科普软文

杂谈-自动化、AI、机器人、人类

##【前沿】什么是自动化和智能化和智慧化？

来源：人机与智能实验室

简单的说，智能化比自动化更高级一点，智能化是加入了像我们人一样的智慧的程序，一般能根据很多种不同的情况做出很多不同的反应，而自动化就相对要简单的多，一般会出现几种情况作同样的反应，多用于重复性的工程中。

智能是有一定的“自我”判断能力，自动化只是能够按照已经制订的程序工作，没有自我判断能力。

自动化常常处理结构化数据，智能化往往处理半结构化数据，人可以处理非结构化数据。

自动化（Automation）是指机器设备、系统或过程（生产、管理过程）在没有人或较少人的直接参与下，按照人的要求，经过自动检测、信息处理、分析判断、操纵控制，实现预期的目标的过程。自动化技术广泛用于工业、农业、军事、科学研究、交通运输、商业、医疗、服务和家庭等方面。采用自动化技术不仅可以把人从繁重的体力劳动、部分脑力劳动以及恶劣、危险的工作环境中解放出来，而且能扩展人的器官功能，极大地提高劳动生产率，增强人类认识世界和改造世界的能力。因此，自动化是工业、农业、国防和科学技术现代化的重要条件和显著标志。

发展介绍

1946年，美国福特公司的机械工程师D.S.哈德最先提出“自动化”一词，并用来描述发动机汽缸的自动传送和加工的过程。50年代，自动调节器和经典控制理论的发展，使自动化进入以单变量自动调节系统为主的局部自动化阶段。60年代，随现代控制理论的出现和电子计算机的推广应用，自动控制与信息处理结合起来，使自动化进入到生产过程的最优控制与管理的综合自动化阶段。

70年代，自动化的对象变为大规模、复杂的工程和非工程系统，涉及许多用现代控制理论难以解决的问题。这些问题的研究，促进了自动化的理论、方法和手段的革新，于是出现了大系统的系统控制和复杂系统的智能控制，出现了综合利用计算机、通信技术、系统工程和人工智能等成果的高级自动化系统，如柔性制造系统、办公自动化、智能机器人、专家系统、决策支持系统、计算机集成制造系统等。

自动装置的出现和应用是在18世纪。自动化技术形成时期是在18世纪末～20世纪30年代。1788年英国机械师J.瓦特发明离心式调速器（又称飞球调速器），并把它与蒸汽机的阀门连接起来，构成蒸汽机转速的闭环自动控制系统。瓦特的这项发明开创了近代自动调节装置应用的新纪元，对第一次工业革命及后来控制理论的发展有重要影响。人们开始采用自动调节装置，来对付工业生产中提出的控制问题。这些调节器都是一些跟踪给定值的装置，使一些物理量保持在给定值附近。自动调节器应用标志着自动化技术进入新的历史时期。进入20世纪以后，工业生产中广泛应用各种自动调节装置，促进了对调节系统进行分析和综合的研究工作。这一时期虽然在自动调节器中已广泛应用反馈控制的结构，但从理论上研究反馈控制的原理则是从20世纪20年代开始的。1833年英国数学家C.巴贝奇在设计分析机时首先提出程序控制的原理。1939年世界上第一批系统与控制的专业研究机构成立，为20世纪40年代形成经典控制理论和发展局部自动化作了理论上和组织上的准备。

20世纪40～50年代是局部自动化时期第二次世界大战时期形成的经典控制理论对战后发展局部自动化起了重要的促进作用。在问题的过程中形成了经典控制理论﹐设计出各种精密的自动调节装置﹐开创了系统和控制这一新的科学领域。这一新的学科当时在美国称为伺服机构理论﹐在苏联称为自动调整理论﹐主要是解决单变量的控制问题。经典控制理论这个名称是1960年在第一届全美联合自动控制会议上提出来的。1945年后由于战时出版禁令的解除﹐出现了系统阐述经典控制理论的著作。1945年美国数学家维纳﹐N.把反馈的概念推广到一切控制系统。50年代以后﹐经典控制理论有了许多新的发展。。经典控制理论的方法基本上能满足第二次世界大战中军事技术上的需要和战后工业发展上的需要。但是到了50年代末就发现把经典控制理论的方法推广到多变量系统时会得出错误的结论。经典控制理论的方法有其局限性。

20世纪40年代中发明的电子数字计算机开创了数字程序控制的新纪元﹐虽然当时还局限于自动计算方面，但ENIAC和EDVAC的制造成功﹐开创了电子数字程序控制的新纪元。电子数字计算机的发明为60～70年代在控制系统中广泛应用程序控制和逻辑控制以及广泛应用电子数字计算机直接控制生产过程奠定了基础。

20世纪50年代末起至今是综合自动化时期，这一时期空间技术迅速发展，迫切需要解决多变量系统的最优控制问题。于是诞生了现代控制理论。现代控制理论的形成和发展为综合自动化奠定了理论基础。同时微电子技术有了新的突破。1958年出现晶体管计算机，1965年出现集成电路计算机，1971年出现单片微处理机。微处理机的出现对控制技术产生了重大影响﹐控制工程师可以很方便地利用微处理机来实现各种复杂的控制，使综合自动化成为现实。“自动化(Automation)”是美国人D.S.Harder于1936年提出的他认为在一个生产过程中，机器之间的零件转移不用人去搬运就是“自动化”。

概念介绍

自动化的概念是一个动态发展过程。过去，人们对自动化的理解或者说自动化的功能目标是以机械的动作代替人力操作，自动地完成特定的作业。这实质上是自动化代替人的体力劳动的观点。后来随着电子和信息技术的发展，特别是随着计算机的出现和广泛应用，自动化的概念已扩展为用机器(包括计算机)不仅代替人的体力劳动而且还代替或辅助脑力劳动，以自动地完成特定的作业。

自动化的广义内涵至少包括以下几点：在形式方面，制造自动化有三个方面的含义：代替人的体力劳动，代替或辅助人的脑力劳动，制造系统中人机及整个系统的协调、管理、控制和优化。在功能方面，自动化代替人的体力劳动或脑力劳动仅仅是自动化功能目标体系的一部分。自动化的功能目标是多方面的，已形成一个有机体系。在范围方面，制造自动化不仅涉及到具体生产制造过程，而是涉及产品生命周期所有过程。

研究内容

自动化是一门涉及学科较多、应用广泛的综合性科学技术。作为一个系统工程，它由5个单元组成：

1、程序单元。决定做什么和如何做。

2、作用单元。施加能量和定位。

3、传感单元。检测过程的性能和状态。

4、制定单元。对传感单元送来的信息进行比较，制定和发出指令信号。

5、控制单元。进行制定并调节作用单元的机构。自动化的研究内容主要有自动控制和信息处理两个方面，包括理论、方法、硬件和软件等，从应用观点来看，研究内容有过程自动化、机械制造自动化、管理自动化、实验室自动化和家庭自动化等。

过程自动化：石油炼制和化工等工业中流体或粉体的化学处理自动化。一般采用由检测仪表、调节器和计算机等组成的过程控制系统，对加热炉、精馏塔等设备或整个工厂进行最优控制。采用的主要控制方式有反馈控制、前馈控制和最优控制等。

机械制造自动化：这是机械化、电气化与自动控制相结合的结果，处理的对象是离散工件。早期的机械制造自动化是采用机械或电气部件的单机自动化或是简单的自动生产线。20世纪60年代以后，由于电子计算机的应用，出现了数控机床、加工中心、机器人、计算机辅助设计、计算机辅助制造、自动化仓库等。研制出适应多品种、小批量生产型式的柔性制造系统（FMS）。以柔性制造系统为基础的自动化车间，加上信息管理、生产管理自动化，出现了采用计算机集成制造系统（CIMS）的工厂自动化。

管理自动化：工厂或事业单位的人、财、物、生产、办公等业务管理自动化，是以信息处理为核心的综合性技术，涉及电子计算机、通信系统与控制等学科。一般采用由多台具有高速处理大量信息能力的计算机和各种终端组成的局部网络。现代已在管理信息系统的基础上研制出决策支持系统（DSS），为高层管理人员决策提供备选的方案。

对社会的影响自动化是新的技术革命的一个重要方面。自动化技术的研究、应用和推广，对人类的生产、生活等方式将产生深远影响。生产过程自动化和办公室自动化可极大地提高社会生产率和工作效率，节约能源和原材料消耗，保证产品质量，改善劳动条件，改进生产工艺和管理体制，加速社会的产业结构的变革和社会信息化的进程。

实施时机

1、记录生产过程。

2、进行增值分析，把哪些非增值性的操作项目鉴定出来。

3、把非增值性操作尽可能多地消除掉。

4、评估“新的经过该站”的过程，对在该过程汇总应用自动化进行成本效益分析。

5、如果效益大于成本，或者能取得显著的质量效益，则实行自动化。

发展趋势

现代生产和科学技术的发展，对自动化技术提出越来越高的要求，同时也为自动化技术的革新提供了必要条件。70年代以后，自动化开始向复杂的系统控制和高级的智能控制发展，并广泛地应用到国防、科学研究和经济等各个领域，实现更大规模的自动化，例如大型企业的综合自动化系统、全国铁路自动调度系统、国家电力网自动调度系统、空中交通管制系统、城市交通控制系统、自动化指挥系统、国民经济管理系统等。自动化的应用正从工程领域向非工程领域扩展，如医疗自动化、人口控制、经济管理自动化等。自动化将在更大程度上模仿人的智能，机器人已在工业生产、海洋开发和宇宙探测等领域得到应用，专家系统在医疗诊断、地质勘探等方面取得显著效果。工厂自动化、办公自动化、家庭自动化和农业自动化将成为新技术革命的重要内容，并得到迅速发展。

智能化：是指由现代通信与信息技术、计算机网络技术、行业技术、智能控制技术汇集而成的针对某一个方面的应用。从感觉到记忆再到思维这一过程称为“智慧”，智慧的结果产生了行为和语言，将行为和语言的表达过程称为“能力”，两者合称“智能”。智能一般具有这样一些特点：一是具有感知能力，即具有能够感知外部世界、获取外部信息的能力，这是产生智能活动的前提条件和必要条件；二是具有记忆和思维能力，即能够存储感知到的外部信息及由思维产生的知识，同时能够利用已有的知识对信息进行分析、计算、比较、判断、联想、决策；三是具有学习能力和自适应能力，即通过与环境的相互作用，不断学习积累知识，使自己能够适应环境变化；四是具有行为决策能力，即对外界的刺激作出反应，形成决策并传达相应的信息。具有上述特点的系统则为智能系统或智能化系统。

智慧化：就是升级版的智能化。就是人机环境系统之间的交互角色最优化，取长补短、优势互补，除了必要的计算机知识、数学算法外，还应把哲学、心理学、生理学、语言学、人类学、神经科学、社会学、地理学……等等融为一体。

通过浏览上述文字，您觉得现在的AI是哪个阶段呢？

什么自动化、智能化，炒作概念的同时切莫忘记最初的目标：转型升级

也许是我们的民族太过有智慧，自上古以来炎黄后裔们就早慧地发展出了深刻的哲学，同时圣贤先哲们又及其热衷于‘平天下’，因此在历史上中国的圣人们就建立了一个又一个治国理念，管理达人层出不穷。这个文化基于传承至今泽被到商界，造就了中国及亚洲企业家极其热衷于‘大情怀’，‘大理念’，‘大气魄’的文化特色。也许正因如此，‘工业4.0’，‘中国制造2025’，‘大数据’，‘物联网’，‘云计算’，‘智能制造’等概念在中国才会这么火热。

本文的写作目的在于提醒业界：在炒作概念的同时切莫忘记最初的目标：‘转型升级’。

08年金融海啸以后，中国制造业受到巨大冲击，整个行业陷入恐慌。当时业界的共识是：制造企业必须‘转型升级’才能走出困境。至于如何转型，如何升级，具体策略和路线也是见仁见智。从盛行数月的‘互联网思维’到3D打印热，从’大众创新‘，’万众创业‘到’互联网金融‘，从’工业4.0‘，’工业大数据‘到’中国制造2025‘，再到现在被说滥的’智能制造‘。让人感觉我们的制造业已经被这些名目繁多的概念搞得晕头转向，甚至开始忘记了初衷。

本文将仅就生产技术升级，试图梳理制造企业的转型升级路线。目前比较流行的制造技术升级的概念是：自动化，信息化和智能化。然而，并非所有制造业都要通过这’三化‘实现技术升级；同一个企业的不同发展阶段也需要兼顾不同的升级策略；不同类型的制造业也需要考虑适合自身发展规律的升级路线。总之绝无固定模式可言，必须具体问题具体分析。

1. 哪些制造企业适合通过“智能制造”转型升级

在谈这个问题之前，首先需要明确“智能化”和“自动化”的区别。由于目前没有任何关于智能化外延的界定，自动化和智能化之间的界线十分模糊，因此，当智能制造成为国家战略以后，许多稀松平常的自动化项目也被冠以智能制造之名。

在笔者看来，智能制造的特征是对复杂生产情形的决策。决策算法的有效性以及对复杂约束条件的适应性决定了智能化程度的高低。

尽管很多自动控制产品具备一定的智能算法，例如有些加工中心可以在切削过程中根据切削力和震动频率等参数实时优化进给速度和主轴转速；或者根据床身热变形量对刀具轨迹进行补偿， 但是这些技术归根结底都是工艺过程的一种前馈控制，只是控制算法更加复杂而已。为便于后面论述，我更愿意将这部分划归为工艺自动化（后文将有论述），当然也可以叫“智能设备”。

智能化应强调对不可知事件的判断和决策，而自动化则强调对既定动作和已知事件的执行。

又如，一台柔性制造系统可以自动识别和检测零件，并根据识别码自动选择工装，自动装夹，自动调用不同的程序完成全部加工，由于完成的这一系列活动都是既定的，并没有根据约束条件和目标进行决策，因此只能算是比较高级的自动化系统，不能算智能。

下面案例实现了按订单全柔性生产，但是由于无法进行动态调度，因此即便自动化程度已经很高，那么在我看来也不能称为真正意义的智能制造。

可见，智能化和自动化是两个独立的概念，二者只是产生的历史时期有先后，但是在项目实施过程中并没有必然的先后顺序

参阅智能制造解决方案旧文：《工业4.0冷处理》

点击下面图片查看

明确了智能化和自动化的区别之后，回到本段的问题：“哪些制造企业适合搞智能制造呢？”简而言之：生产管理越复杂，企业越适合上智能制造项目。

这类企业通常

最适合搞智能制造的比较极端的例子是产品维修：

因此在面临这样复杂问题的时候就只有通过“智能化”才能解决问题。

2. 哪些制造企业适合通过“自动化”转型升级

自动化生产 vs. 手工生产

首先，与“自动化生产”相对应的是“手工生产”。我们通常讲的自动化升级都是指用自动化设备和装置替代人工。因此，凡是人工作不了或者不愿意做的工作都可以通过自动化进行升级，越是动作简单，重复，繁重的生产模式，越适合采用自动化升级策略，例如搬运，包装，喷涂等；而动作越复杂，对人手灵活性依赖越大的生产模式就不适合自动化升级，例如皮具制作，制衣等。

刚性生产 vs. 柔性生产

其次，需要考虑生产“柔性”与“刚性”。所谓刚性生产是指大批大量生产单一或少量产品，这种生产模式特别适合自动化，例如紧固件等工业标准件的生产就是通过自动化专机实现的；所谓柔性生产是指多品种小批量，甚至单件定制化生产，这种生产模式对自动化系统的智能化程度要求较高（从某种意义上接近或等同于智能制造），比较典型的行业是汽车的混线生产和非标零件的机械加工。

下图将目前国内制造业转型升级的方向进行了划分：

X向表示产品种类的复杂程度；Y向表示生产工序要求动作的灵活程度。

I. 产品种类复杂且动作灵巧度高：手工柔性生产

典型行业如飞机、航天器等复杂机电产品装配，成衣、皮具定制，家电、数码产品组装，以及前文所论述过的产品维修或返修；

这类生产对动作灵活性要求高，因此无法通过自动化手段替代人工或者替代人工的自动化设备研发投入过高。例如目前的机器人或运动控制技术都难以达到人手的复杂和灵活程度，因此诸如皮具制作和缝纫等工作在相当长的时间内无法被机器所取代；

适合这类制造企业的生产模式我称之为：手工柔性生产，即生产管理组织复杂且无法实现自动化。实际上这类企业非常适合走“智能制造”路线，既通过智能决策系统或相关的软件产品管理生产并指导工人操作。智能产品的作用在于指导生产，避免人为失误。

实操方案一：自动配料系统

例如保时捷发动机在装配过程中大量工序无法实现自动化，而产品多品种小批量的特点又难以避免工人在装配过程中犯错误。为调和这个矛盾，该生产系统采用集中备料的方案，发动机上的小型零部件随托盘运动到各个装配工位，装配工直接在托盘上取用配套的部件并按照电子操作终端的指示进行装配和自检即可。

