《AI进化论：解码人工智能商业场景与案例》----读书笔记
《AI进化论：解码人工智能商业场景与案例》----读书笔记
《AI进化论：解码人工智能商业场景与案例 》
数据原作者：亿欧智库
简评：亿欧智库的报告、书籍总是令人印象深刻受益匪浅，亿欧坚持使用数据说话，细分行业横向对比，向大家强烈推荐。
业内人士力荐
我们不再以旁观者的身份观看着变革的发生，每个人都有机会参与其中，成为这场最伟大技术变革的推动者，真正通过最先进的技术手段，来解决世界上最贴近民生的问题。
很多人问我为什么要做AI，我的答案可以追溯到五岁的时候，那时候我遇到了一个无解的问题——死亡，它让我恐惧。当我意识到这个问题是一个无解问题的时候，我开始想如何让人生更有意义，而那时我认为我需要做一个机器人，我希望可以创造另外一种智慧。也许AI对别人来说是一种选择，对我来讲则是一种使命，我希望用AI去造福人类，去创造有价值的东西。 ——旷视科技创始人兼CEO印奇
序
当你认为自己理解了一件事情时，你只掌握了30%；当你可以把它讲给别人听时，则掌握了50%；当你可以将它编纂成书时，则掌握了70%。
谈及人工智能，公众层面的认知大多起源于2016年年初AlphaGo击败李世石的人机大战。但是，稍对人工智能有所了解的人士都知道，在这场机器取得胜利的大战以前，人工智能已经走过了长达60多年的“进化”历程，经历了所谓的“三起三落”。而在过去数十年，受益于机器学习算法的进步（尤其是以Geoffrey Hinton、Yoshua Bengio和Yann LeCun等人的理论为代表的深度学习），互联网服务积累的海量数据，摩尔定律的驱动，以及大公司依托其商业实力所建设的计算能力，人工智能似乎迎来了一个真正爆发的时机，最显著的表现是，其应用场景已经部分落地，并且正在创造着规模化的商业成绩。这是一项技术真正开始走向成熟的标志与信号，也让我们感受到人工智能的商业突破点可能即将到来。
站在中国的角度，当下的中国具备非常好的发展基础和环境，主要体现在： （1）数据——中国作为商业大国和人口大国，产生的可计算数据量是绝对领先的； （2）人才——中国正在培养大量的数学、计算机科学方面人才； （3）商业环境——以互联网为代表的新经济，塑造了富有创新活力的商业氛围； （4）资本——大量的风险投资基金（中国乃至全球）在中国市场投入了可观的资金，用以支持人工智能相关企业成长； （5）政策——中国政府先后在政府工作报告和新一代人工智能发展规划方面做出了极大程度的政策支持，与人工智能相关的基础课程也即将开设于大、中、小学。
古代战场上一个人能对付两三个人就很了不起了，俗话说“双掌难敌四手”。但是在现在这个满世界都是廉价工具的环境下，处理起事务来“以一当千”完全有可能，几台电脑、几千行代码，可以轻松完成以前需要几万个人的手工作业，够震撼人心了吧？但我个人认为，信息革命30年，这些还只是前奏，等到人工智能发展起来，等到对大数据的分析趋向成熟，等到信息技术充分渗透到其他产业，等到传统的文科因为更多数据的到来而变成基础扎实的理工科……到那个时候，我们再回头来看，今天的这些成就，不过只是历史的先声。
由天宇亿欧公司副总裁 亿欧智库研究院院长2018年4月于北京
第一章 跨越AI商业化“奇点”
思维使我们在感知世界的同时，也在改造着世界。
