业化之前有效和高效地测试和训练算法，并最终降低

错误警报率。

⚫国内税收署正在使用人工智能测试哪些正式通知和联系的

组合最有可能让欠钱的纳税人寄来支票。

在国防应用方面，国防部估计在 2022 财年（2022 年 10 月开始）将

花费 8.74 亿美元用于人工智能。五角大楼在该年的人工智能举措将达到

约六百项（大约是 2021 财年的两倍）。国防部联合人工智能中心成立于

2018 年，旨在加速国防部对人工智能的采用和整合，以实现大规模的任

务影响。通过联合人工智能中心的项目，国防部正在利用人工智能的应用

来支持军事人员的医疗保健创新，改变战争的特点，改善舰队的准备系统，

并支持流程改进。当然，美国政府也在人工智能上花费了相当大的资金用

于情报目的，尽管支出水平和具体使用案例都是保密的。

新加坡政府中的人工智能

新加坡尽管面积不大，但往往是政府和公共服务领域新技术的早期采

用者，人工智能也不例外。这个城市国家正在各种机构和公共服务领域使

用人工智能，包括我们在本章前面提到的新加坡陆路交通局。人工智能的

其他使用案例包括一个完成复杂的纳税申报的系统，用于警察和水库监控

的移动机器人，用智能手机自动监测温度以检测 Covid-19 感染，新加坡

街道上的自动驾驶汽车和出租车，以及一套用于医疗保健诊断和治疗的系

统。2017 年，政府资助了 AI 新加坡“一个国家的人工智能（AI）计划”，

以催化、协同和促进新加坡的人工智能能力，推动未来的数字经济。该计

划与研究机构、公司和政府机构合作，加速 AI 的发展和部署。它通过国

家研究基金会创建并资助了网络安全、合成生物学、海洋科学和其他几个

以人工智能为导向的研究项目的研究中心。基于积极的结果，政府已经为

这个项目提供了第二个五年期的资金，并大幅增加了政府对人工智能的其

他资助。政府还在新加坡的大学里建立了五个卓越的研究中心。

新加坡在为在该国经营的金融服务公司建立道德框架方面也很不寻

常。它被称为 Veritas 联盟，由新加坡金融管理局领导，正在开发案例（包

括开放源代码），以使公司能够评估其产品的公平性。它已经完成了信用

风险评分和客户营销方面的案例，并计划开展更多的工作。

许多政府，包括美国和中国，现在已经意识到人工智能将对未来的运

作产生巨大影响。但新加坡很早就进入了这个游戏，以其规模，它已经投

入了相当多的资源，成为人工智能的领导者和政府中人工智能案例的早期

采用者。

生命科学和卫生保健行业

生命科学和医疗保健公司正处于人工智能驱动的巨大转型的边缘。然

而，他们还没有完全达到目的。大型制药公司在边际上使用人工智能，但

还没有完全解决如何开发和测试药物的硅，以及如何通过计算机建模。在

药物开发方面有几家有前途的人工智能第一创业公司，但他们还没有取得

任何戏剧性的突破。在医疗保健方面，每天都有关于人工智能诊断或预测

疾病能力的进展的公告，但很少有进入临床实践的。但是，生命科学和医

疗保健领域的案例比比皆是（在我们的分析中，比任何其他行业领域都多）；

这里有一些正在迅速成为主流：

临床试验的数字数据流。临床试验流程的自动化可以为新药化合物提

供经济价值和更快的上市速度。大多数试验都是使用数字平台进行的，这

使得基于人工智能的分析和关键阶段的自动化成为可能。制药公司，通常

与合同研究组织相结合，正在不断发展试验的进行方式。试验中基于人工

智能的合成对照组允许未参加试验的个人作为对照组，这反过来又允许更

多的试验参与者接受实验性疗法。人工智能还可以帮助整合和协调试验数

据，这可以加快试验速度。

药品制造智能化。药品制造过程正变得更加数字化和自动化，这使得

人工智能可以用来监测异常情况并预测过程结果。人工智能可以识别工艺

退化及其对产品质量的影响，监测材料性能的差异，并分析环境条件，这

些都基于传感器数据，所以可以创建特定机器和（最终）整个工厂的数字

双胞胎，以达到预测性资产维护和异常情况检测的目的。

药品营销的全渠道参与。药品销售部门正在超越过时的保健医生营销

方法，以及超越电视广告的患者营销。精明的数字消费者和从业人员正在

期待个性化的全渠道互动，由人工智能来协调通过什么渠道提供什么内容。

这些营销任务已经变得非常复杂，不能只留给人类营销人员。

“病人的声音”的洞察力。过去，医疗保健和生命科学的客户在很大程

度上是匿名的，因此，现在很多病人会在社交媒体和社区论坛（如 Patients

Like Me）上评论他们的旅程和经历。再者，人工智能可用于监测在线背

景下的患者情绪和讨论话题，所以最终会带来更积极的患者体验。

主动的风险和合规性。药物警戒正变得越来越复杂，在药物开发和营

销实践的许多阶段都需要证明符合法规。人工智能可以通过识别在公众和

从业人员社区提出的问题，并通过监测新闻源来协助合规性。人工智能还

可以通过现实世界证据数据集中确定的副作用和负面结果来协助药物的

上市后监测。

患者参与。患者缺乏对临床治疗的参与和不坚持用药是医疗机构和付

款人的主要问题。正如我们在第 5 章和第 7 章中所讨论的，有一些行为上

的“暗示”可以用来提高参与度和依从性（特别是当这种暗示是针对个人的

时候）。这些下一个最佳保健行动需要人工智能，就像消费者提供的版本

那样。

医疗保健收入周期的优化和效率。医疗服务提供者和支付者都在试图

创建更高效和有效的医疗支付流程，并且越来越多地将护理授权和支付检

查自动化。机器学习也可以用来在治疗前准确估计病人的账单（现在美国

的法律要求）。

计算机辅助诊断。基于人工智能的一些疾病诊断和自动治疗建议并不

新鲜，在一定程度上存在基于规则的临床决策支持系统。如今，机器学习

正开始使诊断和治疗更加精确并基于数据。目前，基于深度学习的图像识

别已被证明在检测图像中的医疗问题方面与人类放射学家一样好，甚至更

好。其中一些方法已被监管机构批准，但大多数仍在实验室而不是在临床

床边。将来，还会有更多的方法出现，我们可以期待它们与临床过程更大

程度的结合。

精准医疗和个性化健康。机器学习也是精准医疗的关键——根据病

人的基因构成、关键的代谢数据和其他因素，推荐个性化的疾病治疗方法。

一些人工智能正在被用来推荐基于遗传学的特定药物和临床试验。虽然这

是一个漫长的旅程，但我们预计更多的精准医疗方法很快就会出现。急诊

室、放射成像机器和外科医生是稀缺资源的例子，人工智能已经帮助他们

更有效地安排。这种优化似乎很可能最终会扩展到卫生系统中的整个健康

选择范围，包括当地诊所、康复中心和家庭护理。

还有各种人工智能案例，主要还是在研究实验室或非常有限的临床应

用中，它们包括：

生物标志物的发现。生物标志物是表明存在疾病或医疗状况的可检测

物质。寻找生物标志物是一种捕风捉影的行为，但在许多医疗领域，包括

癌症，有大量的数据可以产生潜在的生物标志物。机器学习使研究人员能

够更快更容易地找到单个和组合的生物标志物。预测蛋白质折叠模式的新

人工智能算法有可能被用来产生新类型的生物标志物。

合成生物学。创造新的生物体、设备或药物一直是一个耗时的过程，

但人工智能可能会大大加快它的速度。新的算法可以预测一个细胞的

DNA 或生物化学的变化将如何影响其行为。这些预测模型可能不仅会加

快医疗保健研究，还会加快人造肉等消费产品。

虚拟化的药物发现实验室。机器学习帮助制药公司开发新化合物的数

字模型，预测它们将如何作用于特定的目标分子。其次，与三维模拟相结

合，通过开发模拟化合物，最终可以在动物和人类身上进行测试和验证，

有可能大大加快药物开发时间。

自愈的医疗供应链。医院和医疗用品受到其他产品所面临的同样的不

确定性的影响，尽管延迟交付和缺货的后果可能要严重得多。好在机器学

习模型可以更好地预测需求，并允许在意外事件发生时快速重新规划。

数字化医疗机构。医疗保健公司正在提供各种各样的智能医疗援助服

务，以帮助和增强人类临床医生的活动。特别是在中国，像平安好医生这

样的智能远程医疗系统为医生提供建议支持和辅助诊断、治疗策略和药物

建议。尽管在美国还没有很好地建立起来，但这种智能远程医疗服务很可

能是常规医疗保健的未来。

用于临床试验的预测性行为模型。进行临床试验的公司面临的一个问

题是，多达 30%的试验参与者在试验结束前就退出了。这增加了费用，使

分析复杂化，并可能导致损耗偏差。生命科学机构开始使用机器学习模型

来预测试验参与者完成试验的可能性，并且只招收最有可能完成试验的人。

数字病理学。到目前为止，病理学在采用基于人工智能的图像分析方

面远远落后于放射学。许多病理学家仍然喜欢用显微镜，而且病理科缺乏