相关话题请参阅智能制造解决方案旧文：《对智能制造的一些新观点 - 宾利W12发动机案例研究》

点击下面图片查看

此外，有类似成熟系统的汽车企业还有宝马，但它的配料需要工人根据物料车的指示在制定仓库托盘中拾取，没有实现自动化。

实际上比较成熟的软件应用是在服装行业，包括许多国内企业在内，许多成衣定制的服装集团都已经采用自动下料，配料系统：一件成衣所需要的全部布料和配件等，会通过该系统配送给某个工位或制作单元，而工人之需要按照设计要求缝制即可。

实操方案二：操作辅助终端（电子作业指导书+生产数据采集系统）

点击下面图片查看克莱斯勒变速箱组装视频

视频为克莱斯勒变速箱组装线，值得注意的是每个工位上都有操作辅助终端，工人在装配过程中严格按照电子作业指导书的每个步骤进行，同时辅助终端也记录相应的生产组装数据并发送给上位机。

以上两个方案是智能制造的基础，也是智能制造的雏形：自动配料方案实现柔性和单件定制化生产，操作辅助终端实现人与生产系统的数据交互；至于智能排产，动态调度，专家决策等系统都可以在这两个技术方案的基础上实施。

II. 产品种类单一且动作灵巧度高：手工刚性生产

典型行业如传统的服装，鞋帽业等，这类行业产品产量大，但生产过程基本上只能通过手工实现。

这种靠薄利多销生存的行业除非在产品设计和工艺上做文章，否则在自动化或智能化层面几乎没有改良的余地。当然，自动装配技术在不断改进，而这也需要模块化设计理念的完善。

点击下面图片查看机器人技术发展视频

值得注意的是视频中有一处是自动化机构将柔软的连接带穿过卡槽。

III. 产品种类单一且动作灵巧度低：自动化刚性生产

典型行业就是工业标准件生产如紧固件，轴承，齿轮，五金件，连接端子，微电子等行业，以及相对简单日用品如食品、饮料行业，纺织，印刷和制笔业等。

这类产品通常是通过专机和自动化设备实现的，而且技术非常成熟。中国大量低端制造业企业都属于这种类型的制造业，都可以通过自动化专机实现量产。

而且，这种行业一旦开发出全自动高效量产的专用设备，那么就极有可能实现对该行业的垄断，为其他竞争对手设置投资门槛。克强总理前不久提到的圆珠笔芯困境实际上就是这个道理：几大笔业集团垄断了笔芯制造设备，使笔芯的生产成本降至最低，因此中国这种市场追随者就很难获得同样的自动化系统，如果自行研发同类设备在投资上也并不划算，所以倒不如放弃这个行业，或者另辟蹊径，开发替代性产品和技术（圆珠笔芯问题将在日后展开讨论）。

下面视频是德国最著名的荧光笔生产商STABILO的自动化生产线

点击下面图片查看荧光笔生产视频

中国的中小制造企业里，有非常多是从事单一产品的批量化生产的，如USB线，鼠标，摄像头，拉链，打火机等。相信在未来的5年内必定会出现生产这些通用产品的全自动化生产线，也一定会在中国出现世界级的行业寡头。

IV. 产品种类复杂且动作灵巧度低：自动化柔性生产

最典型的行业就是汽车，目前国际上主流车型均采用混线生产模式，即自动化柔性线。这种生产系统对设备的自动化程度和软件的智能化程度要求极高。是目前复杂程度最高的生产系统。与汽车类似的还有电子行业，如电路板的生产。事实上木工是最容易实现自动化柔性生产的行业。理由是木工制造的工序简单，零件结构标准化程度较高，产品的多样性要求较高。说得更通俗些，就是木工行业与乐高积木的相似性最大。

视频中所显示的系统，CAD软件为木屋设计提供了非常多的标准件库，并且可以自动生成项目BOM表；CAM软件具备下料计算功能，可以在标准尺寸木料上优化毛坯下料尺寸并自动生成每个零件的NC代码；同时ERP系统将所需木料尺寸和数量发送给供应商并进行采购；木料到达车间后，生产系统可根据木料编码和尺寸决定下料毛坯，并对毛坯进行机械加工；加工好的零件被贴上标签，连同五金件打包送往建造工地，建筑团队可以根据图纸把送来的这批木料零件拼装成木屋。

从这个案例可知，由于木屋的木料零件都是直的，基本上都可以通过切割和钻孔完成，工序简单，可以在CNC上完成所有工序，因此容易实现自动化。此外，木梁的拼接相对简单，零件种类少且标准化程度高，给PLM系统的简化带来便利。与之相似的还有楼梯加工系统。

很多政府官员和企业家都认为木工是落后的夕阳行业，应该淘汰。但实际上瑞士，德国和奥地利等制造业最发达的国家已经通过技术升级，正在将木工行业改造成最接近“智能制造”和“工业4.0”理想的技术密集型产业。这个思路值得中国企业学习，不断用新技术改造旧产业和就产能，而不是一刀切地推到重来。

4. 哪些制造企业适合通过“信息化”转型升级

首先需要明确“信息化”和“数字化”两个概念。实际上“数字化”这个概念是近几年伴随着数字工厂慢慢被提及得越来越频繁，当我们说数字化的时候通常是指“图形化”，即将产品和生产相关的数据用图形的方式表达出来。而因为数字本身也是一种信息，所以信息化应该是包含数字化的大概念。

我们通常所说的信息化产品有很多，典型的如ERP，MES，CRM等。信息化的本质是把生产过程的复杂性通过信息表达和信息处理手段进行自动的管理，所以从某种意义上，信息化可以理解为管理流程的自动化。

为了便于区分制造业相关的信息技术，索性将信息化和数字化概念分开：数字化指图形相关的产品和技术，如数字工厂（Digital Factory），组态软件（Configuration software），仿真软件（Simulation），数据采集系统（SCADA），CAD/CAM/CAE等；信息化指流程相关的产品和技术，如ERP，CRM，MES，EMS（能源管理系统），APS等。

另外，数字化强调的是状态监控，图形化界面可以很好地辅助人类决策；而智能化强调专家决策系统，智能系统可以快速根据约束条件的改变获得次优解或近优解，代替人类决策。

现在，基本的数字化和信息化产品已经成为企业的必备工具，如CAD/CAM和ERP等。随着工业4.0和智能制造概念的提出，很多新玩艺开始受到关注。比如工业4.0中提出的信息物理系统CPS使得3D仿真和组态产品成为工控领域的新宠；而智能制造又使得MES和APS获得新生；10年前我做组态软件和MES的时候，离散制造行业几乎没有市场，现在想来，当时做的东西完全可以大言不惭地包装成工业4.0项目，而现在相当一部分鼓吹4.0的企业做的就是做MES和SCADA。当时只有为数不多的几个行业有实力搞MES和SCADA（现在可以号称生产大数据）：油田，石化，电力，烟草以及少量钢铁企业。离散制造业最开始上MES的据我所知是黎明机械，与中石油霍尼韦尔的MES项目几乎同时。

在面对种类繁多的信息化产品和方案时，企业需要认清自身的实际需求，绝对应该尽量避免在追求酷眩的过程中迷失。其中比较容易盲目投入的是数字工厂项目，并不是说数字工厂不重要，而是由于图形化实时显示工厂运行状况通常会让人“不明觉厉”，感觉很酷。但问题是图形化的程度要多少，是否一定3D仿真？2D是否就已经足够表达工厂运行信息？车间设备级的动作仿真是否有必要？搞这些花里胡哨的东西是不是只是为了给领导看？

3. 哪些制造企业适合通过“产品设计和工艺”转型升级

由于产品是制造业创造价值的最终载体，而制造业的产品永远是实物，所以产品被设计成什么样子（产品设计）和如何把实体产品做出来（生产工艺）是制造业永恒的话题。在任何阶段投入精力研究产品设计和生产工艺几乎都是正确的战略选择。

值得中国制造企业注意的是：设计和工艺是不可分的，生产设备和工艺现状可能制约着设计，而设计的好坏又直接影响到工艺/工序路线的选择，影响到产品的功能，质量，可靠性，生产成本等。

在笔者看来，中国制造企业转型升级应该始终围绕着工艺提升展开，特别是工业产品生产商。将X轴定义为工序复杂程度，将Y轴定义为工艺难度，以此区分不同行业的技术难点。

I. 工序复杂度高且工艺难度高

高端工业产品都具有这个特性，而这种行业通常都是大型企业集团，他们有自己的战略规划，这类企业的转型升级是全方位的，需要阶段性发现生产短板并加以弥补。

典型行业如航空发动机，飞机，航天器，汽车等；

II. 工序复杂度低且工艺难度高

典型行业如轴承，叶片加工等特种零件的生产；

由于工序少，工艺难，所以在这类企业里通常容易见到大量高端设备，但是种类相对较少。

这种行业特别容易出现利基企业即所谓的隐形冠军。只要企业保持某种特殊工艺的领先性就可以获得技术独占性优势。这种企业在转型升级时就应该考虑工艺的提升，并且根据现有特殊工艺研发专用设备。

另外，值得注意的是工艺的替代性，这类企业必须时刻留意最新的技术动向，时刻关注自己的工艺诀窍是否会被新技术所取代。同时也需要思考，在现有工艺技术的基础上，是否可以衍生出其它产品。

德国和日本这类企业非常多，但是同样面临转型问题。

III. 工序复杂度低且工艺难度低

这类产品说白了就是没有什么生产技术含量的，以通用标准化产品为主，比如工业标准件，这类产品强调质量和产品的稳定性。这种行业适合采用自动化专机或专门的自动化系统。尽量通过机器保证产量，质量和利润；

IV. 工序复杂度高且工艺难度低

典型行业如家电和数码产品生产，每一个工序都很简单，但是步骤非常多。在这类企业的生产车间里会见到各式各样的设备和工作站。中国制造业目前的优势恰恰就在这个象限：

3. 制造企业转型升级策略小结

![](http://img.chuansong.me/mmbiz/uRJbLDaicANZib5sTuZibVfMb2HX4pPicdrYVHGdtl8FibibmUjVmWWictmHibt2nMeoic8GQvxsAXbdUkIpeSN3O7xVMHA/640?wx_fmt=png)

总之，转型有风险，决策须谨慎！

作者及机构简介

吴昊阳 德国MAKA系统公司（MAKA Systems GmbH）中国区负责人，技术顾问 。

- 负责专用自动化制造系统的方案设计与项目实施；

- 针对工业4.0/中国制造2025/中国制造转型升级等概念和课题开展理论性研究，并针对实际项目提供咨询服务和技术解决方案；

MAKA Systems GmbH（www.maka.com）成立于1952年，从事专用柔性制造设备和智能生产系统的研发和生产，同时提供全自动无人车间和智慧工厂的解决方案以及生产工艺改进，辅助工具设计，技术平台规划，升级策略制定等专业咨询服务。

End

来源：吴昊阳先生供稿

人工智能企业自动化的关键现状和战略影响

人工智能和机器学习在亚马逊 Alexa 等面向消费者的应用领域取得了长足的进步，在企业内的的部署也不断涌现。

关于 AI 自动化对企业的影响范围和影响程度的意见不一。 一方面，牛津大学最近的一项研究表明，在未来二十年内，50% 的工作都可以由 AI 自动化完成。另一方面，许多企业高管仍然对 AI 的实际影响持怀疑态度。 此外，目前的炒作和媒体也存在许多误导。

基于对学术界、初创公司和企业用户的亲身参与的客户访谈，我在本文中总结了 AI 企业自动化的四个关键事实和战略影响：

事实 1：目前的 AI 爆发是可持续的，企业管理者不应该忽视

机器算法历史上第一次在诸如图像识别、语音、文本翻译以及围棋这样的复杂的任务中击败人类。 目前的机器学习热潮是由三个基本驱动因素的融合推动：（1）深度学习算法复杂性的持续突破，（2）大数据（或结构化数据）的快速增长，（3）机器学习的指数加速， 如 GPU 芯片组这样的机器学习硬件，将训练时间从几个月缩短到几天、几个小时。

机器学习发展的三个潜在驱动力预计将在近期加速（见下图）。 到 2020 年，将有 70％ 的企业数据将通过云数据中心进行存储和处理，这将为机器学习算法训练提供前所未有的大数据基础设施。同样，加快机器学习算法训练和处理的硬件芯片正在迅速发展。 Google，NVidia，Intel 等都宣布推出下一代 GPU 芯片硬件，这将进一步加快训练速度 10-100 倍。最后，底层机器学习算法继续加速进步，这一点从专利申请和申请的增长可以看出。

上述趋势提供了强有力的证据，表明 AI 能力和表现将在近期内继续改善。商业领袖不应该忽视 AI。

事实 2：AI 的使用案例在企业中普遍存在，但范围有限

鉴于 AI 的进步将会继续加速，那么 AI 在未来 5-7 年内能够做什么？ 专家的共识是，大部分的企业用例都是弱人工智能（如有监督式学习），实现近似人类的广泛智能还需要数十年。

简而言之，人工智能算法将具有从训练数据中自动完成任务的学习能力。 但一旦学习了某个任务，解决方案的范围就会缩小，而且在大多数情况下，不能推广执行其他任务。下图显示了今天或未来 5 年内可能出现的用例：

考虑到以下的计算机视觉用例，一家公司可能需要训练 AI 算法来自动扫描 PDF 和手写发票，验证字段格式并触发自动应付账款流程。 更高级的算法（即无监督学习）已经出现，即使在未标记的数据上也可以训练解决方案。

然而，由此产生的人工智能解决方案从根本上局限于自动执行文本字段识别和格式化的任务。 如果公司希望使用发票处理机器人来发现欺诈行为，那么他们将需要设计和训练一个全新的解决方案，重点关注其他基础功能和模式。

在可预见的将来，人工智能应用将沿着弱人工智能的“使用训练数据的有监督学习”范式。 这有两个战略意义：

获取训练的标记数据成为战略能力和差异化的根源

AI 解决方案需要深入的功能和特定领域的与人类共同创造和重新设计流程

事实 3：优先专注于优先级 A→B 活动

日本保险公司 Fukoko 最近宣布使用人工智能替代人工进行索赔处理。 高盛在 2000 年至 2016 年期间将 600 个交易员的团队转变为一个更加精简的 200 人的机器学习团队。

然而，并不是所有的企业活动都适合于目前使用数据范式的弱 AI 自动化。

描述机器可学习任务特征的一个有用方法是 Andrew Ng 的A→B活动; 投入明确的数据集 A，产生答复的活动 B.

例如，零售需求预测可以认为是 A→B 活动。 通过获取季节、区域销售历史数据，销售趋势点，社交媒体信号以及定价敏感度数据等多种输入信号，该算法可能实现对未来需求的预测。

金融交易也是一个 A→B 的活动。 交易算法得到一组输入数据，如历史价格，宏观趋势驱动因素，过去交易者遵循的套利规则等，产生买入或卖出的输出。 基于输入（A）进行正确的交易（B）可能是一个困难的问题，因为市场潜在的不可预测性，但是如果 AI 解决方案在大量交易中能超越人类，仍然是具有吸引力。

将企业流程和活动分类到 A→B 与非 A→B 类别可以帮助管理者对 AI 自动化和增强策略进行系统机会的扫描。

参阅下图，了解适用于 AI 的其他A→B任务，以及不适合 AI 自动化的活动。

事实 4：AI 的采用不仅需要技术上的可行性

我们的客户经验表明，即使潜在的技术要求可以实现，一些 AI 应用的采用率也会比其他应用更快。公司需要考虑更广泛的部署采用的驱动因素， 关键采用驱动因素包括：

一次性成本：用于开发 AI 解决方案的初始资本支出，例如算法开发和训练数据采集。人工智能算法的开放源代码的可用性，“人工智能即服务”平台可以帮助减少固定成本。获取训练数据往往成为一个昂贵的瓶颈，成为差异化的关键。

转换成本：用新的 AI 解决方案取代当前解决方案的相关成本和障碍。 这包括技术障碍，例如打开 AI 算法黑盒子以追踪和解释决策的能力，以及政治，文化和变革阻力等人为障碍。

生态系统需求：作为综合解决方案的一部分，需要补充技术。 例如，需要与创新的物联网传感器和新兴的机器人技术集成，人工智能解决方案将经历更高的采用复杂性。

系统外部性障碍：人工智能解决方案的网络外部性，其中采用的价值随着采用的增加而增加。

参见下图，具有不同采用挑战和潜在采用时间用例对企业的影响：

基于消费者语音或聊天来自动化进行情感分析，以提高话务员能力的案例。 该解决方案在文化和风险方面的转换成本显然较高。客户对从小处着手以减少对消费者的负面影响要敏感得多。 即使解决方案有效，客户也需要重新设计端到端的培训流程，以允许 AI 引擎推送建议。 最后，解决方案具有相对较高的网络外部性，更高的采用率将产生更多的训练数据以进一步提高性能，但收集最初的批量训练数据将需要时间和领导人“信心的飞跃”。 鉴于这种复杂性，人工智能情绪分析机器人可能需要长达 7 - 10 年，而不是 2 - 3 年时间内快速采用。

