近些年，由于數據收集和整合、算法以及計算機處理能力的進步，使得科學家和工程師在開發人工智能（AI）方面取得了長足的進步。突然之間，機器已經能夠完成那些曾經需要具備人類認知能力才能完成的任務。而在過去，計算機只能執行那些已經編寫好的固定程序。而現在，人們可以提供一個可供計算機學習的通用策略，使它們能夠在無需被重新編程的情況下處理新的數據。目前，許多類似這樣的“機器學習”系統已經投入商業使用。在金融、醫療保健和交通等領域，“機器學習”系統的應用越來越廣泛。這些體系已經開始在十個東盟（東南亞國家聯盟，英文名稱 ASEAN）國家產生影響。

人工智能開發的兩個全球主要中心是美國和中國。美國已經率先開發出許多應用程序，中國仍位居第二，但發展勢頭迅猛。相比之下，東盟國家處于落后地位，但其每個成員國在人工智能方面都有一些進展。其中，新加坡的研究成果最豐富，而在馬來西亞和越南等地，也能看到一些早期成果，這非常令人鼓舞。盡管人工智能工具正在被在交通、金融服務、醫療保健和媒體等行業采用，但科技行業仍然處于發展的最前沿。

由于人工智能技術能夠顯著提高生產率，它可能會對東南亞地區的經濟以及那里的工人產生破壞性影響。之前發布的MGI研究估計，目前已有的人工智能技術有可能使東盟四大經濟體現有工作活動的一半走向自動化：印度尼西亞（52％），馬來西亞（51％），菲律賓（48％）和泰國（55％）。這些工作目前產生的工資超過9000億美元。

然而，值得注意的是，技術可行性并非是影響工作崗位自動化的唯一因素。企業還將考慮購買和實施技術的成本、勞動力市場動態、商業利益、監管以及社會認可等因素。但似乎許多現有工作的性質都將發生改變，并且越來越多的工作需要與機器進行互動，為此東南亞地區將需要發展新型的勞動力技能。

如果以正確的方式利用AI技術，就有可能為東盟國家帶來積極的社會影響。例如，機器學習創新可以改善信用模型，增強金融包容性。人工智能解決方案能夠提供新型預防性醫療和遠程醫療，協助疾病診斷，還可以加快新藥的開發。自適應學習算法可以在實現虛擬教育和個性化教學中發揮作用。為了實現這些用途，東南亞的大部分地區將需要建立基礎的數字設施和數據生態系統。

對于東盟的大多數企業來說，它們都將需要對其管理文化做出根本性的改變，包括采用數據驅動的決策方式；其中最重要的是，與專業公司建立創新的合作關系，孵化人工智能領域所需的稀缺技能。此外，企業需要優先投入資金和人力，制定出加強數據基礎設施建設的有效方法。

盡管市場將成為人工智能發展和普及的推動力量，但政府仍需要發揮關鍵作用，為整個社會帶來好處。綜上所述，共有三個重點事項：建立支持人工智能發展和普及的區域政策框架；發展人工智能人才，并鼓勵地方層面的使用；將公共輿論聚焦于人工智能有助于實現包容性增長、帶來積極的社會影響。

圖：人工智能全球性投資正急速增長

圖：人工智能技術給東南亞地區帶來眾多機遇

人工智能技術得到大規模應用后將帶來的潛在社會效益：第一是機器學習創新可以改善信用模型，增強金融包容性；第二是人工智能解決方案能夠提供新型預防性醫療和遠程醫療，協助疾病診斷，還可以加快新藥的開發；第三是自適應學習算法可以在實現虛擬教育和個性化教學中發揮作用。

圖：在公司內部采用人工智能的五項基本要素

一、對人工智能未來的展望

人工智能（AI）指的是機器展現類人智慧的能力。例如，在不需要詳細的、人工開發的軟件輔助的情況下解決問題的能力。通過查閱大量的模式數據集，機器可以“學習”執行任務，比如識別圖像、識別語音、識別文本中的相關信息、整合信息、得出結論和作出預測。隨著人工智能技術的迅猛發展，其實用性也在越來越多的領域得到了提升。

人們對于人工智能的組成結構并沒有普遍一致的定義。目前這個領域正在快速發展，開發者經常將現有的各種技術結合起來，以解決特定的問題。因此，“人工智能”這個術語涵蓋了廣泛的技術和應用程序，其中一些是較早技術的擴展（如機器學習），其余的則是其它一些全新的技術。事實上，并不存在被人們普遍接受的“智能”理論，人工智能的定義也隨著人們對當前進展的認識而不斷改變。盡管人們對于如何在這個領域劃定界限存在分歧，但有一件事是有廣泛共識的：人工智能將帶來下一波數字顛覆浪潮。

人工智能以及它帶來的就業機會

人們越來越認識到（并且為之焦慮），人工智能可能會對勞動力市場產生破壞性影響。之前發布的MGI研究項目表明，目前幾乎一半的工作活動都有實現自動化的可能，這一點可以通過調整現有的技術來實現。目前60%的職業中30%的活動都可以通過自動化技術來實現（見圖表1）。由于自動化的應用是在任務級別上，人工智能似乎會改變越來越多的職業，但不會徹底消除它們。這可能會對東南亞地區對某些勞動力技能的需求產生深遠影響，并可能加劇勞動力市場的動蕩。

圖表1：雖然幾乎沒有什么職業能夠實現完全自動化，但當前60%的職業中都包含至少30%可以通過自動化技術來完成的活動。5%的職業可100%由自動化完成，大約60%的職業包含至少有30%可由自動化完成的工作。

那些工作內容中包含大量的數據收集、處理或固定程序的職業將會首先被波及。這些職業包括食品加工、辦公室管理和工廠化生產。這對勞動力市場的影響可能是巨大的。在東南亞，MGI發現，目前已有的技術可以使印度尼西亞、馬來西亞、菲律賓和泰國一半以上的工作活動實現自動化，其比例分別為52%、51%、48%和55%。這些工作目前產生的工資超過9000億美元。但這并不意味著，僅僅因為技術上可行，企業就會在一夜之間用機器取代工人。企業實現自動化的速度和范圍將取決于它們如何看待商業案例，權衡這些技術系統的成本以及易用性、勞動力市場動態、可能創造的價值、客戶體驗、自身能力、監管和社會接受度等。

由于過去曾經出現的技術中斷，人工智能有潛力大幅提升生產率，而生產率一直以來都是創造收入增長和促進經濟繁榮的關鍵。據MGI估計，假定被取代的人類勞動力可以被重新部署到仍能像2014年一樣有效率的崗位上，那么人工智能的普及每年將會給全球GDP帶來0.8%到1.4%的增長。但這個機會不僅僅是在今天提高了效率，它還為未來的增長創造出了新的途徑。在我們對“人工智能”高管的調查中，他們中的20%將勞動力成本節約作為他們采用人工智能的主要動機。但更多的人（25%）表示，他們引入人工智能是為了擴張業務。

