自人工智能问世以来，就出现了人机对立的观点，且很多人都害怕自己的工作会被人工智能取代。也许是时候抛开这些无谓的担忧了，因为“新技术也创造了新的行业和新的就业机会”，人类社会正走向一个与机器共融共生的时代。

埃森哲首席技术官和创新官、埃维诺咨询公司董事长、世界经济论坛的成员保罗·多尔蒂，和埃森哲研究部信息技术和商业研究领域董事总经理、巴布森高管教育学院高级研究员、贝恩公司研究项目负责人詹姆斯·威尔逊，最近合著了一本新书《机器与人：埃森哲论新人工智能》。这本书围绕着三大核心问题做了透彻的分析：

未来的新型工作模式是什么？

未来有哪些工作不会被人工智能取代？

人工智能时代重要的生存技能是什么？

本书还为我们介绍了置于业务流程背景之下的人工智能，阐述了其在不同职能部门中起到的推动作用，并为企业如何重构其业务流程提供了真知灼见。本文是第五章“关键企业流程中出现的新岗位”的节选，帮你了解你可能从未听说过的三个将在人工智能时代炙手可热的职业。

机器与人

埃森哲论新人工智能

保罗·多尔蒂 詹姆斯·威尔逊 / 著

中信出版集团 2018年10月

技术的存在是为了增强和提高人类的能力——克服人体的生理局限。从电报到喷气发动机，电力到互联网，人类一直在与技术合作以取得更多的成就。

如今，这一趋势正在加速，互联互通、传感器、数据分析、人工智能 (AI) 、机器人技术、先进制造和虚拟现实等领域的技术正在以前所未有的速度进步着。 我们正在进入一个人类和机器之间合作的新时代。

变化也带来了不安，据世界经济论坛 (World Economic Forum) 预计，自动化程度的提高可能导致未来5年失去700万个就业岗位。但新技术也创造了新的行业和新的就业机会。

管理咨询公司埃森哲 （Accenture） 通过对全球1500多家正在使用或测试人工智能和机器学习系统的公司进行研究，发现一系列全新的工作大有异军突起之势。 这些新兴工作不是单纯地取代旧有工种，而是十分新颖的岗位，其技能与培训要求是前所未闻的。 复杂的系统需要新的业务和技术人员来训练、解释和维系人工智能的行为，以弥补机器的不足。

未来，这三个你可能从未听说的职业将变的炙手可热。

训练师：

人工智能系统如何变得更加人性化

在过去，人们必须适应计算机的工作方式，而今情况正在发生变化——人工智能系统正在学习如何适应我们。 但要做到这一点，就需要我们对人工智能系统进行大量的训练。

一般来说，我们倾向于使用有着类似人类行为的人工智能，因为这使我们能够更自然地与机器进行互动。

以制造业为例，新型的机器系统更加轻便、灵活，并且支持人机协作。人类需要对这些机器系统进行编程和训练，以处理不同的任务，这就要求员工具备相应的技能。

对汽车制造商而言，高度自动化的工厂会因设备故障造成巨大的经济损失。如果一条自动化生产线每分钟能制造一辆价值5万美元的汽车，那么一场突发的6小时的故障就会造成约 1800 万美元的损失。因此，预计未来几年中与制造工业相关的工作岗位还将出现 200 万名员工的短缺。

物理机器人并不是唯一需要接受训练的人工智能系统，人工智能软件同样需要接受训练，我们要做的一项重要工作就是把机器训练得更像人类。 训练过程涉及方方面面的工作和人员。

从简单方面来说，训练师可以帮助自然语言处理程序和语言翻译程序降低错误率。从复杂方面来说，人工智能算法必须经过训练才能模仿人类行为。

例如，客服聊天机器人需要经过人员调试才能探知人类交流的复杂和微妙之处。在雅虎，训练师正在尝试训练公司人工智能的语言处理系统，使其能够认识到人们字面意思以外的表意。到目前为止，他们已经开发了一种算法，该算法可以在社交媒体和网站上探测到带有讽刺和挖苦性的语言，且准确率至少达到80%。

随着人工智能逐渐渗透到各行各业，越来越多的企业需要训练师来完善它们的物理和软件系统。

对企业而言，训练有素的人工智能程序是其领先对手的关键。 除了学习如何具备共情能力之外，先进的人工智能系统还会从人性特征训练师那里学习如何变得更加人性化。

举个例子，Cortana （微软小娜） 是微软发布的全球第一款个人智能助理。Cortana自信、出色和充满关爱的风格就受到了用户的喜爱。在微软的高强度训练下，Cortana既能为用户提供帮助，又不会颐指气使，所有这些都使微软品牌更加受到用户信赖。

