引言
中美作为世界上规模最大的两个经济体，两者在数字经济以及劳动力结构上的差异十分耐人寻味。美国在过去若干年经济增速放缓，但科技迅猛发展有目共睹，特别是在数字经济核心技术方面具有绝对优势。要知道核心技术从来都不是一蹴而就的，即使我们举国体制推动，往往需要数十年甚至好几代科学家的积累，加上科学社群自带外部性，在短期内还是很难撼动美国在数字经济领域的领先地位。不过，美国不是在数字经济所有方面都具有优势，例如在电子商务以及数字金融等平台经济的应用层面，中国体量和速度均远超美国。根据国家统计局电子商务交易平台调查显示，2019年中国电子商务交易额为34.81万亿元(5.1万亿美元)，是美国的8.4倍。从增速来看，2011年至2020年，中国电商平台交易规模年复合增长率为23.3%，远高于美国的14.7%;中国的移动支付规模则是美国的6倍。这得益于中国在数字经济的商业应用上应用场景多、市场规模大。更值得一提的是，中国监管层开始普遍理解创新土壤的重要性，对新业态拥有更大的宽容度，并提供了良好创新创业政策制度环境。
近年来，中国在创新发展过程中，也遇到了一些新的问题，如新生人口断崖式下跌、人口老龄化日趋严重、劳动力供给下降问题日益突出等。在此背景下，中国数字经济如何实现“弯道超车”，这成为政府、学界乃至业界高层口中经常提到的一个话题。目前流行的观点认为，破题路径之一在于发展人工智能的应用。但问题并没那么简单。就中美对比来看，美国幅员辽阔，人口绝对数量和密度都比较低，在资本的驱动下，人工智能技术的应用更倾向于替代劳动力。中国则相反，中国劳动力成本较低、人口密集度较高，基于资源禀赋的差异，其结果必然是，人工智能技术的应用更多呈现机器赋能人、劳动友好型特征。可见，无论是机器替代人，还是机器赋能人，都有利于减缓老龄化对经济增长的负面影响，但内涵有很大不同。
通过技术转移、直接采购或研发人工智能技术提升生产力(例如人脸识别、语音识别、医学影像诊断等)肯定是非常必要的，这可能是个最直接的推演结论，但也是个最容易让人工智能企业陷入“财务黑洞”的结论，因为这在市场竞争中会被推进“军备竞赛”的怪圈。那么，究竟人工智能企业需要具备什么样的资金实力和科研人才队伍，才能够在激烈的竞争中实现突围?即使企业具备足够的资金和人才实力，技术采纳的成本如何被后期的收益摊销?最终能赢的往往是拥有巨量资金的企业，这对于很多希望拥抱人工智能技术的创业企业来说都是个战略误区。因此，中国企业家尤其是创业企业家不得不再次发问，在数字经济背景下，我们的人工智能技术到底“用在哪里”?
替代“大脑”，还是替代“肢体”?
诺贝尔奖获得者科斯曾提出“企业为什么存在”的终极问题，并指出一个组织能否形成的关键，在于业务纳入实体的成本低于业务对外采购的成本。因此，很多传统企业往往会追求企业规模的增长。规模的增长本是好事，但一旦管理成本超过由此带来的回报，反而成为企业成长的“魔咒”。传统服务型企业就很容易陷入这种“统一”“高效”和“低成本”的不可能三角。随着公司规模的增长，管理成本呈指数式上扬，尤其对于非标业务，要么从上至下靠刚性规则“照章办事”，导致官僚风气蔓延;要么在企业文化价值观层面追求员工自我激励，力争规避制度层面的“成长黑洞”;再要么管理跟不上，服务质量降低，给用户留下“某某公司业务做大之后，服务质量明显下降了”的印象，牺牲用户体验，为竞争对手留下可趁之机，最终带来灾难性后果。
这真是个巨大的挑战。
破题之一在技术突破。一个实体组织形成必然意味着管理成本，管理成本问题若能被人工智能等技术破解，那么企业增长就有了新的理由，更容易推进企业品牌统一管理和服务标准化工作。
实践方面，互联网发展20多年，不断往纵深发展，催生了无数新的商业模式。有一个很明显的趋势，互联网赢者通吃规律也开始或多或少在“互联网+”业务中出现，一些业务同质化的平台通过激烈的市场竞争，最终走向合纵连横，形成少数大型的平台。这些大平台要想降低运营成本，提升快速响应能力和实现更高的成长性，显然不可能依靠传统的管理手段，所以现代企业主动或被动地开始了数字化、信息化乃至智能化的升级。其中有一类典型的平台，并未考虑在执行层用人工智能替代劳动力成本相对偏低的人，而是在管理层充分使用人工智能技术，去驱动执行层的“个人”，也即“平台+个人”模式。
