Zi 字媒體

一份來自麥肯錫全球研究院的最新研究顯示，2016年人工智慧相關的文章數目是2015年的兩倍；人工智慧投資是2013年的三倍，增長勢頭強勁。目前上有很多關於人工智慧有多強大或者多危險的聲音，可以預見，這樣的論斷只會越來越多，人工智慧使機器得以展現出向人類一樣的認知能力，它可以為我們開車但也可以竊取我們的隱私，它能夠激發企業的生產力，但同時也是潛在的商業間諜，它可以將工人們從枯燥重複且危險的工作中解救出來，但同時也奪走了他們的生計。2016年關於人工智慧的文章數目是2015年的兩倍，差不多是2014年的四倍。人們對人工智慧抱有很大期望，人工智慧以前也曾出現過，回顧過去的歷史，人工智慧的發展跌宕起伏，有花言巧語般的承諾，也有不屬實所帶來的失落。這次人工智慧浪潮會和此前不一樣嗎？新的研究表明：人工智慧終於開始創造真正的商業利益，取得突破的要素已經到位，計算能力正在顯著提高，演算法正在變得越來越複雜，而且，另外一個相當關鍵的背景是，世界正在產生大量人工智慧的前進燃料——數據，每天我們都會生產數十億GB的數據，位於數據領域前沿的公司谷歌和百度等，正把大筆資金押注於人工智慧。我們預測2016年一年內投資於人工智慧行業的資金將達200億至300億美元，這其中包含人工智慧公司間的併購，私人投資者也在加入這場遊戲中，我們估計，2016年，風險投資的行業投資額度將在40億到50億美元間，私募股權投資額度在10億到30億美元，這與2013年相比，是當年數據的三倍還多，此外還有10億美元來自於捐贈和種子基金。不過，就目前而言，大多數新聞都來自人工智慧技術的供應商側。而且很多應用都還處於試驗階段。在當下和未來，幾乎沒有什麼能將該技術迅速推廣出去的產品。正因如此，分析人士對人工智慧的未來潛力還存在著一定分歧：一些分析師對人工智慧的潛力持樂觀態度，而另一些人則對其真正的經濟效益持謹慎態度。這一意見上的分歧也體現在分析師們對於市場未來的預測上。至2025年現有市場規模預測從6.44億美元到1225.2億美元不等。考慮到人工智慧領域的投資規模，如果較低估值屬實的話，也就可以說這次人工智慧的崛起也就是曇花一現。不過，我們在人工智慧領域的業務經驗表明，這種蕭條景象不太可能發生。為了提供更有說服力的觀點，我們決定親自調研用戶對於人工智慧的使用情況。我們的研究為變化多端的人工智慧行業提供了一張快照。同時從供應商和用戶的角度出發，使我們對人工智慧的經濟潛力以及它未來發展方向提出了更有力的論證。首先，我們研究投資領域，包括企業在研發和部署方面的內部投資，大型企業併購，以及來自風險投資和私募股權在該行業的投入。然後，我們對需求方面進行了調研，為了了解公司是如何應用人工智慧技術，探尋採用該技術背後的動機，找尋擴大應用這一技術的阻礙因素，以及明確人工智慧的市場影響、財務影響和組織影響，我們進行了三個方面的嘗試：用例分析、我們自己對人工智慧的應用、以及對超過3000多家公司的C級管理者進行問卷調查。關於我們研究來的更多細節，請參見研究報告的第一部分「人工智慧行業的多角度解讀」。人工智慧通常指的是機器展現人類智能的能力——例如，在沒有人為代碼指示該如何操作的情況，由機器獨立解決問題。目前有幾種辦法可以將人工智慧技術分類，但沒有一種辦法可以做到在窮舉所有技術的同時還保證每一類別沒有互相重疊，其原因是因為：每當從業者在解決某一具體問題時，都會將多種技術結合在一起運用。人們有時將這些組合視為獨立的新技術，有時又將其歸類於其他技術下的子集之中，有時又視其為技術的一種新應用。有些框架下，人工智慧技術是根據其基本功能進行分類的，例如文本識別、語音識別和圖像識別。另一些框架的分類方式則是根據其商業用途，其中包括商務和網路安全。