沃顿商学院商业人工智能笔记-二-
沃顿商学院商业人工智能笔记（二）
P115：14_AI和数据分析适合创新吗.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
我叫林吴。我是Wern商学院运营信息系的副教授。
决策部门。我的专业是AS对组织的影响，尤其是来自。
从创新的角度来看。在这个视频中，我们将讨论AI和数据分析是否适合创新。
你可能在过去几年听到了很多关于AI驱动的有趣新闻。
创新。最著名的一个是在2020年。AI创造了，帮助创造了一种新的抗生素。
被称为halosine。这是一个重大突破，因为抗生素，特别是新型抗生素。
是极其难以发现的。这已经成为一个重大公共健康问题，因为这个超级箱。
正在成为一个大问题。因此在2020年，一群MIT研究科学家利用了。
关于各种化合物的数据，它们的抗菌活性等等。在此之后。
筛选超过一亿种化合物后，他们能够辨别出新的模式。
我们之前未见过的数据。因此，他们能够识别出新的抗生素。
仅用大约三天时间。Halosine在几个方面都是独特的。首先，它被发现。
通过AI平台在科学家的帮助下。第二，不仅非常有效。
halosine在其化学结构和其他类型抗生素上也是独特的。
在人体内也是可以容忍的。
几年前，IBM沃森以其技术发现了一种新型的。
医疗创新的一个重要方面。在这种情况下，沃森能够消化大约2300万。
跨越许多不同学科的医学论文，以寻找关于肿瘤抑制剂的信息。
被称为P53。P53很重要，因为它与几乎所有癌症的一半相关。
所以在短时间内，沃森能够消化所有这些论文，找到。
这数据中的隐藏模式，并识别出六种之前未知的相互作用蛋白质。
与P53一起。这一成就本来需要研究人员超过六年的时间才能完成，而沃森。
他们在几周内完成了这一切。这不仅仅是在医疗行业，也不仅仅是在药物。
不仅仅是在化合物发现方面。这也体现在产品设计上。例如，Autodesk。
正在尝试设计一种新型底盘。他们所做的是增加了许多传感器。
到一个可以测量应力、温度、位移的底盘上。
所有与底盘相关的其他事情，以及让底盘正常工作。还有。
所有这些传感器都非常便宜，能够在这个底盘上部署许多传感器。
安装传感器后，一位特技车手驾驶这辆车并且真的。
尝试推动一个系统。好的。所以他们可以加速得非常快，他们的刹车也很猛。
尽可能用力转向。经过约2000万数据点，AI与八位科学家合作。
用全新的底盘。好的。如果你看看这张底盘的照片，它并不真的像。
一辆车。看起来像一根带有猛犸象的骨头。但请注意这辆车的非对称性。左侧。
左侧和右侧并不是彼此的镜像。通常你会看到左侧。
左侧和右侧的汽车非常相似。这是因为如果你看看。
这些数据表明，汽车在一个方向上的转向频率远高于另一个方向。
所以当然，一侧必须承受更多的压力。
一侧的压力和位移比另一侧多。这就是为什么你会看到之前的非对称性。
即使在艺术和科学的领域，这也是。
我们认为这是非常人性化的行为。我们看到AI可以创造出我们可能感兴趣的艺术。
并挂在我们的客厅墙上。如果你看看顶部的这张照片。
这是一张美丽的照片。然后你将它与梵高的《星空》结合，你就会得到一个美丽的组合。
这两张照片的元素。然后创造一张包含《星空》元素的全新照片。
你可以对许多其他著名画作进行同样的操作，将你的照片与另一幅结合。
著名的画作。AI可以结合这些元素，创造出一幅美丽的画作，我个人会。
我会选择挂在我客厅的墙上。所以我刚给你一些关于AI的精彩例子。
驱动的创新。然而，如果你查看尼古拉斯·布恩所制作的这张图表。
2017年的共同作者，你会看到不同的画面，因为有人辩称，不仅仅是。
我们为何没有看到伟大的创新出现，但平均而言，我们看到了创新的下降。
所以这就是如何阅读这张图表。绿色线可以看作是我们投入了多少钱。
我们在研发上投入的资源。蓝色线可以看作是人均支出。
基本上是每个人均产生了多少创新。你可以看到我们投入了很多。
更多的钱和资源以绿色线有效研究人员数量衡量。但如果你。
查看这一资源投资的生产力，蓝色线表明我们的。
人均投资，我们的人均创新产出下降了不少。
这是一个从1930到2000的较长趋势。数据表明这个趋势的原因。
这一趋势持续。那这里发生了什么？为什么我们看到这么多由AI驱动的创新？
但是不知为何，它们并没有体现在我们的生产力、创新和统计数据中。
这是一个非常有趣的现象。这引出了AI能做什么和不能做什么的核心问题。
进行创新。在我们下一个视频中，我将解释什么样的AI是合适的，什么样的AI是不合适的。
针对各种类型的创新活动。[BLANK_AUDIO]。
P116：15_AI和过程创新.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在这个视频中，我将讨论人工智能如何帮助你改善流程并生成数据。
过程相关的创新。你可能不会惊讶于大数据的爆炸为先进技术提供了良机。
人工智能和数据瓶颈及各种技术。从社交媒体、移动媒体，每一秒钟。
我们生成数千吨、数百万条印象、文本消息。
对社交帖子发表评论、反应，所有这些都涉及大量文本、图片的爆炸。
视频和声音。尽管这些数据可能来自用户生成内容。
但很多数据也可以来自商业过程。
一旦公司能够仔细整理其业务过程数据，并利用先进技术进行真正分析。
机器学习分析工具，这可以在他们的流程中带来显著改进。
创新。
让我以谷歌的数据中心为例。
谷歌运营着世界上最大的几个数据中心。
而这些数据中心的能耗非常高。这意味着它们可以提供超过100的能量。
000台服务器。保持服务器冷却是很重要的。
冷却挑战进一步加剧，因为计算负载是变化的。
这相当复杂。因为很难预测随着时间的推移会消耗多少电力。
人们使用这些服务器的频率，以及外部温度也会影响它。
湿度等。在过去，人类通常控制这些泵。
这些冷却设备、冷却塔和其他设备。
保持数据中心在合适的温度下非常重要。否则。
如果服务器出现故障。这些人会监控他们的温度计、压力表。
以及许多其他传感器，随着时间的推移做出决策。
深度学习是一个机器学习平台。我们来看看是否能自动化其中一些工作。
他们所做的是对数据中心的历史数据、计算负载和各种情况进行了多年的收集。
传感器读数、湿度和温度等环境因素，进行汇总。
所有这些信息用来训练一个大型神经网络。所以这是深度学习模型。
这个神经网络用于控制所有可用的冷却设备。
这也是一个强化学习算法，用于训练深度学习神经网络。
你可以在顶部的这个图表中看到，开始时我们的电力使用效率相当稳定。
相当稳定。然后我们启动这个深度思维平台，以减少能耗或提高效率。
使其更有效。你可以看到在使用机器学习控制这些温度泵后，效率急剧下降。
冷却器及所有与保持服务器冷却相关的系统。随着时间的推移。
您可以看到它显著降低。当系统关闭并恢复人为控制后。
您可以看到电力使用的有效性实际上已经回到了之前的水平。
系统部署后，能源使用减少了40%。
与此相关的能源使用开销也改善了15%。
这可能是该领域有史以来最大的改进之一。
还有许多其他例子，您可能使用过或听说过它们。
亚马逊和其他公司显著使用机器学习改善产品推荐。
以及库存管理的过程。亚马逊分析使用机器学习预测用户点击的请求。
所有这些数据可以用来预测转化率和个人回归的可能性。
网站或购买产品。网络安全公司如Deep Instinct已利用这些过程数据更好地进行检测。
恶意软件。在许多不同的情况下，他们可以在实际安全漏洞发生之前保护恶意软件。
已经发生。保险公司也大量使用机器学习分析他们的客户。
数据也可以用来改善他们的客户支持。所有这些都是因为这些公司能够捕捉与其相关的数据。
商业流程，机器学习可以应用，使用数据并应用适当的。
算法用于改进他们现有的流程。
所以我给你展示了一些关于AI和数据分析如何改善流程创新的例子。
但要真正看看这是否只是一次性事件，或者这实际上适用于大多数公司。
为此，我们实际上对超过300家公司进行了大规模调查。
与麦肯锡合作。在这项调查中，我们实际上问了许多关于公司的问题。
而其中一个部分是关于基于流程的创新。
所以我们提出了八个问题，询问在一到五的尺度上，可能性有多大。
该公司致力于改善他们的流程创新。因此，我们问了这样的问题。
多少程度上以下说法描述了。
您整个公司的工作实践和环境如何？
其中一个说法是我们具备进行渐进式变更的强大能力。
或对我们的业务流程进行改进。我们也问了这样的问题。
请列出您主要业务的重要核心活动。如果您列出了流程开发。
过程质量、过程管理或改进。
然后我们也将您归类为倾向于我们的流程改进的公司。
我们也问了这样的问题，您的组织在主动参与方面表现如何。
商业领袖们可以完善现有的流程和系统。
所以我们汇总了所有这些评分，得分很高的公司。
我们将这些公司标记为对流程创新感兴趣或以此为导向的公司。
那我们发现了什么？这是我们关注的流程导向公司的分布。
你可以看到并不是所有公司都是流程导向的。有些公司较少，有些则更多。
但这必须遵循一个相当有趣的钟形曲线，这正是我们所期望的。
所以这不是一个大家都说“哦，是的，当然我们对流程感兴趣”的情况。
以及其他所有东西或更高分数的一切。
同样，我们也关注了数据分析和人工智能。
我们如何衡量公司在数据分析上的投资，以及在人工智能上的投资？
好的。所以我们实际上使用了这些公司的简历数据。
因此，我们查看员工技能的数据，看看他们是否具备与数据相关的技能。
与人工智能相关的分析和技能。
因此，我们可以查看一般的人工智能测量，了解诸如商业等词汇。
智能、数据中心、数据驱动、数据整合显示出简历。
对于算法，我们同样关注像A/B测试、机器学习、自然语言处理等词汇。
语言处理、神经网络等等。
我们还研究系统和工具，以了解他们是否实际使用人工智能系统或相关系统。
向人工智能相关的技术，如云计算、Hadoop、Map of Dues等等。
这是数据分析和人工智能技能随时间增长的趋势。
你可以看到我们在同一时间线上看到大幅跃升。
我们看到数据分析技能有了巨大的改善或大幅增加，数字非常显著。