看到这里，或许你会发现，不论是木棒，还是飞机，这些工具都是对人们行动的辅助，而非“模仿”。1956年，电视刚刚开始走入人们的生活，世界上第一台电子计算机ENIAC才刚刚问世，而那时已经有一群科学家在谈论“用机器模仿人的智能”这种仅停留于概念层面的话题，不由得令人感慨人类思维的广度。也正是在这场会议中，“人工智能”（Artificial Intelligence，简称AI）一词正式诞生，由此开启了此后半个多世纪的计算机科学、神经生物学等学科的发展进程，并引发了人类对于拥有意识与学习能力的“超级人工智能”的想象。这场会议叫作“达特茅斯会议”（Dartmouth Conference）。
- 第一节 揭开AI的神秘面纱
当人们大谈人工智能的时候，究竟是在谈什么？
在长达半个多世纪的人工智能研究历程中，大量学者对其概念进行了不同维度的界定。综合来看，大致可分为两类。第一类，从行为和功能的角度出发，定义人工智能机器的外在行为和能够实现的功能。
第二类，则将“人工智能”定义为一门新学科或新科学。
人工智能相关研究的最终目标，是由机器替代人类完成部分相对简单的重复性任务，使人类拥有更多时间进行创造性的劳动，享受更加高效便捷的生活，真正步入“智能时代”。
今天，不少人会狭隘地认为“人工智能=深度学习”。其实，假设我们身处于20世纪80年代，我们很可能会片面地认为“人工智能=专家系统”。事实上，人工智能在不同的发展阶段——不论过去还是未来——都会因技术进步或新技术的诞生，而进一步得到发展。就目前的技术发展而言，人工智能以机器学习、数据挖掘为两大技术核心，两者技术范畴上有所交叉。
机器学习又包含对抗学习等诸多种类，其中备受瞩目的就是深度学习。按照拓扑结构分类，深度学习可分为卷积神经网络、循环神经网络和全连接神经网络，并通过算法框架实现深度学习过程。在机器学习与数据挖掘的技术之上，实现了目前市场上最常见的三大技术应用，即计算机视觉、智能语音技术和自然语言处理
- 第二节 当资本位移，谁被颠覆
亿欧智库AI创投数据库显示，2012年至2017年间，中国共有439家AI企业获得投资，这439家企业大多数成立于2012年之后。2015年出现AI创业热潮，新创AI企业多达117家。2016年这一数字开始下降，2017年则仅出现27家AI新创企业。我们可以预见，2018年后AI市场的角逐竞争将在存量的AI“玩家”间展开
（2012—2017年获投企业）。[插图]图1-2 中国AI企业成立时间（2012—2017年获投企业）来源：亿欧智库AI创投数据库
2018年将可能是“大浪淘沙”的一年，预计将会有大批AI企业被淘汰。从行业角度来看，投资事件数量和投资金额最高的四大行业分别是企业服务、汽车交通、医疗健康和金融。
第二章 金融狂欢下的泡影
金融行业在发展过程中积累了大量的数据，包括客户信息、交易信息、资产负债信息等，放眼各垂直领域，金融被认为是人工智能落地最快的领域之一。
第二节 前台到后台的多点繁荣
随着人力成本的提高、客户消费体验要求的提升及人工智能技术的发展，劳动力密集型的传统客服已经不能适应市场需求，对客服提出了更高的要求。客户群体数目大，咨询频率高，人工客服成本高，难以满足需求，智能客服的出现可以帮助解决这些问题。据统计，智能机器人客服可以解决85%的常见客服问题，而一个机器人客服的花费只相当于一个人工客服的10%。
智能客服系统主要由四部分构成：客户、渠道、处理内容及对话管理系统，客户通过手机、电脑等渠道将文字、语音、图像等处理内容传递给对话管理系统，由系统内部处理后再将回复内容原路反馈给客户。智能客服系统通过自然语言理解、自然语言生成及知识图谱等技术，掌握客户需求，自动推送客户特征、知识库等内容，如图所示
