• 人工智能
    人工智能:人力资源的下一次变革 本文来自作者投稿,作者:刘石锁(原国内某大型家居事业集团(华耐家居)集团招聘经理及HRBP,现从事人力资源和心理学研究。) 转载请注明作者及出处。如对HRTech方面有自己的见解、作品以及资讯,也欢迎大家投稿至yudan@hrtechchina.com   之前我曾经写过一篇文章,是关于互联网+与人力资源管理的,在我的公众号和HRtechchina上面都有发布,现在,互联网与人力资源管理的结合正在越来越深入,现在已经不是趋势,而是正在成为现在时,虽然还有不少的路要走,但是已经切切实实的来临。但是,下一个人力资源管理的重大变革来自于什么地方呢,我们今天就来探讨一下这个问题,个人认为,下一个重大的技术及理念的转变,来自于人工智能。   说到人工智能,我们不得不提到一个著名的数学家和逻辑学家,英国人,图灵(Alan Mathison Turing),一个伟大的计算理论奠基人,被称为计算机之父和人工智能之父,最早提出了人工智能的概念,并提出了测试人工智能著名的“图灵测试”(图灵实验),图灵的成就非常伟大,但是遗憾的是,图灵因性取向问题被英国政府迫害,最终在1954年,年仅42岁的图灵去世,桌子上还摆放着咬了一口的苹果(因此,也有人认为现在风靡的苹果公司的标志就来自于此)。图灵的伟大,很难去描述它,他就像是从遥远的未来回到我们这个时代来帮助我们的,如果不是去世的如此之早,可能还会有更多改变人类历史的发现,仅仅在世的这42年,就给我们未来描绘了美好的图景,带给我们巨大的进步。   但是,人工智能这个术语不是图灵告诉我们的,人工智能(Artificial Intelligence,英文缩写为AI)这个词是1956年提出来的,以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会,共同研究和探讨用机器模拟智能的一系列有关问题,并首次提出了“人工智能”这一术语,它标志着“人工智能”这门新兴学科的正式诞生。   人工智能这个概念有两个方面,一个是人工,一个是智能,人工不用多解释了,非常好理解,我们看看智能。到目前为止,我们所认识到的智能,主要是人类智能,对于其它的智能我们了解其实并不多。那么什么是智能呢,我曾经在心理学上给大家讲过一些,最重要的智能就是认知和意识。   但是给“人工”赋予“智能”,这个是非常困难的一件事情,在人工智能这个概念提出来之后的几十年里面,人工智能虽然也曾经有过一点出彩的表现,比如IBM的深蓝击败著名的国际象棋大师卡斯帕罗夫等,但是人工智能依然进步比较缓慢,离期待的智能还有着非常巨大的差距。但是最近一段时间,人工智能越来越靠近我们的期望,已经距离我们正式敲开人工智能的大门不远了。   首先,得益于我们在与人工智能有关的各个领域上的进步,尤其是在计算机技术和互联网技术的进步,使得人工智能有了非常好的学习工具和知识资源,同时,大量的科学的“人工训练”也促进了学习形成。我曾经在年终特辑《加速变化的世界》里面曾经有过相关的描述。同时,人工智能所影响到的领域越来越多,比如很火的智能家居类产品等等。我们有理由相信,也应该充分相信人工智能在未来的20-30年必然会成熟到超出我们的期望的程度。   现在,如果你还以为谷歌是一家互联网公司或者是仅仅认为他是一家搜索引擎公司,那你就大错特错了,谷歌其实是一家人工智能公司,在利用大量的搜索来训练“人工智能”,同时谷歌新成立的母公司Alphabet,也是一家人工智能公司。同时,另外一家巨头,微软,也在重点发展自己的人工智能,比如我们熟知的跨平台小冰,等等,人工智能越来越接近于人类。   好了,介绍完了半天人工智能,我们回到开头,看看未来人工智能与人力资源有什么关系。   人工智能是一种比现在的人更加优秀的工具,特别是对人不擅长的统计分析预测,人类不愿意从事的耗体力繁琐性的工作,都会将人完全代替。我们从人力资源的具体工作上来看看。   首先,人力资源规划与预测。 人通过对数据等等的分析和认识来进行规划和预测,但是,人限于对于数据的分析能力和掌握的程度,规划和预测的准确度一直不是很高,虽然这在现在对组织的运营和发展并不构成绝对影响,但是人工智能比人在这方面肯定要全面和准确的多,我们完全可以相信人工智能可以拿出更加清晰地匹配度更高的规划和预测。   第二,招聘。 招聘在人力资源管理里面是技术含量比较高,难度比较大的工作,人限于知识有限性以及认知能力有限的问题,在对候选人的寻找和筛选上总是会有些问题。而人工智能不同,人工智能可以拥有无限的知识和更加完善的认知能力,同时,更加自动化。可以自动开启招聘任务,自动寻找与匹配候选人,自动识别和判断,自动跟踪,自动评估和分析等。   第三,培训。 现在的培训工作绝对是很多人不愿意从事的一块,在很多企业属于费力不讨好的,因为很难评估培训的投入产出情况,同时培训的工作量有很大,非常繁琐。未来在人工智能的情况下,这一问题会得到很好的改善。第一,我们可以训练人工智能来代替培训讲师,我们未来可以获得的培训资源会更加丰富和廉价。第二,每个人(员工)都可以配备一名自己专属的人工智能老师,自动判断培训需求和开启培训,自动判断培训成果并收集信息,自动反馈和分析等等。   第四,绩效和薪酬。 这又是一个技术含量比较高而且复杂的工作。未来的人工智能会比现在要好用的多,至少在绩效与薪酬方案上更加科学,同时,由于人工智能对人的大量代替,使得评估更加方便和准确,差异性减小,工作量减小。   第五,员工关系。 在一个高度使用人工智能代替人的组织中,员工关系不再是对人的管理,而是对人工智能的管理,或者是调节人与人工智能之间的关系,除了现在的基础法律问题,未来的员工关系可能还会涉及到的有人机道德伦理问题,人工智能伦理问题等等,可能比现在还要复杂的多,也是目前的人力资源管理模块里在人工智能时代唯一得到发展的功能。   第六,组织管理与人力资源功能。 未来的组织形式可能会和现在有很大的区别,随着人工智能的发展可能会高度扁平化,这从组织发展的这么多年来看是正确的。组织曾经可能会减少到一层到两层,我想最多的也不会超过三层。这给我们我来的管理理念和方法的影响也是巨大的。人力资源未来的功能和现在也是不同的,也不会是现在的这几大模块工作模式,也不可能是现在正在流行的SSC/SDC-COE-HRBP模式,至于什么样子,我也无法预测。   到时候,我们可能不能用HR或者人力资源来称呼这一领域,可能是人工智能管理,或者说是HIM,至于怎么更规范,值得探讨。   不管如何,人工智能时代的到来是必然的,虽然我们不知道具体是什么样子,是20年还是30年。人工智能所带来的是更加廉价的、便捷的、专业的服务,而不是昂贵的,昂贵的不是未来,开放的和更加便宜的才是未来。在人力资源领域,我们到时候可能身体已经年老,也可能还是中年,但是,我们的头脑肯定是老了,即便不断学习和进步。   虽然时间还稍远,但是也可能转瞬即达,从现在开始,抓住人工智能与人力资源的结合点,才能在未来的人力资源领域有一席之地,现在我们已经需要种下这颗种子,慢慢培育它,到时候便可以长成参天大树。   在此,诚邀所有现在人力资源领域的朋友们共同关注这个问题,也希望找到一起合作的伙伴,一起种下一颗人力资源与人工智能结合的种子,一起培育一棵参天大树!   谢谢,欢迎个人转载,其它机构使用本文章观点或者是转载需获得本人的授权并说明出处!                    
