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）