1. AI構建卓越組織

1.1. 攀登珠穆朗瑪峰時，能否成功登頂往往取決于大本營的領導力

• 1.1.1. 在攀登珠穆朗瑪峰的征途中，最危險的路段之一是穿越昆布冰瀑

1.2. 組織利用AI實現商業價值的征途，始于領導者（國家/地方領導、首席執行官、董事會等）直面AI時代的獨特挑戰

1.3. 未來的領導者需要駕馭新型無形資產：數字技術、數字商業模式、數據、高級分析、算法以及A

1.4. AI經濟要素無形無質、晦澀難解，引發的恐慌堪比20世紀汽車問世時的社會焦慮

1.5. 領導者必須明確：為什么要部署AI? AI的核心應用場景是什么？AI如何增強人類的能力？

1.6. 領導者不僅需要理解AI能做什么，還需要深刻洞察AI如何彌補人類認知的局限

• 1.6.1. 核心任務是確保最具生產力的資源—人力資本，始終處于高效創新的前沿，專注于解決最關鍵的問題

• 1.6.2. 深層認知，才能解答“為何需要AI”這一問題，進而推動對變革性AI的投資

1.7. 利用AI創造價值是當今企業領導層的當務之急

• 1.7.1. 高管和董事會必須深入洞察AI的潛力，并制定相應的戰略和戰術，從而推動產品與服務創新，結合現有的有形和無形資產形成協同效應，確保人力資本保持最佳競爭狀態

• 1.7.2. AI不應被簡單下放給信息技術或運營部門，也不應僅被視作后臺降本工具

1.8. 企業不可低估數據工程在AI價值創造中的作用

• 1.8.1. 最具價值的“全能型人才”不僅掌握這兩項技能，還具備商業敏銳度，能夠提出關鍵問題，并識別真正需要解決的業務難題

1.9. 領導者需主動管理企業向“AI之屋”?（四大支柱、三大架構）轉型過程中的組織和文化變革

• 1.9.1. 借助生成式AI模型，企業能夠實現復雜任務自動化、生成逼真的個性化內容、加速產品開發、優化決策流程，并打造獨特的用戶體驗

• 1.9.2. 領導者必須提升自身認知水平，在評估機器學習模型時，不僅要關注準確性的最大化，還要考量這些模型所驅動的決策是否秉持公平公正的原則

1.10. 當企業在處理常規數值型或表格型數據、開發相關應用場景方面越發得心應手時，便可以拓寬視野，嘗試從更豐富也更具非結構化特性的數據，如圖像、音頻、視頻和自然語言中挖掘商業價值

1.11. 構建強效領導力與組織協同體系

• 1.11.1. 在企業邁向AI之巔的旅程中，所面臨的“南坳級”挑戰主要體現為在組織內部培育AI領導力，以及管理AI增強決策所引發的文化變革

• 1.11.2. 任何極具挑戰性的事務，都需要來自領導層的有力推動

2. 數據工程即核心競爭力

2.1. 數據即新石油

2.2. 企業領導者低估了數據治理中存在的組織政治因素

• 2.2.1. 他們并不擁有關鍵數據，也沒有足夠的權力或影響力去說服其他利益相關方共享數據

2.3. 領導者清楚要解決何種業務問題，也知道要開展何種AI分析，但他們忽略了對關鍵輸入、預測變量或輸出、結果變量所必需的變化的理解，而正是這些變化使分析成為可能

2.4. 數據工程實為一項艱苦的工作

3. 充分利用AI的四大支柱

3.1. 兩大難題

• 3.1.1. 它們不知從何入手

• 3.1.2. 它們被市場上與AI相關的夸張宣傳所干擾，而難以制定清晰的推進路徑

3.2. 描述性和預測性分析是AI在現代商業領域的核心應用，分別利用無監督學習和監督學習來為企業提供數據洞察

3.3. AI是一項廣泛適用于日常生活的通用技術，絕非簡單地交給IT部門處理的普通任務

3.4. 機器學習通常被視作引領第四次工業革命的關鍵技術，其重要性與前三次工業革命中的蒸汽機、電力和計算機等量齊觀

3.5. 選擇AI轉型的切入點，這一過程更像一門藝術而非科學，需要業務主管與數據科學家反復磋商

• 3.5.1. 對于那些擁有多年IT系統積累的海量數據，卻不知從何下手的傳統企業而言，描述性和預測性機器學習是最佳的起點

3.6. 面對日益復雜的商業環境，企業需要借助因果性分析來應對挑戰

• 3.6.1. 核心目的在于，幫助企業領導者和管理者基于科學原理理解因和果之間的內在聯系

• 3.6.2. 因果性分析正被廣泛應用于各類商業決策，也是“產品思維”驅動的軟件化數字化轉型的重要基石

• 3.6.3. 許多企業已在不同程度上采用因果推理方法（行業內通常稱之為“A/B測試”?）?，來決定應該投放哪種廣告、推出哪些功能、設置何種激勵機制，以引導用戶采取特定行為