智能营销是指在可量化的数据基础上分析消费者个体的消费模式和特点，并以此来划分顾客群体，精准地找到目标客户，然后进行精准营销和个性化推荐的过程。与传统营销相比，智能营销基于大数据、机器学习计算框架等技术，具有时效性强、精准性高、关联性强、性价比高、个性化强等特点。
金融的本质在于风险定价，风控对于金融机构和平台来说都是一种保障。
金融市场参与者众多，金融业务面临众多的风险挑战：
首先，群体欺诈多，大多是有组织、有规模“进攻”的； 第二，数据使用难，金融大数据积累多但非结构化； 第三，高价值数据少，目前风控采取的数据多为日常交易数据，央行征信数据依然很少； 第四，风险高，客群下沉，欺诈成本低； 最后，量大，人工无法大规模审核，成本高。
智能风控整个流程主要分为四个阶段： 第一阶段，数据收集，数据是智能风控的基础，主要数据来源为网络行为数据、授权数据、交易时产生的数据、第三方数据等； 第二阶段，行为建模，在这个过程中，需要对大量数据进行结构化处理，形成最有效的信用评估组合； 第三阶段，用户画像，通过前期的数据收集和行为建模，形成对每个用户的画像； 第四阶段，风险定价，主要包括行为监控、反欺诈违约和催收。
金融业务风控新挑战和智能风控基本流程见图2-5。 金融业务风控新挑战和智能风控基本流程
第三节 保险科技：AI全流程嵌入
第三节 保险科技：AI全流程嵌入中国保险业已经经历了六十多年的发展历程，主要经历了三个阶段。第一阶段为传统保险时代，1949年，中国第一家国有保险公司成立，拉开了中国保险业发展的帷幕。
第二阶段为互联网保险时代，伴随着整个信息技术革命的时代浪潮，互联网、移动互联网技术开始渗透到包括保险业在内的各个产业。
第三阶段为保险科技时代，随着信息技术的大发展，近两年越来越多的前沿技术也开始被应用到金融乃至保险行业。具体而言，区块链、人工智能、大数据、云计算、物联网等技术，开始逐步运用于产品创新、保险营销和保险公司内部管理等方面，保险的方方面面都开始从科技进步的红利中得益，企业通过创建新的平台、运用新的技术更好地为保险消费者服务。
数据显示，过去的十年间，中国保险行业在普及度和精密度上都发生了比较大的改变。年保费规模从2006年的5600亿元上升到2016年的3万亿元，年均增幅达20%，保险的深度及密度（保险深度：某地保费收入占该地GDP之比；保险密度：按当地人口计算的人均保险费额）也从2006年的2.6%及430元/人，快速增长至2016年的4.2%及2200元/人。但是保险大国并不等于保险强国，中国保险市场仍然存在着保险深度和保险密度不够、渗透率低、行业影响力不足等问题。
第四节 技术先行，应用多久落地
人工智能的滚滚洪流，正在影响金融领域的各个应用场景。我们认为，智能金融未来发展将围绕智能化、场景化和个性化展开。智能化为基础，可分为三个层次： 第一层次为Robot，即可以实现简单的数据收集整理工作（助理分析师）； 第二层次为Smart，即可以实现数据的简单分析（初级分析师）； 第三层次为Intelligent，即可以实现数据的决策支持和深度洞察（高级分析师）。
第三章 积重难返？医疗AI的颠覆之路
医疗，关乎民生之根本，涉及每一个人的身体与精神健康。今天，中国的医疗产业——涵盖医疗救护、医药、保健、生物技术等多个领域——已然是一个具有万亿元市场规模的大产业。2016年，中共中央、国务院印发的《“健康中国2030”规划纲要》中指出，到2020年，健康服务业总规模将超过8万亿元，到2030年达到16万亿元。
◆ 第一节 医疗变革时代的黎明