拥有数据分析技能的人，我们看到人工智能技能的增长更加显著。
在最近几年，人工智能技能与数据分析技能呈现出类似的模式。
等等，甚至在最近几年稍显戏剧性。
我们发现数据分析和人工智能可以极大促进基于流程的创新。
不仅如此，我们发现使用人工智能工具并且面向流程改进的公司。
这些公司在收入上衡量的生产力增长甚至更大。
我们测量到，投资人工智能工具的标准差增加与。
生产力提高7%有关。类似地，如果一家公司投资于人工智能但不关注改善流程。
他们将不会体验到那7%的生产力增长。因此我们必须同时具备两者。
你既投资于人工智能工具，又面向流程改进。
我们看到生产力的提升。这提供了一个因素，可以解释人工智能创新悖论，因为如果。
你在使用人工智能来改善你的流程时，更可能看到更大的收益。
谢谢。[BLANK_AUDIO]。
P117：16_产品创新.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在最后一个视频中，我们讨论了流程创新。
在这一部分，我们将讨论产品创新，或者更具体地说AI和数据分析。
可以帮助你确认，创新新的产品和服务。
记住我们之前提到的创新悖论。
我们看到对AI和数据的投资在不断增长。
然而，我们没有看到创新统计数据的出现。在某种意义上。
我们没有看到更好的创新或更多的创新。如果有的话。
人均创新正在随着时间的推移而减少。
为了理解这一点，我们进行了一项大规模调查，以了解发生了什么。
在早期的调查中，我们展示了AI在流程创新方面能有很大帮助。
我们能否在产品和一般服务中看到相同的情况？所以再次。
我们提出类似的问题，但这里我们真正想要聚焦的是。
关于产品的创新驱动实践。所以这里我们问的问题包括。
你们组织设计、创建、引入新产品和服务需要多长时间？
你需要多长时间来创新或引入新的生产技术？
在一个主要业务单位中，最可能的核心活动是什么？如果你回答这个问题。
答案是产品开发、产品设计、创新，我们将这家公司归类为某种类型。
更加面向创新的公司，其实践更驱动于创新。
再次，我们看到直方图，并非每个公司的创新都是驱动的。
一些公司在这个尺度上非常高，而一些公司则非常低。
其中许多处于中间位置。
这让你了解流程创新驱动实践之间的差异。
在我们调查的300家公司中。这是一个显示分布的图表。所以在x轴上。
我们有流程导向的实践，如我们之前所示。在y轴上。
我们看到与创新相关的实践。可以看到它分布在四个象限中。
一些公司在两者上都很高，一些公司在两者上都很低，还有混合的情况。
一些公司更偏向于流程，而对创新的关注较少。
一些公司更关注创新，而对流程的关注较少。
你确实看到存在异质性，存在巨大光谱。
公司在这个图中可以适应的位置，以及这些公司的可能性。
最初投资AI和数据分析的情况。因此在第一个柱子中。
我们查看你的公司是否非常注重流程。
你投资数据和AI的可能性有多大？我们看到一个标准差。
过程创新的增加。有大约2.22%的公司更有可能采用AI和数据分析。
这确实影响了非常显著的统计数据。但如果你看看产品创新。
在同一标准下，得分为1.0的偏差增加了你采用人工智能的可能性。
如果你的产品导向，这基本上没有影响。
似乎如果公司真的对产品创新感兴趣。
采用人工智能分析的可能性是零。它没有影响。
这真的很有趣。这可能与某些创新悖论有关。
我们之前看到的内容。让我们也看看这如何转化为生产力。好的。
如果你这么做，如果也许人工智能没有帮助，且没有投资人工智能。
这是一个正确的决策。在这里我们关注对改善产品创新感兴趣的公司。
他们也在人工智能上投资，并与其他公司进行比较。
那些以流程为导向并投资于人工智能的公司。好的，在这个图表中我们看到。
当一家公司同时投资于人工智能，并且非常注重流程时，得分为1。
0的偏差变化与7%的生产力提升没有关联。
我们在之前的视频中看到了这一点。并将其与产品创新进行对比。
产品创新和人工智能基本上确认，投资于大量人工智能技能和产品。
以及基础设施。同时也非常关注产品的创新。
他们实际上并没有看到生产力的提升。
但这里我们只是测量所有产品创新。
我们还没有区分产品类别中的哪种创新。
但总体来看，我们确实看到对流程导向感兴趣的公司之间存在差异。
而且对产品导向感兴趣的公司。
一家非常关注改善流程的公司。
在使用人工智能和分析方面看到显著改善。
但我们在产品创新中并没有看到这一点。
所以这个重要发现是，不仅存在人工智能与分析之间的关系。
一般的产品创新是零。有时这种关系甚至可能是负面的。
也就是越倾向于我们的产品，服务形象越明显。
他们实际上更不可能投资于人工智能。
我们看到这种关系对流程并不成立。从某种意义上说，更多的流程创新。
你的公司更可能进行投资，你越有可能投资于数据分析和人工智能。
此外，你还在通过提高生产力来获得这项投资的回报。
所以我们确实看到了流程与产品之间的创新差距。但再一次。
这仍然是一个非常粗略的划分。我们将看看产品创新中的细分。
在我们下一个视频中，我们将探讨什么在人工智能中有效，什么不起作用。（沉默），（蜂鸣声）。
P118：17_不同类型的产品创新.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在我们上一段视频中，我们研究了通用产品创新似乎没有取得进展的情况。
在AI和数据分析的帮助下。处理改进和流程创新似乎得到了数据分析的很大帮助。
在这个视频中，我们将深入探讨产品创新，看看是否存在任何。
不同类型产品创新之间的差异？如果是这样的话。
人工智能如何以不同的方式影响它们？所以记住我展示了许多关于人工智能如何从根本上改变许多行业的例子。
从医疗保健到药物发现，再到汽车的产品设计，以及艺术和音乐领域。
所以请注意，这些创新有什么共同之处。
在Watson Health的例子中，我们已经识别出P53。但已经有很多。
许多P53的例子，以及与P53相互作用的其他蛋白质。
因此，人工智能和数据算法有很多例子可以参考，以了解新的P53蛋白是什么。
可能看起来像。
从新抗生素的角度来看，这是全新的，之前从未发现过的。
显然这是一个非常重要的发现。但还有许多其他抗生素存在。
所以我们有点了解抗生素在我们找到更容易验证的情况下可以做或应该做什么。
但再一次，halosine并不是现有的第一种抗生素。
汽车底盘再次是改进现有产品的一个很好的例子。它是一个底盘。
这非常具有创新性。如果没有人工智能告诉我们模式，我们可能根本看不到它。
关于汽车向一个方向与另一个方向转弯的不同方式。
但从根本上说，它仍然只是一个底盘。如果你看看那些画作。
你会看到你从欧洲拍了一张照片，然后你。
把它与梵高的《星夜》理论或其他任何著名画作结合在一起，你可能会想。
将其放在你的墙上。但请注意，它们在某种意义上都有共同之处，即它们都是重组创新。
那么我所说的重组创新是什么意思呢？这意味着你可能将两种不同的事物结合在一起，以创造出新的东西。
所以你可以考虑照片和《星夜》是一个很好的例子。
你实际上是在把两样东西放在一起。照片和理论之夜结合在一起，这给了你一幅新画作。
它非常美丽，非常创新。但它是两样东西的结合。夏季的底盘。
这仍然是对现有底盘的改进。它是将传感器结合在一起的底盘。
将许多其他技术和数据分析结合起来，以帮助发现改进的底盘。
halosine再次是通过挖掘大量数据点和大量研究而实现的。
关于抗生素的论文，还有许多其他药物相互作用的研究。
寻找一个可能以前很难发现的halosine，但它在本质上仍然是。
抗生素，而不是第一种青霉素。通过结合来自不同学科的信息。
收集不同来源的信息，然后将其结合在一起，以找出halosine可能的样子。
一个与P53蛋白相结合的相同细胞。再一次。
你已经知道在P53中要寻找什么，但你只需找到其他模式。
从某种意义上说，人工智能和分析可以大幅度扩展你寻找的搜索空间。
创新。通过在所有这些研究论文中做链接，发掘隐藏的技术模式。
所有这些数据点，我们能够找到新的方式以新的方式结合现有技术。
本质上这是一种重组创新，对于创新非常强大。
我刚刚给了你关于人工智能可以支持你产品类型的直觉。
人工智能不仅可以帮助你以新的方式结合事物，还可以通过结合许多。
许多不同的事物以一种新的方式结合在一起。这样的组合组合是人工智能擅长的。
也许在我们的思维中，我们可以用三、四或五个元素进行组合。
人工智能可以在成千上万的案例中做到这一点。找出组合的组合以更有效的方式来理解。
了解哪些有效，哪些无效。让我给你一个例子。多样重组意味着什么？
通过组合意味着什么？例如。
如果你有四种现有技术，A、B和C，B、C。A、B和C是技术。
属于其自身的类别。它们之间差异很大。B。
C是一种将B和C结合在一起的技术。在一个多样化的组合中。
它可能是像A、B、C这样的组合，你结合了所有四种技术。
三种技术结合在一起形成一个多样化的组合。这是一个全新的概念。
一种潜在的激进创新称为D，是一种之前不存在的技术类别。
我们的假设是，人工智能可以极大地帮助你找到多样的重组，结合不同的元素。
许多不同元素以新的方式结合在一起。可以是A、B、C、B、C、A等。
以不同的方式、不同的方向。但这可能无法帮助你找到那种第一类创新。
所以它在寻找halosene方面表现出色，但在帮助你找到青霉素方面可能不够好。
与最早的抗生素相结合。这意味着一种之前不存在的技术类别。
如果你考虑一下，之前不存在的技术没有太多数据可用。
在人工智能和数据学习者能帮助你找到这一点方面非常有限。
激进的新创新，一个D。但它非常擅长找到将不同事物结合起来的创新。
事物以新的方式结合在一起，多样重组。
那么我们如何知道我们的直觉是正确的，即人工智能和分析可以促进多样的。
重新组合创新？一种方法是使用专利。专利有几个优点。首先。
该专利有一个特定的分类代码，告诉你它是否是新的。从某种意义上说。
如果在特定技术类别中出现的第一个专利，它是非常新颖的。此外。
我们还知道当前被引用的专利。因此，在这个红框中。
我们查看所有该专利引用的专利。
这很重要，因为这是该专利所参考的所有现有技术。