人性特征训练师可以有不同的背景。例如，萝宾·尤英曾经是好莱坞的一个编剧，专门负责编写电视脚本。目前，尤英正在施展她的创意才能，帮助工程师开发一个保健领域的人工智能程序Sophie （索菲） 的人性特征。

在其任务中，Sophie会提醒消费者服用药物，并定时对他们进行检查。当然，像尤英这样的人性特征训练师，通常都没有高科技背景。在微软，负责训练Cortana 人性特征的团队就是由一个诗人、一个小说家和一个剧作家组成的。

解释员：

分析算法找出机器的可解释性

第二类新型工作岗位是解释员，工作任务是弥合技术人员和企业领导者之间的距离。

随着人工智能系统越来越不透明，解释员的角色将变得愈加重要。许多管理者已经对复杂的机器学习算法的黑箱属性感到不安，特别是当这些系统给出的建议可能会违背传统思维或引发争议的时候。

以ZestFinance （泽斯塔金融公司） 为例，该公司可以帮助贷款人更好地预测信用风险，并为传统意义上不符合资格的借款人提供融资。公司允许贷款人分析申请人的数千个数据点 （远胜于传统的信用评分系统和信用历史记录） ，并利用尖端的人工智能技术得出是否借款的决定。

这些申请人的平均年收入约为 3 万美元，其中许多人都有违约记录。这类申请人的贷款额度通常很小，平均为 600 美元，但利率很高。鉴于其业务的性质，ZestFinance需要能够向客户解释它们用于批准贷款的人工智能系统的内部运作模式。

然后有一整套算法来分析所有的数据，每个算法都在执行不同的分析任务。所有的分析结果都会换算成0~100的ZestFinance的信用分数。

这些复杂的算法使ZestFinance 能够发现许多有趣的相关性。例如，公司发现，全部使用大写字母填写贷款申请的人往往是风险较高的借款人。这样的发现使公司持续将违约率降低了几个百分点。重点是，ZestFinance在批准借款申请的同时还能够解释它是如何做出贷款决策的。

当越来越多的公司利用人工智能系统来决定它们的行动，尤其是那些影响到客户的行动时，它们需要能够解释并证明这些决定的合理性。

事实上，政府已经开始考虑在这方面制定规则。例如，定于2018 年生效的欧盟《通用数据保护条例》有效地确立了“解释权”，即允许用户质疑和反对任何影响他们的决定以及纯粹基于算法做出的决策。

应用高级人工智能系统的公司需要专业的员工来解释复杂算法的内部运作情况。与此相关的专业人员之一就是“算法取证分析师”，他们的职责是让所有算法对其结果负责。

当系统出现错误或其决策导致了意想不到的负面后果时，算法取证分析师必须能够解剖问题，找出原因并予以纠正。

维系者：

确保人工智能得到正确利用

2015 年，德国大众汽车工厂的一个机器人抓住了一名技术工人并对其造成了意外伤害，最终导致其死亡。这是一个悲惨的事件，它加重了社会对人类日益依赖的自动化工具的担忧。 自从电脑承担了越来越复杂的任务，人们就越发担心机器可能会带来灾难。

《2001：太空漫游》《终结者》等系列电影中所展现的情景都只是在以流行文化的形式引发大众的焦虑。事实证明，德国大众汽车工厂的这个机器人并不是恶意地转向并袭击那名工人。初期报告指出，该事件的起因是编程错误——换句话说，是人为失误。

虽然这个可怕的事故是一个极端的例子，但 确保人工智能得到正确利用是最后一类新工作的主要职责，这个岗位就是“维系者”。

他们必须不断地确保人工智能系统有益无害，以及其存在的意义是让人们的生活变得更加轻松。通过这项工作，维系者将帮助人们消除对机器人的恐惧，不再害怕它们有朝一日会拥有自我意识并统治人类，也不再担心这种反乌托邦的未来会降临在我们头上。

因此，公司需要具备专业知识且经验丰富的“环境设计师”。在开发新系统时，环境设计师会考虑到各种背景因素，包括商业环境、流程任务、个人用户、文化问题等，即使看似微不足道的细节也非常重要。

当通用汽车公司和Fanuc公司在设计一种应用于制造业的新型灵活的协作机器人时，它们曾经纠结于给该机器人使用什么颜色的涂料。橙色似乎暗示着危险，黄色通常具有警示作用。最后，工程师最终决定使用一种他们称之为“安全绿色”的石灰色调。