所谓“赋能”，字面意义上就是指为某个主体赋予某种能力或能量。人工智能技术与医疗产品、医疗服务的结合，事实上就是一种赋能现象，它不仅使得医疗生产活动成本降低、效率提升、效果增强，而且牵动整个医疗产业链发生新变化，如图3-1所示。[插图]图3-1 医疗产业链（部分）示意图
◆ 第二节 院内院外，医疗AI应用百花齐放
亿欧智库将医疗人工智能的应用场景分为七类， 分别是： 虚拟助理、 医学影像、 大数据辅助诊疗、 药物研发、 医院管理、 科研平台、 健康管理。 部分应用场景又存在多类子应用，涉及医院内部的各个流程，以及医院以外的各类健康相关环节，应用可谓“百花齐放”。
医学影像在当今医学诊断中具有举足轻重的作用，与医学临床的距离最近，而众多疑难问题尚未得到解决，由此医学影像成了医疗人工智能最热门的应用场景。综合来看，人工智能与医疗影像的结合，主要体现于运用图像识别技术实现三类核心功能：病灶自动分析与识别、影像自动勾画与自适应放疗、影像三维重建。
肺癌的早期筛查类产品是最多的。 一方面是由于国内在各类癌症中肺癌的发病率、死亡率均位居首位； 另一方面是因为以卷积神经网络为主的肺结节检测算法相对成熟。 以推想科技为例，其智能CT辅助筛查产品AI-CT完成一张肺部CT片的识别用时仅5秒，而人类医生通常需要十几分钟到半个小时；对于人的肉眼容易遗漏掉的三毫米以内的小病灶，AI-CT更容易识别，肺结节发现准确率高达90%。
上图展示的就是推想科技智能CT辅助筛查产品（AI-CT）的功能界面。其他国内典型企业代表有腾讯觅影、健培科技、羽医甘蓝等。[插图]图3-4 推想科技智能CT辅助筛查产品（AI-CT）功能界面来源：推想科技
由于AI+医学影像类产品涉及诊疗环节，属于CFDA（国家食品药品监督管理总局）规定的三类医疗器械目录范围，所以产品申报与认证过程十分严格，耗时较长。
目前基本成型的AI+医学影像产品大多数处于医院试用阶段，未来可见的业务模式主要有两类： 第一类，面向医院、体检中心和第三方医学影像中心，出售软件的使用权限（License），以及收取一定的技术服务费用； 第二类，向医疗器械厂商寻求合作，将软件与硬件设备捆绑销售，或将产品功能嵌入硬件设备中。近年来，国产医疗器械逐渐发展起来，与雅培、罗氏、西门子、瓦里安、医科达等海外公司产品形成竞争，“AI+医学影像”软件与医疗器械的结合，可帮助医疗器械厂商提供先进的软硬一体化解决方案，将大大提升医疗器械厂商的产品竞争力。
全世界每日产生的医疗数据量十分巨大，其中蕴藏着巨大的利用价值，然而由于各地区数据结构化程度低，缺乏统一的标准，并且有些地区的医疗数字化程度还很低。根据IDC Digital预测，截至2020年，全球的医疗数据量将达40万亿GB，其中约80%的数据为非结构化数据，如图3-6所示。[插图]图3-6 全球产生的医疗数据量预测（万亿GB）来源：IDC Digital
中国的医药市场，是一个不断增长的千亿元级消费市场。中康CMH的监测数据显示，2010—2016年间，中国零售药店市场总规模（以终端零售价格计算）年均增长率达10%以上，2016年总规模已达到3377亿元，如下图所示。围绕中国巨大的医药市场，处于产业链上游的药物研发环节被重点关注。[插图]图3-7 2009—2016年中国零售药店销售规模（亿元）来源：中康CMH
药物研发包含新药研发、老药新用、药物筛选、药物副作用预测、药物跟踪研究等方面的内容，以“研发成本高、周期长、风险大”为主要特点。
一款成功获批上市的新药，需要经过化合物研究、临床前研究、临床研究（临床Ⅰ、Ⅱ、Ⅲ期试验）、SCFDA或CFDA审批等流程，耗时往往达10年之久，平均研发费用约有15亿美元之多。