人工智慧行業的多角度解讀在本報告中，我們從多個角度出發來理解當前行業現狀，研究形式包括一次分析和二次分析，我們建立了6項指標來評估人工智慧的現狀及其未來發展潛力。人工智慧應用和使用調查我們對3073家公司的C級管理人員進行了問卷調查，了解他們在工作中如何使用數據和人工智慧技術，此外還探尋了進一步部署人工智慧的動機和障礙，問卷還調查了人工智慧的市場影響、財務影響和組織影響。我們的分層樣本來自10個國家的14個不同行業，公司規模從10人以下到1萬人不等。我們還用演算法對問卷調查的數據結果進行了清洗。用例回顧：我們整理並檢查了160個用例，來源除開源項目外，還包括麥肯錫全球研究所和Digital McKinsey作研究用途的資料庫。我們對每一用例都進行了評估，以探尋人工智慧技術在該用例中的商業化程度高低。還對所有用例按照所處行業和商業用途進行了分類。投資流向：為了統計資本市場對人工智慧技術、產品和服務的開發和部署的投資金額，我們根據現有的公開數據，全面回顧了人工智慧企業的外部資金來源（風投、私募以及併購），統計口徑還包括大型公司用於人工智慧技術研發和部署的內部投資。我們對外部投資的評估基於全球各大交易資料庫中和人工智慧相關的交易，並根據技術種類和地理位置進行分類，內部投資統計包括有進行人工智慧全球布局的公司中的35強。投資中心：我們繪製了一幅全球人工智慧創新活躍度地圖，覆蓋10個國家中的75個城市，並對其人工智慧生態系統進行評估，包括城市人工智慧行業相關風投、私募和併購資料庫，以地理位置為依據，匯總大型公司人工智慧領域的投資活動，衡量大學人工智慧研究產出和大學人才流動方向，同時還將城市的商業環境納入考慮。另外，我們還採訪了城市裡的投資者。行業案例研究：我們對五個不同行業內的行業專家們進行了採訪，來探尋行業內人工智慧的運用現狀和應用前景。行業外部採訪主要是基於麥肯錫諮詢專註不同行業、進行不同研究的部門，其中包括Digital McKinsey和McKinsey Analytics，同時還有其他被麥肯錫受過或者與之合作過的諮詢公司。麥肯錫諮詢和麥肯錫全球研究所文獻回顧，該報告利用了麥肯錫全球研究所和McKinsey Analytics近期發布的研究報告，包括其用例資料庫。以上提到的報告包括：前途光明：自動化、就業和生產力（A future that works: Automation, employment, and productivity 2017）、數據分析時代：在數據驅動的世界里競爭（The age of analytics: Competing in a data-driven world 2016）、數字歐洲：推進前沿、獲取利益（Digital Europe: Pushing the frontier, capturing the benefits 2016）和數字美國：一個關於富人和更富的故事（Digital America: A tale of the haves and havemores 2015）。想要更準確的定義到底什麼是人工智慧並不是一件容易的事情，其原因在於：人工智慧名下包含的技術和應用是如此之廣，以至於其中一些僅僅是早期技術的延伸，而另一些則是全新的技術。此外，目前還沒有廣泛認可的「智能」理論，就連機器「智能」的定義也隨人們對先前科技成果的接受度不斷提高而不斷改變，就像泰勒斯定理所宣稱的那樣：任何目前無法完成的使其能夠都可以稱作AI。該定理最早是由計算機科學家拉里·泰斯勒提出的。這份報告所研究的人工智慧主要是窄域人工智慧，這種人工智慧只能完成某一具體任務。與之對應的是寬域人工智慧，發展該類人工智慧的目標是為了讓人工智慧完成任何人類能完成的事。我們之所以關注窄域人工智慧，是因它具有近期商業價值，相比之下寬域人工智慧還有很長的一段路要走。