人工智能（AI）已成為數(shù)字時代脫穎而出的革命性技術(shù)，但圍繞其具體應(yīng)用的爭論與質(zhì)疑始終不減：何謂人工智能？有何應(yīng)用價值？哪些潛力尚未開掘？盡管如此，人工智能領(lǐng)域的基礎(chǔ)技術(shù)仍然一直行駛在快車道上，實際用例也如雨后春筍一般涌現(xiàn)，不僅對全球經(jīng)濟產(chǎn)生了巨大影響，也滲透到了人們?nèi)粘Ｉ畹母鱾€方面。

從 19 個行業(yè)和 9 大業(yè)務(wù)職能中擇取了 400 余個人工智能用作為研究對象，并結(jié)合麥肯錫公司積累的豐富數(shù)據(jù)與專業(yè)經(jīng)驗展開深度剖析，研究發(fā)現(xiàn)，人工智能技術(shù)（主要指基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)）每年將在全球范圍內(nèi)創(chuàng)造3.5 萬億~5.8 萬億美元的潛在價值，約占分析技術(shù)可能提供的總價值規(guī)模的40%。

然而，若想釋放這些價值潛力，首先必須克服人工智能技術(shù)付諸應(yīng)用時面臨的局限和挑戰(zhàn)。歸根結(jié)底，人工智能技術(shù)的價值并不源于模型本身，而是源于企業(yè)駕馭模型的能力。企業(yè)領(lǐng)導(dǎo)者首先需要明確這些技術(shù)的部署方式、時機、場景和優(yōu)先級，才能審慎地做出決策。

麥肯錫人工智能用例庫

我們對“用例”的定義是：針對特定業(yè)務(wù)挑戰(zhàn)而開發(fā)的數(shù)字技術(shù)應(yīng)用，并且應(yīng)當(dāng)具備可衡量的結(jié)果。相關(guān)領(lǐng)域的從業(yè)人員也各自描述了他們認為意義重大的業(yè)務(wù)挑戰(zhàn)，我們所分析的用例也都與之相符。

我們?yōu)檫@項研究專門構(gòu)建了一個覆蓋各個經(jīng)濟領(lǐng)域、取樣盡可能全面的用例庫，用例數(shù)據(jù)采自麥肯錫與全球各地的客戶的數(shù)千次溝通，來源力求多元。這些數(shù)據(jù)融合了企業(yè)和公共組織使用分析技術(shù)時的實際結(jié)果，以及根據(jù)這些實際案例對其他類似情形的估測。只要條件允許，我們都會甄選出單個用例的多個實例來進行分析。

針對每個用例，我們逐一估算了應(yīng)用人工智能以及其他分析技術(shù)后為整體經(jīng)濟帶來的年均價值潛力。這種價值潛力可以體現(xiàn)為企業(yè)組織利潤的增加，也可以體現(xiàn)為產(chǎn)品價格的降低或質(zhì)量的提高。

目前我們?nèi)栽诓粩嗤晟坪拓S富該用例庫。

人工智能技術(shù)與實際應(yīng)用

首先，讓我們把目光投向深度學(xué)習(xí)的基石神經(jīng)網(wǎng)絡(luò)算法。作為機器學(xué)習(xí)的下屬領(lǐng)域，神經(jīng)網(wǎng)絡(luò)算法是通過模擬神經(jīng)元彼此連接的模式而產(chǎn)生的技術(shù)，最初受到腦科學(xué)的啟發(fā)而興起于20世紀40年代。近十年來，有賴于圖形處理器（GPU）、張量處理單元（TPU）等超級硬件帶來的算力革命以及大規(guī)模分布式存儲提供的海量數(shù)據(jù)存儲和讀取能力，深度神經(jīng)網(wǎng)絡(luò)已經(jīng)重返榮光。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)通常只能模擬3~5層和數(shù)十個神經(jīng)元，而深度學(xué)習(xí)技術(shù)的出現(xiàn)將其拓展到了7層以上，模擬神經(jīng)元的數(shù)量也達到數(shù)百萬個之多。本文提到的“人工智能技術(shù)”即專門指代“基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)”。具體來看，有以下三種主要形式。