    人工智能
    2016年01月21日
  • 人工智能
    Gigster 获 1000 万美元 A 轮融资,想做软件开发的 Uber   按需软件开发服务初创企业Gigster今天获得了1000 万美元的 A 轮融资。 Gigster 是一家为缺乏内部研发团队的企业和初创企业提供软件开发与设计解决方案的初创企业,2年 前进入了 YC 加速器计划,今年刚刚毕业,目前总部位于旧金山。其概念很简单,就像 Uber 把司机与乘客联系在一起一样,Gigster 把自由职业的程序员、设计师与有软件开发需求的公司联系在一起。 客户可以从他们罗列的各种模板和功能列表上进行选择,然后对所需软件进行建模,Gigster 则会马上利用人工智能,基于先前项目所需的项目经理、开发者以及设计师的情况对项目实现进行估算并给出报价,客户同意后由 Gigster 雇佣自由职业者完成项目。目前 Gigster 拥有 350 人的自由职业者队伍,其中不少是 Facebook、Google、微软等大公司的前雇员或现雇员。 从某种意义上来说,Gigster 相当于软件开发的 Uber,或者是进化版的项目承包。对于那些有需求有创意但缺乏能力的企业 / 初创企业来说,Gigster 相当于他们的工程部,帮他们解决了编码(缺乏开发经验)、招聘(人才难找)、项目管理(很多麻烦要处理)等方面的问题,替其节省不少的时间和成本。 当然,以之前的项目经验去估算项目也存在一些不可预知的风险。因为根据软件估算的五大定律,估算是不可互换的,而且往往是错的,根据估算制定的合同对于参与各方都有可能造成损失。此外,如果这些 “自由职业者” 包括 IT 公司的现有员工,那么这些人的工作可能也会存在一些模糊地带,给他们的雇主造成影响。还有就是对于提供软件需求和实现创意的这些公司来说,也会存在创意被窃取的或山寨的风险。但是跟 Uber 一样,Gigster 这类的公司有可能颠覆 IT 行业的组织和做事方式,还是值得观察的。 此轮融资由 Andreessen Horowitz 领投,Ashton Kutcher、Continuity Fund I 等跟投,至此其总融资额为 1250 万美元。本轮融资所得将用于进一步开发平台的 AI 和机器学习技术,增加人手等。   来源:36氪 作者:boxi 出处:http://36kr.com/p/5040793.html
    人工智能
    2015年12月08日
  • 人工智能
    8年客服系统经验沉淀,快商通想用“人+机器人”助力企业营销 来源:猎云网(微信:ilieyun)文/周丽梅 随着网站、微信、微博、App等多种终端接入方式的增多,企业对在线客服的要求也越来越高,可以说客服的服务质量直接影响着用户的体验效果。尽管不少企业在客服的人工费、培训费上支出了一大笔费用,效果仍然不尽人意。近日记者关注到的快商通智能客服机器人系统便是希望用“人工+机器人”的方式来为企业解决这方面的困扰,帮助企业做好营销这件事情。 快商通智能客服机器人是快商厦门软件科技有限公司旗下产品,目前该公司有三大互联网营销软件系统品牌,基于云计算SaaS模式,涵盖网站建设、网络推广、在线咨询、CRM客户管理、营销效果分析与诊断五大业务板块,已和数百家企业建立了合作关系。快商通智能客服机器人便是该公司经过8年的自主研发推出的产品,项目负责人肖龙鹏说,快商通智能客服机器人想利用自身在客服方面的经验积累,用“人+机器人”的方式,节省企业时间和金钱成本,提高营销竞争优势。 快商通智能客服机器人是一款采用人+机器人来代替人工客服的软件,支持文字、语音及图片等多媒体交互方式,用户可通过网页、微信、微博、短信等多种渠道进行业务的查询与办理。快商通通过将用户常问及的问题模板导入系统,让机器人系统能解决90%人工客服能解决的问题,剩下10%机器人不能解决的问题再转由人工进行解决。 另外,这套系统除了在线客服的功能,还能通过海量的行业数据,为企业提供行业营销推广热点、价格定制等解决方案,帮助企业实现电脑端、手机端一体化数据精准营销。 然而,机器人并不是万能的,快商通智能客服机器人是怎样来降低机器人的出错率?据了解,这套系统通过升级能智能识别用户同一个意思的多种语境表达,理解用户的表达意图。另外,快商通智能客服机器人系统通过搭建知识库管理平台,将一些通用的词类库、句型短语库等语言知识库,业务知识文档,如产品说明、业务介绍、营销活动规则等业务知识库进行完善,以此来降低机器人的出错率,优化用户体验。 商业模式方面,快商通智能客服机器人一方面会根据项目的难易程度进行收费,另一方面会根据服务企业的客服坐席的数量制定收费的标准,据了解,现阶段快商通智能客服机器人已和几家企业签订了合作关系。 目前,快商通智能客服机器人团队共60余人,团队核心人员在智能客服平台这一单一领域有8年的经验积累和沉淀。CEO肖龙源为厦门大学企业CEO总裁班班长学员、前三五互联商务总监;团队成员中有数位留美深造的博士、以及智能人机交互方面的专家,曾在Facebook负责人工智能项目。 据了解,快商通智能客服机器人已完成天使轮融资,新一轮融资计划正在筹备中。
    人工智能
    2015年12月01日
  • 人工智能
    从移动互联网到人工智能,CRM会有怎样的进化方向? // 一 在企业级服务市场,Salesforce一直是神一般的存在。   创立于1999年的Salesforce,一开始就提出了「no software」的口号,彻底改变了商业软件一贯的销售模式,迅速攻占了Oracle、SAP多年霸占的CRM市场。   而当我和周然聊起这些事情的时候,他的感慨更多。从某种意义上说,周然就是「为CRM」而生的人,也是见证Salesforce从无到有再到市值百亿的人——康奈尔大学毕业后,周然加入Siebel,这是一家成立于1993年的公司,可谓CRM的开山鼻祖,其客户基本都是世界五百强企业。之后,周然成为开源CRM公司SugarCRM的一员,并一直做到产品战略委员会决策者,负责整个SugarCRM产品团队。   如今,周然选择回国,加入一家名叫销售易的CRM创业公司,担任CTO。   在经历了Siebel的单机、Salesforce的PC互联网以及SugarCRM的开源之后,CRM市场并未停歇,而是进入一个全新的领地,移动互联网。   二 为什么CRM如此重要?要理解这个问题,不妨先来看看CRM这个概念创立的初衷。CRM最早由咨询分析机构Gartner提出,在过去,CRM一直作为企业资源管理也就是ERP中的一个环节,不过在技术发展过程中,ERP系统无法真正实现对客户关系的有效管理,尤其在上世纪90年后期,全球范围内的企业驱动力的转型——由产品为核心向以用户(客户)为中心的转型,从而也使得客户关系的管理变得尤为重要。   简言之,当企业发展越来越多依靠新客户的拓展和老用户的维护时,企业迫切需要一套管理客户关系的流程和系统,这就是CRM出现的商业背景。   技术方面,以Salesforce为代表的公司之所以能在上世纪90年代迅速崛起,其大背景也是美国上世纪最后十年PC互联网文化的蓬勃发展,不过是政府层面的信息高速公路建设还是微软、网景的浏览器大战抑或是华尔街、硅谷联手上演的互联网世界泡沫,都从不同层面推动了PC互联网的普及。   商业需求与全社会共识下的新技术,不断推动CRM的发展。PC互联网如此,移动互联网更是如此。   10月底,CNNIC的报告显示,我国手机网民规模达5.94亿,同比增长86.8%,手机超越电脑成为中国网民第一上网终端。德勤也在一份《移动消费大未来:2015中国移动消费者行为》报告中指出,中国人均智能手机持有量接近2台,智能手机拥有率高达86%。   来自移动信息研究中心的数据预计,2015年中国的移动CRM市场规模将达7.82亿,2016年预计达到12.68亿人民币。 这个预计也和Gartner的技术合力「Nexus of Forces」预测一致,所谓「Nexus of Forces」是由云、社交、移动和大数据这四种独立的IT技术相互融合带来的影响力。   三 从概念层面来看,CRM是一个企业为提高核心竞争力,利用信息技术以及互联网(移动互联网)来协调企业与顾客间在销售、营销和服务上的交互,从而提升其管理方式,向客户提供创新式的个性化的客户交互和服务的过程。   在产品层面,CRM系统包括现有客户管理、联系人管理、时间管理、客户拜访管理、潜在客户管理、销售管理、电话销售、营销管理、电话营销、客户服务等等。   无论是CRM的概念还是其产品设计上,数据、服务都贯穿其中,这在移动互联网时代变得简单而又直接:   首先,移动设备天然就是数据收集器,越来越便宜的传感器芯片和应用,让移动设备能够收集更多维度的数据,GPS可非常自然地实现客户拜访管理的地理数据收集、日历应用配合电话、短信,实现时间管理和电话销售、营销等等。   其次,移动设备就是一个个不断移动的云计算终端。受限于移动设备的屏幕大小、处理器性能,移动应用的性能无法与桌面应用相媲美,尤其是企业级应用模块繁多、功能复杂,企业级应用在移动互联网时代唯一的出路就是云,更准确的说就是SaaS。基于SaaS的CRM也是全球范围内的趋势,根据Gartner今年5月份的一份数据:全球约有47%的CRM系统是基于SaaS提供。   尤其在中国4G网络快速普及的今天,将大量计算放在云端,用户完全可以通过移动设备做到随时取用。   四 当CRM进入移动互联网时代,也同时意味着进入到真正的大数据时代。IBM在2013年的一份报告中指出,在全球现存数据中,有90%是过去两年中产生的。越来越多的销售人员携带移动设备拜访客户,并通过移动设备与客户在线沟通,海量的客户数据不断沉淀,正在成为企业发展的重要资产,而这些新的技术趋势也给CRM企业带来新的机遇和挑战。   其一,CRM公司必须成为大数据公司。使用CRM系统的企业当然喜欢海量的客户数据,毕竟这意味着更多的销售机会和潜在收入,这也意味着CRM公司需要具备处理海量数据的能力,利用工具帮助企业发现有价值的销售机会。   在周然眼里,未来的CRM不仅仅是帮企业定义一些工作流或者实现销售自动化,而且是要往智能化方向发展。不仅仅是给老板用的,也要让CRM真正给销售业务人员带来帮助和产生价值。   比如说有一千个潜在客户、一千个销售线索,系统会直接帮助销售找出最优潜力的那些线索。系统会根据这些客户的一些特征和系统内部数据匹配,告诉销售人员哪些客户是比较容易签单成功的。在销售人员打单的过程中,系统能够推荐相关的产品专家和相关的文档。   在美国,企业级市场对于数据挖掘、机器学习的研究早已如火如荼,正在从BI向AI方向发展,下图展示了美国企业级服务巨头们正在开发各类基于AI的企业应用: 另一方面,由于CRM系统中沉淀的是一家公司最核心的客户数据,未来CRM会跟很多系统整合得更加紧密。由于CRM就是一套以客户为中心的管理系统,企业在任何一个点跟客户有任何关联的时候,都是需要CRM系统的。毕竟,客户数据、财务数据、生产数据……将这些企业生产经营中的各种数据放在一起,对于企业的决策和管理效率都有巨大意义。事实上,Salesforce、Workday也都在进行布局。   其二,SaaS的进化,Service(服务)依然是重点。如今基于SaaS、移动端的CRM公司看似同质化现象越来越严重,除了产品需要满真正能够满足企业的业务挑战外,能够产生差异化竞争并保持长期竞争力的就是SaaS里的第二个S——Service。在对SaaS类公司进行估值时,用户获取、用户维持(续约率)都是重要指标,而决定用户是否在一个SaaS平台的重要因素就是其服务质量的好坏。   其三,商业模式的探索。免费还是付费,这似乎是摆在诸多国内CRM创业公司面前的一个无法给出终极答案的开放命题。以企业级服务完善的美国来看,决定意义上的免费服务是不存在的,而所谓的免费则是一种针对中小企业的营销策略,随后会通过一系列手段将其变成付费用户。   国内的CRM厂商往往以中小企业为切入口,通过免费的策略吸引他们成为用户,但正如上文所言,SaaS产品的重要指标并非仅仅是用户数量,还有用户续约率。且不说中小企业对于免费产品能有多大的忠诚度,仅以中美中小企业的寿命来说,销售易创始人史彦泽曾透露了一个数字:中国小微企业的生命周期只有2.5年,但是美国是8年。因此,中国中小企业并非SaaS类公司的最优客户选择,而免费的模式到底能给SaaS类企业带来哪些作用,实在要打上一个大大的问号。   五 过去两到三年,中国企业级市场进入新一轮爆发期,基于SaaS的新产品层出不穷。国家层面的政策支持、资本市场的觉醒、经济社会层面的转型与人口红利消失、技术层面的移动、大数据、云都成为这一轮爆发的推动力。   更进一步来看,资本市场对于中国SaaS企业的青睐也会特别强调其巨大的市场空间。一个最常见的推理依据是,中国企业总数与美国几乎相当(2200万VS2700万),美国三大企业公司Oracle、SAP、Salesforce,市值总和3500亿美元左右,因此中国企业级市场SaaS领域至少有万亿人民币的市场空间。   这个推论是否靠谱当然有待商榷,不过正如上文所言,CRM的出现有其商业和技术的原因,这给我们一个观察企业级服务发展的新维度:当以客户为中心的业务需求碰上机器学习、人工智能武装的商业软件,其创造出来的威力或许早已不是上述数字所能代表了。(文章首发钛媒体)     本文系作者 赵赛坡    【作者介绍:微信公众号:机器之心 (almosthuman2014)】 来源:钛媒体 出处:http://www.tmtpost.com/1472230.html