人工智能技術正在接近一個臨界點

人們對人工智能的預期正在飆升。隨著成本的下降，計算機的計算能力正呈指數級增長，這使得企業和組織能夠在大規模數據集上運行復雜的算法。如今，對大型數據集進行操作的算法已經在圖像和語音識別等領域超越了人類自身的能力。或許最重要的是，隨著移動設備的普及，大量的新數據正在產生，這些數據反映了消費者的生活方式和服務消費方式的方方面面。事實上，世界每天都會產生大約2.2?EB（22億GB）的新數據。這些趨勢已經促成了人工智能領域的重大進步——并且這些進步已經走出實驗室，進入了真實的商業應用領域（見圖表2）。

機器學習是當前大多數人工智能用例的基矗它基于算法，這些算法通過識別大數據集合中的模式進行更新，而無需基于規則的編程來操作或得出結論。在實踐中，機器學習可用于研究項目成果，如消費者需求或公共衛生需求。它還可以優化設備維護，調整價格，調整營銷信息，以及提供個性化的零售體驗。

圖表2：由于各種有利條件的出現，人工智能的普及正達到一個臨界點。互聯設備和數據可用性（單位：十億），改進的算法和訓練方法（錯誤率，%）。

另外：與信息處理（比如計算機視覺和自然語言）和驅動技術（機器人和自動駕駛汽車）相結合，機器學習技術有可能改變我們日常生活的許多方面（見圖表3）。

圖表3：人工智能將改變我們的日常生活習慣，以提高生活質量和人類生產力。

Tuti是一位母親，她的女兒名叫Andira，她還是一家總部位于雅加達的綠色能源公司的中層經理。

（1）早上，她的虛擬助手幫助她預覽當天的計劃，其中包括：醫生給她的健康提示。確認當天晚上要送達的食品雜貨訂單。Andira的學校發送了家庭作業相關通知，以及Tuti如何基于機器學習與她互動。

（2）Tuti和Andira在乘坐無人駕駛汽車去學校的路上一起閱讀，比開車更安全、更流暢、也更快，這歸功于智能路線規劃和交通監控。

（3）在公司，Tuti是一個風力發電場的總工程師。她的虛擬助手為她提供了這個領域的最新信息。它幫助Tuti整理出當天需要優先處理的任務，因為它已經了解了Tuti在何時、如何工作是最有效率的。系統的輸出模式出現異常，將她的注意力吸引到其中一臺發電機上;但機器人能夠遠程檢查和修復它，最大限度地降低生產效率損失和安全隱患。

（4）下班后，Tuti去健身房進行快速鍛煉。虛擬助手參照Tuti的健康通知，對她的鍛煉日程提出修改建議。

（5）回到家，Tuti幫助Andira完成家庭作業，旁邊有一個虛擬家庭教師，這個家庭教師的授課內容來源于一個虛擬教師還會在指導Andira的過程中收集數據，并將其納入一個匿名的國家級數據庫，以提高印度尼西亞的整體教學質量。

雖然發生改變的速度還不確定，但變化確實在發生，而且已經開始滲透傳統的非技術行業，如制造業。例如，富士康在其中國工廠中部署了4萬臺機器人，使工廠變得不再那么勞動密集。事實上，富士康還在進一步計劃，目標是在公司內部生產1萬臺機器人，以實現其工業自動化目標。

不斷下降的成本、技術組件的模塊化特性以及用戶友好的工具和界面的開發，正迅速使人工智能成為越來越多的公司的一項可行且必要的運營資產。他們現在可以將現成的數據管理平臺連接到他們最重要的資產上，以獲得最低的前期成本。

人工智能的早期采用者將占據更多優勢

正如早期的數字技術浪潮所顯示的那樣，人工智能的早期采用者可以占據主要的競爭優勢，并隨著時間的推移繼續保持這種優勢——特別是如果他們將這種新技術視為一項關鍵的業務能力和未來的收入增長來源，而不僅僅是一種削減成本的手段。大公司在這方面做得更好，因為他們有能力對早期試驗進行投資，并通過逐漸擴大業務規模來實現更高的投資回報。

我們估計的數據顯示，2016年全球范圍內的企業在人工智能領域的投資在200億美元到300億美元之間。這既包括內部研發投入，也包括穩定的收購流量。到目前為止，阿里巴巴、亞馬遜、百度、Facebook和谷歌等科技巨頭在人工智能領域的投資總額已經超過了該領域總投資的四分之三。從2011年到2017年2月，這些公司在美國完成了55宗大型并購交易中的29宗，在中國的10宗重大交易中的9宗。

積極的投資正在幫助這些公司獲得關鍵的人才、技術和數據集，潛在地為其慢性競爭對手建立障礙。人工智能的早期采用者也得以將人工智能作為一種獨特的優勢來進軍相關行業。像Siri、Alexa或Cortana這樣的人工智能助手，可以在醫療保健等全新領域服務于應用程序，并實現一些功能的執行，比如根據個人的獨特病史推薦醫院或專家，或者實時監控慢性疾病指標。這些可能性的實現會使長期存在的行業界限變得越來越模糊。

原生的數字公司也有其獨特的優勢。他們懂得從核心業務獲得的大量、干凈的數據的價值所在。他們通常會在運營中采用敏捷的“測試并學習”的方法。他們對人工智能技術如何提升其核心業務有清晰的認識，無論是亞馬遜的Kiva機器人還是Facebook的個性化機器人。現有的傳統行業企業可以采用它們的技術，但會發現很難趕上它們。

在東盟，高科技行業（銀行業和電信業）最精通數字技術的行業參與者已經開始采取行動，但他們正在做空。東盟的許多電信運營商已開始進軍人工智能領域，以優化客戶智能，但他們在擴大業務方面遇到了困難，這往往是由于他們缺乏數據科學和商業翻譯方面的關鍵技能。在缺乏大膽干預的情況下，其他行業的參與者很可能會遇到同樣的障礙，迫使他們對專業技術提供商產生依賴。最引人注目的例子可能是IBM的Watson系統（見資料1）。

資料1：IBM沃森，世界上最著名的人工智能系統

IBM公司通過其“沃森”（Watson）超級計算機向公眾提出了人工智能的概念。“沃森”曾在美國智力問答節目《危險邊緣》中擊敗所有人類選手。從那時起，IBM就開始向各行各業的客戶展示“沃森”基于云端的預測分析能力。為了具備人類回答問題的能力，“沃森”使用8每秒80萬億次浮點運算來訪問90個服務器，這些服務器的數據存儲超過2億頁。它可以挖掘文本，對海量的非結構化數據進行復雜的分析，運行世界上最強大的搜索引擎。

