作者 | 唐隆基， 羅克博物流研究院副院長
來源 | 物流沙龍
這是我的智慧計算和數位化供應鏈及智慧物流的系列文章之一， 它首先介紹什麼是認知計算， 然後指出其發展趨勢， 最後探討其在數位化供應鏈和智慧物流中的應用。 本文第一節“什麼是認知計算“是基於IBM紅皮書【1】編譯而成。 第二節介紹認知計算的發展趨勢， 第三節討論認知計算在數位化供應鏈及智慧物流中的應用以及落地戰略。
1. 什麼是認知計算？
在過去幾年中， 資料的爆炸， 主要是非結構化資料的湧現導致了一種新的電腦系統—認知系統的發展。
認知計算正在成為一個新的行業。 一場與運輸、客戶服務和醫療保健的自動化有關的新工業革命即將來臨， ， 這樣一場革命將產生新一代熟練的開發商。 他們充分理解認知計算， 設計新的業務應用程式， 以及最終構建新的認知網路。 本節簡要概述了認知計算的歷史和計算的時代。 因為， 要理解認知計算的未來， 瞭解它的歷史背景很重要。 然後描述了認知計算及相關的基本概念以及認知系統的特性。
1.1認知計算簡史
智慧型機器的概念早已存在。 令人驚訝的是， 在第十九世紀， 數學家喬治·布林（George Boole）的1854年出版的書， 思維的規律（The Laws of Thought）定義的邏輯運算子（或， 或不是）為思維規律提供了基礎。 大約同一時間， 查理斯·巴貝奇設想他所描述的一個分析引擎。
1950， Alan Turing， 一位元英國電腦科學家和數學家試圖解決人工智慧的問題， 並提出了一個被稱為圖靈測試的實驗。 這是對一個機器表現出與人類相似的智慧行為的能力的測試。 這項測試是一個被稱為“模仿遊戲”的維多利亞風格比賽的改編。 圖靈實驗是建立在一人類評價者的基礎上， 他/她能判斷人類與機器之間產生類似人類反應的自然語言對話。
人工智慧這個術語最早是由約翰·麥卡錫教授1956年在達特茅斯學院舉行的會議時創立的。 麥卡錫把這個學科定義為“科學， 以及製造智慧型機器的工程， 特別是智慧電腦程式。 “[1]
1960、電腦先驅J.C.R. Licklider發表了他的論文人-機共生（Man-Computer Symbiosis）[2]。 闡述了克萊德的人與電腦互補或共生關係的看法。 下面引用的是Licklider研究與見解的一個例子：
“人-機共生是期望發展人與電子電腦合作互動。 它將涉及人與合夥的電子成員之間非常密切的耦合。 其主要目的是：
1、讓電腦在制定問題的解決方案中形成方案思維。
2、使人和電腦合作並不依賴預先確定的程式作出決定和控制複雜的情況…初步分析表明，
1.1.1計算的時代
要理解認知計算的未來， 瞭解它的歷史背景是很重要的。 以日期， 兩個不同的計算時代已發生：製錶時代和程式設計時代。 我們正在進入電腦進化的第三個也是最具變革性的時代， 認知計算時代（認知時代）。 圖1顯示了計算的三個時代。
圖1：計算的三個時代 （來自【1】）
計算的三個時代可以描述如下：
製表時代（1890s-1940s）
第一個計算時代是由單一用途的機電系統組成的。 計數， 使用穿孔卡片輸入和存儲資料， 並最終指示機器做什麼。 這些製表機本質上是用來設計統計和總結資訊的計算器。
這些機器支援企業和社會的規模化， 並政府用於如處理人口普查資料和業務會計及存貨控制等應用。 製表機發展了一類稱為單位記錄設備機器， 和資料處理工業。
程式設計時代（1950s-至今）
這個時代開始從機械製錶機轉換到電子系統， 它始於第二次世界大戰期間受軍事和科學需求的驅使。 戰後， 數位“電腦”迅速發展， 並進入企業和政府。 這標誌著可程式設計計算時代開始。
這個時代最大的變化是引入了可程式設計的通用計算系統：它們可以被重新程式設計來執行不同的任務並解決多個企業與社會問題。 但最終， 它們必須被程式設計， 並且在運行中只能與人進行有所約束的互動。 我們現在所知道的一切計算設備，從主機到個人電腦，再到智慧手機平板電腦是一種可程式設計電腦。一些專家認為，這個計算時代將無限期地繼續存在。
認知時代（2011年-未來）
正如Licklider所預言的，認知計算是一個可程式設計計算必要的和自然的演化。認知計算系統的目的是擴展人類認知的邊界。認知計算技術不是取代或者甚至複製人類大腦工作的方式；它們是關於擴展人腦的功能。人類擅長推理，善於思考，解決複雜問題。但是人類在閱讀、分析和處理巨大資訊和大量的資料，無論是結構化的還是非結構化的，的能力，，都是相當貧乏的。當然，那是電腦系統的強項。認知計算系統的第一個角色是把人和機器的力量結合到一個協作的情境中。
認知系統的另一要素是實現人與人之間更自然的互動，並結合學習能力和與時俱進的適應能力。
1.1.2計算的未來是認知
在約翰·E·凱利的論文“計算，認知和未來的認識：人類和機器是怎麼開創一個新的理解時代“[3]中陳述了這一點：
“我們這些人從事嚴肅的資訊科學研究並應用於商業和社會的現實世界。 我們理解智慧系統的巨大潛力。這個技術的未來—我們相信它將是認知的，而不是“人造的”—具有非常不同於一般歸因於AI的特性，它產生不同種類的技術、科學和社會的挑戰和機遇，對治理、政策和管理有不同的要求。”
在同一篇論文中，凱利博士定義了認知計算：
“認知計算”指的在規模上學習，有目的地思考，與人類自然互動的系統。他們並不是被明確地程式設計，他們是通過學習和與我們的互動中找到原因，以及他們對環境的體驗。大資料驅動的當前需求和更為複雜的循證需求決策，超出了以前的嚴格規則和基於邏輯的計算方法。認知計算通過大量資料中的洞察力使人們能夠尋找答案創造出一種新的價值。認知計算有助於提高人類與人類問題有關的系統的專門知識。
當我們尋求理解某事物並作出決定時，我們就會經歷四個關鍵步驟：
1、觀察可見的現象和證據。
2、根據我們所知道的來解釋我們所看到的，以便產生關於這意味著什麼的結論。
3、評估哪些假設是對的或錯的。
4、決定（選擇）看起來最好的選擇並採取相應的行動。
正如人類通過觀察、評估和決策的過程而成為專家一樣。 認知系統使用類似的過程來推理他們所吸收的資訊。
1.1.3認知計算對我們的生活的影響
不管你是否意識到這一點，認知計算已經對我們的生活產生了影響。通常，當你與呼叫中心交談時，你的互動很可能發生在電腦上。你的文章，閱讀可能是由機器編寫的。在很多情況下，比如網上購物，認知計算理解你的行為和活動並提出建議。基於這種理解。基於認知計算原理的聊天機器人已成功支援解決投訴的服務。
許多行業正在通過認知計算得到加強。例如，醫生診斷一個症狀不正常的病人必須進行大量的檢查獲得的資訊，以達到正確診斷。認知計算可以幫助醫生為醫生做大量的研究和初步分析，並可能為下一步提出建議。
考慮一個理財經理為客戶提供他們的個人退休投資組合。當基本事實和規則適合後，個人需要、環境和利益開始發揮作用。整理所有相關資訊，並將建議定制到特定客戶可以是一個壓倒一切的任務，但通過認知計算更容易實現。從本質上說，認知計算可以把許多專業人員每天處理資訊納入到文檔，以便從中獲得真正的價值。
1.2認知計算有關的基本概念
下面這些基本概念有助於理解認知計算及其系統：
認知（Cognition）
認知“思維行為”是個人或共同經歷獲得理解的心理過程。基於大腦的技能是每個人行為的一部分，是執行任何從最簡單到最困難任務的必要條件。包括人類的感官的任務（聽覺，觸覺，嗅覺，視覺，味覺，甚至是額外的感覺。感知），學習，記憶，運動技能，語言，移情，社交技能，以及解決問題的能力。
如上所述，認知是通過思想、經驗，和感覺獲得知識的過程。認知過程有助於我們理解和與周圍世界從基本到複雜的互動。
人工智慧（AI）