捕捉和传输图像的通用数据标准。这种情况正在开始改变，虽然现在人工

智能还没有被美国食品和药物管理局批准用于不经人工审查的分析，但它

们对图像预分类和工作流程的优先级很有用。

病人的生命体征监测。追踪健身活动的智能手表现在很常见，但它们

也越来越多地用来监测各种医疗相关数据，从心率到血氧水平到心电图信

号。这些设备的一些数据可以传输到电子健康记录中进行长期监测，不仅

如此，这些手表还可以自动提醒医生出现严重的医疗问题。

用药依从性和远程病人监测。用药依从性是整个医疗系统的一个实质

性问题，对临床试验来说尤其如此。尽管电子药箱尚未成为现实，但一些

临床试验正在利用智能手机图像的图像识别来显示病人正在按规定的频

率服用药物（或安慰剂）。

放射科的诊断图像增强。基于深度学习的图像识别在研究实验室中虽

然越来越成功，但在临床实践中还没有被广泛采用。不过放射科增加采用

了一个心新方法，即增强图像，使有问题的区域被系统突出，或指出图像

中肉眼不易看到的特征。目前，研究人员还在努力提高跨医疗机构和临床

环境的图像识别的可重复性。

克利夫兰诊所的人工智能

在我们看来，医疗保健和生命科学行业中由人工智能驱动的传统组织

还不存在。有很多初创公司显然是由人工智能驱动的，就连一些大型医疗

机构和大型制药公司都在积极从事人工智能。但我们认为他们还没有达到

使用人工智能来显著改变其业务的程度。出于这个原因，我们将描述一些

更积极的组织以及他们所采用的一些使用案例。

在医疗保健领域，一些以提供创新、高质量护理而闻名的组织也在开

发创新和高质量的 AI 案例。例如，克利夫兰诊所的企业信息管理和分析

执行董事克里斯·多诺万（Chris Donovan）说，“人工智能到处都在出现”。

他的团队正在努力促进自下而上的努力，以开发和部署人工智能，同时也

提供治理方法。到目前为止，这项工作是由一个以企业分析、IT 和道德部

门为基础的跨组织的实践社区推动的。

大多数案例的主要好处是操作性，这能使决策更快、更精确。例如，

克利夫兰诊所正在实施一个麻醉术前病人风险评分的过程。它多年来一直

使用基于规则的评分，但现在的评分是基于机器学习的，更加自动化和精

确。医院还在财务方面使用企业资源规划系统数据和机器学习模型，以获

得对财务风险的更好估计。在许多行政职能部门，他们正在用机器学习创

建更多的预测、预测模型和模拟。

在人口健康领域，诊所建立了一个预测模型，帮助优先使用护理管理

资源。护理管理资源是稀缺的，优先处理他们的案件对于向最需要的病人

提供护理至关重要。预测风险分数现在是决定谁会得到签到电话的主要方

法。例如，一个在管理疾病方面有困难的糖尿病患者会得到一个高风险分

数。诊所建立了另一个模型，以确定那些有疾病风险但尚未有病史或症状

的病人。该模型被用来尝试通过主动安排他们进行筛查或预防性护理来阻

止高分患者的疾病。

还有另一个预测模型，用于识别健康的社会决定因素有问题的病人；

这是一个病人群组，他们可能像医生一样需要一个社会工作者，或者需要

一张去看医生的公交卡。多诺万说，该模型的评分现在是在医院的电子健

康记录（EHR）系统之外完成的，但他预计它们最终会被内置到 EHR 中。

到目前为止，EHR 系统中的任何预测模型通常表现不佳，部分原因是它们

没有在诊所自己的数据上进行训练。

克利夫兰诊所的大量应用涉及基于深度学习的医学图像分析。例如，

该诊所影像研究所的放射科医生正在尝试自动识别癌症和骨折，神经科医

生正在使用该技术帮助识别癫痫发作的来源。目前，人工智能模型的目标

是协助医生识别图像中的问题，而不是独立地执行。在另一个医学影像项

目中，该诊所最近还宣布了与 Path AI 的合作关系，旨在将其病理切片收

集数字化并加以利用，为人工智能驱动的转化研究和多种疾病领域的临床

诊断提供动力。

多诺万认为，克利夫兰诊所在应用人工智能方面有巨大的潜力，但最

大的挑战涉及数据。他说，其他行业有更多的数据，而且这些数据更可能

是干净和结构良好的。他说，像其他医院一样，他们的数据也有质量问题，

采集得不好，以不同的方式输入，并涉及整个机构的不同定义。即使是像

血压这样的普通指标，也可以在病人站着、坐着或仰卧时测量，通常会有

不同的结果，而且数据的记录方式也不同。要采用适当的读数，需要对数

据结构有所了解。因此，数据准备现在是每个人工智能项目的一部分，多

诺万的小组正在努力为人工智能项目提供有用的数据集，并将其作为一项

共同的服务。

最后，多诺万指出，克利夫兰诊所也在花大量时间来了解与这些技术

相关的伦理考虑。他预计，这种审议将是在临床决策中广泛实施它们的关

键。

由于药物开发中的戏剧性创新经常出现在较小的初创企业中，这些企

业最终被大型制药公司收购，因此，人工智能似乎也可能出现同样的模式。

许多大型制药公司（包括我们所描述的那些）已经与这些初创公司建立了

发展伙伴关系。而且，如果 Exscientia、Insilico Medicine、Berg Health、

Benevolent AI 以及其他多家专注于人工智能的初创公司成功地大幅提高

了药物开发的速度和有效性，毫无疑问，这种做法将进入大型组织。

科技、媒体和电信行业

德勤专业人员常说的 TMT 行业是所有行业中数字化和人工智能程度

最高的企业。他们的产品和服务留下了大量的数据——产品的使用情况、

位置、兴趣和关注程度，这些都可以很容易地用人工智能进行分析。例如，

电信业率先使用了数据挖掘，后来又使用机器学习来预测客户流失，或客

户流失。然而，科技行业也是经常引起消费者和政策制定者对数据隐私、

消费者定位和监控资本主义关注的行业。TMT 公司如何在未来几年内处

理这些问题，并平衡它们与人工智能的潜力，将为许多其他行业设定基调。

人工智能采用者的一些常见案例是：

智能工厂和数字供应网络。在实现人工智能的行业——半导体和

计算机生产中，人工智能正越来越多地被应用于制造业。常见的案例包括

需求预测和库存水平预测、设备调度、芯片设计自动化和设计缺陷识别、

产量优化和缺陷识别（如我们在本章前面讨论的希捷公司的例子，它既是

一家制造公司又是一家技术公司）。

直接的消费者参与。科技行业是以技术为导向的营销和销售的主要用

户之一。例如，思科系统公司开发了数以万计的基于机器学习的销售倾向

模型，考虑个人客户购买某些产品的可能性，尽管他们是 B2B 公司。科技

组织还仔细监测线索，用机器学习对其进行优先排序，并经常使用自然语

言处理系统来培养低价值或低可能性的线索。

数字联络中心。今天许多行业都在使用聊天机器人和智能代理，但

其中最活跃的是技术导向型公司。在这个行业中，基于自然语言处理的数

字代理被用于涉及账单和约会的行政任务。由于技术产品和服务是复杂的，

这个行业在使用人工智能进行客户支持方面占据了领先地位。这种案例不

仅可以回答有关产品支持问题的典型客户问题，还可以分析实时支持电话

的客户情绪和升级需求。

客户数据货币化。许多面向消费者的行业正在研究各种形式的数据

货币化，由于这个行业拥有丰富的数据，它已经率先实现了货币化。最常

见的例子是将社交媒体或搜索用户的注意力货币化给广告商，或通过出售

广告牌和特定地点优惠的营销机会，将移动电信供应商已知的地点货币化。

不过，这是一个对消费者来说很敏感的话题，未来可能会受到额外的监管。

数据中心和设施冷却优化。科技公司的数据中心是电能的主要用户。

Alphabet 的 DeepMind 是第一个开发出可以持续降低数据中心冷却能源

成本 40%的算法。之后，西门子与一家名为 Vigilent 的初创公司合作，开

发了一种更广泛的优化设施冷却的算法方法，这也被用于数据中心。

目前行业中存在一些不太常见的案例，但随着人工智能的不断成熟，

这些案例的使用量可能会增加。有以下几种：

虚假媒体内容检测。深度假货，或人为构建的、不代表现实的音频

和视频内容，还处于早期阶段，但许多观察家担心，它们将成为未来虚假

信息的主要来源。创造深层假象需要人工智能，但人工智能也能识别它们。

这场军备竞赛的结果还不清楚，但至少有潜在的补救措施可以解决这个问

题。

自我修复的网络。电信公司的生死取决于其网络的健康状况，而人

工智能正在使预测、恢复和防止网络中断成为可能。就像预测性资产维护

案例在机器中识别异常和预测故障一样，人工智能应用在网络中识别问题

和潜在问题，并在它们发生之前解决它们。至少，他们让客户知道他们的

服务何时可能恢复。例如，Verizon 在 2017 年使用人工智能预测并预防