例如，如果一个专利有十个引用，都属于同一专利类别，那么。
我们知道这并不是一个多样化的组合。它来自单一的技术类别。
但如果同样的十个专利来自十个不同的技术类别，那么。
这个专利更可能是多样化组合，因为它结合了十种技术。
元素在一起。这就是多样化组合。此外，为了衡量新颖性。
我们还可以查看专利的摘要，以了解使用的词汇是否非常新。
例如，如果“HTML”这个词首次出现在摘要中，那是一个非常新的词。
这意味着该专利可能非常新颖。如果这个专利是提到“HTML”的第千个专利。
那么相较于第一个，它并不是一个非常新颖的专利。
这就是我们如何通过专利数据和每个专利的类别来创建多样化组合。
由于这是许多不同技术类别的组合，或者。
它是否是一项非常新的技术，是否是其技术类别中的第一个。
或者他们使用的词汇是如此新颖，以至于在其他专利中未见过。
然后我们研究数据分析与人工智能投资之间的关系，涉及这两种不同的。
产品创新的类型。第一种是多样化组合。第二种。
这里存在新技术。
如你在此图中所见，如果你看第一个，它是多样化的。
组合。Y轴表示投资于人工智能技术和其他技术的可能性。
如果你查看多样化组合，他们更可能采用多样化组合。
效果大小相当大，误差非常小。
但如果你查看新技术的对应图形，请记住这是。
是它自己类别中的第一个。并不是像A、B、C的组合。
而是一种全新的技术D，你以前未见过。实际上。
我们看到新技术与人工智能之间实际上几乎是负相关的关系。
投资几乎为零，因为它非常嘈杂，我们无法真正。
有效地测量它。接下来，让我们看看生产力的影响。
公司往往以新的方式组合现有技术，并在采用人工智能分析时。
他们是否相应地看到生产力的增长？好的。
我们在判断这家公司是否非常关注新技术时也采取同样的方法。
我们看到图表中的第一根柱子，它是最快的、最戏剧性的。
投资于AI且对现有技术组合感兴趣的公司。
以一种新的方式看待技术，见到更大的效果。
生产力的1%的变化是巨大的，考虑到纯AI的影响非常小。
所以这实际上是一个巨大的影响。如果你看到D的相应变化。
记住，这是我们以前没有见过的新技术，事实几乎是负面的。
虽然稍微难以判断，但至少是小于零。
我们看到这并不是一个IT现象。这确实是一个AI现象，因为我们迅速将此图表替换为IT。
与一般IT技术的技术测量。接下来的两个图，柱子。
你可以看到，当你观察到多样性时，这种效应不会发生。
一般IT技术的组合投资，实际上也是如此。
这几乎是在朝着AI的方向发展，类似于新技术。
你在一般IT投资中也看不到这一点。我展示的真的是关于AI驱动这些技术多样化重组的内容。
同时，既使用AI又使用它来寻找这些技术多样化组合的公司。
这些技术。那时他们会收到生产力的戏剧性增长。另一方面。
如果你使用AI，并且主要用于寻找新技术，类别是自己的那种。
这个事实似乎并不存在。同样，你不能仅仅投资于一般IT。
这实际上是AI推动我们在这里看到的现象。
所以这里的主要收获是，我们发现分析和AI支持多样化的重组。
例如ABC，三个元素结合在一起。
但分析和AI并不支持根本性的全新技术，如D自身的那种。
我们发现投资于分析和AI的公司专注于重组创新。
投资于分析的公司比那些不单独投资分析的公司更具生产力。
他们对重组感兴趣，但不投资于分析。
所以真正重要的是组合。你投资于AI，并使用它来寻找重组。
这可能是悖论存在的另一个原因。
你在使用AI寻找新技术，如D。
那种努力可能没有像你用技术投资寻找重组那样有效。
创新。谢谢。
谢谢观看。[BLANK_AUDIO]
P119：18_组织因素.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在我们上一个视频中，我们探讨了AI分析与一种产品之间的关系。
AI最适合的创新。但可能还有许多其他的组织因素可能影响这一点。
关系。因此在这个视频中，我将讨论如何组织你的创新可能会调解。
那种关系。有些组织结构正好适合支持以AI驱动的创新。
有些组织结构则不是。所以在这个视频中。
我们将探讨组织因素，例如如何组织你的创新团队。
团队构成，以及员工的技能组合如何变化。
AI可以帮助公司创造的创新类型。在这个视频中。
我们将主要关注结构方面。组织在组织其活动的方式上有非常不同的方法。
它们可能以一种方式组织其一般活动，并且可能以另一种方式组织它们的创新。
以另一种方式。因此，具体观察公司如何组织其活动非常重要。
创新活动，以及它们与一般组织结构的比较。
这种结构可以在行业内部和跨行业变化。
这意味着不仅仅是行业差异。例如。
药物研发可能与汽车研发组织方式截然不同。
或者它可能是在同一行业内，例如在药物发现领域，一家公司决定。
以一种方式组织他们的创新活动，而另一家公司会选择不同的方式。
为了让你了解我在说什么，让我们来看一些例子。这是两家公司。
谷歌和苹果，他们以非常不同的方式组织他们的创新活动。
这两家公司都是科技行业中非常创新的公司。如果你看看谷歌。
它们的创新结构更加分散，而。
苹果的结构非常集中在少数集群中。那么这些集群是什么呢？
节点是什么？这个图中的链接是什么？这些图中的节点是发明者。
当两个节点共同撰写专利时，它们就连接在一起。明白了吗？所以你可以看到谷歌。
它们有几个集群，但基本上是分散的。而苹果。
你会看到创新结构实际上集中在少数集群中。
中心的大节点，底部还有一个，谷歌的分散程度更高。
所以这是一种公司自然而然组织自己的方式。这可能有很多不同的原因。
可能是历史原因。也可能是对组织的不同思考方式。
想想创新。有这么多因素，我们并不真正知道为什么它们以这种方式组织。
但这不是最重要的点，我只是想让你看到公司是如何组织的。
创新方式不同。这些结构一旦形成实际上很难改变。
因为这有点难以改变创新关系。
通过法令或更换首席执行官或更换研发主管建立正式结构。
这不一定会迅速改变这种结构。
但分析和人工智能变化非常迅速。那么我们能否看到人工智能分析对这些公司的采用产生不同的影响？
这些技术能否帮助谷歌类型的世界，还是苹果类型的世界？
从某种意义上说，他们能否比集中结构更好地促进更分散的创新结构？
版本或反之？这不仅仅是苹果与谷歌，因为他们是太知名的公司。
两者都非常创新，可能特定于技术领域，其中有非常创新的公司。
你在其他各个行业中也会看到同样的现象。这是两家公司，Cenofe和Roche。
这些都是大型制药公司。再次看到他们是非常高效的制药公司。
但是这些制药公司有着非常不同的组织方式。
Cenofe稍微分散，而Roche则在未来更加集中。
少数集群。因此我们可以问的类似问题是，人工智能能否帮助谷歌的Cenofe？
世界或苹果Roche的世界能否创新？
中心化和去中心化各有利弊。
去中心化有许多优势，因为人们专注于他们的工作。
特定类型的工作。他们非常本地化于他们的市场，倾向于采用粘性知识。
通过粘性知识，有些事情你知道，且很难在一个团队之间移动。
彼此之间有许多隐性知识，许多事情你只是知道。
团队内部彼此交流，但将这些信息传递给其他人很困难。
当人们长时间共同解决特定问题时，他们更可能。
识别问题并创造自主解决方案。
但由于他们是去中心化的，有时很难促进跨团队协调。
他们在团队内部合作非常好，但可能有点困难。
将这些知识转化或与其他可能有非常不同沟通方式的团队合作。
彼此之间或以不同的方式创建自己的行话或粘性知识。
另一方面，中心化也可以提供许多优势。
中心化往往创造出超出个别团队的激进创新。
在中心化的世界里，你可能很擅长识别问题，找到你的解决方案。
自己的团队，但你的解决方案可能只适用于你自己，而可能不适用于所有团队。
或者中央集权可以更好地帮助你做到这一点。而中央集权也可以广泛搜索超出个人的外部信息。
团队可能会决定某些资源，某些事情对整个团队更好。
组织应该考虑整体，而不是单个小组。
单个小组往往相对短视，只考虑对自己小组有利的事情，而不考虑。
广泛思考。因此，中心化可以克服一些跨部门或核心国家的问题。
去中心化并不缺乏，但去中心化在地方解决问题方面确实很有效。
如果我提供针对该业务环境的创新解决方案。
所以这两种情况下都有利弊。那么分析和人工智能如何介入？
你认为分析，结合你对分析的理解，会有助于中心化吗？
更好地组织或更好地去中心化创新结构？
如果你考虑分析和人工智能能做什么，其中一个关键优势就是它们。
可以进行广泛的多样知识搜索。他们。
通过进行广泛搜索，发现隐藏的模式、隐藏的关系。
你以前没有见过的。他们还将现有的信息孤岛以一种有助于去中心化的方式联系起来。
所以，通过拥有一个自动挖掘不同领域、寻找隐藏模式的工具。
在某种程度上，它可以缓解去中心化在协调方面的中央弱点。
它也可以解决所有协调问题。这是不可能的。
但即使稍微削弱一下这些困难，可能也会促进这些组织。
在创新活动中发挥作用的结构。记得在我们上一个视频中。
我们展示了人工智能，机器学习。
隐藏的分析特别擅长发现新的组合或多样化组合。
或者以新的方式使用现有技术、现有组合和新方式。
这一切都将有助于去中心化结构并解决他们的问题。
问题说，“哦，似乎还有其他地方发明的技术可以被使用。”
帮助我找到解决问题的方案。“再说一次，如果我早些时候提到过。
你考虑癌症本体，PPP3蛋白，如果你，想象新底盘、艺术音乐。
这些都是通过重复使用、使用而产生的新组合。
组合和新的方式或重新使用现有技术和新的方式或发现多样化。
组合在一起。这个本质可以通过整合信息孤岛来帮助去中心化。
技术，通过以新的方式结合它们。
那么，让我们看看我们的直觉是否正确。再一次。
我们可以衡量公司的创新结构。
所以在这里，我们使用机器学习来理解机器学习。
在这里，我们在共同创作网络上使用社区检测算法。
基本上，它捕捉到这个图中有多少组以及它们的连接程度。
它们彼此之间的关系。在一个高度分散的谷歌世界中。
你会看到去中心化的高测量值，而在集中化的苹果世界中，你会看到高价值。
集中化。我想指出这与正式层级不同。
首先，它们非常难以捕捉。其次。
它们可能无法反映人们真正的工作情况。
