人工智能之旅只有一步之遥，但是太多的公司却走错了第一步。自然的趋势是从部门级别的PoC项目开始。从小处开始，看看会发生什么，对吗?

其实不行 对于AI来说，从小做起通常意味着保持小规模，而许多公司都经历过小，中性或负投资回报。一半的措施与我们所了解的企业内固有的AI高能力本质背道而驰。人工智能不是寻找点解决方案的战术工具，它是一项战略技术，需要从筒仓到业务线再到IT的无孤岛，全组织范围的承诺。少于这导致项目失败，不良的投资回报和徒劳。

这就是著名的AI思想家和《数字螺旋：数字时代将组织的DNA转化为繁荣》的畅销书作者迈克尔·盖尔(Michael Gale)在Nvidia最近举行的虚拟GTC会议上的压倒一切的信息。他的见解的直接来源是一项IBM研究，其中包括对550名商业领袖的访谈，而Gale观察到，尽管在IT转型方面，人工智能已成为“桌上的赌注”，但IBM研究表明，仅55%的公司之间存在相关性。尝试使用AI和50%的AI程序没有真正可衡量的ROI。

但是，只有不到20%的公司被归类为“ AI繁荣者”，它们消耗了AI集体ROI增长的60%?他们是谁，他们有什么共同点?盖尔说，它们具有七个特质，可以分为两个大特质。

为规模而组织，而不是实验

第一个特征是AI兴旺发达的人不会依靠AI自发地和有机地扩散。取而代之的是，尽管AI的采用仍处于起步阶段，但从一开始兴旺起来的人就通过组建一个负责“规模主动计划”的干部，在整个企业中编织AI的愿景。

“对于我们所谓的核心原则，对于我们所谓的衡量成功，如果建立这个核心团队，即使(初始)人工智能投资可能只集中在一个很小的领域，它也必须是跨职能的，” Gale说。“如果您没有太多跨职能部门的参与，那么甚至很难假设规模，更不用说交付规模了。您必须从一开始就设计规模。概念验证的想法一点也不坏，但是您必须非常快地摆脱这个想法。而且您必须要有一个包含多功能，跨功能功能的团队。”

这个核心团队的关键任务是：“处理不可避免的歧义”。大风(Gale)指的是将AI集成到业务流程中时导致的混乱和混乱，只有高级执行官，部门经理和数据科学家共同解决AI带来的不确定性和错位时，才能解决这些问题。

Gale引用了通用金融公司为灌输这种精神所做的努力，他引用了新兴数据技术副总裁Lynn Calvo的话。他说：“我们的目标是通过卓越中心模型在整个组织中利用机器学习。使我彻夜难眠的最大事情之一就是从试验转向生产。”

他还列举了体育行业的一家大公司，该公司要在其人工智能干部中灌输一种使命感和远见，并告诉该公司在其工作的前90天内产生100项有趣的发现，这些发现不仅涉及数据和使用方式它也涉及交流方面的协作。

盖尔说：“团队将一堆便笺贴在墙上，其中有100封便笺，人们看着他们，然后他们带领人们开始通过这一过程'渗透'这种学习经验。因此，当您开始执行此过程时，您应该考虑以独特的方式协作显示进度和成功。”

Gale说，这完全是建立“规模化道路”。

他说：“我们已经与客户一起经历了数千个小时的学习过程……如果您没有真正尽早构建这些扩展途径，就会陷入一系列的实验孤岛。” “它们可能是非常成功的实验，但不会为组织带来足够的根本改变。”

人工智能为核心

除了培育“共享和进取”文化外，AI兴旺者所拥有的另一个关键特征是技术战略，Gale称之为“使AI紧贴核心”。这是服务器，软件，框架和网络的组合，这些服务器，软件，框架和网络位于包含私有云的混合本地环境中。尽管AI实验人员倾向于依靠公共云平台来增强其数据中心功能，但AI蓬勃发展者构建的本地基础结构反映了AI在整个公司业务流程中集成的愿景，支持公司范围内的协作，从而使他们能够组织说到规模，盖尔说。

他说：“因此，考虑一下，做得很好的15%的组织正在吸收全部(AI)收入增长的近60%……。组织……将AI基础架构和思想分散到外部实际上，该组织在这种高增长收入群体中的可能性要低250%。显而易见的是，如果您将AI放在核心位置，就在您附近，那么您可以看到OPEX，CAPEX，SGA和其他一系列指标的积极变化的高端。”

Gale说，本地AI基础设施提供更好的ROI的原因之一是因为它们是由那些不关心成本控制的公司构建的，而不是那些转向按需付费的基于云的替代方案的公司。

“他们对成本的担忧非常低，”盖尔谈到AI兴旺发展时说道。“只有9%的人认为成本是最大的问题。确实是将设计作为一种策略。实际上，对于他们而言，最大的挑战-我认为这是您如何建立成功的重要指标-的确是这种协作理念。这些领导者面临的最大挑战不是技术，而是他们如何管理组织各个层面的日常协作和流程。”

此外，本地AI基础架构倾向于通过加速处理(GPU，FPGA等)和高性能网络进行优化，这些网络是根据组织AI目标的要求而选择和调整的技术组合。

盖尔(Gale)列举了圣路易斯华盛顿大学和范德比尔特大学(Vanderbilt University)的案例，该案例加速了旨在“填补空白” MRI脑部扫描中的空白的深度学习模型的创建和部署。他们使用本地硬件和软件的定制组合，从而使深度学习模型的训练速度提高了20倍，从而提高了诊断的速度和准确性。

人工智能成功的关键是提高开发人员的生产率和资源利用率。Gale说：“如果不让AI紧贴核心，很难做到这一点。” “性能的定义有多种，从简化的编程到易于部署的私有混合云环境，再到减少的数据移动，再到正确的工具集以及实施和管理。这种提高开发人员生产力和更好地利用资源的能力是使它成为您业务中非常强大的一部分的一部分，而不仅仅是外围实验。”