    人工智能
    2015年11月20日
  • 人工智能
    十年之后,在就业市场中人工智能会扮演什么样的角色? 编者按:我们最先从科幻电影中认识到何为人工智能,慢慢的它们开始出现在我们的生活之中。那你有没有想过,十年之后人工智能会在就业市场中扮演什么样的角色,如果它关系到你的工作,你还会欢迎它吗?近日Sentient Potential and TechEmergence 的创始人 Daniel Faggella就这个问题谈了他的看法。 经过过去几十年的发展,人工智能(AI)在这两三年里逐渐登上科技舞台的中心,成为最热门的技术。   从 Google 收购 DeepMind、Boston Dynamics 等等开始,到逐步增加对人工智能的资本投资关注,再到最近 Elon Musk 和 Bill Gates 都表示了对未来超级人工智能安全性的担忧,这些都表明人工智能已然从幕后走向了台前,成为大众关注的焦点。   然而对于位于职场的我们来讲,无论是蓝领还是白领工作者,自动化在工作安全上的问题给我们带来了最紧迫的担忧。   虽然对于未来我们无法预测,但是许多资深的计算机科学研究者认为未来 5 到 10年 内的的人工智能的影响趋势还是可以把握的。   那么自动化到底将怎样影响人类工作的本质和需求?因此我就人工智能未来十年如何影响就业市场这个问题请教了业内 6 位资深的人工智能博士,询问他们对于未来十年里人工智能将如何影响就业市场的观点。虽然他们对不同行业的影响持有不同的观点,但有一点认识是共同的:扩大或加强使用现有的算法已成必然趋势。   涉及面细分、重复性高或者数据评估类的工作最容易被自动化取代。佐治亚理工大学致力于研究计算机视觉的教授 Irfan Essa 表示,在过去的十年里,计算机视觉得到了显著的发展,很多可以引入人工智能技术的领域长期以来一直处于 “聚集模式”,现在我们终于迎来了转折点。   人脸标识、网络图片分类这些工作一度被人类标榜为一项繁重的工作,但现在很多类似的工作都可以由训练有素的神经网络自动完成。   视觉数据并不是唯一一个可能被人工智能取代的领域。《Rise of Robots》的作者 Martin Ford 认为:在未来的十年里,比起蓝领,将有更多的白领会被人工智能取代。   Daniel Berleant 也同意此说法。他表示当下流动性无疑是一个巨大的技术难题,但是计算机在处理数据上比人类更出色,而人类则更能胜任体力劳动工作,至少从目前上来看是这样的。尽管过去十年里双踏板行走的机器人发展态势良好,但是像搬家具或者是餐馆里端盘子这些需要灵活性的工作暂时还没有可能迅速地被自动化取代。   有些研究人员认为,数据处理领域的自动化代替也可能发生在细分数据评估领域。Andras Kornai 说 IBM 正在医疗领域引入 Watson,我更希望在法律界也能有类似的技术。虽然机器学习在医学诊断上可以给予医生一定的帮助,但是机器学习并不能完全取代医生。   长话短说,如果你的大部分工作内容涉及到电子表格,那么未来很有可能会出现一款软件取代你,它的效率比人工更高,所需成本更低。所以,如果你不想在 2025年 的时候丢了工作的话,你要好好考虑这个发展趋势了,从而改善你目前的工作状态。   但事实上人工智能在未来十年的影响可能不仅局限于当前所熟知的某些细分领域,譬如图片分析、象棋对阵等领域。我采访的几位人工智能专家,他们认为人们已经越来越愿意把工作交付给人工智能。   拥有斯坦福大学博士学位的 Eyal Amir 主攻人工智能研究,他表示我们现在看到的趋势无非就是把不同的数据碎片汇聚到了一起,而且我们给予了计算机更多的自控权。我们开始相信计算机有处理基本任务的能力,也有我们人类所不具备的能力。   在最近的一次人工智能采访中,Amir 表示他认为这种不断增加的信任是人工智能程序影响力不断上升的副产品,比如 Apple 的 Siri 和 Facebook 的广告算法。未来的贵宾级服务大概没有一个能比得上 “超级 Siri”,它可以随时随地给您带来需要的讯息,随时随地为您处理任务(预定披萨,预约衣物干洗时间等等)。   其他我们现在正在使用的算法还覆盖了评估消费者和企业信用等级方面。当然,其他高效算法的使用也似乎在加快改变我们的传统生活的步伐,加上人们接受了人工智能涉足保险和贷款的决策过程,不难想象未来十年里人工智能将处理更多更复杂的金融问题。   Kornai 还明确指出在某些特定医疗诊断或者甚至是法律诉讼中也可以使用这些计算机算法,他相信人工智能在这些领域的缓慢稳定影响是不可避免的,甚至还会取代人类专家在诸如 X 光评估或者某些法律研究工作上的地位。   未来的语音识别算法则可能会创造出另一种经济变化。在伊利诺伊大学执教的 Daniel Roth 表示:他可以预见十年后,我们能够用真正自然的方式与计算机交流,我们可以向机器咨询全球问题,物理学家可以让计算机检索相关研究文献。   Roth 说,在接下来的十年里我们会陆续看到无数的医学研究文章,如果有一台智能机器可以理解自然语言命令,然后从信息的海洋中筛选出有价值的内容,那将会是一个极大的进步。同样地,自然语言算法也用来可以梳理法律文件,或者相关文档,潜在地替专业人士减少了枯燥乏味的工作,但是相应地也减少了对初级职位的需求。   虽然他们的观点都不一致,但是当谈到自动化与劳动力市场的未来趋势时,所有我采访过的人工智能研究员都提到了自动驾驶汽车。Amir 认为,与其说机器控制了车轮不如说是人们自己放弃了对汽车的控制权,在未来的 10 到 15年 里,我们将看到满大街都是无人驾驶的汽车。   Berleant 也指出,自动变速箱、防锁装置、自动锁还有具备自动停车功能的汽车等都在持续稳步地发展。因此我们完全可以相信十年之后无人驾驶汽车会成为日常生活一部分。但即便十年后道路上行驶的汽车中只有十分之一是自动驾驶汽车,其对整个经济体系的影响也是不容小觑的。   在其他相关产业中,机动车驾驶员就业市场受到的直接影响将最为严重。Kornai 表示,在美国至少 100 万名出租车司机,换句话说就是到时候将有 100 万人失业。除了卡车司机或者出租车司机的直接失业,也可能会导致人们对汽车购买的需求会减少。   汽车制造商或许会想办法改变这种局面,他们把希望寄托在一小部分仍渴望拥有属于自己的汽车的个人消费者身上,或者争取在无人驾驶汽车市场占领一定的市场份额。但在这样的趋势下,汽车的制造需求必然会大幅下降。   正如当前 Uber 面临的被抵制的困境,未来自动驾驶汽车公司也将面临一场恶战。Kornai 和其他几位都表示传统车辆会逐渐地向自动驾驶车辆转变,同时也有望缓解转变带来的剧烈经济转型。   我们甚至还可以预想到一系列法律问题,随着从人到机器的逐步 “信任转变” 而得到解决,虽然直接从 100%的人类驾驶员到完全的自动驾驶的转变不是不可能,但可能性终究太小。然而不管是何种方式,这些站在科技前沿的人工智能研究人士一致认为,下一个十年无人驾驶汽车会走进我们的生活。   与其他技术改变和自动化带来的双面效果一样,无人驾驶汽车同样也会带来极大的好处。   对于技术的进步在本质上到底是创造了更多的就业机会还是减少就业机会的讨论依旧会持续下去,但并没必要非要求讨论出一个结果,因此从与相关问题的专家谈论中我们可以知道,无论是在经济上还是技术上,我们始终对未来的结果难以达成一致。   但有一点显而易见,更加重要的自动化和人工智能趋势再加上已有的算法和技术,将会在未来十年里影响到我们的就业市场,但究竟是如何影响到的我们也需要继续密切关注。   The Next 10 Years Of Automation And What It Might Mean For The Job Market After decades of subtle developments that largely went unnoticed by much of the working world, artificial intelligence (AI) has taken center stage in the last 2-3 years as a “hot” technology.   From Google’s surge of acquisitions (DeepMind, Boston Dynamics, etc.), to increased venture capital attention, to the safety concerns of Elon Musk and Bill Gates about potentially super-intelligent AI, the field is undeniably back in the spotlight.   One of the most pressing concerns for those of us in the working world is the effect of automation on job security — in both blue-collar and white-collar work.   Though more far-out considerations are difficult to predict, many experienced computer science researchers feel reasonably comfortable speaking about AI’s influence in the coming 5-10 years.   With so much potentially unfounded speculation about how automation might influence the nature and demand for human work, I decided to ask six artificial intelligence PhDs about their informed perspectives on how AI might impact the job market in the coming decade. Their answers didn’t share much commonality in terms of industry, but they did share a common thread: The expanded or strengthened use of existing algorithms.   One wide swath of jobs that may be most easily automated are likely to be jobs that involve narrow and repetitive manipulation or assessment of data. Irfan Essa at Georgia Tech focuses his research on machine vision, a domain that has developed markedly in the last 10 years. “Many fields were AI could be applied have been in ‘aggregation mode’ for quite some time, and now we’re finally getting to a point of sense-making,” says Essa.   