發布時間：2021-06-01所屬分類：經濟論文瀏覽：1次
摘 要： 引言 中美作為世界上規模最大的兩個經濟體，兩者在數字經濟以及勞動力結構上的差異十分耐人尋味。美國在過去若干年經濟增速放緩，但科技迅猛發展有目共睹，特別是在數字經濟核心技術方面具有絕對優勢。要知道核心技術從來都不是一蹴而就的，即使我們舉國體制
引言
中美作為世界上規模最大的兩個經濟體，兩者在數字經濟以及勞動力結構上的差異十分耐人尋味。美國在過去若干年經濟增速放緩，但科技迅猛發展有目共睹，特別是在數字經濟核心技術方面具有絕對優勢。要知道核心技術從來都不是一蹴而就的，即使我們舉國體制推動，往往需要數十年甚至好幾代科學家的積累，加上科學社群自帶外部性，在短期內還是很難撼動美國在數字經濟領域的領先地位。不過，美國不是在數字經濟所有方面都具有優勢，例如在電子商務以及數字金融等平臺經濟的應用層面，中國體量和速度均遠超美國。根據國家統計局電子商務交易平臺調查顯示，2019年中國電子商務交易額為34.81萬億元(5.1萬億美元)，是美國的8.4倍。從增速來看，2011年至2020年，中國電商平臺交易規模年復合增長率為23.3%，遠高于美國的14.7%;中國的移動支付規模則是美國的6倍。這得益于中國在數字經濟的商業應用上應用場景多、市場規模大。更值得一提的是，中國監管層開始普遍理解創新土壤的重要性，對新業態擁有更大的寬容度，并提供了良好創新創業政策制度環境。
近年來，中國在創新發展過程中，也遇到了一些新的問題，如新生人口斷崖式下跌、人口老齡化日趨嚴重、勞動力供給下降問題日益突出等。在此背景下，中國數字經濟如何實現“彎道超車”，這成為政府、學界乃至業界高層口中經常提到的一個話題。目前流行的觀點認為，破題路徑之一在于發展人工智能的應用。但問題并沒那么簡單。就中美對比來看，美國幅員遼闊，人口絕對數量和密度都比較低，在資本的驅動下，人工智能技術的應用更傾向于替代勞動力。中國則相反，中國勞動力成本較低、人口密集度較高，基于資源稟賦的差異，其結果必然是，人工智能技術的應用更多呈現機器賦能人、勞動友好型特征�？梢�，無論是機器替代人，還是機器賦能人，都有利于減緩老齡化對經濟增長的負面影響，但內涵有很大不同。
通過技術轉移、直接采購或研發人工智能技術提升生產力(例如人臉識別、語音識別、醫學影像診斷等)肯定是非常必要的，這可能是個最直接的推演結論，但也是個最容易讓人工智能企業陷入“財務黑洞”的結論，因為這在市場競爭中會被推進“軍備競賽”的怪圈。那么，究竟人工智能企業需要具備什么樣的資金實力和科研人才隊伍，才能夠在激烈的競爭中實現突圍?即使企業具備足夠的資金和人才實力，技術采納的成本如何被后期的收益攤銷?最終能贏的往往是擁有巨量資金的企業，這對于很多希望擁抱人工智能技術的創業企業來說都是個戰略誤區。因此，中國企業家尤其是創業企業家不得不再次發問，在數字經濟背景下，我們的人工智能技術到底“用在哪里”?
替代“大腦”，還是替代“肢體”?
諾貝爾獎獲得者科斯曾提出“企業為什么存在”的終極問題，并指出一個組織能否形成的關鍵，在于業務納入實體的成本低于業務對外采購的成本。因此，很多傳統企業往往會追求企業規模的增長。規模的增長本是好事，但一旦管理成本超過由此帶來的回報，反而成為企業成長的“魔咒”。傳統服務型企業就很容易陷入這種“統一”“高效”和“低成本”的不可能三角。隨著公司規模的增長，管理成本呈指數式上揚，尤其對于非標業務，要么從上至下靠剛性規則“照章辦事”，導致官僚風氣蔓延;要么在企業文化價值觀層面追求員工自我激勵，力爭規避制度層面的“成長黑洞”;再要么管理跟不上，服務質量降低，給用戶留下“某某公司業務做大之后，服務質量明顯下降了”的印象，犧牲用戶體驗，為競爭對手留下可趁之機，最終帶來災難性后果。
這真是個巨大的挑戰。
破題之一在技術突破。一個實體組織形成必然意味著管理成本，管理成本問題若能被人工智能等技術破解，那么企業增長就有了新的理由，更容易推進企業品牌統一管理和服務標準化工作。