相关期刊推荐：《广东科技》(半月刊)创于1992年，是由广东省科技厅主管、广东省科技情报研究所主办的综合性科技刊物，国内外公开发行的广东省唯一综合性省级科技刊物，是反映广东省科技与经济发展的窗口。主要栏目有：专题、政界、商界、学界、投资融资、科技管理、科技人文、政策研究、管理创新、经济论坛、电力建设、水利建设、交通建设、建筑施工、地质·勘察·测绘、农·林·牧·渔、装备制造、人才与教育、信息化研究、能源环保。
“平台+个人”模式具有算法驱动劳动力的特点。企业运转很大程度依赖人工智能，好比一个人类的大脑指挥肢体动作一样，驱动着大量的地面劳动力将飘在空中的服务落地。例如，在网约车行业中，司机一旦在app端启动服务，剩下的事情就全交给了后台：派单，路线指引，接上乘客，路线指引，服务完成，再派单……简单一句话来说，用人工智能做“大脑”，而不是“肢体”和“感官”。末端的“肢体”和“感官”的行为完全依赖后台算法指引，几乎不用动脑，所有“动脑”环节都被挪到了后台，这意味着大量降低了早期培训和管理成本。而在app的另一端，高并发的订单以及超大规模的城市位置计算和人车匹配问题，7×24小时不间断运行，已经远远超出调度人员的体力、智力和经验能胜任的范畴，这对传统出租车公司来说是一项破坏性的挑战。美团骑手也是一样，读者很容易类比得到结论。
从微观经济学角度，该模式还有更大的意义，那就是每增加一个“肢体”，后台管理的边际成本近乎为零，实现了服务的高度“可复制”，成功解除了服务型企业成长性的“镣铐”，大象终于可以跳起Disco。
综上，我们提出一个新概念——“企业大脑”。我们将其定义为使用大数据及人工智能算法驱动主营业务执行的企业信息系统。与对业务进行被动数字化“记录”的传统企业信息系统相比，企业大脑通常借助积累的大数据模型以及人工智能算法进行预测、决策，乃至主动地对执行层的人力、设备等资源发出指令并引导执行全过程。平台经济是数字经济的经典模式，而企业大脑作为平台的神经中枢，将专业业务知识在云端编码，并在执行过程中不断迭代升级，最终达到专业人士难以企及的智能化水平和高效率，见图1。
算法如何驱动商业世界
让我们来看看经典管理学教材中常见的金字塔及人工智能时代管理金字塔的演变。
经典的管理金字塔(见图2a)分为决策层(高级思维活动)、管理层(基于规则的经验型思维活动)和执行层(简单思维或体力活动)三个层次。决策层关心的是企业战略层面的内容，工作内容高度非结构化，不确定性也非常高，基本上不存在系统边界。这样的高级思维活动并不是目前水平的人工智能能够替代的;管理层负责将决策层的战略措施具体化为若干“看得见、摸得着”的行为，对于具体部门的负责人岗位一般来说需要基于规则，存在工作边界，同时也大量依赖于经验，例如给本部门人员排班、调度资源等;执行层一般是体力劳动或者简单思维活动，例如超市收银员、网约车司机等角色，这样的角色由于服务落实到线下环境，场景复杂多变，仍然不可能完全抛弃人力，但基本上工作内容边界非常清晰，即使有脑力劳动，也是相对简单的经验性工作。
基于人工智能时代的金字塔悄然发生了一些变化(见图2b),分为决策层(高级思维活动)、AI(即企业大脑，替代经验型思维活动)和执行层(简单思维或体力活动)。其中决策层的工作内容并没有发生本质的变化，而执行层，早年经过人工派遣去处理(难以用信息化手段或机器人)完成地面业务，而如今地面业务可以保持不变，只不过接收的指令更多来自于算法。也就是说中间曾原负责资源调度的管理者角色，开始被AI替代或部分替代，尤其是“基于规则，依赖经验”这样的思维活动。
滴滴出行是算法驱动业务应用于现实生活的典型例子。前面提过，由于巨大的运算量等原因，在网约车行业，负责调度的中间业务层不再需要依赖人工，而是通过使用人工智能算法自动响应高并发的需求，给出订单以及响应的路线指引。而作为执行层的司机，从接收订单开始到订单服务结束，都在后台指引中完成。美团骑手模式与网约车类似，骑手在从登录app并启动服务开始，一举一动均由后台发出指引，包括接单、路线、送餐路线、送餐完成，接单……后台的调度在无数样本的训练中越来越聪明，越来越高效。而这些工作的效率从一开始远不如人工调度到慢慢超越，时间周期越来越短。其管理金字塔分为决策层(高级思维活动)、AI(替代经验型思维活动)和司机(执行订单及路线指引)三个层次(见图2c)。