了两百个可能影响客户的网络事件，让许多事件在发生之前就被修复了。

语言翻译服务。许多消费者现在都知道基于人工智能的智能手机应

用程序的能力，在前往与自己语言不同的国家或地区时提供基本的翻译服

务。类似的能力被用来翻译电子邮件和网页。然而，重要的商业文件通常

由人类与计算机辅助翻译（CAT）软件合作翻译，该软件通常将建议的翻

译（在大多数情况下是逐行翻译）提交给人类译员，后者可以接受、拒绝

或修改建议的语言。CAT 工具极大地加快了人类译者的生产力。

视频内容分析。视频正以惊人的速度从人类、街道安全摄像机、无

人机、汽车和许多其他来源产生。然而，却没有足够的人类来查看和分析

所有这些内容。人工智能可以为各种检测目的分析视频，包括运动和/或

物体、火灾或烟雾、面部识别、数字识别，以及更多。与自然语言生成相

配，它甚至可以讲述一个关于它所观察到的故事。

音频和视频挖掘。与视频内容分析一样，音频或视频形式的内容可

以被挖掘出来，变成可分析的结构化数据。人工智能可以在这样的内容中

捕捉到许多东西，包括关键的话题或行为、情绪和参与其中的个别人类。

所涉及的人工智能技术可以包括自然语言处理、计算机视觉、语音识别和

深度学习，以促进这些目标的实现。

情感检测。通过深度学习模型，可以越来越准确地检测出人类的情

绪。这样做的目的包括检测对广告的反应，识别司机的路怒症，以及注意

到机场旅客的恐惧或焦虑。然而，批评者指出，面部识别是人类情绪的一

个不可靠的指南，可能需要同时评估其他生理因素以提高准确性。许多公

司开始追求元空间的理念——一个用于娱乐、游戏、教育和模拟的沉浸式

虚拟环境。Meta 公司，即以前的 Facebook，已经描述了人工智能将在

metaverse 中发挥的一些作用，包括视觉图像、视频和语言的自动构建、

身份确定、行动和运动的预测，以及其他组件。

华特迪士尼公司的人工智能

华特迪士尼公司是一家价值 670 亿美元的媒体和娱乐巨头，其人工

智能和分析的现代历史始于 1995 年的公园和度假村业务部门。高管们注

意到，航空公司通过收益率管理，即根据供求关系对机票座位进行动态定

价，成功地提高了他们的利润率，他们认为，也许同样的方法可以应用于

酒店客房定价。曾在 People Express 和 Continental Airlines 从事收益管

理的 Mark Shafer 来到迪士尼，领导一个最初专注于该用途的小组。

Shafer 的聘用导致了公园和度假村的巨大变化，并最终导致了几乎

所有其他迪士尼业务部门的变化。他的收入和利润管理小组现在由250 多

名“成员”组成，其中 50 人拥有博士学位。该小组是迪斯尼以业务为重点

的分析和人工智能的中心，它大大改善了酒店、公园、百老汇演出、书籍

和其他迪斯尼资产的盈利能力。该小组现在在整个公司工作，且机器学习

是其主要工具之一。

迪士尼的人工智能对其公园的客户来说也越来越明显。它最近推出了

Genie，一个基于人工智能的实时度假计划助手，会根据一个家庭的喜好

推荐景点。而基于应用程序的排队管理服务与迪士尼魔力带配合使用，能

够提供顾客在公园内的实时数据。其目的是最大限度地减少长队，提高顾

客的游玩体验。

在其电影业务中，迪士尼建立了一个名为 StudioLAB 的研究能力，

探索使用人工智能和其他技术来改善电影内容。例如，它用监测观众情绪

的人工智能提高了早期试映的有用性。迪士尼与加州理工学院合作，在电

影院里放置摄像头，用深度学习系统监测观众的每张脸。这既提供了更多

的数据，也更准确地了解了观众成员是如何体验电影的。

StudioLAB 还创建了算法来审查电影帧中的每一个像素，以确保质量；

人类分析人员只需查看选定的像素。其他算法则是自动涂抹像素，以获得

一致的图像。其目的是让公司的创意说书人专注于这项活动，而不是繁琐

的细节。

在这些技术密集型行业中，人工智能正在被应用于各种案例。我们所

了解的更积极的采用者在较早的阶段比他们的许多竞争对手在人工智能

方面做得更多。我们强烈的期望是，这种重视最终将反映在这些已经成功

的组织的运营和财务业绩的改善上。

请注意，我们所描述的许多案例都可以跨行业应用。正如我们刚才所

描述的，迪斯尼将航空业的定价方法应用于其娱乐场所。虽然所有这些行

业的案例的可能性对一些高管来说可能是压倒性的，但重要的是要考虑，

然后采用大量的案例，以真正改造一个组织。每个单独的案例都可以与类

似领域的其他案例相结合，例如客户服务，以产生更大的影响。鉴于人工

智能可能的应用数量，高级管理人员应制定战略并优先考虑最有可能影响

其业务和推进其战略的案例，这一点尤为重要。

第七章 成为人工智能的燃料（AI Fueled）

如果你在一个传统的组织中领导或工作，你可能会觉得你的公司没有

能力被人工智能改造。你可能不是像克罗格公司（Kroger Co.）或 Loblaw

这样拥有数十年销售点和忠诚度数据的巨型零售商，也不是像空客这样产

生和分析大量传感器数据的巨型飞机制造商，或者像星展银行这样长期以

来以技术推动业务发展的大型银行。

但如果你处于这种情况，不要绝望。它适用于许多公司，不管出于什

么原因，这些公司在过去没有广泛使用技术、数据和人工智能。我们正处

于通过人工智能改造公司的初期，而我们在本书中描述的公司是早期采用

者。

好消息是，在十几年前，没有一家公司是由人工智能驱动的，对于今

天的人工智能先行公司，我们可以描述他们向这个方向发展的几条道路。

建立积极采用人工智能不需要超人或超自然的特质。简单地说，这些公司

看到他们在未来需要更多的人工智能，让人们负责创造这个未来，收集所

需的数据、人才和货币投资，并尽可能迅速地采取行动，创造新的人工智

能能力。他们都是通过不同的途径到达目的地，或者至少正在接近目的地，

但基本步骤是相同的。

在本章中，我们将通过四个例子来描述成为人工智能助推器的四条路

径，包括：

德勤，它正在从一个完全以人为本的专业服务公司转变为一个由智

能人与智能机器共同工作的公司。

CCC 信息解决方案公司，最初是一家信息提供商，但现在已经转型

为一家由人工智能驱动的公司，从事促进汽车碰撞维修的业务。

Capital One，这是一家早期采用分析技术的银行，并且是早期广

泛采用人工智能的银行。

那么，我们在书中介绍的唯一一家创业公司，它正在创造一种基于

人工智能的能力，从头开始影响我们的健康行为。

这些绝不是达成人工智能结果的唯一选择，但它们应该为任何有兴趣

踏上旅程的组织提供一些想法。

德勤：从一个以人为本的组织到一个以人和人工智能为基础的组织

我们对讲述德勤的故事特别感兴趣，因为我们为德勤工作或与德勤合

作。尼廷是德勤美国人工智能业务的联合负责人，而汤姆作为德勤的高级

顾问已经工作了十多年。该公司也是重点转移的一个很好的例子：从几乎

完全专注于使用人类专业人员来执行任务（从 1845 年德勤公司在伦敦成

立时开始），到致力于以人工智能为动力，采用人类和机器的协作组合。

德勤还没有完全完成向人工智能的过渡，它也很难放弃人类劳动力；它在

全球有近 35 万名员工。目前，它已经开始将广泛使用人工智能作为其向

客户提供专业服务的标志，这是一个很大的重点变化。德勤的业务、全球

和战略服务部常务董事 Jason Girzadas 强烈感觉到，该组织需要转型，

以便在更智能的经济中发挥主导作用，因此他赞助了这一转型。我们在许

多其他案例中看到，成为人工智能的推动者需要高级管理人员的愿景、激

情和能量，而 Girzadas 扮演了这个角色，动员必要的德勤利益相关者来

支持投资、任务和旅程。

人工智能是几项优先投资之一，被称为战略增长机会（SGO），并对

其所处的广泛经济产生影响。吉尔扎达斯全面负责将人工智能（和其他优

先投资）能力纳入公司的业务。

由尼廷共同领导的人工智能战略倡议有一个五年的期限，从 2021 年

到 2026 年。该计划规定了每项业务如何利用人工智能的优势，然后建立

一个社区，与 Nvidia、亚马逊网络服务和谷歌等合作者建立市场关系，尝

试建立新的实践领域，并进行长期的投资，共同关注用人工智能实现内部

能力和流程，以及创造新的客户产品。Girzadas 评论说：“我们的人工智

能计划植根于一个信念，即这可以改变我们的成本结构以及我们的能力组

合。这更像是一个转型议程，而不是开发行业中每个人都将拥有的‘赌注’

能力的目标。大多数领先的客户都在这条路上，所以我们必须站在用人工

智能解决新的复杂挑战的最前沿。”