前饋神經(jīng)網(wǎng)絡(luò)：最常見的神經(jīng)網(wǎng)絡(luò)類型之一。信息在這種網(wǎng)絡(luò)結(jié)構(gòu)中只向前傳導(dǎo)（也即輸入層隱藏層輸出層），中間沒有循環(huán)等復(fù)雜結(jié)構(gòu)。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）：通過循環(huán)將人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間連接起來，該結(jié)構(gòu)適于處理時間序列類輸入，尤其擅長手寫文字識別、語音識別這一類任務(wù)。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）：其神經(jīng)層之間的連接結(jié)構(gòu)受到了動物視覺皮層（負責(zé)處理圖像）組織結(jié)構(gòu)的啟發(fā)，適于處理圖像感知類任務(wù)。

在估算人工智能技術(shù)的價值潛力時，我們也考慮了其他常見的機器學(xué)習(xí)算法（如決策樹模型、回歸、分類、聚類以及集成算法等）以及生成對抗網(wǎng)絡(luò)（GAN）和強化學(xué)習(xí)（RL）技術(shù)，但由于這些技術(shù)目前尚未得到廣泛應(yīng)用，因此我們沒有將其納入人工智能價值潛力的估算范圍。

AI技術(shù)總價值潛力的2/3源自現(xiàn)有分析用例的價值提升

在本研究涉及的69%的用例中，深度神經(jīng)網(wǎng)絡(luò)都可以讓其他分析技術(shù)如虎添翼，進一步為企業(yè)創(chuàng)造效益，根據(jù)行業(yè)不同，其提升幅度可達30%~128%。

其中有16%的用例只能單獨依托神經(jīng)網(wǎng)絡(luò)技術(shù)，我們稱之為“綠地”用例。“綠地”解決方案普遍用于客戶服務(wù)管理領(lǐng)域，以及那些數(shù)據(jù)維度高、總量大，并且整合了人類行為數(shù)據(jù)的行業(yè)。人工智能技術(shù)之所以能夠釋放可觀的價值潛力，關(guān)鍵在于它可以廣泛融合不同類型的海量數(shù)據(jù)來解決某個問題。在另外15%的用例中，人工神經(jīng)網(wǎng)絡(luò)對其他分析技術(shù)的效果提升較為有限，但這在一定程度上要歸咎于這些行業(yè)的數(shù)據(jù)使用方式和監(jiān)管方面的問題。

相比其他分析技術(shù)，深度學(xué)習(xí)技術(shù)對數(shù)據(jù)總量與數(shù)據(jù)多樣性的要求更高

龐大的數(shù)據(jù)量是神經(jīng)網(wǎng)絡(luò)實現(xiàn)高精準度的必要條件。因此在訓(xùn)練模型時，應(yīng)當(dāng)盡可能地關(guān)聯(lián)多渠道的數(shù)據(jù)，以免數(shù)據(jù)形成“孤島”，從而喪失活力。為了實現(xiàn)這一目的，企業(yè)需要創(chuàng)建一個元數(shù)據(jù)模型，并且妥善應(yīng)對職能部門之間因共享數(shù)據(jù)而引發(fā)的內(nèi)部沖突和安全風(fēng)險。

另外，在提取圖像、視頻、音頻等復(fù)雜的高維數(shù)據(jù)時，深度學(xué)習(xí)技術(shù)顯出了更強大的威力，這有賴于技術(shù)本身復(fù)雜的高維屬性。傳統(tǒng)的分析技術(shù)通常要借助人力來篩選模型特征，而今天的神經(jīng)網(wǎng)絡(luò)往往能在訓(xùn)練過程中自主學(xué)習(xí)，并且再現(xiàn)這些特征。正是在深度學(xué)習(xí)技術(shù)的加持下，神經(jīng)網(wǎng)絡(luò)模型的效果得到了大幅提升，人們才享受到許多便捷的產(chǎn)品和服務(wù)，其中就包括我們耳熟能詳?shù)腟iri、Alexa、Cortana 等智能助手。