此外，药物研发的成功率较低，平均5000种合成化合物中，仅有1种能进入临床Ⅱ期实验。人工智能深度学习算法能够帮助科研工作者快速、准确地挖掘和筛选合适的化合物或生物，达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。目前深度学习在药物研发方面的主要贡献包括两点：
第一，提高化合物的筛选效率，优化化合物构效关系（即药物的化学结构与药效的关系）； 第二，同一种药物的不同晶型在外观、溶解度、生物有效性等方面可能会有显著不同，深度学习算法能够辅助预测小分子药物晶型结构，以把握药物的稳定性、生物利用度及疗效。
目前，人工智能的主要成果体现于抗肿瘤药、心血管药、孤儿药（罕见药），以及经济欠发达地区常见的传染病药，其中抗肿瘤药占1/3。人工智能与药物研发结合最典型的案例，是硅谷公司Atomwise通过IBM超级计算机，在分子结构数据库中筛选治疗方法，筛选出820万种候选化合物，研发成本仅为数千美元，研究周期仅需要几天。
2015年，Atomwise基于现有的候选药物，应用AI算法，不到一天时间就成功地寻找出能控制埃博拉病毒的两种候选药物，以往类似研究需要耗时数月甚至数年时间。
病历结构化，是指针对医院多年积累下的非结构化数据的结构化处理，从而使数据真正发挥其价值。病历结构化主要用到自然语言处理技术，随着深度学习的发展，循环神经网络进一步推动了自然语言处理技术的发展。图3-8所示为自然语言处理结构图。
图3-8 自然语言处理结构图
目前国内提供病历结构化服务的公司，往往面向医院提供开放性平台服务，以服务换数据，实现共赢。具体的业务模式分为两类：
第一类，是开放性的中文病历语义API，提供能与医院无缝对接的“可插拔式”模块； 第二类，是提供智能病历分析服务，服务类型和范围较广，如为保险公司做医疗风险评估、精准医学大数据中心的业务规划和组织架构设计、协助重大研究课题进行前期分析研究、开发医疗人才培养系统，等等。
提供病历结构化服务的公司，未来在保险与医药行业也存在较大的盈利空间，例如帮助保险公司发现并减少过度医疗行为，帮助药企监控新产品的安全性等。森亿智能是国内专注于医学文本分析的人工智能公司，其主要业务是通过机器学习和自然语言处理技术自动抓取医学文本中的临床变量，将积压的病例自动转化为结构化数据，生成标准化的数据库。智能算法能挖掘变量相关性，从而为临床科研提供专业性的统计分析支持。
其他国内典型企业代表有零氪科技、大数医达、深思考等。DRGs智能系统中的“DRGs”，英文全称是Diagnosis Related Groups，可翻译为疾病诊断相关分类。它能够根据病人的年龄、性别、住院天数、临床诊断、病症、手术情况、疾病严重程度等因素把病人分入500～600个诊断相关组，然后决定应该给医院多少补偿。DRGs智能系统能有效降低医疗保险机构的管理难度和费用，有利于宏观预测和控制医疗费用。过去常常出现某些患有重大疾病的患者在手术及用药过程中占用太多补偿保额的情况，而DRGs智能系统可以帮助医院合理分配保额，帮助医院合理控制费用。国内典型企业是医渡云。
许多医疗人工智能公司抓住了医生的科研需求，依托其本身的技术算法能力和计算能力，制作易于操作的人工智能科研平台，为医生科研提供以数据分析为方向的辅助性服务。打造科研平台，本身就是对企业现有技术能力和资源的商业价值的充分挖掘。其更大的意义在于，企业能够借助科研平台，与医生、医院或研究机构建立科研合作机会，以换取模型训练数据及未来的商业变现渠道，其具体情况如图3-9所示。国内典型的企业包括推想科技、零氪科技、新屿科技等。