“沃森”的基本認知計算技術適用于各種各樣的應用，包括以下內容：

（1）醫療保健和醫學研究：“沃森”可以處理大量的病人數據，尋找藥物研究人員可能想不到的治療方案，然后為進一步的評估提出新的假設。它的處理能力正被用于將患者與臨床試驗、診斷癌癥并確定治療方案、管理慢性病以及加快藥物研發。

（2）教育：人工智能有巨大的潛力進行個性化教學，以適應每個學生的學習風格，并確保學生在掌握當前內容的情況下，再轉向更高級的主題。“沃森”可以根據學生的人口特征、優勢和不足來提出批判性見解，從而使教師能夠制定有針對性的、動態的教學計劃。

（3）公共安全：“沃森”被部署在智能城市控制中心，以預測犯罪活動，并協助公安部門合理地分配有限的資源。它現在還可以評估對網絡威脅的抵擋能力，并采取相應的糾正措施。

（4）體育賽事分析：分析在職業體育中扮演了重要的角色，參賽者可以通過分析大量的性能指標和變量，以獲得競爭優勢。“沃森”曾被用來分析一個籃球隊的比賽，確定隊員的技能差距，并推薦誰應該被簽約，誰應該在特定的情況下上常

（5）媒體廣播：“沃森”已經能夠自動編輯視頻集錦，最近的一次是在溫布爾登，這樣的工作通常需要一個完整的內容運營團隊來完成。有了這項技術，游戲中的轉折點可以立即被捕捉，并自動在不同的社交媒體頻道上發布，從而產生更大的轟動效應。

二、人工智能（AI）給東南亞帶來的機遇和挑戰

在世界范圍內，人工智能的普及程度往往與數字化程度有關。在東盟，數字化的發展步伐正在不斷加快。2011年，只有6%的亞洲大公司在年報中提到“大數據”、“高級分析”、“人工智能”、“機器學習”和“物聯網”等術語。到2016年，這個比例已經達到了三分之一，這表明這些技術正在獲得動力，并逐漸成為戰略重點。

我們發現，在所有行業中，人工智能的早期采用者獲得的利潤率都高于他們的同行（見圖表4），尤其是在制造業、金融服務、運輸業和物流行業。為了鞏固市嘗消除競爭，大多數這些公司都將這種剩余價值給予了客戶。這種“勝者全得”的形勢進一步加劇了許多現任者所處的“數字化或者死亡（digitise or die）”的局面。

圖表4：東盟的人工智能應用創造出卓越的盈利能力和巨大的價值庫

然而，人工智能的采用并沒有實現其最大價值。前期實驗和隨后的實施需要公司對人工智能如何應用于其核心業務進行前瞻性和廣泛的觀察，而對于傳統的非科技行業的公司來說，后期的實施可能會讓人望而卻步。到目前為止，高科技、電信和金融服務公司在東盟國家占據優勢地位。我們也看到了交通和醫療等公共服務活動的激增，這是由多家政府機構和該地區的“智能城市”計劃所推動的。

在國家層面，新加坡在多個行業的人工智能實驗中處于領先地位。但是整個東盟地區的國家都掌握了一些主動權（見圖表5）。

圖表5：東盟國家內部各產業部門人工智能的普及程度

盡管這些現象令人鼓舞，但東盟將需要更清晰的商業案例、更強勁的數據生態系統。此外，如果人工智能想要在整個地區發揮其全部潛力，就需要更協調統一的人才和技能。

東盟各領域的發展進程

下面我們將研究人工智能在一些特定行業中的應用情況。我們先從兩個行業開始，這兩個行業占了東盟目前所有人工智能使用案例的一半左右：包括金融、高科技和電信行業。在此之后，我們主要關注制造業和交通運輸行業，它們擁有廣闊的開發價值，以及兩個優先公共服務領域：醫療保健和教育，這些行業都有可能為社會帶來舉足輕重的收益。

金融服務

到目前為止，東南亞的金融服務公司主要通過人工智能來改善客戶體驗。例如，馬來西亞的豐隆銀行（Hong?Leong?Bank?of?Malaysia）利用IBM?Watson系統，通過檢測顧客在電話中的講話方式來了解顧客的情緒。總部設在新加坡的星展銀行已經開設了數字化銀行，它使用虛擬助手來預測和回答客戶的問題。在五個東盟國家開展業務的香港創業公司CompareAsiaGroup則利用機器學習技術，將客戶與亞洲的金融、通信以及公共事業服務聯系起來。

對于人工智能來說，要對一個行業產生廣泛、長期的影響，東南亞的這些銀行可能需要參考一些人工智能已經在美國和中國成功應用的實例。將人工智能應用于諸如信用評分、動態定價和數字營銷等功能，在許多地方已經表現了其價值，但很少有公司在東盟擴大此類應用的規模。要想抓住這一機遇，銀行需要不斷開發新的技能，金融科技初創企業也要不斷的創新。當然了，首先，這些企業必須加快其基本的數字化步伐。

將客戶互動實現數字化，以及建立數據收集、管理和分析流程都是需要優先處理的事項，因為人工智能的工具需要大量的數據。已經完成這種數字化轉型的商業案例進一步強化了這樣一個事實，如東盟的中產階級消費者，他們是消費者基礎的核心，他們可以使用數字技術，他們也經常會在網上購物，選擇自己滿意的商品。

已經有大約300家金融科技初創公司在這個領域進行投資，為在線支付、p2p貸款和財富管理提供解決方案。理論上，將人工智能技術嵌入到他們的產品中，可以使它們強有力的占據市常絕佳的技術實力和為人工智能設計實際應用程序的能力，能夠為客戶創造價值，并使他們的體驗更加順暢，這一點將會讓最優秀的公司脫穎而出。這個領域的發展將會產生巨大的社會影響。東盟地區約有2.66億人缺乏信貸渠道。最終，人工智能將為那些經常被排除在傳統銀行系統之外的弱勢群體和低收入人群提供可負擔得起的金融服務。例如，在中國，阿里巴巴利用先進的分析工具和豐富的商業和消費者數據，開發了公司內部的芝麻信用服務(Zhima?Credit)，這可能為阿里巴巴向小貸款人群提供貸款的方式打開了大門。

政府監管機構可以決定金融科技公司進行創新的步伐，隨著時間的推移，也可能會開放銀行平臺，保證各公司在數據訪問上公平競爭。在數據可用性和隱私之間制定經過仔細權衡的規定是至關重要的，就像印度的Aadhaar（生物身份識別系統）一樣。官員們可能會選擇允許人工智能技術在可控環境中測試數據。

高科技和電信行業

高科技和電信公司是人工智能技術的早期使用者，這一點也不奇怪。在全球范圍內，一些科技巨頭已經開發出了顛覆傳統實體行業的人工智能應用，如零售商（亞馬遜）和娛樂業（Netflix）。