維護AI系統(tǒng)需要頻繁的數(shù)據(jù)更新

用例分析顯示，人工智能技術(shù)除了對數(shù)據(jù)規(guī)模和類型有一定要求之外，數(shù)據(jù)迭代速度也是一個必要條件：人工智能需要反復(fù)訓(xùn)練模型才能應(yīng)對內(nèi)外部環(huán)境的變化，因此必須更加頻繁地更新訓(xùn)練數(shù)據(jù)。研究顯示，在1/3的用例中，人工智能模型至少每月要更新一次；約1/4的用例需要每天更新。

用例剖析：AI技術(shù)潛力何在？

AI技術(shù)每年有望為全球經(jīng)濟額外創(chuàng)造3.5萬億~5.8萬億美元的經(jīng)濟價值

我們估算了現(xiàn)有用例創(chuàng)造的價值以及未來用例的潛在價值，將數(shù)據(jù)加總后發(fā)現(xiàn)，人工智能技術(shù)每年可在旅游、零售、汽車、醫(yī)療等19個行業(yè)的9大職能中額外創(chuàng)造高達3.5萬億~5.8萬億美元經(jīng)濟價值，約占所有分析技術(shù)每年總價值潛力（9.5萬億~15.4萬億美元）的40%，相當(dāng)于各行業(yè)2016年營收總額的1%~9%不等。

在某一個組織、行業(yè)或職能的價值潛力中，人工智能技術(shù)貢獻的比例往往取決于具體的競爭格局和市場動態(tài)，以及企業(yè)本身和其他利益相關(guān)方的選擇和決策比如對商業(yè)模式的選擇。其中一些價值將以更為多元化的形式體現(xiàn)出來：比如催生更有價值的產(chǎn)品和服務(wù)，推動營收增長、成本壓縮或?qū)嶋H的消費者剩余。在有些用例中，匯總數(shù)據(jù)初看也許并不驚艷，但人工智能技術(shù)實際上已讓該領(lǐng)域?qū)崿F(xiàn)了徹底蛻變。

AI技術(shù)最大的價值潛力表現(xiàn)在營銷和銷售、供應(yīng)鏈管理和制造等若干職能領(lǐng)域

我們通過研究用例發(fā)現(xiàn)，人工智能最顯著的價值潛力來自兩個職能領(lǐng)域：以收入為導(dǎo)向的職能，比如營銷和銷售；以及以利潤為導(dǎo)向的職能，比如運營。因此，每一家企業(yè)都需要審視其業(yè)務(wù)職能組合，找出最適合自己的人工智能技術(shù)，并且確定投資部署這些技術(shù)的具體領(lǐng)域。

對于零售、高科技等消費行業(yè)來說，營銷和銷售用例中的人工智能技術(shù)具有更顯著的價值潛力，這是因為這些行業(yè)需要與客戶頻繁互動，并由此產(chǎn)生了可供人工智能利用的海量數(shù)據(jù)。電商企業(yè)可以設(shè)置網(wǎng)頁點擊量、瀏覽時間等各種與客戶行為直接相關(guān)的信息埋點，借此為客戶實時提供“千人千面”的定制化促銷、定價和產(chǎn)品推薦。實體零售商則可以利用物聯(lián)網(wǎng)技術(shù)打通線上與線下的數(shù)據(jù)壁壘，提升供應(yīng)鏈的銷售績效。此外，人工智能技術(shù)還可以幫助企業(yè)實現(xiàn)預(yù)見性維護、現(xiàn)場人員調(diào)度，以及優(yōu)化生產(chǎn)和組裝流程。以先進電子和半導(dǎo)體行業(yè)為例，企業(yè)可利用人工智能技術(shù)分析數(shù)據(jù)來調(diào)整生產(chǎn)和供應(yīng)鏈運營，以最大限度地減少水電費用及原材料支出。我們的用例研究顯示，這些企業(yè)的總生產(chǎn)成本可由此降低 5%~10%。

AI技術(shù)的價值潛力與行業(yè)自身的核心價值驅(qū)動力高度相關(guān)

