虽然人工智能进步了20年，但感觉大部分办公室工作都是琐碎的脑力劳动。我们应该期望人工智能能够像过去机器自动化体力劳动一样自动化这些工作。但是，在实践中，我们还是会看到很多人在做计算机应该能做的工作，但实际上根本做不到。为什么会这样？作者试图回答这个问题。“AI取代设计师”、“AI取代作家”、“AI取代画家”、“AI取代司机”……我们听了那么久……然而，今天，我们发现，其实没有一个职业是“真的”被取代。人工智能尚未在企业中得到广泛应用。许多我们认为计算机可以轻松处理的任务仍然需要手动完成。就像翻阅办公楼的PDF文件并注意其中包含的可出租单元的大小一样。AI可以实现自动驾驶，可以处理海量数据，可以在最复杂的比赛中打败最厉害的职业选手，但这么简单的事情连它都做不到？数据科学家：缺乏数据和商业认知让AI无法实现“真正”的智能生活在伦敦的数学家和数据科学家MatthewEricBassett最近一直在思考一个问题：为什么人工智能对企业没有用？他认为，部分原因可能在于我们与计算机交互的方式。计算机基于需要明确、精确的指令来操作数据的体系结构。即使我们的智能手机上有语音控制的虚拟助手，我们仍然通过给他们明确、精确（尽管更高级别）的指令来与他们互动。AI算法可能被视为隐含地推断出其中的许多指令。也许使用更高级别的编程语言，将Excel用于现代业务任务就像用机器代码编写软件一样。但他认为，还有两个更紧迫的问题：一是缺乏数据，二是缺乏认识。今天的人工智能是由数据驱动的。今天的大部分数据都来自互联网：文本、图片、视频以及我们与它们的互动。如果一组软件工程师想要创建一个模型，比如说可以识别图片中汽车的品牌和型号，他们可以从其他研究人员用来检测图片中物体的预训练模型开始，然后训练一个较小的示例设置为“顶部”，这称为迁移学习。但是目前还没有现成的“文档理解”模型可以让我们通过迁移学习来适应我们特定的业务流程。构成商业世界的Excel电子表格、营销手册、法律合同和其他文件隐藏在各个公司的电子邮件收件箱和其他孤岛中。开发人员无权访问相关文档，也无法适当地标记它们以供培训。更重要的是，人类研究团队缺乏对特定业务流程和任务的认识。研究人员需要对所涉及的业务流程形成直觉。我们还没有在太多领域看到这种情况发生。当问题得到很好的理解并且有很多公开的例子（机器翻译），或者巨大的投资回报率（自动驾驶汽车）的承诺，或者一家大公司任意决定投入足够的资源直到他们能够破解时，就会发生大的成功故事问题（AlphaGo）。这意味着当研究人员可以专注于特定问题并可以积累足够的数据来训练可行的模型时，我们可以期待AI成功实现业务流程自动化。另一个成功的标准是人工智能的目标应该是增强参与该过程的人类的能力，而不是取代他们。如果他们成功了，在这些行业工作的人可以期望他们花更多的时间做有趣的、有创意的工作，而不是花更少的时间做枯燥、耗时的工作。目前，企业所谓的“AI”只是一堆数学模型。在HackerNews上，一位在印度最大科技物流公司工作的网友表示，他的公司确实靠优化和解决问题，但不涉及AI。,是数学模型而不是黑匣子。另一位曾在宝马和大众工作过的网友也提到了同样的问题。他与企业合作伙伴一起领导了多个项目，这些项目更多地涉及数学模型或数据集的优化。在她看来，这需要大量的数据分析和一些试错，最后我们得到了一个有利的结果，而不是人工智能。2017年负责BMW最后一个项目，其供应链分析课程提案获得99.7%的高分。没有哪个AI能打出这么高的分数，全靠他对整个业务的熟悉程度，以人的直觉为准。他坦言，AI总有一天能发挥作用，但目前情况并非如此，供应链分析和物流领域这几年似乎没有什么变化。企业并没有加入更多的“AI”成分，AI也没有让更多人失业。让人失业的是现在的疫情。各位网友，你们怎么看？