企业与医疗机构资源优势互补，形成科研合作
健康管理
从目前来看，国内将AI与精神健康管理相结合的企业较少，而精神健康管理与每一个人都息息相关，潜在市场较大。根据2009年世界卫生组织的调查，中国精神疾病患者占中国总人口的7%，已经超过心脏病和癌症，成为中国医疗体系最大的负担。2015年，英国世界权威医学杂志《柳叶刀》中的一项研究指出，中国约有1.73亿人有精神疾病，其中1.58亿人从未接受过专业治疗。从全球范围来看，AI在精神健康管理方面的应用，主要有情绪管理和精神疾病管理两类。AI在情绪调节场景中的运用，主要是通过人脸识别用户情绪，以聊天、推送音乐或视频等多种交互方式帮助用户调节心情。典型的企业有美国创业公司Emotient（已被苹果公司收购）、英国创业公司Realeyes等。
◆ 第三节 下注未来，医疗AI的春天不是现在
隐私与伦理问题，将是国家立法机构、AI技术服务企业所面临的紧迫问题。我国有关保护患者隐私权的法律规定，对医疗人工智能公司获取足量的患者数据造成较大的阻碍。我国自2010年正式施行的《中华人民共和国侵权责任法》第六十二条规定，医疗机构及其医务人员应当对患者的隐私保密。泄露患者隐私或者未经患者同意公开其病历资料，造成患者损害的，应当承担侵权责任。随着人工智能技术的不断进步，人类所产生的数据类型越来越多（例如基因数据），保护每一个人的数据安全的法律体系尚未建立，这将是医疗人工智能产品落地过程中的隐形挑战。由于模型训练中使用的数据多样性有限，可能无形中构成对部分社会群体的歧视。例如，某些语音识别产品无法识别一些方言，使这些方言使用者被排除于产品使用范围以外。由于医疗人工智能产品的价格普遍较高，可能会首先被收入水平较高的群体使用。尤其当癌症等致死率较高的病症通过人工智能手段找到治愈方法后，价格问题会加剧患者间的机会不平等，这将可能在医疗领域掀起一场有关道德伦理的大讨论。
第四章 智慧安防：罪恶无处遁形
◆ 第二节 社会需求驱动智慧安防
根据博思数据公布的调查数据，截至2016年中国前端摄像头出货量已达到4338万台，预计在2020年出货量将会达到5422万台，如图4-3所示。这意味着中国每日视频监控录像达上千PB，而过去累积的历史数据更多，并且海量视频监控数据中99%以上都是非结构化数据。利用“人海战术”进行视频检索和分析的方式，不仅需要消耗大量人力，而且效果不佳。IMS Research的一项实验表明，人在盯着视频画面仅仅22分钟之后，人眼将对视频画面里95%以上的活动信息视而不见。
第五章 自动驾驶：定义未来出行
◆ 第二节 三头六臂，引领风潮
自动驾驶安全分为两类： 其一为行驶安全（safety），针对汽车系统可能发生的故障； 其二是信息安全，包括数据的存储、应用、传输安全，以及来自传感器、车联网等不同系统的信息安全。黑客通过网络侵入汽车，篡改或偷取车内数据信息，干扰甚至控制汽车，将严重威胁用户和社会安全。鉴于这个问题，360、腾讯等企业已经开始未雨绸缪，在信息安全方面进行布局。
自动驾驶带来新的交通出行生态，共享被认为是未来汽车行业的发展趋势。研究机构普华永道预测，未来汽车产业价值将发生显著变化： 以往占产业利润41%的汽车销售业务在未来将下降到29%，而共享出行业务所产生的利润将从10%以下猛涨至20%。类似滴滴、神州优车这样的出行运营商将有机会彻底改变传统的汽车消费模式，通过汽车共享和网络效应占据消费市场，竞争汽车行业核心地位。 因此，滴滴大力研发自动驾驶，设立研究院，在各地试验智慧交通技术就在情理之中了。目前国内部分车企已有转型为服务运营商的倾向（如吉利汽车）。亿欧智库认为，出行服务属于公共领域，国内车企具备成功转型的可能性。出行市场to C的特质，将使最先取得网络效应的企业拥有赢者通吃的机会。
