Search
【熱血時報編輯選書新品推介：《WOL大聲工作法》現已上架】
購買連結：https://bit.ly/3fYVK1H
內容簡介：
試試WOL大聲工作法！將改變你對工作的看法，重新定義自己的職涯與人生！
Working Out Loud（WOL）工作法是由約翰・史德普提出，藉由主動公開自己的工作內容、正在做或學習的事，建立人脈圈，並讓同個人脈圈的所有人都能互相分享及回饋，形成正向循環，將會累積信任、建立與他人的關連，可以幫你實現目標、發展技能、探索新議題、或展開職涯的下一步。如果WOL在組織內推行，也能達到文化變革等正面效益。
本書透過豐富的練習題及思考指引，幫助你找到職涯定位及人生方向。多元的案例故事，具體了解理論如何落實生活之中。12週WOL訓練，step by step帶你重塑工作、改變習慣、開拓人脈！
#重新思考 #重新設計 #組織設計 #流程改造 #形塑組織文化 #共同創造
在科技領域中，設計師的觀點和經驗往往影響著產品的設計方式，這有時候會無意間造成了排斥和不平等。因此，許多倡導公平設計的設計師（例如 Antionette Carroll ）認為，設計流程必須被重新設計，才能讓我們的設計具備包容性，並確保設計出來的產品和服務對每個個人或群體都更具可及性、安全感和歸屬感。
但實質上要怎麼做呢？
作者Felix Chang在和Microsoft與Airbnb等公司主管交流過後，歸納出下列幾個作法，以下是我們的摘要，供大家參考：
.
1. 面對被排斥或多元的群體，請與他們「一起」設計（Design with excluded and diverse communities, not for them.）
想為具備不同能力、身份，或身處不同環境的對象提供完善的體驗，微軟設備事業部負責人Bryce Johnson認為「同理」並非最好的作法，在生活經歷全然不同的現實下，要真正的異地而處極為困難，這也可能導致設計者進入誤區。就像男性無法真正體會女性歷經分娩的感受是一樣的道理。
.
該如何做？
為平衡上述的狀況，設計師和技術人員必須 「與受眾一起設計，而不只是為他們設計」。例如在產品開發初期成立社群任務小組，來積極強化與社群成員的聯結，且全程使用參與式及共創的方式，培養成員自己設計解決方案的能力，以酬謝他們投入的知識，專長和時間，並在產品上市後，能以靈活、自己的方式使用這款產品。
.
2. 透過形象塑造培養歸屬感（Foster belonging through representation.）
要防止產品產生排斥效應的一個方法，是應用形象塑造以最大程度的降低刻板印象和樣板主義（tokenism，指的是組織會刻意提拔或標榜少數群體中的少數人，以製造平等或重視弱勢的假象）的影響。例如甲骨文Oracle品牌用户體驗副總裁Jenny Lam就提到「很多公司和品牌的圖像設計所預設的膚色一直是淺色皮膚，我們則預設為深色皮膚。」形象塑造的關鍵不僅在於「誰」該呈現在廣告或圖像裡，更在於企業用的視覺暗示及美學語言所發揮的作用，因此甲骨文在建構新穎的Redwood設計系統時，也訂下產品的品牌、視覺和用戶體驗的準則，就是為了讓全球的客戶的故事能被反應在甲骨文呈現的視覺語言裡。
.
該如何做？
產品負責人和開發人員必須仔細考慮整個產品及系統面所展現的形象。為了能達成平衡，必須反思產品是否具有某種特殊性，或象徵某種某種社群身份、美學或文化，以避免一些對人的刻板假設、或不必要的自我分群。
.