Girzadas 认为，虽然德勤还没有为人工智能提供动力。“我们已经完

成了我认为最困难的部分——在整个德勤围绕人工智能创造动员和关注”，

他指出，在每项业务中，以及在人才管理和财务等基础设施流程中，仍有

工作要做；人工智能计划还包括为大量收购人工智能初创企业提供资金，

以及在政府的项目完整性领域提供新的服务，并协助客户创建和管理智能

工厂。

这种转型不仅在业务模式的变化幅度上不寻常，而且在采用的方式上

也不寻常。德勤和其他“四大”全球专业服务公司一样，由一个庞大的全球

成员机构网络组成。大多数情况下，每个成员所都在一个国家执业，其结

构和做法符合该国的监管环境。每家成员所的业务范围相似，包括审计、

税务、咨询和顾问服务。审计、税务、咨询和顾问领域的创新团队一直在

努力创建可在全球范围内使用的解决方案，尽管有些解决方案可能需要修

改或配置以满足当地法规。

各个业务领域也进行了合作，例如，将客户数据拉到一个共同的格式

中进行分析，这对审计和税务部门来说都是一个挑战，他们已经合作开发

了相关工具。咨询公司为客户创建了一套名为 AI Foundry 的人工智能服

务和专业人员，其中一些人与审计和担保业务合作。提高德勤员工在人工

智能方法和工具方面的技能是德勤的优先事项，因此，在人工智能战略倡

议下，德勤于 2021 年创建了人工智能学院，开始在客户业务流程和战略

的背景下讲授人工智能，并成为市场上人工智能人才的创造者。

审计与鉴证业务中的人工智能

德勤的审计与鉴证业务部门在增加人工智能能力方面的工作时间比

其他德勤业务部门更长。这个名为 Omnia 的全球人工智能平台将被用于

（经本地定制），以支持世界各地的成员所的审计业务。它是一套工具和

方法，可以自动处理一些审计事务，优先考虑人类审计师的审查，并为客

户产生关于其业务和风险的见解。它将一直发展，尽管它已经使人工智能

在德勤会计师事务所执行的外部审计中执行关键任务方面取得了巨大进

展。从一开始，该业务就采用了最佳的方法，包括监测世界各地的新技术

初创公司。该业务的主要能力是内部开发的，而其他能力则来自外部供应

商，例如，Kira Systems 是一家位于加拿大的初创公司，其软件可以从法

律文件中提取合同条款。在审计的文件审查过程中，这是一项非常有用的

能力：审计员在历史上不得不通读许多合同以提取关键条款，但现在 Kira

的自然语言处理技术可以识别和提取合同中的关键条款。Omnia 的功能

是作为许多不同的内部和外部开发的案例的脊柱，新的工具可以很容易地

添加到它上面。

Omnia 从一开始就是一个全球性的项目。虽然它首先在一个美国客

户上进行试点，但它是以全球的思维方式建立的。开发人员采用了敏捷的

方法进行试点和快速学习。Omnia 的开发以标准化为首要原则，但有时

在特定国家需要进行本地修改。各国之间存在着重要的差异，包括数据隐

私、审计流程和标准、法律和风险处理方法以及商业决策。一些国家也要

求在其境内存储审计和其他类型的公司数据。Omnia 在支持大型公共客

户和小型私人客户的审计方面也很灵活。

德勤开发了 Cortex 系统，从客户的交易系统中自动提取分录和其他

需要的数据，并使其可用于分析。拉斐尔说，“开发一个适用于不同客户

的通用数据模型是 Omnia 之旅最困难的部分之一，他有点后悔没有早点

开始。”2018 年，该公司聘请了一名首席数据官，进展进一步加快了。

Omnia 的系统有多种功能。其中一个系统，Signal，用于分析公开的

财务数据，以确定客户业务中的潜在风险因素；Cortex 对分录数据集进

行实时分析，以确定与会计、运营和控制有关的模式；Reveal 使用预测分

析法来确定审计兴趣领域，以便由人类审计师进一步审查。Omnia 平台

最近增加了一个值得信赖的人工智能模块，用于评估人工智能模型的偏差。

德勤的审计创新小组在开发所有将人工智能应用于审计程序的案例

时，都遵循一个共同的流程。

该过程中的五个步骤是：

1. 简化和标准化。第一步是为执行任务创建一个共同的、简化的流程

或程序。在这一点上，没有引入新技术，只是创建流程和程序文件。一个

共同的整体工作流程被描述出来，然后再为特定的管辖区增加个别的变化。

2. 数字化和结构化。数字化——用某种形式的信息技术支持一项任

务，可以收集数据和监测性能，是从数据中学习的人工智能技术的先决条

件。数字化也是构建任务的下一步，所采用的技术通常规定了执行活动的

顺序。

3.自动化。一旦任务被数字化和结构化，将其执行自动化通常是一个

简单的过程，通常使用某种专有的工作流程甚至是机器人流程自动化工具。

这一步骤减少了对人工的需求，并普遍提高了周期时间和一致性。例如，

德勤利用工作流程技术将审计中的确认流程完全自动化，在这个过程中，

要向多个外部第三方发送信件以确认财务交易。

4.使用先进的分析方法和分析。自动化流程可以用描述性分析法进行

监控，也可以用预测性或规定性分析法进行更好的测试。同时，用外部数

据补充客户数据，以进一步改善风险评估过程，或确定实质性测试的异常

值。

5.实施认知技术。转变为人工智能任务的最后一步是实施人工智能技

术，使任务更加智能化，从而从审计师与基础数据的互动中学习（例如，

机器学习）。人工智能工具可能会随着时间的推移学会更好地执行任务，

或者它们可能将智能决策应用于任务的某个方面（如提取和分析合同条

款）。

这些步骤中的每一个都能单独提高审计质量，并为德勤审计师和客户

提供更及时和有意义的见解。

这一过程似乎正在发挥作用。德勤的审计创新分别在 2022 年、2021

年、2020 年、2018 年和 2015 年赢得了英国数字会计论坛和奖项的年度

数字创新奖。当然，其他四大会计师事务所也在审计中拥抱人工智能，我

们能够感觉到，德勤在追求人工智能方面是处于领先地位的。

该审计创新小组已经开始改变其人才模式，以支持人工智能能力。它

已经聘请了几位博士级别的数据科学家和数据科学家实习生，并越来越多

地聘请具有数据和 IT 教育背景的学生。

拉斐尔说，客户对 Omnia 审计的结果很满意，特别是审计所揭示的

关于其业务的基于数据的洞察力水平。他相信，人工智能正在提高审计的

质量。它所实现的效率因审计和客户而异；有时它揭示了需要人类审计师

进一步调查的利益项目，但这也提高了质量。Omnia 还使更多的工作在

客户现场之外完成；在 Covid-19 大流行期间，它有巨大的好处。拉斐尔

对 Omnia 的进一步发展以及进一步在全球推广的可能性也感到兴奋。他

的小组现在正在考虑情景和模拟，使客户能够在他们的业务中设想与气候

有关的替代举措。该小组还在讨论可视化显示分录和替代性财务结算模拟

的可能性，并与德勤顾问和他们在 Nvidia 的合作者合作进行复杂的视觉

模拟。

税务方面的人工智能

税收通常被分为前瞻性战略项目和使用历史信息的监管合规活动。这

两个领域有什么共同点？对大型数据集的复杂分析。从历史上看，这种分

析是由税务专业人员利用当时最好的技术手动完成的。正在追求机器学习

的税务工作的德勤认为将人类税务专家的努力与人工智能驱动的流程相

结合，可以在准确性、效率和洞察力方面产生更好的整体结果。

德勤税务分析洞察力实践的 AI SGO 负责人 Beth Mueller 评论说，

“在税务领域使用 AI 的机会很多。我们专注于将高度技术性的税法应用于

具体事实。人工智能支持的工具和流程将继续发展，使我们客户的税务职

能部门成为其组织中更好的业务伙伴。”在战略性税务工作领域，税务专

业人员经常做出对组织有重大影响的决定，但都在有限的时间和信息下进

行。由于税务部门往往是最后一个了解商业交易的人，他们做出最明智决

定的能力可能受到阻碍。然而，利用人工智能，特定的税务算法可以被纳

入决策过程中，以便更早地标明税务方面的考虑，让税务部门更早地获得

席位。

