机器学习的发展策略
2017年3月，在Google的年度开发者大会中，执行长桑德尔．皮蔡（Sundar Pichai）宣布公司将从「行动优先的世界转向AI优先的世界」，紧接着公布一系列在多方面进行的AI发展：从开发机器学习优化的专用芯片，到使用深度学习在癌症研究等新应用，再到将Google的AI助理推广到种种装置上。皮蔡宣称公司正从「搜寻与整理世界的信息，转型为AI与机器学习。」
这样的宣告比彻底的转变愿景更具策略性意义。Google创办人赖利．佩吉（Larry Page）在2002年就勾勒出这条路线：
我们未必总是可以创造众人想要的东西，虽然我们真的很努力这样做，但真的很难。要做到这点，你必须很聪明、必须了解世界上的一切，必须了解它们的疑问。我们正努力在做的就是人工智能……最终的搜索引擎应该要很聪明，所以我们努力往那个目标更加接近。1
就这方面来说，Google自认已经走在建立人工智能的路上多年，只是最近才大方公开将AI技术放在每件事情的核心。
Google这种策略承诺并非特例。同一个月，微软宣布「AI优先」的意图，跳脱「行动优先」以及「云端优先」。2但是AI优先的概念是什么意思？对Google与微软来说，它们的第一个转变（不再行动优先）提供一些线索。要做到行动优先，必须将消费者带进你提供的行动体验，并让接触消费者的行动界面优化，即使要以整个网站和其他平台为代价。后面这部分就是做出的策略。「行动体验良好」是锁定的目标，但这表示就算会伤害其他管道也会这样做，那就是真正的承诺。
而这在AI优先的背景下代表什么意义？Google研究总监彼德．诺米格（Peter Norvig）给了一个答案：
以信息检索来说，查全率（recall rate）与查准率（precision ratio）超过80％就算相当好了，既然使用者可以忽略不好的建议，就不必所有建议都得完美。在提供帮助下，产生的障碍就更高了。你不会使用预期会有20％错误的服务，甚至是2％错误的服务。所以一个助理需要更为准确，因此也更加聪明，对状况更加清楚。这就是我们说的「AI优先」。3
这对资讯工程学家来说是不错的答案。强调技术的表现，尤其是准确度。但这段声明也暗示其他意思，如果AI优先（使预测准确度达到最大），那第二重要的是什么？
经济学家的敏锐嗅觉知道，任何「将注意力投注在X」的说法意味着有个权衡取舍，一定会放弃某样东西来交换。强调预测准确度高于一切要付出什么代价？我们的答案来自核心的经济学框架：AI优先意味着将资源都用在搜集数据和学习（较长期的目标），牺牲重要的短期考虑，例如眼前的顾客体验、营收，以及用户数。
创新者的两难
采取AI优先策略是承诺将预测质量列为优先，并支持机器学习流程，即使要付出短期的代价，像是消费者满意度及营运绩效。搜集数据可能意味着采用预测质量未达最佳水平的AI。所以主要的策略两难是，究竟要将学习列为优先，还是避免因此牺牲性能表现。
不同的企业会以不同的方法处理这个两难，并做出不同的选择。但为什么Google、微软与其他科技公司却选择AI优先？其他企业可以遵循这条路线吗？还是那些公司有什么特别的地方？
这些公司有个与众不同的特征，就是它们已经搜集与产生大量的数字数据，而且在不确定的环境中经营。因此，预测机器或许能发展出未来会广泛用在企业中各产品的工具。而在内部，与更好、更便宜的预测相关的工具也有需求。另外就是供给面的优势，这些公司已经招揽技术人才，用来发展机器学习与应用。
套用第十五章的杂交玉米来模拟，这些公司就像爱荷华的农夫。但AI导向的科技呈现另一种重要特征。由于学习需要时间，而且通常导致欠佳的结果（特别对消费者来说），所以也有克雷顿．克里斯汀生说的「破坏性科技」特点，意思就是有些已有规模的公司会发现很难迅速采用这种科技。4
就以现有产品新的AI版本来说，开发产品需要有用户。AI产品最早的用户会感受到不太好的顾客体验，因为AI需要学习。一家公司可能有稳固的顾客基础，因此可以让那些顾客使用产品，并提供训练数据。然而那些顾客对现有的产品感到满意，可能不会忍受转换到暂时较次等的AI产品。
