2. 数据中心

　　数据中心是一个很成熟的概念了，这里需要做2点强调和一点扩充。

　　1.数据中心需要把尽可能多的企业数据记录下来，而不仅仅是业务订单数据，事实上业务订单数据的价值很有可能没有生产过程的数据来得重要。

　　2.我们也见过了很多很多的企业，花了很多的资源，把数据中心建立起来了，但是没有建立起相关的制度，数据中心从设计，到运营，到维护，全部都集中在一两个人身上，导致这些人离开了以后，数据中心沦为虚设，甚至数据直接丢失。所以强调的是数据中心需要从整个生命周期开始到最后，都需要有完整的设计和制度，怎么建设，怎么运营，权限如何，资源要求等等。

　　3.需要扩充的是，数据中心储存数据的形式，我们现在正在做2个很重要的研究，第一个是如何通过层级结构，降低数据储存的成本，比如高频调用数据存放在单价高的地方，低频数据采用低成本的方式进行储存，甚至下线OFF-LINE。第二个是结合区块链的技术进行企业级信息储存的机制和体系，区块链技术本身非常适合用于储存高安全要求的数据，所以我们考虑基于区块链技术以及政府基础数据，做数据储存和应用的联盟，解放数据的价值。 

　　3. 对接现有系统

　　现有的系统一般来说，有自建的系统和第三方系统这两种形态，对于自建的系统，那就很简单了，只需要在系统当中，建立对应的数据传输接口，直接接入到数据中心即可。对于第三方系统，就比较麻烦了，一般情况下，第三方系统不会有适合我们使用的数据接口，而且要改造的话也不太现实。这个时候，可能就需要一些爬虫或者屏幕抓取的技术，进行数据的采集，而这会需要多用一些些成本。 

　　4. 收集未知非标数据

　　未知非标数据，主要指的就是高清视频和图像数据。对于人类而言，认知世界主要是视觉，视觉中包含的信息非常地丰富，但是目前而言，如何从计算机视觉和图像当中抽取出信息，成本还是比较高昂，但是目前这个领域发展得非常快，我认识的一个团队，已经可以实现对菜品进行识别，比如摄像头拍一拍，就知道这个是凉瓜炒肉，蒜泥白肉，白切鸡等等。在不久的将来，我们可以预见，会有大量的算法和商业服务机构，能够帮助我们在复杂的视频数据当中提取信息。 

　　职能四 建立行业专家系统

　　接下来，CAO要做的事情，还包括建立所属行业的专家系统。专家系统，从1969年就开始出现，上古神兽HERBERT SIMON的学生 ED FEIGENBAUM等人，跨界合作，研究根据质谱仪提供的信息推断分子结构的问题。创造了DENDRAL程序。DENDRAL程序的意义在于它是第一个成功的知识密集系统：它的专业知识来自于大量的专用规则，成为系统的规则。然后使用人工智能的算法作为推理的部分。之后FEIGENBAUM等人，把这个技术应用在了医疗方面，开发了MYCIN系统，用于诊断血液传染，MYCIN有450条规则，最终他能够表现得与某些专家一样好，并且表现得比初级医生好很多。这里得到的启发是，不存在通用的理论模型可以从中演绎出MYCIN的规则，他们不得不从专家那里会见大量的病人的过程中获取规则，也从对应的书本和其他专家的案例中获取更多的规则。

　　专家系统还有很多很多的应用，而且成功地应用于商业，DEC公司的R1程序，帮助新计算机配置系统订单，从1982~1986年，每年为公司节省了4000万美元。 

　　专家系统，主要就是利用通用的人工智能推理算法和能力，加上既有的行业特定知识作为边界，把知识和推理能力分开。同时配合符合行业规则的可被计算机学习的训练数据，让机器在这个范围当中不断地去学习挖掘深度的知识。最终这个专家系统，可以给企业提供重要的业务建议以及决策辅助。

　　职能五 使用成熟的人工智能产品

　　上面都说了一些比较大的事，落实到执行处，CAO要做的非常重要的工作，跟首席电力官的工作是一致的，就是跟不同的人工智能产品厂家打交道，使用各种成熟的人工智能产品，选择合适的产品成为自身企业商业拼图当中的一部分。具体成熟的人工智能产品有哪些呢? 