3. 強化組織文化、人才培訓與組織流程（Strengthen culture, training, and processes. ）
想要打造為更多人服務的產品，與組織內部組成的是否足夠多元有關，也就是你的團隊多元化的程度為何？IBM員工體驗設計計畫的負責人Oen Michael Hammonds認為「相較於具備不同觀點和生活經驗的團隊，若團隊成員皆來自相似的種族、性別、社經教育背景，那麼，就只能擁有較少的創新能量。」形成多元團隊需要具有包容性的工作流程及工具，甲骨文的 Lam認為這需要從建立思維、人才培訓、入職訓練著手。
.
該如何做？
產品負責人必須招募多樣化的團隊，並藉由能力培養、工具和流程來擴大他們設計的包容性。
.
4. 建立問責制（Establish accountability. ）
問責制對（需要實現的）每個目標都至關重要。當團隊在一開始就為「包容性」立下明確的承諾時，這會讓他們更願意積極主動而非被動參與。產品顧問和資深UX設計師Kat Vellos強調：「任何團隊在進入設計流程前，他們需要對包容性的含義有明確的認知。」如果組織和團隊能將長期且價值一致的目標和短期可實現的目標與具體的計劃相結合，便越有可能採取行動。 Vellos 認為「包容性的責任應該由團隊共同承擔，並且是每個人成功指標的一部分。」
.
該如何做？
產品負責人必須為產品和團隊定義可衡量的包容性目標和計劃，產品開發的所有團隊成員必須共同承擔責任。
.
5. 讓「包容性」內化為組織內的常態（Normalize inclusion at a system level. ）
絕大多數的人都不喜歡引人注目。研究顯示，人們和組織通常會為了符合所謂的常規/規範，而改變自己的行為。 因此，若將包容性變成一種主流做法或組織價值觀，就能推動變革，並加深員工對組織的承諾。
.
該如何做？
在設計和使用設計系統時，產品負責人和相關開發人員應持續分享最佳做法，並確認包容性成果（譬如尊嚴、可及性等）的一致性。甚至從組織內部，乃至整個產業突顯包容性產品服務的研究案例。此外，要有意識地打造能夠擴展包容性的設計系統。當團隊開始思考產品使用方式的變化時，盡量從擴展既有的設計系統著手，而不是從頭開始。
.
.
從打造新的企業文化、組織設計的角度來說，本文中提到的幾個做法，其實是從幾個不同面向去思考如何透過人才、流程及組織設計等方法，創造與時俱進的改變。你準備好重新思考、重新想像、重新設計自己的組織了嗎？
.
完整版英文原文請見
👉👉 https://reurl.cc/2gaNqm
.
相關文章請見 BMI• 官網
👉👉 如何設計組織的未來 https://reurl.cc/XkpZ10
.
了解 BMI•方略 如何協助你重新思考、重新想像、重新設計自己的組織
👉👉 https://reurl.cc/XkpZ03
.
想立即體驗如何開始重新思考、重新設計自己的組織，請與我們聯繫
👉👉 (02)7706-3200
近日，我與阿萊克斯·彭特蘭教授（Alex Pentland）展開了一場”AI如何重塑人類社會”的精彩對話。
《連線》雜誌的資深撰稿人威爾·奈特（Will Knight）主持了這場對話。
阿萊克斯·彭特蘭教授任教于麻省理工學院，為全球大資料權威專家之一，現任MIT連接科學研究所主任、MIT媒體藝術與科學教授，擁有“可穿戴設備之父”、《福布斯》“全球七大權威大資料專家”、《麻省理工科技評論》“年度十大突破性科技”兩度桂冠獲得者等頭銜，曾參與創建MIT媒體實驗室，是全球被引述次數最多的計算科學家之一。