这是典型的「创新者的两难」，因此已有规模的公司不想破坏现有的顾客关系，即使这样做长期来说比较好。会发生创新者的两难，是因为创新刚开始出现时，可能还无法满足产业中地位稳固公司的顾客，但可能足以为新创公司带来足够的顾客，在某个利基市场建立产品。久而久之，新创公司累积了经验。最后，新创公司学到的经验足以创造强大的产品，进而从更大的对手中抢走顾客。到那个时候，较大的公司落后太多，而新创公司终于拥有优势。AI需要学习，而新创公司或许比地位较稳固的对手更愿意投资在这种学习上。
当公司面临严峻竞争时，创新者的两难就比较不是问题，特别是竞争来自新进业者，而那些新进业者并没有需要满足既有顾客基础的限制。在这种情况下，竞争的威胁意味着毫无作为的成本太高。即使你的公司已经地位稳固，这种竞争会让重心快速偏向采用破坏性科技的一方。换句话说，类似AI这样的科技长期潜在的影响可能很大，一点点的破坏可能就会使得顾客提前采用新产品，就算是既有的公司也不例外。
在机器的预测准确可靠之前，可能需要大量的数据和时间学习。预测机器能马上投入使用是非常罕见的例子。将AI驱动的软件卖给你的人，已经做了困难的训练部分。但是当你想将AI用在事业的核心目标时，不可能有现成的解决方案。你不需要一本使用手册，反而更需要训练手册。这种训练需要设法让AI搜集数据，并加以改进。5
学习路径
边用边学（learning-by-using）是经济史学家纳森．罗森伯格（Nathan Rosenberg）创造的名词，用来形容企业透过与用户互动，改善产品设计的现象。6他主要是应用在飞机的性能表现，随着飞机制造商透过多加使用而学习，使得飞机从最初比较保守的设计，渐渐以更大容量与更高效率的更好设计所取代。最早开始的制造商因为学到更多而有优势。当然，这种学习曲线在各种背景下提供策略优势。这对预测机器来说尤其重要，毕竟预测机器要仰赖机器学习。
我们至今尚未花太多时间区分机器学习的不同学习类型。我们主要着重在监督式学习（supervised learning）。当你要试图预测时已经有不错的数据，就可以使用这种技巧；举例来说，你有几百万个影像，而且知道其中有猫或肿瘤，你可以根据这一点来训练机器。监督式学习是我们身为教授重要的一项工作，我们教授新教材，给学生看见问题和解决方案。
相反地，当你在试图预测时没有良好的数据，但在事实出现后能知道自己的准确度，那会如何？这种情况就像第二章讨论资讯工程学家采用的增强学习（reinforcement learning）。许多幼童和动物就是以这种方式学习。心理学家巴发洛夫（Pavlov）在给狗吃东西时会按铃，后来发现按铃会启动狗的唾液反应。狗学会将铃声联想到会收到食物，进而知道铃声可以预测附近有食物，并因此做好准备。
而在AI，增强学习的许多进展出现在教导机器玩游戏。DeepMind给AI一套电玩游戏的控制器，如Breakout，并在没有其他指示的情况下「奖励」AI获得更高分。AI学会玩许多雅达利电玩游戏，甚至玩得比最厉害的人类好，这就是边用边学。AI玩几千次的游戏，而且可以学会玩得更好，就像人类一样，只不过AI能比所有人类玩更多游戏、玩得更快。7
让机器做出特定决策，然后利用那些决策数据加上过去的经验（决策与得到的分数），预测哪些决策可使分数增加最多，学习的成效就会出现。学习的唯一方式就是实际去玩。没有一条学习的路径，机器就玩不好，也无法随着时间改善。这种学习的路径成本很高。
何时该让产品上市？
熟悉软件开发的人都知道，程序需要广泛测试才能找出错误。有些情况下，一些公司将软件释出给用户，协助找出正常使用时可能出现的错误。无论是「内部试用」（dog fooding，强迫在公司内部使用早期的软件版本）或是「抢鲜版测试」（beta testing，邀请早期采用者测试软件），这些边用边学的形式都包含在学习上进行短期投资，让产品可以随着时间改进。
这种为了长期利益而付出的短期训练成本，类似人类学习将工作做得更好的方法。虽然麦当劳的工作人员不需要大量训练就能开始工作，但新员工比经验较丰富的同事做得慢，错误也较多，他们会随着服务的顾客增多而改进。