While identifying human faces, or categorizing web images (identifying animals, landmarks, objects) was once the arduous job of human beings, many of these tasks can now be automated by trained neural networks (Google’s Peter Norvig explains this process rather well).   Visual data is far from being the only area of narrowly focused intelligence that might be under siege. Martin Ford (author of the well-received book Rise of the Robots) mentions that in the coming 10 years, we’re likely to see more automated job displacement in white-collar jobs rather than blue-collar.   There is ongoing debate as to whether or not technological advancements inherently create more job market opportunities than they destroy. Daniel Berleant agrees, stating the current difficulties of “mobility is undeniably a rather difficult technical problem, and computers are more likely to manipulate data better than humans than they are to take over most manual labor jobs, at least for the time being.” Despite the impressive developments in bipedal robots in the last 10 years, people with dexterous physical jobs such as moving furniture or carrying plates in a busy restaurant aren’t likely to be automated out of a job anytime soon (though stationary assembly jobs are under siege now as much as ever, with devices like Rethink Robotics’ Baxter).   Some researchers believe that the same might be said of narrow data assessment, not just data manipulation. Andras Kornai states, “IBM is moving Watson into the medical field — I expect the same thing to happen in the legal area.” Though it may be possible that machine learning will aid in the detection of cancer or other maladies in medical imaging, these technologies don’t seem likely to put doctors out of a job.   Long story short, if a large portion of your time at work involves tinkering with spreadsheets, there is likely to be software that will perform your job faster and cheaper than human labor. Marc Andreessen put this in intelligible terms in his “software eating the world” WSJ interview, and it’s worth understanding if you plan on being employed in 2025.   However, the influence of AI in the coming decade may imply an expansion beyond the “narrow” focuses that it’s best known for (i.e., analyzing images, beating silly humans at chess, etc.), and some of the AI experts I’ve interviewed seem to think that people are becoming comfortable handing over that control.   Eyal Amir is a Stanford PhD and Associate Professor at The University of Illinois at Urbana-Champaign focused on AI research. “More generally what you see as a trend is for different pieces of data coming together, and that we give the computers a little bit more autonomy,” says Amir. “We start trusting the ability of the computer to do basic tasks and to have knowledge that we don’t have.”   In a recent AI-focused interview, Amir states that he sees this increased degree of trust as a byproduct of the increased effectiveness of AI programs, such as Apple’s Siri and Facebook’s advertising algorithms (which infer data about individuals’ preferences, vocation, gender and more — based on cues and clues from Facebook’s myriad data points). The concierge services of the future may simply be no match for a souped-up Siri who can instantly bring you information and perform tasks for you (order pizza, order pick-up for dry cleaning, etc.). Other algorithms in use today include those used to judge the credit scores of consumers and businesses. Andras Kornai, a Stanford PhD and professor at the Budapest Institute of Technology with experience in designing credit algorithms, states, “It is no longer a local friendly banker who makes these decisions around credit, and that trend isn’t likely to slow down.” It’s likely that other efficient algorithmic use isn’t going to slow down either, and because there wasn’t much backlash in AI taking over loan and insurance decisions, it seems quite likely that it’ll handle more complex financial issues in the coming decade.   Kornai also refers explicitly to the use of algorithms in specific medical diagnostics, or even in legal proceedings, and believes that slow and steady traction in these domains is somewhat inevitable, and may invariably box out human expertise from tasks such as x-ray assessments or certain kinds of legal research.   Nearly all the researchers I’ve spoken to about automation and the job market have brought up the topic of self-driving cars. Speech-recognition algorithms of tomorrow may create their own economic shakeups. Daniel Roth received his PhD from Harvard in 1995. He now teaches at University of Illinois and has been working in the domain of natural language processing for nearly 20 years: “In ten years, I can see us being able to communicate with computers in a truly natural way…. I will be able to consult a machine in really thinking through a world problem… a physician will be able to consult a computer to navigate research articles.”   Roth mentions that many millions of medical research articles will be published in the coming decade, and that having a machine that can understand natural commands to sift through this massive swath of information would be of extreme value (i.e., “Find me all the articles published within the last three years in any language that study the impact of air pollution on osteoporosis in men.”). The same natural language algorithms might comb legal files or compliance documents, potentially shaving hours of tedious work from a professional’s day, but also potentially leaving some entry-level positions (such as paralegals) out of a job.   