雖然人工智能技術(shù)可廣泛應(yīng)用于整個經(jīng)濟，但不同行業(yè)最具潛力的用例類型互不相同，這是因為每個行業(yè)的核心價值驅(qū)動力彼此不同。此外當(dāng)然也有一些其他的影響因素，比如數(shù)據(jù)可用性、人工智能與現(xiàn)有技術(shù)的適配程度，以及諸多技術(shù)和算法解決方案能否適用。舉例而言，在零售業(yè)等面向消費者的行業(yè)中，營銷和銷售是人工智能技術(shù)最有價值潛力的環(huán)節(jié)；而在先進制造業(yè)等以運營驅(qū)動的行業(yè)中，人工智能最大的價值潛力卻來自供應(yīng)鏈、物流和制造環(huán)節(jié)。

如果根據(jù)人工智能最大價值潛力的表現(xiàn)領(lǐng)域來橫向比對各個行業(yè)，我們就能得出一些有指導(dǎo)意義的結(jié)論。舉例而言，在零售行業(yè)中，營銷和銷售是人工智能價值潛力最大的環(huán)節(jié)，而定價、促銷以及客戶服務(wù)管理又是最為核心的價值領(lǐng)域。用例分析表明，即使只是線下的實體零售商，如果能夠善用客戶數(shù)據(jù)進行客制化促銷（比如制定每日的個人優(yōu)惠策略），其銷售增量便可提升1%~2%。

技術(shù)變現(xiàn)的挑戰(zhàn)

AI 技術(shù)變現(xiàn)之路仍然任重道遠

隨著該領(lǐng)域投資規(guī)模不斷的激增，人工智能技術(shù)已獲得了長足發(fā)展，預(yù)示著更大的價值潛力即將得到釋放。但迄今為止，全球仍然只有少數(shù)先驅(qū)企業(yè)和技術(shù)巨頭具有大規(guī)模部署人工智能技術(shù)的能力，即使是在這方面認識較為超前的企業(yè)，也只有約20%有能力在核心業(yè)務(wù)流程中應(yīng)用相關(guān)技術(shù)。

數(shù)據(jù)層面的五大挑戰(zhàn)

■ 大量依賴人工 ：作為監(jiān)督學(xué)習(xí)（supervised learning）的重要步驟，數(shù)據(jù)標(biāo)記通常需要人工判斷、手動完成，導(dǎo)致企業(yè)需要投入大量人工成本。為了應(yīng)對這一挑戰(zhàn)，一些新興技術(shù)正在涌現(xiàn)，比如強化學(xué)習(xí)、流內(nèi)監(jiān)督（in-streamsupervision）等。

■ 數(shù)據(jù)資源匱乏 ：在某些應(yīng)用場景下，企業(yè)組織難以獲得總量足夠、類型全面的訓(xùn)練數(shù)據(jù)庫，導(dǎo)致人工智能模型的實施效果大打折扣。

■ 模型結(jié)果難以解釋 ：這會對產(chǎn)品認證造成明顯阻礙，在監(jiān)管嚴格、標(biāo)準明確的行業(yè)中尤其如此，比如醫(yī)療、汽車、化學(xué)、航空航天等領(lǐng)域。但目前已經(jīng)出現(xiàn)了“模型無關(guān)的局部可解析性算法”（LIME），該算法可有效提高模型透明度，有助于解決這一痛點。

■ 模型學(xué)習(xí)的泛化能力不佳：人工智能模型有一個長期存在的弱點，難以將自身特性在不同場景間平移，這意味著一旦應(yīng)用場景發(fā)生變化，哪怕與之前的場景極為相似，企業(yè)也必須再次投入資源來訓(xùn)練新的模型。目前比較有前景的解決方案是轉(zhuǎn)移學(xué)習(xí)（transfer learning），也即訓(xùn)練人工智能模型完成對某項特定任務(wù)的學(xué)習(xí)，然后迅速將學(xué)習(xí)結(jié)果用于相似但截然不同的活動中。

■ 數(shù)據(jù)和算法可能帶來潛在的偏差與安全風(fēng)險：在某些情況下，一旦人工智能模型使用失當(dāng)，將會進一步固化和加深現(xiàn)有的社會文化偏見。當(dāng)訓(xùn)練樣本無法代表模型應(yīng)當(dāng)覆蓋的多數(shù)對象時，就可能引起意想不到的偏差。這個問題在本質(zhì)上與更廣泛的社會矛盾有關(guān)，因此需要聯(lián)合各方以更廣泛的手段輔助技術(shù)創(chuàng)新。