實踐方面，互聯網發展20多年，不斷往縱深發展，催生了無數新的商業模式。有一個很明顯的趨勢，互聯網贏者通吃規律也開始或多或少在“互聯網+”業務中出現，一些業務同質化的平臺通過激烈的市場競爭，最終走向合縱連橫，形成少數大型的平臺。這些大平臺要想降低運營成本，提升快速響應能力和實現更高的成長性，顯然不可能依靠傳統的管理手段，所以現代企業主動或被動地開始了數字化、信息化乃至智能化的升級。其中有一類典型的平臺，并未考慮在執行層用人工智能替代勞動力成本相對偏低的人，而是在管理層充分使用人工智能技術，去驅動執行層的“個人”，也即“平臺+個人”模式。
相關期刊推薦：《廣東科技》(半月刊)創于1992年，是由廣東省科技廳主管、廣東省科技情報研究所主辦的綜合性科技刊物，國內外公開發行的廣東省唯一綜合性省級科技刊物，是反映廣東省科技與經濟發展的窗口。主要欄目有：專題、政界、商界、學界、投資融資、科技管理、科技人文、政策研究、管理創新、經濟論壇、電力建設、水利建設、交通建設、建筑施工、地質·勘察·測繪、農·林·牧·漁、裝備制造、人才與教育、信息化研究、能源環保。
“平臺+個人”模式具有算法驅動勞動力的特點。企業運轉很大程度依賴人工智能，好比一個人類的大腦指揮肢體動作一樣，驅動著大量的地面勞動力將飄在空中的服務落地。例如，在網約車行業中，司機一旦在app端啟動服務，剩下的事情就全交給了后臺：派單，路線指引，接上乘客，路線指引，服務完成，再派單……簡單一句話來說，用人工智能做“大腦”，而不是“肢體”和“感官”。末端的“肢體”和“感官”的行為完全依賴后臺算法指引，幾乎不用動腦，所有“動腦”環節都被挪到了后臺，這意味著大量降低了早期培訓和管理成本。而在app的另一端，高并發的訂單以及超大規模的城市位置計算和人車匹配問題，7×24小時不間斷運行，已經遠遠超出調度人員的體力、智力和經驗能勝任的范疇，這對傳統出租車公司來說是一項破壞性的挑戰。美團騎手也是一樣，讀者很容易類比得到結論。
從微觀經濟學角度，該模式還有更大的意義，那就是每增加一個“肢體”，后臺管理的邊際成本近乎為零，實現了服務的高度“可復制”，成功解除了服務型企業成長性的“鐐銬”，大象終于可以跳起Disco。
綜上，我們提出一個新概念——“企業大腦”。我們將其定義為使用大數據及人工智能算法驅動主營業務執行的企業信息系統。與對業務進行被動數字化“記錄”的傳統企業信息系統相比，企業大腦通常借助積累的大數據模型以及人工智能算法進行預測、決策，乃至主動地對執行層的人力、設備等資源發出指令并引導執行全過程。平臺經濟是數字經濟的經典模式，而企業大腦作為平臺的神經中樞，將專業業務知識在云端編碼，并在執行過程中不斷迭代升級，最終達到專業人士難以企及的智能化水平和高效率，見圖1。
算法如何驅動商業世界
讓我們來看看經典管理學教材中常見的金字塔及人工智能時代管理金字塔的演變。
經典的管理金字塔(見圖2a)分為決策層(高級思維活動)、管理層(基于規則的經驗型思維活動)和執行層(簡單思維或體力活動)三個層次。決策層關心的是企業戰略層面的內容，工作內容高度非結構化，不確定性也非常高，基本上不存在系統邊界。這樣的高級思維活動并不是目前水平的人工智能能夠替代的;管理層負責將決策層的戰略措施具體化為若干“看得見、摸得著”的行為，對于具體部門的負責人崗位一般來說需要基于規則，存在工作邊界，同時也大量依賴于經驗，例如給本部門人員排班、調度資源等;執行層一般是體力勞動或者簡單思維活動，例如超市收銀員、網約車司機等角色，這樣的角色由于服務落實到線下環境，場景復雜多變，仍然不可能完全拋棄人力，但基本上工作內容邊界非常清晰，即使有腦力勞動，也是相對簡單的經驗性工作。
基于人工智能時代的金字塔悄然發生了一些變化(見圖2b),分為決策層(高級思維活動)、AI(即企業大腦，替代經驗型思維活動)和執行層(簡單思維或體力活動)。其中決策層的工作內容并沒有發生本質的變化，而執行層，早年經過人工派遣去處理(難以用信息化手段或機器人)完成地面業務，而如今地面業務可以保持不變，只不過接收的指令更多來自于算法。也就是說中間曾原負責資源調度的管理者角色，開始被AI替代或部分替代，尤其是“基于規則，依賴經驗”這樣的思維活動。