這份報告中所討論的窄域人工智慧主要是為解決商業問題。我們將這些技術分為5個系統，這些系統都是人工智慧發展的關鍵領域，包括：機器人和自動駕駛汽車、計算機視覺、語言、虛擬助手和機器學習。機器學習是基於計算機演算法：機器學習演算法能在不依靠具體指令代碼的前提下，處理數據並能從中得出結論或完成某一任務。有些是處理外部相關信息，比如計算機視覺和語言（包括自然語言處理、文本分析、語音識別和語義學技術）；有些是關於從信息中學習，比如機器學習；還有一些是與根據信息行動，比如機器人、自動駕駛汽車和虛擬助手，這些計算機程序都可以與人進行對話。最近很多人工智慧方面的進展都集中在機器學習和其子研究領域「深度學習」。同時這兩個方向也吸引了大量的關注投資——2016年，在所有人工智慧領域的投資中，有超過60%的錢流向這兩個領域。人工智慧這一概念最早發源於人類開發出電子計算科技后不久。也正是因為人類開發出電子計算科技，人工智慧才成為可能。而且，與數字技術一樣，人工智慧概念經歷了多輪起伏跌宕。然而，用之不同的是，人工智慧技術還未能進行大規模的商業化部署。這種情況可能會出現轉機。由人工智慧驅動的機器如今可以完成許多任務——比如總結複雜的規律、合成信息、得出結論和預測——不久前人們認為這些任務只有人類才可以完成。隨著人工智慧的能力不斷增強，其應用領域也越來越廣。與此同時，值得注意的是，機器學習有一定的局限性。例如，由於系統是經過特定的數據集而訓練出來的，因此也容易受數據偏差的影響；為了避免這種情況的發生，用戶必須確保對系統進行全面的數據集訓練。然而，我們見證了行業的重大進展。興與衰：人工智慧簡史以計算機為基礎的人工智慧最早可追溯到1950年，阿蘭·圖靈於當年提出了著名的「圖靈測試」：計算機能否發展到讓人無法分辨或者相信它也是人的地步。幾個月後，利用300個真空管和一個二戰後遺留下來的的陀螺導航儀，普林斯頓大學的學生建立了第一個人工神經網路。1955年在達特茅斯學院舉辦，以「人工智慧」為主題的學術會議上，該術語首次出現。同年，卡內基梅隆科技研究院（現卡內基梅隆大學的前身）的研究人員製作了第一個人工智慧程序——邏輯理論家（Logic Therist）。上世紀50年代人工智慧獲得了長足的進展：Marvin Lee Minsky在麻省理工學院建立了人工智慧實驗室，同期的劍橋學者研究了基於語義學研究的機器翻譯，而IBM則在研究自學軟體。70年代時，因忍受不了長時間的等待，政府及其他主要研究資助方決定撤資，研究進度也由此而放緩。80年代，大學研究人員開發出了能回答知識問答題目的軟體——用專家知識資料庫來評估題目中的事實依據，並最終回答問題。該軟體是在自動駕駛汽車之前首個完全由計算機自行控制的軟體。這一發明讓人工智慧起死回生，但在此之後，人工智慧又陷入了"冬眠"。進入21世紀后，計算機運行速度越來越快，產生的數據越來越多，人們對人工智慧領域下深度學習方向的興趣再次升溫。這次，投資者和研究人員相信，人工智慧變得實際、而且有利可圖。這一進展使使機器學習自2000年以來進入高速發展時期，並用於推動人工智慧領域其他方面的研究，其中以深度學習為最。隨後，海量數據變得觸手可及、數據集也變得更多樣化，而改進的演算法則使在數山數海里發現規律成為可能。此外，不斷提升的研發經費、更為強勁的圖形處理單元，都使計算機性能達到前所未有的高度。以上因素種種都使這一波人工智慧浪潮得以繼續下去。圖形處理單元（俗稱顯卡）這一集成電路最初是為了電腦遊戲。目前顯卡的速度是2013年最強顯卡性能的40倍到80倍。隨著顯卡性能的提升，深度學習系統的學習效率以每兩年五到六倍的速度不斷提升。現在世界每天創造的數據達2.2艾位元組（22億GB）。