仅仅因为你和另一个曾多次合作的人在一起。
重新组合成不同的组织，并不意味着你们不会再合作。
你不会考虑新的专利申请。它们可能在某种程度上会影响。
但这不会产生如此剧烈的影响。所以这里我们实际上捕捉到了人们真正的合作方式。
真实的。
人们如何共同创新。所以我在查看他们在专利上的共同署名。
这是分散创新的分布。所以再说一次。
高价值意味着你非常分散，低价值意味着你非常集中。再说一次。
你可以看到公司之间的巨大光谱。有些公司非常分散，有些公司非常集中。
你会看到这里有一个零的尖峰。我宁愿从不申请专利。所以我们就这样。
默认情况下这是零。但如果你需要超过零的列。
你会发现分散程度相当广泛。
你可以用这个指标来衡量你自己的组织结构。
你可以看到你结构的正式层级，这与什么不同。
非正式的协作结构实际上是由员工自己完成的。
而且你可以，因为作为你自己的公司，你不需要仅使用公共数据，比如生产。
你可以查看商标、设计团队、白皮书和出版物。
他们共同创造的所有内容可以帮助你衡量公司的实际内部协作结构。
你还可以看到这个结构如何与竞争对手不同。
你可以查看自己的专利共同署名网络。这是你的合作模式。
并将其与竞争对手进行比较，看看你如何不同地组织你的活动。
从竞争对手那里。当你查看数据分析，如果你查看AI投资。
这些技术补充了公司的分散创新结构。
这意味着分散的创新结构通过投资受益匪浅。
在AI和分析投资方面。不仅他们更可能采纳。
当他们一起采用这两者时，意味着他们同时投资于AI，并且拥有分散的创新结构。
它们更具生产力，而只投资于AI或仅投资于去中心化的公司。
它们的生产力提高了大约3%。这差异相当大。
考虑到这些行业的竞争性。我们查看了最近几年和早期几年之间的事实。
而且这个事实在近年来甚至更加强烈。
这家公司学会了如何在分析和AI创新中进行部署。
但是结构非常重要。数据分析和 AI 可以帮助去中心化创新结构。
他们可以比集中结构做得更好。
好的，我向你展示了 AI 如何支持去中心化，更好的去中心化。再一次。
其中有细微差别。它不会支持所有类型的创新。
它将支持一种特定类型的创新，正如我之前提到的那样，那就是。
以新的方式组合现有事物。重新组合创新。
多样的组合创新。我之前提到过，新的组合是将现有的事物结合在一起。
以一种新的方式看待技术。例如，在我们之前的例子中，我们有四种技术：A，B，C。
和 A，B。你可以考虑新的组合，例如 B，C，将 B 和 C 结合在一起。
多样的组合，将 A，B，C 结合在一起，形成 A，B，C。好的。
因此，我们也可以以稍微不同的方式对它们进行分类，可以称之为 A，B，A，B。
C 的新组合是之前不存在的。好的，或者我们可以看到 A'，B'。
C' 只是我们对现有技术 A，B 和 C 的轻微改进或精炼。好的。
A' 将是对 A 的改进，B' 将是对 B 的改进，以及 C'。
将会是对 C 的改进。好的。我们还可以提到 D，一项全新的技术。
这是之前不存在的，或者在专利中是一个新的子类别，它将是 D，这将是一项新技术。
所以我们可以将创新分为三种类型。全新的技术可能是 D。
或者新的组合，比如 A，B，B，C，A，B，C。或者重用 A' B' C'。
我们可以将新颖性与全球或本地公司进行基准比较。从某种意义上说，我们可以说。
你是第一个平均生成名为 A，B，C 的技术的人吗？
这是整个世界上从未存在过的。或者我们可以说。
尽管我不是第一个创造 A，B，C 的人，但我首先想在我自己的行业中使用它。
你可以说是针对特定公司的本地化。因此我们可以测量这三种组合的创新性。
新组合，重用。每三种都可以在全球范围内应用。
本地化到特定公司。无论它是新的，还是全球范围内的。
以及它是否只是本地于该公司，或该行业。
在这个图中，我将展示 AI 投资的可能性。
帮助去中心化创新结构，产生所有六种不同类型的创新。
所以当一家公司去中心化，并且投资于 AI，可能性有多大？
交易一个新的全球技术类别？这是第一个图。或者在全球范围内的新组合。
或者是本地于其公司的新组合。或者是现有技术的重用。
我将逐一解释每一种。第一种是新的技术类别。
所以我们这样理解，当一家公司实现去中心化时。
创新结构，他们投资于分析，并且投资于人工智能。
这种去中心化与人工智能投资的结合是否帮助公司创造新的全球技术。
你会发现这个事实几乎是负面的。但现在看看这三张图表。
他们的分数非常高。但注意他们是什么。
第二列被称为本地新技术。这意味着这是一个全新的技术类别。
这种公司或行业之前没有见过。但这个技术类别在其他地方存在。
所以再次，你正在将这种全新的技术类别纳入世界其他地方。
并将其引入你的行业、你自己的行业以及你的公司。
最高的标准实际上被称为全球新组合。
这意味着你以新的方式结合技术。这是全球范围内的第一次。
这种组合已经存在。而稍低的是本地的新组合。
这种组合在其他行业中之前已经发生过。
但你是自己公司、自己行业中第一个这样做的人。
所以这三种类型的创新是从人工智能和去中心化中获益的关键。
平均来看，你看中间的条形图、最高的条形图和新组合。
全球组合。平均每年四项专利。从某种意义上说，如果你投资于人工智能。
然后你就有去中心化的创新结构。所以如果你有一个去中心化的创新结构。
如果使用人工智能来创新这些组合的专利，似乎确实会带来回报。
将现有技术以新方式结合，或者对现有技术进行改进。
在其他行业中已经发生的。再次，将外部创新引入你的公司。
在这三年内容中以新方式解决特定于你的问题。接下来。
我们看到重用。重用就是考虑A的改进。基本上，A的改进是轻微的改进。
现有技术A。这仍然是创新，但它是渐进式的。你会看到这个事实。
但它并不是那么大。如果你考虑一下，如果你已经。
拥有你非常熟悉的技术，如果你想逐步创造。
你可能不需要强大的人工智能技术来帮助你做到这一点。
你可能已经知道你需要做什么。因为在这里。
关于该技术的搜索领域相对较小，因此并没有真正获得太多益处。
通过使用人工智能，而全球组合你必须经历两个到最后。
组件与技术数量的关系。所以你有，比如说，1,000种技术。
你必须经历两个到1,000的组合，以找出哪个有效。
这意味着更大的搜索空间。这就是人工智能真正帮助你的地方。
找出哪些组合是有效的，哪些组合不是。
当你拥有去中心化的创新结构时，这种组合特别强大。
因为这种去中心化的创新结构确实。
需要人工智能所能提供的扩展搜索空间的额外能力。
中心化不需要太多，因为他们已经具备协调搜索的能力。
从广义上讲，某种程度上。但对于去中心化，他们恰恰相反。
需要具备广泛搜索的能力。在我们的实证分析中你会看到这一点。
这确实是关于拥有分析能力，并为去中心化创新创造新组合。
而这不仅仅是通过组合。我们还可以在技术类别之外进行检查。
在之前的测量中，我们仅依赖于专利机构分配的技术类别。
但在这里我们可以查看引用。如果你认为你的专利非常新颖。
你应该在一些专利统计中看到这一点。所以在这里我们查看专利统计。
从某种意义上讲，在第一条中，条形将是90到100。
这意味着你专利中100%或90%的引用来自你自己的公司。
所以这里完全是你现有创新的增量。所以10%，它可能是--。
我只是说我引用了10%的自己的专利，即公司自己的专利，90%来自外部。
所以我们再次进行了基于分析，关注人工智能投资和去中心化。
当你同时拥有人工智能投资时，就会发生这种情况。
你将其应用于去中心化的创新结构。结果会是什么呢？再次强调。
你会看到在40到60之间的中间范围内，获得的最大收益。
而且这表明你并不是完全从外部借用新东西，而是借用得恰到好处。
你引用的恰到好处。你利用现有技术，并且从外部引用的恰到好处。
而不是中间范围的组合。这种中等的新颖性似乎是人工智能的最佳选择。
帮助去中心化的组织结构进行创新。你会注意到非常、非常新的组织。
在图表的0%和最右侧，再次看到负面效果。好吧。
小幅但负面的效果。
这可能是因为当某样东西是全新的时候。
你可能不知道如何很好地使用它。当是半对半时，你就会。
确切知道如何以某种方式应用，以适应你自己的需求和背景。一旦它是全新的。
完全新的，你只是将它们引入外部。这似乎并没有那么有效。
比进行中间范围要好。而生产力效应，我们再次看到同样的事情。
我们看到，当你投资于人工智能并进行去中心化创新时。
你的生产力大大提升。而且在最近几年这种效果甚至更强。
所以第一条是针对所有年份的。第二条是1988年至2007年。
第三条是2008年至2013年。你会看到最大的效果确实是。
从2008年至2013年的最近几年，你会看到最大的改善。
大约提升了3%的生产力。这是那些采用人工智能并进行去中心化创新的公司。
结构的生产力比其他公司高出3%。 (嗡嗡声)。
[安静]。
P12：11_具体的机器学习方法深度潜水.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在这次讲座中，我们将深入探讨一些机器学习模型，并看看它们究竟是如何工作的。
现在，我想提醒的是，这次讲座可能比本课程中的其他讲座更具技术性。
对于那些没有数据分析经验或背景的人。
你可能会发现这次讲座比其他讲座更难理解。
我认为如果你不理解我在这次讲座中描述的所有内容也是可以的。
对这些机器学习模型的高水平理解或甚至定性理解或许足够。
并且在你与数据科学家互动时仍然会非常有用。
如果没有其他，我希望你能从这次讲座中得到这个。当然。
如果你能理解这些模型的细节。
这样在你与数据科学家互动时，它会对你的工作更有用。
所以我之前提到，归根结底。
给定任何一组输入变量x和一个结果变量y。
机器学习模型试图预测的。
机器学习算法的工作是找出某种变换或某个函数f，输入x并进行变换，以预测y。
有许多不同类型的算法，每种算法对应于该函数f的不同选择。
所以在这次讨论中，我会看一下其中一些选择。我将从逻辑回归开始。
这是最简单的分类模型之一。
这些模型对于分类或预测问题是有用的，其中结果只能取少数几个值。
例如，我们试图预测一封电子邮件是否为垃圾邮件。