税收遵从的一个重要部分，就像外部审计，是从客户的交易系统中提

取数据。企业资源计划（ERP）和其他企业系统通常不是为税务合规而建

立的，因此必须从这些系统中提取关键信息，并经常根据税务规则重新分

类。德勤建立了一个名为 Intera 的平台，与客户合作开展业务，它包括人

工智能驱动的数据提取和分类功能，并向税务专业人士和客户提供见解。

正在应用自动分类的一个税务数据领域是试算表账户的分类——提供对

每个账户的税务分类的初步确定（例如，可扣除与不可扣除），一旦所有

需要的数据汇总完毕，德勤将利用机器人流程自动化和其他技术解决方案

来进行计算，准备纳税申报，并在人工审核流程之外进行额外的质量审核

检查。德勤还可以通过分析税务数据来确定客户可能需要考虑的见解。

与审计一样，过去的税务合规工作通常涉及税务专业人员的大量手工

工作——查找数据，从一个系统中提取数据并将其放入另一个系统，建立

计算工作文件，等等。大部分的手工工作已经被消除，而且随着时间的推

移，更多的手工工作将被消除。这使税务专业人员可以花更多时间分析客

户的税务状况，并就如何改善税务状况提供建议。在公司税务部门实现自

动化和使用人工智能，也与一些全球税务机关表示他们对改善税收遵从过

程的设想一致；在某些时候，税收遵从的某些领域可能只是涉及一个系统

与另一个系统的对话，而人工智能则围绕它来识别潜在的准确性风险。

咨询业中的人工智能

咨询是德勤专业人士从事的结构化程度较低的活动之一，但这并不意

味着没有应用人工智能的机会。Nitin 领导咨询业务的人工智能，他和他

的同事们正在寻求多种机会，以改变咨询师使用该技术的工作方式。正在

创造的机会大致分为两类：建立能力和开始新的商业冒险。

咨询业务知道，从一个以人为本的组织转变为一个以人和人工智能为

本的组织的关键是迅速建立必要的能力，推动当今的智能经济。鉴于人工

智能在当今商业和社会中越来越受到重视，德勤咨询公司必须具备必要的

人工智能能力来服务客户。这些能力包括对话式人工智能、计算机视觉、

使用人工智能技术来处理来自物联网和边缘设备的数据，以及 AutoML 的

应用。其目的是在这些能力方面建立必要的知识和技能组合，而不是由一

个小的专业小组来提供人工智能服务，大多数德勤从业人员可以帮助客户

转变其业务。这项工作的背景包括联络中心的数字化，制造业务的现代化

以创建智能工厂，或将云计算扩展到客户网络的边缘。在人工智能学院内，

德勤与学习机构合作，为从业人员创建了关于人工智能商业应用的定制课

程，并将必要的人工智能能力扩散到整个咨询业务中。

另一个重点领域是创办新的商业企业。目的是将德勤咨询的传统业务

扩展到新的商业模式，从而在未来十年巩固其市场地位。人工智能战略计

划的重点是咨询公司已经拥有领先能力的领域，并启动新的业务投资，在

未来十年内改变德勤在这些领域的咨询方式。

例如，德勤拥有最大的数据实施业务之一，帮助客户将其数据迁移到

云端。它现在正在扩展到如何帮助客户利用这些数据，成为人工智能的燃

料。德勤咨询推出了一项名为 ReadyAI 的新业务——人工智能能力即服

务，为客户提供预先配置好的互补技能组合的团队。这些团队帮助客户决

定如何处理他们的数据，并利用标准的人工智能流程和工具（包括机器和

深度学习）开发案例。ReadyAI 使客户能够快速启动他们自己的人工智能

工作。与典型的咨询业务不同，没有预先定义的要求或交付物，而且这些

团队通常由客户指导。

另一项已经启动的商业风险涉及开发自主交易流程，并使客户能够订

阅这些流程。德勤在历史上是实施 ERP 系统的领导者。这些系统将业务

流程数字化，但现在许多公司的目标是尽可能采用自主流程。德勤与其技

术供应商合作，推出了一项新业务，利用 AIOps 将涉及多个交易系统的

流程自动化；这些流程通常由大量人力来操作。这些流程被分解成离散的

交易，建立算法以在其中做出智能决策，它们从流经它们的数据中不断学

习，并触发自主行动。这些算法被打包成离散的微服务，客户可以订阅。

德勤咨询推出的第三项业务是为制造业客户实现智能工厂。随着传感

器在工厂车间的普及，制造过程中的每一步都会产生大量数据。吸收这些

数据并应用算法来不断分析和改进流程，这就是工厂的智能之处。再加上

智能摄像头的实时监控和调整，就能产生一个能生产、基本自主运作和自

我改进的系统。德勤已经是为企业实施全球供应链的领导者，但智能工厂

的业务风险将其提升到一个新的水平：在制造和供应链流程的交叉点上，

以人工智能为动力的领域。

德勤从咨询业对人工智能的关注中吸取了三个关键教训。要踏上人工

智能的旅程，企业需要：

使你今天的工作现代化。德勤专注于建设人工智能能力，是一项使

其服务实现人工智能化和现代化的举措，以便在当今更智能的全球经济中

为客户提供建议、实施系统和操作流程。

以长远眼光打造企业。与大多数成功的机构一样，德勤认识到它需

要建立新的业务，并在未来十年内获得红利。人工智能战略举措涉及多年

的投资计划、专门的领导层、行政推动力以及整个组织对争取长期利益而

非短期利益的共识。

在追求下一个目标的过程中不断探索。虽然人工智能战略计划正在

推动一个结构化的项目，但它也在不断地与咨询公司的各个小组进行试验，

以确定下一个大想法。这方面的一个例子是对商业应用自主编码的探索。

许多德勤咨询项目涉及某种形式的编码，因此，该实践正在积极尝试使用

人工智能来生成代码。事实证明，OpenAI 开发的强大的 GPT-3 转化器人

工智能程序不仅擅长生成文本，而且还能生成某些类型的计算机程序。这

种能力现在是一个名为 Codex 的开源工具的中心，它将程序的英文文本

描述变成代码。德勤顾问正在积极研究 Codex 在什么情况下可以提高生

产力，让非编程人员也能生成代码。

这三条经验一直是并将继续是咨询业务的人工智能举措的指导原则。

它们推动了人工智能战略、投资和领导层的关注。咨询业务的领导者们还

坚信，如果德勤要帮助其客户实现人工智能，那么它也需要为自己提供人

工智能支持。

风险与财务咨询中的人工智能

德勤的风险与财务咨询（咨询）业务专注于帮助客户降低各种类型的

风险。在过去，它采用了商业上可用的人工智能工具来协助一些客户项目，

如自动生成反洗钱的可疑活动报告。但是，随着人工智能 SGO 的推出，

该事务所开始实施一项新的人工智能战略，该战略由伊尔凡·赛义夫等高

级负责人和美国公司人工智能业务的联合主管尼廷共同推动。这些领导人

努力了解行政团队的心态，推动变革，并创造必要的紧迫感。新战略的基

础是开发由领先的数据科学家构建的可重复使用的产品。艾德·鲍文在

2020 年成为该业务的人工智能小组的负责人，他有制药业的遗传学数据

科学背景，他迅速加快了对具有数学和科学背景的博士和数据科学家的招

聘。

咨询人工智能小组已经开发并交付了四个产品：两个是网络安全方面

的，一个是检测医疗欺诈方面的，还有一个涉及会计控制。网络安全是一

个富有人工智能潜力的领域，因为有太多的数据需要人类去监控和理解，

而网络犯罪分子本身也在越来越多地使用人工智能。与咨询业一样，咨询

公司已经开发了一个标准的人工智能平台，并收集了一些大规模的数据资

产。在德勤所有的业务部门中，Advisory 的人工智能方法是最具有研究导

向性的，由尖端算法驱动。如果该方法获得成功，SGO 将确保它也能推

广到其他业务部门。

在所有这些不同的实践领域，都明确强调德勤专业人员与智能机器紧

密合作——增强而不是自动化。目前，人类仍然承担着大部分的任务。然

而，在未来的某个时刻，可能会出现一个转折点，即机器为客户完成大部

分任务，而人类只需确保机器完成其本应完成的工作。当德勤几乎所有的

人类员工都在与人工智能系统合作时，这可能表明德勤人工智能的未来已

经到来。

第一资本（Capital One）：从一个以分析为重点的组织到一个以 AI 为

重点的组织