商用航空公司的机师也会从值勤经验中持续进步。2009年1月15日，全美航空（US Airways）1549号班机遭到一群加拿大雁鸟击，所有引擎失去动力，机长切斯利．「萨利」．苏伦博格（Chesley “Sully” Sullenberger）奇迹似地将飞机降落在哈德逊河，拯救机上155名乘客的生命。大部分记者将他的表现归因于经验。他总共的飞行时数有19,663小时，包括空中巴士A320的4,765个小时。萨利本人回忆道：「这件事一方面可以看成是42年来，我在相关经验、教育与训练银行中定期小额储蓄，在1月15日那天，存款充足，所以可以一次把许多钱领出来。」8萨利和机上的乘客因为他先前飞行搭载过的千万人而受益。
新手柜员的能力与「优秀到足以开始上手」的机师差别在对错误的容忍度。很显然，我们对机师的容忍要低很多。我们很放心，因为美国运输部联邦航空总署会管理机师的检定认证，而且机师还需要至少1,500小时的飞行经验、500小时的跨国飞行时数、100小时的夜间飞行时数，以及75小时的仪器操作时间，甚至还要从在职训练中持续学习。至于不同工作需要多少训练才能足够优秀，定义各不相同。机器学习也一样。
公司设计制度训练新员工，直到够好才能把他们派去服务，知道他们在工作经验中会有所进步。但是怎样才算够好，这是重大的决定。以预测机器来说，可能是跟时机有关的重大决策：什么时候从内部训练转为在职学习。
预测机器怎样才算够好，并没有现成的答案，只有取舍问题。预测机器能否成功，需要认真看待这样的取舍，并策略性的处理。
首先，一般人对错误的容忍度有多高？我们对一些预测机器的错误容忍度高，一些则容忍度低。举例来说，Google的Inbox应用程序会读取我们的电子邮件，使用AI去预测我们想要怎样回应，并产生三个简短回应让我们选择。许多用户回报称喜欢使用这款应用程序，虽然失败率达70％（在我们写作之际，AI产生的回应大概只有30％可用）。这种对错误的高容忍度，原因在于减少编辑与打字的好处，高过预测错误时所提供的建议与浪费屏幕空间的成本。
反过来说，自动驾驶领域的错误容忍度就很低，主要由Google率先开发的第一代自动驾驶车是由专业的人类驾驶训练，由人类驾驶，开了几十万公里，很像是家长监督青少年学开车。
这种人类专业驾驶提供安全的训练环境，但效果也极为有限，机器只能学习几种情况。一般人可能在各种不同的环境和状况下开几百万英里，才有机会学到如何应付导致意外的事故。对自动驾驶车来说，实际道路险恶无情，正是因为人类造成的险恶无情状况可能发生在它们身上。
第二，获取真实世界中的用户数据有多重要？特斯拉明白训练可能要花很长的时间，所以最近所有车款都推出自动驾驶功能。这些功能包括一组传感器，可以搜集环境数据与驾驶数据，并上传到特斯拉的机器学习服务器。在非常短的时间里，特斯拉只要观察汽车驾驶如何开车，就可以取得训练数据。在路上跑的特斯拉汽车愈多，特斯拉的机器就能学到愈多。
不过，除了在人类驾驶特斯拉的同时被动搜集数据之外，特斯拉也需要自动驾驶数据来了解这套自动驾驶系统的运作情况。因此，特斯拉需要让汽车自动驾驶，才能评估性能表现，还要分析什么时候人类驾驶会选择干预，而这些时候都需要有人类存在和关注。特斯拉的最终目标并非创造一个副驾驶，或是在监督下开车的青少年，而是完全自动驾驶的汽车，这需要达到真人在自动驾驶的汽车内也能感觉安心的状态。
这里就有微妙的权衡取舍了。如果要做得更好，特斯拉需要让机器在实际状况中学习。但是将目前的汽车放在实际状况中，意味着给顾客配备相当年轻且缺乏经验的驾驶，虽然说可能跟许多年轻人的表现差不多，或者更好。然而，比起抢鲜版测试Siri或Alexa是否理解你说的话，或是Google Inbox能否正确预测你对电子邮件的响应，风险远远大了许多。以Siri、Alexa或Google Inbox来说，错误意味着有个低质量的用户体验。而以自动驾驶车来说，一个错误可能就会丧失性命。