所以这是一个是或否的决定。或者我们试图预测消费者是否会点击广告。
这又是一个二元决策。通常，逻辑回归是为二元模型构建的。
但将逻辑回归扩展到结果可以取多个有限小值的情况是相对简单的。
例如，四或五个值。现在逻辑回归是数据科学和统计中最有用和最流行的技术之一，是分类算法非常成功有效的方法。
现在，使用逻辑回归时经常出现的一个问题是，它是否真的算作机器学习。
特别是考虑到逻辑回归实际上起源于19世纪。
并且在统计学领域已经使用了很长一段时间。
逻辑回归确实有着悠久的历史，实际上早于一些现代机器学习的发展。
但我认为这个区分并不重要。
这是一项非常重要的技术，应该在所有数据科学家的工具箱中。
基本上，逻辑回归试图做的是给定一组输入变量 x1，x2。
x3 等等。它试图预测给定结果的概率。
现在在一个二元预测问题中，只有两个可能的结果，即邮件是否是垃圾邮件，或者信用卡交易是否欺诈。
然后逻辑回归归结为你在这里看到的函数，其中邮件是垃圾邮件的概率的对数除以1减去邮件是垃圾邮件的概率是输入变量的线性函数。
基本上，logit模型或逻辑回归模型接受输入 x1，x2。
x3 等等，并计算事件的概率。
例如，垃圾邮件的概率或一笔交易是欺诈的概率。
现在可以直观地将逻辑回归视为试图创建一个最佳拟合平面或线，从而分离我们所有的数据。
例如，如果你看看这张图表，我们有关于客户的数据。
我们有他们的年龄和收入。这两者都是均值中心化的，意味着年龄为零表示这个人的年龄等于人群的均值。
任何大于均值的年龄值在这里都是正值。
任何低于均值的年龄值在这张图上都有负值。
现在收入和年龄都在这里进行均值中心化，我们有这些数据，并且我们正在尝试预测客户是否会购买产品。
红色数据点基本上对应的是过去已经购买的用户。
蓝色数据点对应的是过去没有购买的用户。
逻辑回归基本上是在试图找出一条将数据划分为两个区域的线。
一种对应于可能购买的客户，另一种对应于可能不购买的客户。
本质上，它尝试了许多不同的方式来划分这个平面。
在这张图上有很多不同的方式来放置一条线，并找到最佳可能的线。
这就是逻辑回归试图做的直觉。
另一种常用的技术是决策树技术。
决策树是非常易于解释的模型，基本上它们的作用是利用数据创建一个树，帮助将数据划分为不同的组。
例如，假设我们在试图预测今天是否会下雨，并且我们有温度的数据。
我们有风速的数据，也有气压的数据。
现在我们可能会使用过去的数据，其中输入数据指的是某一天的温度、风速和气压，输出数据指的是那天是否下雨。
决策树查看数据，并创建一棵试图预测是否会下雨的树。
在这棵树中，你会注意到这个决策的第一步是问温度是否大于70华氏度。
如果答案是肯定的，那么接下来决策树会查看风速，然后根据风速继续进行。
但是如果温度不大于70华氏度。
它再次查看风速，但它关注的是一个不同的问题，即风速是大于还是小于4。
5英里每小时。它以这种方式继续进行，直到最终做出是否会下雨的预测。
当然，这里自然会问，这个模型到底是如何决定在每个分支上选择哪些变量进行分裂，以及使用哪些值的。
例如，为什么树在第一分支决定问温度是否大于70华氏度？
为什么不是60华氏度？这个问题的数学答案是决策树选择变量和分裂，以最小化数据集的熵。
用非常简单的术语来说，想法是选择一个变量或分裂树的方法，以便你拥有最大的预测能力。
在树的第一分支中，决策树将考虑我们所有的变量。
这意味着它会考虑气压、风速和温度。
它会试图找出哪个因素对下雨的预测最有效，并将其作为树的第一分支。
它以这种方式继续进行，每一步都在问如何划分数据，以便我们可以最好地预测结果。
这就是决策树的工作原理，并且它们在实践中实际上效果很好。
另一个常用的机器学习技术是随机森林。
随机森林是所谓的集成算法的一个例子。
这些算法结合了多个其他算法，以进行预测。
随机森林将多个决策树结合在一起，以做出预测。
随机森林在实践中实际上非常有效，因此在机器学习和数据科学家中也很受欢迎。
机器学习的基本思想是将任何数据集随机划分为一堆更小的子数据集。
对于数据的每个子集，你可能会训练一棵决策树，试图在可用数据的子集上做出最佳预测。
现在，一旦你有多棵决策树，每棵都在试图根据可用的子样本或数据子集做出最佳预测。
然后我们最终结合所有这些决策树的预测，结合的预测成为随机森林的预测。
因此称为随机森林，因为它结合了多个决策树。
所以我们再考虑一个例子。在这个例子中，我们有一个非常大的数据集，包含许多特征或输入变量。
现在，随机森林算法可能会将数据集分成多个子样本。
每个子样本可能具有不同的特征集。
所以第一个决策树是基于该子样本中的可用特征构建的。
第二棵决策树是基于该子样本中可用的数据构建的，类似地，生成了大量决策树。
每棵决策树尝试做出预测。例如，每棵决策树可能会预测给定的信用卡交易是否是欺诈。
随机森林结合了所有这些决策树的预测。
例如，可以通过使用多数票或最受欢迎的预测来选择作为森林的预测。
这就是随机森林的工作原理。值得注意的是，随机森林中的每棵决策树实际上都使用数据的一个子集。
因此，每棵决策树不如基于完整数据集构建的决策树那么优秀。
但当你将多个决策树作为随机森林的一部分结合在一起时，它们的表现通常在实践中优于在完整数据集上构建的单棵决策树。
在某种程度上，这就像群众智慧或预测市场。
预测市场或群众智慧的背后理念是，如果你结合一群外行人所做的预测，那么群体的结合预测有时会等于，甚至可能超过专家的预测。
非常有趣的是，一群外行人加在一起可以超越专家的预测，尽管这些人单独来看无法超越专家。
这是因为每个外行人拥有不同的信息。
具有不同的决策标准，当我们将它们结合时，我们开始得到一些看起来像专家或真正智能的东西。
随机森林类似于拥有多个决策树，每棵树都可以访问部分数据，并根据每棵树可用的数据做出决策。
每个决策树都不是一个很好的预测模型，但当你将这些模型结合起来时，你会得到一个高效的随机森林。
这部分原因解释了为什么随机森林表现良好，并在实践中被广泛使用。
接下来我们来谈谈神经网络，这是一种先进的机器学习技术。
神经网络在某种程度上受到生物神经元的启发。
现在我们大脑中的神经元从其他神经元接收输入，对这些信号进行一些转换，然后将新的信号传递给与之连接的其他神经元。
同样，一个数字神经元可能从其他神经元接收输入。
它接收这些输入并对其进行一些转换。
所以在这个幻灯片的例子中，输入是值x1，x2，x3，一直到xn。
每个输入都有一个权重应用于它，所以你有w1，x1，w2，x2，w3，x3，等等。
最后应用一个变换f，生成一个新信号或新值，这就是神经元的输出。
神经网络本质上由许多相互连接的神经元组成，形成一个网络。
深度神经网络是一种特定类型的神经网络，其中神经元按多层的形式组织。
让我们考虑一个例子。假设一个人试图使用神经网络，特别是深度神经网络，进行面部识别。
这个神经网络的输入可能基本上由一组神经元组成，这些神经元对应于该图像中不同像素的像素值。
如果这是黑白图像，则每个神经元可能对应于该图像中像素的值。
如果是彩色图像，则可能与该像素相关联的是RGB或红绿蓝值，神经元可能捕捉这些像素的值。
这个深度神经网络的最终层基本上具有我们希望从神经网络中获得的输出。
例如，假设我们试图识别人的面孔，那么最终层可能有我们试图识别的人的实际名字。
在这张图中，我们在最终层只有三个神经元，所以我们假设我们正在面部识别任务中识别三个人。
在输入层和输出层之间是一系列隐藏层。
现在，在生物神经元中，当某些神经元组合激发时，会导致与其连接的某些其他神经元也激发。
类似地，在神经网络中，基于一层神经元的值，下一层的某些神经元会被激活。
因此，基于输入图像中像素的值，输入层中的某些神经元被激活。
现在，基于输入层中激活的神经元模式，紧接着的隐藏层中一些非常特定的神经元被激活。
反过来，基于在隐藏层一中激活的神经元，下一层中的某些特定神经元被激活。
这一过程以某种方式进行，直到倒数第二层激活了某些神经元。
希望通过这些激活系列，我们能够捕捉到人脸的某些特征。
例如，在倒数第二层，如果一个人的脸形状是椭圆形，则可能会激活某一层。
如果他们的脸形状更圆，则可能会激活不同的神经元。
如果他们的眼睛形状像杏仁，则可能会激活某些层。
如果他们眼睛的颜色是某种方式，则会激活某些神经元。
基于激活的神经元组合，我们可以识别出这个人的脸。
这就是神经网络背后的思想。现在，期望是这种神经元激活模式捕捉到人脸的某些特征。
最终，基于激活的神经元模式，我们做出预测，即在给定图像中到底是谁。
近年来，神经网络已经变得非常成功。
在许多在线机器学习竞赛中，使用大型数据集的神经网络实际上表现得非常好。
当输入数据由图像、音频或视频等非结构化数据组成时，这一点尤其真实。
现在，如果我们看看神经网络为何如此成功，观察其结构时，我们会发现它有许多层。
在给定的一层内，有很多不同的参数，例如从前一层输入的所有不同信号所分配的权重。
功能形式或转换。确实存在许多参数，使我们能够构建非常复杂的模型，以便对于任何输入 x，转换 f(x) 可以相当复杂。
此外，最近在计算能力方面取得了很多进展，专用处理器称为 GPU 已经被开发出来。
已经开发出专门的算法，使神经网络能够拥有越来越多的层，并允许我们构建复杂的模型。
然而，这些模型的估计可以非常迅速。
尽管神经网络具有强大的能力、灵活性和高预测性能。
另一方面，神经网络的解释和理解可能非常困难。
例如，我们可能知道输入层，也可能知道输出层，但中间层对我们来说很难解释。
我提到的人脸识别任务，期望中间层捕捉到的概念如脸的形状或眼睛的形状。
在实践中，情况并非总是如此。因此，查看前面的层并不能让我们理解神经网络为何做出某个特定预测。
因此，即使你拥有非常准确的模型，这些模型的可理解性也不高。
现在计算机科学领域正在进行很多工作，试图构建更易解释的模型，或者让高性能的神经网络模型能够更好地解释它们的决策。
我们将在后面的模块中讨论解释方面的挑战。
现在我在这次讲座中提到了一些不同的机器学习技术。
