先想象一个场景：
你买了辆车 ，开了5年 。5年过去 ，你的驾驶技术越来越熟练，可车还是那辆车 。它不会因为你开得更多就变得更好 ，相反 ，零件会磨损，动力会下降，漆面会老化 ，故障隐患也会越来越多。你积累的那些经验 ，比如雨天怎么刹车 、山路怎么过弯，都留在了你的脑子里 ，和这辆车没有关系 。
过去几百年 ，我们熟悉的世界一直是这个样子：几乎所有东西都会越用越旧 。但现在，人工智能（AI）打破了这个惯例——它越用越强。
还是回到车的例子。
自动驾驶汽车为什么不一样？它和传统汽车最大的不同在于 ，车卖出去之后 ，并没有停止“成长 ” 。每辆自动驾驶汽车在真实道路上跑过的路，遇到的复杂路况 、极端天气和异常情况 ，都会变成数据反馈给系统 ，用来训练模型、优化策略 。也就是说，你每开一次车 ，不只是在用车 ，也是在帮自动驾驶系统变得更聪明。
阿里巴巴集团前总参谋长曾鸣在其新著《智能：AI时代的商业 、组织与战略的本质》中，将这种机制称为“智能复利 ” 。其含义是，一个系统干的活越多 ，见过的场景就越多 ，获得的反馈也会越多 。这些反馈会持续优化系统，让它的能力不断变强。系统越强 ，越能处理更复杂的任务 ，也能获得质量更高的反馈 。这个循环一旦跑起来，系统能力就会像复利一样打着滚儿往上翻 。
在曾鸣看来 ，这正是AI时代最重要的底层机制之一。工业时代有规模经济 ，规模越大，成本越低；互联网时代有网络效应 ，使用的人越多 ，网络越有价值；到了AI时代，对应的就是智能复利：用得越多 ，系统就越强——过去 ，增长常常只是结果；现在，增长本身也成了动力 。
不过，在现实生活中 ，能收获智能复利的企业并不多 。问题发生在哪里？
曾鸣的回答是 ，很多AI只是在干活，并没有真正为结果负责。
以AI客服为例 ，近来 国内外大量直接面对终端用户的平台类企业都上线了AI客服 。对于订单查询 、物流状态、退款规则这类标准问题 ，AI客服通常能处理得非常好；可一旦遇到复杂情况，尤其是当用户带着情绪来沟通时 ，AI的表现大多不尽如人意 。此时 ，许多AI会直接向客户提供一个新选项，“是否转接人工客服”——这正是大多数企业的处理方法：安排真人在AI旁边盯着 ，随时检查、纠正 ，必要的时候甚至直接接管。换句话说，看起来是AI在处理任务 ，但真正兜底的还是人。
对于企业而言 ，这种情况当然无可厚非 。在培育系统与服务客户之间，后者显然更加重要 。但从AI本身的进化以及企业长期前景来看，这个选取 会带来两大问题。其一 ，服务体量很难做大 ，因为每个任务都需要人盯着，AI做得越多 ，需要耗费在“看管AI ”上的人就越多 。其二 ，也是更严重的问题在于，AI拿不到完整 、真实的反馈 。它得到的 ，往往是被人工筛选 、修改的结果。它没有机会从头到尾跟进项目是怎么出错的 ，用户真实反应是什么，最终结果又是怎样发生的 。如果“行动—结果—反馈 ”这个闭环断掉 ，智能复利就无法真正运转起来 。
曾鸣认为 ，要实现“智能复利”，关键在于AI能不能从“让人替它兜底”走向“它为自己兜底 ”。这也是企业搭建智能系统时最难迈过去的坎儿 。只有当企业敢把一部分结果责任交给系统 ，系统才有可能形成自己跑起来的完整任务闭环 。
（文章来源：经济日报）