第七章 内容不再是人的专利
◆ 第一节 AI挑战记者和作家
文本类内容，如诗歌、小说、新闻稿、散文等，是日常生活中最基本的内容形式。围绕文本类内容的生产，诞生了记者、作家、编剧等职业。近两年来，AI开始逐渐参与文本类内容的创作，其创作出的部分内容，已难以分辨是由人还是由机器所创作。AI在文本内容生产中的应用主要包括写诗、编剧、写小说、写新闻、编程、辅助内容创作等。AI写新闻稿已经在头部媒体中投入实际应用，具体用于个别题材的新闻生产，所生产的内容在全部媒体内容中的占比还很小。AI在剧本结果预测、前期素材搜集、文本纠错等方面也已经得到应用，未来可能被整合到各种文本编辑器和工具之中。AI在作诗、编剧等方面也都取得了一些进展，但目前均处于尝试研究阶段。
新闻对写作速度的要求较高，机器写作显然比人类快很多，因此国内外多家媒体一直在进行机器写稿的研究。AI的发展为此提供了可能，越来越多的主流媒体开始应用机器人写稿。此前，机器只能处理财经、体育、地震等内容结构相对固定领域的新闻。
AI能够辅助语句纠错。2017年6月，百度百家号平台上线了“语义纠错”功能，该功能通过对作者在百家号上创作的文章正文进行快速校对，帮助作者识别和更正内容中的错别字，准确率达到75%。百家号此次上线的AI智能语义纠错功能，能够结合上下文理解词语，找出不符合语义的错别字。例如“通过锻炼，回复效果比较好”这句话，错别字纠错功能识别不出错别字，但语义纠错就会提示“回复”应修改为“恢复”。
◆ 第六节 AI+内容生产：万里长征第一步
在目前不具备推理能力的弱人工智能阶段，AI在小部分领域能够实现自动生产内容，在大部分领域，更适合与人协作，提升素材搜集、整理、检查等方面的效率。在与人协作的过程中，机器可能会完成大部分机械重复工作，人完成小部分创造性工作
人机协作目前有三种方式： 一是机器生成初稿，人进行修改和润色； 二是人提出框架，机器完成细节填充； 三是机器作为工具帮人搜集筛选素材、检验纠错等。
第八章 AI赋能下的法律新格局
展示了基于人工智能的产品与服务用于法律各参与主体相关工作的情况
法律事件的参与者有三个主体，分别是当事人（个人或企业）、律师和法院。对不同的主体，AI能够提供的服务也不尽相同。 人工智能在法律当中的应用主要包括： 为当事人提供法律咨询、律师匹配、公司法务协助； 为律师和律师事务所提供案件查询、文案整理、案情预测、智能咨询服务； 为法院提供文字处理、辅助审判、智能客服服务。
第九章 AI进驻，教育革命即将到来
百年大计，教育为本。 教育作为民族振兴、社会进步的基石，一直是我国优先发展的行业。 目前，我国教育观念相对落后，内容方法比较陈旧，教育结构和布局不尽完善，人民对良好的教育有着强烈期盼。虽然随着互联网的发展，线上录播课和直播课等教育形式解决了部分教育资源不足的问题，但是并没有从根本上解决问题。那么，人工智能的出现，能否加速中国教育产业的改革创新？它改变了哪些传统教育工作？
◆ 第一节 繁重教育工作的解放
虽然“人工智能+教育”概念已被频繁提及，但目前行业内仅有一个模糊的概念，内涵和外延界定不清晰，为了方便解释，这里我们将“AI+教育”用AIED（Artificial Intelligence in Education）表示。我们认为，AIED是人工智能技术对教育产业的赋能现象，本质上是人工智能对教育工作的替代和辅助，将教师和学生从低效重复的工作中解放出来，进而提升教学与学习效率。