海量數據帶來的是對數據更深刻的解讀與更高的準確性，因為可以用將演算法暴露在更多的例子之中，挑選出那些正確的答案，剔除那些錯誤的。在某些應用程序中，通過這些數據流所支持的機器學習系統，例如圖像識別中，計算機出錯率與人類的比率差不多。在科技巨頭的引領下，人工智慧投資正在快速增長，但商業化進程卻未能緊跟其上，像亞馬遜、蘋果、百度和谷歌這樣的科技巨頭和數字原生企業每年在人工智慧領域各項技術研發的花費高達數十億美元。他們認為，開發出滿足人類預期人工智慧的氣候已經成熟——強大的計算機硬體、日益複雜的演算法模型、以及龐大且快速增長的數據儲存量。在人工智慧領域的投資方面，大公司的內部投資確實佔據主導：我們估計這一數字達到了180億美元到270億美元。 但就近期的所有投資來看，人工智慧所涉及的範圍迄今為止都是有限的，這在一定程度上是因為對人工智慧內部研發進行投資的目標主要是提高公司業績。從另一方面來看，企業對人工智慧應用的需求也不溫不熱，而這在一定程度上是因為金融數字和分析轉型的速度相對較慢。我們通過對全球3000多家企業進行的調查發現，許多商界領袖不確定人工智慧究竟能為他們做什麼，不知道在哪裡可以獲得基於人工智慧的應用程序，也不清楚如何將他們融入自己的公司，以及如何評估這項技術的投資回報。在人工智慧領域，大多數投資都是由大型、現金流充裕、科技較為領先的本土公司完成的，他們在內部進行研發和部署。大型企業對人工智慧的投資集中在哪些方面？蘋果、百度和谷歌等大公司正在內部研發各種技術，但它們的人工智慧投資的廣度和側重點各不相同。亞馬遜正在研究機器人和語音識別，Salesforce則更側重於虛擬代理和機器學習方面。寶馬、特斯拉和豐田等製造商又主要活躍於無人駕駛汽車領域的機器人和機器學習方面。例如，豐田就撥出10億美元，成立了一個專門研究機器人和無人駕駛汽車的新研究機構，而ABB、博世、通用電氣和西門子等工業巨頭也在內部進行投資，大部分是通過研究機器學習和機器人技術來開發與核心業務相關的具體技術。IBM已承諾投資30億美元使其沃森認知計算服務成為物聯網的一股重要力量。在過去的兩年半中，百度除了向一家新成立的風投基金（百度風投）投資了2億美元以外，也在人工智慧研究領域投入了15億美元。很多大型科技公司也一直在積極收購人工智慧初創企業，目的不僅僅是為了獲取技術或客戶，還為了吸納人才。這一領域的專家很少，阿里巴巴、亞馬遜、Facebook、谷歌和其他科技巨頭已經雇傭了大部分。各大公司都將併購作為一種簽約頂級人才的方式，這種做法被稱為「人才招聘」，其金額通常在500萬到1000萬美元之間。最近的一份報告顯示，很多企業都急需人工智慧的人才，這方面大約有1萬個相關的工作崗位，並有超過6.5億美元的預測薪水。總體而言，企業併購是人工智慧公司資金增長最快的外部來源，根據我們的估計，從2013年到2016年，這類公司的複合年增長率會超過80%。自2010年以來，領先的高科技公司和先進的製造商已經完成了100多宗併購交易。谷歌在此期間完成了24筆交易，其中包括8項計算機視覺交易和7項語言處理交易。蘋果公司作為第二活躍的收購方，已經收購了九家公司，在計算機視覺、機器學習和語言處理等領域分開操作。大部分企業也在擴大海外人才的搜索範圍。例如，Facebook將在巴黎開設一個人工智慧實驗室作為紐約和矽谷類似設施的供給站，並使該公司更容易在歐洲招聘頂級研究人員。谷歌最近向蒙特利爾大學的研究實驗室投資了450萬美元；英特爾也不甘落後，捐贈了150萬美元用於在喬治亞理工學院建立一個機器學習和網路安全研究中心；而英偉達正與國立台灣大學合作，在台北建立一個人工智慧實驗室。圍繞人工智慧的討論足以鼓勵風險投資和私人股本公司加大對人工智慧的投資。