AI 自动化用例在企业和价值链中迅速成为现实。企业领导者应该从今天开始采用严格的基于投资组合的方法来开发机器学习功能、数据和合作关系。

机器人和AI崛起，服务型经济的春天来了

作者：BCG波士顿咨询

来源：BCG波士顿咨询（ID：BCG_Greater_China）

机器人流程自动化（RPA）和人工智能（AI）过去一直被视作相互独立的两个领域——RPA支持者认为AI不实用，而AI爱好者认为RPA太原始——但实际上二者高度互补，相当于大脑和肌肉的关系。企业能够利用RPA实现速赢，同时引进AI战略以实现长期效益和持续优化。

同时利用RPA和AI的做法对服务行业尤为适用，这里的服务行业包括银行、保险和电信等服务行业，也包括财务、人力资源和IT等企业支持性职能部门。

但是，同其他技术一样，RPA和AI并非万能，但若能将二者系统化地应用于流程及服务组织，则有助于提高产能并产生洞察。要做到这一点，企业需要制定清晰的业务目标，并确定RPA和AI在整体优化工作中扮演的角色。

另外，企业在引进这两项技术时需要制定清晰的变革管理计划，以应对这些技术对组织和运营部门以及员工带来的冲击，避免员工感受到机器人和其他变革性技术的威胁。

自动化：机器人的崛起

最近几年，RPA大获服务型企业的欢迎。通过利用该工具，企业能够用软件机器人替代过去需要人工操作的计算机活动，这些机器人能够打开电子表和数据库、在程序之间拷贝数据、比较信息资料以及执行其他日常任务。RPA最适用于基于规则的重复性流程，而这类流程遍布于多个IT系统。RPA简直就是增强型的宏技术功能。

与人类相比，这些机器人具备多项优势：全天候运行、极少犯错、接受新任务、易于监控且运行速度是人类的五倍。通常，这些机器人能够在一年内收回成本，并帮助企业节省20%-80%的开支，具体节省幅度取决于被替代的人工操作的工作量和复杂度。

RPA能够覆盖于现有IT系统之上，且安装时间短、成本低。但是，RPA的推广如果无合理规划，会导致临时解决方案泛滥，进而威胁到整个IT架构和完整性。

那么，RPA何以成为许多服务型企业的关注焦点呢？首先，供应商能够提供强大且易于操作的 “即时拖放型” RPA软件；其次，企业的应用架构仍过于复杂，需要太多的人工操作。为简化并加速流程，许多企业部署了成百上千个软件机器人。

例如，某电信公司使用机器人将所谓的“旋转椅流程”自动化。过去，该流程需要员工在多个后台遗留系统之间反复转换，而现在机器人能够帮助核实合同条款并管理外勤服务人员。RPA在部署后的一年内能够带来高于成本一倍的回报，在第二年内能带来高于成本两至三倍的回报。

除了带来上述效益，机器人的引进也给电信公司带来了挑战：IT系统要求机器人输入员工验证码；在工会对失业问题表示担忧后，电信公司对受影响的员工重新分配工作。

RPA更大的缺陷在于软件机器人只会遵守规则，不会学习或改进。当规则与现实冲突或发生异常事件时，需要人工干预。某领先家具零售商使用RPA安排送货时间，并将多人同时预订等异常事件交由呼叫中心坐席人员处理。在处理异常事件时，机器人为坐席人员提供完整的历史订单并自动拨号，让坐席人员做好充分准备，随时与客户沟通。

尽管机器人的运行速度比人快，但远远比不上完全自动化的流程。例如，机器人需要打开并登录应用，而自动化程度更高的流程则能够通过系统层面的打通，更加快速的处理任务。

鉴于RPA的种种局限，许多企业决定探寻更具雄心的解决方案，也就是AI。

AI：当计算机学会观察、讲话和思考时

作为计算机智能化的代名词，AI的表现已达到全新的高度，并在业务流程、互动和产品中的应用日益增多。计算机能够处理语言并保留知识，进而与人类进行深入、顺畅的沟通。计算机还学会了“观察”，能够从虚拟世界走向真实世界。所有这些能力对企业未来竞争优势影响深远，而从短期来看，AI至少能够改善三类服务：

上述分类并非完美，因为机器的“思考”方式不同于人类，导致前两类任务——代表大多数工作——之间的界限很模糊，但该分类能够为企业服务中的AI应用奠定基础。

许多企业面临AI挑战。通过处理越来越多的数据，机器能够进行归纳性学习，但这种学习过程不会自发进行，而是需要人类对算法进行训练。企业在缺乏AI能力的情况下，通常会求助于供应商，而供应商有时候会过度推销自己的AI产品，最终导致企业的AI试点项目失败（参阅MIT斯隆管理评论2017年发布的报告《人工智能重塑企业：弥合目标与行动之间的差距》）。

为克服该挑战，某大型保险公司从供应商之外寻求建议，从而了解哪些自动化和AI项目最具有潜力。该公司评估了劳动力和理赔成本、欺诈或超额索赔案件识别能力以及处理该索赔案件对客户关系的影响，同时也明确了运营和IT需求，尤其是新旧系统契合度，并分析了从传统基于规则的方法到先进AI算法的一系列解决方案。

最终，该保险公司决定成立一支内部AI专家团队，负责为某些领域开发透明的算法学习解决方案，而放弃更先进的深度学习方案。该公司表示，对许多其他领域而言，传统的规则驱动型自动化就已足够。

AI应用不限于金融服务，而是适用于所有行业。通过利用AI，零售商和消费品公司能够为客户提供个性化产品，B2B公司能够更有效地进行交叉销售，而工业品公司能够提供预见性维护服务。各类企业均能在风险与合规管理以及IT安全事务中运用AI。

自动化与智能的结合

许多服务型企业开始认识到将RPA与AI结合的优势。通过这种结合，企业既能快速回收RPA成本，又能发挥AI的巨大潜力。这种做法最适合拥有大规模遗留系统的企业，例如金融服务和电信行业，或者企业的人力资源和财务部门。

员工可以同时利用RPA和AI来优化服务流程。对规则驱动型流程的人工干预标志着从自动化到人工智能的自然转移。例如，机器人能够利用光学符号识别技术，将数字化文本发送给人类员工，让人类员工对文本中的日期、地址和主题等信息进行分类。久而久之，AI系统将能够接手此分类工作，随着系统不断改善，人工操作将被逐步替代（参阅图1）。

例如，亚洲某银行将自动化与人工智能相结合，希望以此改善客户体验、加强风险与合规管理并削减成本。该银行已经将许多独立流程数字化，因此而减少了员工数量，但并未就此止步不前。

为取代人工操作，银行安装了能够即时学习的RPA和AI系统，该系统能够将不确定如何处理的任务转交给人类员工。仅四周内，AI系统就达到了50%的准确度，并最终超越了人类员工。

通过上述自动化和智能转型，银行将成本削减了20%，并将某些流程的时长从几天缩减到了几分钟。此外，银行还积累了自动化和AI模块数据，能够在其他场景中重复利用。

从经济角度而言，将所有的服务自动化并非合理之举。但是，即使是在更为复杂的情况下，企业也能通过对某些活动进行预处理，将人类工作量降低80%，甚至更多。

准备行动

企业在引进自动化和人工智能时要做到条理清晰并考虑周全，避免掉入供应商设下的陷阱或犯下常见的错误（参阅图2）。

价值创造离不开战略。企业需要对自动化和人工智能的风险和回报有着客观的见解，并对自身目标有着清晰的认识。整体RPA和AI战略及目标制定应该服务于重点业务的发展，并反映出企业对新兴科技的成熟度和颠覆潜力的清晰认识。

进步离不开设定优先目标。企业需要客观评估RPA和AI项目的当前进展，并全面寻找机遇。企业还需要分析如何利用内部和外部数据，并发挥智能机器的速度和规模。为避免短视，分析工作不能凭空开展，而是要根基于企业正在进行的一系列效率改善和其他优化工作。

在设定工作优先级时，一种合理的做法就是用热点图捕捉分布于各类相关产品和流程的RPA和AI机遇，用绘图的方式交叉对比业务价值和技术可行性。企业应首先找到改进潜力最大的领域，然后客观评估当前各项技术的能力。除此以外，企业在执行过程中还要采取端到端视角。例如，某企业急于将一些零散的工作自动化，却不知道这种做法既不会减少员工数量，也不会改善企业绩效。

成功离不开试点。企业在设计试点项目时要记住，完美并非来自实践，而是来自完美的实践。如果企业只是随机开展试点，就可能会从中吸取错误的教训。例如，某企业没有采取端到端做法，导致其在价值链中间安装的机器人给前后端造成了很大负担。

实现目标离不开路线图。企业应从优先级的设定和试点运行中获取洞察，并将洞察组合起来制定一张全面的RPA和AI路线图。我们总是会看到，一些实验由于缺乏透明度、有效的协调和指导而无法达到期望值。企业制定的时间表和计划需要全面考虑技术、组织、人员和运营模式的根本变化。项目发起人——最好是高层领导——应对转型工作进行监督，因为成功始于高层。

成功离不开数据与技术的整合。在遗留系统的基础上安装简单的RPA系统是一件很容易的事情，但是随着自动化和智能程度增加，系统安装难度也会提高。企业必须确保新系统能够与呼叫中心和其他服务中心无缝整合，企业还需要成立绩效中心来管理整体自动化和人工智能活动。并且，随着企业向AI迈进，它需要获取大量内部和外部数据。鉴于外部供应商提供整合的能力层次不齐，企业有必要对外部供应商进行深入评估。

自动化和AI的应用离不开新的运营和治理模式。自动化和人工智能改变了企业的工作性质和盈利格局，进而对服务的组织和交付方式带来了深刻的影响。尽管有人声称自动化削弱了共享服务中心的重要性，但它仍然是企业运作中的重要一环。过去，许多共享服务中心位于工资水平较低的地区，目的是利用劳动力套利；未来，共享服务中心的职责将变得更具战略性，更倾向于数字化能力建设、客户服务、数据分析和决策支持。

从宏观角度而言，企业AI应用的兴起会冲击传统组织架构和流程设置。由于持续学习成为了人机互动的主题，职能和技术团队不得不采取敏捷工作方法以加强合作。AI和敏捷性的本质均为迭代，对它们而言，任何产品和流程均为连续的循环。算法从过去的成果中吸收经验，而敏捷团队从过去的快速原型设计和反馈中获取教训。

最终，企业也许会向“自动化和智能化第一”的方向前进，一如曾经多渠道话题中的“移动第一”口号。这种对绩效和效率的不懈追求将释放劳动力，让更多人参与下一轮的服务改进工作。

自动化和AI的成功离不开变革管理和能力建设。自动化和人工智能的引进必然会遇到阻碍。在自动化和人工智能的应用过程中，企业可能会面临来自员工和高管的阻挠，因为员工会担心保不住饭碗，而高管会满足于现状。最终，员工和高管都会认识到，要抓住不断更替的机遇，就需要掌握新技能。

即使不会威胁员工就业，企业在引进自动化和人工智能时也会面临挑战，因为管理者不熟悉如何同时管理人与机器。企业也许懂得如何向员工传播变革，但不一定能够解决员工在情感上对自动化的抵触。

而这种抵触可能来自IT部门，这一点可能出乎企业的预料。IT员工也许愿意接受新技术，但不一定适应敏捷工作的模式，亦或两者都不接受。

除了管理员工的反应，企业还需调整自身能力以满足两项要求。首先，企业需要招募掌握现代技术的员工，以应对激烈的竞争。为解决人才短缺问题，企业可以考虑集中式地管理AI资源，至少可以在初期采取这种做法。其次，企业需要为面临失业的员工提供培训，为其分配新职责。增强现实技术能够帮助这些员工转型，同时最大程度上减少新技术培训。

印度的业务流程外包商在引进自动化和人工智能时已经历上述挑战。其中一家外包商向我们透露，它们每季度帮助数千名员工从传统岗位转移到新岗位，并为逾十万名员工提供设计思维方面的培训，该培训旨在帮助员工构建创意，并运用这些创意改善客户服务。

RPA与AI的结合既是机遇也是挑战。企业能够通过开展速赢项目抓住该机遇，但也需要思考如何利用RPA和AI在未来更艰难的环境下茁壮成长。正如老子所言：“千里之行，始于足下。”

关于BCG大中华区数字科技业务团队成员：

郭晓涛(Michael Guo)是波士顿咨询公司（BCG）的合伙人兼董事总经理、数字科技业务大中华区负责人，在亚太地区金融服务领域拥有丰富的咨询经验，专业领域包含战略、转型、组织、运营、IT和大型项目管理。如需联络，请致信guo.michael@bcg.com。

徐勤(Qin Xu)是波士顿咨询公司（BCG）的合伙人兼董事总经理，也是BCG金融行业专家，对中国和全球顶尖金融机构有深入洞察，擅长金融科技和资本市场项目。如需联络，请致信xu.qin@bcg.com。

李懋华(Leonard Li)是波士顿咨询公司（BCG）的董事经理，也是BCG亚太区数字科技业务核心成员，以及BCG金融专项咨询团队成员。如需联络，请致信li.leonard@bcg.com。

孙蕾(Lei Sun)是波士顿咨询公司（BCG）的资深项目经理，BCG亚太区数字科技业务银行数字化、金融科技的核心成员，尤其擅长金融科技课题。如需联络，请致信sun.lei@bcg.com。

李壮(John Li)是波士顿咨询公司（BCG）的资深咨询顾问，也是BCG亚太区数字科技业务银行数字化、金融科技的核心成员。如需联络，请致信li.john@bcg.com。

秋钦夫(George Qiu)是波士顿咨询公司（BCG）的咨询顾问。如需联络，请致信qiu.george@bcg.com。

吴品諴(William Wu)是波士顿咨询公司（BCG）的咨询顾问。如需联络，请致信wu.william@bcg.com。

流程驱动的企业数字化转型

大家下午好，我是普元的邓通，之前在群里分享过《企业数字化转型实战：红领酷特智能C2M商业生态》，非常高兴今天再次在这里和大家交流。今天向各位分享的主题是《流程驱动的企业数字化转型》。

主要从三个方面介绍：

一、企业数字化转型探索

二、是企业数字化转型之路

三、是数字化转型前后的区别

一、企业数字化转型探索

前段时间我查了一个数字－中国网民的数量，最新数据显示，截止2016年6月，中国的网民规模达到了7.1亿，其中手机网民规模达到了6.56亿；而这个数字我在上次5月份分享时的数据是2015年12月底的6.88亿；对比我们可以看到，半年时间中国网民的数量又增加了2200万。我们及我们身边的朋友应该都是其中的一员，作为消费者，PC、平板、智能手机等越来越多的互联网终端让我们的生活方式日益数字化，我们每个人的“衣、食、住、行、游、育、娱、医、职、友”等生活方式都发生了巨大的变化。

随着消费者生活方式的日益数字化，企业也希望通过数字化转型来满足数字化时代用户的需求。提到企业数字化转型，不得不提现在的一个主流观点：未来的企业必将成为数字化企业，每个公司都将会成为软件公司！

于是，各行各业都掀起了“数字化转型”的热潮，很多优秀的企业已经开始了数字化转型的探索，他们花费了大量的人力和财力投入到移动互联、物联网、大数据、云计算、社交网络等数字化技术上。

但是我们发现，这些企业仍然存在客户定位不清、渠道相互孤立、流程与战略脱节、价值链不协同、组织冗余效率低等问题。

为什么呢？分析其原因，我们觉得，企业数字化转型需要“内外兼修”，除了借助“物联网、互联网、大数据、云计算、社交网络”等工具修炼外功，企业还需要加强内功的修炼。

二、是企业数字化转型之路

根据我们在红领、洋河、蓝月亮等企业的数字化转型实践，我们认为企业数字化转型之路需要关注四大战略：

战略一：重构企业运营架构

企业运营架构重构需要遵循用户中心、渠道整合、流程驱动、组织扁平四个原则，因为数字化时代的企业运营架构必然是：

一个以用户为中心、服务为导向的运营架构

一个多渠道整合、提升客户感知的运营架构

一个以流程为驱动、订单为导向的运营架构

一个流程驱动组织、扁平化管理的运营架构

原则一：以客户为中心

因为数字化时代的商业模式将从现在的B2B、B2C逐步变为C2B或C2M，企业也要从“以产品为中心”转向“以客户为中心、以服务为导向”。

但是，如何才能真正做到以客户为中心呢？

从“以产品为中心”向“以用户为中心” ，我觉得至少需要从四个方面的转变：

原则二：多渠道整合

随着互联网技术的发展，企业服务于客户的渠道也越来越多样、复杂，线上、线下、直销、电销等，为什么要整合？因为传统企业的这些渠道间是相互独立、缺乏关联的；客户体验很差。

