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）