当然， 即使设计良好的系统也会出现问题，有时候技术运行得太好也会导致意想不到的伤害。

例如，当无人驾驶车辆发现一个孩子跑到了街上，它是否应该避开孩子而撞到旁边的行人呢？鉴于这些问题，设计和应用复杂人工智能技术的公司需要雇用“人工智能安全工程师”。他们必须尝试预测人工智能系统的意外后果，并避免紧急情况可能会造成的任何伤害性事件。

一般而言，性能良好的人工智能系统应该得到推广，其变通版本可以应用到企业的其他部门。另一方面，性能较差的人工智能系统应该被降级，如果无法改进，就应当停止使用。

这些任务都是“机器关系经理”的职责，这个工作有点像人力资源经理，只不过他们监督的是人工智能系统，而不是人类员工。他们将在“机器关系部门”工作，并定期对企业部署的所有人工智能系统进行性能评估。

未来，

可能会有“无领”阶级兴起

随着企业与其人机团队一起成长，它们必然会发展出自己独有的训练师、解释员和维系者。这些新型工作岗位要求领导者换一个角度来思考人机团队。

例如，这些新型工作岗位都有各自的教育背景、培训和经验要求。共情能力训练师可能不需要传统意义上的大学学位，只要接受过高中教育并能够以同理心待人待物，他们就可以通过内部培训课程来学习必要的技能。许多新型岗位的出现可能会引领“无领”阶级的兴起，他们会从制造业和其他行业的传统蓝领工作中逐渐演变而来。

另一方面，像“道德合规经理”这样的岗位则需要员工具备高等教育背景和专业技能。前沿公司已经通过借鉴儿童发展心理学领域的技术对训练过程进行了适当调整。

作为最低要求，部署人工智能系统的公司需要重新思考它们的人才和学习策略，以便更好地吸引、培训、管理和保留这些人才。显然，人工智能将对企业的能力、策略和流程提出新的要求——不仅仅是在IT 部门，而是贯穿整个企业部门。

毕竟，和许多新兴技术一样，来自人的挑战往往超过来自技术的挑战。

---

未来竞争将聚焦在人工智能和芯片领域

编者按：

近日，国际金融论坛（IFF）第15届全球年会在广州举行，在“IFF政策对话：技术创新与全球发展”圆桌讨论中，来自科技和企业界的专家共话全球技术创新，第一财经整理了部分观点发表。

以下为中金公司董事总经理、电子及技术硬件行业首席分析师黄乐平的发言：

非常有幸来跟大家分享一下我们对人工智能（AI）和半导体这两个行业的一些观点。现在，这两个行业基本上占据着中美竞争的两个重要制高点。

AI到底对人类有什么影响？麦肯锡的调查报告显示，人工智能未来十年对GDP的推动是1.2%，人工智能将从方方面面影响我们的生活和行业。

第一个方面叫替代或者叫放大器。对于现有的工作而言，比如说我们以前用五个人做一条生产线，现在通过数字化或者智能化的方法，就在同样的生产线把人力从五个降到一个。

第二个是现在讲得最多的创新。

第三个是很多AI公司正在成长起来，比如说图像视觉领域的四小龙——商汤、依图、旷视、云从等这些公司。

其实我们觉得中国制造业的机会比美国大，因为如果你去看中国和美国GDP构成的区别，中国的制造业总体来说超过40%，美国GDP的构成中制造业占比很小。制造业是人工智能或者是这些技术革新的下一个金矿，它的数字化程度和互联网服务差很远，它的能力提升对整个国家、整个GDP的提升效率是很大的。

比较中国和美国的经验，中国在人工智能领域风投或者VC市场的投资从2017年开始已经超过了美国。人工智能作为一个独立的行业没有很多公司超过10亿美元，也就是所谓独角兽的规模，但是中国的商汤已经超过了60亿美元的市值，它们的规模上升得非常快。但是在应用基础领域，比如说芯片或者基础的计算框架，这些地方差得还是非常远。

中金现在管理着各地政府许多的引导基金，投了很多关于人工智能的产业。从我们直投部门的经验来看，横向的投资是技术，包括芯片和计算机视觉、语音识别技术、机器人。竖向的主要是应用场景，从移动互联网到安防到智能家居到零售。比较中美，我认为，中国在应用方面其实在很多场景下应该是超过了美国，比如说在计算机视觉、在安防领域的应用。