企业数字化转型需要多渠道深度整合、全流程贯通，线上线下协同、相互促进。比较典型的例子有苏宁易购实现线下体验、线上交易、洋河O2O实现线上引流、线下配送相互促进。

原则三：以流程为驱动、以订单为导向

为什么要以流程驱动、订单为导向？因为订单是企业的命脉，流程可以保障订单的高效执行。当然数字化企业对流程引擎的要求也将发生变化。传统企业的流程是部门级的，存在大量的人工审批；数字化会颠覆原有的流程，自动化的决策流程与自助服务相结合会逐步替代人工流程。所以未来的流程引擎将从关注“会签”、“阅办”、“串签并签”等人工审批功能转向“自动化”、“自助化”及相应的规则和性能的支撑，比如通信行业客户的开户流程、银行－小额自助贷款流程、电网－自助缴费流程以及公共服务行业－外地车进京办理进京证流程。

所以数字化时代的企业流程管理趋势必然是端到端、数字化自动流程、全生命周期管理。

原则四：流程驱动组织、扁平化管理

传统企业的组织机构是职能型组织，其特点是以部门为单位定岗定编；未来，企业将以满足客户需求为核心设计运营流程，以完成流程节点要求为导向设定岗位；组织机构逐步走向流程型组织、扁平化管理。

战略二：建立数字化价值链

数字化价值链的建立首先需要建立价值链上上下游与设计人员、供应商、制造商、服务商等企业间的横向集成、建立数字化商业生态，实现数据的协同、共享。通过与交互平台、设计链、供应链、智能制造、智慧物流、在线服务的整合，实现用户需求定制、互联网下单、客户参与设计、智能化采购零库存管理、个性化制造、高效协作、客户化服务。

其次也需要通过与企业内的企业资源系统、制造执行系统、自动化控制系统、设备与传感器等纵向集成，实现数字化运营；一切系统、设备都服务于订单，都为了满足客户需求。

战略三：借助移动互联实现业务模式创新

通过多渠道多终端接入，多屏融合建立与用户的“连接”，实现客户驱动工厂的C2M商业模式；

在C端为不同的客户建立不同的服务渠道，如微信、微博、交互设计、在线订单、在线客服等，通过平台层接入业务系统，支撑业务订单的处理，通过数字化技术驱动M端智能生产及工业化效率。

战略四：建立自主掌控的IT基础架构

因为只有建立自主掌控的IT基础架构才能支撑数字化时代的业务敏捷、智慧创新和精益运营，这也是为什么说未来的公司都将是一个软件公司。比如之前分享的红领酷特智能，建立了自己的软件公司，在开放、可控的IT基础架构的基础上实现大数据、智能研发等业务系统的自主研发。

总结来说，企业数字化转型需要在自主掌控的IT基础架构的基础上重构企业运营架构、打造数字化价值链及业务模式创新，实现IT精益运营。

可以说IT精益运营是企业数字化转型的基础。

三、是数字化转型前后的区别

以上是分享了流程驱动的企业数字化转型之路，传统企业向数字化转型，在“用户”、“渠道”、“流程”、“组织”、“价值链”、“IT”等方面都需要逐步改变。

最后，我们可以看到已经有像红领、洋河、蓝月亮、上海移动、索非亚等众多的企业走在了数字化转型的路上；红领的数字化转型实践在5月份已经分享过，后面有机会的话可以给各位分享一下洋河的数字化转型实践。红领的数字化转型实践没有看过的朋友或者想再看一遍的朋友可以看我们的软文《企业数字化转型实战－红领酷特智能C2M商业生态》（点击文章标题即可阅读）

关于作者：

邓通

EAII-企业架构创新研究院 专家委员

现任普元SOA产品管理部经理，曾在多家高新技术企业担任项目经理、咨询顾问、售前总监等职位；长期致力于企业业务流程管理、企业管理系统建设实践，对建立大型企业应用领域的SOA平台化拥有多年IT规划、项目实施、咨询经验。

被自动化夺走工作的人类，你们的未来在哪里？

2015-08-10 机器之心 机器之心

本文选自MIT Review，机器之心编译出品，参与成员：张玺、柒柒、赵赛坡

当Hod Lipson介绍他的创意机器实验室（Creative Machines Lab）时，我们不难发现他的雄心壮志。「我们致力于创造出富有创造力的机器人。」Lipson是康奈尔大学的一名工程学教授，是世界范围内享有盛誉的人工智能及机器人方面的专家（Lipson打算于今年七月将实验室搬迁至哥伦比亚大学）。他的研究项目旨在探究机器与自动化相结合的无限可能，譬如机器人运用基本构造单元「进化成」完整的自我。（他的康奈尔大学同事正在研制充当咖啡师及厨房帮手的机器人）。若干年前，Lipson展示了一个算法，通过形式化描述与已知规律相符合的新科学规律以解释实验数据。他实现了科学发现的自动化。

Lipson认为未来的机器及软件将具备超乎想象的能力。 直至今天，他的想法都是不可思议的。但他却开始操心那些若干年前于他而言无法想象的问题。自动化与数字化技术的飞速发展将为社会创造出更多的财富，但也同时会减少更多人的就业机会，这会引起社会动荡吗？

Lipson称，「越来越多的计算机辅助自动化技术已渗入由制造至决策的各个环节中。近几年，深度学习的不断发展已经引发了一场人工智能界的革命，而3D打印技术也开始逐渐改变工业生产流程。长久以来，大家始终认为技术在消灭传统就业机会的同时还会创造更新更好的就业机会 。而如今的事实充分说明了，技术确实是在减少传统就业机会，同时也增加了更新更好的就业机会，但其创造的新兴就业机会已越来越少。我们技术专家必须开始正视这件事了。」

其实， 从19世纪初期的英国第一次工业革命开始，人们就已经开始担心飞速发展的技术会消灭就业机会。卢德革命(Luddite protests)过后几年，确切的说应该是1821年，英国经济学家大卫·里卡多（David Ricardo）就已经对「机器替代人工」表现出自己的忧虑。1930年，也就是肆虐全球的大萧条时期，约翰·梅纳德·凯恩斯（John Maynard Keynes）就「有效使用劳动力的发现」而引起的「技术失业」现象提出了警告。(万万没想到，凯恩斯随后就补了一句，「这仅仅是失调的临时过渡阶段」)。

时至今日，不断拉大的贫富差距问题已出现于美国、欧洲及其他多数发达国家中，而技术又一次成为造成不平等现象的嫌疑人。「经济合作与发展组织」在最近发表的一篇报告中指出，在其34个成员国中，多数国家的贫富差距已处于历史高位水平，造成该问题的原因是中低收入阶层（收入属于总人口中后40%的人群）的薪酬水平在下降。甚至，多数最底层的劳动者亲历了过去数十年工资的持续下降。经合组织也警示收入不平等将会破坏经济增长。此外，美国中产阶段的不满及低收入劳动人群的重压已日益凸出且明显。

日前，总部位于华盛顿的公共政策研究组织布鲁金斯学会在汉密尔顿研究项目发表了一份调查报告。该报告称，2013年度，拥有高中文凭且年纪在30至45岁范围之间的男性中仅有68%的人获得了全职工作的机会。过去几十年，普通劳动者的收入增长水平始终无法与经济增长水平相当。从1990年至2013年，未取得高中文凭的男性工作者的平均收入下降了20个百分点，而那些仅有高中文凭的男性工作者下降了13个百分点。尽管女性工作者的收入仍然不及男性工作者，但她们的境遇却相对好一些。同一时期，未取得高中文凭的女性工作者的平均收入约下降了13个百分点，而那些手握高中文凭的女性工作者反倒提高了3个百分点。

今日飞速发展的人工智能与自动化技术是否预示着机器人与软件将大幅减少人工劳动力需求的未来？

探究决定工作机会与工作收入的影响因素，本身就是一件很困难的事情，尤其还需要将技术与全球化、经济发展、受教育程度及税收政策等其他因素划分开来。虽然有失偏颇，但技术的提升的确给中产阶层的收入下降做出了一个貌似合理的解释。经济学家普遍认为，很多人并没有接受那些待遇丰厚且需要复杂技术的工作的训练及教育。与此同时，软件与数字技术已取代诸如会计、薪金核算及行政等各类日常工作，迫使那些被取代的人去接受薪资收入更低的工作，更有甚者—让他们直接失业。此外，在过去几十年中，不断增加的自动化制造已颠覆了许多中产阶层的工作机会。现在，你该知道劳动力总需求下降的原因了吧。

在MIT经济学家David Autor看来，这些长期的发展趋势早在十年前就已经有萌芽。David Autor曾经研究过「工作两极化」现象，这是一种中等技能工作消失的现象，同时伴随着低技能工作与高技能工作需求的增多。David Autor进一步指出，这种劳动力需求的「中空」现象已经持续了很长一段时间。

尽管如此，2007年到2009年的经济衰退让进展加快了不少，有很多只需要简单技能但工资很高的工种实现了自动化。英国哥伦比亚大学的经济学者Henry Siu描述为：这些工种「在经济衰退中跌落到悬崖，随后也没有出现反弹」。「跌落」的工种包括销售、行政之类的白领工种以及车间组装、机器操作等蓝领工种，这些工作解决了美国几乎50％的就业问题。Henry Siu的研究还显示，这些工种的消失或需求减少已经对年轻人产生了极其严重的影响，他们中的很多人甚至不再找工作。

比起这个糟糕的状况，还弥漫着一股深深的恐惧。这是否意味着当机器取代了人类一个又一个工种时，从某种程度上断绝了那些曾经致力于通过工作完成阶级逆袭的下层人民的活路？那么，我们现在是不是处在历史上一个独特的经济转折点上？欢呼着技术为我们带来更好的医药、服务和产品，但惧怕着那些无法收获经济利益的技术。机器人或软件会在未来取代绝大多数的工人吗？

受惊吓的孩子们

没人知道上述问题的答案是什么。很多经济学家还无法证实技术进步直接导致工作机会的减少，也无法确定我们正在经历的这些与过去几次技术摧毁旧工作并创造新工作有没有不同。最近几年来出版的一些书和论文试图阐述如下观点：人类在人工智能与自动化的进步在本质上不同于过往技术进步对于就业的影响。Martin Ford就是持这一观点的人，在他的新书《Rise of the Robots: Technology and the Threat of a Jobless Future》里，Ford列举了多项新技术，比如无人驾驶汽车、3D打印技术等，并认为这些技术将最终取代很多人类的工作。那么，我们又该如何适应一个「没有工作的未来」？

Ford的办法是提供一项有担保的基础收入。简而言之，他的「药方」是给予人们一定数额的财富。这并非什么新的解决方案，该方案的另一个版本也叫做「负所得税」（译者注：负所得税是政府对于低收入者，按照其实际收入与维持一定社会生活水平需要的差额，运用税收形式，依率计算给予低收入者补助的一种方法），由保守派经济学家 Milton Friedman于上世纪60年代提出，用来代替政府不断增长的官僚主义做法。Ford引述了哈耶克1979年提出的应对最低收入的办法，那就是提供「某种确保人们在其不能自谋生计的时候仍能得到不低于某一底线的收入。」而在1972年的美国总统大选中，两位竞选人都不同程度地关注到这个政策。

这个想法在1980年代就不再流行，不过最近几年又被人提及，以帮助那些失业的人。从自由主义的角度来说，这是政府以最少参与感提供最安全保障的方式；而站在改革人士的立场，这需要增加其他项目收入以补贴穷人。

长期以来，对于上述政策到底是一项好的政治决策还是好的社会政策争议不断。最近，又有人提出另一个与之相关的政策：进一步增加低收入所得退税的额度，从而将这些退税补贴给低收入工作者。这一系列想法都是作为社会保障的直接体现。然而如果你认可技术会不可避免地淘汰大部分就业者，那么上述这些政策就毫无意义了。技术让越来越多人类工作者成为边缘化群体既浪费了他们的才华又对社会造成了重大财政负担。更重要的一点在于，所谓有保证的基础收入并不能满足那些工作饭碗岌岌可危的中产阶级或那些刚刚失去了薪水较高的工作而陷入财政危机的人。

或许现在预言一个没有人类工作的反乌托邦未来还为时过早。Ford在书中举了一些例子：自动化、软件以及AI的发展已经淘汰了很多原本认为需要人类高技能的工作，比如反射学和法律。但是你又如何估算这些特定技术带来的变化会对社会整体就业形势产生多大影响呢？

事实上，目前也缺乏足够证据论证自动化是如何影响就业率的。Guy Michaels和他在伦敦经济学院的同事Georg Graetz做了一个关于工业机器人如何影响制造业的研究，他们调查了17个发达国家的状况后发现了一些有意思的结论：比如机器人的确取代了很多低技能的工种，但机器人的影响更多地是显著提升了工厂的生产效率，并创作了新的工作（译者注：这里可以理解为，因为工厂效率提升，企业规模得以进一步扩大，因此有可能招募更多员工）。Michaels总结道，一言以蔽之，那种认为机器人让整体就业率下降的论调是没有依据的。

如果现在无法量化技术进步对创造就业的影响，那么也不可能精确预计接下来可能出现的状况，因此未来很长一段时间内还将继续讨论。Ford在书里举了一个极端案例：分子制造。这个名字由一些纳米技术倡导者提出，特别是纳米技术之父K·埃里克·德雷克斯勒尤为推崇。所谓分子制造，简而言之就是有朝一日可以实现纳米机器人像搬砖一样地搬运原子来制造所有东西。尽管Ford也认为这项技术不一定能实现，但他还是提醒大家要注意这些技术所带来的「毁灭性」效应。

看起来，Ford的这个判断还不具备多少可信性，但十几年前诺贝尔化学奖得主Richard Smalley也有类似的认识。Richard Smalley 看到了纳米科技在清洁能源上的巨大潜力，但是他并不认可德雷克斯勒在分子制造方面的观点，他认为其观点过于简单：德雷克斯勒的观点忽略了化学和物理学中对于原子互相结合并发生相关作用的规则。Smalley进一步责备德雷克斯勒：「你和你身边的人已经吓坏了我们的孩子们。我不指望你能停下来，但是……虽然我们生活的真实世界未来还会有各种挑战和危机，但是绝对不会有你提到的那种自我复制的纳米机器人怪兽。」

尽管 Ford的确注意到了Smalley的批评，他开始质疑Smalley所谓「机器人崛起」吓坏孩子的说法并不真实。对这种强词夺理的可能性的猜想会分散对于未来究竟该解决哪些问题，重点应该放在那些会日益减少的工作灾难上。

另一个更真实也更有趣的「未来」正在芝加哥繁华市区被「描绘」出来。这家名为Narrative Science的公司推出了一款软件Quill。利用这款软件，你可以将一些数字，比如棒球比赛的比分、上市公司财报以「叙述」的方式表达出来，请注意，这不是简单的汇总，而是某种意义上模仿人为的叙述模式。目前，福布斯杂志用这款软件生产公司财报新闻，而美联社则用它报道体育新闻。未来几年，这款软件的「质量」还将大幅提升，也就是说，它会越来越像记者写作的手法。

Narrative Science创始人、Quill软件开发者、美国西北大学计算机科学家 Kristian Hammond表示：「AI到今天的表现还不足以对白领工作产生多大的影响。从中短期来看，AI的影响还局限于替代人类一些工作，但不会造成过多失业。」他进一步强调，如果AI工具的日常工作涵盖了数据分析，那么「人类完全可以从事一些更高级的工作。」

虽然Quill和其他的先进技术令人印象深刻，然而Hammond并不认为AI现在做好了进一步扩展的准备。他认为，这个领域现在的「复兴」来自于其可以接入海量数据，并通过近几年快速增长的计算能力迅速分析这些数据，其结果是令人兴奋的，不过从技术层面来说，即便是Quill采用了自然语言处理方法，也得益于大数据这种现存技术的增强而不是AI的突破。 Hammond指出，现在对某个AI项目取得进展的宣传更像是哗众取宠。无论是深度学习还是其他相关技术，目前还有太多不确定性，仍需一些时间才能「像人类鼓吹的那样神奇」。

换句话说，人类现在适当降低对未来机器智能的期待值是非常明智的做法。

科技诸神

牛津大学纳菲尔德学院研究员、伦敦政经学院教授Anthony Atkinson表示，「我们经常认为科技好似刚从别的星球来到地球上。」然而，科技的发展过程却是必然的。更确切的说，科技的发展过程完全取决于政府、消费者及商业的选择，他们能够决定研究和商业化哪种技术以及如何去运用它。

从上世纪70年代，Atkinson就开始研究收入不均问题。当时，主流经济学正处于相对次要的学术地位。在过去的几年里，许多国家的收入不均问题已愈发突出。在英国，自上世纪90年代收入不均水平上升以来，至今从未下降过；而在美国，它还在持续上升，即将达到前所未有的历史高点。去年，他与老基友Thomas Piketty发表了举世瞩目的巨著《 Capital in the 21st Century》（《21世纪资本论》），将收入不均问题变成了经济学界最炙手可热的研究课题。现如今，Atkinson在其新著《Inequality: What Can Be Done?》提出了一些解决方案，而「鼓励创新以改善工人就业能力」就被列为第一条。