其極佳的效果也令人感到吃驚。亞馬遜在收購了一家機器人公司之后每年節省2200萬美元，將運營成本節省了20%。與此同時，netflix估計，它的人工智能推薦工具幫助它避免了每年10億美元的取消訂閱服務。

與此類似，東南亞的許多小規模企業也正在不斷努力中。當地的電信公司已處于領先地位，因為它們可以利用自己廣泛的人口覆蓋率和獲取數據的渠道，到2020年，新興國家90%的成年人將使用手機訂閱服務。

電信公司一直以來都會使用分析工具來預測客戶流失情況，以及一些長時間的額外服務交叉銷售的情況。但現在的可能性要大得多——包括進入全新類型的市場的機會。今天沒有銀行賬戶的人可以通過移動設備得到基本的金融服務，而他們的交易產生的數據可以為銀行識別保險和貸款等其他金融服務的潛在客戶奠定基矗電信公司也在利用人工智能進入其他行業。新加坡電信（Singtel）建立了一個數據分析子公司，對購物者的數據進行收集、建模和可視化處理，而印度電信的分析部門則專注于零售商的數字營銷和銀行的信用評分。東盟還推動了小型高科技創業公司的崛起，這些創業公司受到不斷壯大的風險投資生態系統的支持。

從定義上講，高科技產業與人工智能涉及的所有其他領域有了交叉——因此，金融科技、醫療科技和教育科技等術語也被廣泛傳播。政府扶持本土創新者能夠獲得一定的利益，這些創新者可以為更廣泛的人工智能普及鋪平道路。政府可以通過改進計算機科學教育，縮小專業高科技崗位技能組合的關鍵差距，制定相關法規，促進匿名數據的使用，鼓勵跨行業和跨領域數據的收集。新加坡已經在這方面采取了一些措施，比如鼓勵創業，并提供大量的政府補助金。這一舉動讓新加坡創業公司在2017年的全球創業生態系統報告中獲得了成功，領先于奧斯盯德克薩斯州和斯德哥爾摩。除了建立創業公司，政府的支持還可以給本國企業增加一定的知名度和威望，從而留住那些原本可能流向海外的人才，這也是我們探討人工智能時要關注的一個主題。

制造業

人工智能技術將在該行業下一階段的發展中扮演重要角色。企業將很快能夠實時管理工廠車間，并將整個價值鏈與無縫數據流連接起來，從而實現實時決策并提高生產效率。這個數字化制造的新世界通常被稱為工業4.0。

在東盟國家，采用人工智能和物聯網是一個自然而然的過程。該地區最大的幾家公司可能會成為領頭羊，因為他們的商業規模已經涉及到了潛在利益最大的領域。泰國食品和飲料集團ThaiBev和馬來西亞汽車制造商Proton只是其中的兩個主要品牌，旨在將工業4.0技術引入他們的工廠。

資料2：東盟的人工智能技術創業公司

2016年，該地區的風險投資總額達到26億美元，比前一年增長了約60%。此外，經濟發展滯后和社會問題日益增多，為技術驅動的解決方案的發展提供了機會。

許多科技創業者都在開發人工智能技術，并將其應用于本地的實例中。這些地區性的創業公司并沒有國際科技巨頭所喜歡的資源或人才庫，但它們也說明了在當地尋找市場機會和設計本地相關商業模式的重要性。

東盟創業公司使用的基于人工智能技術的例子如下：

自然語言處理

（1）緬甸的Bindez使用自然語言處理和文本分析來追蹤網上的仇恨言論。

（2）印尼的Kata.ai正在開發一種馬來語的自然語言處理算法，馬來語是印尼和馬來西亞超過2.5億人的主要語言。

（3）在越南，FPT設計了一個人工智能平臺，幫助應用開發者基于自然語言處理界面實現與最終用戶的自動交互。這類平臺的潛在應用包括呼叫中心聊天機器人、虛擬代理以及相關的語音應用程序。

機器學習

（1）網絡安全創業公司Cloudsek致力于提供基于機器學習的解決方案，幫助企業實時識別和處理網絡威脅。

（2）在印度尼西亞，Ruangguru利用其所擁有的大量學術數據，正在探索通過機器學習實現個性化教育服務的方法。

圖像識別

（1）越南農業創業公司Sero通過對圖像和實地數據的人工智能分析，為農民提供農作物情報。

資料3：什么是工業4.0

“工業4.0”是一個術語，用來描述制造業的數字化轉型，旨在將一系列新技術與制造業結合起來。物聯網、人工智能、機器人技術和3D打印技術可以讓工廠的地板變成靈活的、可以實現自我維護的操作系統。傳感器可以將連續的實時數據流傳輸到機器學習算法中，這些算法可以遠程調整復雜的系統、流程和機器。這些相同類型的系統可以用來協調整個供應鏈，并監控客戶的使用情況，從而為未來的產品設計和新型服務提供信息。

根據多項研究，麥肯錫估計，工業4.0可以提高制造業15%到20%的生產效率。在德國等地的優秀全球制造商已經成功證明了其可行性和商業價值。

（1）預測性維護：將機器學習工具應用于物聯網傳感器收集的數據，使制造商能夠預測設備故障，并通過預防性維護避免機器損壞和停機時間。一些公司已經設法將總體維護成本降低了10%。

（2）產量提高：工業4.0技術使制造商能夠優化原材料的使用，提高產量。一個人工智能的半導體制造系統通過將數千個變量連接到機器組和子過程中，廢金屬的報廢率降低了30%。

（3）產品設計和售后服務：智能產品，如智能汽車，可以將客戶體驗數據反饋給產品經理。這種能力開拓了新型服務的道路，并體現到了改進后的產品設計中。

但考慮到現代化工廠所需的前期資本投入，以及將大量有形資產數字化需要的成本，許多制造商仍猶豫不決。由于東盟的勞動力成本很低，企業并不總是能看到改變經營方式的商業理由。

不過從長遠來看，這種成本計算可能會改變。隨著該地區的發展和人口老齡化，勞動力成本可能會上升，從而縮小可用勞動力的規模。中國的制造業工資在過去的十年間翻了一番，中國企業已經開始積極采用機器人技術；事實上，預計到2020年，他們將投資590億美元用于機器自動化。

該地區的政策制定者可以鼓勵制造業的數字化轉型，將其作為實現生產率增長的首要任務，從而促進整個地區的經濟增長。例如，新加坡政府支持在新加坡推出麥肯錫(McKinsey)聚焦行業4.0的數字能力中心(DCC)。新加坡DCC公司與先進的Advanced?Remanufacturing?and?Technology?Centre（ARTC）建立了合作關系，旨在向制造企業介紹新技術，并幫助它們發展新的能力。作為更廣泛經濟轉型藍圖的一部分，馬來西亞和泰國也將工業4.0納入其中。