人工智慧系統的研究和開發旨在建立能夠執行通常需要人的智慧的任務的電腦系統。 基於人工智慧的機器是有意的感知他們的環境並採取行動優化他們的成功水準。今天的人工智慧可以被認為是薄弱的，因為它的目的是執行狹窄和具體的任務。許多研究者的目標是創造強大的人工智慧，像人類一樣學習並能解決人類的問題。
人工智慧研究使用許多領域的技術，如電腦科學、哲學，語言學、經濟學、語音辨識和心理學，這些都表現在應用程式，如控制系統，自然語言處理，面部識別，語音辨識、分析、模式匹配、資料採擷和物流。
認知計算（Cognitive computing）
人類天生就具備一套幫助我們學習、發現創造，和做決定的技能：
人類可以運用常識、道德和理性來走出困境。
人類可以思考新的想法，並在有必要的線索和資訊不全的基礎上作出歸納。
但是人類被學習、處理和吸收新的資訊所花費的時間所限制，以及受無意識偏見的限制，我們都由於這些限制而影響我們做出決定。
認知計算是人工智慧的分支而使之更完美。它是關於建立一個結合了人類和機器能力的系統（圖2）。考慮人類天生擁有的能力，比如想像力和情感，結合電腦擅長的能力，如數位運算、模式識別和處理大量資訊。
認知計算利用機器優勢以電腦模式來類比人類思維的過程。認知系統使用的技術，如機器學習、資料採擷、自然語言處理和模式匹配來類比人腦如何工作。這樣的系統是與日益複雜的世界互動的理想的系統。
圖2：人類和認知系統是互補的 （來自【1】）
大資料 （Big Data）
通常大資料特徵是由五V （variety, volume, velocity, veracity, and visibility）定義的：多樣、體量、速度、準確性，和能見度。大資料需要創新的資訊處理形式來獲取洞察力，自動化流程，和協助決策。大資料可以是對應於形式模式的結構化資料，如傳統資料集和資料庫。
大資料還包括半結構化和非結構化格式，如文書處理，文檔、視頻、圖像、音訊、演示文稿、社交媒體交互、資訊流、Web頁面和許多其他類型的內容。非結構化資料不存儲在規則（關係）資料庫中，並以指數級增長，占世界上所有資料的大多數。
問答（Question-answering ：QA）技術
認知系統可以吸收數百萬頁的文本並應用問題回答技術並採用自然語言回答人類提出的問題。 這種方法允許人們“問”，對複雜的問題幾乎立即得到答案。結合其他應用程式設計發展介面（API）和高級分析，QA技術區別于傳統的搜索（由關鍵字觸發的）在於它是提供對話式的討論。
機器學習（Machine Learning）
機器學習是一種人工智慧，它使電腦在沒有顯式程式化時具有學習和執行的能力。這意味著隨著時間的推移電腦從錯誤和新經驗中學習（接觸新資料）和增加它的智慧，使電腦模型會變得更好。 如果一個電腦程式能根據過去的經驗來改進它執行某些任務，它已經掌握了機器學習。這與執行任務總是以同樣的方式按程式設計去做是不同的。
自然語言處理（NLP）
NLP是人工智慧的一個領域，是指自然語言的電腦處理。自然語言是任何人類語言，如英語、西班牙語、阿拉伯語或日語，它區別於電腦語言，如java或C++，Fortran。NLP是電腦軟體理解人類語言的能力。通過使用NLP能力，電腦可以分析用人類語言編寫的文本並識別概念，實體，關鍵字，關係，情感，情感和其他特徵，允許使用者從內容中獲取洞察力。
任何以自然語言為輸入並能處理它的系統都是自然語言處理系統（例如，垃圾郵件檢測軟體）。垃圾郵件分類器是一種查看電子郵件主題行內容的系統，以評估是否收到的電子郵件是或不是垃圾郵件。
雲計算 （Cloud Computing）
雲計算是描述按需服務交付的通用術語，通常通過互聯網，按需付費。世界各地的公司通過互聯網和雲計算的方式為它們的客戶提供服務，服務可能包括資料分析、社會媒體、視頻存儲、電子商務，和認知計算。
應用程式介面（API）
一般來說，API公開了功能和服務。API使軟體元件之間能夠容易溝通。API作為集成方法通過使任務更容易連接和與其他應用程式或服務的介面把靈活性注入到應用程式生命週期中。API抽象了一個服務、應用程式或工具，只公開開發人員需要的東西，因此程式設計變得更容易更快。
圖3：認知系統讓使用者專注於為日常和重大問題建立更好的解決方案 （來自【1】）
認知API通常是在一個基於雲的開放平臺上交付的。開發人員可以通過一個或多個可用API使用將認知注入到數位應用程式、產品和操作中。在認知計算模型中，所有這些概念組合在一起，消除了讓用戶成為認知方法的專家的需要，而讓他們專注于創造更好的解決方案（圖3）。
圖3認知系統讓使用者專注於為日常和重大問題建立更好的解決方案。
這些概念和技術是如何相互關聯的呢？
認知計算模型在各個領域具有較高的應用價值。通過應用這種模式，使用者不需要花時間學習有關工具的複雜細節，以便有效地使用工具或花時間解釋大量的資訊來繪製結論。相反，使用者花時間識別有用的模式，做出決策，並採取行動改善業務和業務流程。
由於認知計算模仿思維，所以輸出的品質會和開始使用的演算法和模型一樣好。這些模型通過機器學習得到改進。 人類專家可能花數周分析資料量，但電腦模型可以在幾秒鐘內完成。
例如，一個醫療小組進行一研究，監測數百名兒童數月和預測導致蹣跚學步的孩子糖尿病的因素。在不久的將來，同樣的研究可以通過電腦模型準確地預測。以較低的成本並只需幾秒鐘的時間可分析大量資料。甚至有更多的價值、分析可以包括其他資料來源以提高預測結果。
你需要一台超級電腦來分析大量的資料，以便你能獲得洞察力嗎？這是雲計算的力量可以幫助的地方。各種廠商已建立雲計算環境和通過互聯網提供對雲的訪問。使用者請求他們需要的服務和提供他們的資料。供應商提供按需付費模式並提供定制的環境，以滿足用戶的特殊需求。雲計算模型極大地降低了訪問的障礙，並且世界上具有互聯網連接的任何人可以訪問這些服務。
各種API提供對各種服務的訪問使人們能夠快速、方便、直觀地訪問計算系統。大多數API獨立於程式設計語言，這意味著您的開發人員可以用任何程式設計語言工作。使用API共用端點之間的資料、服務和業務功能（例如應用程式、設備和網站）創造了降低集成成本和時間的機會。
1.3 認知系統的特徵和應用
1.3.1 認知系統的特徵
許多人認為只有運用認知系統我們才能處理今天的資料衝擊。這是因為認知系統有以下幾個關鍵特點:
一個要理解的重要概念是認知系統的第一要素是擴大了人類認知的邊界，而不是取代或複製人腦工程。人類善於思考和解決複雜的問題，然而，我們閱讀、分析和處理大量資料的能力卻很差。閱讀，分析和利用大量資料是電腦系統的優點。認知系統的關鍵要素是要將這兩種力量結合起來（人類和電腦）進入協作解決方案。不僅僅是搜索大量的資料，認知系統必須將不同的資訊組合在一起，並且可能做一些推理來建立聯繫和關係。系統需要做足夠的分析，找出關鍵因素，瞭解人類正在努力解決的問題。為了解決這個問題，並在此基礎上提出有關問題的資訊。目標是讓人類很容易利用認知系統提供的資訊。使人類能夠探索證據，並利用這種洞察力來解決他們的問題或作出決定。
認知系統的第二要素是讓電腦和人類有更自然的互動。直到最近，為了與電腦交互，人類不得不適應與電腦介面工作的方式。這通常是剛性的和不靈活的。認知系統提供電腦和人類之間更自然的接觸。例如，語音辨識可以使人使用語音命令與電腦進行交互。
認知系統的第三個關鍵要素是使用機器學習來學習。機器學習已經有很長一段時間了，認知系統必須超越機器學習的核心基礎。
認知系統的第四要素是隨著時間的推移擴大學習和適應的能力。所以當你使用這些應用程式，回饋機制捕獲交互的結果和系統必須從產生的交互中學習，並隨著時間自動演化，提高其性能。有了這個理解基礎，你就可以把認知系統理解為達到提供並在許多情況下已經提供的這些功能。
理解：認知系統像人類一樣理解意象，語言，和其他非結構化的資料。認知系統像人類一樣處理幾乎所有的資料（結構化和非結構化）。