對話金句：
李開復：
AI最大的機會蘊藏在與傳統企業的結合中，這種價值的產生極其迅速，只需要幾個月，甚至短短幾周。
未來突破很難預測，對奇點、超級智慧的爭辯，在我看來都過於樂觀了。
小型AI公司與巨頭競爭，我的建議是找准巨頭沒有平臺優勢的細分領域，為某個針對性產業創造價值，不要與巨頭核心業務正面硬碰。
阿萊克斯·彭特蘭：
AI絕非試圖取代人類，而是促進多元文化之間的相互連接、團隊合作，讓人們更好的進行社交和連接彼此。
最困難的其實是說服人們改變商業流程去使用AI，因為大多數人是墨守成規的。
人工智慧有朝一日可以取代人類所有的能力，但是這個過程會非常漫長，可能需要上百年或更久。
我在對話中表示，當我們試圖解決AI問題時，應該用技術來解決技術的問題，可以尋求與監管部門協作，而不只是丟給他們，“新技術會衍生新的問題，我們應該多方嘗試用更進階的技術性解決方案，就像電腦病毒剛出現時，殺毒軟體隨之誕生。”
彭特蘭教授認為，人工智慧的核心，是促進多元文化之間的相互連接。不只是工程師或科學家，連經濟學家、政治家都必須參與進來。“國家之間應該促進合作、制定互通標準，就像TCP/IP互聯網協定那樣，避免AI冷戰。” 我們都贊同，AI發展從來不是單打獨鬥，跨學科思維、跨領域合作尤為重要。 這場對話是麻省理工學院中國創新與創業論壇（MIT-CHIEF) 組織的高峰對話系列活動，主題是《計算與未來: AI與資料科學如何重塑人類社會》。
麻省理工學院中國創新與創業論壇（MIT-CHIEF）由麻省理工學院的中國留學生創立，至今已有十年，是北美歷史最悠久的、由高校學生組織的中國創新創業論壇。系列高峰對話邀請了頂級科學家、投資人及創業者，共同探討科技創新及商業化過程中面臨的挑戰。
以下是我們對話的核心內容，由我的同事整理、分享給大家：
Part I 主題演講
▌李開復：各方應協作，讓AI 更務實
非常榮幸再次受到MIT-CHIEF的邀請，對於人工智慧的看法，這次我主要想講四點。
第一點是我書裡的主題，人工智慧的超能力。我們已經從人工智慧的發明期步入應用期階段，從應用落地層面來說，正迎來了AI發展最大的機遇。
很多科技公司目前已對人工智慧進行了多樣化佈局，從視覺、語言、觸覺和其他感知技術，到自動化機器人、無人駕駛等，對很多領域開啟了深遠的影響。雖然眼下所見的AI應用仍有局限性，但我預測未來的格局會非常龐大，依據統計，各行各業採用AI的程度目前不到5%，AI應用的中長期增長曲線相當可期。
第二點是我很欣喜看到的一點，AI正在和傳統行業深度融合。隨著人們對人工智慧的瞭解越來越多，更多的AI公司湧現出來。
AI最大的機會蘊藏在與傳統企業的結合中，創新工場也正在説明金融、製造、物流、零售、醫療等行業的公司進行AI變革。
作為AI投資人，我認為在這些行業如果找到正確的AI應用方向，就能帶來上千萬的回報。這種商業價值的產生是極其迅速的，通常只需要幾個月，甚至短短幾周就能看到成果。
現在人工智慧在傳統產業的滲透率仍在個位數，仍然有很大的提升空間。然而對於很多公司來說，它們需要的是高度定制化的方案，而非通用型AI方案，所以融合的過程中，不可避免會遇到不少挑戰和痛點。
第三，我早年做過很多科研工作，很高興能看到關於系統一和系統二（System One, System Two）的討論，我們期待人工智慧技術從系統一升級為系統二，即從識別、決策、優化等能力，升級到感知、認知等進階智慧的能力。