運輸和物流

快速的城市化正在給世界各地城市的交通系統帶來壓力。而且要解決這個問題代價高昂：僅在亞洲，交通擁堵的直接成本約為GDP的2%-5%。世界上大多數主要城市都在努力解決與快速城市化有關的問題，他們規劃了智能城市藍圖，旨在整合人工智能和物聯網，通過以“智能”方式管理基礎設施來提高網絡效率。

到2030年，大多數城市將采用新的汽車技術，如汽車共享、自動駕駛和電氣化等，盡管這些技術不會同時成功。在將來，在人口最密集的城市里，“無縫移動”也許將能夠在人群中實現，可以挨家挨戶的將人們從家里送到目的地。“無縫移動”將依賴于自動駕駛和共享車輛的結合，再補充智能、綜合公共交通基礎設施的輔助(智能汽車和公交車、地鐵以及交通管理)。

私營企業可以在實現這種無縫移動的愿景中發揮作用。傳統汽車制造商和谷歌、百度等高科技巨頭正斥資數百萬美元投資自動駕駛汽車，采用防撞和路線選擇優化系統，以提高安全性和降低燃料消耗。福特已經從一家汽車制造商轉型為一家“機動車”供應商。該公司已經成立了一個城市解決方案部門，該部門將利用人工智能技術無縫整合許多移動設備，從公共交通到出租車再到共享單車。

新加坡是東盟在執行其“智能移動2030”計劃時的領先者，該計劃要求人工智能系統做到實時管理列車、公交車、汽車和自行車交通。馬來西亞的雪蘭莪州也在推行類似的計劃，以及印度尼西亞、菲律賓和柬埔寨的智能城市項目也正在進行中。

初創科技公司正在成為這一領域的重要組成部分。Yogee網銷售使用了機器學習技術的靈活管理軟件，因此它變得更加智能，使用的范圍更廣。在7個東盟國家運營的叫車平臺Grab，已聘用了200名工程師和數據科學家，專注于利用人工智能改善客戶服務，并進一步優化其司機隊伍。

城市政府面臨的緊迫挑戰是與戰略行業參與者和科技創業公司建立合作關系。然而，這些合作的整合是相對復雜的。當然，城市的凈效益是顯而易見的，比如減少擁堵和提高了安全性。但要調整私人投資和公共獎勵的激勵機制是很有挑戰性的。此外，大多數東盟國家都專注于自動收費站，而且對大型公共投資興趣不大。盡管面臨諸多挑戰，但在過度擁擠的東南亞城市中改善生活的主要潛力，使得建立高效的公私伙伴關系變得至關重要(我們將在最后一章回到這個話題)。

醫療保健

在全球范圍內，人工智能已經以多種方式不斷展示出改善醫療服務的潛力。深度學習可以讓機器查閱大量有關疾并治療和結果的數據，從而快速找到可以改善診斷方案和病人護理的見解。IBM利用其人工智能支持的Watson超級計算機，讓醫生可以在幾秒鐘內篩選數百萬頁的醫學證據，從而為患者設計出最優的癌癥治療方案。可穿戴機器人設備可以遠程追蹤病人的健康狀況，并且帶有提醒功能，可以叮囑病人及時吃藥。虛擬代理已經在分析放射學和腫瘤報告，并為病人提供建議。

MGI之前的一項研究估計，在醫療保健領域擴大數據的使用每年可以產生超過3000億美元的價值，其中三分之二來自于將國家醫療支出減少的8%。

醫療保險是另一個有潛力的儲蓄領域。從全球來看，機械制造解決方案優化了索賠處理、減少了欺詐和改善了健康狀況預測，這可能會帶來更好的預防保健和更低的索賠。

在東盟，在病人護理領域廣泛采用人工智能的做法還需要數年時間，但現在已經出現了幾個成功的例子。新加坡政府機構IHiS（集成健康信息系統）旨在創建一個全國性的企業分析平臺，匯集和分析來自多個醫療保健系統的患者數據，并生成有助于改善治療結果的見解。通過提供在線醫生咨詢和可穿戴式傳感器引導的家庭診斷，這可能會使管理慢性病變得可行。其次的好處包括盡量減少事故和急診單位的過度擁擠，以及減少病人的醫療費用。像Holmusk這樣的初創公司也在為特定的病例開發數據和應用程序，比如糖尿玻在越南，ViCare保健應用程序在Facebook?Messenger上為病人提供了一個聊天機器人，可以為病人回答一些基本問題。

擁有大量人口但沒有足夠多的醫生和專家的國家將從這些技術中獲益最多。IBM的“沃森”也許可以在印尼提供服務。2014年，印尼只有41名放射腫瘤學專家，卻要為2.5億人提供治療，而且這個國家這一年因癌癥死亡近20萬人。

然而，該地區沒有足夠的整合數據來支持先進的分析技術，更不用說人工智能了。醫院有數據，但通常是以紙質形式來記錄的，想要共享比較困難。大多數東盟國家要求數據不可以留出國外，這就限制了建立區域性數據庫的機會。更重要的是，將病人數據集中在一起，并將其開放給機器學習，即使是以匿名的形式，或者將使用可穿戴設備的要求捆綁到保險折扣上，也可能與隱私規范和法律不一致。

醫院和保險公司將決定藥品如何使用人工智能。但是，與傳統銀行一樣，醫院和保險公司在轉變組織的過程中也面臨著挑戰，不僅是通過積累數據，還要通過提高他們的數字化能力，將技術整合到他們的工作流程中，以改變他們的文化。創新可能來自數字化本土公司。醫療保健公司可以通過贊助有前途的創業公司來與這些公司結盟。新加坡的一些公司已經采取了這種做法。政府可以通過提供有關數據共享的監管指導，以及在需要的時候提供公共投資，從而促進這一過程。

教育科技已經是一個蓬勃發展的領域，為人工智能扎根提供了肥沃的土壤。與金融科技一樣，教育科技也迎合了一個巨大的市場：全球教育支出占全球GDP的近5%。投資者注意到，一家投資銀行預測，到2020年，教育科技投資將增長至2500億美元。

人工智能在課堂上的潛力讓人興奮不已。例如，以人工智能為基礎的智能家庭教師系統（ITS）旨在提供大規模的一對一教學。這些聰明的導師可以追蹤每個學生的表現，找出學生覺得困難的概念，并為每個人找出適合自己的學習方法。人工智能還可以減輕教師的一些日常工作，給他們更多的時間來教學。一位喬治亞理工大學的教授在一個學期內使用了一個人工智能教學助理，處理來自他在線課程的1萬多個問題。人工智能助手還可以從事更智能的工作，如評分和記錄分數，使教師能夠專注于更有創造性和更具附加值的工作。