滴滴出行是算法驅動業務應用于現實生活的典型例子。前面提過，由于巨大的運算量等原因，在網約車行業，負責調度的中間業務層不再需要依賴人工，而是通過使用人工智能算法自動響應高并發的需求，給出訂單以及響應的路線指引。而作為執行層的司機，從接收訂單開始到訂單服務結束，都在后臺指引中完成。美團騎手模式與網約車類似，騎手在從登錄app并啟動服務開始，一舉一動均由后臺發出指引，包括接單、路線、送餐路線、送餐完成，接單……后臺的調度在無數樣本的訓練中越來越聰明，越來越高效。而這些工作的效率從一開始遠不如人工調度到慢慢超越，時間周期越來越短。其管理金字塔分為決策層(高級思維活動)、AI(替代經驗型思維活動)和司機(執行訂單及路線指引)三個層次(見圖2c)。
企業應用案例
上述例子都是面向生活領域的大型企業案例，所以為人所熟知。但算法驅動業務，并不僅僅是大型企業的專利，許多中小企業也開始積極擁抱人工智能，與時俱進地利用人工智能技術促進企業更快更好地發展。
案例1：快消品業務員支持系統案例
公司目前來自客戶的智能化需求年增長率為113%，公司期望通過搭建人工智能平臺，將大量重復性的簡單腦力勞動如企業流程審批、訂單預測、圖片核對、費用核算等實現自動化辦公。
平臺搭建的關鍵是在系統中應用用戶請求及企業響應建模技術�；舅悸肥菍⑿袠I應用系統進行數據流建模，并在部分模塊中應用用戶請求及企業響應建模技術，將數據建模作為輸入進入深度神經網絡訓練，經過訓練的深度神經網絡截流用戶請求在可行的情況下作出智能響應。上述技術結合移動視覺理解以及大數據平臺的業務邏輯提取，應用在業務員使用的移動系統中。具體應用于終端推薦和陳列方案調整兩個場景。
平臺搭建好后，將一部分頻繁使用的管理決策用AI替代。在執行層，業務員每日登錄，由系統根據銷售預測和其他基礎信息智能生成詳細的門店拜訪計劃，包括門店分布和路線、是否需要帶貨上門等。正如美團騎手一樣，全過程由后臺發出指令引導業務員完成，而不再需要額外地思考。應用具體場景有貨架、端架、冰柜、堆頭、堆箱場景識別及決策以及業務員人臉識別等。在陳列分析場景下，系統將頻繁使用的陳列分析及調整功能采用智能相應算法，實時提供陳列預警和調整建議，將以往的決策周期縮短了2～3天。
(1)智能終端推薦
終端門店業績參差不齊，對終端門店根據其訂單、拜訪次數、陳列數據等數據指標情況進行評級，將評級較高的門店的樣本點聚類在一起，進而計算離群點到聚心的距離，得到該門店每項指標怎么調整才能向評級較高的門店靠攏。其應用創新在于可以向“做得好的門店學習”，并給出清晰的動作指引。通過建立全國終端大數據平臺，管理者根據企業數據，為業務員提供終端門店開拓支撐，幫助業務員和管理者快速發現未拓展的終端，進而占領更多終端市場門店。
(2)智能陳列調整
在以往的拜訪模塊，業務員通過移動端拍攝采集陳列照片，上傳到后臺，然后主管通過后臺管理查看審核陳列照片，對比分析陳列數據，進而制定陳列調整方案，最后將陳列調整方案下達到業務員，讓業務員在下次拜訪時根據調整方案對終端的陳列鋪貨進行調整(見圖3a)。這種模式下，陳列方案從形成到下達執行的過程中，需要經過多次的上下級的信息傳輸及溝通，時間成本和溝通成本較大，陳列調整方案的時效性及機動性較差。切入智能響應算法后，智能陳列調整在移動視覺理解的基礎上進行，通過移動視覺理解實時得到當前終端的陳列信息，并將識別后的結果通過響應算法，實時地給出當前終端的陳列調整方案的建議，并以短信的形式將建議發送到對應的業務員(見圖3b)。案例2：呼叫中心營銷大腦案例在呼叫中心這個例子中(見圖4)，管理分為決策層(高級思維活動)、AI(替代經驗型思維活動)和銷售或客服坐席《外呼名單及個性化腳本》三個層次。坐席每天登錄后就拿到一份外呼名單，以及針對具體每個客戶的個性化腳本。這份外呼名單根據大數據模型評估得到，并與坐席以往的能力高度匹配。應用在“與眾不同”營銷大腦，基于同樣的做法，在對話過程中逐步細化對方隱含需求并提供指引，幫助商家銷售客服實現整體轉化率提升33.6%，尤其是新銷售轉化率提升4.5%，銷售能力接近多年經驗的銷售經理，同時銷售新手的培訓時間從三個月下降到兩周。
企業大腦的應用范圍非常廣泛，上述的例子都來自于“互聯網+生活”，而在生產制造領域，考慮到中國制造巨大的體量以及中國制造效率還有巨大的提升空間，其實際應用意義更為重大，只不過企業大腦在生產制造領域的應用需要優先實現生產設備的智能化升級，只有工業互聯網廣泛普及、相關設備運轉信息能夠充分實時被(大腦)感知，智能決策才有可能發生。——論文作者：湯胤鄭友亮黃書強閉思成
SCISSCIAHCI