有不同的學派都在努力讓人工智慧更接近人類智慧，其中一個流派主張回歸經典的AI理念，甚至重新構建嶄新的模型結構，在深度學習技術的基礎上利用人類的知識。但我更支持另一個理論——深度學習的潛力還沒有完全釋放。
回看人工智慧過去60多年的歷程，最大的突破來自於計算能力和資料量大增而產生的可擴展演算法。我們看到了卷積神經網路（CNN）帶來的喜人成績，還有預訓練自然語言處理模型（Pre-Trained Models for Natural Language Processing）的廣泛運用。
預訓練模型與人類語言學習的模式類似，不管是英語還是中文，在習得這些語言之後，再去學習程式設計、藝術、化學。在無人監督的學習環境中，這種模式比我們想像得還要強大，就像阿爾法圍棋（AlphaGo）一樣。
最後一點我想說的是，如何讓AI變得更務實。
AI有很多問題，例如隱私、資料安全、治理和監管，在此就不一一討論了。當我們試圖解決這些AI難題時，有人認為讓監管部門加強管理是唯一辦法，其實不然，我們是否也可以朝著研發更厲害的技術性解決方案去努力？
就像電腦病毒剛出現時，殺毒軟體隨之誕生；面對千年蟲難題時，也迅速找到了技術應對方案。我們可以通過研發新技術，應對DeepFake深度換臉程式的挑戰；或者通過聯邦學習技術，在保證資料私密性的同時，滿足深度學習訓練需求。
作為握有技術能力的群體，我們需要與監管部門一起協作，而不只是把工作丟給他們。相信有了各方的助力，我們可以讓AI的應用變得更有深度，更加務實，更高效地克服現在面臨的種種問題。
▌阿萊克斯·彭特蘭：國家間應建立互通標準，避免“AI冷戰”
我對當前的深度學習技術不太樂觀。
最為主要原因是，深度學習不僅需要龐大的資料來源，而且要求這些資料長時間恒定不變，以保證模型訓練結果的可靠性，例如人類的面容、語言，就是相對穩定不變的資料來源。
但深度學習卻沒法應對快速變化的真實情況。亞馬遜在新冠疫情蔓延速度暴增時，出現了倉庫貨物緊缺，不得不停止送貨服務。這種經過深度學習高度優化後的系統發生崩潰，就是因為快速變化的疫情，和深度學習對恒定資料來源的需求是矛盾的。
另外，我想談談如何通過聯邦學習，促進資料的流通。
大多數公司沒有足夠豐富的資料，需要聯合不同的資料來源。基於這種需求，出現了很多新商業模式，比如“資料經紀人”——他們不出售資料，而是把資料借出去，作特定需求的使用。
“資料經紀人”業務湧現了很多，他們促進了資料的流通，也加強了資料的隱私性。因此，像聯邦學習這樣的技術和商業策略結合，有效解決了資料在合規性和所有權方面的難題。
聯邦學習也依賴於新的基礎設施建設，為資料應用和深度學習提供基礎環境，比如區塊鏈技術。現在世界上很多國家在做相關系統的建設實驗，新加坡等國家設置了一種相互競爭的區塊鏈系統，來解決支付和物流問題。我們最近也幫助瑞士做了類似的實驗，涉及不同資料的互通性和連貫性問題。
我們仍在研究如何用儘量少的資料，實現人工智慧的目標。少量資料是指不斷更新的短期資料，這些資料能使AI應對迅速變化的情況，並及時做出調整。
我們打算將AI與其他基礎科學結合，例如阿爾法圍棋(AlphaGo)就是這類結合的初步嘗試。這些方法不依賴于大量恒定資料，可能會比深度學習更加強大。
除此之外，我們在探討用AI保障聯邦學習過程中不同資料方的權益，這是實現不同國家之間的互通性、支付信任度、物流運輸等方面合作的關鍵前提。
另一方面，我們探索如何將AI技術應用於加密資料上。我們和大公司以及政府密切合作，找出解決系統入侵和保障網路安全的方法。