3.7. 雖然描述性和預測性機器學習具有極高的商業價值與社會價值，但它們的本質仍然基于相關性，而非因果性

• 3.7.1. 模式挖掘，即發現數據中的有趣關聯或異常點

• 3.7.2. 相關性映射，即將輸入變量與輸出變量關聯起來，以進行預測或打分

3.8. 混淆相關性和因果性，是大多數職場人士常犯的關鍵錯誤，甚至許多受過數據科學和分析訓練的專業人士也難以避免

3.9. 使用因果性分析方法（如公認的“黃金標準”雙盲隨機對照試驗）?，在道德層面或智力層面，并不優于使用具有高度相關性的預測性深度學習模型

3.10. 因果性分析與預測性分析只是針對不同挑戰所采用的不同工具，并無優劣之分

3.11. 目標在于幫助企業領導者理解這些方法的核心邏輯，以便他們能夠根據實際問題，選擇合適的分析方法

• 3.11.1. 企業能夠將人類智慧與機器智能進行最佳結合，充分發揮各自優勢，同時減少其局限性

3.12. 規范性分析建立在描述性分析、預測性分析和因果性分析的基礎之上，并進行優化

4. 構建AI時代的人才戰略至關重要

4.1. 在非科技企業中，從部門領導到副總裁級別的知識型員工，正面臨著巨大的變革，我們將其稱為“混亂的中間層”?

4.2. 如果沒有一支實干家的隊伍，即那些擅長運用最先進的AI、機器學習和高級分析技術，在各個行業和職能領域提供創造性解決方案的夏爾巴人（登山中真正的英雄）?，這幅圖景便是不完整的

4.3. 要求人才具備高度的商業敏銳度，能夠區分資產負債表和損益表

4.4. 擁有頂級的數據工程能力，因為在高級分析項目中，70%的時間都用于清洗、聚合、整合和處理數據

4.5. 需要深入理解AI分析的四大支柱：描述性分析、預測性分析、因果性分析、規范性分析

4.6. 具備豐富的實踐經驗，能夠向企業不同層級的利益相關者清晰傳達AI分析的價值

4.7. 必須制定積極的策略，使AI優先戰略與多樣性、公平性、包容性等現代企業核心價值觀深度協同

4.8. AI戰略應以公平、問責和透明為先

• 4.8.1. ImageNet Roulette項目，向世人揭示了AI圖像分類的陰暗面

• 4.8.2. 一個殘酷的現實：沒有人是完全客觀公正的，因此也不可能構建出完全沒有偏見的AI系統

5. 讓AI為你所用

5.1. 現代AI將推動突破性技術發展，助力應對氣候變化、疾病、貧富差距和社會分裂等重大挑戰

5.2. 普及AI認知，提升公眾在AI領域的話語權，使其積極參與到塑造相關法規的政治進程之中

5.3. 若公眾參與缺位，那么AI監管可能會被政治家和利益集團左右，最終制定出看似合理，實則未經深思熟慮、可能引發諸多意外后果的法規

• 5.3.1. 歐盟《通用數據保護條例》?（GDPR）就是一個典型案例，其高昂的合規成本讓大企業受益，卻阻礙了小型創業公司的創新，進而減少了社會整體的未來收益

• 5.3.2. 大量學術研究已經證明了GDPR所帶來的負面影響

5.4. 現代AI的力量源自對現有語言、藝術、代碼、決策以及更廣泛的人類交流方式的高度數學化表達，我們就能更好地理解如何在此基礎上持續創新

5.5. AI是人類智慧的有力補充

• 5.5.1. 要在AI影響日益深遠的世界中蓬勃發展，我們需要深入理解其潛力，培養與AI協作的技能，并善用其能力來提升個人與職業生活的品質

5.6. 提升自我認知

• 5.6.1. 首先要了解AI是什么、其工作原理以及潛在影響

5.7. 堅持終身學習

• 5.7.1. 隨著AI技術的持續發展，在AI時代立足所需的技能也在不斷變化

• 5.7.2. 發展那些不易被自動化且能夠與AI形成互補的技能尤為重要

• 5.7.3. 批判性思維、創造力和情商等軟技能，這些能力難以被AI復制，在許多職業領域中都備受重視

5.8. 參與倫理討論

• 5.8.1. AI既可用于造福社會的正面目的，也存在被濫用的風險，因此我們必須警惕其潛在風險，確保AI的應用方向是為了造福人類社會

5.9. 為變革做好準備

• 5.9.1. 在積極擁抱AI帶來的機遇的同時，也要對信息保持謹慎和懷疑的態度

• 5.9.2. 并非所有的AI應用都毫無風險或絕對有益，我們需要仔細甄別信息的來源是否可靠，洞察技術工具背后的設計意圖