正如我们在第 6 章中简要讨论的那样，Capital One 长期以来一直以

数据驱动的金融服务机构而闻名。1994 年从 Signet 银行分离出来后，公

司成立的核心理念是基于信息的战略——相信重要的运营和财务决策应

该在数据和分析的基础上进行。其创始人里奇·费尔班克（现在仍是首席执

行官）和奈杰尔·莫里斯认为，数据和分析可以使公司成为一个与众不同、

高效和有利可图的信用卡发卡机构。该公司利用分析技术了解消费者的消

费模式，降低信贷风险，并改善客户服务。后来，Capital One 进入了零

售和商业银行业务，建立并收购了一个分支网络，并进入了各种形式的消

费者贷款。该银行在2002 年任命了世界上第一位首席数据官。长期以来，

Capital One 首席信息官罗布·亚历山大（Rob Alexander）观察到，“我们

正在利用数据和分析创造一个更好的消费者金融服务公司。在许多方面，

我们是第一家大数据公司”。当汤姆在 2006 年写到靠分析竞争的公司时，

Capital One 是为数不多的围绕数据和分析建立战略的公司之一。

然而，为了保持领先地位，企业需要不断地创新。2011 年，面对银

行业的颠覆，Capital One 做出了一个战略决定，对其业务的许多方面进

行重塑和现代化改造——从其文化到其运营流程到其核心技术基础设施。

“我们在第一天开始时并不清楚这一切将在多年后如何展开”，亚历山大说，

“我们的目标是到达这个目的地，让我们为客户提供更快、更灵活的新能

力。”其转型的技术方面包括转向敏捷的软件交付模式，建立一个大规模

的工程组织并雇用数千人担任数字角色，成为云原生和为云重建应用程序，

以及坚持现代架构标准，如RESTful APIs、微服务和建立在开源的基础上。

成为人工智能的焦点

Capital One 也加入了全人工智能组织的行列。它最初在其信用卡业

务线和企业层面建立了两个大型机器学习团队，但最近将它们合并为机器

学习中心。银行各部门都有数据科学家在建立模型，包括信用卡、风险、

客户服务，甚至包括财务和人力资源等员工职能。Capital One 还为其客

户提供了 Eno，这是一个智能助手，可以帮助完成诸如欺诈提醒和余额查

询等任务。该公司高管表示，机器学习和人工智能的重点不仅仅是信用决

策（发卡机构的经典应用），而是客户互动和运营的各个方面。正如首席

信息官 Rob Alexander 所说，“每当我们做出决定时，都是一个使用机器

学习的机会——向什么客户推销，向他们提供什么产品，什么条款伴随着

这种关系，提供什么奖励，设置什么消费限制，如何识别欺诈，等等。”

该银行的目标是提供无摩擦的体验，预测客户需求，在需要之前提供正确

的信息和工具，并为客户和他们的钱着想。它已经将人工智能和机器学习

应用于其业务的几乎每个方面，但它的旅程几乎没有结束。

迁移到云端

Capital One 是如何为人工智能的世界实现其传统分析方法的现代化

的？据亚历山大和他的同事说，主要答案是新一代的技术。2011 年左右，

该银行的高管们试图重新定义银行的未来。关键技术的成本已经急剧下降，

为客户迁移到的数字渠道产生了更多的数据，有可能更好地了解客户。云

计算则提供了大规模处理数据的能力，并能更容易地整合不同的数据。因

此，亚历山大和他的同事们得出结论，“IT 组织建立基础设施解决方案已

不再有意义，相反，它应该专注于开发伟大的软件和业务能力来服务客户。”

将数据转移到云端是这一想法的主要成果，而云端成为 Capital One

人工智能工作的一个重要催化剂。该银行开始使用数据中心的私有云，但

后来观察了亚马逊网络服务的情况；亚历山大觉得他的组织永远无法与

AWS 的规模和弹性竞争。银行可以从软件驱动的、可大规模扩展的、即

时配置的云存储和计算能力中大大受益，所以创新的新机器学习工具和平

台可以在 AWS 和其他公共云上使用。简而言之，迁移到云将在银行内实

现新一代的技术——不仅是人工智能，还有移动和数字客户体验。到2020

年，Capital One 已经关闭了其最后一个数据中心，并将其所有的应用程

序和数据转移到 AWS 公共云上。

云计算如此关键的一个原因是，Capital One 正日益向实时流数据环

境发展。现任负责企业数据、机器学习和企业工程的首席信息官的 Capital

One 老员工 Mike Eason 说，数据的数量和速度是与该银行注重分析时期

的主要区别。他在一次采访中评论说：“我们在 90 年代使用的模型主要是

基于批量数据——每月或每周的数据，或者最多每晚的数据。现在我们有

非常大量的流媒体数据，来自网络和移动交易、自动取款机、银行卡交易

等，我们需要实时分析这些数据，以满足客户需求并防止欺诈。我们确实

仍有一个数据湖来存储数据，但我们越来越多地在数据到来时对其进行分

析。”负责该银行机器学习中心（C4ML）的 Abhijit Bose 补充说：“我们正

在成为一家实时决策公司。”Rich Fairbank 经常谈论这个话题：“我们最初

是由分析驱动的，然后我们过渡到数据和云，现在实时决策是重点。分析

实时数据的模型将推动银行的每个功能和流程。”第一资本对人工智能的

广泛强调只是更广泛的转型之旅的一个组成部分，尽管是最重要的组成部

分之一。第一资本的领导人从其创始人里奇·费尔班克开始相信，在不久的

将来，经济的赢家将是具有传统银行能力的科技公司，最重要的是风险管

理。费尔班克最初的愿景是建立一个几乎所有事情都基于数据和分析的银

行，现在有了大规模的数据库和实时人工智能，他的愿景已经实现并被推

得更远。罗布·亚历山大认为，银行正处于向技术密集型银行广泛转型的早

期阶段，其核心是基于人工智能的决策。

目前 Capital One 的人工智能重点

Capital One 的一个关键重点是在整个银行中大规模地采用机器学习。

它几乎在其所有的关键业务流程中都有 ML 模型，并不断建立更多的模型，

完善现有的模型。例如，它目前专注于使用人工智能来攻击信用欺诈，为

客户开发个性化的奖励优惠，并发现自动取款机诈骗。它正在完善 Eno，

为客户提供更好的建议，以改善他们的金融生活。它正在预测在线和呼叫

中心会话中客户的活动和需求。

C4ML 的负责人博斯曾在人工智能领域的几家前沿公司工作过。许多

数据科学家都有博士学位，但博斯有两个：一个是工程力学，一个是计算

机科学和工程。他在接受采访时解释说：“虽然 Capital One 仍然采用一

些传统的分析方法，但目标是尽可能多地使用从数据中学习的模型（即机

器学习）。”规模化的 ML 是 Bose 和 C4ML 的重点，其使用的方法包括标

准平台、民主化、特征和算法库，以及大规模招聘和培训。

Capital One 正在开发一个 ML 平台，该平台将协助开发、部署和长

期维护银行模型的几乎每个方面(它的目标之一是防止数据科学家在整个

银行以十种不同的方式做同样的事情），这将提高他们的效率、效力和工

作满意度。该平台通过各种库和工作流程自动化帮助开发模型，包括特征

库和自动化机器学习工具。该平台的工具还以可重复和可搜索的方式捕捉

和存储模型训练和执行信息，如参数和结果，以便模型可以被审计和复制。

这些信息也有助于银行验证和部署模型，一旦投入生产，模型就会定期使

用 MLOps 工具和方法检查漂移情况，必要时会进行重新训练。在某些情

况下，如 Eno 智能助手，重新训练是自动进行的；在其他情况下，则通过

银行的模型监管办公室由人类监督。

即使在负责任的人工智能领域——C4ML 的主要焦点博斯说，“该银

行希望在可能的情况下将规模和自动化纳入流程。它试图通过将可解释性、

公平性和道德考虑作为目标嵌入到 ML 平台内，从而最大限度地提高这些

目标。可解释性程序库和自动偏见检测程序将成为平台的组成部分。几行

代码将调用一个偏见检测库，其结果将被汇总并附在发送给模型风险官的

文件中。”