Though the AI researchers I spoke with didn’t tend to converge on similar industries when it came to making predictions, nearly all the researchers I’ve spoken to about automation and the job market have brought up the topic of self-driving cars. To Amir’s point — there seem to be few more visceral ways of “giving up control” than letting the machine take the wheel, and 10-15 years seems to be enough time for many AI experts to suspect that we’ll see consumers buying cars that drive them, not the other way around.   Berleant mentions there has been a steady progression to automatic transmissions, anti-lock breaks, automatic locks and cars that can park themselves. He states, “I believe it’s reasonable to suppose that such completely autonomous cars will be commonplace in ten years.” If even one-tenth of the cars on the road in 10 years are self-driving, the impact on the economy as a whole could be relatively drastic.   Among other sectors, the immediate impact on the job market for motor vehicle operation would be hit the hardest. “There are a million cab drivers in the United States alone — that might be a million people without a job” says Kornai. In addition to direct unemployment for folks in truck driving or taxi driving positions, there also could be a drastic decrease in demand for car ownership if cars can be ubiquitously accessed for transportation with the push of a button on an app.   Car manufacturers might be fighting over a much smaller market of individuals who still wish for a car of their own — or they would battle over who’s autonomous fleets are employed in the most cities. Manufacturing demand for vehicles seems destined to decline sharply under these circumstances.   One of the most pressing concerns for those of us in the working world is the effect of automation on job security. The incumbents to driverless cars are likely to fight just as fiercely as those currently railing against Uber, and Kornai and others foresee a reasonably gradual shift to autonomous vehicles, and this may cushion the shock of a drastic economic shift.   We might see a way around these legal concerns with a gradual “trust transition” from man to machine, rather than an overt jump from 100 percent human driver to 0 percent human driver. Either way, a lot of very smart AI folks seem to think that the next decade is the one when driverless will kick in.   Like many double-edged effects of technological change and automation, driverless cars may have tremendous upsides, as well. “There’s so much release of human potential if you don’t have to be behind the wheel for an hour per day or more,” says Berleant. This isn’t to say that truck drivers are all going to become tremendously efficient with all the freed up time they have in their hands-free commute to their next job, but it’s a potential example of the silver lining of automation and the job market.   There is (and for the foreseeable future, will continue to be) ongoing debate as to whether or not technological advancements inherently create more job market opportunities than they destroy. The most ignorant arguments are black-and-white, and it’s clear from interviewing subject-matter experts that there is no consensus on the future outcomes, economically or technologically.   What does seem clear is that there are important current automation and AI trends with existing algorithms and technologies that are likely to only have a greater job-market influence in the coming decade, and they are worth keeping an eye on. Maybe machine vision can help us with that.   本文编译自:techcrunch.com
    人工智能
    2015年11月04日
  • 人工智能
    Genee,你的人工智能个人助手 人工智能日程安排应用Genee发行了公测版本,这意味着所有人都可以拥有一个属于自己的个人助手。 在虚拟助手初创公司Zirtual停运之后,Genee想要完全去除方程中的人力因素以及现存所有日历App以及邮件供应商中的端对端调度助手。 联合创始人Charles Lee和Ben Cheung均是前VMWare的员工,两人为了创建一个不一样的初创公司需要根据各自日程表来安排时间见面来讨论,然而两人在时间安排上很难达成一致,在这之后他们决定创建Genee。 “总裁需要助手的原因在于一旦总裁告诉助手去安排一个会议,助手就要完全接管这件事。” Cheung在采访中这样说道。“现有的工具都在致力于将这个过程自动化,但是他们并没有解决端对端的问题:他们没有消除这份责任。” 在允许访问已有的日历和邮件App后,所有人都可以使用Genee。你只需要将Genee复制到邮件上,就像你有了一个私人助理然后让Genee全权负责。如果你需要将会议时间延迟15分钟或者重新设置时间,这款应用上也有一个一键式选项可以让Genee通知其他参与会议的人。 最近,Genee团队刚刚整合到推特公司,用户可以在不用回复邮件的时候就看到会议的通知。当然如果需要整个过程运行的更加顺利,这就要求双方都允许Gennee访问他们的日程表,但这并不是强制要求。 尽管许多自然语言处理应用还有很多不足之处,Cheung表示Genee发展的关键是集中在自然语言的一小部分,从而确保这个系统操作上去感觉是一个人类助理。 “我们注重单一语境下的自然语言来安排会议,这样会把整个过程变得更简单。” Cheung在采访中这样说道。“我们拥有一个高级算法来优先安排时间,此外我们还经常在一些常识事情上训练计算机。” 比如说如果你告诉Genee你想要在这周某一天的工作后去喝酒,Genee需要知道你指的时间大约是下午五点后。如果这周你的日程安排都满了,那么安排下周某一天去喝酒也并非意味着世界末日。 Lee在采访中表示:“我们并没有想要取代人类助理,这不过是一个可以满足99%没有助手的人需求的产品。我们的目标用户并不是那些已经有助手的最高层管理人员。” 在过去的1年里,10000个内测用户帮助团队调整了运行系统,教会Genee关于调度语言中常见的俚语和细微的差别。 该公司已经获得145万美元的首轮融资,参投方有Uj Ventures、Streamline Ventures以及Garnett Ventures。这笔资金将会用来扩大Genee的理解能力、整合其他的信息平台(比如说Facebook和Slack)并且推出其他附加的功能,例如用户可以进行预订服务。 