与手机 APP 的爆发式增长不一样，Chatbot 快速增长隐藏的风险是，我们会假定所有的对话交互界面都会拥有人类水平的对话能力。但显然，大多数的界面并不具备这种能力。下一年度，我们将会看到这种不切实际的想法的幻灭，与此同时，这也能迅速地澄清 Chatbot 的概念。

　　当我们的基金在研究这一新兴领域时，我们会把每一个技术分成两个部分：对话界面本身和其背后能从数据中进行学习、根据用户行为作出反应的“代理”（agent）。我们把大部分的时间都花在思考背后的代理上面，思考它是否能真正地解决一个有意义的问题。

　　究竟会不会有一个“一统天下的bot”？对于这一话题，我们搜集到了很多问题。坦白说，从研究的多个领域来看，我们并不同意这一观点。我们确定，不会有一个一统天下的 bot，甚至也不会有一个一统天下的交互界面。目前看来，bots 只是平庸的专家：主攻某一特定的领域。

　　关于代理如何进化，我们使用了一个框架去进行思考：一个 CEO 及其助理。许多名列Fortune 500 强的企业的 CEO 都会聘请一名日程安排员、一名副手、一个研究团队、一名文字编辑、一名演讲稿撰写人、一名私人购物员、一名司机和一名专业的指导。以上这些人，每一个都扮演着截然不同的角色，可以获得或者处理的数据也完全不一样。Bots，或者说代理生态系统，也应该有类似的职能分类和清晰的目标，并作出明显的功能区分（一些 CEO 也会有一名助理专门协调以上各种工作，所以也许我们会看到“一个主管一切的交互界面”）。

　　在我们的生态场景图中，你还能看到，一些企业级别的机器智能功能将会被重新创造（大多数是在交互界面而不是对话的 bots）。

　　迈向 11111000001

　　在大型机构里成应用机器学习的案例令人震惊的二元化，简直像一个顽固的电灯开关。虽然十分艰难，不过一旦成功用上了机器学习，这家机构就会把这种技术的潜力发挥到极致。谷歌、Facebook、苹果、微软、亚马逊、Uber 等公司在机器学习上大力投资，将其应用于几乎所有自己的产品线。

　　其他的公司则举步维艰，让人想起 1997 年，很多董事会焦虑地开会思考“该拿互联网这东西怎么办？”为什么对这些公司来说，扭转思维那么困难呢？机器智能与传统软件不同。不像大数据，atv，你可以花钱买能力；但机器智能涉及到更加深层的组织架构和流程转变。企业需要一次性决定他们是否该信任机器智能去做分析，或者是否在他们的核心流程里嵌入通常是不可知的机器学习模型。团队需要弄清楚如何测试这种新获得的能力，应用也需要跟着改变才能提供比以前的系统记录更多的服务，员工也必须得到相应的培训，此外，他们还得学习自己输入的数据。

　　与传统的硬编码软件不同，机器智能仅能够提供概率性的输出。我们想让机器智能根据不完全的信息做出主观的决定（是不是莫名很像把事情全部交给同事去做？）。因此，这种新的机器智能软件会犯错误，就像我们人会犯错一样，我们需要考虑何时信任它，何时不信任它。

　　要让人信任新的机器智能，这种想法令人生畏，因而也使得机器智能比传统软件更加难以得到采用。有几个人告诉我们，要预测一家公司是否会成功采用机器智能的最大指标，是看他们是否有一个有高等数学学位的 C-Suite 高管。这样的高管知道机器学习不是魔术——只是（实打实的）数学而已。

　　机器智能商业模式将不同于发放许可证和订阅的软件，然而我们却不知道这个差别在哪里。与传统软件不同，我们仍然缺乏管理的框架来决定在哪里部署机器智能。Ajay Agrawal、Joshua Gans 和 Avi Goldfarb 等经济学家已经采取了第一步，帮助管理者去理解机器智能的经济学，并且预测在哪里部署机器智能才是最有效的。不过，我们仍有很多工作要做。

　　在接下来的几年里，我们所面临的真正危险不是我们在反乌托邦科幻电影中看到的种种情形。机器智能的真正危险在于，企业高管将对构建什么样的机器智能性能做出错误的决定。

　　无法“长大”的初创企业，构成了全景图中“彼得潘的永无岛”