其他外部投資者，如天使基金和種子孵化器也很活躍。我們估計，到2016年，每年的外部投資總額為80億美元至120億美元。機器學習吸引了近60%的投資，這很可能是因為它是眾多其他技術和應用的推動者，比如機器人技術和語音識別。此外，投資者也喜歡投資於機器學習，因為不管是現在還是未來，安裝新代碼都要比重建一個運行機器人或其他軟體更快、更容易。該領域的企業併購也在快速增長，從2013年到2016年，複合年增長率約為80%。與數字革命的投資相比，人工智慧領域的投資仍處於早期階段，相對較小。例如，人工智慧在2016年吸引了2%至3%的風險投資，而信息技術總體上吸收了60%的資金。2016年私募股權投資公司的所有投資中人工智慧的比例也很小，只有1%到3%，但人工智慧投資正在快速增長。從2013年到2016年，人工智慧技術的外部投資複合年增長率接近40%。相比之下，2010年至2013年這一比例為30%。不僅交易規模越來越大，而且融資需求也越來越少。這表明投資者對該行業越來越有信心，並可能對該技術及其潛力有更深入的了解。然而，在很大程度上，投資者仍對他們的投資回報抱觀望態度。根據PitchBook的數據，只有10%的初創公司認為機器學習是一項核心業務，它們會產生營收。其中，只有一半的公司收入超過5000萬美元。此外，外部投資仍高度地理集中，由美國和的一些科技中心主導，歐洲則遠遠落後。已經在數字前沿領域的企業和行業正在採用人工智慧，但其他一些公司則不願採取行動，因為投資者正在向人工智慧公司投入數十億美元，他們希望人工智慧市場能夠迅速發展，並願意為人工智慧基礎設施、平台和服務付費。顯然，亞馬遜、谷歌和其他數字原生代都在為自己的應用程序投資，比如優化搜索和個性化營銷。但是，要想了解醫療保健、零售和電信等傳統公司在人工智慧領域的支出情況，並不容易。出於這個原因，我們進行了一項調查，以更深入地了解這種情況。總體而言，很少有公司在規模上將人工智慧納入其價值鏈。就算有，大多數對人工智慧技術有所了解的公司也仍處於試驗階段或試點階段。事實上，在3073名受訪者中，只有20%的人表示他們已經對人工智慧的研究有了一定規模，或在核心業務中採用了一種或更多的與人工智慧相關的技術。16%的受訪者稱採用了超過兩種技術，而其中只有9%的人表示採用機器學習。雖然數字小的可憐，但是這甚至還可能誇大了對人工智慧的商業需求。我們對全球160多個行業用例的審查發現，只有12%的案例從實驗階段邁出向下一階段。如果從商業角度進行考慮，那就可以解釋為什麼有些公司不願意採取行動。在我們的調查中，低回報或不確定的回報是很多公司，尤其是小公司不採納的主要原因。因此對監管也變的更加重要。人工智慧的早期模式的六個特點與每一波新技術浪潮一樣，我們希望看到行業和公司的早期和晚期採用者的模式。我們發現了人工智慧的早期模式的六個特點，這與公司最近採用的數字技術方式基本一致。並非巧合的是，在早期的數字化浪潮中的參與者同樣也會在人工智慧浪潮中領先。第一個特點是，早期的採納人工智慧的人們大多來自已經大規模投資相關技術的行業，比如雲服務和大數據。這些行業也處於數字化資產使用的前沿。這是一個至關重要的發現，因為它表明，有限的證據證明各行業和公司在數字化的過程中正在迎頭趕上，每個新一代的科技都建立在之前的技術基礎之上。其次，獨立於行業之外，大公司往往會以更快的速度大規模投資人工智慧領域。這也是數字化普及的典型特徵，例如，中小企業在投資新技術方面往往落後於其它企業。第三，早期採用AI的人們並不是專業只從事一種技術的。當他們同時使用多個人工智慧工具處理多個不同的對象時，他們不自覺的就傳播了AI的使用。第四，大規模上進行投資的企業與其核心業務關係密切。第五，大規模投資的早期採納者往往更傾向於受人工智慧的積極增長潛力的驅動，因為人工智慧有很大的潛力幫助削減成本。