这种经验可能令人心惊胆战。9汽车可能会毫无预警就下了高速公路，或是误将地下道当成障碍物而踩剎车。紧张的驾驶人可能选择不用自动驾驶功能，同时也阻碍特斯拉的学习能力。就算公司可以说服一些人成为抢鲜版的测试者，但那些人是他们想要的人吗？毕竟自动驾驶的抢鲜版测试者可能是比一般驾驶更爱好冒险的人。如果是这样，公司要将机器训练成像什么样的人？
机器有更多数据可以学得更快，而当机器安排在自然环境中，就会产生更多数据。不过，如果在真实世界中发生不好的事，可能会伤害公司品牌。太早将产品放进自然环境中可以加速学习，但有伤害品牌（可能还会伤害顾客）的风险；太晚推出则会使学习减缓，但也有更多时间在内部改进产品，并保护品牌（同样也可能会保护顾客）。
对于像Google Inbox这类产品，取舍的答案似乎清楚明白，因为表现不好付出的代价很低，而从顾客那里边用边学的获益很高，很早在自然环境中推出这种产品就可以理解。至于其他产品，例如汽车，答案就比较含糊了。随着各产业有更多公司企图利用机器学习，选择如何处理这种取舍的相关策略将日趋重要。
利用模拟的环境学习
有个中间的步骤可以缓和这种取舍，那就是使用模拟的环境。机师在真正上飞机实际飞行前的训练阶段，要在非常复杂而写实的仿真器中花几百个小时练习，AI也有类似的作法。Google训练DeepMind的AlphaGo打败世界最厉害的围棋高手时，不但要看几千场人类棋手之间的比赛，还要跟另一个AI对弈。
这种作法的一种形式称为对抗式机器学习（adversarial machine learning），将主要的AI与发展目标和另一个企图阻挠达到那个目标的AI对抗。举例来说，Google的研究人员让一个AI用加密过程寄送讯息给另一个AI。两个AI有同样的密钥可以给讯息编码与译码。第三个AI（对手）拿到了讯息，没有密钥但企图解碼。藉由许多模拟，这种对抗可以训练主要的AI以缺少密钥就难以译码的方式传递讯息。10
这种模拟学习法无法实地进行，需要类似实验室的方法产生新的机器学习算法，之后就可以复制并推广给使用者。好处是机器并非在自然环境中训练，因此使用者体验的风险，甚至使用者本身的风险，都会减少；但坏处是模拟可能无法提供足够丰富的回馈，降低尽早推出AI的需求，但这样的需求并没有完全消除。最终，你还是要放手让AI在自然环境中学习。
该从云端学习还是在机器上学习？
在自然环境中学习可以使AI进步。公司之后可以利用预测机器在真实世界产生的结果，改善下次的预测。通常公司会在真实世界中搜集数据，在公布新版预测模型前进行调整。
特斯拉的Autopilot不曾从实际消费者的操作中学习。在实际上路时，它将数据送回给特斯拉的云端进行运算。特斯拉再汇集数据并用来更新Autopilot，这时候特斯拉才会推出新版的Autopilot。这样的学习发生在云端上。
这种标准作法的优点，就是避免使用者用到训练不足的版本。不过缺点是，装置上的普通AI无法考虑到变化快速的当地状况，或至少只有在数据内建到新一代版本时才可以考虑。因此，从使用者的观点来看，进步是跳跃式的。
相较之下，想象AI如果可以在装置上学习，并在同样的环境中改善，那就可以更快速地对当地状况做出反应，并针对不同环境进行优化。在情况快速变动的环境中，在装置上就能改善预测的预测机器比较有利。举例来说，像Tinder（颇受欢迎的约会应用程序，用户可以看照片选择是否进一步联系，将照片往左滑表示拒绝、或向右滑表示接受）之类的应用程序，用户快速做出许多决定，这可以立刻投入预测，判定下次要显示哪些可能的约会对象。使用者的品味拥有独特性，而且会随着时间改变，改变可能出现在一年之间，也可能在一天之内。如果使用者都是相似且有稳定喜好的人，将数据送到云端并加以更新的效果很好。不过如果使用者的品味各自不同，而且会快速变动，那么能在装置上调整预测就很有帮助。
企业必须权衡，要多快去使用预测机器在真实世界中的经验来产生新预测。立刻使用这种经验，AI会更快适应当地状况做出变化，但要付出质量无法保证的代价。
考虑隐私权的两难