移动互联网领域，其实不单是机器视觉，也包括语音语义的自然语言处理等很多领域，在移动互联网的推动下发展非常快。比如最近刚结束的“双11”，只要你投一点人工智能的技术进去，你就会有很好的产出或者降成本或者提高收入。这个背景是什么呢？就是数据的可获取性、完整性是对人工智能非常重要的一个必要条件。

什么领域现在数据最完整呢？我们看到第一是移动互联网，第二是安防，第三个行业其实是智能家居。

有两个领域我们觉得最近非常热，第一个是汽车，但是汽车落地的速度远远低于大家的预期。无人驾驶不管是在美国，还是在中国，落地速度低于预期的原因，第一是技术的难度。第二是数据的完整性，你要获取大量的数据非常困难。

第二个例子是医疗，医疗在中国人工智能的落地速度也是低于大家的预期的。中国的医疗数据落地速度慢的一个背景就是医院怎么把数据汇集起来，医疗数据的可取性和标注的难度导致了医疗在人工智能的应用低于预期。

我认为，人工智能接下来在物流的配送车、零售、制造业这些领域可能会有一波比较大的发展。

再谈一下半导体，中国的半导体行业处于一个非常难的情况，就是说全球的行业处于一个很明显的下行周期，对企业来说折旧的费用会上升，盈利压力非常大。不管大家是作为投资人或是作为企业家，怎么来发展这个行业？

我们把半导体行业分为三类。第一块是市场规模大的行业，我们叫先进制造或者说大国重器，包括存储器、芯片的代工、计算芯片或者是手机的自带芯片，这些行业的特点是资本开支大，重要性强。因为行业的规模大，但是技术差距非常大，这些行业现在的要求基本上是以政府投资为主，民间的资本去投压力会非常大。

第二块是竞争壁垒不是很高的行业：一是AI，就是人工智能，我们看到一批人工智能异构计算的AI芯片在起来；二是5G；三是汽车的电动化和智能化，这都是行业还没有成型的地方。

第三块是进口替代行业。这个行业已经非常成熟，比如说半导体设备行业已经存在了40年，而且壁垒非常高，虽然行业规模不大，但是不得不做，做的原因是，这些行业是半导体生态链的一部分，但资本开支不会太大，只要有技术以后都能做起来。

总的来看中美竞争的两个焦点：一个是人工智能，一个是半导体。人工智能处于非常初期的阶段，中国有数据的优势，中国有人才的优势，在算法上可能有点落后或者计算芯片上有点落后。半导体处于的劣势更加明显，因为半导体行业实际上是一个非常成熟的行业，企业怎么抓住机会发展，是一个非常重要的话题。

（作者系中金公司董事总经理、电子及技术硬件行业首席分析师）

---

CEO们朝这看！吴恩达的 [AI转型秘籍] 免费传授给你

前言

CEO 们应该如何借助 AI 对自己的企业进行转型？吴恩达在今年 8 月份时曾发布 Twitter 表示在与众多 CEO 交流过后，将会发布一个面向公司管理层的报告介绍 AI 产业转型。作为斯坦福大学的教授，在线课程 Coursera 的发起者，吴恩达这次准备以教育者的身份将「All in AI」的经验传授给众多公司管理者们。

本文经授权转载自公众号：机器之心

刚刚，吴恩达的这份《AI 转型指南》出炉了。准备投身 AI 时代的你，是不是要了解一下？

PDF 下载地址：

https://d6hi0znd7umn4.cloudfront.net/content/uploads/2018/12/AI-Transformation-Playbook.pdf

「AI 转型指南综合了我此前在谷歌和百度建立 AI 研究团队时学到的很多经验教训，同时也包含我与很多其他公司 CEO 在交流之后的心得，这其中包含很多科技行业以外的人。」吴恩达在《指南》发布前的采访中告诉 VentureBeat。

吴恩达认为，试图将公司转型为人工智能驱动企业的管理者正面临着一些挑战，同时也可能会犯一些常见错误。他警告说，仅仅关注数据和工程，或者错误估计人工智能的作用都有可能导致失败。

让我们看看吴恩达的 AI 转型指南是怎么说的：

如同百年前电力的出现一样，人工智能将会变革每个产业。从现在开始到 2030 年，它将会创造大约 13 万亿的 GDP 增长。同时，AI 已经为谷歌、百度、微软、Facebook 这样的科技巨头创造的巨大的价值，其创造出的大部分附加价值将超越软件行业。