人工智慧不僅可以用於過程的自動化，還能用於創新主要產品和服務。對於數字技術的早期使用者來說，這種情況表明，以人工智慧驅動的創新將成為生產效率的新來源，並可能進一步擴大高績效企業與落後企業之間的生產效率和收入差距。最後一個，強大的經營團隊與更加強大的人工智慧系統攜手並進。來自大規模成功部署人工智慧技術的公司的受訪者對公司管理層的支持度，幾乎是那些沒有採用人工智慧技術的公司的兩倍。早期採用AI的行業更類似於數字化前沿行業現在人工智慧的應用安裝情況非常不均衡，反映了更廣泛的數字化普及的許多特徵。我們的調查發現，過去採用數字化技術的大公司和行業更有可能安裝人工智慧技術。對他們來說，人工智慧是下一波數字化浪潮。在推廣一項技術的過程中，這種方式並不新鮮——我們曾在使用企業社交技術的企業中發現類似的行為，但這意味著，至少在不久的將來，人工智慧的部署很可能會在數字化前沿加速發展，從而擴大在企業、行業和地理區域之間的使用者和落後者之間的差距。主要行業包括麥肯錫行業數字化指標判定正處在數字前沿領域的，是高科技、電信和金融服務等行業，它們有著悠久的數字化投資歷史。他們一直是開發或使用數字化工具的先行者，它們的數字化工具既為自己的核心產品提供服務，也為優化業務。然而，與整體數字化相比，在人工智慧的使用度上，即使是這些行業也遠遠落在後面。汽車和組裝業排名也很靠前。它是首批在製造業大規模使用先進機器人技術的行業之一，如今也在使用人工智慧技術開發自動駕駛汽車。排名中間的就是一些沒怎麼實施數字化的行業了，其中包括資源和公用事業、個人和專業服務、建築材料和建築等數字化產業。綜合因素可以解釋這一點。除了一些專業服務行業和大型建築公司以外，這些行業的普遍會比較緩慢地接受使用數字化工具。它們也是創新和生產效率增長滯后的行業，這在一定程度上可能是由於它們過於關注國內的經營情況。其中一些行業的有很多的小公司——這是人工智慧使用度的一個重要預測標誌。目前，排在最後的是在傳統意義上很少踏足數字化領域的教育和醫療保健等行業。儘管在這些行業中，尖端的人工智慧應用有了充分的宣傳，但現實情況是，到目前為止，這一應用的普及程度似乎很低。較低的使用量反映了這些行業面臨的特殊挑戰。例如，在醫療保健領域，從業者和管理者都承認人工智慧可以降低成本，但他們很快補充說，他們認為，監管方面的擔憂和客戶的接受程度將會抑制行業內使用人工智慧。使用人工智慧，越大越大膽按照IT行業的規律來說，應用人工智慧的一個格式化的事實是，大公司通常是創新技術的早期應用者，相比起來，小公司更不願意成為第一個吃螃蟹的人。當我們看到人工智慧的時候，我們發現同樣的數字化鴻溝：大公司擁有更超前的使用率和使用意識。在所有行業中，大公司——我們將其定義為擁有500多名員工的公司——至少比小型公司更有可能在規模或核心業務中多採用至少一種人工智慧技術。在人工智慧使用率較低的行業，大公司的使用率高達小公司的300%。其他數字化指標反映了這一事實，正如麥肯錫的數據所強調的那樣。規模較大的公司通常能夠獲得更多結構更好的數據，而且更有可能擁有具備了解商業情景必備IT技術的員工，從而成功吸引供應商。大公司也有優勢，因為當應用於更大的成本和收入基礎上時，人工智慧所需要的固定成本投資往往會產生更高的回報。儘管如此，我們還是在一些較小的公司中找到了成功的案例。相對於較大的公司，它們可以受益於未完善的IT系統中較少的問題，以及較低的組織抵制變革的能力。小公司也可以從提供服務的人工智慧工具中受益。早期的AI用戶傾向於成為規模化的使用者我們研究了公司如何在八個不同的應用領域和五種技術系統中部署人工智慧。我們的結果表明，早期應用的公司最開始同時採用多種不同的人工智慧工具，而不是專註於某一特定的技術。