第一波人工智能浪潮的基礎是給個別互聯網用戶的瀏覽數據貼上標籤，從而得知每個用戶的喜好，而第二波商用人工智能則是給傳統公司數十年來積累的大量專業數據貼上標籤，而用上運算法去找出特徵來做出精準預測、判斷和決定。商用人工智能從數據庫中挖掘人類往往會忽略的隱藏聯繫，因為大部份人類只能根據強特徵(Strong Features)來做預測，例如人們可能用身體質量指數(BMI)這些強特徵去預測患糖尿病的可能性，而人工智能算法除了考慮強特徵外，更會將一些表面上毫無關聯性的弱特徵(Weak Features)也一併計算，將數千萬個例子結合起來，可以發現一些對預測結果有幫助的重要聯繫。
傳統的財務公司或銀行貸款部門只會根據客戶填寫的申請書去作出貸款申請審核，用的都是為各項欄目作打分，然後作出一個總分去決定這個客戶值不值得放貸和可貸款的金額是多少，但是商業智能化如Alipay和微信支付則擁有大量信息，這些數據如有沒有過期還圖書館的書本、轉換工作的頻繁次數、身體健康質素如心跳紀錄看似和信貸無關，但大數據和加入運算法之後，他們得出的結果會比傳統的申請除了精準之外，結果更是動態的，只需數秒便會得到結果，Smart Finance取代了傳統銀行客戶經理的工作。
金融是相對容易理解和首先採用的行業，醫療和法律是另外兩個行業也採用弱特徵去幫助醫生和法官去作出斷症和判案，要訓練一個出色的醫生，是他需要經歷疹斷過一定數量的病人，才可以準確對症下藥，依靠的是大數據和自我學習，筆者稱之為人肉Alpha Go，但有了商用人工智能在過去醫療病例的數據之下，便可以從病徵中快捷地找出可能性高疾病，以免醫生因為經驗不足而作出誤判，以免判錯症而用錯藥，擔誤了醫療病人的時間，在今天Business AI在醫學界中只是輔助角色，讓所有醫生和護士都能聚焦在機器做不到的人類工作上，如多關懷病者，或更人性化地和病者分享診斷結果。
在司法界上內地的科大訊飛公司使用以往案例數據，比較所有證據，如證供、證詞、文件及背景資料等，找出供詞的矛盾點，提醒法官需注意那些有爭議的地方，又用算法去評估提請假釋的犯人進行風險評估，是一個看不見的法庭助手，協助和輔導專業人員作出更佳決策，並非取代專業人員。
由於美國的公司和政府機構已有系統化地積累數十年的數據，這一波較中國更有優勢，美國仍處於領先地位，但隨著中國企業和政府機構已意識到數據的重要性，中國將會慢慢把差距收窄。
作者:邵志堯
博士、測量師，現職香港華業金控集團負責人員和兼任宏海控股集團（上市編號：8020）及沛然環保（上市編號：8320）的高級顧問，在金融和房地產行業已有30年經驗，近年專注綠色金融和減碳項目，為多家大學講授綠色和雙碳金融課程，更定期發表文章和視頻。