1. AI构建卓越组织

1.1. 攀登珠穆朗玛峰时，能否成功登顶往往取决于大本营的领导力

• 1.1.1. 在攀登珠穆朗玛峰的征途中，最危险的路段之一是穿越昆布冰瀑

1.2. 组织利用AI实现商业价值的征途，始于领导者（国家/地方领导、首席执行官、董事会等）直面AI时代的独特挑战

1.3. 未来的领导者需要驾驭新型无形资产：数字技术、数字商业模式、数据、高级分析、算法以及A

1.4. AI经济要素无形无质、晦涩难解，引发的恐慌堪比20世纪汽车问世时的社会焦虑

1.5. 领导者必须明确：为什么要部署AI? AI的核心应用场景是什么？AI如何增强人类的能力？

1.6. 领导者不仅需要理解AI能做什么，还需要深刻洞察AI如何弥补人类认知的局限

• 1.6.1. 核心任务是确保最具生产力的资源—人力资本，始终处于高效创新的前沿，专注于解决最关键的问题

• 1.6.2. 深层认知，才能解答“为何需要AI”这一问题，进而推动对变革性AI的投资

1.7. 利用AI创造价值是当今企业领导层的当务之急

• 1.7.1. 高管和董事会必须深入洞察AI的潜力，并制定相应的战略和战术，从而推动产品与服务创新，结合现有的有形和无形资产形成协同效应，确保人力资本保持最佳竞争状态

• 1.7.2. AI不应被简单下放给信息技术或运营部门，也不应仅被视作后台降本工具

1.8. 企业不可低估数据工程在AI价值创造中的作用

• 1.8.1. 最具价值的“全能型人才”不仅掌握这两项技能，还具备商业敏锐度，能够提出关键问题，并识别真正需要解决的业务难题

1.9. 领导者需主动管理企业向“AI之屋”​（四大支柱、三大架构）转型过程中的组织和文化变革

• 1.9.1. 借助生成式AI模型，企业能够实现复杂任务自动化、生成逼真的个性化内容、加速产品开发、优化决策流程，并打造独特的用户体验

• 1.9.2. 领导者必须提升自身认知水平，在评估机器学习模型时，不仅要关注准确性的最大化，还要考量这些模型所驱动的决策是否秉持公平公正的原则

1.10. 当企业在处理常规数值型或表格型数据、开发相关应用场景方面越发得心应手时，便可以拓宽视野，尝试从更丰富也更具非结构化特性的数据，如图像、音频、视频和自然语言中挖掘商业价值

1.11. 构建强效领导力与组织协同体系

• 1.11.1. 在企业迈向AI之巅的旅程中，所面临的“南坳级”挑战主要体现为在组织内部培育AI领导力，以及管理AI增强决策所引发的文化变革

• 1.11.2. 任何极具挑战性的事务，都需要来自领导层的有力推动

2. 数据工程即核心竞争力

2.1. 数据即新石油

2.2. 企业领导者低估了数据治理中存在的组织政治因素

• 2.2.1. 他们并不拥有关键数据，也没有足够的权力或影响力去说服其他利益相关方共享数据

2.3. 领导者清楚要解决何种业务问题，也知道要开展何种AI分析，但他们忽略了对关键输入、预测变量或输出、结果变量所必需的变化的理解，而正是这些变化使分析成为可能

2.4. 数据工程实为一项艰苦的工作

3. 充分利用AI的四大支柱

3.1. 两大难题

• 3.1.1. 它们不知从何入手

• 3.1.2. 它们被市场上与AI相关的夸张宣传所干扰，而难以制定清晰的推进路径

3.2. 描述性和预测性分析是AI在现代商业领域的核心应用，分别利用无监督学习和监督学习来为企业提供数据洞察

3.3. AI是一项广泛适用于日常生活的通用技术，绝非简单地交给IT部门处理的普通任务

3.4. 机器学习通常被视作引领第四次工业革命的关键技术，其重要性与前三次工业革命中的蒸汽机、电力和计算机等量齐观

3.5. 选择AI转型的切入点，这一过程更像一门艺术而非科学，需要业务主管与数据科学家反复磋商

• 3.5.1. 对于那些拥有多年IT系统积累的海量数据，却不知从何下手的传统企业而言，描述性和预测性机器学习是最佳的起点

3.6. 面对日益复杂的商业环境，企业需要借助因果性分析来应对挑战

• 3.6.1. 核心目的在于，帮助企业领导者和管理者基于科学原理理解因和果之间的内在联系

• 3.6.2. 因果性分析正被广泛应用于各类商业决策，也是“产品思维”驱动的软件化数字化转型的重要基石

• 3.6.3. 许多企业已在不同程度上采用因果推理方法（行业内通常称之为“A/B测试”​）​，来决定应该投放哪种广告、推出哪些功能、设置何种激励机制，以引导用户采取特定行为