原因：認知系統能找原因，掌握基本概念，形成假設，並推理和思想。
學習：認知系統從每個數據點，相互作用，和結果發展增加專業知識，並繼續學習、適應和改進他們的專業知識。
互動：認知系統有能力看，說話，聽，並與人類以自然的方式互動。
1.3.2 解決現實生活問題的認知系統
例如，一個認知旅行計畫者可以考慮用語言識別，權衡分析，和個性見解，來為客戶提出滿足他們需求的最佳的旅行建議。另一個例子是通過審查大量的保險規則來獲得保單規則。有了這些規則，保險公司可以驅動標準化，降低風險，更廣泛地學習專業知識和承銷商的經驗。
認知系統的供應商提供基於語音命令的各種產品，以及網際網路上資料的使用。各種供應商為醫療，汽車，金融，供應鏈，物流，和保險等不同行業提供有針對性的認知系統。
2. 認知計算的發展趨勢
認知計算是人工智慧（AI）的一個分支。現代認知計算可追溯到19世紀後期，數學家喬治·布林的工作和他的書《思想的法律》，以及查理斯·巴貝奇創造他所謂的“分析機”。近年來，研究發現它有助於處理複雜的大資料，從而不經意地提高企業生產力水準。
認知計算是下一代智慧計算系統，它將用人類語言交互並通過理解複雜的大資料來説明專家做出更好的決策。認知計算代表一種全新的計算模式，它包含資訊分析，自然語言處理和機器學習領域的大量技術創新，能夠助力決策者從大量非結構化資料中揭示非凡的洞察。
由於認知計算對未來業務的巨大潛力，近年來認知計算得到迅速發展。本文從三方面來討論其發展趨勢：（1）認知計算公司（2）全球認知計算市場發展趨勢（3）企業採用AI/認知計算的趨勢。
（1）認知計算公司的發展趨勢
2014年IBM投資10億美元成立了一新沃森（Watson）集團，以滿足日益增長的認知創新需求。沃森（Watson）集團是IBM一個新的業務部門致力於開發和商業化的雲交付的認知計算系統。
穀歌2014年斥資4億美元收購英國一家初創AI公司DeepMind，該公司正開發智慧電子商務、線上遊戲和圖像識別。據華爾街日報，同年，臉譜網的馬克·紮克伯格和特斯拉的伊隆麝香與演員和技術投資者艾什頓·庫奇聯合投資4000萬美元到一個稱為Vicarious人工智慧的初創公司。
Vicarious公司是一個旨在複製人類大腦皮層作為電腦代碼的公司。大腦皮層是大腦用於“辯認，控制身體，理解語言的，和做數學的相當重要的一部分。”公司的創始人Scott Phoenix告訴華爾街日報，一旦他們成功地完成這一任務，“你會有一台像人一樣思考電腦，但它不需要吃飯或睡覺。”
大量的研究工作正在進行，在麻省理工學院，卡耐基-梅隆大學，紐約大學，理工大學，和許多其他大學。還有很多其他的研究：項目Rebellion研究已經投入700萬美元開發一個基於機器學習的股票投資計畫。三藩的小腦資本為類似的目標投資了1000萬美元。這樣的投資只會隨著認知計算和它的夥伴AI的發展而變得更加明顯。
圖4列舉了前10大認知計算公司，它們都是美國公司， 其中Deepmind 原來是英國公司，在2014被穀歌收購後,現在是穀歌Alphabet集團的一部分。
圖4：前10大認知計算公司【2】
（2）全球認知計算市場發展趨勢
根據alliedmarketresearch.com的研究，全球認知計算市場預計至2020年將創造137億美元的收入，在2015 至2020年間預測期內的年複合增長率為33.1%。圖5顯示了從2014 至2020年間認知計算技術市場的發展趨勢：
圖5：首要因素：認知計算技術市場【3】
從圖5可見認知計算技術市場發展趨勢包括
大型複雜資料量的增加
大資料分析
利用互聯網的速度
部署認知計算的成本
【4】的研究指出了如圖6所示的全球市場認知系統支出增長的主要趨勢。在預測期2016-2026內的複合年增長率將達到14.6%。據估計，到2016年底，銀行板塊將占20%以上的價值份額，預計在預測期內，全球認知系統消費市場的其他部分將以15.5%的高複合增長率增長。銀行業務預計在2016至2026年間絕對會有超過400億美元的機會。此報告還表明，銀行部門在2026年底前將在全球認知系統消費市場中占30%以上的價值份額，其次是保健部門。
預計美國北部地方認知系統將在銀行業預測期內以較高的複合年增長率擴張，其次是西歐。國際商業機器公司（IBM）在全球認知系統消費市場佔有超過50%的市場份額。該公司正主導銀行業、製造業和教育認知系統在銀行業的全球市場。IBM的認知計算產品平臺沃森也在進軍供應鏈和物流領域。
圖6：全球市場認知系統支出增長的主要趨勢【4】
（3）企業採用AI/認知計算的趨勢
Teradata【5】對全球企業AI/認知計算的採用和計畫研究的主要結論包括以下：
今天有80%的企業在生產中開始有AI活動，亞太地區領先於所有地區。48%接受採訪的亞太地區企業報告說，AI在他們公司中有著重要的作用，AI在今天進行了業務部署。北美（39%）和歐洲（31%）也依賴於在他們的業務中使用人工智慧與部署在他們的業務。全球42%的企業看到了進一步實施和過程集成的空間（如圖7所示）。
圖7 ：“貴公司在生產中是否有任何人工智慧能力？”所有受訪者（260）以受訪者區域劃分。
如圖8所示產品創新與研發（50%）是當今AI最有效的收入驅動因素，客戶服務（46%）、供應鏈與運營（42%）、安全與風險緩解（40%）和銷售（34%）也是AI今天帶來的額外收入驅動因素。這項研究還發現，企業開始從人工智慧中獲得收入，比許多人預期的要快，在25%到50%的企業報告中，報告了AI的增長。
圖8：“您組織中的哪一部分正在推動AI能力的收益？”詢問目前組織擁有人工智慧能力的受訪者（209）
如圖9所示資料工程（27%）、智慧化的工作流程和決策自動化（23%），和分析操作的規模（20%）是在今天使用AI最主要的能力。接受調查的大多數企業都使用了幾種不同的人工智慧分析技術，其中包括智慧工作流和決策自動化，它們最大的潛力是提高生產率和降低成本。
圖9：對所有受訪者（260）的上述AI能力的使用和感知效益分析
如圖10所示亞太地區在產品創新和研發方面向AI收入大幅度擴張是全球領先的（亞太地區65%對歐洲49%）。北美洲是利用人工智慧技術推動更大銷售的全球領導者（40%），而歐洲是利用人工智慧簡化供應鏈和業務的全球領先者（47%）。不同的地區有顯著不同的收入驅動因素與他們的人工智慧投資，亞太地區也成為在客戶服務（54%），行銷（50%），資產和資本管理（46%）方面AI收入的全球領先者。
圖10：“您組織中的哪一部分正在推動人工智慧能力的收益？”，結果按所有被調查者(260)的地區分開
分析顯示在最常選定的行業中，IT和電信（59%）、商業和專業服務（43%）和客戶服務（32%）是人工智慧最積極影響的三個行業。在歐洲和亞太地區，製造業和生產預計將成為AI第三大最積極影響的行業。目前正在進行的全球工業4.0舉措與這一發現相一致，因為製造商著眼于預測分析、機器學習和人工智慧，以提高產量和增加收入增長。
如圖11所示提高客戶體驗促使大多數企業（62%）投資新的人工智慧技術。提高產品創新（59%）和實現更大的運營卓越（55%）是企業今天在AI投資的第二和第三個原因。根據調查資料，亞太地區的投資計畫將使該地區成為全球領先者，利用AI的優勢推動更大的產品創新。
圖11: “以下哪項業務成果促使貴公司投資於人工智慧能力？” 結果按所有被調查者(260)的地區分開
圖12表明60%的企業認為人工智慧能夠徹底改變其業務，使重複的流程和任務自動化，並有50%的企業提供當前無法獲得的新的戰略見解。預計歐洲企業將率先利用人工智慧實現重複過程和任務的自動化。亞太地區預計將主導人工智慧的使用，使知識工作領域自動化，減少對昂貴人力資源的需求（77%）。
