第三阶段 ， 经历了两次高潮两次低谷 ， 人们对人工智能的认知也回归理性和客观 ， 同时大数据的存储和计算能力也得到大幅提升 ， 人工智能技术也随之有了突破性发展 。 于是乎 ， 在1997年 ， 终于有一个“像样”的人工智能产品问世了——IBM的“深蓝” 。 其以摧枯拉朽之势战胜国际象棋世界冠军卡斯帕罗夫更是一个重要的里程碑 ， 经历了两次高潮两次低谷两次蛰伏 ， 人工智能终于进入了平稳发展阶段 。
今天 ， 可以毫不夸张地说 ， 一个不了解人工智能的程序员绝不是好程序员 。 为什么？下面来看一些事实：2006年之后以神经网络主导的深度学习得到很大突破；2016年谷歌机器翻译准确率达到87%；2016—2017年 ， 谷歌的AlphaGO的惊艳表现；人工智能全球市场规模达2.43万亿美金 ， 而且以每年近30%的增长率在提升；各大科技企业与人工智能藕断丝连的关系 。 这些事实无不表明人工智能基本上已经“熬出头”了 ， 未来要么做人工智能 ， 要么被人工智能“做” 。
大数据和人工智能经过30年的沉淀积累 ， 基础理论和技术都已进入成熟期 。 整体上 ， 大数据和人工智能行业也随之进入了高速发展期 。 伴随着大数据、人工智能的发展 ， 之前肉眼凡胎完全识别不了的数据体量和数据维度 ， 现在可以分分钟看懂 。 所以企业数字化转型这件事情也真的由不可能变成了可能 ， 企业数字化也可以不再停留在简单地生成数据报表和统计分析了 。
所谓“地利” ， 某种程度上可以认为企业数字化与“大数据、人工智能”划等号 。 据不完全统计 ， 从2015年到现在 ， 国家颁布了不少于20项大数据和人工智能类的政策（见图4） 。 2015年8月颁布了《促进大数据发展行动纲要》 ， 2017年1月颁布了《大数据产业发展规划2016—2020》 ， 2018年4月颁布了《科学数据管理办法》 ， 2020年2月颁布了《关于工业数据分级分类指南》 ， 2020年5月颁布了《关于工业大数据发展的指导意见》 ， 国家层面对大数据和人工智能的支持已经非常明显了 。

文章图片

图4 大数据类国家政策
国外也是如此 ， Yahoo、IBM、EMC、微软先后投入大量的资源去研究及使用大数据和人工智能 ， 也产出了诸多Apache顶级开源项目 。 国内的BAT起步相对较晚 ， 其中B（百度）比较浪漫 ， 走的是先技术后场景的思路 ， 网罗了世界顶尖的大数据、人工智能人才 ， 基本上形成了自己的大数据人工智能生态 。 A（阿里巴巴）比较实际 ， 主要把大数据和人工智能应用于电商、物流等零售服务为业务赋能 。 同时 ， 还开启了NASA计划 。 T（腾讯）不紧不慢 ， 主要聚焦在人才储备、算力、算法上 。 当然还有一些试图逆袭的“有为青年” ， 如语音识别的讯飞 ， 计算机视觉的商汤和旷视 ， 以及智适应教育的松鼠教育等 。 的确称得上百花齐放 ， 此处不得不感慨一番 ， 要想追上大数据人工智能的脚步 ， 的确得有“两把刷子” 。
所谓“人和” ， 在这次疫情暴发的背景下 ， 各大企业纷纷亮出自己的数字化能力 ， 也做出了重大的贡献 ， 但同时也发现了诸多问题 ， 如数据采集、数据处理、数据分析、数据应用等层面的问题 。 侧面验证了当下的企业数字化转型还远远不够 ， 需要大破大立 ， 无论是企业的决策层、管理层和执行层也都意识到数字化转型的急迫性和重要性 。
在“天时、地利、人和”的背景下 ， 企业数字化转型再也不是企业的“可选项”了 ， 而是“必选项” 。 通过数字化转型 ， 企业在管理上、运营上、决策上都将告别“拍 脑袋”的日子 ， 用数据来进行企业经营可保企业在竞争中立于不败 。