其中一些技術已經在東盟地區得到采用。新加坡和馬來西亞的大學已經試驗了預測軟件，以指導能夠防止輟學的干預措施。但是，東盟還有很長的一段路要走，才能對其產生重大影響。大多數成員國都沒有收集能讓人工智能算法得出結論并做出預測的綜合數據。該地區的許多地區也缺乏關鍵的IT基礎設施。2016年，只有不到一半的亞洲人口使用互聯網，其中包括大多數東盟國家的多數人口。

東盟國家可以首先利用現有技術，更易于實施的方法，以改善教育的質量和公平性。像可汗學院(Khan?Academy)或馬來西亞亞洲電子大學(Asia?e?university)這樣的在線自學課程提高了入學的機會。通過配備預裝材料和低帶寬通道的設備，在偏遠地區或缺乏熟練教師的地方，教育質量和公平性得到了改善。

這些工具并不能保證更好的教育成果。政策制定者和地方行政官員必須調整政策，以滿足學生的實際需求，并切實地考慮基礎設施的準備和規劃。教育科技解決方案應該專注于教學，將技術解決方案與現場教學的優勢結合起來，并與本地適用的課程相匹配。建立一項能夠評估國家系統可行性和性能的教育科技政策，將允許各國在時機成熟的時候充分利用人工智能。

類似地，各國現在可以開始為人工智能技術的發展做準備，開發更完備的國家數據庫，更先進的技術解決方案依賴于此。這包括獲取學生人口統計數據、環境變量、出勤率、學校屬性、個人、學校和地區關系的數據。政府不需要自己收集和整理數據；他們可以與國際或當地公司合作。然而，政府需要參與其中，因為它們往往是主要的數據收集者，必須確保數據隱私。

一旦這些數據結構就位，機器學習算法——包括那些在該地區以外開發的算法——就可以在國家層面上學習。這將為教育部門提供如何部署教育資源和調整政策以滿足勞動力需求的寶貴指導，目前還沒有哪個東盟國家能夠實施。在個人層面，國家層面的數據可以支持并指導教師、家長和管理者如何讓學生留在學校，以及采取什么樣的干預措施來降低學生失學的風險。

解決跨領域的挑戰和機遇

正如上面討論的行業例子所示，人工智能可以極大地提高生產力。如今，企業可以使用強大而成熟的分析工具，從而提高運營績效，創造新的市場機遇。

但這并不是一個簡單的命題——沒有一個單獨的組織能夠獨自解決圍繞這些技術的所有問題。有復雜的倫理、法律和安全問題有待回答，而最終對就業的影響仍有待觀察。整個東盟地區將需要加強其數字基礎設施建設，發展擁有先進數字技能的更大的人才庫，并確保建立一個經過深思熟慮的監管框架。正如我們在下面第3節所討論的，解決這些問題需要公共和私營部門的合作和共同努力。

今天，東盟的大部分地區在數字普及方面落后于其他國家。但這并不是該地區的公司認為下一代技術與本土市場沒有相關性。事實上，一些技術欠發達的地區可能孕育著一些最有前途的機遇。它們可以從一個全新的領域開始發展，它們不太會被遺留系統和規章制度所困。靈感可以從中國獲得，中國在非常短的時間內成功建立了一個強大的數字生態系統——而在欠發達經濟體中，東盟的初創企業也可能會蓬勃發展。

三、東南亞發展人工智能行業需要解決的關鍵問題

正如其上所述，東南亞不同業務領域的數字化成熟程度各有不同。如果單純依靠市場的推動力量，金融服務業、高科技和電信行業的先驅者們或將最先接納人工智能。然而，要抓住人工智能的市場價值，并真正改善社會并非易事。這將需要政策制定者的結構性干預措施，加之行業參與者的積極承諾和踐行。

以下我們將列舉一些該地區在人工智能發展中需要解決的關鍵問題，同時探討政府和企業可以在其中發揮的重要作用。

對于所有人工智能的發展潛力來說，在沒有人類指導的情況下讓機器進行學習和做出決策，并對其進行管理是一項艱巨的任務，也是一種重要責任。這些技術正在把整個社會帶入未知的發展方向。盡管我們知道，人工智能應用程序的增長需要基于數據生態系統和數字能力的某些基本要素，但我們不知道人工智能技術進過第二和第三次迭代后會出現何種商業案例，也不知道公眾態度會發生何種轉變。人工智能的普及還涉及到一些社會價值觀的問題，但這些問題沒有任何確定性的答案。因此，我們提出一些開放性的問題，從而引入更多的深入討論。

1、私營部門的發展路線

對于企業來說，人工智能的普及遵循了其他數字技術發展的路線圖。這些元素包括明確定義的用例或價值源;健壯的數據生態系統;熟練使用系統和工具的雇員;與核心業務的工作流進行有序整合;以及接受“測試和學習”方法的開放文化。對于整個東南亞的企業來說，即使是在前沿行業，其中的數據生態系統、運營文化和關鍵技能往往都存在著不少障礙。

創建健壯的數據生態系統

對于人工智能技術來說，必須有穩定的可靠、可操作和安全數據，這是人工智能技術學習和完善功能的基本方式。但東南亞地區的多個行業在數據基礎方面存在很多困難。目前其中的許多行業都缺乏足夠的關鍵傳感器系統來跟蹤操作數據。在某些情況下，人工智能程序需要依托實時數據流進行決策和相關操作。例如，東南亞的多家電信運營商將實時網絡數據傳輸到他們的數據庫中，并利用這些數據來開展與客戶密切相關的活動和通知。舉一個簡單的例子，當用戶在接近他的數據流量上限時會收到相應通知。但只有少數幾個行業將這種類型的解決方案實現規模化應用。

即使很多公司設置了足夠的傳感器，但其中很多依舊缺乏合適的基礎設施來存儲數據，更無法將其聚合成可操作的數據形式用于相應決策。在許多公司中，數據存儲都是各不相關的孤島。在另一些公司中，人們收集了大量的數據，但從未進行有效分析。麥肯錫的一項研究發現，石油鉆井平臺上3萬個傳感器捕捉的全部數據中，只有不到1%被有效利用。

現在，隨著基于云數據管理平臺的出現，存儲和分析數據的成本正在不斷下降，數據使用的便利性也在不斷提高。許多中小企業和創業公司都采用這些新技術平臺來降低成本（見資料4：“整合數據策略需要建立一個強大的數據生態系統”）。為了實現他們關于人工智能的目標，參與者需要積極擁抱這些新技術，同時確保正確的數據管理能夠在業務便捷性和規模化之間實現平衡。

管理風格向數據驅動過渡

在企業中實施人工智能所需要的最根本文化和組織轉變，就是要接納數據驅動決策。曾經憑直覺做出的決策現在可以基于證據而做出，甚至可以是自動化的。由于人工智能在東南亞地區仍是一個相對較新的概念，企業也需要逐步適應這種新的模式。