Atkinson说，政府可以选择资助哪类项目、企业可以选择应用何种技术，他们的选择注定会影响到工作机会及收入分配。虽然，发现一种甄别科技的机制以创造更好的就业机会，的确不是一件信手拈来的活。但是，「我们至少要了解下」那些决策将对失业产生怎样的影响。「这只是个开始，也许它不能改变决策结果，但我们将知道现在到底是什么情况，不会等到最后才惊呼『OMG，人们已经开始失业了』。」

我们对生产力的认知、对机器设备的要求都可能会影响政府或者企业的某些决策。传统意义上来看，经济学家将生产力定义为投入一定数量劳动力及资本后获得产出的水平。随着机器、软件等资本价格的持续降低，效率的持续提升，劳动力投入的减少显得合情合理。因此，哥大著名经济学家 Jeffrey Sachs预测机器人和自动设备将很快接管星巴克。然而，我们还是有许多理由相信Sachs的观点可能是错的。星巴克之所以成功，绝不是因为它能更快、更便宜地将咖啡送到你手上，而是因为你喜欢在那儿遇见的朋友、享受的服务。

Tim O’Reilly是O’Reilly媒体公司的创始人，以极受消费者认可的苹果专卖店为例补刀Sachs的观点。苹果专卖店里有海量手持ipad和iphone的员工，向未来的机器人零售店展示了一个强有力的竞争对手。它们认为自动化服务不一定是如今技术的终点。O’Reilly表示，「诚然，技术的确会抢走一些工作，但我们有挑选技术的主动权。」

从这点来看，苹果专卖店已经找到了一个稳赢的策略，且未按照大众的逻辑利用自动化去降低劳工成本。相反的，苹果已经配备了一支精通科技、持有数字设备的销售队伍，给客户创造新颖的购物体验。顺便，给公司带来更多的营收。

O’Reilly还点评了最近风生水起、大红大紫的汽车服务商Uber。Uber利用科技实现方便有效的预订及支付服务，开发了一个十分健康的市场。在这种情况下，uber还激发了市场对司机的需求。较于传统出租车行业，Uber司机借助智能手机和app的帮助能够获得更多的订单。

事情就是这样，假使科技进步会加剧不平等现象，那这肯定是无法避免的，但政府、企业和消费者能够改变这种局面。最近，纽约举办了一场名为「全球化、技术变革及不平等」的论坛，Paul Krugman在论坛上表示，「许多正在发生的（如收人不均等）情况并不是科技诸神而引起的，事实上，而是由于异化的社会结构造成的。」

机器人听谁的？

有些时候，一些强调早期技术变迁的人低估了自动化及数字化技术对于当下就业情况的影响。然而，他们忽略了那个时间段里自动化及数字化技术引起的灾难与动荡。在英国，自工业革命开始后的40年里，工人工资要么不涨，要么下降。那段岁月的文献及檄文详细描述了工厂工人的悲惨生活。

哥大经济学家 Joseph Stiglitz在其新著《The Great Divide》中指出，大萧条也与技术变革有关。他认为大萧条的真正原因并非如大家所说的是灾难性的政府金融政策和崩溃的银行系统，而是因为当时正处于农业经济向工业经济的转型期。Stiglitz阐述了机械化的进步与改善的耕种方法是如何快速地将美国对农民的需求转多为少。该书将工人的顺利过渡归功于二战引起的制造业大繁荣。Stiglitz写到，今天，我们正处于另一个由制造业经济到服务业经济的阵痛转型期。

其实，发明这些技术的人能够减轻上述负面影响。AI研究者Hod Lipson认为「我们的工程师思维始终是以自动化为中心。我们想让机器能够尽可能多干活，始终想提升生产力，让机器更高效地解决工厂里的工程问题及其他关于劳动力的难题。我们始料未及的是这也会变成坏事。」Lipson建议工程师重新确立他们的目标。「阻碍创新并不是解决方法，我们需要更多的创新：当AI能比多数人表现更好时，我们如何能保证人们能参与到工作中？对于这个问题，我没有一点头绪。但这是对下一代工程师的一个新挑战。」

教育、老化的基础设施及诸如生物技术与能源等研究领域的迫切投入会创造大量的工作机会。正如Martin Ford所告诫，当技术性失业持续向经济施压且气候变迁又日益加剧时，我们将陷入一场「完美风暴」。这事会不会发生很大程度上取决于我们发明及采用的技术。举个例子来说，无人车的升级看来似乎无法避免——我们是用它让公众交通系统更安全、更方便、更节能?还是仅仅向高速公路上送去无人驾驶的轿车与卡车？

毫无疑问，至少短期来看，针对萎靡的工作机会，经济发展是最好的保障。而经济发展能否实现是要依靠诸如苹果专卖及Uber这样创新性服务密集型行业，或是重建基础设施及教育系统的投资。唯有这样，经济发展才可能克服抢占工作机器人引起的担忧。

Andrew McAfee同其麻省理工学院的同事Erik Brynjolfsson共同撰写了《The Second Machine Age》。他是当今世界阐述「科幻经济」可行性的最著名专家，智能设备的普及将消除许多工作机会。（详情参见「致数字经济的一封公开信」， McAfee, Brynjolfsson及其他专家提出的一种适应技术升级的方法。）他认为这样的转变将产生巨大的社会与经济效益，但也可能会导致「轻劳力」经济。McAfee称，「这件事关系到全人类，现在可以开始讨论这件事也不算早。」但他也承认，这也可能是几十年以后的事。与此同时，他推行重发展的政策「以证明他是错的」。他说，「资本主义的精妙之处在于人们会找到该做的事，让资本主义动起来吧。」

但还有个问题。正如McAfee 与 Brynjolfsson在《The Second Machine Age》中所说明的，金融是技术进步引起的诸多困扰之一，很多人已从中不恰当得利。硅谷经验表明，科技会是一把双刃剑，一面是经济增长的强力引擎，一面是收入不均的助推器。

1968年，当今科技时代的奠基人J.C.R. Licklider与人共同发表了一篇颇有预见性的文章「The Computer as a Communication Device.」。他预见到「在线互动社区」，并阐述其令人激动的可能性。 Licklider同时在文章结尾做出警告，「对于社会来说，计算机的影响有好有坏，而其主要取决于『在线』究竟是专属特权还是基本权利。倘若只有小部分人能够有机会享受『智能升级』的优势，网络会加剧智力机遇范围的断层。」

许多政策能够帮助财富再分配，或像确保基础收入一样向那些生活在底层附件的人们提供一个安全保障。但，针对数字技术带来的经济威胁，最佳应对方式是向更过的人提供接触Licklider 所言「智慧升级」的机会，以便于他们从新科技创造的财富中获益。这意味着提供更公平的路径，使人们在职业生涯中获得高质量的教育和职业训练课程。

哈佛大学知名劳动经济学家Richard Freeman称，越来越多的人需要「拥有一个机器人」。他指的不仅仅是工厂里的机器设备，还包括日常生活中的自动化和数字化技术。某些机制已存在于利润共享计划及员工持股计划中。他表示其他实用性的投资计划也可以被预见到。

当机器人与人工智能最终取代许多工作后，谁手握资本，谁才是赢家。假使与过去几十年的趋势一样，最富有的那些人享受了大部分新科技创造的回报，那么反乌托邦假想可能成为现实。然后机器只是工具，而如果它们的所有权被广泛共享，那么大部分人们可以使用机器来提高生产力，提高收入，增加休息时间。倘若成真的话，一个愈发富庶的社会将保留中产阶级的梦想，并长期推动技术创意及经济增长。

##

四大机器人 气人不气人！

2017-07-04 直通四大 直通四大

****点击上方”直通四大”免费订阅

四大机器人

气人不气人？

1

one

财税机器，来抢生意

His Mother is Big4

前段时间，四大会计师事务所开发的，1个可以顶数个会计，而且可以24小时*7日的工作的财税机器人，刷屏朋友圈。尽管标题没有“震惊！…”，但是杰克还是很给面子地被震惊到了。

作为行业领先的专业服务公司，杰克认为四大会计师事务所卖的，不是“机器人”，也不是“应用程序”，而是一个业务流程与财务结合的自动化解决方案。

“说句人话吧，就是同时抢了IBM、金蝶和用友的生意。”

2

Two

机器换人，兔死狗烹？

Machine is not Friendly

图2：机器人出生后，令人震惊的标题

的确，许多人担心的“许多财务人一夜之间失眠”“几十万人将愁白了头”的场景，可能出现。

原因不是因为四大会计师事务所推出了财务机器人，意味着他们即将下岗；

而是会计们从2017年起，每天都要面对的营改增+金税三期+五证合一+税收实名制认证+个人税号+国地税联合稽查+信用体系+个税改革+年报、半年报审计+汇算清缴+预算决算…

毕竟相对于几年后吃不吃得上饭的问题，最让人烦心的，还是“明天吃什么”的问题，不是么？

3

Three

广阔的市场空间

Still a Long Way to Go

不过，四大能够推出这套财务机器人，看中的就是财务自动化、流程管理这片广阔的市场空间。

换句话说，某些企业财务管理、流程管理的水平，连审计师都不能忍，都想撸起袖子自己干**了**。杰克在实践中，就遇到不少这样的情况。

（以下企业名字、行业均经过处理，内容仅为学习探讨之用，不代表杰克对具体某个企业的评论。如有雷同，杰克请吃饭。）

（一）颠覆形象的会计凭证

有一家美国上市公司的在华分支机构，颠覆了GAAP企业在杰克心目中的形象。

原本是非常高大上的，美国上市嘛，萨班斯法案也耳熟能详，总觉得美国上市公司不管内控还是财报，都会是非常规范的。相信绝大多数人的第一印象也是这样。但是杰克一接触到这家公司，就觉得很烧脑。

首先是会计凭证保管乱。因为财务部的分工比较细，通常每个人负责某几个科目。而这几个各自负责不同科目的会计，也会把凭证制作出来。这样分而治之的做法，虽然提升了效率，但是也导致会计凭证的保管和制作没有统一的流程。

凭证随意摆放在各位会计的桌面，远远看去，像是“占山为王”，审计师下到现场，总感觉自己是“大王派我来巡山”。一旦某个员工休假或者轮岗，那么整个凭证就会乱了套。因为下一个接手的人，并不熟悉前任的套路。

由此杰克又记起了以前在某大型运输物流集团的时候，凭证室会有一个专门的员工制作凭证。当时这位凭证专员，披着白色外套，头上戴着口罩，手上套着外科医生用的那种橡胶手套，给杰克留下了非常深刻印象。直到最近一部电影热映，才又勾起了回忆。

图3：由于相关法律法规，该结果不予显示

虽然这位凭证专员的工作，在杰克眼中是非常枯燥的，因为既要面对重复性的工作，也要忍受档案室的干燥与缺氧。

但是，重复性的工作并不可怕。所有的牛逼都是通过无数次的练习得来的。连卖油翁都说：“无他，唯手熟尔。”

但如果仅有机械性的练习，没有悟性，那才是最可怕的事情。仅有练习，没有悟性，就很容易产生懒惰的心理。想当年杰克学习小提琴的时候，仅仅通过记忆手指在琴弦上的位置来练习歌曲，而辨音，歌曲的背后的故事，甚至乐理都还未接触到，每次练习的时候，自然是百般不情愿。

仅有练习，没有悟性，就很容易沦为形式主义。同样也是学小提琴的故事，每天被规定要练2个小时，却对音乐本身没有思考。这么站立着的练习过程，对于小儿多动症的杰克，简直就是“度日如年”了，只能一边练习，一边在心里读秒，祈求时间快点儿过去。这样的练习效果，自然是可想而知。

针对重复又枯燥的工作，除了保持悟性，有另一个解决之道，杰克也深深记在脑里。在某次盘点的时候，对方会计云淡风轻地说了一句话：“财务部经常发生洗牌，目的就是为了缺了谁也不会乱”。站在员工的角度，这是有益的，也是残酷的。这样一方面能让员工处于不断学习的过程中，也有机会经历整个流程。但是一方面，也导致了核心竞争力的丧失，因为员工随时处于可替代的地位。但是站在管理者的角度，这是对团队有利的，避免了老员工的惰性，同时也给了新员工的成长机会。

这种感触，在前阵子华为发起“春江水暖鸭先知，研发2000将士上前线”的时候，能够体会地更加深刻。

图4：任总在研发将士出征大会上讲话

图片来自网络

（二）放飞自我的会计科目

凭证乱，不仅仅是凭证摆放得乱，会计科目设置得比较放飞自我。

对于会计科目设置，可能是由于杰克业务不精，套路不深的原因，这也不能怪人家企业。我国的会计科目设置应当参照会计准则来设置，因此除了金融企业之外，基本一级、二级科目都大同小异。而IFRS并没有规定要设置统一的会计科目名称，杰克并不清楚，GAAP是否有这种规定呢？

（三）自行脑补的流程与文件

支持性文件主要靠脑补。首先是各项业务的审批流程方面，通常只会附上一份审批邮件的截图，做不到整个流程的可视化。因为电子邮件上并不会显示审批人、申请人的职位，对于我们外部审计来说，看上去简直就是一部悬疑推理片。

这样对比下来，杰克倒是觉得国内企业反而做得比较好，一般都会附上承办表之类，层层审批，这样整个逻辑链会非常清晰。不过另一方面，纸质版的签字文件，在时效性方面的确会差很多，很多支出都是需要领导签名审批，而领导通常都是很忙的，大量的时间在开会、出差等等。最后可能只是集中某一时间快速签掉一大批文件，大额的支出才过问一下。

这种稍显规范的财务审批流程，让杰克想起了华为人经常调侃的“电子流”。第一接触到这个词的时候，我还有点不理解：电子流动的方向…？为啥起了个这么抽象的名字呢？。

后来后知后觉才发现是“电子流程”的意思。看到一位前辈的博客，大到离职手续，小到手提换新，都是走电子流。杰克复制上来，给大家感受下。

4

Four

神奇电子怎么流？

How Electronics Fly

这位前辈提到：

◤

我这个月换了电脑，这个过程我一共填了这些个办公电子流。

1. 秘书MM先让我自选型号（今年我选了LENOVO X430，之前的是HP 2540P），然后秘书帮我填了“办公用品采购电子流”，权签人审批后进入采购流程。

2. 20天左右电脑到货了，管设备的库房发邮件通知我去领电脑，为了将电脑从库房带出来再带进我的办公区，我填了“携物出门电子流”+“携物进门电子流”（是同一个电子流）。

3.新电脑来了我又填写“办公设备维修电子流”，通知IT HELPDESK来装系统，并把老电脑的文件copy到新电脑。

4.考完资料我又填一个“办公设备维修电子流”，让IT来格式化旧电脑。

5. 旧电脑格式化后，填写“笔记本电脑转个人电子流”，选disposal to staff，领导审批后这台电脑才正式归我。

6. 旧电脑可以带回家的当天，填写“携物出门电子流”才能将电脑带出办公楼，并且由门口保安撕毁电脑上的资产标签。带回家另外装系统。

7. 又过了几天，FA会计会发给我新电脑的资产编号，我要在“资产管理电子流”里面维护一下，确认这台资产目前的使用人是我，资产的所在地点是我这个办公楼的楼层，确保这台资产“可跟踪”。然后秘书MM打印了资产标签给我，贴在电脑上。

8. 拿到资产编号后，再填写一个“卡证电子流”，办一张“笔记本出门卡”，平时带电脑出办公楼要给保安核对我出门卡和电脑上的资产标签一致。

填了8个电子流，才完成了更换办公电脑，其实一点不繁琐，对于一个十七万人的“国际化大公司”来讲，各种闭环的电子流才实现了规范的流程，保证了资产的安全。（套话笔记本电脑转个人，你们感受下）

PS. 如果旧电脑我不拿回家自用，我可以填“资产转移电子流”转给其他人用，或者“资产报废电子流”，报废后再填一个“资产退库电子流”将实物退到设备库房去。电子流，所有的环节和场景都已经考虑到了，小伙伴们也感受下。

5

Five

穿美国鞋，先削足适履

When in Rome, Do as the Romans do

杰克认为，这样似乎能够解决“可视化”与“时效性”的问题。但是为什么看起来这样好的一个制度，还是能听见很多华为人吐槽呢？

（偷偷告诉你，杰克经常逛华为心声论坛，还一集不落地追完了“枪林弹雨”系列）

以杰克所见，吐槽有两个原因，一个是“多”，一个是“僵”。多，证明他适用的场景多，甚至已经到了滥用的地步。僵，则有点无奈的感觉。我记得任总提过一句非常形象的话，穿美国鞋，先削足适履。

对于这么一个大企业来说，先僵化，后优化，再固化，也许是一种比较可行的哲学。

“电子流”不光能平衡“可视化”与“时效性”，还使共享服务、后援集中成为了可能。杰克最开始接触共享服务、后援集中这个概念，是因为在2015年ACCA举行的“全国就业力大比拼”比赛中，案例分析的对象，为“综合金融”著称的平安集团。其在2013、2014的年报里，大篇幅地描写了“后援集中平台”

图5：平安集团2013年报节选

几年过去，不止是企业，现在四大会计师事务所，都走向了“共享服务中心”的模式，把一些重复性的，具有规模效应的，以及只涉及到简单判断的工作流程，都逐渐“外包”给了自家的共享服务中心。

的确，有了“共享服务中心”的存在，一些审计的流程会无比清晰，也把审计员从繁重而重复的劳动中解放了出来，更多投身于现场工作和分析工作。但是也许，这只是“僵化”的第一步；“优化”，则还有很大的结合空间。

很多项目的控制，底稿的编制，资料的共享，目前还是缺少可视化、标准化、一站式的指引。需要依赖合伙人、经理、项目组手动控制，需要大量的沟通成本。而这些成本，不得不转化成了审计人员的work load。因为对于专业服务人员，这些时间即是金钱，这些效率即是成本。

由此可见，无论是大型企业，还是四大会计师事务所，在“僵化、优化、固化”的路上，也是处于不断优化的阶段。换句话说，优化，也是需要不断投入成本的。

6

Five

机器换财务：成本与市价孰低法

Machine or Dogs，which is Cheaper

学过《企业会计准则第1号-存货》的胖友们都有印象，存货跌价准备，是以“成本与市价孰低法”为标准来判断的。对于“财务机器人将使大量财务、审计人员下岗、转型”的“震惊”，杰克认为“成本与市价孰低法” 也有异曲同工之妙。

“财务、审计”现时需要成本，“僵化、优化、固化”的财务机器人，也将需要到市面上采购。Which is Cheaper, or , when the machine will be cheaper than those?