3.7. 虽然描述性和预测性机器学习具有极高的商业价值与社会价值，但它们的本质仍然基于相关性，而非因果性

• 3.7.1. 模式挖掘，即发现数据中的有趣关联或异常点

• 3.7.2. 相关性映射，即将输入变量与输出变量关联起来，以进行预测或打分

3.8. 混淆相关性和因果性，是大多数职场人士常犯的关键错误，甚至许多受过数据科学和分析训练的专业人士也难以避免

3.9. 使用因果性分析方法（如公认的“黄金标准”双盲随机对照试验）​，在道德层面或智力层面，并不优于使用具有高度相关性的预测性深度学习模型

3.10. 因果性分析与预测性分析只是针对不同挑战所采用的不同工具，并无优劣之分

3.11. 目标在于帮助企业领导者理解这些方法的核心逻辑，以便他们能够根据实际问题，选择合适的分析方法

• 3.11.1. 企业能够将人类智慧与机器智能进行最佳结合，充分发挥各自优势，同时减少其局限性

3.12. 规范性分析建立在描述性分析、预测性分析和因果性分析的基础之上，并进行优化

4. 构建AI时代的人才战略至关重要

4.1. 在非科技企业中，从部门领导到副总裁级别的知识型员工，正面临着巨大的变革，我们将其称为“混乱的中间层”​

4.2. 如果没有一支实干家的队伍，即那些擅长运用最先进的AI、机器学习和高级分析技术，在各个行业和职能领域提供创造性解决方案的夏尔巴人（登山中真正的英雄）​，这幅图景便是不完整的

4.3. 要求人才具备高度的商业敏锐度，能够区分资产负债表和损益表

4.4. 拥有顶级的数据工程能力，因为在高级分析项目中，70%的时间都用于清洗、聚合、整合和处理数据

4.5. 需要深入理解AI分析的四大支柱：描述性分析、预测性分析、因果性分析、规范性分析

4.6. 具备丰富的实践经验，能够向企业不同层级的利益相关者清晰传达AI分析的价值

4.7. 必须制定积极的策略，使AI优先战略与多样性、公平性、包容性等现代企业核心价值观深度协同

4.8. AI战略应以公平、问责和透明为先

• 4.8.1. ImageNet Roulette项目，向世人揭示了AI图像分类的阴暗面

• 4.8.2. 一个残酷的现实：没有人是完全客观公正的，因此也不可能构建出完全没有偏见的AI系统

5. 让AI为你所用

5.1. 现代AI将推动突破性技术发展，助力应对气候变化、疾病、贫富差距和社会分裂等重大挑战

5.2. 普及AI认知，提升公众在AI领域的话语权，使其积极参与到塑造相关法规的政治进程之中

5.3. 若公众参与缺位，那么AI监管可能会被政治家和利益集团左右，最终制定出看似合理，实则未经深思熟虑、可能引发诸多意外后果的法规

• 5.3.1. 欧盟《通用数据保护条例》​（GDPR）就是一个典型案例，其高昂的合规成本让大企业受益，却阻碍了小型创业公司的创新，进而减少了社会整体的未来收益

• 5.3.2. 大量学术研究已经证明了GDPR所带来的负面影响

5.4. 现代AI的力量源自对现有语言、艺术、代码、决策以及更广泛的人类交流方式的高度数学化表达，我们就能更好地理解如何在此基础上持续创新

5.5. AI是人类智慧的有力补充

• 5.5.1. 要在AI影响日益深远的世界中蓬勃发展，我们需要深入理解其潜力，培养与AI协作的技能，并善用其能力来提升个人与职业生活的品质

5.6. 提升自我认知

• 5.6.1. 首先要了解AI是什么、其工作原理以及潜在影响

5.7. 坚持终身学习

• 5.7.1. 随着AI技术的持续发展，在AI时代立足所需的技能也在不断变化

• 5.7.2. 发展那些不易被自动化且能够与AI形成互补的技能尤为重要

• 5.7.3. 批判性思维、创造力和情商等软技能，这些能力难以被AI复制，在许多职业领域中都备受重视

5.8. 参与伦理讨论

• 5.8.1. AI既可用于造福社会的正面目的，也存在被滥用的风险，因此我们必须警惕其潜在风险，确保AI的应用方向是为了造福人类社会

5.9. 为变革做好准备

• 5.9.1. 在积极拥抱AI带来的机遇的同时，也要对信息保持谨慎和怀疑的态度

• 5.9.2. 并非所有的AI应用都毫无风险或绝对有益，我们需要仔细甄别信息的来源是否可靠，洞察技术工具背后的设计意图