我同時花了很多時間研究與政府的合作。政府很多時候不知道如何通過大資料做決策，也不知道如何進行資料優化。而AI能夠幫助政府實現更高的效率，比如聯合國現在已經有了很多可持續發展目標的相關評估指標,世界經濟論壇也可以為會員國提供不同的標準測算。
基於我們已有的多中繼資料庫，現在可以利用AI實現全新的資料優化方式，將貧困、不平等這種之前無法量化的指標，通過可量化的指標進行評估。
同時，要真正實現這個目標，我們還需要制定統一的互通性標準。如果沒有這個標準，國家之間就不會相互信任去合作，就可能出現AI冷戰。
因此我們需要找到促進合作的方式，就像TCP/IP互聯網協議那樣。而之前我提到的，新加坡、瑞士等現在正在嘗試的區塊鏈系統，將有希望解決國家間缺乏互通標準的問題。
Part II 對話
▌ 美國線上教育發展難度更大，只在ZOOM上講課是不夠的
Q1：疫情加速了行業的改變，遠端醫療、線上教育開始蓬勃發展，這只是AI對人類社會產生影響的冰山一角。想請兩位談一談，目前看好AI在哪些領域應用的未來前景？
李開復：疫情的確對整個社會產生了實質性的影響，人們行為習慣發生了很多改變，更願意接受線上學習和工作了。
這種新的行為習慣產生了大量資料流程，為AI應用帶來了更多可能性。比如大健康領域以及遠端醫療中所產生的資料，可以訓練更智慧的模型。同時更多人開始在基因組學、新藥研發方面結合新的AI技術進行研究，因此我相信AI在醫療健康領域的潛能是非常巨大的。
AI與教育的結合也很值得期待。一方面可以説明老師處理重複性的日常事務，例如批改作業，讓老師得以將時間精力投入到更有創造性的事情上，能更悉心地為孩子提供優質教學。另一方面可以提高學生的課堂參與度和積極性，比如設置卡通版AI虛擬老師，讓課程充滿趣味性。
在中國，有很多線上教育公司在疫情之前就已經發展迅速，像創新工場投資的VIPKID，讓國外的純正英語老師線上上教授中國學生。目前，中國的線上教育已經擴展到了更多科目，包括體育、舞蹈、書法等素質教育課程。
相比之下，美國線上教育發展的難度會更大。畢竟只在ZOOM上講課是不夠的，好的線上教育必須要有好的內容。
▌AI核心是增強人際互聯，應注重文化多樣性
阿萊克斯·彭特蘭：李開復博士提到的教育案例，我不是很認同。
MIT大約20年前就在教育中使用AI，重點根本不是內容，我們甚至提倡將內容免費開放給大眾。
AI絕非試圖取代人類的作用，我們更強調用AI增強人與人之間的互動，讓人們更好的社交和連接彼此。比如手機上人工智慧技術，不是要取代你，而是讓你高效地找到最適合的工作、最正確的人，讓你更容易的獲取資訊，並進行創新。
我們可以利用資料激發更強的創新力，培養領導力。只有基於這樣的宗旨，才能促進更有創造力的教育和學習，這比關注教育內容本身重要得多。
在加拿大，有家創業公司正在訓練普通民眾學習AI，比如水管工，教學效果非常不錯。他們的教育方式不是簡單的教授基本知識，而是以一種能夠激發人們互動思考的方式。
我們之前在中國調研了3000多個孵化器，發現創業公司成功的要素裡，第一個是文化多樣性，也就是說創始團隊背景的複雜性和多樣性。第二個是團隊成員專業的多樣性，他們能否發揮自己所長，並很好地進行團隊合作。
1956年，馬文·明斯基 (Marvin Minsky)提出了人工智慧這個詞。但我們對於人工智慧的理解，不應該只停留在“人工”層面，而應擴展到多元文化之間的相互連接、團隊合作，我把它叫做延伸智能（Extended Intelligence)。這也是我想強調的，人工智慧這個名詞有一定的偶然性，但它的核心點是增強人與人之間的互聯性。
▌AI未來突破難預測，奇點、超級智慧過於樂觀