圖12：“你認為AI最大潛在的商業革新領域是什麼？” ，結果按所有被調查者(260)的地區分開
91%被調查者認為採用人工智慧最重要的障礙是缺乏IT基礎設施（40%）和缺乏人才（34%）。企業正在努力克服的其他障礙包括：人工智慧技術仍處於萌芽狀態和未經證實（33%），缺乏實施預算（30%）。以下圖13說明了全球和區域採用人工智慧的障礙。
圖13：“在您組織中實現AI實現時，您看到或期望看到哪些障礙？”，結果按所有被調查者(260)的地區分開
總之，本節指出了（1）認知計算公司的發展趨勢 （2）全球認知計算市場發展趨勢， 以及 （3）企業採用AI/認知計算的趨勢。從這些趨勢可以看出，AI /認知計算將在第四次工業革命中起到非常重要的作用，它將大大有助於企業的數位化轉型。企業將採用人工智慧/認知計算獲得商業效益。
3.認知計算在數位化供應鏈和智慧物流中的應用
3.1人工智慧自然適合供應鏈
供應鏈，特別地，全球供應鏈或供應鏈網路是一個非常複雜的過程，它涉及不同的組織、人員、設備、產品、物流、資訊、技術等。供應鏈網路中的業務流、資訊流、產品流（包括物流）、資金流以及複雜的過程和環境（天氣、海港、航空，公路、……）往往會產生大量的資料，甚至是大資料。
這些資料將影響供應鏈的當前和未來，供應鏈必須對它們進行分析，以便讓它們幫助優化供應鏈或預測未來，或找到新的商業機會。人工智慧和認知計算比人們現有的分析方法更有效更智慧，更有助於尋找最佳的供應鏈解決方案，如解決供應鏈端到端的供應鏈流程的挑戰。特別是可以説明人們從大資料中尋找供應鏈商業價值。
人工智慧和認知計算還能幫助供應鏈規避由於不確定性、複雜性帶來的風險。人工智慧和認知計算技術的另一個常見的應用是針對材料品質、從供應到生產到客戶供應進行預防性維護和風險管理。機器學習正在成為操作技術組合中的主流。新產品的基線預測有助於確定新產品介紹和參加市場計畫。
當供應鏈應用得到需求信號時，人工智慧可以確定不斷變化的需求行為和優化庫存水準和補貨計畫以滿足連續迴圈的需求， 以及説明供應鏈從產品設計、生產、銷售、售後、到產品壽命整個產品生命週期的管理。
中國合同物流發展研究報告【6】和我的專欄文章【7】指出人工智慧技術， 例如增強現實（AR），可穿戴技術(Wearable technology)，機器人（Roboties），無人機(Drone)，無人車（Driverless car）等在智慧物流中起著重要的作用。這些遊戲規則的改變者使數位化供應鏈成為可能和必要。
2016 年12月IDC Manufacturing Insights（IDC製造業洞察）公佈了其“IDC futurescape：全球供應鏈2017的預測“【8】， 它為IT和業務線（LOB）框架報告決策者和影響者，以及未來的一年的計畫和執行技術相關的舉措提供了10個預測。預測之一就是“一半的全球供應鏈到2020年將使用人工智慧。”。
IBM商業價值研究院在它的研究報告【9】中指出：
50%受訪的供應鏈高管表示他們未來三年將重點投資認知計算或雲計算
86%受訪的供應鏈高管表示認知計算將會轉變他們的需求規劃和預測能力
96%受訪的製造業高管表示人工智慧和認知計算將提升他們在生產規劃方面的表現
總之，運用認知計算於供應鏈來重塑供應鏈和加快供應鏈數位化是很自然的趨勢。
3.2 認知供應鏈（Cognitive Supply Chain）
本文把具有認知能力的供應鏈稱為認知供應鏈。 事實上，就是把認知計算應用於供應鏈。供應鏈的認知能力可包括對供應鏈的認知分析、洞察、需求規劃和預測，計畫、採購、生產規劃，產品開發、製造、銷售、售後市場、風險管理。
IBM 的沃森（Watson）是認知計算系統的傑出代表，也是一個技術平臺。沃森可以幫助人們洞悉趨勢，創造潮流，保護能源，打擊犯罪，打破記錄，提升效率，節約資金。還可以説明企業推動銷售，更好地瞭解客戶，精准醫療，加速上市，提高產量，補齊貨架，創作藝術。也能幫助人們開拓思路，開創商機，開闢新市場，開啟新理念。
沃森已開始應用於供應鏈優化分析和預測，並且正在幫助一些物流企業打造有認知能力的智慧化物流體系。圖14展示了IBM沃森架構體系結構的構建模組【10】：
圖14：IBM沃森架構體系結構的構建模組
IBM將沃森應用於供應鏈數位化轉型-沃森供應鏈[4]。它是基於IBM沃森平臺的認知供應鏈。圖15顯示IBM沃森供應鏈為供應鏈提供全方位的認知計算能力。發揮沃森供應鏈的力量，可創造一個更加以客戶為中心，透明、智慧和可預測的供應鏈。
圖15：IBM沃森供應鏈為供應鏈提供認知計算能力
正如我們所知道的，缺乏可見性和透明度是實現供應鏈組織目標的最大障礙。沃森供應鏈提供認知性透明度。它不同于傳統的通過資料視覺化描述性的透明度，只看到樹木，沒有看到森林，只看到當前，看不到未來，只看到明顯的，看不見隱含的（一般，來自外部的大資料， 如來自社交網路，天氣，新聞，……的資料），這種傳統的透明度已經不能滿足全球/網路供應鏈【7】（例如全球貿易供應鏈）的要求。
認知性透明度是一種具有人工智慧新的透明度，它通過認知學習、人機自然交互，大資料分析洞察， 和動態資料視覺化綜合的可見性來實現和自提高。IBM供應鏈洞察利用沃森認知技術在供應鏈中培訓，為整個供應鏈提供全面的可見性和洞察力。它使組織能夠預測、評估和減輕干擾和風險，從而改善供應鏈運作，為企業帶來更大的價值。一個典型的例子是帶有問沃森（Watson）的問題解決中心。
圖16：帶有問沃森（Watson）的問題解決中心【12】
從圖16可見，沃森（IBM智慧型機器人）提供了關於供應鏈問題的詳細資訊和分析。問沃森智慧系統借助認知洞察力解決突發事件和降低風險的線上協作並請沃森向專家推薦關鍵的源資訊，並從以前的事件解決方案中獲取知識。從而可縮小檢查中斷時間從幾天到幾分鐘。
顧客/客戶服務是供應鏈後市場的挑戰之一。 認知客戶服務是一個集成了人工智慧（AI）、機器人（bots）、消息（Messaging）和人類智慧（human agents）的客戶服務平臺。它正在改變客戶服務和解決問題的傳統方式。使查詢速度更快，更有效低成本。
另一個典型的例子是如圖17所示帶智慧提醒的運營中心。沃森可以自動發送庫存警報。並且立即評估即將到來的風險和中斷的財務影響以及提供影響供應鏈生命週期的內部和外部事件的可見性。此外它能比傳統方式削減90%資訊檢索時間。
圖17：帶智慧提醒的運營中心【12】
物流是供應鏈的重要組成部分。認知計算也有助於物流數位化轉型。它使物流更加智慧化。 隨著物流業的數位化轉型，智慧化物流愈加重要。作為國內零擔之王，德邦試圖通過IBM 沃森（Watson）的認知技術，助力德邦快遞服務升級，打造一個具備認知能力的智慧化物流體系。
總的來說，將沃森引入德邦客戶服務系統後，物流公司常見的兩個問題便迎刃而解。第一，沃森擴大了資料處理的範圍——原來只能處理結構化資料，沃森則可以分析非結構化資料。第二，原有的模型建立之後就被固定，無法自我實現升級，而具備認知技術的沃森則可以隨著時間的運轉，促使模型變得越來越“聰明”[5]。
隨著國內電商平臺和新零售的發展，市場需求、競爭條件的變化，中國的智慧物流得到了迅速發展。根據國家物流行業中長期發展規劃，有預測認為中國智慧物流市場規模將保持20%以上的高速增長，到2022年，中國智慧物流市場規模將超過7900億元5。
供應鏈和物流的發展和競爭歸根結底是資料的發展和競爭。得資料獲其價值者得“天下”。而認知計算技術，如IBM沃森（Watson）認知技術平臺能幫助供應鏈和物流企業從資料， 特別是大資料（包括結構和非結構化資料）中獲取商業價值。 儘管這一領域的探索才剛剛開始，但未來已來，讓我們迎接新的AI /認知計算的供應鏈時代的挑戰。
