人工智能风靡一时。如今，如果我们变得更聪明，也就是说，如果我们拥有更多的计算能力，那么计算所能实现的成就看起来就类似于人类所做的事情。但是仅仅因为计算系统可以做某事，应该吗?我们希望计算机代表我们执行什么操作?

我们可以将其视为“代理机构”问题。与代表雇员保险公司提供客户服务的非雇员保险代理人不同，我们正在冒险进入一个有望使计算系统代表品牌或其他法律实体执行工作或采取行动的领域。

人工智能已经证明，它可以通过识别数据模式来执行令人难以置信的处理功能，例如推荐音乐，识别面孔和预测零件故障。而且，它可以大规模地完成这些事情，并且其熟练度至少等于一组人，并且成本非常低。

但是，这些任务大多数涉及琐碎的代理问题。随着AI投入服务以执行更复杂的任务(在权衡的解决方案无法解决甚至无法制定折衷方案的情况下)，代理成为系统设计，构建和运行的中心特征。确实，人工智能的成功催生了人工代理问题。

确定任务是否简单，以及因此确定代理是否是潜在问题的算法非常薄弱。通常，规则是如果代理问题是一个问题，请不要实施AI。这就是为什么当今如此众多功能强大的AI解决方案都在已经接受工程，法律和道德观点的自动化但正在寻找更好的自动化方法的领域中运行的原因。

但是我们知道这将会改变。据我所知，埃隆·马斯克(Elon Musk)决定为特斯拉汽车增加自动驾驶功能，但并未引起公众的广泛讨论。他的“算法”似乎是“我先射击，然后问问题”。有趣的是，马斯克是关于限制AI的激烈辩论中最响亮的声音之一，本质上声称AI将以一种或另一种方式掩埋人类。也许马斯克(Musk)认为，通过先行一步，他既可以收获非凡的利润，又可以向自己未来的机器人大师讨好。

像许多其他寻求对复杂主题进行更多公开讨论的马斯克一样，马斯克更有可能在寻求突破AI极限时希望获得政府的一点掩护。但是无论如何，都需要更多的讨论，尤其是在公司内部这样的小规模讨论中。以下是企业领导者必须开始解决的一些问题：

我们要在哪里部署“代理系统”?您无疑已经听说过术语记录系统和情报系统。好吧，让我向您介绍代理系统。Wikibon正在对该主题进行大量研究。本质上，代理系统是代表品牌执行工作的系统，尤其是使该品牌承担责任的工作。我们的研究表明，根据产生的负债的性质以及决定行为的人(或由谁决定)，可以提出一系列的代理制度。

设计和部署代理的工具在哪里?用于应用程序开发和DevOps的工具正在方法，业务流程，服务，安全性和其他方面迅速发展。很快，用于将企业对代理风险的偏好转化为有效的AI的新生工具将开始投放市场。随着时间的流逝，实际上可能很快，设计，开发，测试，部署和维护代理的惯例将被整合到应用程序中。确实，如果您在应用程序中使用区块链，它已经开始。

我们如何在代理系统中定价风险?这是一个很大的问题，它将引发许多与AI相关的创新。核心挑战是两个。首先，根据定义，复杂的决策域具有不可设计或无法解决的偶然性。糟糕的选择会带来可怕的后果，伟大的开发人员对此无能为力。其次，我们仍然存在合理定价数据价值的问题。如果我们无法对用于构建AI驱动的代理系统的数据进行定价，那么基于该数据对系统的风险进行定价是有问题的。简而言之，我们会听到很多关于代理概念验证的系统的信息，这些概念从未见过，因为我们无法结合它们。

行动项目

人工智能正在使日益复杂的工作自动化。但是，企业领导者需要仔细研究AI机构的问题。仅仅因为可以构建AI系统并不意味着就应该部署它。