学习通常需要顾客愿意提供数据。如果策略牵涉到以其他东西为代价，那么在AI领域，很少公司比苹果公司做出更早、更强烈的使命宣言。提姆．库克（Tim Cooke）在苹果官网首页中专门提及隐私权的部分写道：「在苹果，对我们来说，你的信任就代表一切。这就是为什么我们会尊重你的隐私，以强大的加密方式提供保护，并用严格的政策来管理所有数据的处理方法。」11
他又继续写道：
几年前，网络服务的用户开始了解到，一项网络服务如果是免费的，那你就不是顾客。你是产品。但在苹果公司，我们相信出色的顾客体验不应该以你的隐私为代价。
我们的商业模式非常直接：我们销售优异的产品。我们不会根据你的电子邮件内容或网络浏览习惯建立档案，卖给广告主。我们不会将你储存在iPhone或iCloud的信息「变现」。而且我们不会读取你的电子邮件或讯息，以取得信息向你营销。我们的软件与服务设计是要用来让我们的装置更好，就是这样。12
苹果并非因为政府法规而做这个决定。有些人宣称苹果做这个决定，是因为据传公司发展AI的进度落后Google与脸书。没有一家公司可以避开AI，苹果肯定也不行。这份承诺会让他们的工作更为困难。苹果打算以尊重隐私的方式发展AI，这是策略上的一大赌注，赌消费者想要控制自己的数据。无论是为了安全还是隐私，苹果赌自己的承诺可能会让更多消费者同意把AI放进他们的装置上。13苹果并非唯一打赌保护隐私会带来回报的例子。Salesforce、Adobe、Uber、Dropbox与许多业者都在隐私权上大举投资。
这个赌注有策略意义。包括Google、脸书与亚马逊等许多公司选择不同的路线，告诉用户，它们将用数据提供更好的产品。苹果对隐私的重视，限制公司可以提供的产品。比方说，苹果和Google都在照片服务内建脸部辨识。要对消费者有帮助，脸孔必须加以标记。Google的作法是无论什么装置都保留标记，因为辨识是在Google的服务器执行。然而苹果因为隐私考虑，选择在装置上进行辨识。意思是说，如果你在自己的Mac计算机上标记熟人的脸孔，那些标记不会保存到你的iPhone或iPad。毫不意外，这造成隐私考虑与消费者可用性遇到阻碍的两难。（苹果公司将如何处理这些问题，在我们写作之际仍不得而知。）
我们不知道实际上会出现什么状况。无论如何，我们身为经济学家的敏锐嗅觉清楚知道，以隐私考虑交换预测准确度所带来的相关报酬，将引导最终的策略选择。强化隐私或许会让企业获得许可，得以了解消费者，但也代表这样的学习不是特别有用。
经验是稀有资源
导航应用程序位智从其他用户那里搜集数据，预测出现交通问题的地点。它能为你找出最快的路线。如果这就是它在做的事，那并没有什么问题。不过，预测会改变人类的行为，而这才是位智计划要做的事。当机器从群众接收到信息，它的预测可能会因此受到扭曲。
对位智来说，问题在于使用者会遵循它的引导，避开交通问题，也许是穿过巷弄。除非位智做出调整，否则它永远不会被告知交通问题已经减缓，正常路线再次成为最快路线。为了克服这个障碍，位智必须派出一些人类驾驶回到交通堵塞的地方，看看壅塞情况是否还在。这样做呈现一个明显的问题：接受指引的人可能成了为大众更大的利益而被牺牲的羔羊。毫不意外，这会降低产品的质量。
当预测改变群众的行为，因而否定AI形成正确预测所需的信息，由此产生的取舍并没有轻松的办法可以克服。以这个例子来说，众人的需求超过少数或个人的需求。但这对顾客关系管理来说，肯定不是令人心安的思维方式。
有时候为了改进产品，特别是牵涉到边用边学时，强烈改变系统以便消费者确实感受到新体验、让机器得以从中学习很重要。被迫进入新环境的顾客通常会有比较糟的体验，但其他人都能从那些体验中获益。就抢鲜版测试来说，这种取舍是自愿的，由顾客选择接受早期版本。但抢鲜版测试吸引到的顾客，使用产品的方式可能和平常的顾客不一样。要取得所有顾客的体验，有时候可能需要为那些顾客将产品降级，以便获得让所有人获益的回馈意见。
人类也需要经验
在考虑人力资源的招募经验时，你或许会更明显感受到经验的不足。如果机器获得经验，人类可能就得不到。最近有些人表达这个疑虑，担心自动化会导致人类的技能下降。