这些绝对不是详尽无遗的，也并不代表大多数技术。
还有许多其他技术，例如提升技术。
支持向量机。即使神经网络也有许多不同类型，还有其他回归技术。
所以回归技术可能只是普通的回归。
还有其他更高级的回归技术，比如LASSO和Ridge加权回归等。
关于这些技术的详细讨论，我建议你查看计算机科学课程或机器学习课程，这不在关注AI商业影响的课程范围内。
所以我不会深入探讨这个模型，但希望你对这些机器学习技术处理输入数据的方式有个大致的了解。
它们进行预测，通常基于过去交易或可用于训练这些算法的过去数据中的干净标记数据。
[BLANK_AUDIO]。
P120：19_员工分散.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在我们最后的视频中，我们学习了有效的人工智能或创新。
具体而言，我们研究了你的公司应该如何构建创新以获得。
从分析和人工智能中获益最多。我们发现人工智能分析可以补充去中心化创新，提高公司的能力。
创建重组创新。在这个视频中。
我们将讨论公司应关注哪种技能，以便。
这些数据分析技能应来自哪里，以及如何组织这些技能以。
如何最好地促进你公司的创新？一方面。
人工智能技能和数据分析技能需求很高。正如你在前面的幻灯片中看到的那样。
你会看到，人工智能技能和数据技能随着时间的推移显著增加。
特别是在过去10年里。一方面，相应的策略应该很好。
如果人工智能技能对创新很重要，我们应该雇佣更多具备人工智能技能的人，尤其是。
研究人员的人工智能技能在创新和活动中至关重要。
这可能真的很难做到，且非常昂贵。
我们正在招聘一位药物创新专家，同时我们也非常精通人工智能。
这可能很难找到，而且如果你找到他们，可能会非常昂贵。
去雇佣他们。或者你可以雇佣任何具备人工智能技能的人。
如果是这样，你会把它们放在哪里？那么，拥有人工智能技能的发明者有什么重要性？
或者这并不重要，你可以雇佣任何具备人工智能技能的人，他们可以帮助研究人员。
使用人工智能进行发现。所以我们确实对此进行了精确的研究。
在这里我们研究了也具备人工智能技能的发明者。
我们还关注了公司中也具备人工智能技能的一般非发明者。
我们研究了哪种类型的员工对人工智能输出和生产力贡献更大。
有趣的是，你看到，关于人工智能技能和发明者，虽然数量庞大，但实际上很。
而且还很高。因此我们不能真的判断这一事实。
不过好消息是，如果你看看非发明者的人工智能技能，其实相当。
强效，几乎与具备人工智能技能的发明者一样强，但在。
在某种意义上，他们的技能非常低。首先。
我们不能真的判断发明者的人工智能技能是否重要，但。
我们可以明确地说，非发明者的人工智能技能确实很重要。
所以好消息是，你不需要雇佣那些同时也是发明者的人工智能技能人员。
你可以雇佣懂得人工智能技能的人，帮助这些发明者利用人工智能技能。
帮助他们发现需要做的事情，并帮助他们实现创新。
目标。所以好的消息是你可以广泛聘用AI技能。
不一定是研究人员具备强大的双重技能。
AI技能应该集中在一个部门，还是应该嵌入到。
不同的功能部门？这是一个有趣的问题，因为IT，传统上。
信息技术部门通常集中在一个部门内。
是由CIO管理，还是由技术负责人管理？
这通常是公司如何管理其IT资源和IT部门的方式。
应该为应用或管理AI技能使用相同的配置吗？
或者应该让公司去中心化AI技能，将其嵌入到特定功能团队中，具体。
产品团队，特定功能部门？好吧。
这并不是显而易见的答案，因为公司往往会采用两种方式。
例如，Twitter最初在一个部门内集中其AI技能，就像。
你知道如何组织IT技能。他们创造了许多有趣的工具和产品，他们相信这些工具。
可以帮助Twitter的团队。不幸的是，大多数产品团队实际上并没有找到这些工具。
AI，集中化的AI团队被认为非常有用。所以经过几年。
Twitter决定通过嵌入AI技能来去中心化他们的团队。
在功能团队内部帮助每个产品利用AI实现他们的目标。
这不仅适用于科技公司，通用电气也经历了类似情况。
在与通用电气的研究主管交谈时，该人士告诉我。
对通用电气而言，将行业专家与某个具备的人员搭配是最优的。
需要高数据和AI技能来启动他们的产品创新。
行业专家可以提供直觉和专业知识，以提供足够的背景和。
解决与公司相关的问题。具备AI技能的人可以帮助解决这些问题。
理清要使用什么数据，如何实施。
因此，拥有上下文知识非常重要。AI是一种通用技术。
它可以用来解决问题，但你需要很好地定义问题。所以首先，再次。
通用电气（GE）将AI技能集中化，但发现效果并不好。解决方案。
他们开发的产品很漂亮，但对于他们的产品团队来说并不太实用。
因此后来，GE通过将专家与具备AI的人员搭配来实现配置的去中心化。
技能。
所以我们实际上更深入地观察了这一现象。
所以这只是针对GE或Twitter的特定情况。
我们实际上观察了七个功能组的数据技能分布。
这些功能组在这些服务中是典型的。
我们查看了制造部门、工程、销售和市场、人力资源。
排名第四、第五的是会计和财务，第六是研发，第七是行政。
这七个职能通常出现在所有公司中，我们查看了数据技能的情况。
在七个群体之间分散。我们同时关注了行业内部和跨行业的比较。
我们一般看一下这些是如何分布的。再次强调。
我们服务约600家公司，并查看了分散问题及其对应的。
调查结果如下。问题是你在以下每个群体中使用数据分析的程度如何？
我们要求他们对七个职能中的每一个说出是频繁还是不频繁。
我们还观察了全球所有公司，或仅美国公司、仅欧洲公司。
仅亚洲公司。你会发现不同国家之间没有显著的异质性。
跨越世界的不同地区。因此，数据技能应该分散、数据应该集中并不是很明显。
这是按行业划分的分散得分。因此，基本上，如果你有非常高的分散得分。
这意味着你的数据技能在七个职能之间分布得相当均匀。
如果你的分散得分很低，这意味着你高度集中于。
在一个或两个部门中的数据技能。因此，这是按行业划分的中位数数据分散得分。
我们将各种行业分类后进行观察。
最高的是企业管理，86.4%的这些公司存在这种情况。
一个高度分散的得分，意味着数据技能在不同的领域中高度分散。
公司内部的职能。我们发现医疗保健和社会系统行业的得分非常低。
意味着他们的技能或AI技能仍然相对集中在少数部门中。
确实存在行业差异。这是按区域划分的得分集聚情况。
你可以看到在中间一列的数据显示，欧洲实际上是。
在美国的分散性更大，而APAP大约在中间。
你还可以看到与资本相关的另一类数据，右侧是与人力相关的数据。
资本在各地区基本相同。而且你可以看到数据决策。
欧洲的得分稍高，而美国的得分稍低。
不同地区和行业之间的得分确实存在集聚现象。
如果你看这些得分，平均值可能是相同的，但它们的方差却非常。
非常大。所以这表明确实存在异质性。
人们尚未完全弄清楚如何组织数据技能。
所以我们实际上研究了这一现象，并检查了分散的程度实际上是。
对公司是有利的。所以我们实际上发现，推特和通用电气的典型例子是正确的。
从某种意义上说，当公司将其人工智能和技能分散到不同功能时。
通过将它们嵌入不同的功能或产品团队，这些公司。
比未这样做的公司要有效得多或生产力更高。
平均来看，一个标准差以上的偏差和离散度得分约为。
企业价值提高3-5%。考虑到样本中这些公司的规模，以及中型企业的3-5%变化。
我们样本中的公司，所以$10.7亿的3-5%变化在320到$534百万之间。
所以这是一个实质性的变化。因此，再次强调，百分比的上升可能较低，但转换为一个大数字。
一个百分点、三个百分点、五个百分点是一个巨大的。 [沉默]。
P121：20_管理实践.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在上一个视频中，我们讨论了公司实践，例如组织结构和技能。
应该是分布式的。在这个视频中，我将讨论其他管理实践和员工管理。
与人工智能相关的实践。这实际上是由人工智能及其相关领域的增长所驱动的。
过去几年的投资增长非常迅速。
这如何改变员工的构成？具体来说。
管理者应如何应对对人工智能日益增长的投资？
那么，哪些公司实践是为了适应这一变化？不仅仅是为了创新。
但总体而言，这种快速自动化涉及各种类型的工作。
你可能在大众媒体上听到过很多关于机器人的文章。
人工智能和机器人在就业和管理实践方面可能造成巨大的动荡。
你可能听过很多关于机器人的工作文章，机器人现在可以。
然后人工智能机器人会摧毁我们所有的工作，而我们还没有准备好。
这篇文章已在《外交事务》、哈佛商业评论，甚至政策制定者中发表。
欧盟提出了一种机器人税。在2020年的总统竞选中。
德布拉西奥著名地提议在佛教竞选中征收机器人税，然后就此终止。
比尔·盖茨也提议也许机器人应该像人类一样征税。
这些听起来很有趣，但从根本上说，我们实际上不知道人工智能的影响程度。
机器人确实影响就业，管理实践需要在多大程度上进行调整。
以适应这些变化。因此，在我们开始任何政策影响之前。
我们实际上应该有确凿的事实，关于人工智能和机器人如何改变工作的性质。
我们实际上在整个加拿大进行了全国范围的研究。
我们实际上详细捕捉了特定公司中的所有机器人采用情况。
而且这项研究再次使用了税收数据和人口普查数据。
这意味着几乎所有公司都需要响应合规性。因此我们大约有80%。
加拿大90%的公司参与了调查。你可以看到，与制造业相比，服务业的机器人采用正在迅速增长。
所以这与我们之前的想法有些不同，机器人确实在影响着我们。
制造业。但在这里，我们实际上看到服务业的机器人采用速度增长。
尤其是在近几年。当然，你会看到机器人最大的采用者之一是制造业。
你会看到在其他行业，重型机械行业的情况。
你还会看到医疗、科学研究等领域的增长非常迅速。
也涉及其他服务。因此，这不仅仅是一个制造业的故事。
但这实际上是一个全球经济的故事，包括制造业和服务业。
所以我们看到，机器人或人工智能的采用在一段时间内显著增加。
而人工智能可能会反映出这种采用模式，增长可能会更快，因为它是新一代。