注：本文將不一一描述沃森供應鏈在圖片15中的應用，您可以從【9】【11】中找到它們。
3.3 認知技術如何在供應鏈組織/企業落地
認知技術為供應鏈組織/企業提供了巨大的機會，但您需要考慮採用什麼認知技術的功能最適合您的供應鏈組織/企業。 您還應開始思考認知技術將如何改變現有供應鏈的角色和組織。 一個理想的方法是在戰略領域啟動認知技術項目。
考慮一下您的組織中哪些專案或過程能最受益於認知技術。哪裡有大量的資料需要管理？您的組織目前應用描述性的、還是預測性的或指定性的分析？可以在哪裡使用更高的分析技能（認知分析）？當您將這些技術應用於某些挑戰或過程時，您將開始開發內部能力和專門知識。您將開始增強你的專業人員的技能。要讓認知技術在您的供應鏈組織/企業落地，建議考慮下面這些具體的任務和程式：
通過大量結構化或非結構化資料進行排序
為單個供應商、一組供應商或供應基地提供詳細的供應商評估評估和計算風險，包括確定隱藏的風險
提升供應鏈專業人員，擴大他們的知識和經驗
支持和驗證決策
創新，尋找新的運作方式，提供新的見解，並發現新的機會
根據IBM商業價值研究院，可視性和透明度的缺乏是實現供應鏈組織的目標的最大障礙。大多數組織缺乏透明度的關鍵環節在供應鏈流程–以及需要更好地預測和防止中斷和庫存的不平衡度。這很大程度上源於無法控制和散落在不同的過程，內部和外部的來源，和系統的海量的資料上。 這都是認知技術應用於供應鏈的理想領域。認知技術可以：
通過理解、推理和瞭解供應商、合作夥伴和供應鏈來加強現有系統
以巨大的廣度和速度分析資料以獲得更深刻的洞察力
在整個供應鏈上建立全面的可見性
提供強大的能力，智慧地監測和評估威脅、中斷和風險
總之，認知技術能使供應鏈變得智慧——提高透明度、恢復力和可預測性。然而，您必須願意改變和接受挑戰，您必須有正確的戰略和詳細的計畫。
作者 | 唐隆基，軟體工程博士。
此文系作者個人觀點，不代表物流沙龍立場
— END —
我們現在所知道的一切計算設備，從主機到個人電腦，再到智慧手機平板電腦是一種可程式設計電腦。一些專家認為，這個計算時代將無限期地繼續存在。認知時代（2011年-未來）
正如Licklider所預言的，認知計算是一個可程式設計計算必要的和自然的演化。認知計算系統的目的是擴展人類認知的邊界。認知計算技術不是取代或者甚至複製人類大腦工作的方式；它們是關於擴展人腦的功能。人類擅長推理，善於思考，解決複雜問題。但是人類在閱讀、分析和處理巨大資訊和大量的資料，無論是結構化的還是非結構化的，的能力，，都是相當貧乏的。當然，那是電腦系統的強項。認知計算系統的第一個角色是把人和機器的力量結合到一個協作的情境中。
認知系統的另一要素是實現人與人之間更自然的互動，並結合學習能力和與時俱進的適應能力。
1.1.2計算的未來是認知
在約翰·E·凱利的論文“計算，認知和未來的認識：人類和機器是怎麼開創一個新的理解時代“[3]中陳述了這一點：
“我們這些人從事嚴肅的資訊科學研究並應用於商業和社會的現實世界。 我們理解智慧系統的巨大潛力。這個技術的未來—我們相信它將是認知的，而不是“人造的”—具有非常不同於一般歸因於AI的特性，它產生不同種類的技術、科學和社會的挑戰和機遇，對治理、政策和管理有不同的要求。”
在同一篇論文中，凱利博士定義了認知計算：
“認知計算”指的在規模上學習，有目的地思考，與人類自然互動的系統。他們並不是被明確地程式設計，他們是通過學習和與我們的互動中找到原因，以及他們對環境的體驗。大資料驅動的當前需求和更為複雜的循證需求決策，超出了以前的嚴格規則和基於邏輯的計算方法。認知計算通過大量資料中的洞察力使人們能夠尋找答案創造出一種新的價值。認知計算有助於提高人類與人類問題有關的系統的專門知識。
當我們尋求理解某事物並作出決定時，我們就會經歷四個關鍵步驟：
1、觀察可見的現象和證據。
2、根據我們所知道的來解釋我們所看到的，以便產生關於這意味著什麼的結論。
3、評估哪些假設是對的或錯的。
4、決定（選擇）看起來最好的選擇並採取相應的行動。
正如人類通過觀察、評估和決策的過程而成為專家一樣。 認知系統使用類似的過程來推理他們所吸收的資訊。
1.1.3認知計算對我們的生活的影響
不管你是否意識到這一點，認知計算已經對我們的生活產生了影響。通常，當你與呼叫中心交談時，你的互動很可能發生在電腦上。你的文章，閱讀可能是由機器編寫的。在很多情況下，比如網上購物，認知計算理解你的行為和活動並提出建議。基於這種理解。基於認知計算原理的聊天機器人已成功支援解決投訴的服務。
許多行業正在通過認知計算得到加強。例如，醫生診斷一個症狀不正常的病人必須進行大量的檢查獲得的資訊，以達到正確診斷。認知計算可以幫助醫生為醫生做大量的研究和初步分析，並可能為下一步提出建議。
考慮一個理財經理為客戶提供他們的個人退休投資組合。當基本事實和規則適合後，個人需要、環境和利益開始發揮作用。整理所有相關資訊，並將建議定制到特定客戶可以是一個壓倒一切的任務，但通過認知計算更容易實現。從本質上說，認知計算可以把許多專業人員每天處理資訊納入到文檔，以便從中獲得真正的價值。
1.2認知計算有關的基本概念
下面這些基本概念有助於理解認知計算及其系統：
認知（Cognition）
認知“思維行為”是個人或共同經歷獲得理解的心理過程。基於大腦的技能是每個人行為的一部分，是執行任何從最簡單到最困難任務的必要條件。包括人類的感官的任務（聽覺，觸覺，嗅覺，視覺，味覺，甚至是額外的感覺。感知），學習，記憶，運動技能，語言，移情，社交技能，以及解決問題的能力。
如上所述，認知是通過思想、經驗，和感覺獲得知識的過程。認知過程有助於我們理解和與周圍世界從基本到複雜的互動。
人工智慧（AI）
人工智慧系統的研究和開發旨在建立能夠執行通常需要人的智慧的任務的電腦系統。 基於人工智慧的機器是有意的感知他們的環境並採取行動優化他們的成功水準。今天的人工智慧可以被認為是薄弱的，因為它的目的是執行狹窄和具體的任務。許多研究者的目標是創造強大的人工智慧，像人類一樣學習並能解決人類的問題。
人工智慧研究使用許多領域的技術，如電腦科學、哲學，語言學、經濟學、語音辨識和心理學，這些都表現在應用程式，如控制系統，自然語言處理，面部識別，語音辨識、分析、模式匹配、資料採擷和物流。
認知計算（Cognitive computing）
人類天生就具備一套幫助我們學習、發現創造，和做決定的技能：
人類可以運用常識、道德和理性來走出困境。
人類可以思考新的想法，並在有必要的線索和資訊不全的基礎上作出歸納。
但是人類被學習、處理和吸收新的資訊所花費的時間所限制，以及受無意識偏見的限制，我們都由於這些限制而影響我們做出決定。
認知計算是人工智慧的分支而使之更完美。它是關於建立一個結合了人類和機器能力的系統（圖2）。考慮人類天生擁有的能力，比如想像力和情感，結合電腦擅長的能力，如數位運算、模式識別和處理大量資訊。
認知計算利用機器優勢以電腦模式來類比人類思維的過程。認知系統使用的技術，如機器學習、資料採擷、自然語言處理和模式匹配來類比人腦如何工作。這樣的系統是與日益複雜的世界互動的理想的系統。
圖2：人類和認知系統是互補的 （來自【1】）
大資料 （Big Data）
通常大資料特徵是由五V （variety, volume, velocity, veracity, and visibility）定義的：多樣、體量、速度、準確性，和能見度。大資料需要創新的資訊處理形式來獲取洞察力，自動化流程，和協助決策。大資料可以是對應於形式模式的結構化資料，如傳統資料集和資料庫。
大資料還包括半結構化和非結構化格式，如文書處理，文檔、視頻、圖像、音訊、演示文稿、社交媒體交互、資訊流、Web頁面和許多其他類型的內容。非結構化資料不存儲在規則（關係）資料庫中，並以指數級增長，占世界上所有資料的大多數。