Capital One 也在大肆招聘人工智能人才，并且已经招聘了数千名机

器学习和相关软件工程师。2021 年，该银行还为之前在银行从事其他工

作的 ML 工程师制定了一个 160 小时的内部培训计划；Bose 说，该计划

得到了员工的巨大积极响应，现在已经有了第一批学员。C4ML 和人力资

源部门最近还为 ML 工程师的角色开发了一个职业岗位系列，包括职业发

展、薪酬和对新员工的宣传，加入已经为数据科学家、研究科学家和数据

工程师建立的其他岗位系列。Capital One 在七所美国大学设有孵化器或

实验室，并计划为其生态系统增加更多的孵化器。未来可能会出现教职员

工循环进出 Capital One，进行为期六个月的休假，以从事机器学习的工

作。

CIO Alexander 提出并回答了一个关键问题，“为什么传统的银行业

没有被科技公司所颠覆？它可能在某个时候会被颠覆。但我们有机会颠覆

我们自己的行业。”事实上，Capital One 正在从那些科技公司招聘一些最

优秀、最聪明的人工智能人才。Bose 就来自 Facebook 的高级 AI 工作室；

该银行的人工智能和机器学习产品执行副总裁 Rob Pulciani 则来自亚马

逊，他是领导 Echo/Alexa 业务的首批高管之一。很明显，Capital One 的

领导人打算在技术采用、数据管理和有利于客户的机器学习应用方面，不

给任何人留面子。这是一个曾经在分析方面竞争，但现在在人工智能方面

竞争的公司的一个主要例子。

CCC 智能解决方案：从以数据为中心的组织到以人工智能为中心的

组织

成为人工智能全能型企业的第三条道路是公司利用其广泛的数据资

产和商业生态系统。你可能不知道有一家人工智能密集型的中型公司，正

在将先进的技术用于帮助汽车保险公司。但是，如果你发生了车祸，需要

大量的工作来修复它，你可能已经从他们的数据、他们的生态系统和他们

基于人工智能的决策中受益了。CCC 成立于 1980 年，名为 Certified

Collateral Corporation。该公司最初是为了向保险公司提供汽车估价（抵

押品）信息，以确定被盗或受损车辆的损失价值。1986 年，它成为 CCC

信息服务公司，2021 年，它成为 CCC 智能解决方案，反映了它在向客户

提供产品时使用人工智能。

四十多年来，CCC 不断发展，收集和管理越来越多的数据，与汽车保

险经济中的各方建立越来越多的关系，并利用数据、分析以及最终的人工

智能做出越来越多的决策。在过去的二十三年里，该公司一直由 Githesh

Ramamurthy 领导，他曾是公司的首席技术官。CCC 享有稳固的增长，年

收入接近 7 亿美元。与我们在本书中写到的大多数公司相比，这是一家中

等规模的公司，它很好地提供了一个例子：说明许多规模的公司都可以在

其业务中接受积极的人工智能方法。

从数据到人工智能

CCC 是在其广泛的数据基础上建立其人工智能能力的公司的一个例

子。它的机器学习模型是基于超过一万亿美元的历史索赔数据、数十亿的

历史图像以及其他关于汽车零部件、修理厂、碰撞伤害、法规和其他多个

实体的数据。该公司还通过远程信息处理和物联网传感器拥有超过500 亿

英里的历史数据。它向一个由 300 多家保险公司、26,000 多家修理厂、

3,500 多家零部件供应商和所有主要汽车制造商组成的广泛的生态系统

提供数据，以及越来越多的决策。该公司的目标是将这些不同的组织连接

成一个无缝的网络，以便快速和有效地处理索赔。所有这些交易都是在云

端进行的，CCC 的系统自 2003 年以来一直在云端。他们通过云连接了 3

万家公司、50 万个人用户和 1,000 亿美元的商业交易。

CCC 在其业务的许多方面使用人工智能。一份投资者报告描述了代

表其客户做出的一系列决定，这些决定至少有一部分是基于人工智能的。

它们包括：

在所有可用的网络参与者中，谁需要参与解决这一特定事件？

当地适用什么费率和价格？

有哪些当地的法规适用？

谁是该地区表现最好的碰撞维修供应商？

这个特定车辆的确切损害是什么，需要什么来恢复它？

有或没有发生什么伤害？

解决的确切费用是多少？

这些决定是通过基于规则的系统和机器学习的某种组合做出的。然而，

即使是基于规则的决策，也是利用了公司广泛的数据库——CCC 在 15 年

前开始开发其第一个基于规则的决策（当时称为 “专家系统”）。

人工智能的使用发生在维修过程中的多个环节。例如，在开始时，这

个过程通常是在第一次损失通知（FNOL）时启动的，即保险公司第一次

听到被保险车辆发生碰撞、盗窃或损坏的消息。在这一点上，人工智能可

以开始在备选工作步骤中做出决定。Telematics 数据可以用来加速 FNOL，

而不需要等待客户报告。另一方面，机器学习模型可以预测汽车是否可能

被修理或完全损失。

这对保险公司来说是一个重要而昂贵的决定。CCC 的模型取代了纸

上的核对表，而且速度更快，准确性也提高了四到五倍。在这个过程的后

期，CCC 的人工智能系统会权衡哪家维修机构最适合这种情况，对被保险

司机和乘客的伤害可能会有什么影响，以及参与这个过程的各方是否有欺

诈行为。一位保险公司高管告诉我们，CCC 所面临的挑战是如何不把整个

索赔过程交给该公司。

通往基于图像的估算的漫长道路

也许说明 CCC 从以数据为导向的业务向以人工智能为导向的业务过

渡的最佳方式是，它走向基于车辆图像的自动或至少是半自动的碰撞维修

评估。该公司在其历史上已经积累了数十亿张图像，但在大部分时间里，

这些图像是由人类理赔人员用来评估和记录损失的。而且，在 CCC 的大

部分历史中，图像是由理赔人员在受损车辆现场或维修现场拍摄的。这些

照片需要专业相机和特殊的显卡来存储和发送图像。

然而，近十年前，Ramamurthy 注意到，业余相机正以飞快的速度变

得更好，甚至它们正被纳入智能手机中。他设想有一天，受损车辆的车主

将能够自己为他们的车辆拍照。他要求他当时的首席科学家弄清楚这是否

有可能实现碰撞损坏图像。他让知名大学的几位教授帮助探索这个问题，

稍后，Ramamurthy 开始阅读有关图像分析的新人工智能方法，深度学习

神经网络，只要有足够的训练数据，有时可以等同于或超过人类能力。很

明显，图形处理单元（GPU）在分析图像方面非常快，因此 CCC 从 Nvidia

购买了一些当时唯一的来源。与传统的 CPU 不同，GPU 将一个数学问题

分解成更小的问题并并行解决，在几小时或几分钟内完成 CPU 需要几天、

几个月，甚至几年才能完成的工作。

最终，Ramamurthy 决定，确实有可能开发出一个图像分析解决方案。

他召集了一批才华横溢的数据科学家，他们学会了如何将照片映射到不同

车辆的结构上，并对照片进行注释或标注，以训练模型。要知道，CCC 有

十亿张照片和一万亿美元的索赔，可以用来训练。到 2018 年，该团队在

公司的研究实验室里有了一些出色的原型，但接下来的挑战是如何将该解

决方案纳入 CCC 和客户的工作流程。不得不承认，有一个可以用于每辆

车、每个客户和每种类型的维修的生产系统是非常艰巨的。此外，该系统

还需要纳入明确的阈值，规定什么时候应该使用，什么时候不应该使用，

并为人工智能算法设置护栏。

CCC 的首席产品官 Shivani Govil 称，解决所有这些问题还需要三年

左右的时间。例如，她说：“人工智能驱动的照片估算需要采用移动解决

方案，可以从移动设备上捕捉数据和高分辨率的照片。”到 2021 年中期，

该系统已经准备好进行生产部署。

USAA 是首批客户之一。在《华尔街日报》一篇关于采用该系统的文

章中，美亚保险财产和伤亡部门的总裁吉姆·赛林评论说：“这是我们第一

次使用人工智能软件来处理端到端的汽车保险评估”，并称新平台是其第

一个完全无接触的索赔产品。