這與其他數字化技術的應用模式是一致的。多技術同時應用的現象在行業層面一直存在。對某一種技術應用率高的行業，對其他技術的應用率同樣很高。比如，高科技和電子通信在所有取樣的五家科技集團中的科技使用率都是最高的，而在對於五家科技公司，建築行業的應用比例是最低的。然而，也有一些異常現象。教育和醫療保健在應用人工智慧技術方面進展緩慢。在前沿領域——那些在早期使用者中比例相對較高的公司——有三分之二在已經應用了八種人工智慧技術中一種的基礎上至少也應用了另外兩種技術。在醫療保健領域，只有三分之一的人懂得最有可能在大規模或核心業務範圍內進行部署的技術語言。 用戶將人工智慧與其價值核心緊密相連人工智慧技術在整個價值鏈都找到了應用之處，其中價值鏈的某些部分得到了較多的AI應用，而另一些部分則應用較少。例如，客戶服務功能（如銷售和市場營銷），運營和產品開發，都傾向於使用最常見的人工智慧應用程序。相比之下，金融管理的AI應用卻遠遠落後。事實上大數據也有相似的應用規律，我們根據文獻了解到，最頻繁的大數據應用在於銷售和營銷。總的來說，被調查的公司表示，他們傾向於在價值鏈的核心部分採用人工智慧技術。例如，運對於汽車和裝配線、消費品包裝行業以及公用事業和資源領域來說是價值鏈的核心部分，運營和客戶服務是金融服務最重要的領域。這是新的應用。在此之前，新的數字技術往往難以給公司帶來利潤，因此並非公司的核心業務。然而，正如科技的發展趨勢一樣，我們也發現，隨著人工智慧的普及，AI應用的行業深度和廣度也在不斷擴大。領先的行業不僅更廣泛地將人工智慧應用於價值鏈的核心部分，而且開始探索人工智慧在價值鏈其他部分的應用。AI的實踐者期待人工智慧有助於公司降低成本，而AI的早期採用者早已看到了營收的不斷增長。而隨著企業對人工智慧逐漸熟悉，他們對人工智慧的看法也會發生變化。調查分析結果顯示，早期的人工智慧採用者是被人工智慧有助於增加收入和市場份額所吸引的，而其降低成本的潛力倒是次要的。在我們選中的先進AI應用者中，使用AI來增長市場的公司比單純實踐AI的公司要多27%，使用AI來增加市場份額的公司比單純實踐AI的公司要多52%。而單純的AI實踐者，則更看重成本，他們減少AI實驗成本的可能性比早期的AI採用者高出了23%，而減少非實驗成本的可能性則比早期的AI採用者高出了38%。換句話說，當公司越來越熟悉人工智慧，它們從中所看到的增長潛力就越來越大。而在AI上經驗較少的公司往往只關注降低成本。第三章將進一步討論這個問題。人工智慧不僅僅是技術的採用，還涉及到企業的接受程度。要想企業成功的接受AI，人工智慧的普及需要得到高管團隊的支持，才能克服公司員工不願改變現狀的惰性。根據我們的調查，成功的人工智慧採用者對這項新技術有著強大的執行領導能力。那些在規模上成功部署人工智慧技術的典型公司，相對於那些沒有採用任何人工智慧技術的公司，前者的公司高層提供的支持是後者的兩倍。他們補充說，這些成功部署人工智慧的公司，背後強有力的支持不僅來自首席執行官、首席技術官、首席信息官等，而是來自其他所有高級別的管理層和董事會。另外，他們還調整了公司的策略，以積極主動地向人工智慧發展。詳情請見第二章。人工智慧的下一個挑戰：讓用戶適應並採納IT行業分析師認為，在未來三年內，人工智慧技術的市場規模將實現強勁增長。我們調查的大多數公司預計將在未來3年增加人工智慧方面的支出，另一調查的結果相應了這一預測，在經濟學人智庫調查的203名高管中，有75%的人表示，在三年內，公司會「積極地實施」人工智慧。而有3%的人表示公司已經積極應用了人工智慧。這種增長將會有多大的影響？人們的預期各有不同。我們的調查記錄了相對保守的增長預測——只有五分之一的公司預計會在人工智慧上增加10%以上的支出。