归根结底，财务机器人，并不是拿来用“下岗”来气会计，审计这些人的。未来的财务领域，可以想象的到，如果和大数据，物联网结合起来，必定会是一片广阔的天空。

尽管当下的财务、审计工作充斥着令人无奈的重复劳动，但是任总那句“先僵化，后优化，再固化”还是一阵见血地指出了明路。我们这些从业人员，只有在不断重复中优化，不断学习，才能在那片广阔天空降临时，抓住机会翱翔。

而如果审计一直在问会计：你什么时候给资料？会计只会一直问审计：你什么时候走。那相信等财务机器人来的时候，也会第一个对他们说：“你们，什么时候走？”

▎本文转载自：快跑杰克 作者： Jacky 。欢迎转载。由直通四大（ID：zhitongsida）整理发布！欢迎更多读者或媒体投稿合作，如有异议，回复本微信。

延伸 | 当能源数据遇上机器智能，8 张信息图，为你提供机器智能时代的生存指南

2017-02-17 Nitin Mittal等人 环球表计 环球表计

本文转载自机器之心微信公众号，作者是Nitin Mittal等人。

数据作为关键业务资产的出现，在每个技术趋势报告中都是绕不过去的主题。

从管理大规模和复杂性任务所需的基础能力，到越来越成熟、用来从数据库中挖掘业务洞见的分析工具技术。

通过利用分析来阐明在不断增长的数据库中隐藏的模式、洞见和机会，很多公司已经开发出了与客户交互的新方法、增强员工的技能和智力、培育新产品、服务和工作以及探索新的商业模式。

表计圈也不例外，随着能源互联网、物联网的发展，数据将增长的更快，如何利用能源数据、开发数据价值的要求使我们遇见了机器智能！

8 张信息图，为你提供机器智能时代的生存指南

以下算法将得到广泛应用

科技巨头和投资机构对机器智能各领域的投资和收购

机器智能如何创造价值

IT 部门的配置建议

案例：Anthem 公司的机器智能战略

亚马逊 Echo 背后技术

机器智能帮我们克服四大数据挑战

以下为完整版报告：

人工智能的快速演进已经让其具备了无数种不同——甚至经常被误解——的能力，例如机器学习，深度学习，认知分析，机器人过程自动化（RPA）和机器人程序等等。总的来说，这些工具了构成机器智能：它可以提高员工绩效的算法能力，自动化日益复杂的工作量，并发展模拟人类思维和参与交互的「认知智能体」。机器智能代表着高级分析之旅的下一章。

数据作为关键业务资产的出现，在每个技术趋势报告中都是绕不过去的主题，从管理大规模和复杂性任务所需的基础能力，到越来越成熟、用来从数据库中挖掘业务洞见的分析工具技术。通过利用分析来阐明在不断增长的数据库中隐藏的模式、洞见和机会，很多公司已经开发出了与客户交互的新方法、增强员工的技能和智力、培育新产品、服务和工作以及探索新的商业模式。今天，越来越多的 CIO 正在为它们打下基础，让洞见成为组织驱动力。

执行通常需要人类来完成的任务的人工智能（AI）技术，正成为这些分析工作的重要组成部分。然而，人工智能只是认知计算领域引人注目的一系列发展中的一部分。更大的主题是机器智能（MI），一个代表新认知时代所有进步的总称。在这里，我们讨论的是一些近年来发展迅速的认知工具，仅举几例，如机器学习，深度学习，高级认知分析，机器过程自动化和机器人。

我们已经见证过在各个领域出现的机器智能早期使用案例。例如，一家运行着美国最大医学研究计划之一的领先医院，正在「训练」其机器智能系统分析存储在数据库中的 100 亿个表型和遗传图像。在金融服务领域，认知销售代理使用机器智能主动联系潜在的客户，然后获取资格进行随访，维护这一商机。这个认知助手可以解析自然语言，理解客户对话问题，同时处理多达 27,000 个会话，支持语言多达几十种。

随着越来越多的公司正在应用机器力量，在接下来的几个月中，我们有望看到更多类似的案例。机器智能在各个领域的支出已经增加，预计在 2019 年将达到 313 亿美元左右。[1] 它也成为 CIO 的优先考虑事项。德勤「2016 年全球 CIO 调查」要求 1200 名 IT 高管指出他们计划在未来两年内大幅投资的新兴技术。包括认知技术，其中机器智能占到 64％。[2]

一、数据，前所未有

我们今天认为，在 20 世纪 50 年代发展的认知计算很有远见，它能够使技术模拟人类智能。虽然有些原始的人工智能技术在 20 世纪 80 年代具有商业可用性，但是直到 21 世纪，人工智能——以及包括新兴机器智能趋势在内的认知计算能力，才真正地起飞。[3]

指数级数据增长：数字世界——即我们每年创造和复制的数据——每 12 个月就会翻倍。事实上，预计到 2020 年它将达到 44 皆字节（zettabyte）。我们还知道，随着来自物联网，暗物质分析和其他来源的新信号激增，数据将增长得更快。从商业角度来看，这种爆炸式增长将转化为比以往任何时候都更有潜在价值的数据源。除了使用传统分析技术揭开新洞见的潜力之外，这些结构化数据以及大量驻留在深度网络中的非结构化数据，对机器智能的进步至关重要。这些系统消耗的数据越多，通过发现关系，模式和潜在暗示，它们就能变得「更聪明」。

要想有效管理快速增长的数据量，就必需用高级方法来掌握数据，存储，保留，访问，上下文和管理。从连接设备生成的信号到所有业务和功能系统历史交易数据背后的线路电平（line-level）细节，处理数据资产成为机器智能目标的关键组成部分。

运行速度更快的分布式系统：随着数据量和分析复杂度的增加，能让个人用户可以访问数据的分布式网络已然更加强大。如今，我们可以快速地处理、搜索和操纵大量数据，这在几年前是不可能的。当代微处理器的性能是 1971 年出的第一款单芯片微处理器性能的 400 万倍 [6]。微处理器的这种强大性能使得先进系统（比如，支持多核和并行处理）的设计成为可能。同样，它也使得我们能够设计出先进数据存储技术，用来支持快速检索和存档数据分析。从 MapReduce、内存计算、机器学习技术（比如谷歌的张量处理单元）的硬件集成中，我们可以看到技术正在发展，优化我们有效处理指数级数据的能力。

除了纯粹性能和速度方面的提高，分布式网络的应用范围也越来越广。它们现在可以与云基础设施、云平台和云应用程序进行无缝对接，并能够消化和分析不断增长的云数据体量。它们也提供对来自网络「边缘（edge）」功能，比如物联网、传感器和嵌入式智能设备的流数据进行分析和驱动所需的能力。

更智能的算法：近年来，日益强大的机器学习算法正朝着实现认知计算的原始目标——模拟人类思维过程——的方向稳步推进。

由于机器智能使用实例将于未来 18 到 24 个月内出现 [7]，以下这些算法性能可能会在公共及私营单位得到更广泛的应用：

二、机器智能如何创造价值

对于 CIO 来说，应用机器智能将需要一种新的数据分析思考方式——它不仅仅是一种创建静态报告的手段，也是一种利用更大、更多样的数据语料库来自动执行任务和提高效率的方法。

在机器智能方面，以下是可供 CIO 参考的一系列机会：

认知见解（Cognitive insights）：机器智能可以提供深度的、可操作的可视性——不仅是针对已发生的事情，还有正在发生和即将发生的事情。这可以帮助企业领导人进行预先决策以帮助工作者提高其工作表现。例如在全球各地的呼叫中心，服务代表使用多功能的客户支持程序来进行产品答疑、订单处理、帐单问题调查及其它客户服务。在很多这样的系统中，工作者一般必须在屏幕之间来回跳跃以访问所需回复特定查询的信息。

认知参与（Cognitive engagement）：机器智能价值树的下一个层次是认知代理（cognitive agents），即采用认知技术来与人进行交互的系统。目前，这种技术更多应用于消费者服务而非企业服务。它们响应语音命令来降低恒温器温度或打开电视频道。然而也开始出现了一个新的应用领域，有一些商业任务和流程可受益于这种认知参与。它们或许能提供复杂的信息，执行一些数字任务，比如病人入院或推荐产品和服务。它们可能会在客户服务方面提供更大的商业潜力，也即认知代理可能通过处理帐单或帐户交互、应付技术支持方面的问题以及回答员工人力资源相关的问题来取代一些人类代理。[9]

认知自动化（Cognitive automation）：在第三个——可能是最具破坏性的一个——机器智能的机会中，机器学习、RPA 和其它认知工具深入发展特定领域的专业知识（例如产业、功能或地区方面）然后自动化相关任务。我们已经看到设计有自带机器智能的设备用来自动化那些传统上由训练有素的工人所进行的工作。例如，一家医疗保健初创公司正在应用深度学习技术分析放射学图像。在其测试中，该系统在判断恶性肿瘤方面已达到人类放射专家 50 % 的准确度。[10]

在教育领域，嵌入于线上学习计划中的机器智能性能模仿了一对一辅导的优点，即通过跟踪学习者在问题处理任务期间的「心理步骤」来诊断他对知识的错误理解。然后它们向学习者提供及时的指导、反馈和解释。[11]

三、来自先行者的经验教训

协作机器人（CO-BOT），而不只是机器人（ROBOT）

面对长期的低利率、竞争的加剧以及不断变化的客户和市场的动态所导致的成本压力，全球保险商美国国际集团（American International Group Inc./AIG）启动了战略重组来简化其组织和提高运营效率。其中一部分内容涉及了对日益增加的技术债务以及一个努力维持运营稳定的分布式 IT 部门的处理。

据 AIG 全球首席技术官 Mike Brady 称，通过将 IT 部门重组成一个向 CEO 汇报的单一组织，AIG 奠定了创造新企业技术范式的基础。这一转型的第一步涉及基本能力的建立，为此该团队制定了一个分成三部分的方法：

AIG 寻求机器学习的帮助以实现这些方向。该公司开发了一个先进的协作机器人程序，它可以利用内置的算法能力、机器学习和机器人流程自动化。这些虚拟的工人被称为「co-bot」——表达了公司希望所有员工将虚拟员工作为人类员工的一种扩展和助手的期望。

2015 年 10 月，AIG 部署了「ARIES」——该公司的第一个机器学习虚拟工程师——来解决全球的网络事件。在一个 90 天的试点项目中，ARIES 被训练为沿着一种「管理和监督（curate and supervise）」模式进行操作，并向其人类同事们学习。在这种方法中，ARIES 通过观察和实验来学习如何评估中断源以及如何确定可能的原因和反应。该 co-bot 已准备好在第 91 天时实现全面部署。这并不是说这些机器有多快——事实上，AIG 已经发现人类平均需要 8 至 10 分钟来解决一个典型的问题，而 co-bot 则平均需要 8 分钟。这要归功于其规模：co-bot 可以不休息、不睡觉地进行连续工作，而且解决问题极为迅速，不会造成任务积压。

在部署 ARIES 的 6 个月内，自动化识别并处理了超过 60% 的中断。一年之内，ARIES 的机器智能加上它对环境健康监测传感器的扩充使用，使它在愈加严重的网络问题扩大化之前以编程方式对其进行了修复。虚拟工程师可以自动识别不良设备、进行诊断测试以确定原因，并登录以实现恢复性修理或升级为「咨询」技术员。此外，该 co-bot 将网络问题关联了起来，因此，例如数据模式显示某设备在一个月内造成了 50 个事故，那么 IT 团队就知道它需要更换了。在过去的一年间，这些工作减少了 50 % 的严重等级为 1 和 2 的问题。它们还增加了技术员的工作满意度。由于不用再执行普通而繁复的任务，技术人员现在可以专注于更具挑战性的、有趣的任务，并从 co-bot 的诊断建议中受益。

还有额外四个 co-bot 各与一名经理共同经营公司，负责管理、工作、培训和学习方面的内容，甚至包括绩效管理，该举措已取得一系列的成功。

沿着 co-bot 在 IT 部门所取得的成功路径，AIG 正在挖掘机会将机器学习应用于业务操作中。「我们希望企业使用机器学习，而不是需要更多的资源，」Brady 说。「我们需要利用大数据和机器学习作为新的资源，而不是把它们当成新的成本。」内部试验正在进行中，以确定 co-bot 是否可以审查伤害索赔并立即授权支付支票，这样客户就不需要延迟处理了。其它机会可能会出现在认知增强的自助服务领域、代理增强辅助渠道，甚至是使用认知代理作为自己面向客户的渠道。

「co-bot 方式仍需改进，」Brady 说。「如果它真的很复杂，就会与团队操作的便捷性相矛盾。这就是设计思维的源泉。自从一年前我们开始做这件事以来，已经解决了 14.5 万起事故。它做得非常好；只是还需将它推进到业务流程直至客户认知互动方向。[12]

病人这边请

随着医疗保健走向了成果导向的模式，患者正在寻找健康保险公司来提供与零售商和银行同等水平的高度个性化客户服务。为了满足这一期望，美国最大的健康福利公司之一 Anthem 正在探索如何利用认知计算能力来流程化和增强其与客户的接触，并使客户支持服务更加高效、响应敏捷和直观。Anthem 的最终目标是在整个政策周期内改变公司与其下属健康计划公司成员的交互方式，而不是仅仅在索赔发生时。

在第一阶段，该公司通过将认知洞见应用于索赔审判过程，使索赔审查人员对每一种情况都有了更深入的了解。根据 Anthem 副总裁（供应商/临床分析和人群健康管理方面）Ashok Chennuru 的说法，「我们正在整合内部索赔数据、会员资格、供应商统计和外部数据——包括社会经济学、临床/电子病历（EMR）、生活方式等方面的数据，以建立一个健康计划公司成员的纵向视图。」[13]

目前，评审人员从文档审查、病患历史调查和取证收集这些过程着手以确定接下来的步骤。有了认知见解，新系统正在不间断地审查后台的现有记录，从而向审查人员提供记录全貌（包括某病人的重复住院情况这种补充信息）来向他们提供可能的医疗计划或有针对性的干预，以及应用智能来标记出索赔相关的任何潜在问题。一旦索赔代表收到案件，她就有了进行全面评估所必需的信息。[14]

在其下一阶段，Anthem 将开始把认知自动化加入到理赔处理过程，为裁判腾出时间来关注那些需要添加支持水平的患者。「通过部署可预测的和规定好的分析以及机器学习算法，我们能够处理以一个更具成本效益的方式处理结构化和非结构化的数据，」Chennuru 说。首先，该系统将识别出任何叩待解决和需要具体行动过程建议的潜在问题。随着系统的成熟，如果它的分析达到一定的确定性阈值，它自己便可以基于所有的信号和输入开始解决某些问题。如果确定性水平低于该阈值，那么裁判将手动查看并解决索赔问题。由于系统的持续学习能力可以随着时间推移对裁判成功解决问题的过程进行监控，该系统将把适当的行动与具体问题相关联，从而不断提高其自动分辨精度和效率。

在第三阶段，随着 Anthem 对认知参与的深入实践，该公司将更广泛地利用其神经网络和深度学习，来一对一地为医疗保健供应商推荐个性化的病患护理计划。在从单纯的索赔处理任务到积极参与进客户关怀的转变中，Anthem 将能够审查病人的病史并向供应商提供未来护理计划的建议。

Anthem 半监督机器学习能力基准教导系统如何打破问题、组织它们并确定最佳反应。在测试期间，观察者会将系统行为与性能和传统的人为驱动方法进行比较，以衡量系统的效率和准确性。