問答（Question-answering ：QA）技術
認知系統可以吸收數百萬頁的文本並應用問題回答技術並採用自然語言回答人類提出的問題。 這種方法允許人們“問”，對複雜的問題幾乎立即得到答案。結合其他應用程式設計發展介面（API）和高級分析，QA技術區別于傳統的搜索（由關鍵字觸發的）在於它是提供對話式的討論。
機器學習（Machine Learning）
機器學習是一種人工智慧，它使電腦在沒有顯式程式化時具有學習和執行的能力。這意味著隨著時間的推移電腦從錯誤和新經驗中學習（接觸新資料）和增加它的智慧，使電腦模型會變得更好。 如果一個電腦程式能根據過去的經驗來改進它執行某些任務，它已經掌握了機器學習。這與執行任務總是以同樣的方式按程式設計去做是不同的。
自然語言處理（NLP）
NLP是人工智慧的一個領域，是指自然語言的電腦處理。自然語言是任何人類語言，如英語、西班牙語、阿拉伯語或日語，它區別於電腦語言，如java或C++，Fortran。NLP是電腦軟體理解人類語言的能力。通過使用NLP能力，電腦可以分析用人類語言編寫的文本並識別概念，實體，關鍵字，關係，情感，情感和其他特徵，允許使用者從內容中獲取洞察力。
任何以自然語言為輸入並能處理它的系統都是自然語言處理系統（例如，垃圾郵件檢測軟體）。垃圾郵件分類器是一種查看電子郵件主題行內容的系統，以評估是否收到的電子郵件是或不是垃圾郵件。
雲計算 （Cloud Computing）
雲計算是描述按需服務交付的通用術語，通常通過互聯網，按需付費。世界各地的公司通過互聯網和雲計算的方式為它們的客戶提供服務，服務可能包括資料分析、社會媒體、視頻存儲、電子商務，和認知計算。
應用程式介面（API）
一般來說，API公開了功能和服務。API使軟體元件之間能夠容易溝通。API作為集成方法通過使任務更容易連接和與其他應用程式或服務的介面把靈活性注入到應用程式生命週期中。API抽象了一個服務、應用程式或工具，只公開開發人員需要的東西，因此程式設計變得更容易更快。
圖3：認知系統讓使用者專注於為日常和重大問題建立更好的解決方案 （來自【1】）
認知API通常是在一個基於雲的開放平臺上交付的。開發人員可以通過一個或多個可用API使用將認知注入到數位應用程式、產品和操作中。在認知計算模型中，所有這些概念組合在一起，消除了讓用戶成為認知方法的專家的需要，而讓他們專注于創造更好的解決方案（圖3）。
圖3認知系統讓使用者專注於為日常和重大問題建立更好的解決方案。
這些概念和技術是如何相互關聯的呢？
認知計算模型在各個領域具有較高的應用價值。通過應用這種模式，使用者不需要花時間學習有關工具的複雜細節，以便有效地使用工具或花時間解釋大量的資訊來繪製結論。相反，使用者花時間識別有用的模式，做出決策，並採取行動改善業務和業務流程。
由於認知計算模仿思維，所以輸出的品質會和開始使用的演算法和模型一樣好。這些模型通過機器學習得到改進。 人類專家可能花數周分析資料量，但電腦模型可以在幾秒鐘內完成。
例如，一個醫療小組進行一研究，監測數百名兒童數月和預測導致蹣跚學步的孩子糖尿病的因素。在不久的將來，同樣的研究可以通過電腦模型準確地預測。以較低的成本並只需幾秒鐘的時間可分析大量資料。甚至有更多的價值、分析可以包括其他資料來源以提高預測結果。
你需要一台超級電腦來分析大量的資料，以便你能獲得洞察力嗎？這是雲計算的力量可以幫助的地方。各種廠商已建立雲計算環境和通過互聯網提供對雲的訪問。使用者請求他們需要的服務和提供他們的資料。供應商提供按需付費模式並提供定制的環境，以滿足用戶的特殊需求。雲計算模型極大地降低了訪問的障礙，並且世界上具有互聯網連接的任何人可以訪問這些服務。
各種API提供對各種服務的訪問使人們能夠快速、方便、直觀地訪問計算系統。大多數API獨立於程式設計語言，這意味著您的開發人員可以用任何程式設計語言工作。使用API共用端點之間的資料、服務和業務功能（例如應用程式、設備和網站）創造了降低集成成本和時間的機會。
1.3 認知系統的特徵和應用
1.3.1 認知系統的特徵
許多人認為只有運用認知系統我們才能處理今天的資料衝擊。這是因為認知系統有以下幾個關鍵特點:
一個要理解的重要概念是認知系統的第一要素是擴大了人類認知的邊界，而不是取代或複製人腦工程。人類善於思考和解決複雜的問題，然而，我們閱讀、分析和處理大量資料的能力卻很差。閱讀，分析和利用大量資料是電腦系統的優點。認知系統的關鍵要素是要將這兩種力量結合起來（人類和電腦）進入協作解決方案。不僅僅是搜索大量的資料，認知系統必須將不同的資訊組合在一起，並且可能做一些推理來建立聯繫和關係。系統需要做足夠的分析，找出關鍵因素，瞭解人類正在努力解決的問題。為了解決這個問題，並在此基礎上提出有關問題的資訊。目標是讓人類很容易利用認知系統提供的資訊。使人類能夠探索證據，並利用這種洞察力來解決他們的問題或作出決定。
認知系統的第二要素是讓電腦和人類有更自然的互動。直到最近，為了與電腦交互，人類不得不適應與電腦介面工作的方式。這通常是剛性的和不靈活的。認知系統提供電腦和人類之間更自然的接觸。例如，語音辨識可以使人使用語音命令與電腦進行交互。
認知系統的第三個關鍵要素是使用機器學習來學習。機器學習已經有很長一段時間了，認知系統必須超越機器學習的核心基礎。
認知系統的第四要素是隨著時間的推移擴大學習和適應的能力。所以當你使用這些應用程式，回饋機制捕獲交互的結果和系統必須從產生的交互中學習，並隨著時間自動演化，提高其性能。有了這個理解基礎，你就可以把認知系統理解為達到提供並在許多情況下已經提供的這些功能。
理解：認知系統像人類一樣理解意象，語言，和其他非結構化的資料。認知系統像人類一樣處理幾乎所有的資料（結構化和非結構化）。
原因：認知系統能找原因，掌握基本概念，形成假設，並推理和思想。
學習：認知系統從每個數據點，相互作用，和結果發展增加專業知識，並繼續學習、適應和改進他們的專業知識。
互動：認知系統有能力看，說話，聽，並與人類以自然的方式互動。
1.3.2 解決現實生活問題的認知系統
例如，一個認知旅行計畫者可以考慮用語言識別，權衡分析，和個性見解，來為客戶提出滿足他們需求的最佳的旅行建議。另一個例子是通過審查大量的保險規則來獲得保單規則。有了這些規則，保險公司可以驅動標準化，降低風險，更廣泛地學習專業知識和承銷商的經驗。
認知系統的供應商提供基於語音命令的各種產品，以及網際網路上資料的使用。各種供應商為醫療，汽車，金融，供應鏈，物流，和保險等不同行業提供有針對性的認知系統。
2. 認知計算的發展趨勢
認知計算是人工智慧（AI）的一個分支。現代認知計算可追溯到19世紀後期，數學家喬治·布林的工作和他的書《思想的法律》，以及查理斯·巴貝奇創造他所謂的“分析機”。近年來，研究發現它有助於處理複雜的大資料，從而不經意地提高企業生產力水準。
認知計算是下一代智慧計算系統，它將用人類語言交互並通過理解複雜的大資料來説明專家做出更好的決策。認知計算代表一種全新的計算模式，它包含資訊分析，自然語言處理和機器學習領域的大量技術創新，能夠助力決策者從大量非結構化資料中揭示非凡的洞察。
由於認知計算對未來業務的巨大潛力，近年來認知計算得到迅速發展。本文從三方面來討論其發展趨勢：（1）認知計算公司（2）全球認知計算市場發展趨勢（3）企業採用AI/認知計算的趨勢。
（1）認知計算公司的發展趨勢
2014年IBM投資10億美元成立了一新沃森（Watson）集團，以滿足日益增長的認知創新需求。沃森（Watson）集團是IBM一個新的業務部門致力於開發和商業化的雲交付的認知計算系統。