行業分析師對複合年增長率的預測從略低於20%，到接近63%，其中包括了新創公司來應用人工智慧，以及公司內部增加的支出。而實際的增長率只有達到這一區間的頂端時，才能滿足湧入該行業的投資者的預期。實際的增長率將取決於行業和企業能否克服技術、商業和監管方面的挑戰。我們的受訪者和外部預測人士預計，金融服務、零售、醫療保健和先進位造業將成為人工智慧的先鋒。這些行業的技術可行性相對較高（在當今市場的案例研究中反映出來），在人工智慧方面的商業案例也最為引人注目。它們也是迄今為止數字化普及程度最高的行業，這也是人工智慧的一個關鍵基礎。技術上的挑戰是行業間發展差異的一個重要因素。儘管大型科技和學術機構正在推動基礎技術的發展，但實際應用中的工程解決方案需要針對特定的用例而定製解決，這既需要數據，也需要人才。金融服務、高科技和電信等行業產生並存儲了大量結構化數據，但其它行業，例如建築和旅行，則遠遠落後。商業驅動因素也對行業間的發展差異有所影響。在規模上，最有可能引領人工智慧技術發展的行業是那些在運營和地理方面都很複雜的企業，此類公司的業務表現是由預測性的、快速和準確的決策，或者個性化的客戶關係驅動的。在金融服務領域，公司顯然會受益於人工智慧優化的欺詐監測系統，這樣的系統提高了準確性和速度，預計2020年的市場規模將達到30億美元。我們探討了這些商業驅動力如何在其他行業發揮作用。例如，在零售業，提高庫存預測準確度、實現自動化客戶操作和高度定製化的營銷活動，都對行業極有助益。同樣，在醫療保健領域，基於人工智慧的診斷和治療系統既可以節約成本，也可以為病人帶來更好的診療結果。即使公司渴望應用這些亮眼的商業案例，但監管和社會障礙也會阻礙其發展，提高應用成本，減緩人工智慧的實現速度，產品的不利因素是其中之一，這對汽車製造商和其他製造商來說是尤其棘手的問題。隱私方面的考慮限制了對數據的訪問，而且數據的訪問通常要求在研究使用之前匿名進行數據處理。另外，諸如訓練中的偏見和演算法透明度等道德問題仍未得到解決。人工智慧還需要引導著學習衛生保健和教育等必須的人際關係概念。就業安全方面的擔憂也可能會限制市場的增長——目前已經有人呼籲對機器人徵稅。這些因素將決定人工智慧最有可能改變的行業。然而，如果目前的趨勢保持不變，行業內的採用率差異將會比行業間採用率的差異更大。我們預計，數字體驗最完善的大公司將成為第一批推動者，因為它們可以利用自己的技術技能、數字化專長和數據資源，開發並順利整合最合適的人工智慧解決方案。在經歷了幾十年的失敗后，人工智慧正處於一種突破的邊緣，機器學習推動了最新的進展。科技巨頭和成熟的數字化公司正在大規模地投資和部署這一技術，但不太成熟的行業和公司則落後了。儘管人工智慧的投資與採用率之間並不平衡，但這並沒有阻止人工智慧進一步發展，並企圖創造能改變企業和整個行業的未來。-END------本周將門技術社群分享預告-----將門招聘將門創投正在招募編輯、運營類全職/實習生崗位，工作地點在北京三元東橋附近，期待熱愛技術的你到來，和我們一起見證技術創新的傳奇！歡迎發送簡歷至>>dream@thejiangmen.com將門是一家專註於發掘、加速及投資技術驅動型創業公司的創業服務和投資機構。將門創業服務專註於為技術創新型的創業公司連接標杆用戶和落地行業資源。將門技術垂直社群專註於幫助技術創新型的創業公司提供來自產、學、研、創領域的核心技術專家的技術分享和學習內容。將門投資基金專註於投資通過技術創新激活商業場景，實現商業價值的初創企業。關注領域包括：機器智能、物聯網、自然人機交互、企業計算。獲取將門投資>>bp@thejiangmen.com將門創投讓創新獲得認可！service@thejiangmen.com