《AI 转型指南》从谷歌大脑和百度 AI 团队的发展中收集洞见，它们对谷歌、百度的 AI 转型扮演着重要角色。参照此指南，任何企业都有可能成为强大的 AI 公司，尽管这些建议主要是为市值在 5 亿-5 千亿美元之间的大型公司定制的。

以下是我为企业 AI 转型给出的建议，在《指南》中也有详尽解释：

1. 实行试点项目获得动力

2. 建立一支内部 AI 团队

3. 提供广泛的 AI 培训

4. 策划合适的 AI 战略

5. 建立内部和外部沟通

1、实行试点项目获得动力

首批 AI 项目的成功要比做最有价值的 AI 项目更为重要。这些 AI 项目要足够有意义，因为初期的成功将会帮助你的公司熟悉 AI，让公司的其他人信服从而进一步投资 AI 项目。此外，这些项目不能太小，让别人觉得不重要。重要的是让轮子转起来，让 AI 团队获得动力。

对首批 AI 项目的一些建议：

• 对全新的 AI 团队或者外部的 AI 团队（对你的业务不够了解）来说，这些项目要能够与公司的内部团队（足够了解公司业务）合作并建立 AI 解决方案，在 6-12 月内开始显现牵引力。

• 这些项目要有技术可行性。很多公司开始做的项目用如今的 AI 技术不可能实现。在开始之前，让 AI 工程师做尽职调查可以确保这些 AI 项目的可行性。

• 对项目能够创造的商业价值，有明确的定义与测量标准。

在我带领谷歌大脑团队时，谷歌内对深度学习技术抱有极大的怀疑（更广泛的来说，全世界也是这样）。为了帮助谷歌大脑获得动力，我选择了谷歌语音团队作为我的首个内部客户，通过密切合作提升了谷歌语音识别的准确率。语音识别对谷歌来说是个有意义的项目，而不是最重要的。相比之下，把 AI 应用于网页搜索或者广告更为重要。但通过在语音识别上的成功，其他团队开始信任我们，也让谷歌大脑获得了动力。

一旦其他团队开始看到谷歌大脑在语音识别上的成功，我们就能够获得更多内部客户。谷歌大脑的第二个重要内部客户是谷歌地图，他们使用了深度学习技术改进地图数据的质量。有了这两个成果，我开始与广告团队沟通。有了动力，逐渐带来越来越多的成功。这个过程你可以在公司内复制。

2、建立内部AI团队

虽然与外部资深 AI 专家的合作能帮助你快速获得最初的动力，但长期来看，建立内部 AI 团队执行一些项目会更高效。此外，你也会想在公司内部做一些项目，从而建立竞争优势。

建立内部团队，聘用高管级别的人非常重要。在互联网崛起的时候，对许多公司来说，聘请 CIO 对公司结合互联网策略非常重要。相比之下，从数字市场、数据科学实验到发布新网站，这样做单独实验的公司难以利用互联网的能力，因为这些小的实验项目难以延展从而让公司转型。

对于 AI 领域的许多公司来说，一个关键的时刻在于组建一个可以帮助整个公司的 AI 集中团队。如果拥有恰当的职能，这样一个团队可以由 CTO、CIO 或 CDO（首席数据官）带领，也可以由一位勤勉的 CAIO（首席 AI 官）带领。他们的关键职责包括：

• 为整个公司创建所需的 AI 力量。

• 执行一系列跨职能项目，以 AI 项目支持不同的部门/业务。在完成最初的项目后，建立重复的流程来持续交付一系列有价值的 AI 项目。

• 制定一致的招聘和留用标准。

• 针对整个公司开发对多个部门/业务群体有用的平台，这些平台不可能由单个部门开发。例如，考虑与 CTO / CIO / CDO 合作，制定统一的数据仓储标准。

许多公司都有多个业务部门向 CEO 报告。有了一个新的 AI 团队，你将能够将 AI 人才汇集到不同的部门，以推动跨职能项目。

新的职务说明和新的团队组织将会出现。我现在以机器学习工程师、数据工程师、数据科学家和 AI 产品经理的角色分配来组织团队工作，这种方式不同于前 AI 时代。一个好的 AI 领袖将帮助你建立正确的流程。AI 人才争夺战已经打响，不幸的是，大多数公司将很难雇佣到斯坦福 AI 博士，甚至连斯坦福 AI 本科生都很难聘到。人才争夺战在短期内基本上是零和游戏，因此与一个能帮助你组建 AI 团队的招聘伙伴合作将会是不小的优势。然而，为你现有的团队提供培训也是大量培养内部新人才的好方法。