穀歌2014年斥資4億美元收購英國一家初創AI公司DeepMind，該公司正開發智慧電子商務、線上遊戲和圖像識別。據華爾街日報，同年，臉譜網的馬克·紮克伯格和特斯拉的伊隆麝香與演員和技術投資者艾什頓·庫奇聯合投資4000萬美元到一個稱為Vicarious人工智慧的初創公司。
Vicarious公司是一個旨在複製人類大腦皮層作為電腦代碼的公司。大腦皮層是大腦用於“辯認，控制身體，理解語言的，和做數學的相當重要的一部分。”公司的創始人Scott Phoenix告訴華爾街日報，一旦他們成功地完成這一任務，“你會有一台像人一樣思考電腦，但它不需要吃飯或睡覺。”
大量的研究工作正在進行，在麻省理工學院，卡耐基-梅隆大學，紐約大學，理工大學，和許多其他大學。還有很多其他的研究：項目Rebellion研究已經投入700萬美元開發一個基於機器學習的股票投資計畫。三藩的小腦資本為類似的目標投資了1000萬美元。這樣的投資只會隨著認知計算和它的夥伴AI的發展而變得更加明顯。
圖4列舉了前10大認知計算公司，它們都是美國公司， 其中Deepmind 原來是英國公司，在2014被穀歌收購後,現在是穀歌Alphabet集團的一部分。
圖4：前10大認知計算公司【2】
（2）全球認知計算市場發展趨勢
根據alliedmarketresearch.com的研究，全球認知計算市場預計至2020年將創造137億美元的收入，在2015 至2020年間預測期內的年複合增長率為33.1%。圖5顯示了從2014 至2020年間認知計算技術市場的發展趨勢：
圖5：首要因素：認知計算技術市場【3】
從圖5可見認知計算技術市場發展趨勢包括
大型複雜資料量的增加
大資料分析
利用互聯網的速度
部署認知計算的成本
【4】的研究指出了如圖6所示的全球市場認知系統支出增長的主要趨勢。在預測期2016-2026內的複合年增長率將達到14.6%。據估計，到2016年底，銀行板塊將占20%以上的價值份額，預計在預測期內，全球認知系統消費市場的其他部分將以15.5%的高複合增長率增長。銀行業務預計在2016至2026年間絕對會有超過400億美元的機會。此報告還表明，銀行部門在2026年底前將在全球認知系統消費市場中占30%以上的價值份額，其次是保健部門。
預計美國北部地方認知系統將在銀行業預測期內以較高的複合年增長率擴張，其次是西歐。國際商業機器公司（IBM）在全球認知系統消費市場佔有超過50%的市場份額。該公司正主導銀行業、製造業和教育認知系統在銀行業的全球市場。IBM的認知計算產品平臺沃森也在進軍供應鏈和物流領域。
圖6：全球市場認知系統支出增長的主要趨勢【4】
（3）企業採用AI/認知計算的趨勢
Teradata【5】對全球企業AI/認知計算的採用和計畫研究的主要結論包括以下：
今天有80%的企業在生產中開始有AI活動，亞太地區領先於所有地區。48%接受採訪的亞太地區企業報告說，AI在他們公司中有著重要的作用，AI在今天進行了業務部署。北美（39%）和歐洲（31%）也依賴於在他們的業務中使用人工智慧與部署在他們的業務。全球42%的企業看到了進一步實施和過程集成的空間（如圖7所示）。
圖7 ：“貴公司在生產中是否有任何人工智慧能力？”所有受訪者（260）以受訪者區域劃分。
如圖8所示產品創新與研發（50%）是當今AI最有效的收入驅動因素，客戶服務（46%）、供應鏈與運營（42%）、安全與風險緩解（40%）和銷售（34%）也是AI今天帶來的額外收入驅動因素。這項研究還發現，企業開始從人工智慧中獲得收入，比許多人預期的要快，在25%到50%的企業報告中，報告了AI的增長。
圖8：“您組織中的哪一部分正在推動AI能力的收益？”詢問目前組織擁有人工智慧能力的受訪者（209）
如圖9所示資料工程（27%）、智慧化的工作流程和決策自動化（23%），和分析操作的規模（20%）是在今天使用AI最主要的能力。接受調查的大多數企業都使用了幾種不同的人工智慧分析技術，其中包括智慧工作流和決策自動化，它們最大的潛力是提高生產率和降低成本。
圖9：對所有受訪者（260）的上述AI能力的使用和感知效益分析
如圖10所示亞太地區在產品創新和研發方面向AI收入大幅度擴張是全球領先的（亞太地區65%對歐洲49%）。北美洲是利用人工智慧技術推動更大銷售的全球領導者（40%），而歐洲是利用人工智慧簡化供應鏈和業務的全球領先者（47%）。不同的地區有顯著不同的收入驅動因素與他們的人工智慧投資，亞太地區也成為在客戶服務（54%），行銷（50%），資產和資本管理（46%）方面AI收入的全球領先者。
圖10：“您組織中的哪一部分正在推動人工智慧能力的收益？”，結果按所有被調查者(260)的地區分開
分析顯示在最常選定的行業中，IT和電信（59%）、商業和專業服務（43%）和客戶服務（32%）是人工智慧最積極影響的三個行業。在歐洲和亞太地區，製造業和生產預計將成為AI第三大最積極影響的行業。目前正在進行的全球工業4.0舉措與這一發現相一致，因為製造商著眼于預測分析、機器學習和人工智慧，以提高產量和增加收入增長。
如圖11所示提高客戶體驗促使大多數企業（62%）投資新的人工智慧技術。提高產品創新（59%）和實現更大的運營卓越（55%）是企業今天在AI投資的第二和第三個原因。根據調查資料，亞太地區的投資計畫將使該地區成為全球領先者，利用AI的優勢推動更大的產品創新。
圖11: “以下哪項業務成果促使貴公司投資於人工智慧能力？” 結果按所有被調查者(260)的地區分開
圖12表明60%的企業認為人工智慧能夠徹底改變其業務，使重複的流程和任務自動化，並有50%的企業提供當前無法獲得的新的戰略見解。預計歐洲企業將率先利用人工智慧實現重複過程和任務的自動化。亞太地區預計將主導人工智慧的使用，使知識工作領域自動化，減少對昂貴人力資源的需求（77%）。
圖12：“你認為AI最大潛在的商業革新領域是什麼？” ，結果按所有被調查者(260)的地區分開
91%被調查者認為採用人工智慧最重要的障礙是缺乏IT基礎設施（40%）和缺乏人才（34%）。企業正在努力克服的其他障礙包括：人工智慧技術仍處於萌芽狀態和未經證實（33%），缺乏實施預算（30%）。以下圖13說明了全球和區域採用人工智慧的障礙。
圖13：“在您組織中實現AI實現時，您看到或期望看到哪些障礙？”，結果按所有被調查者(260)的地區分開
總之，本節指出了（1）認知計算公司的發展趨勢 （2）全球認知計算市場發展趨勢， 以及 （3）企業採用AI/認知計算的趨勢。從這些趨勢可以看出，AI /認知計算將在第四次工業革命中起到非常重要的作用，它將大大有助於企業的數位化轉型。企業將採用人工智慧/認知計算獲得商業效益。
3.認知計算在數位化供應鏈和智慧物流中的應用
3.1人工智慧自然適合供應鏈
供應鏈，特別地，全球供應鏈或供應鏈網路是一個非常複雜的過程，它涉及不同的組織、人員、設備、產品、物流、資訊、技術等。供應鏈網路中的業務流、資訊流、產品流（包括物流）、資金流以及複雜的過程和環境（天氣、海港、航空，公路、……）往往會產生大量的資料，甚至是大資料。
這些資料將影響供應鏈的當前和未來，供應鏈必須對它們進行分析，以便讓它們幫助優化供應鏈或預測未來，或找到新的商業機會。人工智慧和認知計算比人們現有的分析方法更有效更智慧，更有助於尋找最佳的供應鏈解決方案，如解決供應鏈端到端的供應鏈流程的挑戰。特別是可以説明人們從大資料中尋找供應鏈商業價值。
人工智慧和認知計算還能幫助供應鏈規避由於不確定性、複雜性帶來的風險。人工智慧和認知計算技術的另一個常見的應用是針對材料品質、從供應到生產到客戶供應進行預防性維護和風險管理。機器學習正在成為操作技術組合中的主流。新產品的基線預測有助於確定新產品介紹和參加市場計畫。