組織層面的障礙

企業(yè)組織在技術(shù)、流程和人才方面遭遇的挑戰(zhàn)，無疑也會減緩乃至妨礙人工智能技術(shù)的落地。在規(guī)劃部署之初，企業(yè)組織需要思考如何完善自身的人工智能能力：是在組織內(nèi)部自然積淀，還是從外部快速收購？是采用外包服務(wù)，還是使用“AI即服務(wù)”（AI-as-a-service）平臺？鑒于深度學(xué)習(xí)技術(shù)對計算能力的要求極高，一些企業(yè)出于監(jiān)管和安全方面的考慮，傾向于保留自己的數(shù)據(jù)中心；但由于獨立維護專用硬件的成本相當(dāng)可觀，購買云服務(wù)也不失為一個選擇。

企業(yè)組織也需要建立健全的數(shù)據(jù)維護以及治理流程，而且需要采用敏捷開發(fā)、DevOps開發(fā)等新一代軟件開發(fā)模式，以確保人工智能模型提供的指導(dǎo)性洞見得以廣泛高效地滲透到組織基層以及各個開發(fā)步驟當(dāng)中。

在人才方面，有能力指導(dǎo)深度神經(jīng)網(wǎng)絡(luò)構(gòu)建、優(yōu)化，并切實提升模型性能的專家極為稀缺。據(jù)不完全統(tǒng)計，全球范圍內(nèi)掌握此種技術(shù)的專家不足1萬人。企業(yè)若想自行開發(fā)人工智能解決方案，需要確保自身具有吸引并留住這些高端人才的能力。

商業(yè)化前景尚不明朗

在某些領(lǐng)域中，即使已經(jīng)擁有了成熟的技術(shù)和充足的數(shù)據(jù)，人工智能技術(shù)的商業(yè)效益相比其部署成本和耗費的精力而言也顯得不值一提。斯坦福大學(xué)近日的一項研究發(fā)現(xiàn)，深度神經(jīng)網(wǎng)絡(luò)可以高度準確地預(yù)測債券的價格，但耗時長達幾個小時；而對于債券交易者來說，時間差至關(guān)重要，所以他們寧愿選擇預(yù)測準確性略低，但僅需4 秒便可看到結(jié)果的傳統(tǒng)分析技術(shù)。同樣，人工智能模型用于某些商業(yè)場景的價值潛力尚不明朗。以采礦業(yè)為例，人工智能技術(shù)在礦體成分分析方面大有可為，但鑒于其資本支出相當(dāng)高昂，部署該技術(shù)究竟能帶來多少收益，目前還很難衡量。

社會輿論和監(jiān)管約束

社會關(guān)注和監(jiān)管約束也可能影響企業(yè)對人工智能價值潛力的挖掘。銀行、醫(yī)藥衛(wèi)生、社會、公共事業(yè)等領(lǐng)域?qū)τ趥€人信息的使用和存儲尤為敏感。此外，公眾對公平和平等的期待，以及針對大規(guī)模復(fù)雜算法透明度的監(jiān)管要求，都可能造成數(shù)據(jù)樣本的偏差。

給利益相關(guān)者的建議

正如上文所提到的，企業(yè)部署人工智能技術(shù)的價值潛能主要取決于其駕馭模型的能力，而不是模型本身是否出色。由于人工智能技術(shù)將產(chǎn)生巨大的經(jīng)濟和社會影響，因此該領(lǐng)域的技術(shù)創(chuàng)新者、服務(wù)的使用者、政策制定者等利益相關(guān)者實際上面臨著同一個任務(wù)：如何建設(shè)一個安全有效、充滿活力的人工智能環(huán)境，借以全面提升經(jīng)濟和社會效益。