企业应用案例
上述例子都是面向生活领域的大型企业案例，所以为人所熟知。但算法驱动业务，并不仅仅是大型企业的专利，许多中小企业也开始积极拥抱人工智能，与时俱进地利用人工智能技术促进企业更快更好地发展。
案例1：快消品业务员支持系统案例
公司目前来自客户的智能化需求年增长率为113%，公司期望通过搭建人工智能平台，将大量重复性的简单脑力劳动如企业流程审批、订单预测、图片核对、费用核算等实现自动化办公。
平台搭建的关键是在系统中应用用户请求及企业响应建模技术。基本思路是将行业应用系统进行数据流建模，并在部分模块中应用用户请求及企业响应建模技术，将数据建模作为输入进入深度神经网络训练，经过训练的深度神经网络截流用户请求在可行的情况下作出智能响应。上述技术结合移动视觉理解以及大数据平台的业务逻辑提取，应用在业务员使用的移动系统中。具体应用于终端推荐和陈列方案调整两个场景。
平台搭建好后，将一部分频繁使用的管理决策用AI替代。在执行层，业务员每日登录，由系统根据销售预测和其他基础信息智能生成详细的门店拜访计划，包括门店分布和路线、是否需要带货上门等。正如美团骑手一样，全过程由后台发出指令引导业务员完成，而不再需要额外地思考。应用具体场景有货架、端架、冰柜、堆头、堆箱场景识别及决策以及业务员人脸识别等。在陈列分析场景下，系统将频繁使用的陈列分析及调整功能采用智能相应算法，实时提供陈列预警和调整建议，将以往的决策周期缩短了2～3天。
(1)智能终端推荐
终端门店业绩参差不齐，对终端门店根据其订单、拜访次数、陈列数据等数据指标情况进行评级，将评级较高的门店的样本点聚类在一起，进而计算离群点到聚心的距离，得到该门店每项指标怎么调整才能向评级较高的门店靠拢。其应用创新在于可以向“做得好的门店学习”，并给出清晰的动作指引。通过建立全国终端大数据平台，管理者根据企业数据，为业务员提供终端门店开拓支撑，帮助业务员和管理者快速发现未拓展的终端，进而占领更多终端市场门店。
(2)智能陈列调整
在以往的拜访模块，业务员通过移动端拍摄采集陈列照片，上传到后台，然后主管通过后台管理查看审核陈列照片，对比分析陈列数据，进而制定陈列调整方案，最后将陈列调整方案下达到业务员，让业务员在下次拜访时根据调整方案对终端的陈列铺货进行调整(见图3a)。这种模式下，陈列方案从形成到下达执行的过程中，需要经过多次的上下级的信息传输及沟通，时间成本和沟通成本较大，陈列调整方案的时效性及机动性较差。切入智能响应算法后，智能陈列调整在移动视觉理解的基础上进行，通过移动视觉理解实时得到当前终端的陈列信息，并将识别后的结果通过响应算法，实时地给出当前终端的陈列调整方案的建议，并以短信的形式将建议发送到对应的业务员(见图3b)。案例2：呼叫中心营销大脑案例在呼叫中心这个例子中(见图4)，管理分为决策层(高级思维活动)、AI(替代经验型思维活动)和销售或客服坐席《外呼名单及个性化脚本》三个层次。坐席每天登录后就拿到一份外呼名单，以及针对具体每个客户的个性化脚本。这份外呼名单根据大数据模型评估得到，并与坐席以往的能力高度匹配。应用在“与众不同”营销大脑，基于同样的做法，在对话过程中逐步细化对方隐含需求并提供指引，帮助商家销售客服实现整体转化率提升33.6%，尤其是新销售转化率提升4.5%，销售能力接近多年经验的销售经理，同时销售新手的培训时间从三个月下降到两周。
企业大脑的应用范围非常广泛，上述的例子都来自于“互联网+生活”，而在生产制造领域，考虑到中国制造巨大的体量以及中国制造效率还有巨大的提升空间，其实际应用意义更为重大，只不过企业大脑在生产制造领域的应用需要优先实现生产设备的智能化升级，只有工业互联网广泛普及、相关设备运转信息能够充分实时被(大脑)感知，智能决策才有可能发生。——论文作者：汤胤郑友亮黄书强闭思成