即使是那些對數據手機和數據分析進行投資的公司，也可能無法在決策過程中有效使用數據。其中包括以下一些問題：

（1）對業務情況和價值來源的表述不到位，導致決策基礎薄弱。

（2）中層管理人員缺乏相應的能力建設，不愿意依靠人工智能的分析作為決策的依據。

（3）對雇員特別是對一線工作者的再培訓投資有限。

（4）缺乏雇員引入機制。

（5）與所有文化轉型一樣，領導力對于人工智能的成功實施至關重要。麥肯錫全球研究所的一項調查發現，那些成功部署了人工智能技術的公司受訪者表示，相比于那些沒有采用任何人工智能技術的公司，其高管層的支持度幾乎是其他公司的兩倍。

資料4：整合數據策略需要建立一個強大的數據生態系統

數據正在成為一種新的資本形式。跨行業研究顯示，平均而言，在決策過程中僅有不到一半的組織結構數據被用于決策，超過70%的員工獲得的數據是不必要的，而數據分析師80%的時間是用于發現和準備數據的。

企業需要采取一種程序化的方法來構建數據資產，并在所有業務部門的支持下，利用這些資產來改變整個企業。以下是這類數據驅動轉變的三個關鍵組成部分：

一個清晰的數據戰略，往往與企業的愿景緊密相連

（1）第一步是弄清數據如何被用來推動關鍵的業務目標和文檔用例的實現。

（2）下一個問題是，要確定企業數據的關鍵缺口，需要用新的集合系統或互補的外部數據加以填補;企業也應該對提供獨特優勢的專有數據資產保持開放的態度。

（3）將簡單的成本效益分析與每個用例聯系起來，有助于評估它們對業務的重要性，并指導諸如“外采或開發”之類的決策。

數據架構和路線圖實現的總體藍圖

（1）數據架構的設計源于符合公司需求的數據模型視圖以及優先級用例。

（2）該架構的設計目標是優化數據收集、聚合、使用和后續更新，同時保持數據準確性和一致性，確保數據的安全性。

（3）選擇合適的技術能夠控制升級系統的成本，同時為系統運行提供足夠的靈活性。

達到持續性決策和豐富數據集的有效數據治理

（1）數據治理機制的本質是選擇集中的、聯合的、或完全去中心化的數據組織，以及首席數據官在核心管理中的位置。

（2）根據數據及其來源的重要性，定義與外部各方的數據進行交互和共享的規則。

（3）制定了相關的指導方針，以開發能夠對數據進行闡釋的硬資產，比如企業數據詞典和監控數據質量的儀表類應用。

打造正確的技能組合

各個公司均表示，在試圖將數據和相關分析整合到現有業務的過程中，找到合適的人選是他們面臨的最大障礙。

麥肯錫最近的一項調查顯示，大約有一半的企業高管認為招募一名合格的數據分析人才難上加難。尤其是對數據科學家的需求量更大。而恰恰這些人就是設計、開發、部署和培訓人工智能技術的人。目前這類人才非常短缺，即便是在像硅谷這樣的全球性人工智能中心也是如此。而東南亞這類人才的短缺更為嚴重。

另一個同樣重要的角色是商業翻譯，他們可以充當分析人才和實際應用之間的紐帶和橋梁。除了精通數據，商業翻譯還需要具備深厚的組織架構知識、行業方面或業務方面的專長。他們能夠向數據科學團隊提出正確的問題，并從他們的分析中獲得正確的見解。

當然，公司也可以選擇把數據分析業務進行外包，但對于商業翻譯這種角色來說，其可以利用自己的專有知識深入組織架構的內部。而很多企業所需要是從內部打造相應能力。對于企業來說，其中一種選擇是“構建-操作-轉讓”模式，即來自外部專業公司的專家被整合進跨職能項目團隊中。這些專家會與內部員工進行緊密合作，其向員工提供關于如何與人工智能技術系統進行合作的訣竅，同時員工會利用自身的運營經驗來加深專家對公司真實需求的理解。而員工也相應獲得了新技能，能夠在初始階段之后不斷自我提高和完善。

2、政策制定者面臨的結構性挑戰

目前，東南亞的政策制定者需要通過合理政策將現有創新轉化為可持續增長。政府可以通過建立堅實的政策基儲設定有抱負性的目標、刺激私營部門的創新并采納人工智能來推動這一轉化。

支持開發和采納人工智能的政策

東南亞可以通過地區政策而非本地化政策來推動人工智能的發展和普及。最重要的任務之一是建立一個開放但安全的數據環境，這是數字以及人工智能技術的生命線。我們的研究顯示，東南亞地區的流動性具有高度的全球聯系，包括商品和服務貿易、人員流動和資本流動都是如此。但在跨境數據流動方面，東盟的全球聯系明顯較少（表6）。構建該地區的數字基礎設施是關鍵的一步，而數據治理是其中的核心組成。

跨太平洋伙伴關系協定（TPP）為東盟解決數據交流障礙提供了一個機會，而且它提出的一些框架可以在地區層面進行考慮。其中包括：

（1）制定標準，保護消費者不受網絡詐騙的侵害，并明確個人信息將如何跨界交流。

（2）防止和應對不斷變化的網絡安全威脅。

（3）保護數字知識產權，同時減少海關、互聯網接口、產品歧視等對在線商務造成的障礙。

（4）避免“數據保護主義”，規范企業數據存儲。

政府也可以通過讓自己的公共數據更易于訪問，從而建立更加開放的數據生態系統。這可以為第三方應用、人工智能開發者和創業公司提供豐富的開發模塊。

隨著人工智能不斷出現新用途，政府和整個社會也需要努力規范數據隱私的原則。如果政府和企業收集的數據被匿名化，公眾還有權知道他們的數據是如何被使用的嗎？那些人工智能的用戶有義務去解釋他們的機器是否符合公眾利益或個人幸福嗎？

各國政府還必須考慮自身在解決技術顛覆帶來的負面效應方面所發揮的作用。其中一項主要戰略將是長期投資教育，其中也包括繼續教育體系，從而幫助處于職業生涯中期的勞動者跟上數字經濟不斷變化的需求。但這同樣會引發許多問題。政府如何確保婦女和農村人士能夠平等地接受數字化培訓？他們能否在一定程度上抵消數字顛覆帶來的不平等擴大等風險？哪些行業最適合被顛覆？政府和公司應該如何分配再培訓的責任？人工智能技術本身能夠提供部分解決方案嗎？

圖表6：東南亞地區的聯系、數據流量以及人均國內生產總值的排名。

在東南亞國家之間，基于貿易和資金流的傳統領域高度互聯，但相關之間的數據流聯系卻不那么緊密。

政府可以利用財政政策來解決失業和社會混亂問題。但除了提供資金的安全保障外，還有其他方法可以利用技術來限制失業嗎？如果一個由人工智能推動的經濟需要更少的勞動力，那么是否有可能通過設計讓工作安排更加靈活，讓公司能夠協同工作？