人工智能在主流中变得越来越常用。在我们的研究中。
我们实际上看到与机器人采用相关的生产力相当高。
实际上是10倍的因子份额。那么这意味着，如果你采用机器人并保持完全平衡。
你应该得到你机器人价值的确切数字。这类似于投资的多少。
但我在这里告诉你的是，与机器人选择相关的生产力是其价值的10倍。
时间因子份额。所以这意味着与机器人相关的生产力有巨大的提升。
这种分散程度相当高。一些公司在使用机器人方面表现得非常好，而另一些则不然。
这表明与机器人采用相关的补充性组织变化正在发生。
让我给你一个关于机器人和就业现状的概念。
我们将其分解为就业和管理者两个方面。
所以，与流行说法“机器人会消灭所有工作”的相反，你可以看到左侧。
这基本上是事件研究，你可以看到零就是你引入的那一年。
引入机器人和在引入机器人之前的员工数量。
所以负二表示在你引入机器人之前的两年，作为一个公司或正在引入的公司。
正值两表示在你引入机器人后的两年。
Y轴表示机器人对就业变化的影响。
你可以看到在公司引入机器人之前，几乎都是徘徊在零附近。
当他们没有投资任何机器人时，机器人不应该对就业产生影响。
在零的地方你会看到就业的增加。在两三年后逐渐上升。
即使在五、六年后保持平稳，它的水平仍高于最初的水平。
所以这实际上与流行说法相反，机器人实际上在总体上增加了就业。
但这种效果并不是均匀的。如果你看看右侧的图表。
你几乎可以看到完全相反的模式。但是这个图表并不是在衡量总就业。
你在衡量有多少管理人员，在你引入机器人之前和之后。
所以在你引入机器人之前，它仍然徘徊在零附近。在你引入机器人的那一年。
管理类就业已经大幅减少。它在一两年内保持了一些平稳，之后又在第三年大幅下降。
或者四。这与我们所想的不同。那么为什么机器人会增加就业而减少管理岗位呢？
这似乎几乎是反直觉的，因为管理者的定义就是管理其他人。
我们怎么能用机器人来替代他们呢？机器人真的成为我们的管理者了吗？这里到底发生了什么？
这不是统计上的偶然。如果你看看两类公司之间的管理人员。
采用机器人的公司，蓝线，实线蓝线，以及不采用机器人的公司。
红色虚线。我们绘制了管理员工的比例随时间变化的情况。
你可以看到采用机器人的公司逐渐减少了经理和员工的比例。
而不采用机器人的公司，经理的比例基本保持不变。
所以这实际上是关于采用机器人的公司正在发生变化。
而不是那些不采用机器人的公司。那么为什么经理们会这样？好吧。
也许是因为经理真的很贵。所以也许如果你想削减成本。
你想首先摆脱他们。有趣的是，我们实际上可以测量这一点。
在我们调查的部分，我们实际上问了这个问题，以下哪些因素是。
关于你们工作场所一般商业战略的相对重要性？
我想问的一个问题是，降低劳动成本是否真的重要的战略。
优先事项或改善产品服务及其他一些事项。
注意，当我们将降低劳动成本作为战略优先事项与机器人采用联系起来时。
事实的大小是零，几乎没有两者之间的关系。
但是如果你坚定的战略优先事项是改善产品服务，那就非常重要。
与采用机器人倾向相关。所以这里并不是关于削减成本的问题。
但这实际上是关于公司如何改善产品服务，这最终驱动了采用机器人的公司。
所以这并不是关于经理真的很贵。
那么为什么人工智能和机器人对管理员工以及管理层有深远的影响？
实践？这背后的真正原因。
首先，记住我之前给你展示的图表，它最初显著下降。
然后在两年后达到平稳状态并再次下降。
如果你考虑自动化技术是由机器人和人工智能推动的，很多报告。
工具就像谁按时出现，是否完成了他们应该做的事情，打卡。
可以打卡，这些类型的工作可以相对容易地通过技术管理。
所以这让很多经理从事其他类型的工作。
监督角色实际上减少了很多。
所以可能对技术的影响是直接的。基本上技术。
我们扮演了一些管理职能。但他们仍然在管理人员。
技术可以捕捉一些监控技术，可以捕捉某些方面。
其中一些是监督角色，但不能捕捉到全部，甚至不是大部分。
记住两年后还有另一个下降。这很可能是因为就业组成发生了根本变化。
在机器人被采用后发生了变化。我这是什么意思？
所以我实际上按他们所具备的技能类型对总就业进行了细分。
他们受过高等教育吗？他们是中等技能还是低技能？
高技能工人则是拥有大学学位或研究生学位。
中技能工人是指你高中毕业后拥有一些技能。
一种认证。两年，两个学位，某种职业技能认证。
低技能工人是指只有高中学历或更低的人。好的。
如果你观察机器人对高技能、中技能和低技能工人的影响，看看如何。
他们看起来不同。第一个条形图只是总就业。我已经给你展示过了。
这里的每个条形图显示的是机器人对高中总就业的影响。
员工包括中技能员工和低技能员工。因此每个条形图显示的是效果。
注意到高技能工人的需求显著上升。对高技能工人的需求在机器人之后增加了很多。
与低技能工人相比，数值要小得多。低技能工人的数量也增加了很多。
所以高技能的增加远超过低技能的增加。
但注意到中技能工人的条形图是一个大负数。
尽管机器人提高了所有工人的失业率。
效果是多样的，你会看到一个巨大的影响。
对低技能工人有积极影响。对高技能工人也有一些积极影响。
但对中技能工人影响非常负面。
这很成问题，因为这改变了管理者所需的人才类型。
现在管理，进行监督。当就业构成发生如此大的变化时。
你所需的管理者类型也需要进化。
那么，管理高技能和低技能工人意味着什么呢？
管理中技能工人将会非常不同。
低技能工人的工作非常标准化。
你可以考虑亚马逊仓库的拣货和打包。你有相机，你知道的。
看向外面，准时到达与否。你可以在产品上放置每个扫描码。
你知道到底有多少箱产品和流程。
所有这些都可以追踪和监控。所以你可能不需要很多监督者来教低技能工人如何做他们的工作。
工作。几乎不需要培训，而且大部分都是标准化的，可以通过技术轻松监控。
与中技能工作相比，你可能需要更少的监督者。
但管理高技能工人也很不同，因为这些人可能。
专家本身。他们可能比监督者和管理者更了解如何做好自己的工作。
所以他们的管理者可能更像是顾问、教练，帮助他们。
按照应该的方式完成工作，而不是告诉他们具体怎么做。因此再次。
管理高技能工人所需的管理者类型或管理技能。
与中技能工人相比，可能会有很大不同。因此再次。
因为这种就业构成变化，你会看到低技能工人明显增多。
而且许多低中技能工人其实是中等高技能工人。
你确实需要不同类型的管理。
因此，结果是，你会看到平均而言，管理者数量减少。
这主要是因为大部分就业增长来自于低技能工人。
如果大部分就业机会都流向了高技能工人，结果可能会有所不同。
你可能没有看到管理者数量剧减。这是之前的情况。但无论如何。
我们管理的人员类型可能会有所不同。因此。
你所需要的管理者类型是不同的。数量减少。但更重要的是。
企业的运作方式正在改变，以适应或与机器人采纳共同发展。因此，具体来说。
我们考察了三种不同的企业实践。首先我们看控制范围。
平均而言，一个经理能管理多少人？
因此，如果我们的结果是正确的，意味着员工人数大幅增加。
平均而言，管理者数量减少，控制范围也应该增加。
在单个经理之下的人数大幅增加。我们独立测量过，询问经理他们管理多少人。
我们已经独立确认控制范围确实增加了。
因此，管理者必须管理比以前更多的人。
我们还关注工作可预测性。你在什么时候需要工作，实际上能预测到多大程度？
如果你考虑到机器人正在处理所有可预测的部分，你会记得。
AI机器学习是一个极好的预测工具，能够挖掘我们以前未见的模式。
并利用这种模式预测接下来会发生什么。
如果所有可预测的元素都将由机器人完成，可能会留下工人。
在所有不可预测的部分中。而且你确实看到，在引入机器人后，工作和可预测性大幅提升。
这也表明工作性质正在发生变化。最后。
如果你考虑到机器人可以减少生产中的方差，你会记得。
机器人使用算法可以不断重复同样的工作而不感到疲惫，且没有。
上洗手间时，不用休午餐。
他们可以在黑暗的房间里24/7工作，而不需要ECU。这种减少的方差也可能意味着你生产的东西可以被。
这更多地归因于你的努力和能力，而不是一些随机噪声。
因此，现在企业可能能够更准确地捕捉到你的具体贡献。
生产过程。因此，更容易将你的表现归因于你实际付出的努力。
个人薪酬表现也可能上升。我们确实展示了在引入机器人后，绩效薪酬有所增加。
但这些又在不断演变。我们仅仅触及表面。
但总体来看，我们确实看到机器人正在显著改变企业的运作方式，尤其是在如何方面。
人们是如何被管理的。最后，我想让你看到这种戏剧性的变化不仅仅与人有关。
但是，决策权分配。谁在公司中为这些任务做决定？
你可以看到，机器人采用也在改变谁决定什么。
所以在第一个问题中，我们问谁决定谁接受什么培训？
在机器人采用之前，这就是我们看到的。我们看到中层管理者的情况。
管理者在你应该接受什么培训以及其他方面的决策上减少了很多。
你应该接受培训的内容。员工大多在为自己做这些决策。
在最左侧的条形图中，有九位管理者。因此，决策权正在从管理者转向非管理者，涉及什么类型的决策。
他们需要学习的内容，他们需要培训的种类。
对于CEO高层管理，这一事实几乎为零。
所以这真的是关于将决策权去中心化，从管理者转向非管理者。
我们也看到生产技术选择的决策权。
谁在决定使用什么生产技术？
在这里我们再次看到管理者失去决策权。
我们看到管理者不再像以前那样做决定，因为这一决策正在转移。
针对CEO、高管及其管理者。我们看到对于非管理者。
在这里几乎没有影响。对于管理者，中层管理者，所有者的数量大幅减少。
在CEO层面，这一决策权已经上升。你可以看到管理者的数量不仅在减少。
而且他们的职责也发生了根本变化，决策权也在集中。
去中心化的方式。
这个故事比以前微妙得多，因为当我们思考时，机器人和人工智能并不是应该。
改变管理者，因为他们管理其他人，人们管理其他人。我们还没有。
机器人能够执行管理任务的事实有点超乎想象。
但在这里我展示的时候并没有那么难，因为机器人可以做很多管理者能做的事情。
但从根本上说，因为管理者的类型和员工的类型都发生了变化。
这最终意味着所需管理者的类型是不同的。当你采用机器人和人工智能时。