2009年法国航空447号班机从里约热内卢飞往巴黎时，在大西洋坠毁。危机来自恶劣的天气，但在飞机解除自动驾驶时，危机加剧。根据报导，当时负责控制的人不像全美航空飞机上的萨利机长，而是经验相对不足的机师拙劣地处理状况。而当比较有经验的机师接手时（他原本睡着了），并无法正确地评估状况。14经验丰富的机师前一晚没怎么睡。虽然资浅的机师有将近3,000小时的飞行经验，但那并不是优质的经验，大部分的时间，他是用自动驾驶功能开飞机。
飞行自动化已经成为常态，反应出的证据是1970年代之后，大多数飞机事故都是人类犯错后的结果。因此，人类之后要被排除到控制决策圈外。不过，讽刺的意外结果是，人类机师获得的经验变少，能力甚至变得更差。
对经济学家提姆．哈福特（Tim Harford）来说，解决办法显而易见：自动化的规模必须缩减。他主张，应该自动化的只有比较例行性的状况，所以比较极端的状况需要人类干预。如果你是藉由大量感受正常情况来学会处理极端状况，这样就会出现问题。法国航空的飞机面临极端状况，却没有经验丰富的人手给予适当的处理。
哈福特强调，自动化未必都会导致这种复杂难题：
有很多情况是自动化不会创造这种矛盾。顾客服务网页也许可以处理一般例行的客诉和要求，因此工作人员省下重复性的工作，或许处理顾客比较复杂的问题能有更好的表现。开飞机却不是这样。自动驾驶和比较精巧的线传飞控（fly-by-wire）辅助，并未让机组人员就此腾出手来，专注在有趣的事情上，反而是让机组人员腾出时间在控制室睡觉，不管这是比喻还是实际状况。有个众所周知的事件就发生在2009年末，当时两名机师让自动驾驶飞过明尼亚波利斯机场超过100英里，因为他们一直盯着自己的笔记本电脑。15
毫不意外，本书讨论的其他例子通常落在飞机这一类，而非顾客客诉，包括自动驾驶车这整个领域。当我们大多数的时间都不开车，却在遇到极端事件、将汽车的控制权交到我们手上的时候，我们会怎样做？我们的孩子会怎样做？
解决办法包括要确保人类可以获得技能，并保留下来；减少自动化的数量；提供人类学习的时间。事实上，经验是一种稀有资源，必须分配一些给人类，才能避免失去技能。
将逻辑反推也一样有道理。要训练预测机器，让它们透过可能造成灾难的事件学到经验确实很珍贵，但如果你让人类加入决策圈，要如何让机器得到经验？于是创造学习途径的另一个取舍，就发生在人类经验与机器经验之间。
这些权衡取舍透露Google、微软等领导业者AI优先宣言的言外之意。这些公司愿意投资数据，协助自己的机器学习。将改善预测机器列为优先要务，即使需要降低眼前顾客体验的质量或员工训练的质量。数据策略是AI策略的关键。
本章重点
* 转向AI优先策略意味着，之前的优先要务不再优先考虑。换句话说，AI优先并非流行用语，而是代表真正的取舍。AI优先策略将预测准确度达到最大列为组织的核心目标，即使这代表要对其他目标妥协，例如营收、使用者人数或使用者体验达到最大。
* AI可能会破坏产业，因为现有的公司采用科技的经济诱因通常不如新创公司。AI产品通常一开始的表现比较差，因为预测机器需要花时间训练，才能与写入程序、接受人类指示的装置不相上下。不过，一旦采用AI，AI可以持续学习改进，将非智能的竞争对手产品远远抛在后头。
地位已经稳固的公司会忍不住采取观望态度，袖手观察AI在产业的应用进度。这对一些公司来说或许有效，但有些公司会发现，一旦竞争对手在AI工具的训练与布局取得领先，要赶上就有困难了。
* 另一个策略性决定和时机有关：什么时候将AI工具释出到自然环境中。AI工具最初是在内部训练，远离顾客。不过，若是用在商业用途会学得更快，因为接触到真实操作环境，而且通常能接触到更大量的数据。尽早上市的好处是学得更快，代价就是风险较高（让顾客接触到未受充分训练的不成熟AI，对品牌或顾客安全都有风险）。有些时候取舍很清楚，例如Google Inbox，学习更快所带来的优点，超过表现欠佳所带来的成本。不过有时取舍就比较不明确，例如自动驾驶，因为要衡量尽早推出商用产品所带来的报酬规模，以及产品准备好之前就上市而出错所带来的高成本。