3、提供广泛的AI培训

目前没有一家公司拥有足够的 AI 内部人才。虽然媒体对 AI 高薪的报道有些夸大了（媒体引用的数字往往是离群值），但 AI 人才的确供不应求。幸运的是，随着数字内容（包括 Coursera 等在线课程、电子书和 YouTube 视频）的增长，培训大量员工掌握 AI 等新技能比以往任何时候都更具成本效益。聪明的 CLO（首席学习官）知道他们的工作是策划，而不是创造内容，然后建立流程来确保员工完成学习过程。

十年前，员工培训意味着聘请顾问到公司上课。但这么做效率并不高，ROI 也不清晰。相比之下，数字内容成本更低，也能带给员工更加个性化的体验。如果可以拿出聘请顾问的预算，那么他们教授的内容应该是在线内容的补充。（这叫做翻转课堂教学法。我发现，如果实施得当，这种做法可以加快学习进度，同时带来更加舒适的学习体验。例如，我在斯坦福大学的校内深度学习课程就是利用这种方式授课的。）雇佣几位 AI 专家亲自来教也能激励员工学习这些 AI 技能。AI 将变革很多职业。你应该告诉每个人，他们需要在 AI 时代找到适合自己的定位。向专家咨询有助于你定制适合自己团队的课程。然而，一个名义上的教育计划可能会是这样：

• 主管及高级商务经理： （培训时间⩾4 小时）

目标：

让主管了解 AI 可以帮助公司做什么，开始制定 AI 策略，制定合适的分配决策，与支持有价值的 AI 项目的 AI 团队顺利合作。

课程：

• 理解基本的 AI 概念，包括基本技术、数据以及 AI 能/不能做什么。

• 理解 AI 对公司战略的影响。

• AI 应用于相似行业或你所在行业的案例研究。

• 执行 AI 项目的部门领导： （培训时间⩾12 小时）

目标：

部门领导应该能够为 AI 项目设定方向、分配资源、监控和跟踪进度，并根据需要进行调整，以确保项目的成功交付。

课程：

• 理解基本的 AI 概念，包括基本技术、数据以及 AI 能/不能做什么。

• 理解基本的 AI 技术，包括算法的主要类别及其要求。

• 理解 AI 项目的基本工作流程、AI 团队中的角色和职责以及团队的管理。

• AI 工程师学员： （训练时间⩾100 小时）

目标：

新培训的 AI 工程师应该能够收集数据、训练 AI 模型并交付特定的 AI 项目。

课程：

• 深刻理解机器学习和深度学习技术；基本理解其他的 AI 工具。

• 了解用于构建 AI 和数据系统的可用（开源和第三方）工具。

• 能够贯彻 AI 团队的工作流程。

• 此外：还要持续学习，以跟上 AI 技术发展的脚步

4、建立AI战略

AI 战略能引导你的公司创造更多价值，也能建立防御机制。一旦公司团队看到最初 AI 项目的成功，加深对 AI 的理解，你就能够找到 AI 能够创造价值的地方，并专注于此。

一些公司高层会认为建立 AI 策略应该是第一步。但以我的经验，在有一些基础经验之前，大部分公司难以建立深思熟虑的 AI 策略。这些基础经验可以从前面 3 个步骤获得。

随着 AI 的演进，你建立防御壁垒（defensible moats）的方法也要变化。以下是需要考虑的一些方法：

• 根据一个统一的策略，建立多个不同的 AI 资产：AI 能让公司以一种新的方式建立独特的竞争优势。Michael Porter 写的商业策略表示建立壁垒业务的一种方法是根据一个统一的策略搭建多个不同的资产。从而让竞争者难以同事复制这些业务。

• 利用 AI 为公司产业打造特定优势：相比于与谷歌这样的科技公司在「广义」AI 上展开竞争，我建议你成为所在产业分支的领头 AI 企业，开发独一无二的 AI 能力可以让你获得竞争优势。AI 对你公司策略的影响是由产业与情境决定的。

• 根据「AI 良性循环」设计反馈积极的策略：在许多产业，我们可以看到数据积累会带来壁垒业务：

例如，谷歌、百度、Bing、Yandex 这样的网页搜索引擎有大量与用户点击、搜索词条相关的数据资产。这些数据帮助这些公司建立更准确的搜索引擎产品（A），进而帮助它们获得更多用户（B），然后获得更多的用户数据（C）。这种积极的反馈循环让竞争者难以攻破。