Meet Genee, Your Artificially Intelligent Personal Assistant   Genee, an artificially intelligent scheduling app, is launching today into public beta so that anyone can have a personal assistant. On the heels of Zirtual’s collapse, Genee hopes to take humans out of the equation entirely with its end-to-end scheduling helper that plugs into any existing calendar app and email provider. Former colleagues at VMWare, co-founders Charles Lee and Ben Cheung decided to build Genee after struggling to coordinate meetings around their own schedules to chat about a different startup idea. “The reason why executives have assistants is that once they tell them to schedule a meeting, the assistant takes over completely,” says Cheung. “The tools available now are pulling to automate that, but they don’t solve the problem end to end: they’re not taking away the responsibility.” Anyone can use Genee after allowing access to existing calendar and email apps. You simply copy Genee on your emails, just as you would a personal assistant, and Genee takes over. If you need to move a meeting back by 15 minutes or reschedule, there’s a one-click option that prompts Genee to notify the other parties.       Recently, the team integrated Genee into Twitter so that users can get a meeting on the books without having to revert back to email at all. Of course, the whole process works more smoothly if both parties have allowed Genee to access their schedules, but it’s not necessary. While many applications of natural language processing leave a lot to be desired, Cheung says the key with Genee is focusing on a very small segment of natural language to make sure the system actually feels like a human assistant. “We focus the natural language on a single context, scheduling meetings, which makes it easier,” says Cheung. “We have a sophisticated algorithm for scheduling the preferred time, and we’ve trained the computer a lot about the common sense part too.” If you tell Genee you want to schedule “drinks after work at some point this week,” for instance, she has to know that you probably mean after 5 p.m., and that if you’re completely booked this week, planning drinks for next week wouldn’t be the end of the world. “We’re not setting out to build a human assistant replacement, it’s a product to address the 99 percent of the population that doesn’t have it,” says Lee. “Our target user is not going to be the C-level executive who already has an assistant.” Over the past year, 10,000 private beta users have helped the team tweak the system and teach Genee common slang and nuances in scheduling language. The company has raised $1.45 million in seed funding from Uj Ventures, Streamline Ventures, and Garnett Ventures, which it will use to expand the Genee’s understanding, integrate with additional messaging platforms (such as Facebook and Slack), and roll out additional features, such as booking reservations for users.     source:TC
    人工智能
    2015年08月14日
  • 人工智能
    想在不通知你的员工前,解约?先问问ROSS 导语:如果向你的ROSS提出问题越多,系统会越聪明 ROSS Intelligence 是一款基于人工智能的法律App应用。 事实上,ROSS Intelligence公司其他联合创始人都是法律、神经科学、以及计算机专业的专家,而他们开发的这款语音识别App应用,则是将IBM Watson人工智能超级电脑提供的机器学习技术应用在了法律领域里。 ROSS应用本身和Siri很像,用户可以像客户那样咨询任何问题,比如“如果一个员工没有完成他的销售目标,而且也达不到公司的基本素质要求,我们能否在不通知他的情况下解约?”接下来,ROSS便会检索法律文档数据库,找出与问题匹配的答案,值得一提的是,每个答案都会自带一个信心指数,让用户对答案的可靠性做到心里有数。不仅如此,ROSS提供的每个答案下面还会显示该答案对应的“法律源文件”,如果用户认为回答非常准备,那么可以“点赞”并保存相关法律文件;如果答案不尽如人意,用户则可以点击“拍砖”。   目前ROSS研究数据库已经得到了很大优化,可以支持关键字搜索。系统可以根据用户的反馈进行自我学习,也就是说,用户输入信息越多,ROSS就会变得越聪明。ROSS应用最擅长的是提供与企业倒闭和破产相关的法律服务,不过ROSS应用将拓展到其他法律领域里。这款应用让法律研究能变得更轻松一些,因为根据数据显示,美国在职律师有五分之一的时间用在法律研究方面,而法律公司每年在法律研究上的投入甚至高达96亿美元。现在ROSS应用的帮助下,基础性的法律工作完全可以外包给劳动力成本较低,且英语水平相对较高的国家,比如印度和菲律宾。   创始人透露,他们从今年六月份开始就已经在一些法律公司里对ROSS这款应用进行了小范围测试,截至目前,试运行效果还是不错的。此外,全球十大律所之一的德同(Dentons)律师事务所下属子公司NextLaw Labs也已经和ROSS Intelligence签约,将ROSS纳入了旗下的投资组合公司,所以说,ROSS法律应用还是具备了不错的成功潜力。   来源:快鲤鱼
    人工智能
    2015年08月10日
  • 人工智能
    别担心!人工智能不会抢你的工作 [摘要]机器技术的进步并不一定意味着人力工作岗位的减少,反而这有可能为社会带来更多的就业机会。  如今人们对于越来越先进的数字科技对劳动力产生影响的担心从来不曾减弱。无论是美国电动汽车厂商CEO埃隆•马斯克(Alon Musk)、微软联合创始人比尔•盖茨(Bill Gates),还是英国著名物理学家斯蒂芬•霍金(Stephen Hawking)都对这一问题表示了担忧。 其中马斯克甚至在去年10月美国MIT的一次公开访谈上将人工智能称为是“召唤恶魔”的技术,并认为人工智能研究将成为人类未来最大的敌人。   日前,许多硅谷风险投资家、高管联合撰写了一封公开信,并希望在全国范围内展开一场针对现代数字经济政策的大讨论。他们在信中表示,“过去的一波科技变革为我们创造了许多新工作岗位,并大大提高了工资水平。但从目前的情况看来,这一波的科技变革不禁会让人们思考事情是否还会同上次一样,抑或者像许多媒体所说的那样‘机器人正在逐渐取代我们的工作岗位?’”   杞人忧天 然而,《哈佛商业评论》6月刊的封面文章《Beyond Automation: Strategies for Remaining Gainfully Employed in an Era of Very Smart Machines》和麦肯锡全球研究所(McKinsey GlobalInstitute)不久前发布的一份报告都对这一观点表达了反对意见。   其中,麦肯锡全球研究所在这份报告中分析和预测了所谓“数字人才平台”(digital talent platforms)可能带来的冲击,并着重分析了“数字人才平台”的三大种类,它们分别是雇主和招聘网站(比如Monster.com)、服务市场(比如Uber)以及由大数据驱动的人才挖掘工具。   麦肯锡预计,这些“数字人才平台”到2025年将可以每年为全球增加2.7万亿美元的GDP,这一数字相当于整个英国在全球经济中的影响力。而且,这些平台的所提供的工具、数据报表可以让超过5.4亿人从中受益,并帮助他们找到更适合自己的高薪工作。   麦肯锡表示,能够高效利用这些数字平台的企业,将得以通过更快招聘到合适自己的员工而进一步提高工作效率,且这一提高的效率比例甚至有可能达到9%。   麦肯锡全球研究所总监、该报告的联合作者扎努斯•曼伊卡(James Manyika)称:“这一预计是基于现阶段的全球发展现状、对七个国家的劳动力市场、数家特定领域企业进行了深入分析以及非常严谨的假设基础而做出的。”   量化效应 应该说,这些新数字工具的使用会让整个劳动力市场的流动性更高、更灵活,同时也更透明,因为如今一些在线劳动力市场拥有着数量众多的用户群。举例来说,职业社交网站Linkedin目前在全球范围内拥有超过3.6亿用户。   “尽管这些平台本身是全球性的,但他们所产生的实际效应则绝大多数是本地化的。”曼伊卡说道。   目前,部分企业已经开始使用这些工具在全球范围内招揽合适员工,这将使企业在招聘的时候拥有更强的竞价筹码,并降低部分岗位的薪资水平,但曼伊卡同样认为这些工具的出现同样会让求职者受益匪浅。   “公司无法阻止员工在LinkedIn上上传自己的资料、简历,这就使的权利的天平开始发生变化,并让个人求职者拥有更大的力量。”   在《哈佛商业评论》(Harvard Business Review)6月刊的封面文章中,哈佛大学哲学博士、并先后授课于哈佛商业学院、芝加哥大学和波士顿大学、曾担任埃森哲战略变革研究院主任、美国巴布森学院信息技术与管理领域的著名教授托马斯•达文波特(Thomas H. Davenport)以及《哈佛商业评论》特约编辑朱利安•科尔比(Julia Kirby)也对人工智能技术的进步表示了认可。   绝非零和 他们在文章中表示:“这不是一个零和博弈(a zero sum game),机器技术的进步并不一定意味着人力工作岗位的减少,反而这有可能为社会带来更多的就业机会。因此,我们不妨将所谓的自动化威胁视为一个更大的机遇。”   达文波特和科尔比不仅援引了来自麻省理工经济学教授大卫•奥特(David Autor)这些现代经济学家的观点,同时还引述了上世纪60年代一位非常知名心理学家利克里德尔(J.C.R. Licklider)所撰写《人机共生》(Man-Computer Symbiosis)这篇文章中的内容。利克里德尔在文章中写道:“用不了多少年,人脑和电脑就会在工作中非常紧密地联系在一起。”   简单来说,达文波特和科尔比所表达的观点就是,人和机器是可以在工作环境下和谐共存,只是两者的合作方式或将有所改变而已。具体来说,他们将人类同机器合作的方式分为了五大类,分别是“站出来”(step up)、“让位”(step aside)、“介入”(step in)、“有限指导”(step narrowly)以及“向前迈进”(step forward)。   其中,“站出来”指的是人力工作者应该继续掌管那些需要调用更高智慧的工作,比如高级项目管理以及商业顾问;“让位”指的是人力工作者应该在某些工作领域给予人工智能更多的自主权限;“介入”指的是人力工作者应该监督、指导自动化机器展开工作;“有限指导”指的是人力工作者应该对那些难以由机器人完全自动化完成的工作给予一定的关注;而“向前迈进”则意味着人力工作者应该尝试打造出下一代计算和人工智能工具。   达文波特和科尔比相信,那些仅仅使用这些自动化技术来展开业务的企业最终将失去自己的核心竞争力。因为自动化技术虽然非常实用,却并非是企业成败的关键。   “企业迟早会意识到这一点,成功并不是建立在控制成本的基础上,而更多的是依赖于员工持续的创新精神。在这样一个创新的时代,成功的关键还在于人类本身,因为我们才是未来一切创新想法的源泉,而这一点是任何人工智能都难以匹及的。”达文波特和科尔比在文中写道。(汤姆)   来源:腾讯科技