當供應鏈應用得到需求信號時，人工智慧可以確定不斷變化的需求行為和優化庫存水準和補貨計畫以滿足連續迴圈的需求， 以及説明供應鏈從產品設計、生產、銷售、售後、到產品壽命整個產品生命週期的管理。
中國合同物流發展研究報告【6】和我的專欄文章【7】指出人工智慧技術， 例如增強現實（AR），可穿戴技術(Wearable technology)，機器人（Roboties），無人機(Drone)，無人車（Driverless car）等在智慧物流中起著重要的作用。這些遊戲規則的改變者使數位化供應鏈成為可能和必要。
2016 年12月IDC Manufacturing Insights（IDC製造業洞察）公佈了其“IDC futurescape：全球供應鏈2017的預測“【8】， 它為IT和業務線（LOB）框架報告決策者和影響者，以及未來的一年的計畫和執行技術相關的舉措提供了10個預測。預測之一就是“一半的全球供應鏈到2020年將使用人工智慧。”。
IBM商業價值研究院在它的研究報告【9】中指出：
50%受訪的供應鏈高管表示他們未來三年將重點投資認知計算或雲計算
86%受訪的供應鏈高管表示認知計算將會轉變他們的需求規劃和預測能力
96%受訪的製造業高管表示人工智慧和認知計算將提升他們在生產規劃方面的表現
總之，運用認知計算於供應鏈來重塑供應鏈和加快供應鏈數位化是很自然的趨勢。
3.2 認知供應鏈（Cognitive Supply Chain）
本文把具有認知能力的供應鏈稱為認知供應鏈。 事實上，就是把認知計算應用於供應鏈。供應鏈的認知能力可包括對供應鏈的認知分析、洞察、需求規劃和預測，計畫、採購、生產規劃，產品開發、製造、銷售、售後市場、風險管理。
IBM 的沃森（Watson）是認知計算系統的傑出代表，也是一個技術平臺。沃森可以幫助人們洞悉趨勢，創造潮流，保護能源，打擊犯罪，打破記錄，提升效率，節約資金。還可以説明企業推動銷售，更好地瞭解客戶，精准醫療，加速上市，提高產量，補齊貨架，創作藝術。也能幫助人們開拓思路，開創商機，開闢新市場，開啟新理念。
沃森已開始應用於供應鏈優化分析和預測，並且正在幫助一些物流企業打造有認知能力的智慧化物流體系。圖14展示了IBM沃森架構體系結構的構建模組【10】：
圖14：IBM沃森架構體系結構的構建模組
IBM將沃森應用於供應鏈數位化轉型-沃森供應鏈[4]。它是基於IBM沃森平臺的認知供應鏈。圖15顯示IBM沃森供應鏈為供應鏈提供全方位的認知計算能力。發揮沃森供應鏈的力量，可創造一個更加以客戶為中心，透明、智慧和可預測的供應鏈。
圖15：IBM沃森供應鏈為供應鏈提供認知計算能力
正如我們所知道的，缺乏可見性和透明度是實現供應鏈組織目標的最大障礙。沃森供應鏈提供認知性透明度。它不同于傳統的通過資料視覺化描述性的透明度，只看到樹木，沒有看到森林，只看到當前，看不到未來，只看到明顯的，看不見隱含的（一般，來自外部的大資料， 如來自社交網路，天氣，新聞，……的資料），這種傳統的透明度已經不能滿足全球/網路供應鏈【7】（例如全球貿易供應鏈）的要求。
認知性透明度是一種具有人工智慧新的透明度，它通過認知學習、人機自然交互，大資料分析洞察， 和動態資料視覺化綜合的可見性來實現和自提高。IBM供應鏈洞察利用沃森認知技術在供應鏈中培訓，為整個供應鏈提供全面的可見性和洞察力。它使組織能夠預測、評估和減輕干擾和風險，從而改善供應鏈運作，為企業帶來更大的價值。一個典型的例子是帶有問沃森（Watson）的問題解決中心。
圖16：帶有問沃森（Watson）的問題解決中心【12】
從圖16可見，沃森（IBM智慧型機器人）提供了關於供應鏈問題的詳細資訊和分析。問沃森智慧系統借助認知洞察力解決突發事件和降低風險的線上協作並請沃森向專家推薦關鍵的源資訊，並從以前的事件解決方案中獲取知識。從而可縮小檢查中斷時間從幾天到幾分鐘。
顧客/客戶服務是供應鏈後市場的挑戰之一。 認知客戶服務是一個集成了人工智慧（AI）、機器人（bots）、消息（Messaging）和人類智慧（human agents）的客戶服務平臺。它正在改變客戶服務和解決問題的傳統方式。使查詢速度更快，更有效低成本。
另一個典型的例子是如圖17所示帶智慧提醒的運營中心。沃森可以自動發送庫存警報。並且立即評估即將到來的風險和中斷的財務影響以及提供影響供應鏈生命週期的內部和外部事件的可見性。此外它能比傳統方式削減90%資訊檢索時間。
圖17：帶智慧提醒的運營中心【12】
物流是供應鏈的重要組成部分。認知計算也有助於物流數位化轉型。它使物流更加智慧化。 隨著物流業的數位化轉型，智慧化物流愈加重要。作為國內零擔之王，德邦試圖通過IBM 沃森（Watson）的認知技術，助力德邦快遞服務升級，打造一個具備認知能力的智慧化物流體系。
總的來說，將沃森引入德邦客戶服務系統後，物流公司常見的兩個問題便迎刃而解。第一，沃森擴大了資料處理的範圍——原來只能處理結構化資料，沃森則可以分析非結構化資料。第二，原有的模型建立之後就被固定，無法自我實現升級，而具備認知技術的沃森則可以隨著時間的運轉，促使模型變得越來越“聰明”[5]。
隨著國內電商平臺和新零售的發展，市場需求、競爭條件的變化，中國的智慧物流得到了迅速發展。根據國家物流行業中長期發展規劃，有預測認為中國智慧物流市場規模將保持20%以上的高速增長，到2022年，中國智慧物流市場規模將超過7900億元5。
供應鏈和物流的發展和競爭歸根結底是資料的發展和競爭。得資料獲其價值者得“天下”。而認知計算技術，如IBM沃森（Watson）認知技術平臺能幫助供應鏈和物流企業從資料， 特別是大資料（包括結構和非結構化資料）中獲取商業價值。 儘管這一領域的探索才剛剛開始，但未來已來，讓我們迎接新的AI /認知計算的供應鏈時代的挑戰。
注：本文將不一一描述沃森供應鏈在圖片15中的應用，您可以從【9】【11】中找到它們。
3.3 認知技術如何在供應鏈組織/企業落地
認知技術為供應鏈組織/企業提供了巨大的機會，但您需要考慮採用什麼認知技術的功能最適合您的供應鏈組織/企業。 您還應開始思考認知技術將如何改變現有供應鏈的角色和組織。 一個理想的方法是在戰略領域啟動認知技術項目。
考慮一下您的組織中哪些專案或過程能最受益於認知技術。哪裡有大量的資料需要管理？您的組織目前應用描述性的、還是預測性的或指定性的分析？可以在哪裡使用更高的分析技能（認知分析）？當您將這些技術應用於某些挑戰或過程時，您將開始開發內部能力和專門知識。您將開始增強你的專業人員的技能。要讓認知技術在您的供應鏈組織/企業落地，建議考慮下面這些具體的任務和程式：
通過大量結構化或非結構化資料進行排序
為單個供應商、一組供應商或供應基地提供詳細的供應商評估評估和計算風險，包括確定隱藏的風險
提升供應鏈專業人員，擴大他們的知識和經驗
支持和驗證決策
創新，尋找新的運作方式，提供新的見解，並發現新的機會
根據IBM商業價值研究院，可視性和透明度的缺乏是實現供應鏈組織的目標的最大障礙。大多數組織缺乏透明度的關鍵環節在供應鏈流程–以及需要更好地預測和防止中斷和庫存的不平衡度。這很大程度上源於無法控制和散落在不同的過程，內部和外部的來源，和系統的海量的資料上。 這都是認知技術應用於供應鏈的理想領域。認知技術可以：
通過理解、推理和瞭解供應商、合作夥伴和供應鏈來加強現有系統
以巨大的廣度和速度分析資料以獲得更深刻的洞察力
在整個供應鏈上建立全面的可見性
提供強大的能力，智慧地監測和評估威脅、中斷和風險
總之，認知技術能使供應鏈變得智慧——提高透明度、恢復力和可預測性。然而，您必須願意改變和接受挑戰，您必須有正確的戰略和詳細的計畫。
作者 | 唐隆基，軟體工程博士。
此文系作者個人觀點，不代表物流沙龍立場
— END —