该公司目前正在收集和处理数据、训练系统以及流程化其解决方案架构和技术，且由于索赔管理认知洞见的帮助，全部成果都很乐观。自动裁决系统的原型计划将于 2017 年推出，随后几个月会有一个最低可行的产品版本问世。

在多团队合作——映射用例以实现结果、评估价值证明并优化团队在数据准备、算法调整和程序可用性供应方面的方法——的帮助下，Anthem 建立了广泛的认知能力。「最终，」Chennuru 说，「我们将能够在许多领域利用该平台，比如基于价值的分析、人口健康管理和质量管理，以及在弥合保健和医疗成本差距方面发展洞见。」Anthem 希望实现尽可能多的企业认知活动，从而训练其模型、优化其程序并发展其认知智能来帮助公司更好地为会员服务。

亚马逊的做法

报告这里插入了亚马逊副总裁兼 CEO 的技术顾问 Maria Renz 和 Alexa 主管 Toni Reid 介绍亚马逊 Alexa 和 Echo 上的开发经验：

随着 2017 年人类和机器智能历史上最激动人心的时刻的到来，亚马逊团队正大开脑洞绘制新蓝图。在亚马逊，语音已经在许多方面从根本上改善了人与技术的交互方式。虽然做到像人一般还很遥远，但我们已站在人工智能和语音技术的诸多元素的起点上。语音将复杂问题简化为最自然方便的用户界面，每天克服着令人难以置信的困难。

Amazon Echo 的原始灵感来自星际迷航计算机。我们想创建一个完全由语音控制的云计算机，你可以自然交流的方式向它提问，发出指示，然后它为你做事。尽管我们目前还没实现这一目标，但那是我们的愿景。

Echo 背后的语音和大脑 Alexa 的主要功能之一是：它提供一个在特征与自然语言理解以及精度提高方面可以越变越聪明的云服务。由于具有云处理器，Alexa 每天每小时不断地学习、添加功能，使得关于客户的创新和特征添加变得更容易。

自 2014 年 11 月推出 Echo 以来，我们为 Alexa 添加了超过 7000 多项技能（skill）。Alexa 出现在了所有的 Echo 系列产品中，现在其他亚马逊硬件（Fire TV 和 Fire 平板电脑）和第三方设备（如 Nucleus 对讲系统，联想智能扬声器助手和 LG Smart InstaView 冰箱）也嵌入了 Alexa。Alexa 还被嵌入到福特和大众汽车公司的汽车中。

就其覆盖的浅表区域以及搜索材料的准确性而言，Alexa 可以很好地理解用户。即使如此，语音技术也面临着持续的挑战。当我们开始工作时，这项技术甚至不存在——我们不得不发明它。我们很幸运有 AWS 云作为支持力量，有一个极其聪明的语音专家团队，其中包括才华横溢的语音科学家正努力解决这些问题。

我们看到人工智能的机遇以及对客户的利益几乎是无限的。现在，Alexa 主要通过 Echo 硬件运行，但在将来其处理器将通过无数的系统和应用程序不断扩展。我们通过使用 Alexa 技能工具包（ASK）、Smart Home Skill API 和 Alexa Voice Service API 为开发人员提供一系列免费、自助的公共 API，从而使实施过程变得更加简单。

最终，我们在机器智能、神经网络和语音识别增强领域的发展应该以更加有意义的方式为客户提供有用的新功能。

在亚马逊，我们每开始研发任一新产品或服务，都会把新闻草稿备好，想象在产品发布时核心用户会从中受益。我们专注于建立良好的体验，并解决后面的技术难题。

考虑到这一点，我们建议关注客户群，倾听他们，了解他们的核心需求，找到使用户的生活变得更轻松的方式。从用户出发，根据反馈开发产品或服务。也就是说，不要害怕开发先于用户——用户并不总是清楚自己要什么。如果你正确地聚焦于用户体验，其余的自然会水到渠成。

四、对网络世界的影响

在网络安全的背景影响下，机器智能（MI）同时面临着机遇和风险。

机遇方面，利用机器人过程自动化的速度和效率来自动化风险管理的某些方面可以使得更加积极有效地识别、环围（ring-fence）和破除（或替代性地擦除）潜在威胁成为可能。利用机器智能来支持网络系统可能有助于扩展数据分析和处理，以有意的方式对这些工具识别的风险采取自动化行动。

机器智能在这一领域的功效可以通过预测风险和网络模型进一步增强，将其数据挖掘网进一步扩展到很大程度上并未开发的领域，如深度网络，并应对可能遇到的非传统威胁。

公司还可以利用机器智能来推动渠道活动、战略和产品设计。例如，使用深度学习等功能，销售团队可以根据社交媒体网站、公共记录和其他在线资源中提供的信息构建相当详细的用户画像。这些信息可以帮助销售代表确定有希望的潜在客户以及个别客户可能需要的特定产品和服务。

但是机器智能的客户分析能力有一个潜在的缺点：这些相同的应用程序可能会造成网络漏洞。机器智能的推断可能引入新的风险，特别是当推断有缺陷时。通过创建相关性，机器智能还可以生成呈现隐私问题的衍生数据。最终，公司应该基于推论和相关性来审查衍生数据。

事实上，随着自动化发挥出作为效率和成本节约的驱动力的全部潜能之后，许多人正在讨论更广泛的伦理和道德问题。人类目前进行的自动化变革对社会、经济和个体组织接受机会的方式有什么影响？你的公司将如何管理可能与激进的自动化计划相铺相成的品牌和声誉危机？同样，你的组织能否在被称为「后工作经济」（「the post-work economy」）的时期长期保持发展？

最后，风险讨论应该解决许多机器智能技术的「黑盒子」现实。在这一点上，可能无法清楚地解释如何或为什么作出某些决定和建议。虽然算法透明度在持续提升，并可能最终推动开发出用于审计、理解假设、观察模式和解释结论是否合理的手段的新方法，尽管这些方法目前还不存在。直到他们做了，才努力确定缺乏透明度可能成为一个（法律、声誉或制度）问题，并对你的计划作出相应调整。

当我们进入这些未知领域，首席信息官、首席执行官和其他领导者应该谨慎地平衡股东价值的驱动力与未来几年内可能大量来自声誉、安全、金融和其他方面的潜在风险。

五、如何开始？

很少有机构有资格宣称自己战胜了数据。即使数据在很大程度上被结构化，并且是仅限于公司的内部信息，管理和分析数据同样充满挑战。今天，复杂算法和分析技术使我们能够解决复杂的脚本；我们已从被动描述发生了什么进步到主动地自动化业务响应。然而，即使具备飞速提升的能力，一些机构仍会在数据的海洋里举步维艰。

好消息是，机器智能提供了新的方法和技术，帮助我们最终克服了一些长期存在的数据挑战：

结语

人工智能的概念或许吸引眼球，但是，机器学习的概念比它更加庞大，后者描述了认知计算领域中的总体进步，这些进步能够帮助所有公司机构从回顾性数据分析的昔日世界迈入系统推论和预测的世界。让机器自动处理任务，进行分析判断并将之付诸行动，这代表着认知新纪元的开端。

思想 | 侏罗纪时代的人工智能和智能机器

2016-02-01 机器之心 机器之心

机器之心

作者：吴炳见

大概每隔十年会有一波技术创新，从PC到移动互联网，下一个新的终端，新的技术是什么？我们认为可能是IoT（Internet Of Things）和人工智能，一方面我们相信会有下一个类似Smart Phone的终端出现，另一方面我们相信人工智能可以打破效率瓶颈。不过就像侏罗纪时代之于地球的发展史，智能机器和人工智能还处于初始阶段，长路漫漫，刚刚开始。

IoT的两条路：新消费电子vs. 新智能主机

从2013年开始有一个名词叫智能硬件，其实智能硬件是一个伪概念，硬件只是一种外在形态，手环是硬件，机器人是硬件，具体到每个品类它的内在规律是完全不一样的。我们是把它分成左右两条路，一条路是叫新消费电子，另外一条路叫新智能主机，新消费电子面向我们的日常生活，新智能主机面向的五年后的未来。

起于新消费电子

2013年到2014年智能硬件这一波大多数是新消费电子，新消费电子有两个特征：第一，它是一个大规模的存量市场，是对已有电子产品的改造升级，而非创造新品类。第二，它是用互联化的手段改造关键节点，是否智能不关键，关键是有没有提升体验。它取代的对象是松下、索尼这类旧的消费电子公司。比如，我们小时候家里用的是机械洗衣机，在单片机足够便宜后，都变成了微控制洗衣机，未来几年，在联网模块足够便宜后，会升级为联网洗衣机。

做新消费电子时，千万不要被智能硬件的“智能”两个字蒙蔽，新消费电子卖的好不好，关键点不在智能上，而是在下面这些要素：

  1. 选对品类——尽量选存量市场，挑那些出货量大、又没有强势品牌的品类改造，找软柿子捏，如果一个品类里已经有十个强势品牌，并且分布于各个价格区间，那么慎入。选品类尤其重要，是决定消费电子产品成败的第一步。

  2. 对功能和性价比重塑——重塑功能点，重塑交互方式，重塑性价比。消费电子发展史是一部降价史，用高性价比产品来降低用户的选择成本，能把供应链成本压缩到极致，本身就是一种壁垒。

  3. 建立品牌壁垒——没有别人造不出的消费电子产品，只有别人打造不出的消费电子品牌，消费电子通常没有强技术壁垒，也不具备网络效应，想单纯依靠产品形成壁垒是行不通的，如果想形成壁垒，打造消费电子品牌是逃不开的。

新消费电子因为立足于当下，是比较现实的，能不能快速起量很关键，有没有自我造血能力很关键。消费电子当然还是要看销量，看营收，最终看利润。

从新消费电子到新智能主机

看新智能主机则是另外一种思路，和新消费电子截然不同，甚至相反。

从PC到智能手机，下一个智能终端是什么呢?可能是机器人、无人机、VR或者AR，它们不会完全替代手机，但是可能在某些场景上会分流手机的时间，完成手机没法完成的一些工作。新消费电子改变的是一个功能，一个行业，而新智能主机改变的是若干个行业，就像无人机，现在改变的是仅仅是相机，未来有可能会改变物流和安防。2015年涌现的智能硬件很大一部分都在新智能主机这个范畴。

新一代的智能主机出现时，往往伴随两个特征：

  1. 交互方式上维度的提升——从PC到手机，人机交互上增加了三个维度，一是移动性，二是LBS，三是语音，这些维度增加后，终端就变得更加强大，原本不可能完成的任务现在就可以完成了。机器人在很大程度上改变人机交互方式。多少年来，都是我们给手机一段信息，手机返回给我们一段信息，这是传统的交互方式。但是机器人不同，你给它一个指令，它返回给你的可能是一个动作，或是一个已经完成的任务，信息和动能之间第一次有了交互。VR/AR则是在手机的基础上又增加了三维空间这一维度，可发挥的空间大了很多，互动娱乐碰上三维空间，这里面可发生的化学反应太多了。

  2. 极大的延展空间——一个未来的智能化主机，改变的往往不只是一个行业，而是若干个行业，这终端不是feature phone，而是smart phone，可以承载很多应用和内容。

长远来看，我们相信新智能主机里会涌现出下一个Smart Phone，并且会诞生下一批杀手级应用。从PC到手机，涌现出了微信、百度地图、美团等杀手级应用，这些应用的产生一定程度上是因为巧妙利用了智能机的特性，从而完成了之前PC上无法完成的任务；同理，新的智能终端出现时，应该也会完成之前手机上无法完成的一些任务，比如MooC教学缺少沉浸感，比如多故事线的游戏。

但回归到当下，新智能主机还处于“SP时代”，距离“iPhone”的诞生还有时间间隔，好的投资标的还是很稀缺的。通过和大量的创业者交流，我们观察到如下问题：

  1. 跑道选对了，但不是创业者应该选的跑道。以VR眼镜为例，VR这条跑道对不对呢？大概率上是对的，但VR眼镜是创业者适合做的事情吗？VR除了拼技术拼产品外，很大程度上是在拼品牌和渠道，拼产业号召力，巨头没进来是因为现在看不清，一旦看清了，又是必争之地，一定会调用各种资源拿下的。这就像应用商店一样，2010年市面上有十多家应用商店，都占有一定的份额，等到BAT360们意识到这是必争之地时，2013年局势急转直下，Top3变成了百度、腾讯、360，当年的创业公司基本只剩一个豌豆荚。历史总是重演的。

  2. 高估了单品的价值，低估了底层技术的价值。机器人、无人机、VR、AR的底层技术并不成熟，这导致单品的体验也欠佳，这里面有大量底层技术创新的机会。就像我们在投资Face++时，是因为以后所有的机器都需要一双眼睛，投资思必驰，是因为所有的机器都需要多轮次对话，底层技术还有很多可为空间。

  3. 高估了2C的价值，低估了2B的价值。一个新的技术、新的终端起来时，想让C端大规模的使用往往是有难度的，需要底层技术相对成熟，产品打磨的极度到位；从B端切入是一个更“温柔”的切入方式，因为B端的痛点相对集中，对产品的容忍度更高，也更愿意掏钱。

整体说来，新智能主机这条跑道长期看好，应该会出现大家伙，但当下的优质投资标仍然稀缺，整体比较偏虚热。作为投资人，我们对智能主机的项目有更多耐心，因为往往需要更长的研发周期，和更长的市场培育过程，但前提是这个项目真的有自己核心的技术优势。

新智能主机中的智能机器

前面说过，机器人也是新智能主机的一种，为什么我们认为机器人会起来呢？出于下面三点原因：

  1. 人力成本的上升：一方面工业上逐步开始有用工荒的趋势，另一方面人力成本逐年上升，放眼十年，当人力成本到了临界线时，一定会向机器人作业转变。

  2. 互联网自身的瓶颈：互联网正在对各个行业进行改造，提高效率，降低成本，但是有瓶颈。以电商为例，电商的效率提升主要是在信息和交易层面，一旦到了实实在在的仓储物流，真真切切的涉及到了人力操作，互联网的局限就出来了，而机器人是可以进一步提升效率的。其实，也正是因为互联网把整个工作流程信息化，机器人才得以衔接上去。

  3. 技术突破发展：技术分两块，一块是机器技术，一块是智能化技术，就像PC硬件和软件项目拉动发展一样，这两种技术也会相互拉动发展。

那么什么样的机器人会先起来呢？我们认为2B的机器人会先起来，之后才是2C的机器人的形态；最先起来的机器人应该是机器形态的，而非人类形态的；最先起来的机器人是人机混合的，而非完全靠机器独立完成任务。因为是2B的机器形态的机器人，我们称它为智能机器，这些机器人会用到物流、安防、农业等行业。

为什么是2B比2C先起来呢？一是因为B端的痛点更突出和具体，只要解决好几个特定场景下的问题就可以了，而2C需要解决全场景的问题，更加复杂和抽象；二是2B比2C的容忍度高，对B端客户而言，只要智能机器能解决他的问题，价格问题和美观度问题都好说。

从新智能主机到人工智能

为什么我们在积极的看人工智能？因为移动互联网和IoT的效率问题都指向人工智能。首先，对移动互联网来说，它背后的逻辑是流量=>交易=>效率，未来几年，流量会逐渐被瓜分完，流量之上构建交易，该有的交易也会被构建的七七八八，这时会逐渐开始拼效率，如何更有效的利用流量，如何降低人工成本，效率这个环节指向的是人工智能；其次，对IoT来说终极状态是自动化，而自动化背后的引擎也是人工智能。

人工智能听起来很玄乎，其实拆解开来看主要是三个要素：计算能力、算法、数据。人工智能最先应用的领域是互联网行业本身，最早的人工智能产品是搜索引擎。互联网刚起来时，最不缺的就是文本数据，所以搜索引擎会最先起来；智能手机出现后，图像数据也不缺了，人脸识别也有了足够的数据样本；像金融、电商这样的行业也属于数据密集型行业，也是适合人工智能进入的；但有的行业明显时间点未到，比如教育行业、工业，这些行业的数据还没有存到云端，是很难去挖掘的。

人工智能并不是忽然间创造一种石破天惊的技术，而是先把先把互联网行业智能化的能力用到其他行业，先把巨头们智能化的能力用到中小公司身上。我们观察到一种现象，人工智能创业团队在逐步从大公司脱离出来创业，有人在做人工智能芯片，有人在做预测学习，有人在做异构计算，他们服务的对象不再是互联网巨头，而是其他行业。这些团队背后的创始人，都是BAT相关业务版块的负责人，是某个领域的顶级专家。我们相信，这些仅仅是开端，随着其他行业对效率的追求，随着资本对人工智能行业的投入，未来会有更多这样的团队从大公司解构出来。

人工智能的十年

Smart Phone出现后，带来的不是手机的十年，而是移动互联网的十年，这十年中，我们用移动互联网改造了很多传统行业。现在又有一批新的硬件终端会起来，看似是硬件的十年，但我们认为是人工智能的十年，在人工智能的十年里，智能技术会改造移动互联网本身，大幅提升效率，也会改造IoT，实现自动化。

