数据：现在远比从前多得多

　　我们今天提到的认知计算，实际上起源于20世纪50年代，它是一种有远见的努力方向，希望让技术模拟人类智能。虽然有些原始的AI技术在20世纪80年代已经开始商业化，但是直到21世纪，组成机器智能的 AI 和认知计算能力，才算是真正的腾飞。

　　有三股强大力量共同驱动着机器智能趋势：

1、数据指数级的增长

　　如今，我们创建和复制的数据，每12个月大小增加一倍。实际上，到2020年，全球的数字预计将达到44泽字节（zettabytes）。我们还知道，随着物联网，暗分析（dark analytics）和其他数据来源的激增，数据将增长得更快。从商业角度来看，这种爆炸性增长将转化为比以往任何时候都更有价值的数据源。除了使用传统的分析技术，这些大量的结构化和非结构化数据，以及存在于深层网络中的大量非结构化数据，对于机器智能的进步至关重要。这些系统消耗的数据越多，它们在发现关系，模式和潜在影响这些问题上就会变得“更聪明”。有效管理快速增长的数据需要更高级方法，来掌控数据、存储、保留、访问、情景和管理。

　　从联网设备生成的信号，到所有业务所有功能中的历史转换数据中隐藏的字符行级别的细节，处理数据资产正在成为建造机器智能的一个关键组成部分。

2、更快的分布式系统

　　随着数据量越来越大，分析越来越复杂，让数据对个体用户可访问的分布式网络现在的能力已经得到指数地提升。今天，我们可以快速处理，搜索和控制几年前无法实现的数据。当前一代的微处理器提供了的性能是1971年推出的第一个单芯片微处理器的400万倍。

　　这种能力使得高级系统设计成为可能，例如支持多核和并行处理的那些。同样，它支持高级数据存储技术，支持对归档数据的快速检索和分析。正如我们看到的MapReduce、内存计算和硬件优化的MI技术，如谷歌的张量处理单元。技术正在进一步优化我们管理指数级数据的能力，使之更有效。

　　除了纯粹的功率和速度的增加，分布式网络的覆盖范围也越来越大。它们现在可以与驻留在云中的基础架构，平台和应用程序无缝连接，并可以消化和分析存在于那里的不断增长的数据。它们还提供分析和驱动来自“边缘”功能（如物联网，传感器和嵌入式智能设备）的流数据所需的能力。

3、更智能的算法

　　近年来，随着机器智能算法变得越来越强大，实现认知计算的最初目标——模拟人类思考过程，也获得了稳步的进步。

　　随着机器智能使用案例在接下来18至24个月内不断涌现，以下算法能力将可能在公共和私有部门中得到更广泛的应用：

　　优化，规划和调度：在更成熟的认知算法中，优化自动化的、复杂的决策和在有限资源中进行权衡。类似地，规划和调度算法设计一系列动作以满足处理目标的要求并观察约束条件。

　　机器学习：计算机系统正在通过数据来发展提高自身的能力，这个过程总不需要遵循直接的编程指令。在其核心，机器学习自动地从数据中发现模型。一旦经过确认，模型能被用于做预测。

　　深度学习（Deep Learning）：开发人员正在研究涉及人工神经网络的机器学习算法，这是启发自大脑的结构和功能。其中，互相连接的模块运行数学模型，这些模型根据处理大量输入得出的结果来进行不断微调。深度学习可以分为有监督学习和无监督学习。

　　概率推理（Probabilistic inference）：使用图形分析和贝叶斯网络来识别随机变量中的条件依赖性的新的 AI 能力。

　　语义计算（Semantic computing）：这种认知类别包括计算机视觉（分析图像的能力），语音识别（分析和解释人类语言的能力），以及各种为了理解自然语言表达的意图和计算内容的语义的文本分析能力 。这些信息被用于数据分类，映射和检索。

　　自然语言引擎（Natural language engines）：自然语言引擎以人类的方式理解书面文本，但它可以用复杂的方式进行文本处理，例如自动识别文本中提到的所有人名和地址；识别文本的主题；或者以人类可以理解的方式提取出合同中的条款并制成列表。自然语言引擎通常可以分为两类，一是针对人类语言的自然语言处理技术，二是针对创造自然语言输出的自然语言生成技术。

　　机器人过程自动化（RPA）：机器人软件，或称“bots”，可以通过模仿人类与软件应用程序交互的方式来执行例行的业务流程。企业开始结合采用 RPA 和认知技术（如语音识别，自然语言处理和机器学习）来自动化执行基于知觉或判断的任务，这些任务从前被认为是只能由人类执行的。

机器智能如何创造价值？

　　对 CIO 而言，转向机器智能需要一种新的理解数据分析的方式。数据分析不仅仅是一种创建静态的报告的方式，还是一种利用更大型、更丰富的数据库来自动执行任务并提高效率的方式。在机器智能中，CIO 可以考虑的机会包括：

　　认知洞察（Cognitive insights）：机器智能可以提供深入、可操作的洞察，不仅对已经发生的事情，而且包括现在正在发生的事情和接下来可能发生的事情。这可以帮助企业制定程序来提高员工效率。例如，在全球的呼叫中心中，服务代表可以使用多功能的客户支持程序来回答有关产品的问题，接受订单，调查定价，以及解决客户的其他问题。许多这样的系统还需要工作人员在屏幕间来回跳转以找到回答特定查询所需要的信息。

　　认知参与（Cognitive engagement）：机器智能价值树的下一级是认知智能体（cognitive agents），即采用认知技术与人类进行交互的系统。目前，这项技术主要服务对象是消费者而非企业。例如，认知智能体可以相应人类的语音命令来降低恒温器温度或打开某个电视频道。但是，有可以从这种认知参与中受益的企业业务，并且新的应用领域开始出现。认知智能体将能够接入复杂信息，执行诸如处理患者入院，为用户推荐产品或服务等任务。它们可能在客户服务领域有更大的商业潜力。

　　认知自动化（Cognitive automation）：第三个，可能也是最具颠覆性的机器智能机会，是利用机器学习，RPA，以及其他认知工具开发深度的专业领域知识（例如，按行业、职能或地区区分），然后自动化执行相关的任务。我们已经看到有机器智能的系统能够自动化执行从前需要经过训练的人力进行的工作。例如，有医疗公司应用深度学习技术进行医学图像的分析，在测试中，系统在判断恶性肿瘤方面比人类专家的能力高50%。

　　在教育领域，嵌入在在线学习程序中机器智能可以通过跟踪学习者解题时的“心理步骤”来模拟一对一辅导，为学习者提供及时的指导、反馈和解释。