Q2：未來十年AI有沒有可能取得重要突破？比如GPT-3近期展現驚人的能力。兩位認為未來的突破方向是什麼？
李開復：過去60多年來，深度學習是唯一的重大突破。在這之後，卷積神經網路（CNN）和GPT-3等都算是重要的改善，我對於人工智慧的漸進式改善保持樂觀。
對科學家來說，他們更期待著技術上的突破式進展。但我覺得未來十年基礎科研或許不會有大的突破。但模型相對容易，只要有大量的資料，就可以從實驗室進入到行業應用，CNN和GPT-3都是模型加海量資料的成果。
我是務實派的，雖然持有樂觀態度，但並不是一位“未來學家”。未來的突破很難預測，對奇點（Singularity）的爭辯，甚至預測超級智慧的出現，在我看來都過於樂觀了。
阿萊克斯·彭特蘭：我同意李博士的觀點。很多生物機制很難解釋，包括用感知認識事物、理解聲音、尋找食物等，是深度學習演算法做不到的。但深度學習可以研究科學、制定規則、研究理論，並進行實踐。
從務實的角度來說，我最感興趣的就是聯邦學習。就醫療而言，我們有這麼多醫院，在新冠疫情期間做了很多的實驗，為什麼這些實驗資料不能進行聯合呢？
儘管資料有不相容的地方，但這也是一個很好的機會去探究不同的資料之間的關聯性。在未來，我們對資料的需求也許會越來越少，外科醫生或者物理學家或許不需要太多資料，因為他們對規則已經瞭若指掌了。
▌不要墨守成規，要跨領域、跨學科應對挑戰
Q3：人工智慧會有什關鍵挑戰？對於想從事這個行業的人，有什麼是需要瞭解的關鍵點？
李開復：首先，大背景在改變，新科技層出不窮，我們每年都需要學習新的東西。
其次，人工智慧可能引起各種問題，包括偏見、歧視、倫理道德等，是否危害人類的身體健康，無人駕駛技術該何去何從等等。
第三，人工智慧的研發需要深刻地理解技術對社會、生活與人類健康會產生的影響。我非常欣賞斯坦福和MIT這樣的高校，能夠把AI教育擴展到各個學科，讓研發人員及早意識到自己的責任和價值。
阿萊克斯·彭特蘭：是的，我朋友做過一個有關電的趣味類比，電動馬達最初在工廠裡用於生產的時候，並沒有發揮出多大的作用，因為大家並不知道如何改造生產流程。
AI在一些領域發揮的作用是顯著的，但應用到其他領域時，就需要改造流程。很多情況下，最困難的就是說服人們改變商業流程去使用AI，因為大多數人是墨守成規的。
而有意思的是，就像李博士提到的，像MIT和斯坦福這樣的高校確實在認真嚴肅地對待這個問題。
比如，我今天早上正好就這個話題跟G20領導人對話，大家一致認為我們必須從跨領域、跨學科的角度去面對這個問題，不能只是工程師或者社會科學從業者們在做，經濟學家，政治家等等都必須參與進來緊密合作。
隨著AI的應用領域越來越廣，除了必須具備強有力的技巧來建立社會規則，還需要對研究經費、企業投入等進行各種調整。
▌雖然大公司實力不容小覷，但依舊對小公司抱有期待
Q4：AI研究會消耗大量的資源，我們是否應該將資源往學術界平衡？現在已經發生資源的重新分配和平衡了嗎？
李開復：就人才而言，現在已經有重新平衡的跡象了。
過去，頂尖大學的學者基於待遇和種種考量，不少選擇去企業界工作。而近期，曾任職於百度、海爾、位元組跳動等公司的數位優秀AI科學家已經回歸高校。
但像GPT-3這樣的技術，仍然不是大學和小公司能支付得起的。支撐GPT-3運行的電腦是世界算力第五的超級電腦。每進行一次演算法訓練，就要花費460萬美金，只有像騰訊、穀歌、微軟這個級別的公司才能負擔得起如此強大的算力。