人工智能在教育领域的应用，从教育主体来看可分为三类：
● 教育机构的教务工作、人事财务工作、学校管理工作等。 ● 教师的教研、教学、测评、管理工作。 ● 学生在学校和家庭中的学习任务。
根据国家统计局和财政部数据，2012年至2016年，我国教育经费总投入累计接近17万亿元，年均增长率达7.9%。2016年，全国财政性教育经费高达31396.3亿元，与2015年的29221.45亿元相比，增长了7.44%，占GDP的4.22%，财政性教育经费占GDP的比例自2012年以来连续5年保持在4%以上。可以看出，国家高度重视教育工作，不断加大教育投入。
互联网与移动互联网技术的发展与成熟，催生了以在线教育为代表的新形态教育模式。据CNNIC数据显示，2016年中国在线教育和手机在线教育总规模达23562万人，互联网与移动互联网在学校教育与家庭教育中的重要性日益凸显。随着人工智能技术的成熟，语音识别与图像识别被应用于教育领域，出现了英语语音测评、智能批改、拍照搜题、智能陪练、智能情绪识别等各类AIED产品。
◆ 第二节 教育生态的新变革
人工智能在学校管理工作中的应用主要包括智能图书馆、智能行政管理、智能招生管理、智能财务管理、智能升学和职业规划、智能分班排课和智慧校园安防。
目前国内服务于教育机构的AI企业较少，技术服务能力有待提升。AI应用主要集中于智能分班排课、智能升学和职业规划。
教师的日常工作主要包括教研、教学、测评及学生管理工作。 教师通过教学研究，挖掘与反思教学问题，总结教学经验，研究出更适合学生的教学方法，包括课堂授课、学生辅导、课后答疑解惑等多个环节。 此外，教师还要通过作业与考试的形式，对学生的学习情况进行评价，以及进行课堂与班级管理等。人工智能对教师的这四部分工作均已表现出一定的替代性，从而使得教师有更多时间和精力来对学生进行个性化的教学与辅导，同时缓解了学生个性化教学需求与教师时间相对有限之间的矛盾，实现了自适应学习。
市场上已知的AIED产品主要分为五类： 英语语音测评、 智能批改与习题推荐、 分级阅读、 教育机器人和智能陪练。
其中，英语语音测评、智能批改与习题推荐、教育机器人的相关AI企业均在10家以上，而分级阅读和智能陪练的较少。 此外，还有智能学情分析、智能情绪识别等产品形态。智能学情分析是在积累了学生学习成绩、学习进度、学习习惯等数据后，对其进行智能分析，并给出分析报告，协助教师对学生学习情况进行管理，设计个性化教学方案，如极课大数据的“极课EI”。目前专门做智能学情分析的公司较少，其产品主要渗透在以上五类产品之中，对学生学习效果进行分析并反馈。
图 教师被人工智能替代的工作内容
◆ 第三节 AI+教育未来发展趋势与挑战
从教育机构发展的角度看，教师需要具备与人工智能配合教学的能力。教育系统的各个方面、各个维度关系复杂，目前的AIED产品只是一种辅助、替代部分教育工作的手段和工具，还不足以改变整个系统。
然而，作为学校和教育培训机构的管理者，不仅要改进和完善现有教育体系，满足学生需求，更要能够预见来自新技术的威胁并及时采取相应的应对措施。未来教师的重复性工作将会被逐渐替代，教师的工作内容也会逐渐改变，管理者要及时改变教师的培训方式。对于教师来说，能够与人工智能系统配合、分析智能系统的数据报告、找到适合孩子的学习路径的技能显得愈发重要。同时，学生的学习心理方面的辅导需求也会越来越多