Research and Markets 估计，到 2021 年，全球信息技术的年销售额达到近 8.4 万亿美元。在这个水平上，IT 销售额仅占全球年度国内生产总值 (GDP) 估计总额的不到 9%。

全球 IT 销售额趋于每年增长约 6.6%。为便于讨论，我们假设从 2022 年到 2030 年，IT 销售额的年均增长率为 6.6%。这一假设包括该时期全球 GDP 年均增长率略高于 3.0%。


早在 2018 年，普华永道在英国的经济学家就曾预测如下：

到2030 年，人工智能可为全球经济贡献高达15.7 万亿美元，超过目前中国和印度的产出总和。其中，6.6 万亿美元可能来自生产力提高，9.1 万亿美元可能来自消费副作用。

简而言之，经济学家们的最佳情况是，全球经济将有效和高效地利用“人工智能”，逐年逐年普及。

以下是我认为到 2030 年人工智能极不可能达到这种潜在全球经济影响水平的五个原因：

组织变革将继续滞后于技术创新。结果已经并将继续是相当大的技能与需求不匹配。当前的大部分劳动力没有得到充分利用，因为他们可以带来的技能被低估或未被注意到。
当涉及到对技术和组织变革的积极主动和积极进取时，除了一些明显的例外，领导力往往是被动和短视的。
可能为人工智能发展做出贡献的部落没有关注彼此的贡献，也没有关注使用数据构建逻辑一致的上下文的需要。（参见https://www.datasciencecentral.c ... computing-metaphor/和 Pedro Domingo 的主算法。）
系统思维是事后才想到的，那些认为区块链本身就是信任推动者的人就证明了这一点。似乎只有一小部分贡献者是从系统层面的角度来了解的。但如果没有系统的视角，人工智能的发展往往会迷失在肚脐眼中，或者绕圈子，而不是朝着有利的方向发展。
大多数组织对自己的数据和知识生命周期管理的未来能力投资严重不足。数据和保留上下文和情境意义的逻辑并不是他们需要的优先事项。
以发散思维畅想未来
关于如何最好地利用“人工智能”的对话中似乎缺少的一件事是发散性思维。我的一位前老板有临床心理学背景，曾在斯坦福研究所 (SRI) 担任研究员。

老板（拥有很大的自主权）作为我们新成立的小组的负责人所做的第一件事就是将每个项目的研究部分分为两个阶段——发散研究和收敛研究。发散阶段，即研究的第一阶段，纯粹是探索性的。我们打算把各种石头都翻过来先发现，没有先入为主。然后，收敛阶段将专注于似乎已确定的最富有成效的路径。

让我举一个例子来说明这种方法的有效性。在我们的团队于 2000 年代中期成立几年后，我们计划了一个项目来揭示商业智能 (BI) 领域正在发生的真正新颖和不同的事情。我们正在寻找新的见解。

发散思维示例：BI
首先考虑历史上 IT 市场研究是如何进行的。如果他们正在研究商业智能，许多主流市场研究公司会查看现有的商业智能软件安装基础，找出现有供应商在他们的产品路线图上的内容，确定安装基础，审查新的竞争，并比较竞争对手的内容正在按照现任者的计划行事。

然后做一个预测。换句话说，主流研究公司一开始就认为主流 BI 软件已经走上了最富有成效的道路。该假设隐含着对增量变化的明显偏见——路径或多或少是线性的，因此过去可以很好地预测未来。

我们做了什么不同的事情？首先，我们尝试提出更好的问题并进行根本原因分析。我们想知道商业智能中最大的问题是什么？我们早期的探索性采访之一是与 Cycorp 的 Doug Lenat。Doug 将 BI 的一个大问题描述为“醉汉在灯柱下寻找钥匙”的问题。

正如故事所说，醉汉晚上在雪地里，跪在灯柱附近，寻找钥匙。有些人过来问他在做什么，他告诉他们。“你把钥匙丢在哪里了？” 有人问他。“在那边，”醉汉说，指着一个远离他正在寻找的地方。“那你为什么看这里？” 别人问。“因为这里是光明所在，”醉汉回答。

几十年来，BI 软件提供商只关注表格类型的结构化数据。这种形式的数据难以集成和上下文化——请注意数据仓库的问题以及大多数数据仓库是如何失败的。

但几十年来，Lenat 一直是语义数据集成的主要倡导者——将许多数据源的异构源作为一个集成的、可查询的知识库整合在一起。从商业智能的角度来看，理论上，Cycorp 方法更可能对根本原因分析和更相关的问题回答有用。

出于这个原因，我们决定集中研究来自 BI 上下文的语义网络技术。

外卖：三思而后行
13年后，我仍然认为我们当时所做的研究方向是正确的。事实上，知识图谱的思想是一种流行的思想。但现在令人沮丧的是，即便如此，如此多的组织仍然在精神上回到了 2000 年代，因为对于数据集成、管理和为商业智能建立更好基础的替代方案的认识是如此之低。那些有预算的人和为他们提供建议的人经常误导人工智能投资的去向。

编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选