人工智能（AI）革命自半個多世紀前誕生以來，給整個世界帶來巨大沖擊。特別是在過去十年當中，AI已經由學術領域的研究方向，轉化為我們日常生活中不可或缺的組成部分。如今，我們習以為常的AI業務策略主要以數據為中心構建而成，專有數據甚至成為AI企業最具戰略意義的資源儲備。但在未來幾年中，專有數據將不再是一種獨特的資產，這意味著以專有數據為基礎的差異化優勢在可持續層面將持續走低。因此，整個世界很可能由基于數據的AI策略，轉化為基于知識的AI策略。

[[345417]]

大數據的發展，利益于眾多傳感器的部署、互聯網連接的普及以及計算能力、通信能力與數字存儲等層面軟硬件的大幅改進，這也使AI技術培訓得以從小型學術研究項目變身成為大規模企業生產級應用程序。在本質上，大數據要求復雜的AI模型從中分析并提取知識與洞見，而這些AI模型又需要海量大數據進行訓練及優化。因此，目前AI企業往往將數據視為重要的戰略儲備，這種趨勢在風險投資領域也變得愈發普遍。事實上，近期不少初創企業已經將數據收集作為其業務戰略的核心。越來越多的同類廠商開始強調他們所掌握的獨特數據集以及能夠進一步獲取其他專有數據的長期策略，并將此視為一種可持續的從業壁壘。此外，由于AI工具與AI即服務平臺使得AI模型開發快速進入商品化階段，再加上公共開放數據集的持續涌現，人們建立并捍衛自己數據圍欄的需求也變得愈發顯著。

在如今的技術生態系統中，誰擁有更先進的AI程序、誰對專有數據的控制能力更強，誰就能從市場上獲得更多回報。這也被視為一種巨大且可持續的競爭優勢。以谷歌與Netflix為代表的廠商，已經在多年的運營中開發并整理出規模龐大的權威數據集，無數其他企業則滿懷欽羨在他們身邊亦步亦趨、希望復制他們的成功。但面對Netflix復雜精妙的數據策略，競爭媒體服務供應商與劇集制作企業根本無法望其項背。

但隨著預期數據交換能力與交換意愿的提升，我們相信在未來十年之內，專有數據建立起的準入門檻恐怕將無法持續。雖然數據仍將成為AI價值引擎的重要燃料，但知識在AI業務策略中的比重將越來越大。

將AI價值金字塔向上推進至知識層

如果存在一座AI價值金字塔，那么其基底部分無疑是數據，而越是往上、知識的占比就越可觀。如今我們正處于“信息觸手可及，知識卻難覓形跡”的時代，因此將AI價值金字塔推向知識層已經成為一種必需。

事實上，我們已經看到眾多數據交換倡議旨在促進并加速這一趨勢的推進。我們希望通過商品化數據共享以換取有價值的知識乃至業務可行性。總之，數據將變得更加豐富、可用、可靠、標準化且成本低廉，而這一切也意味著數據將成為一種典型的商品。以此為基礎，將數據作為準入壁壘的理念也將不攻自破。

隨著物聯網（IoT）設備的激增，數據共享的可行性也將達到新的高度。此外，用于數據合并、共享與交換的新興技術、協議及標準也將及時跟上。展望未來，只要擁有明確的動機與意愿，數據共享能力本身也將成為一種重要優勢。隨著數據這一準入壁壘在AI技術的沖擊下土崩瓦解，將有更多組織不懈收集自己的專有數據并將其作為一種重要商品。當然，這種數據的獲取及利用仍然頗具難度，回報也未必明顯，因此可能在戰略層面造成扭曲。這是因為盡管大多數組織已經將AI視為自身業務體系中的一部分，但AI卻仍然不屬于傳統技能或者核心專業知識中的一分子。另外，AI訓練工程師、開發人員、產品負責人以及管理者的長期缺失，也將加劇這種戰略失衡并最終令以知識交換為目標的數據共享方案受到市場的廣泛認可。

歐盟最近提出的通過數據交換以產生知識倡議，就是這種將創造力與合作意愿加以結合的典型案例。他們希望建立起“單一數據市場”，幫助個人、企業及其他組織以非個人數據為素材提取洞見并做出更好的決策，借此與當前各主流技術巨頭開展競爭。

沖擊專有數據可持續性的另一大因素，在于新型數據解決方案的出現。這類解決方案能夠使用相對較小的數據集實現模型訓練。合成數據解決方案（例如生成對抗網絡）與其他樣本最小化技術（例如數據增強）有望使企業無需大量數據即可構建起顛覆性的AI產品。

建立知識發展戰略

AI革命的未來將重塑企業賴以生存的現實市場，因此我們必須建立起有針對性的業務戰略。由數據向知識的轉變也將帶來新型框架、合作伙伴關系與商業模式，包括為知識創造提供數據、信息、AI模型、存儲以及計算容量的各參與方。面對這片前所未有的廣闊市場，企業應該盡快著手制定更側重于知識要素的發展戰略：

• 建立知識儲備以替代數據儲備，并將這一基本原則視為未來業務戰略的核心。企業與組織應該為以知識為中心的時代做好準備——在這一新時代中，誰能提出正確問題、找到關聯度最高的預測結果并設計出最具顛覆性的AI應用方案，誰就能占據市場競爭的制高點。

• 以自上而下的方式使用AI技術，圍繞應用程序與產品層組織業務體系。AI模型應根據特定的垂直行業與假設進行開發及訓練。例如，立足成像、診斷、遠程醫療、藥理學及其他臨床應用開發特定的醫療保健應用；或者面向車隊管理、公共交通以及其他交通參與因素構建交管系統等。這類解決方案的開發要求我們將基于特定領域的豐富知識與實踐經驗結合起來，同時匹配上下文信息與經過良好調優的AI模型。

• 數據獲取計劃將只是一種短期性質的戰術性追求，而基于知識的交流與合作伙伴關系則是更值得培養的長期業務戰略。去年，以色列創新局啟動了一項試點計劃，希望實現醫院與技術初創企業之間以知識為基礎的業務合作。這一合作在初創企業與醫院之間建立起數十個具體項目，促進了各醫院之間對原始（且以往幾乎無法使用）數據的積極交換，同時也幫助初創企業積累起新穎且寶貴的知識。

• 最后，面向知識的業務轉變也應影響到組織內的人力資源策略。企業應該為未來AI發展制定貼切且明智的人力資源管理策略。盡管部分初創企業仍然需要投入重金招聘數據工程師與科學家，但最理想的方法應該是將AI團隊設計為管理團隊，負責建立并推進AI知識合作伙伴關系、發明基于AI的應用程序/產品，并對AI革命的美好前景做出創造性的探索。這一切，在本質上都代表著從以數據為中心向以知識為中心進行架構重新設計。此外，AI團隊還應幫助人們理解其所運營領域的上下文。其中最核心的要點，是保證各團隊成員通過整體方法充分運用自己對于AI及特定職能領域的理解，而不再僅僅只扮演常規AI專家的角色。

總結來講，AI的未來取決于由強調專有數據集向跨實體共享數據并創造知識的轉變。為了成功實施相關AI策略，企業必須正確對數據、信息、AI模型、存儲、計算容量等要素加以組合，保證企業業務深深植根于知識這一最重要、最核心的差異性資源。