　　观察世界：包括硬件，传感器，信息采集系统等;

　　总结知识：机器学习框架，各种专家系统;

　　知识应用：机器人，系统，程序

　　职能六 新的商业模式

　　做人工智能事业，要跨越的第一个障碍就是如何落地，人工智能意味着一个非常大的改变，时间周期会很长很长。要落地的话，首先必须找到非常好的、实际的用户体验，就是能给用户带来实际效益;其次，场景必须清楚，智能助手也好，无人驾驶也好，信息找人也好，一定要有实际的用户体验价值;最后，还要找到商业模式，不然就没有可持续性。

　　所以重要的挑战在于，是否能找到落地的用户体验和实现用户价值的场景，然后找到合适的商业模式，建立一个创新的循环。即数据-知识-用户体验-新的数据。找到这样一个循环往复的流，人工智能事业就可以像滚雪球一样往前滚。 

　　首席人工智能官的6大要求 

　　1. 理解和执行企业战略

　　理解人工智能发展的下一个浪潮在哪里，在更好的感知世界，更好的产生知识，更好的完成任务这样的人类进步本质上出发，找到企业的目标和价值观，制定企业3年，5年，10年的发展规划。规划和战略不会一成不变，但也不能散漫无根，特别是对于人工智能这个目前看来虚无，不好理解的事物，更应该有抬头望天，高瞻远瞩的战略能力。 

　　2. 完全熟悉企业产品

　　刚刚说完抬头望天，接下来就是要踏实行军。一切的执行的基础，都是建立在对产品非常熟悉的基础上，熟悉产品方便CAO更好地做产品的波士顿矩阵分析，更清晰地知道不同产品在整个浪潮当中的定位，哪些需要重金投入，哪些需要冲动冒险，哪些需要果断放弃。只有在这样的基础上，才能制定不同产品在人工智能层面的具体战略和时间表，才能真正的前行。 

　　3. 对人工智能技术的理解

　　对于CAO这个角色，我们认为需要对人工智能技术有深入的理解，而相关的技术细节的要求并没有那么高，人工智能特别是机器学习给我们展现了良好的黑匣子的特点，当中的一些技术细节，我们很难完全理解。特别对于CAO这个角色的人来说，更多是偏向于规划和监督，而非具体执行。放弃掉对技术细节的打磨，反过头来，需要CAO对技术的理解更加深入，更加清楚技术的发展状况，技术的应用边界，技术的实际场景等等。 

　　4. 有权设计和执行商业模式

　　人工智能目前而言，还处于非常不明确的阶段，对于绝大多数企业而言，唯一确定的就是不确定，一切的内容都是在探索当中执行，包括如何战略定位，如何储存信息，如何设置场景，如何应用知识等等。这里面有必然存在的试错成本，所以要求CAO要有权力设计并且执行商业模式，这个过程，就像探索一个新的物理规律，需要做实验设想与设计，然后执行实验，最终通过实验总结知识。我们需要认知到做实验需要的权力和资源，缺一不可。

 

　　5. 对信息和数据有足够的敏感

　　就如此前说到的，我们通常说的“数据”，是因为储存能力不足，计算成本太高，而采用的对信息概括性的描述方法。当中有很多的信息在这个概括的过程当中被丢弃了。作为CAO，需要有能力跳过这个概括的过程，从业务和“数据”本身，看到真实的信息，并得到更有价值的数据。 

　　6. 企业家精神

　　工匠精神、创新、冒险、合作、敬业、学习、执着、诚信、服务。这个是百度百科里面对企业家精神的特征分析。CAO作为合伙人级别的定位，需要有企业家的精神，需要有担当企业家的气魄 

　　CEO应该成为CAO

　　最后最后，也是我一贯提出的观点，目前而言，CEO自身应该充当CAO，主要的原因如下：

　　1. 首先，CAO更偏重的是战略和选择，相比之下，现在绝大多数企业的CTO并不是典型意义上的CTO，更偏重于执行，很可能无法担任其战略和选择的重任，也就无法顺畅地从CTO转化成为CAO。

　　2. 其次，人工智能具备黑匣子的特点，更需要关注的是输入和输出，我们给人工智能投入怎样的资源，他给我们产生怎样的输出。当涉及企业战略层面的输入输出判断和考量时，一个企业里面最在行的人，肯定非CEO莫属。

　　3. CAO是未来企业里面重要的合伙人，需要跟CEO匹配，大家都会知道，找到合适的合伙人，比找到对象结婚还要困难，在没有找到之前，CEO自己满足一下自己的需求，或许是一个更好的选择。

　　4.最后这个点其实是最重要，也是最无奈的点，就是目前而言，完全具备CAO这个角色能力定义的人很少，即使有，企业也很难付出高额的薪酬，供养着这个短期内不一定能产生直接效益的合伙人。