最后，由于早期采用者緊握人才、兼并更小的創新者、并獲得不成比例的經濟利潤，人工智能行業存在著市場壟斷的風險。但這種可能性目前被大型跨國公司在該地區的技術擴張以及普及所帶來的益處所抵消。

當政府通過監管或財政政策進行干預時，應公開向公民保證，他們的利益得到了保護。一個例子是，確保人工智能系統不會復制和強化它們在輸入數據中檢測到的不平等和偏見。

支持有針對性的人工智能項目，起到拋磚引玉的作用。東盟各國政府可以支持人工智能“核心樞紐”的發展，將特定地區打造為人工智能人才和技術發展的溫床，以及人工智能商業化和創業精神的代表。這些舉措應該側重于開發適用于東盟地區行業和社會目標的應用，而并不一定是全球科技巨頭正在開發的技術前沿解決方案。

東盟自己的人工智能中心可以設計成集中人才，促進資源整合和良性競爭，并為各國政府與技術人員和其他利益相關方探討監管問題的紐帶或節點。各國政府或許必須為這些努力播下種子，但目前應該利用獨特的公私合作模式以確保商業能夠接納人工智能，并最終為社會經濟做出貢獻。如今，關于人工智能領域的全球性中心只有幾個，2016年單單硅谷就吸引了全球人工智能領域40%的投資。

要復制這種生態系統并不容易，但研究性機構、融資渠道以及強大的客戶基礎都是關鍵因素。以紐約為例，由于城市早期融資充裕便利，且媒體公司集中期望采購人工智能技術，這樣一來紐約市確立了自己的人工智能中心地位。出于與紐約同樣的原因，北京和深圳等亞洲城市也正在迅速崛起。由于各種有利條件的整合，其都在發展成為全球性的人工智能中心。

在某種程度上，每一個中心的價值源自規模經濟。但在整個地區鼓勵推動多個中心的做法需要審慎對待。每一個中心都需要專注于不同類型的人工智能應用，且具備本地相關性。這可以確保整個東盟地區能夠更公平地分配投資和收益。將人工智能用例與特定區域相匹配依舊是一個難題。但本地區利益相關方應考慮開發與其經濟發展目標和現有資產相符合的應用程序。通過資助本地的人工智能開發人員，同時吸引更多從業者參與國外的獎學金項目，從而能夠加強相應舉措，最終將全球最佳實踐和技術帶回本地區。

新加坡的AI.SG就是這樣一種創新模式，其在5年時間里獲得了1.5億新元的投資，也吸引到更多資源、人才和機構的支持。它的重點是將人工智能應用于金融、智能城市和醫療保健——這些都是新加坡本地面臨的首要問題。要知道，新加坡是一個地域有限，且人口老齡化日趨嚴重的金融中心。

對這些地區集中進行人工智能教育，或許會帶來雙重好處：提高教育質量，同時確保未來的從業人員能夠掌握數字技能。專注于教育的人工智能中心可以改善網絡連接，并建立必要的數據庫和標準。印尼、菲律賓、泰國和越南等東盟地區國家從普及的教育技術中獲益最大，這一進程可以將優質教育的覆蓋范圍擴大到數百萬人。

同時，建立另一個專注于提供公共服務的人工智能中心，能夠支持該地區各國政府進行數字化轉型，進而推動公眾采納人工智能應用。人工智能應用程序可用于公共服務項目，如檢測稅務欺詐、評估政府項目的有效性，或管理復雜的基礎設施系統。尖端技術和公共服務的結合將會對人才產生巨大的吸引力，并將成為學術研究機構、行業技術領袖和各國政府機構之間的協作的紐帶和橋梁。

這些中心并不是加速人工智能普及和促進公共權益的唯一途徑。大學項目也是一種不錯的選擇。例如，韓國最近成立了一個投資約8億美元的公私合作研究中心，用于培養人工智能核心技術方面的專業人才。

擴大圍繞人工智能展開的公開辯論

在企業和社會部門之間開展廣泛而持續的公共對話，從而達成關于人工智能治理的共識，并確保其被用于長期社會效益，這一點非常重要。這種辯論對于確保對技術的公共投資能夠產生公眾實際支持的結果至關重要。同樣重要的是，在公眾隱私和安全等問題上制定相關法律法規，這需要一個開放的過程。

這種辯論不應僅限于商業用例。它還應該延伸到人工智能對人類和社會的影響。人工智能的興起在道德、法律和安全方面存在著問題，有些是老生常談，有些則是新的問題：智能機器會攻擊重要的電力、健康和投票系統嗎？還是會成為他人這樣做的一個渠道？人工智能會擴大數字鴻溝，從而擾亂社會穩定嗎？對人工智能的過分依賴會影響社會資本和自主權嗎？這些都給人類社會帶來了新的緊迫感，正在促使從英國到迪拜等各國政府抓緊制定關于人工智能的長期愿景和目標。

在這種辯論中，政策制定者不應是唯一的發聲方。在人工智能帶來的問題方面，來自不同社會階層的的商業領袖和從業人員應該提出寶貴的意見。像類似于OpenAI、Future?of?Life?Institute、Partnership?on?AI這樣的組織已經在努力解決這些問題。Digital?Asia?Hub最近在香港成立，旨在從社會層面看待科技進步的影響。而東盟必須找到自己的答案，如何讓人工智能技術在該地區特有的文化、宗教和政治背景下發揮作用。

結語

人工智能仍處于發展早期階段。即使在發達經濟體，仍有大量的基礎工作要做。由于人們在數據可用性、算法復雜度和計算能力等方面的重大進步，這項技術本身也在飛速發展。人工智能技術將引領新一波社會生產率的增長，完全改變工作的性質，同時淘汰那些不把它們納入核心戰略的企業。接下來的關鍵問題是，這種顛覆如何對整個社會產生益處。

在東南亞地區，雖然人工智能的用例迅速增多，但它們的受眾和規模都很有限。銀行和電信運營商現在才開始采用數字技術和先進的分析技術，這些僅僅是人工智能的前身。新加坡在智能城市技術方面的進步顯示，人工智能可以改善東南亞地區的城市生活。為了加快這一進程，東盟各國政府可以進一步為企業提供便捷數據，并推動教育和衛生領域的一體化數據進程。它們還需要應對業內從業者短缺帶來的負面影響，提供穩定的監管框架，并通過創建專門的中心來解決應用規模和人才短缺的問題。

這些干預主要是為了引導不可避免的變革浪潮，以更快更好地發揮人工智能的積極作用。但這種技術的具體發展方向依舊是未知的。目前來看，我們只能提出一些每個社會都必須回答的大問題：我們準備好共享健康數據了嗎？數字鴻溝會變得更糟嗎？哪些創新值得投入公共資金和更多合作？讓這些問題公開化是確保人工智能創造一個更好社會的重要環節。