这不仅仅是将现有系统插入、取出现有的，而是简单地将人工智能插入。
你实际上需要审视整个过程，因为会有连锁反应。
你所做的每件事，关于决策权、雇佣、流动性以及所需管理者类型。
各种公司实践和薪酬等。
所以说重要而深刻的决策，为此你需要弄清楚影响因素。
这些技术真的在改变吗？你该如何适应这种变化？
所以我给你一些想法，可能在哪里。但对管理者来说，具体审视他们的上下文是非常重要的。
这些过程正在变化。如果管理者认为这些技术会带来改变，可能会看到一些抵抗。
可能会取代管理者。这可能会造成一种情况，促使公司采用机器人或不采用。
而这实际上正是我们数据中某些两个案例发生的情况。
我们实际上看到，采用机器人的公司生产力远高于其他公司。
比非机器人采用公司雇佣更多的人。不论损失是什么。
不论你在大众媒体或早期研究中看到的损失是什么。
国家行业水平的研究表明，随着就业损失，实际上来自于。
不采用机器人的公司正在失去市场份额，失去竞争力，因为他们。
不管什么原因，没有采用机器人。
可能是来自于工人的抵抗，也可能有其他许多原因。但再一次。
机器人采用和人工智能并不是一个小的决策。
这对组织产生涟漪效应。最终得出的结论是管理者工作的性质正在改变，实践也在不断演变。
因此，我们已经证明，采用机器人技术的公司提高了生产力并雇用了更多人。
但仅适用于已经采用的公司。没有在同一部门采用的公司实际上经历了更大的就业损失。
我们看到这确实向管理者展示，机器人与更少的。
经理们雇佣更高的流动率，这不是由成本驱动的，而是由质量驱动的。因此。
机器人采用后人员的类型与之前的人员类型截然不同。
你提前管理的人。这意味着你会看到更多与管理相关的决策变化。
持续监测这一变化的发展并根据情况进行调整非常重要。
你的特定公司。
谢谢。[静默]。
P122：21_AI和药物的例子.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在之前的视频中，我解释了AI如何影响创新，以及哪种类型的创新。
组织结构、实践、雇佣变化、管理变化都是相关的。
企业需要有效利用AI，这可能听起来有些抽象。
尽管我立刻给了你许多例子，例如IBM Watson，Hallosine。
汽车底盘、艺术。让我深入探讨药物行业或制药行业，以便提供。
我给你一个例子，说明在药物领域究竟发生了什么。药物创新非常重要。
尤其是在我们刚经历疫情之后。总共有大约30种。
由各种细菌和病毒引起的000种疾病，只有三分之一可以治疗。
药物的生产成本极高，通常需要超过10年。
一种典型药物的生产成本为20亿美元，部分原因在于。
药物发现的复杂性是非常、非常、非常大的。
人体生物系统极其复杂，涉及到更多的组合空间。
超过10的60次方分子。
因此，我们看到了COVID-19疫情和超级细菌，抗药性。
超级细菌，我们几年前见过埃博拉疫情。
我将向你展示AI如何可能解决这些问题。
这是许多制药公司，无论大小，心中关注的问题。
对他们来说，AI具备纠正和解释外部数据并从中学习的能力。
数据并利用这些学习来实现特定目标，税收是至关重要的。
那么，AI对药物的影响是什么？我们如何使用AI来利用已知药物化合物的数据，并预测该化合物。
实际上，能否开发出人类可以安全消费的药物？
Atomize和许多其他初创公司开发了复杂的深度学习神经网络。
在我们关于药物、生物相互作用等丰富数据上进行了部署。
医学。由于这庞大的数据集。
两种新的药物化合物可以被发现用于埃博拉。
一周内识别出这种疾病，并提交了相应的专利。
这实际上对于许多其他情况也是相当典型的。
这就是制药行业的AI投资，它反映了一个更大的趋势。
尤其是在最近几年，制药公司在AI方面的投资巨大。
我们真正感兴趣的是药物作为创新。
AI在多大程度上能真正帮助解决这个漫长复杂的创新过程？
并且请记住，在我们的综合研究中，我们展示了AI在发现重组方面确实很出色。
关于创新或中等新颖性，从引用来看，AI在最佳位置表现最佳。
50-60%来自你自己的知识，40-50%来自他人的知识。
我们为药物新颖性进行了复制。所以在这里，药物新颖性是通过化学新颖性来衡量的，具体是它的结构如何。
相较于所有这些相同的化学化合物，它是新颖的。有趣的是。
我们发现非常相似的事情，尽管它的测量并不完全相同，涉及重组。
然后我们发现一般来说，AI在中间范围内表现很好。
所以AI在寻找你之前从未见过的全新化学化合物时并不是很好。
对于增量创新是有效的，但效果并不显著。但书中最大的内容是与中等水平有关。
AI确实可以帮助制药公司找到药物和中等水平的新颖性。
如果你考虑中等水平的新颖性，它可能会是某种类型。
关于重组创新。
请记住，AI和分析实际上是一个模式机器。
它发现各种相关性，并利用这些相关性进行预测。
但我们都知道相关性并不等于因果关系。如果你找到错误的相关性。
这意味着在药物行业中一个20亿美元的错误。因此即使它可以提出很多、很多的方案。
有许多潜在的化学化合物可以解决某种疾病情况。
许多相关性可能只是虚假的。它可能是错误的。
那么我们如何知道哪个是哪个呢？因为事实可能会很戏剧化。
如果目标或化合物错误，AI可能对药物创新产生负面影响。
被选为进一步开发的药物。所以我们通过将这些药物化合物分类来研究这个问题，以了解我们知道些什么。
机制对它们如何针对或治疗疾病的影响，或者如果我们不知道机制。
所以我们观察AI对这些药物或我们发现的新化学化合物的影响。
通过AI。所以第一栏是当没有找到机制的情况。
所以我们不知道这个特定药物如何针对这些机制。
但我们知道许多药物有效，但我们并不确切知道如何。如果我们确切知道如何。
也许创造药物会更容易。这就是为什么我们有时许多由病毒引起的疾病很难治疗的原因。
机制的转变，我们不知道确切的机制。
我们是细菌，我们知道，因为我们知道抗生素如何杀死细菌。
在这种情况下，我们知道机制是什么。所以当没有已知机制时，第一栏显示AI的影响是微乎其微的。
几乎是零。所以当你不知道机制影响时，AI并不能帮助你找到化合物。
这很有意义，因为你在寻找相关性时是盲目的，不知道哪个是哪个。
相关性是正确的，但无论你发现什么相关性可能都是虚假的。
不过，如果你知道在细菌的情况下机制，当你找到。
你知道它会有效。你知道它为什么有效。好的。
当你能够验证时，因为你知道如果你已经知道。
机制和人工智能可以产生很大影响。好的。但即使是已知机制，你也会看到，在化学新颖性方面。
三个图表，真正的中间新颖性正在推动这一事实。
即使你知道机制，如果它的影响真的很小，基本上化学。
该化合物是现有化合物的增量改进，其效果相对较小。
正面影响相对较小。当它非常新颖时，再次影响几乎为零。
我们看到人工智能对已知机制的影响，大多数来自药物。
它涉及到中间的创新性。因此，主要的结论是，很难知道哪些药物候选者是真实的。
哪些是错误的。再次，人工智能是一台出色的数据挖掘机器。
发现各种相关性和模式，以及你从未想过的隐藏联系。
你从未见过的。例如，以新的方式组合事物。
或者一种连接你未曾见过事物的方式。
但在寻找真正新颖的药物化合物方面，这只是，你知道，接下来。
影响相对较小。但这并不意味着这种新的组合和新的方式没有益处。
它们极其有益。这就是我们发现 Hellesine 可能帮助我们解决下一个超级细菌问题的方式。
这就是我们如何利用人工智能找到 COVID-19 疫苗。因为它们不一定是激进的。
这是因为它们是组合事物的新方式。这仍然意味着这是非常有用的。
但这里的关键是考虑创新是否真的是重组创新。
无论你是否已经知道它如何影响疾病的机制。
该机制的影响确实帮助你辨别虚假相关和真实因果关系。
我们如何看待这种新颖创新，实际上是这种新类型的首创，对吧？
如果你仔细想想，正如我之前在我们的早期研究中提到的，我们没有看到。
在专利研究中。我们看不到人工智能在这种首创创新上的影响。请记住。
确实在之前的视频中，他班级的第一项技术。
如果你考虑人工智能如何影响这些创新领域，在药物方面，情况很复杂。
因为它们如此新颖，关于该特定药物的数据非常有限。
那个特定条件。临床经验中有很多隐性知识。
对吧？而且这并不完全是可编码的。在人工智能、机器学习和数据分析能做的事情上非常有限。
当这种隐性知识无法使用时，聚合和检测模式。
不能编码。如果你考虑突破性药物，即针对疟疾的新疗法。
这是由Dr。Yu Yu 2发现的。她是2015年的诺贝尔奖获得者，好的？
这款药物来自一段古老的中文文本，好的，结合了她的临床经验。
对疟疾病情的专业知识和深入理解。这就是Dr。
Yu Yu 2将那段古老文本与第一款疟疾药物疗法的创造联系了起来。
再次，在这种情况下，人工智能实际上做不了太多。数据有限，即使有多于一条数据。
你知道，人工智能无法使用这些数据。它们需要的数据远远不止这些。
而且大量的临床经验、隐性知识，对人工智能而言无法编码。
也许有一天它们会出现。当它们准备好被使用时，或许我们能取得突破。
但现在隐性知识尚未能够编码。
我们能够使用人工智能进行这种类型发现的事情非常有限。
所以主要的结论是，人工智能可以在药物发现的早期阶段提供帮助，但目前还无法做到。
发现阶段的机制是它可以通过数百万种化合物进行筛选。
在非常短的时间内。我发现了很多相关性。
有很多以前未见过的模式。这些模式对于生成关于特定药物的假设至关重要。
当你已经知道该药物的机制影响时，这种事实尤其强大。
是的。这是验证这款药物是否有效的好方法。
在你走上价值20亿美元的临床试验路径之前，弄清楚这种药物是否有效。
如果在临床试验中有效，那就算成功；如果不然，那就是失败。这就是投资的浪费。
而且我们看到，利用专利数据进行创新时，人工智能确实在药物研发中提供了帮助。
通过寻找中间的新化合物来发现。
这些与重组创新非常相似。但对于真正的新药疗法。
通过新的化学创新手段，仍然受到限制。
使用它是因为没有关于那种特定药物的数据。
而且在很大程度上，我们几乎仍然依赖人类的聪明才智。[BLANK_AUDIO]。