    人工智能
    2015年06月08日
  • 人工智能
    担心电脑统治世界?不如先想想怎么保住工作 [摘要]从学术领域来看,人工智能的研究历史与计算机本身一样久远。 最新一期英国《经济学人》杂志刊文称,尽管很多科技行业的知名人士都对人工智能给人类构成的威胁表示担忧,这种技术也的确取得了长足的进步,但通过一番深入分析不难发现,这种技术短期内还远远无法真正模拟或超过人脑,只是在从事一些没有思想、没有灵魂的乏味工作。与其担心电脑是否会统治世界,倒不如先想想自己的工作是否会被电脑取代。   以下为文章全文: 伊隆·马斯克(Elon Musk)一直都在为人类“谋未来”。这位连续创业的传奇人物曾在万维网发展初期赚得了人生的“第一桶金”,后来协助成立了一家太阳能发电公司SolarCity,力推绿色能源;还创办了电动汽车制造商特斯拉,帮助汽车摆脱对内燃机的依赖;他甚至组建了一家民营火箭公司SpaceX,渴望于有生之年看到人类殖民火星。正是由于参与了种种未来感十足的尖端项目,他似乎成了对未来前景最为乐观的科技大佬。   然而,并非所有未来技术都能得到马斯克的认可。去年10月在麻省理工学院发表演讲时,马斯克曾经将人工智能描述为“召唤恶魔”的技术,担心这种在智能上可能比肩人类的产品有可能对世界构成前所未有的威胁。   持有这种担忧的不止马斯克一人,牛津大学哲学家尼克·波斯特罗姆(Nick Bostrom)曾经发表了一番名为“存在主义风险”的观点,罗列了可能影响人类生存的潜在威胁,除了小行星撞击地球和全面核战争等广为人知的因素外,他还将人工智能列入其中。英国皇家学会前会长劳德·瑞斯(Lord Rees)随后还在剑桥大学创建了存在主义风险研究中心,该中心同样对人工智能的威胁格外重视。   这些担忧折射出人工智能领域近年来弥漫的乐观氛围,这项技术最近几年已经取得了快速进展。谷歌、Facebook、亚马逊和百度都已经加入这场竞赛,不仅积极招募人才,还设立了各种实验室,甚至大举收购创业公司。多数业内人士似乎并不担心被自己创造出的机器或算法超越。这些企业似乎并没有创造新的思维方式,只是去掉了原有的一些模式,通过自动化程序完成原先只有人类才能胜任的工作,甚至让人类服从机器的指令。   在当今世界,具备上网功能的PC、平板电脑和智能手机搜集了海量数据,而不断进步的计算能力也足以快速处理这些数据,使得软件算法可以理解更多语言,识别更多图像。很多企业都注意到这类技术蕴含的巨大机遇。还有人担心这些技术会抢走人类的工作:当今的很多工作都要依靠形态识别和符号翻译等技能,倘若电脑果真能够取代人类完成这些工作——既可以是全自动解决方案,也可以通过补充技术大幅加快人类的效率——领取失业救济金的白领肯定会越来越多。   人工智能技术的繁荣迹象随处可见。去年有传言称,谷歌斥资4亿美元收购了伦敦人工智能创业公司DeepMind。这相当于从Facebook眼皮底下抢走了这家前景广阔的公司——Facebook一直都在扩容自己的人工智能研究室,还专门从纽约大学挖来了明星研究员雅恩·勒坤(Yann LeCun)。谷歌也曾经聘用过斯坦福大学人工智能专家吴恩达,但去年被百度挖走。随后,百度也在硅谷成立了自己的实验室。   芝加哥创业公司Narrative Science希望利用电脑自动撰写新闻报道(《福布斯》其实已经开始用这种技术来报道基础性的财经新闻),而Kensho则计划自动完成金融数据分析专家的部分工作。这些项目都得到了投资者的大举注资。4月13日,IBM宣布将使用沃森(Watson)机器人的一个版本来分析医疗数据,展开病情诊断——沃森曾因为在2011年的美国电视问答节目《危险边缘》中击败了两名人类选手而名声大噪。   关键解决方案 从学术领域来看,人工智能的研究历史与计算机本身一样久远。当今很多令人振奋的技术进步都源自一个名为“深度学习”的子领域,这是“机器学习”的现代变种。通过这种技术,电脑便可通过自学掌握大数据分析等技能。这种模式创造的算法能够解决人工智能研究领域面临许多的难题:通常而言,人类难以应对的任务却很容易用电脑完成,反之亦然。   在求解复杂的数学公式时,即使是最简单的电脑也比人类“聪明”得多。但在以往,就算是性能最强大的电脑也难以胜任人类轻而易举就能解决的任务,例如人脸识别、语音解码和分辨图片中的物体。   简单来说,当人类发现自己难于应对某些事情时(例如求解复杂的公式),就可以编写一系列正式规则,然后将这些规则转化成程序,即可轻而易举解决问题。但对于人类认为简单的事情,就没有必要编写这样的明确规则,或者难以编写这样的规则。   举个最简单的例子,美国最高法院大法官波特·斯图尔特(Potter Stewart)曾在1964年发现了一个规律:成年人可以轻易区分色情图片和非色情图片,但要描述他们究竟是如何区分的,却是几乎不可能完成的任务。由于难以给出法律上“滴水不漏”的定义,他最终放弃了这样的尝试,并得出了这样一个耐人寻味的结论:尽管我无法在理论上定义色情,但“只要我看到色情图片,就能分辨出来。”   目前来看,机器学习是一种很好的解决方案,当程序员无法给出明确定义时,他们便可通过自学来识别物体。不过,机器必须借助海量数据展开高强度的统计分析,才能完成这种任务。   很多系统都使用了一项名为“神经网络”的传统人工智能技术,以此来展开他们所需的统计分析。神经网络是1950年代发明的一项技术,当时的研究人员虽然并不了解智能的真正含义,但他们知道大脑的确具有这样一个结构——只不过,大脑处理信息时使用的并不是晶体管,而是神经元。如果能模拟这些神经元——这是一种高度互联且能彼此发送电信号的细长细胞——或许就可以完成某种类型的智能行为。   神经网络技术 神经元非常复杂。即使是在今天,人工智能对这种结构的模拟也只能算是东施效颦。微软人工智能研究员克里斯·毕舍普(Chris Bishop)指出,自1960年代以来,电信公司一直都在使用神经网络技术发现的回声消除算法。但在取得了早期的成功后,这种理念却逐渐丧失了吸引力。当时的计算能力限制了神经网络的规模,导致这项技术的前景无法充分体现出来。   但最近几年,由于视频游戏对图形渲染能力的需求增加,计算性能得以大幅提升,神经网络再度引人关注。早期的神经网络仅能模拟几十或几百个神经元,通常都采用单层结构。而谷歌最新采用的神经网络则能模拟数十亿个神经元,使得研究人员可以进一步推进相关技术,并采用多层结构。正是得益于这种多层互联结构,才进一步将机器学习“深化”成深度学习技术。   每一个层都负责处理不同层次的抽象分析。例如,要处理一张图片,最低级的处理层负责分析原始图像,对每个像素的亮度和色彩逐一扫描,并研究整张图片上的属性分布。下一个处理层则将这些信息分为更加抽象的类别,并识别边界、阴影等更多元素。紧随其后的分析层则会对这些边界和阴影加以分析,找出可以表示眼睛、嘴唇和耳朵的信号组合。之后,便可将这些信号组合起来判断图中有一张人脸——事实上,这套系统不仅能泛泛地识别人脸,还能在一张新的图片中识别之前见过的某张人脸。   要充分发挥这类神经网络的作用,必须首先对其进行训练。例如,要让机器自学人脸识别,就必须为其提供数千张图片的培训素材,有的包含人脸,有的则没有。每一张图片都将由人类进行标记。图片本身作为输入到系统的数据,而标签(“是人脸”或“不是人脸”)则作为输出结果。电脑的任务则是在输入数据与正确的输出结果之间建立一套统计规则。   为了实现这一目的,电脑必须逐一了解那些标记为“人脸”的图片在各个抽象层中的所有共性。一旦相关性达到一定程度,电脑便可给出可靠的标记结果,在训练素材中找出人脸照片。下一步则是让其面对各种从未见过的图片,看看之前确定的人脸识别规则能否应用于实践。 通过这种自下而上的模式,机器学习算法便可掌握在人类看来“只可意会而不可言传”的辨别能力。但这种算法长期以来都局限于非常专业的领域。要编写这样的程序,往往需要系统设计师提供各种线索,通过手工编写代码的方式手把手教会机器来处理各种任务——例如,一组代码专门处理图像,另外一组代码则专门识别声音。   另外,早期的神经网络对数据的消化能力有限。一旦超过了某个程度,再为其提供更多数据便无法进一步提升效果。现代系统所需的“手把手”指导和调整越来越少。除此之外,数据分析能力也早已今非昔比,足以应对任何数据输入规模。而由于互联网的壮大,如何获取足够的数据也不再是问题。   百度、谷歌和Facebook等大型互联网公司都通过用户采集了海量信息,包括电邮内容、搜索请求和购物历史。他们的服务器中汇集了人脸、汽车、猫咪等各种各样的物体图片。这些企业的负责人深知这类数据所蕴含的潜力,但如此庞大的数据量却令人望而却步。不过,机器绝不会“望而却步”。人们已经找到了应对信息过载问题的方案,更何况,人类在创建很多数据时已经预先添加了标签。只要辅以正确的算法,电脑便可使用这些有注释的数据自学成才,从中识别出有用的形态、规则和类别。   结果令人颇为惊讶。2014年,Facebook推出了一套名为DeepFace的算法,能够在图片中自动识别人脸,而且精确率高达97%,甚至连光照不足和半遮半掩的人脸都能成功识别。这几乎可以比肩人类的识图能力。   微软同样在大力宣传该公司为Cortana数字助理开发的物体识别软件,这款软件可以告诉用户潘布鲁克威尔斯柯基犬与卡迪根威尔士柯基犬,这两个相似度极高的犬种之间的差异(如下图所示)。有些国家已经开始将人脸识别技术应用于边境检查,而能够从视频脚本中识别人脸的系统对于警方和间谍机构而言也极具吸引力。5月5日发表的一篇报告显示,美国间谍已经开始利用声音识别软件将通话内容转换成文本,以便简化搜索流程。 纯粹的自学 然而,尽管互联网提供了庞大的数据宝藏,但却并非无穷无尽。事实上,机器学习算法赖以生存的基础是人类预先注释过的数据,但这类数据的来源却非常有限。正因如此,一场“纯自学”算法的开发大战已然打响,研究人员希望在完全没有人工帮助的情况下让电脑展开“纯粹的自学”。   这一领域已经实现了很多进展。2012年,吴恩达领导的一支谷歌团队展示了一套“纯自学”算法,在学习了数百万段YouTube视频图像后,便可对其“看到”的内容分类,包括人脸和网上随处可见的各类猫咪图片。整个过程中没有人在视频中添加“人脸”或“猫咪”标签。但在分析了海量信息后,这套算法还是可以轻而易举地通过自己掌握的统计信息对物体进行分类。   下一步则是从识别具体物体向识别许多不同物体发展。斯坦福大学的安德烈·卡帕西(Andrej Karpathy)和李菲菲(Li Fei-Fei,音译)在一篇论文总描述了一套新型计算机视觉系统,可以为某张图片的具体部分添加标签。例如,向其展示一张早餐桌,它便可以识别出桌子上的叉子、刀子、咖啡、鲜花,以及桌子本身。它甚至可以用流畅的英语生成场景描述信息(如下图所示)。但这项技术并不完美,经常会出现识别失败的情况。 谷歌等大型互联网都对这类技术表现出浓厚兴趣,因为这可能直接影响他们的利润。更好的图片分类其可以改进搜索引擎的功能,帮助其寻找用户真正想要的信息。从长期来看,这项技术还有更具革命性的用途。