为什么人工智能没有让互联网变得更智能？

商业互联网已经出现20多年，但从你收到第一份电子情书到现在，互联网的整体用户体验并没有太多变化。

互联网最初仅被用于政府，高校和企业通用的研发工具。随着超链接的出现，互联网转变为商品和服务的运营车。

现在，支持科研仅仅是互联网的一个小功能，它已经严重偏向于用户至上主义。例如，你想在网上搜索所有使用HP 950 墨盒的打印机，如果你在搜索引擎中输入‘HP 950 墨盒’，你很有可能在谷歌中找到500,000条指向打印机墨盒的链接。你确实能搜索到有关打印机的内容，但这些信息仅仅是关于那些使用950墨盒的打印机，没什么特别的，网络也不会给你扩展性的建议。

知识获取：无监督学习的智能依赖大数据

人工智能是否会使互联网变聪明呢？在可预见的未来，不会。因为网络上的信息并不能直接被AI所用。而从近期无监督神经网络技术的发展来看，无监督机器学习的智能性依赖于大量数据。

例如，如果你想在网上卖毛衣，打算用一个AI机器提高销量。你需要做的第一件事是告诉你的AI机器什么是毛衣。

你需要从不同的地方收集各种毛衣图片，比如时尚杂志，零售商的产品目录，博客等。这些图片被送入你的AI机中，供它学习不同类型毛衣的特征：尺寸（胸围、腰围、臀围）和样式（套头衫、V領、高领等），以及毛衣的图案，颜色，材质（羊毛、棉质、混合材质）。这些被称为基于经验的特征，互联网上有很多相关的介绍。

机器如何识别那些需要推导的特征（即“软特征”）呢，比如那些与时间或空间相关的：你会在夏天卖毛衣么？你会把毛衣卖给热带居民么？

知识准确性：监督式机器学习

你需要花费大量时间和精力收集不同类型的数据去训练你的智能机。为了获得一个高效智能机，数据的准确度应该是多少？也许网上发布的数据足够回答90%的关于毛衣的查询。

毕竟，如谷歌自己所承认的，他们的开源自然语言理解系统 SyntaxNet 刚刚达到90%的准确率。

在语言处理领域这是一个伟大的成就。然而，这个准确率适用于你个人的业务么？在你公司系统中有多少关于公司业务的文档? 这些文档完整么？它们是否是最新的？是否反映了你的企业的所有业务的相互依赖关系？

你的商业模式能否处理90%的准确率？在健康保险领域，根据公司规模，90%的准确率在不当的索偿仲裁中会导致数以千万的甚至百亿的经济损失。

你是否有足够大的数据量支持你的智能机学习有关你商业程序的所有特征，以使你的智能商业决策100%准确？无监督机器学习方法的低准确率也许不能使其被广泛应用。

不同的知识获取方法

那么你还有其他选项么？我之前的文章《大数据和机器学习：我们该悲观么？》，说过认知计算包含两种不同的派别。第一种是统计推理：机器学习被归入此类。第二种是逻辑推理：计算机用‘本体’描述事物和事物间的关系。主管苹果公司Siri 的 Tom Gruber在20世纪90年代早期定义本体为“概念化的明确规范”。

为了提高智能商业决策的准确度，你可以借鉴银行业的方法。在“Don't do what I say, do what I mean”一文中，我讲了银行业如何利用本体构建知识模型，描述商业概念和特征以减轻全球风险。

本体不是机器学习方法的替代，而是另一种机器学习方法的支柱：监督式机器学习。此种机器学习依赖于被注解的数据。最近，谷歌、微软必应、雅虎和Yandex已经联合建立一个基于语义互联网规范的网络本体：schema.org。

IBM Watson 使用DBpedia 和 YAGO增强它的知识库。BBC、The New York Times 以及世界上的大型图书馆和博物馆正在使用基于“链接开放数据社区项目”的知识模型。将获取知识的过程形式化是一个伟大的工作，和你使用何种机器学习方法无关。

人工智能会不会让网络变聪明？考虑到现在仅有6%的互联网域名被正确标记，答案是将来某天。为一个AI解决方案开发一个综合的路线图要求机器理解知识，且能将知识转化为机器可处理的形式，这些可通过学习大数据或开发精确的知识模型实现。

互联网不会在短期内变聪明。然而，你的竞争对手呢？你要把开发智能业务解决方案的机会让给他们么？那样就太晚了。