这些能力并不是为了取代人类，相反，它们是为了帮助用户做得更多，

并专注于与客户的移情接触或那些困难的案例，这些案例是无法通过人工

智能准确解决的例外。

展望数据和人工智能

数据将继续流入CCC，它将被用来改善估算和其他模型的预测结果。

这将帮助 CCC 的客户做出更好的决定，这将可能给 CCC 带来更多的业

务。这种更多数据/更好的模型/更多业务/更多数据的良性循环是生态系

统结构与人工智能结合的强大之处。

该公司继续发展和投资其人才库，以便在索赔生命周期中利用人工智

能和数据科学的技术。CCC 最近招聘的 Govil 来自企业软件和人工智能技

术领域，公司正在积极招聘结合技术领导力和垂直行业深度的候选人。

Govil 阐述说，这是一个令人兴奋的行业时代，因为数字化转型、车联网

数据和人工智能正在为整个保险生态系统的增长和新的工作方式创造机

会，这是吸引她加入该公司的关键驱动因素。

先进的驾驶辅助系统（ADAS）已经出现在许多汽车和卡车上，人们

普遍认为自动驾驶汽车（AVs）即将到来。更多的保险公司正在转向基于

驾驶者行为的边开车边付费的保险。与此同时，CCC 再次从数据入手，并

最终将其应用于决策中。该公司已经推出了一个名为 CCC VIN Connect

的产品，该产品可以捕获碰撞中车辆上的任何 ADAS 设备，以及该车辆上

记录的驾驶行为。Ramamurthy 说，“当自动驾驶汽车出现时，CCC 计划

向保险公司提供解决方案，以了解谁或什么在事故中犯了错。”当然，由

于自动驾驶汽车的许多技术细节仍不确定，因此保险公司规划和开发此类

系统需要与 CCC 在碰撞维修的自动图像识别方面所做的长期技术投注相

同。

从无到有，细说以人工智能为动力的创业公司

这家公司是一家进入人工智能领域的公司。相反，它是一家在成立之

初就以人工智能为核心的创业公司。我们在这本书中重点关注的是那些在

拥抱人工智能之前必须与现有技术、流程和战略进行斗争的传统公司。一

般来说，创业公司建立其人工智能能力要容易得多，所以我们并没有关注

他们。那么，为什么要在本书的最后描述一个初创公司呢？

这样做有几个原因。一个原因是，人工智能初创公司的经验与传统公

司必须经历的情况形成了一个有启发性的对比。在一个大型的传统组织中

创造实质性的变化可能是极具挑战性的。一些传统公司可能会在看到人工

智能初创公司的情况后，想建立独立的业务部门，然后再扩大规模。他们

也可能收购那些已经成功创建了人工智能系统和业务流程或模式的初创

公司，并以新的方式运作。

讨论这家创业公司的另一个原因是该公司的重点。在前面的章节中，

我们描述了一些公司，它们的主要重点是使用人工智能来改变客户的行为，

但它们中的大多数在这个过程中并没有走得很远。通过多种手段影响健康

行为是我们在本章要介绍的创业公司的重点。最后，这家初创公司的董事

长、首席执行官和联合创始人加里·洛夫曼（Gary Loveman）在他以前的

公司获得了很多分析和人工智能方面的经验，他对成熟环境和初创环境之

间的不同之处有一些有趣的想法。洛夫曼以前是哈佛商学院教授，然后是

哈拉公司的首席执行官，哈拉公司后来成为凯撒娱乐。他在那个岗位上以

倡导在凯撒的业务中广泛使用分析方法而闻名。当他离开凯撒时，他在一

家大型健康保险公司领导一个新的业务部门，专注于使用数据、分析和人

工智能来改变消费者的健康。由于修改现有系统和流程的困难，他发现建

立新的产品非常困难。例如，他说，仅仅为了收集公司成员的手机号码和

电子邮件地址，并将其添加到公司的数据库中（这是提供定期健康通信所

必需的）就需要花费 3,000 万美元的系统修改。最终，这家健康保险公司

被收购了，新老板对洛夫曼领导的业务部门兴趣不大，他决定离开并创建

一家创业公司，这家公司是 Well，一家行为健康的初创公司。

Well 公司专注于使人们更加健康，而不是在他们生病时对他们进行

治疗。截至目前，该公司成立仅一年多，但它已经从风险投资公司和其他

投资者那里筹集了超过 6,000 万美元的资金。洛夫曼说：“医疗保险公司

的大多数疾病管理计划都集中在 5%的会员身上，他们承担了 70%的护理

和费用，但 Well 公司为所有具有各种健康状况的会员服务。它与雇主、

社区卫生组织和消费者合作，让人们参与自己的健康，并为他们提供基于

人工智能和人类的建议，让他们更健康。”

该公司的基本概念与宏利、平安和其他与 Vitality（我们在第五章中

描述的健康公司）合作的大型保险公司类似，但 Well 提供的建议和行为

提示更加个性化。与该领域的其他公司一样，Well 也提供奖励，但奖励也

是个性化的。那些依从性高的会员——服药、赴约等等，因良好的健康行

为而获得较低的奖励。那些依从性得分低的人则获得更高的奖励。

模型的数据和训练

Well 使用机器学习为其个性化建议提供动力，当然，这些模型必须经

过数据训练。Well 主要从保险索赔中获取数据，尽管对一些会员来说，也

有电子健康记录数据。索赔数据通常是三个月前的，但 Well 用会员对问

题的主观回答和会员对应用程序的反应来补充。在某些情况下，Well 可以

从会员的智能手表等设备中获取数据。必要时，Well 还要求会员在简短的

调查中描述自己的健康状况，就像病人在紧急护理设施中可能填写的那些

调查。

最近的一项监管变化允许消费者要求提供三年的保险索赔数据，为

Well 从保险公司获取数据的过程提供了便利。然后他们摄取数据，将会员

的健康状况与类似人口统计学中的其他个人进行比较。

Well 的首席技术官 Oz Ataman 告诉我们，这些模型本身是传统的预

测性机器学习和因果效应推理的混合体，常用于替代场景下的反事实预测。

由于该公司在一段时间内有效地提出多种健康干预建议，它需要计划一系

列的临床内容信息——从建议到相关文章到 21 天的旅程最有可能在会员

中产生预期行为。

Well 已经创建了各种临床路径——20 到 30 条，涉及血压、糖尿病、

行为/精神健康、高血压、睡眠障碍和其他许多领域。阿塔曼建议，该公

司的人工智能较少用于模式检测，而主要用于个性化，了解每个成员在护

理方面的差距（临床或自我），并鉴于这些差距，提出最有可能导致预期

行为结果的临床内容。

为了开发和部署这些模型，Well 需要雇用一群有才能的人。例如，一

个由数据科学家组成的团队建立了机器学习模型。一个由医生、护士和药

剂师组成的临床团队开发的临床路径和旅程，这个团队还为会员聚合或创

建保健内容。有一个奖励和激励团队为出发点，找出能够激励健康行为的

奖励。而产品团队则负责开发网站和移动用户接口。该公司总共有大约一

百人，分布在世界各地，且大多数员工是建立应用程序的计算机工程师。

这些人工智能历程的教训

其他组织可以从这些公司的人工智能旅程中吸取重要的经验教训。在

本书的最后，我们将对其中的几条进行描述：

知道你想用人工智能完成什么。这些公司中的每一家都有一套明确

的想法，即他们想通过人工智能在其业务中完成什么。对德勤来说，它是

为了减少其专业工作人员的工作负担，并提高服务质量；对于 Capital One

来说，它是为了减少摩擦，使客户更容易获得银行服务。CCC 专注于减少

汽车保险公司和他们的客户在遭遇车辆损坏时的行政负担。而 Well 正在

使用人工智能帮助其客户实践健康的行为。当然，所有这些公司都希望利

用人工智能在财务上更加成功，但仅此一点还不足以成为识别和开发人工

智能案例的目标。

从分析开始。这些公司中的大多数在一头扎进人工智能之前，都在

分析方面采取了重大举措。当然，Well 是个例外，因为它是一家人工智能

初创公司，但当首席执行官 Gary Loveman 领导 Harrah's 和 Caesars

Entertainment 时，他是在分析方面竞争的有力倡导者（正如 Tom 在早先

的书中写到的那样）。在进入人工智能领域之前，我们所描述的德勤的四