例如,能够分析和解读具体场景的技术不仅对机器人研究很有帮助,还有助于工业设备、无人驾驶汽车和战地机器人等新型装备在现实世界中实现完美导航。   图片归类还能对“增强现实”等技术形成促进。例如,谷歌眼镜和微软HoloLens等产品都会在现实影像的基础上叠加有用信息。旧金山Enlitic公司也希望利用图片识别技术分析X光片和核磁共振扫描结果,以检查人类医生可能忽略的问题。   另外,深度学习技术并不局限于图像识别。这其实是一种通用的形态识别技术,只要是能够提供大量数据来源的活动(例如保险公司运营和基因信息分析),都可以对其加以利用。在欧洲核子研究中心(CERN)最近举行的一项竞赛中,深度学习算法在识别亚原子微粒特征时的表现就优于物理学家亲自编写的软件——值得一提的是,前者的程序员对于这一领域的物理学知识几乎一无所知。更令人惊讶的是,还有一组研究人员编写了一套能自学《太空入侵者》游戏的算法,水平甚至超过人类玩家。 深度学习技术还能改善机器翻译水平,得益于网上的大量多语种文本资料,这一领域已经开始使用神经网络。目前任职于百度的吴恩达认为,在智能手机上引入优秀的语音识别程序,可以让很多因为文化程度有限而难以充分利用电脑的中国人,全面享受移动设备带来的便利。百度目前有10%的搜索是通过语音输入技术完成的,他相信这一比例到2020年将增至50%。   这些不同类型的人工智能技术可以组合起来,形成功能更强大的系统。例如,2014年5月,微软就在加州召开的一次会议上展示了一套同声传译电脑系统。在该公司的一位研究人员用英语演讲的同时,系统会将内容实时翻译成德语。这个套系统使用了3个人工智能程序,一个负责将声波解码成英语内容,第二个负责将英语翻译成德语,第三个再用德语朗读出来。该公司希望,他们有朝一日能在网络通话服务Skype中整合这项技术。   机器没有灵魂 利用智能手机和先进算法让教育水平较低的人享受互联网的便利,的确是好事,但这是否足以打消马斯克等人的“存在主义担忧”?形态识别和自学算法能否最终为机器赋予高于人类的智能?   很多对此忧心忡忡的人都有充分的理由。神经科学领域的研究已经延续了数十年之久,但几乎所有迹象都表明,人脑只不过是由普通原子组成的一台机器,使用了普通的自然力量,遵守了普通的自然法则。换句话说,它并不是依靠所谓的神秘“精神”运转起来的。这表明,要打造一个人工大脑,甚至是与人脑看似不同但却具备相同功能的机器,从理论上讲是完全可行的。   然而,理论归理论,实践归实践,不能完全混为一谈。目前任职于Rethink Robotics公司的人工智能先驱罗德尼·布鲁克斯(Rodney Brooks)认为,部分原因在于“智能”一词所引发的困惑。如今,电脑已经可以从事之前只有人类才能完成的事情。图像分类工具的精准度令人毛骨悚然,但它既没有目标,也没有动机,对于自己的存在也没有任何意识,只是按照枯燥的既定流程制作列表、建立模型。   另外,如果想要复制人脑的运作方式,未必非要以当今的人工智能模式为起点。人工智能借助很多类似于“蛮力”的模式来获得看似智能的反应,尽管效果比以前好了很多,但仍与真正的人类思维模式有着天壤之别。它的目的并不是建立一套可以模仿生物思维方式的系统。正如另一位人工智能先驱艾滋格尔·迪杰克斯特拉(Edsger Dijkstra)所说,问“电脑会不会思考”就好比问“潜水艇会不会游泳”。   推动社会进步 事实上,只要了解一下愚弄人工智能程序的方式,便可充分明白个中缘由。去年6月在一次计算机视觉大会上发表的论文表明,很多视错觉图片都可以愚弄图形识别算法(如下图所示)。这些内容都充分表明,电脑算法只能机械地匹配各种形态,但整个过程却完全不考虑任何背景信息。在算法眼中,物体并不是物体,只是一组具备某些特性的形态,这就使之很容易陷入类似的陷阱。某些情况下,在人类看来毫无意义的电视静电图像,却会被神经网络识别为具体的物体。 这并不是说人工智能领域的进步无法达成令人满意的结果。与之前的几波科技创新不同,很多中产阶级可能也会非常青睐这类技术。以微软的同声传译技术为例,虽然它远算不上完美,也没有人会将机器翻译的结果误认为是专业翻译人员提供的服务,但却足以帮助人们理解对方的大意。不仅如此,使用这种技术的成本也远低于专业翻译人员。因此,这种算法可以通过成本低廉的方式造福很多Skype用户。这或许对译者不利,但对其他人来说,确实是一大福音。况且,微软还会不断改进程序执行效果。   有人担心人工智能取代很多白领工作,就像机器设备在工业革命中取代了很多蓝领工作一样。这一点的确值得重视,例如Narrative Science的财经新闻撰稿程序和Kensho的金融数据分析程序,类似的例子不胜枚举。   Kensho的系统是为了解读各种自然语言搜索请求,例如:“如果油价每桶下跌5美元,汽车公司的股价将会怎样?”之后,该系统便会搜索各种财务报告、公司文件、历史数据,并在几秒钟内用自然语言提供答案。该公司还计划将软件提供给大型银行和金融交易商。例如,法国Yseop公司就使用Kensho提供的软件来分析各种请求,然后筛选各种数据,最快能在一秒钟内用英语、西班牙语、法语和德语制作出3000页的报告。欧莱雅和VetOnline.com的公司也已经在各自的网站上使用该系统来提供客户支持。   事实上,这种担忧不仅存在于理论层面,一些白领工作已经逐步被及其取代。例如,很多公司都在使用电脑来接听电话。尽管功能存在局限,而且需要通过人工来解答一些电脑无法理解的问题,但的确可以大幅降低人工成本。要预测具体受此影响的工作是件非常复杂的事情,但牛津大学马丁学院却在2013年发表了一篇论文,认为美国统计人员追踪的半数职业都会受到影响。这令很多人颇感担忧。   但有弊必有利。价格低廉的自动化技术肯定大有用途。例如,用不知疲倦、快如闪电的电脑来检查医疗图像将会为医务人员提供很大帮助。看待人工智能的最佳方式,或许是将其视作一种加强人类大脑功能的技术。一如纸张提供了便携、可靠的记忆,算盘辅助了心算能力,人工智能同样是对人类现有能力的一种良性补充。   正如印刷机让抄录员下岗一样,高性能的人工智能技术也会令一些人失业。但那些无法被其取代的技术同样可以得到改进,让所有人都能获得原本只有少数人才能掌握的技能。如今,只要你随身携带一部智能手机,就相当于在口袋里放了一台庞大的老式计算机,只需要定时为其充电即可。未来,译员和医生或许也可以“随叫随到”。   另外,尽管马斯克和瑞斯等人仍然忧心忡忡,但电脑智能的提升仍将成为一项真正具有革命意义的技术。有朝一日,机器或许的确可以具备与人脑比肩的全面智能。但目前看来,与其担心电脑是否会统治世界,倒不如先想想自己的工作是否会被电脑取代。(长歌)    
    人工智能
    2015年05月18日
  • 人工智能
    EverString:一个电话引爆的企业级应用 文 | 沈凌莉  来源:创业邦   “我们的客户都是公司的销售和总监。他们以往用到的服务,一般能够帮他们把销售转化率提升20%左右;我们可以提升到300%。”EverString的创始人杨文杰说。     EverString是大数据分析类的公司。但在业务上,它现在的应用场景跟最初有很大的差别。最初,它专注于金融投资行业,但业务很快遇到了瓶颈。是客户的一个电话,让他们突破瓶颈,发现了新大陆。     把人工智能带入企业级应用   EverString做的是典型的B2B型业务,面向公司的销售和市场部门,可以精准地筛选出公司的潜在用户,帮助销售减少寻找潜在用户的机会成本,提高客户转化率,另外,还可以帮助企业精准地寻找到新客户。     “我们只分析公司,不分析个人。”杨文杰说。EverString分析的公司数据,一端是EverString的企业客户内部的数据,一端则是这些客户企业的潜在企业客户的数据。前者由客户企业提供,后者则通过挖掘全网在线企业数据和购买而来。     结合这两部分数据,系统通过机器学习自动建立客户模型,首先分析企业现有客户,然后再利用模型在全美国寻找最像企业现有客户的潜在客户。并且,整个建模过程都是全自动的,无须任何人工介入。     EverString目前主要应用在北美市场。企业客户只需要像登录微信、QQ一样登录在Everstring上的账号,将自己的CRM系统(客户关系管理系统)与Everstring的引擎连接就可以了,剩下的事就可以交给系统了。     潜在客户企业方面,杨文杰介绍,EverString目前已经积累了美国近700万家企业画像数据。它构建了一个智能爬虫搜索分析全网的企业网站,利用自然语言分析、非监督机器学习将其分解成产品页面、招聘页面、团队介绍页面等等,从这个页面当中挖掘具体的信息,然后把这个信息放到机器学习的模型当中去。基于一些简单的变量做一些预测已经是行业中大家都在使用的技术。但EverString是利用非结构化的文本做机器学习,同时实时地分析上十万到百万个变量。     这个预测分析过程每分每秒都在进行。杨文杰介绍,EverString到目前为止已经为56家客户公司构建了他们的企业模型,平均的转化率提升超过了3.8倍。现在EverString的客户当中已经有5家世界500强,还有很多是美国高速成长的公司,其中一家企业在使用EverString两个月内销售收入翻了一倍。基于此,EverString从上线以来,短短6个月时间,实际入账的销售收入超过了百万美金,预计到2015年底年费收入将超过700万美金。     一个电话引发的爆发   美国整个B2B市场营销行业在2014年的市场规模是360亿美金。可是EverString最终找到这条路,却看似源于一个偶然。     杨文杰曾任职摩根大通投资银行分析师、美国大型私募基金投资经理。在硅谷做投资的时候,他受到一个投资理念的启发,就是挖掘那些别人都听说过的公司。那时,他开始尝试用机器学习和自然语言分析去追踪分析美国近400多万个企业网址,探索其中关于公司的成长信号的内容,譬如公司正在招聘什么人等信息。     这个方法成功地帮杨文杰找到了好几家潜在投资对象。他很快决定辞职创业,把这个技术能力扩散出去。他打电话给自己在上海交通大学数学系的校友汪超——两人在大学时就是创业搭档——汪超很快接受了杨文杰的建议,两人打造出了EverString的雏形。     后来,借在斯坦福念MBA的机会,杨文杰结识了很多斯坦福的博士,于是招兵买马,建立了一个涵盖自然语言分析、神经网络、数据挖掘人才的团队。     从杨文杰自己的经验出发,EverString技术最初的应用方向是针对金融行业,帮助他们分析潜在投资对象。     但产品开发出来之后,EverString团队很快就遇到了一个瓶颈,那就是EverString针对金融投资行业的业务很难做大。因为EverString服务的金融公司们的潜在投资公司有很大的重合度,所以每一家公司对EverString服务的使用就具有很强的排他性。那时,EverString刚刚从红杉、IDG、真格基金那里融完了第一轮160万美元资金,花了一年时间搭建起了理想中的团队。他们试图找一个新的应用场景。     转机出现在一个电话里。美国一家杀毒软件公司的市场总监打来电话,询问EverString的数据分析产品能否用在市场营销中,帮助寻找潜在客户。杨文杰和汪超之前没考虑到这个问题,但既然有人互动提出需求,他们决定做一下尝试。           尝试给出了惊喜的效果。他们发现,在营销行业帮助企业分析下一个客户,与对投行的分析方法是一样的。而且,有一个好处是,每家公司针对的客户差异性很大。这家打来电话的公司获得了意想不到的好效果,客户转化率提高了将近2倍多。这让EverString整个团队都感到非常意外。2014年1月初,EverString团队正式决定100%地全力投入到市场营销市场。   EverString的这个转折使它的价值迅速体现出来。他们才做了三个月,就收到两家大企业的收购邀约。6个月之后,2014年6月,EverString拿到1200万美金A轮融资,这是目前美国大数据预测分析行业最大的一轮融资。投资方除了国内的红杉资本、IDG之外,还有真格基金和美国光速资本。   EverString目前的客户主要分布在高科技、电信和保险三个行业。“我们能做好这三个行业已经够了。在美国,他们每年花在B2B找客户上面的就达到360亿美金了。”杨文杰说。   目前,EverString在硅谷和北京都设立了数据科学和工程研发团队。“我们的业务扩展速度目前主要取决于我们的团队规模。”杨文杰说。中国目前有4000多万的中小企业,EverString在北京设立团队,就是希望能逐渐向中国的企业智能市场扩展。    
    人工智能
    2015年04月21日