給AI技術(shù)提供商的建議

許多人工智能技術(shù)開發(fā)者或服務(wù)提供商的技術(shù)優(yōu)勢很明顯，也擁有能夠使用這些技術(shù)的數(shù)據(jù)科學(xué)家，但他們對終端市場缺乏理解。如上文所述，人工智能最顯著的價值潛力來自改善現(xiàn)有用例的效果，即從根本上提升對潛在客戶的轉(zhuǎn)化能力。此外，許多企業(yè)也困惑于如何合理配置自身資源。充分了解人工智能的跨部門和跨職能價值潛力，有助于企業(yè)調(diào)整自身對于人工智能技術(shù)的投資方向。企業(yè)未必要全心投入于價值潛力最高的業(yè)務(wù)和職能領(lǐng)域；相反，它們不妨著眼于競爭對手以及自身在技術(shù)、數(shù)據(jù)、行業(yè)知識、客戶關(guān)系等方面的優(yōu)劣勢，據(jù)此優(yōu)化自身的戰(zhàn)略布局。

若能厘清人工智能用于各個行業(yè)與職能中將會帶來多少價值潛力，則有助于指導(dǎo)企業(yè)將其部署于自身的專長領(lǐng)域。對于擁有某一類數(shù)據(jù)資源的技術(shù)型企業(yè)而言，這種思考有助于其找到數(shù)據(jù)使用的突破口或空白點。

給利用AI技術(shù)轉(zhuǎn)型賦能的企業(yè)的建議

許多希望部署人工智能技術(shù)的企業(yè)往往會積極地開展業(yè)務(wù)相關(guān)的技術(shù)實驗，并且很可能遭到多家人工智能解決方案提供商的“輪番轟炸”。在啟動更多試點和測試之前，企業(yè)管理者有必要放慢腳步、著眼全局，統(tǒng)籌安排各種人工智能技術(shù)（以及更廣泛的數(shù)字分析技術(shù)）的優(yōu)先級，了解對企業(yè)本身而言價值潛力最大的用例和領(lǐng)域，并思考如何部署才能獲得這些價值。確定投資方向時，也不能紙上談兵，只去關(guān)注理論上的價值潛力，而是要斟酌人工智能技術(shù)是否有規(guī)模化部署的可能。這一切都取決于企業(yè)運用數(shù)據(jù)資源的綜合能力，除了關(guān)注部署技術(shù)的“長征第一步”（也即如何獲取數(shù)據(jù)），更要重視最后的“會師”環(huán)節(jié)，也即將人工智能模型輸出的洞見整合到企業(yè)的日常工作流程當(dāng)中，以獲得實木展會專題。

給AI政策制定者的建議

人工智能政策制定者需要在“鼓勵發(fā)展”以及“管控風(fēng)險”之間取得平衡。人工智能工具和框架的演進可謂日新月異，因此相關(guān)政策也要跟上步伐，持續(xù)調(diào)整創(chuàng)新，以鼓勵人工智能技術(shù)安全付諸實踐，創(chuàng)造廣泛的經(jīng)濟和社會效益。

通過對400余個真實用例的詳細分析，我們可以看到人工智能技術(shù)廣泛應(yīng)用后將帶來何等巨大的經(jīng)濟價值和社會效益。為了更好地捕獲這些價值，企業(yè)管理者應(yīng)當(dāng)積極補充人才、加強組織自身的高級分析能力，從長遠來看，這將是一筆物超所值的投資。用例分析顯示，人工智能提升價值潛力最大的地方，正是其余數(shù)字分析技術(shù)最有可能創(chuàng)造價值的地方。因此，希望部署人工智能技術(shù)的企業(yè)應(yīng)當(dāng)全面提升自身的數(shù)字化水平。豐富的數(shù)據(jù)資源是人工智能創(chuàng)造價值的前提條件。此外，若想讓技術(shù)成功落地，企業(yè)還需要明確技術(shù)部署的重點和優(yōu)先級，合理規(guī)避安全風(fēng)險。毫無疑問，人工智能技術(shù)的價值潛力極高，并且會隨著技術(shù)發(fā)展變得愈發(fā)可觀。而準確識別人工智能技術(shù)的用武之地，并且找出獲取價值的手段，也許將成為當(dāng)今時代最重要的一項商業(yè)挑戰(zhàn)。
責(zé)任編輯：tzh