作者介绍

吴炳见，就职于联想之星，担任投资副总裁，关注TMT行业早期投资机会。加入联想之星前，曾在百度担任产品经理，是最早一批从事移动互联网的产品经理，之后在百度战略部门担任商业分析师，从事行业和战略研究。剑桥大学计算机科学硕士。个人邮箱wubj@legendstar.com.cn。

_©本文由机器之心原创编译，转载请联系本公众号获得授权。_

怎么去评估流程机器人是否适合这个流程，有什么理论能用来进行推导性分析吗？

梁一纲
机器人流程自动化（RPA）咨询/流程优化/开发,微信cunama

我来分享一下我的经验哈，关于流程优化、流程自动化的分析，其实我觉得是挺学术的东西了，不同的人根据其自身的经验与理解都会有不同的方式方法。所以以下会是我的一套方法，但是不一定适用于其他人，仅供参考。先介绍一下我自己，我是IT出身，同时做过数据分析师与流程优化咨询，我也从英国留学学习了以制造业为主的工程商业管理硕士课程，所以我的方法论主题是Lean + Six Sigma + Agile。具体这些是什么，大家可以区百度一下。简单介绍就是Lean是精益思想，提倡减少浪费，Six Sigma是流程出错的程度，提倡的是稳定低错误，Agile是敏捷开发，提倡迅速根据需求改变。每一个词其实就是一套比较完整的方法论，以及许多对应的工具。整合来看的话，就是先用Lean去找到流程的浪费，分析好问题，然后用Six Sigma来对解决方案进行一个打造与监控，在开发的过程中采用Agile的方法来快速迭代。而在工具的挑选上，由于我做过数据分析师，我会比较偏向于用哪些定量的工具，当然不是说定性的不用，而是根据我的经验，用量化的指标来进行讲解和汇报都更容易得到认可而已。

简单地举个例子，我对一个流程的梳理，都会是先去做实地调研，了解流程现状(SIPOC)，画出现有流程图（管道图），然后采访员工，了解痛点（VoC），同时收集数据进行定性（鱼骨图）和定量分析（找KPI/BPI)。了解完后我会根据工作量占比情况进行流程的优先级筛选(20/80原则），然后进行机器人流程自动化（RPA）可行性分析（POC），设计目标的流程，然后预估效果，设立一些指标用于评估，最后开发交付上线运维的。

作为我个人来说，我认为流程自动化和当年制造业的自动化改造是一样的，所以适用于当年的方法也会适用于现在。而不少人由于对流程很熟悉，基本上可以直接跳过分析梳理得出结论的，这种人一般很多是有该流程多年工作的经验，或者对于某一个业务有多年的经验，可能问题定位与解决方案是可以解决问题的。但是采用一套完整的方式方法去分析问题、设计方案、评估效果，则是一个更客观、更完整的结论。因为不经过完整分析而得到的问题原因与解决方法很有可能并不是根本原因和最佳方法，效果好也可能是碰巧而已。当然，这不是说经验没有用，毕竟做一套完整的分析、评估是很费人力物力和时间的，最终采用什么方法得到结论，是需要权衡投入产出的。

希望我的回答对你有帮助哈。

ZackRen
ZackRen
IT咨询（微信公众号：RPA2018 ；个人微信号：rrenzixu）

评估某个业务流程是否可以用RPA实现，原则上很简单：

1、是不是存在“大量重复”的手工操作？如果有，那么上RPA就有必要性。

2、是不是“规则明确”？如果是，那么上RPA就有可行性。（如果某些流程涉及到很多需要业务人员职业判断的环节，目前的RPA技术并不能有效应对）

银行系统前台维护人员，转型RPA开发，有什么需要准备与学习的？

公司用的RPA是blue prism，个人准备自学python配合。

梁一纲
梁一纲
机器人流程自动化（RPA）咨询/流程优化/开发,微信cunama

我从两个角度来尝试回答这个问题，一是前台维护人员转型RPA开发，一是银行系统的RPA开发。

  1. 前台维护的确存在着许多的重复性高的流程（基本上每个流程都有清晰的用户手册提示一步一步的操作），具备了很好的RPA化的基础（标准化），而题主是想成为RPA的开发，从这一个角度来说，需要考虑一些更加技术的问题，如系统架构的梳理，RPA架构的搭建，RPA的开发模式，RPA的运维模式等。

1.1. 系统架构的梳理，决定着RPA开发工作量的大小，因为有一些系统可能对于RPA软件非常友好，有一些可能并不。这里会对之后的工作量评估工作有影响。

1.2. RPA架构的搭建，决定着该RPA流程的生命长短，一个好的RPA架构，应该可以适应业务的发展、系统的升级改造与RPA扩展。

1.3. RPA的开发模式，决定着项目完成的效率。毕竟RPA开发与传统开发模式类似，但是又有不同。传统的开发是开发环境、测试环境、生产环境分开。但是RPA可能有些时候必须在生产环境进行开发，因为必须与外部系统对接。如果一个业务需要在外部网站上传一个文件并点击提交，后续需要登记提交后的凭证号码，那开发的时候就必须等待有该笔业务来到才能进行开发。然后需要等下一笔业务来的时候进行测试。

1.4. RPA的运维模式，这个与机器人部署的定位有关系，可能是业务部门负责运维（看作是一位员工），也可能是IT部门负责运维（看作是一个软件），这里对于机器人权限的控制也会随之带来不同的问题。但是具体的模式没有对与错，需要结合企业自身情况进行分析。

综上所述，如果能够具备系统架构、系统运维、项目管理经验，在RPA开发的工作上可以得到很大的优势。

  1. 目前RPA在银行领域有很多可以应用的地方，除了前台系统维护，还有更多别的业务流程存在着大量重复性的简单操作。在这一个角度，需要熟悉银行的更多业务，特别是端到端的业务流程，对于RPA开发会有更好的效果。如果说需要准备的，可以亲身去体验一下负责的银行业务（从客户角度与工作人员角度），相信你定会找到很多可以自动化的点。

  2. 关于题主说的BP+python，目前主流的搭配是RPA软件（BP, UiPath, AA等) + VBA + java/.net为主，python其实本身能够做很多RPA可以做的事情，所以能多精通集中语言肯定是好的，不过VBA也会是一个很重要的语言。因为在业务流程上来说，Microsoft Office的产品还是非常常用的，无论作为流程的输入还是输出。所以有很多事情RPA不适合做的，用VBA就会显得非常得心应手。而且最终的用户所需要的东西，可能大部分还是Excel或者word，或者是一个自定义开发的页面（作为监控窗口之类的）。
    编辑于 2018-04-08

现在市面上比较流行的rpa（机器人流程自动化）产品有哪些？从财务角度来讲，有哪些常用场景？

然蜀黍
然蜀黍
迷路的老司机
贝路
等

感觉实际上RPA在市面上目前就没有流行开来，RPA这种技术在中国可能提起来比较新颖、在欧美运用却有十几年的历程了。也很好理解，尤其在欧洲，高福利，高工资，超高加班费，八小时工作制，午休两个小时，半小时一杯咖啡，十五分钟一根烟，如果你的雇员如此工作的话，你也迫切期待机器取代部分人工，哪怕贵点也行，起码增加效率。

去年来说在四大的宣传下这东西挺火的，但是应者寥寥，每年一两万美金授权费不说，欧洲或印度工程师部署，存在费用高昂，水土不服的问题。东西是个好东西，但是好东西，给你做下来让你平均百万人民币节省一到两个人工，除了“强制被要求创新”的公司，换谁也得想一想了。除了四大，国内做RPA的科技公司也在陆续出现，而且便宜数倍，像我们公司，领导找了个叫令才科技的给我们做，很低价格搞定，效果还不错。

财务方面的话，一般来说在用的都银企对账、税务申报、往来核对、定向邮件、制式录入之类的。就国内做RPA软件价格来说，说贵不贵，但也推荐结合自己公司工作特点来选择场景，像我们公司就挑选能节省六点几个人力的场景来做，因为这东西基本上都是订制化开发的。你要是为了自动化而自动化，节约零点几个人力也要做的话，我想说，这样恐怕并不便宜。
编辑于 2018-03-06

刘兔

根据Forrester2017Q1的报告，市场领先的产品有Blue Prism, Automation Anywhere, UiPath。近期WorkFusion有崛起之势，诞生于华尔街，新一代的产品号称可以进行机器学习等，有别于其他产品，具体如何有待观察。

场景视具体的业务，普遍的有invoicing、申报等，简单来说，基于一定规则的、且规则不经常变动、业务量又较大、涉及文件均为电子档案的最为适合。

zheasy
zheasy
it

国外的有Blue Prism,Appian Corporation, Automation Anywhere等公司，国内的目前有珠海金智维信息科技有限公司的（联系方式18928050592廖先生），完全为国内自主可控技术。从财务场景看，RPA能够处理：

1、替代财务流程中的手工操作； 2、实现对财务操作流程实时监控，对操作结果及数据进行核对。

3、实现对夸平台的数据流转的信息录入，合并数据，汇总统计的自动处理；

4、根据既定的业务逻辑进行判断并自动执行流程

RPA软件WinAutomation，BluePrism，AutomationAnywhere哪个好？

有一个关于RPA（Robotic Process Automation）的开发项目，处理一堆的重复繁杂业务操作，不确定选择以下哪款软件比较好。WinAutomation,BluePrism,Automation Anywhere，三款软件都是RPA业内比较成功的产品，不知道哪款易于入门开发且适用上手？

梁一纲
机器人流程自动化（RPA）咨询/流程优化/开发,微信cunama

目前我所在RPA圈子里面，最火的是UiPath, BluePrism, AutomationAnywhere。由于都是国外的软件，所以都是英文版的，四大的圈子都主推UiPath，埃森哲则主推Blueprism。一句话说的优点，就是BP框架好，UiPath便宜，AA居中。

目前国内最火的还是UiPath，因为都是作为试点，毕竟用了50w，省了5w是没有人做的。但是长远来看，BP更好。但是其他厂家也会不断改进。

而关键的是，RPA都是易学难精的，UiPath相对容易上手（因为架构不是很完整，所以要考虑的东西相对少一些），也有很好的公共论坛方便讨论（都是英文），其他的公司在没有买许可之前都不会给太多的信息，所以UiPath发展得很好。

其实外国的网站都有很多人回答这一个问题，但是我个人认为在国内，UiPath和BP是最关键的2个。单纯从技术的角度，BP更长远，从商业的角度，UiPath更经济快捷，所以这个要和你的需求出发。从企业角度出发，先用UiPath，再用BP是比较好的，从开发者角度出发，就像是java和.net的选择，language comes and goes，从项目负责人的角度出发，更看重的其实是找好实施的团队，与流程自动化的专家本身。
发布于 2018-04-07

黑风岭的牛魔王
程序猿

BP的封装好，成熟度个人觉得也是最高的。UI的话稳定性仍须继续提升，activity的开发进度还要提升。AA用得少，不太好评价。

但统一来说，license都比较高的费用，以致很多小公司或者其他的有明显的抗拒感，或者都用python来实现rpa。

实际用哪个看公司需求吧。
编辑于 2018-04-09

Jimmy
Jimmy
金融

这不得看你们公司吗 BP最贵，AA 用户群体多，UI后起之秀。

工作被效率更高的机器抢了是什么体验？

https://www.zhihu.com/question/50144455/answer/151212364

challenger
Use AI to free human from drudgeries.

很多工作被机器取代，这是大势所趋。最近国外有个很流行的概念叫 robotic process automation (RPA)，暂时还没有准确的汉语翻译，本质就是使用计算机技术把日常工作中重复性的工作自动化，省时省力还能避免网球肘。

其实在我并不知道这个概念之前，就自己做了一些微小的工作。我是做 SAP 实施的，在本司各种密集的项目中，有大量的重复性配置要做。当初曾经复制粘贴到手都感觉要断了，而且这种无聊的工作让人怀疑人生，我他妈是干嘛来了，为什么要做这种没有意义的事情，这种事情不应该是印度人做么。。

当然确实是可以找印度人做，但人家也不是傻子，塞这种活计他们又不高兴。那怎么办呢？计算机是最不讨厌重复性工作的，一个循环重复一万次加减法它也不抱怨，事实上，这也是我一直以来的想法：把所有重复、机械、无聊的工作都交给计算机，而人类可以只做有趣的、创造性的事情。

我把自动化的过程分为了三个阶段：笨笨的自动化（硬编码），聪明的自动化和人工智能。

首先讲笨笨的自动化，这种其实很简单，就是用编程模仿鼠标和键盘的操作，然后交给计算机重复执行。编程语言的话当然是用 Python 大法啦，最简洁优雅的语言就是坠吼的。

Python-模拟鼠标键盘动作

举个栗子，比如要把一个 CSV 里面的数据更新到网站，因为一次性只能更新一行的数据，所以要重复非常多次才能完成。如果写一个简单的脚本，那么 Python 可以自己去填写，一个 tab 填用户名，两个 tab 填密码，再 N 个 tab 填描述等等。这些流程是写死在程序里的，所以叫硬编码。对于简单的重复性场景来说，这不失为有效的自动化方法，就像 Excel 里面的宏一样。下面这段是我用来发 QQ 骚扰我妹的，迅速狂发同一条信息。。它跑在 Mac 上，Windows 上运行的话键的名称改一下就好了。可见非常简单。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from pymouse import PyMouse
from pykeyboard import PyKeyboard

m = PyMouse()
k = PyKeyboard()

for i in range(10):
    k.press_key('Command')
    k.tap_key('Tab')
    k.release_key('Command')

    k.type_string("Xiong Hai Zi!")
    k.tap_key('Return')

    k.press_key('Command')
    k.tap_key('Tab')
    k.release_key('Command')

但是硬编码有它自己的问题，因为所有都是写死的，所以它只能适应单一的 GUI 场景，万一有变化呢？比如说在 SAP 配置页面，不同的 FTP/RFC/HTTP adapter 要配置的东西完全不一样，如果针对每一个都硬编码的话，理论上是可以的，但也太麻烦了，适应性也不好，万一 SAP 有个新的东西又要写一堆代码。那么有没有更聪明的办法呢？这就是聪明的自动化了。

它的原理也并不复杂，主要是让计算机能够像人类一样『看』到电脑上的字符，然后再跟配置文件里的内容对照，动态决定应该去哪个地方配置。这里面用到了计算机视觉（CV）和光学字符识别（OCR）的技术。

事实上，我只写了不到 300 行代码，就实现了可以配置 SAP PI 所有类型的场景，即使有新的场景一样可以对付，而且不管电脑怎么换，屏幕分辨率怎么变，全部都可以一键搞定。

更高级的自动化就是人工智能了，这个目前还停留在想法阶段，因为强人工智能还没有实现。虽然神经网络、深度学习在模仿大脑，阿法狗也彻底战胜了人类，但电脑依然不能像人一样思考，理解人类的语言，模仿人类的感情。从 Siri 们的智商就能看出来人工智能目前还是人工弱智，但它们在很多细分领域已经赶上甚至超越了人类。像自动驾驶，其实应用的和我一样是计算机视觉的技术，只是更加复杂，训练和调试的方式不太一样。这些人工智能目前的发展，已经可以带来巨大的价值。未来甚至可以想象，把大多数生产活动都交给机器后，可以实现无人化工厂，原料进去，产品出来，中间不需要人类参与。这不就是实现了物质极大化吗？所以人工智能才是最有可能实现共产主义的，虽然人类社会制度的转变总是伴随着战争、冲突、危机等剧痛。

最后谈一谈人工智能导致失业的问题。与其说是失业，我更愿意称之为解放，把人类从机械、重复、无聊的工作中彻底解放出来，让人们把时间用来做有趣的事情，过有意义的生活，而不是把生命浪费在辛勤劳作中。人类发展的历史是生产率不断提高的历史，从工业革命早期的蒸汽机开始，就是不断在用机器替代人力，虽然有经济周期的波折，但这个世界的财富绝对值，人们的平均生活水平是一直提升的。现在很多人恐惧甚至反对人工智能，但这就像当年卢德分子破坏织布机一样是徒劳的；法国的出租车司机抗议 Uber，必然也是在试图逆历史潮流过程中螳臂当车。任何有利于生产力的科技最终都势不可挡。不过强人工智能可能带来伦理性的辩论，但那是另一个更大的话题了。
很多所谓的争议只是短期和长期，局部和全局的区别。自动化的进步短期肯定会造成失业，因为那些工人的就业弹性很低，很难立即找到合适的工作。再加上社会分配制度一般是远远滞后于技术进步，所以会造成贫者越贫富者越富的情况；但从长期来看，这些新技术提升了生产率、资源利用效率，一定是更有利于人类社会。从局部和全局的角度来看，对于新技术直接冲击的行业，像出租车行业，肯定是弊大于利，因为可能造成整个行业的衰退；但对于所有其他人，共享经济让出行变得更便宜、更方便。所以很多纷争，只是所处的立场和时间跨度不同，跳出这些框框才能看清问题的本质。
编辑于 2017-03-12

← 简介 AI →
Caught a mistake or want to contribute to the documentation? Edit this page on GitHub!