在我最近于纽约进行的一次关于供应链中的AI的会谈里，很多人对我提出的一个问题是“你在谈论机器人吗？”

如今，AI已经被浪漫化成一个抽象的词，描绘着一副你在休息时由机器人帮你做家事，但它到底意味着什么？且这个词到底是怎么诞生的？人工智慧的范畴包含机器学习及大数据程序，使你从历史数据及实时观测当中获得预测的价值。

为达到真正的AI，你必须训练大量的数据组（历史及实时数据），达成一定的基准，使用增量信息进行深度学习，并开始揭示预测价值。AI通常与物联网（IoT）协同工作，其包括如可穿戴设备和连接型家用配置设备。简单地说，IoT收集信息，但AI是推动在这些信息中分析和决策的引擎。

IoT连接不同的设备，如可穿戴设备，并可扩展连接几乎无限数量的设备，连续串流数据。AI处理数据，推断这些数据，最终实时提供建议。

举例来说：保险业

大约在2012年，我在Humana进行年长者（65岁以上）家居相关的项目中，研究如何减少跌倒的发生率及预估相关紧急服务的需求。我们必须实时执行以确保在事故发生前的即时反应、改善年长者的健康状况及节省费用。根据已存在的索赔数据，我们需要了解基准-例如，在家庭中发生的典型活动。

在这个项目中，物联网设备通过使用移动传感器发挥作用。在年长者的许可后，我们在家里安装了多个移动传感器，特别是在厨房，浴室和客厅等区域。这些传感器开始在房里收集一段时间的基础生物测定数据，然后将数据实时存储在云中。为了促进深度学习（AI的一种形式），来自先前保险索赔的历史数据与实时数据是并排分开分析的。这样可以更容易发现异常并对其采取行动、提供洞见以预测紧急状况的可能性和建议。

第二个例子是在2006年，同样是保险业，我们当时在做一个技术评估的预警系统。医疗设备昂贵并且不总是有效用。因此，必须使用成本效益分析来证明其相对于替代方案的使用性。例如，减肥手术可能花费10,000美元，但它仍然是实验性的，特别是当你考虑患者和他们的健康状况。这并没有达到相对于其成本的功效。

最后，我们需要预知患者将寻求探索与替代方案相关的程序，基于患者的健康状况了解此类程序将如何有效用，以及了解供应方有效合同的定价基准。在数百万条关于此类程序的索赔数据（历史数据），其中一些包括可穿戴设备（计步器，健身追踪器数据）的数据，结合实时电子裁决（实时支付）和供应商办公室访问观察，我们能开始将替代减肥手术的推荐程序自动化。

AI中许多的进步来自人工神经网络（或ANN）。灵感来自人类的大脑，它松散地构建生物大脑解决问题的方式、自我学习和训练自己的系统，而不是回应编程。通过神经网络，演算法原先由人类训练。历经一段时间后，演算法开始做出自己的假设，减少对人类训练的依赖，并解决复杂的问题。

最后，物联网是不够的。必须有一个附加的智能、一个能寻求解决问题的AI，而不仅仅是处理数据或提供仪表板面数据，必须有数据和行动。