我觀察到，近年的AI創業公司已經和5年前截然不同了。它們一般由AI科學家和商業人才共同創建，為了解決特定問題而生，並非紙上談兵做突破性科研，切入的領域也往往是巨頭公司忽略的地方。
例如，為製造業進行AI賦能，不是一件輕鬆的事，需要去工廠實地勘查，瞭解運作方式。大公司因為賺錢很容易，不願意做這些性價比低的苦活累活。這些小公司的努力一旦有了成果，就會給產業界帶來革命性的影響。所以，雖然大公司的實力不容小覷，但我依舊對小公司抱有期待。
阿萊克斯·彭特蘭：大學和公司是一種融合的關係，不僅體現在人才流動上，也會進行資訊資源分享，彼此是整體性的合作態勢。
當然這也不是絕對，產業界的保密需求還是存在的，只是從學校的出發點來說，我們願意毫無保留地為大家提供更好的研究成果，並與企業合作，形成標準化平臺。
▌人工智慧取代人類需要上百年或更久
Q5：兩位認為什麼是AI不能取代的？
李開復：一類是創造力、分析能力、邏輯辯論能力，瞭解自己知道什麼不知道什麼，這些是人工智慧無法取代的。另外一類是同理心，人類之間的信任、友誼，自我認知、意識等。
阿萊克斯·彭特蘭：人工智慧有朝一日可以取代人類所有的能力，但是這個過程會非常漫長，可能需要上百年或更久。
▌AI創業建議I：找到小切入點，不要與巨頭正面硬碰
Q6：李博士提到了AI在小企業中的運用，可否再舉例說明是如何運用的？
李開復：這個問題分兩部分：一個是小型AI公司與巨頭競爭，我的建議是找准巨頭沒有平臺優勢的細分領域，為某個針對性產業創造價值，並且不要與巨頭核心業務正面硬碰。
對於那些中小型非AI、但想應用AI的公司，需要確保有足夠的資料，以訓練與核心商業價值掛鉤的AI模型，並且有願意變革的開放性公司文化。
所以，早期應用AI的公司可能規模較大，因為他們有足夠大的資料，和可相容變革的商業模型。每個例子都不同，不是任何一家公司都要應用AI。
阿萊克斯·彭特蘭：如果我們放寬AI的定義，或許水管工、合同工都有資料，通過一些簡單的分析、整合，AI也可以在很大程度上改進他們的工作。
這些都是很小的切入點，基於簡單的AI分析、機器學習，依舊可以產生巨大的潛力。
▌ AI創業建議II：知曉技術，同時理解商業
Q7：兩位再分享一下最後的建議？
李開復：我們在步入一個AI開始滲透到方方面面的令人振奮的時代，我希望所有的學生們都能參與到這個改革浪潮中。要深刻地理解人工智慧的商業落地，而不僅僅鑽研技術本身。
阿萊克斯·彭特蘭：不要太較真於深度學習或者冗長的演算法，一切始於要解決的現實問題。不要止步於技術本身，要明白資料類型、形態和規律，關注商業流程。
感謝葉樂斐、劉諾、藍萱、張昊、陳冬傑、劉子昂、張梓煜、錢淩寒、水一方、沈雍在校譯和審閱上對本文的貢獻。
微軟數位轉型影集《CXO請上車！挖掘卓越企業轉型》
台灣微軟行銷營運長Jason在閒暇時，竟然還是一名『Uber司機』!
某天更碰巧載到正開完會要回公司的DDI總經理Ellen，
在路途中兩人一同探討著在數位轉型的浪潮下，
企業需要的不只是領導者，而是整個企業中更多具有領導力的員工 。
看微軟 x DDI 如何在數位轉型的浪潮下，驅動人才、組織與企業文化變革。
---------------------------------------------------------------------------------------------
看完整報導：https://pse.is/D68MU
更多數位轉型案例，全方位不藏私分享：http://user23116.psee.io/ABUJ9
訂閱我們：https://goo.gl/qZYngm
