AI发展格局正在从“数据”向“知识”演进。特别是近十年来，人工智能已经从学术领域的研究方向转变为我们日常生活中不可或缺的一部分。今天，我们习以为常的AI商业战略主要围绕数据构建，专有数据甚至成为AI企业最具战略意义的资源储备。但在未来几年内，专有数据将不再是一项独特的资产，这意味着基于专有数据的差异化优势将在可持续水平上持续下降。因此，整个世界很可能从基于数据的人工智能战略转变为基于知识的人工智能战略。大数据的发展得益于众多传感器的部署，互联网连接的普及，以及硬件和软件在计算能力、通信能力、数字存储等方面的大幅提升。这也使得人工智能技术培训从小型学术研究项目转变为大型企业生产级应用。从本质上讲，大数据需要复杂的人工智能模型来分析并从中提取知识和见解，而这些人工智能模型需要海量大数据进行训练和优化。因此，目前AI企业往往将数据作为重要的战略储备，这一趋势在风投领域也越来越普遍。事实上，许多最近的初创企业已将数据收集作为其业务战略的核心。越来越多的类似供应商开始强调他们独特的数据集和长期战略，以进一步获取其他专有数据作为可持续的进入壁垒。此外，随着人工智能工具和人工智能即服务平台迅速商品化人工智能模型开发，再加上公共和开放数据集的不断出现，人们建立和捍卫自己的数据围栏的需求变得更加明显。在当今的技术生态系统中，谁拥有更先进的AI程序，谁对专有数据拥有更多控制权，就能从市场中获益更多。这也被视为巨大且可持续的竞争优势。以谷歌、Netflix为代表的厂商，在多年的运营中，开发整理出了海量的权威数据集，无数其他公司都对他们刮目相看，步其后尘，希望复制他们的成功。但面对Netflix复杂精良的数据策略，竞争激烈的媒体服务商和剧集制作公司根本无计可施。然而，随着数据交换能力和交换意愿的预期增加，我们认为在未来十年内，专有数据建立的进入壁垒可能无法持续。虽然数据将继续成为AI价值引擎的重要燃料，但知识将越来越多地成为AI业务战略的一部分。将AI价值金字塔向上推至知识层面如果有一个AI价值金字塔，它的底部无疑是数据，而且越往上，知识所占的比重也越大。现在我们正处于“信息触手可及，知识难求”的时代。因此，将AI价值金字塔推向知识层成为必然。事实上，我们已经看到许多旨在促进和加速这一趋势的数据交换计划。我们希望将数据共享商品化，以换取有价值的知识甚至业务可行性。简而言之，数据将变得更加丰富、可用、可靠、标准化和廉价，所有这些都意味着数据将成为一种典型的商品。在此基础上，数据作为进入壁垒的概念也会弄巧成拙。随着物联网(IoT)设备的普及，数据共享将达到新的高度。此外，用于数据合并、共享和交换的新兴技术、协议和标准也将及时出现。展望未来，共享数据的能力本身将是一个重要的优势，前提是有明确的动机和意愿这样做。随着数据这一进入壁垒在AI技术的冲击下崩溃，更多组织将不懈地收集自己的专有数据，并使其成为一种重要的商品。当然，这类数据的获取和使用难度还是比较大的，而且回报也不一定很明显，所以可能会造成战略层面的扭曲。这是因为虽然大多数组织已经将AI视为其业务系统的一部分，但AI仍然不是传统技能或核心专业知识的一部分。此外，受过人工智能训练的工程师、开发人员、产品负责人和管理人员的长期缺席，也将加剧这种战略失衡，最终使用于知识交流的数据共享解决方案得到市场的广泛认可。欧盟最近通过数据交换倡议进行的知识交流就是这种创造力和合作意愿相结合的一个很好的例子。他们希望建立一个“单一数据市场”，帮助个人、企业和其他组织从非个人数据中提取洞察并做出更好的决策，从而与当前的主流科技巨头展开竞争。影响专有数据可持续性的另一个主要因素是新数据解决方案的出现。这样的解决方案可以使用相对较小的数据集进行模型训练。合成数据解决方案（如生成对抗网络）和其他样本最小化技术（如数据增强）有望让公司无需大量数据即可构建颠覆性人工智能产品。建立知识发展战略人工智能革命的未来将重塑企业赖以生存的现实市场，因此我们必须建立有针对性的商业战略。从数据到知识的转变还将带来新的框架、合作伙伴关系和商业模式，包括那些为知识创造提供数据、信息、人工智能模型、存储和计算能力的人。面对这个空前庞大的市场，企业应尽快开始制定更加注重知识要素的发展战略：?以知识储备代替数据储备，并将这一基本原则作为未来经营战略的核心。企业和组织应该为一个以知识为中心的时代做好准备——在这个时代，那些提出正确问题、找到最相关的预测并设计出最具颠覆性的AI应用程序的人将获胜。才能占领市场竞争的制高点。?以自上而下的方式使用人工智能技术围绕应用层和产品层组织业务系统。应该根据特定的垂直领域和假设来开发和训练人工智能模型。例如，基于影像、诊断、远程医疗、药理学等临床应用开发特定的医疗保健应用；或为车队管理、公共交通和其他交通参与因素建立交通管理系统。此类解决方案的开发需要我们将丰富的特定领域知识与实践经验相结合，将上下文信息与经过良好调整的AI模型相匹配。?数据采集计划将是一种短期性质的战术追求，而基于知识的交流和伙伴关系则更多地培育长期业务战略。去年，以色列创新局启动了一项试点计划，以促进医院与科技初创企业之间基于知识的业务合作。该合作伙伴关系在初创公司和医院之间创建了数十个具体项目，促进了医院之间原始（和以前基本上无法使用的）数据的积极交换，同时还帮助初创公司产生新颖而有价值的知识。?最后，以知识为导向的业务转型也应该影响组织内的人力资源战略。企业应为未来的人工智能发展制定合适且明智的人力资源管理策略。尽管一些初创企业仍然需要大力投资招聘数据工程师和科学家，但理想的做法应该是将AI团队设计为管理团队，负责建立和推进AI知识合作伙伴关系，发明基于AI的应用程序/产品，以及对人工智能革命光明未来的创造性探索。所有这些本质上代表了架构从以数据为中心到以知识为中心的重新设计。此外，人工智能团队应该帮助人类理解他们所处领域的背景。这样做的核心点是确保团队成员通过整体方法充分利用他们对人工智能和特定功能领域的理解，而不是仅仅扮演传统人工智能专家的角色。总之，人工智能的未来取决于从强调专有数据集到跨实体共享数据和创造知识的转变。为成功实施相关人工智能战略，企业必须正确组合数据、信息、人工智能模型、存储、计算能力等要素，确保企业业务深入扎根于知识这一最重要、最核心的差异化资源。
