麥肯錫：汽車和移動出行將成為AI下一個戰場 從中盈利還需這三點

人工智慧(AI)如今是每個人侃侃而談的詞。但在今天的汽車行業中，許多標註這樣的產品和服務實際上依賴於一種高級分析(從常規演算法演變而來)的形式，也就是可以支持這些功能——例如生產中的預測性維護。

AI的理論自1950年以來就已經存在。然而，隨著機器學習和深度學習的興起，AI本身在過去幾十年中其功能獲得了更廣泛的適用性。這也得益於諸如演算法和訓練方法的改進，更強大的計算能力和大量雲數據的可獲得性。

儘管有了這些發展，汽車行業仍然只處於AI顛覆性的初始階段。 最先進的AI應用仍然是狹義的——它們的表現可以比人類更好，但只能在非常具體的任務中執行。 AI技術的水平和性質差異很大;例如，「狹義AI」包括經典導航系統以及每秒處理1 GB數據的自主駕駛任務，或比當前導航系統多處理數百萬次數據。在更多的情況下達到人的能力還要好多年。

關於AI實現可能的所有討論，問題仍然是：所有這些是炒作，還是公司必須掌握的重要技術? AI下一層次的改進可能會帶來巨大的競爭優勢，而在汽車和移動出行產業尤其如此。為了了解這個市場，麥肯錫調查了中國、德國和美國的3000位消費者;採訪了行業領袖，包括汽車業大佬、技術人員和學者;並分析了初創企業、投資和專利。這使我們能夠從一個市場角度來看，而不是一個理論觀點。

在本文中，我們專註於使用機器學習和深度學習技術來提高或創建汽車行業新應用的AI系統。參與者必須面對機器學習在汽車和移動出行領域相關技術和業務方面的幾個問題：

a. 機器學習對行業有多重要?

b. 在移動出行中消費者是否接受使用AI，機器學習技術在這個領域的核心應用是什麼?

c. 技術應用必須面對哪些挑戰?

d. 汽車和移動出行玩家可以採取哪些戰略行動來準備?

除了炒作之外，機器學習可能是競爭優勢的來源。

機器學習使AI成為可能。運用實際工作的定義，該技術能夠在汽車和移動出行的三個關鍵領域提供：

i. 非常複雜的情況下應用(按照描述的數據量衡量)

ii. 大量可能出現情況的處理(無法通過顯式編程充分覆蓋的情況)

iii. 隨著時間的推移，沒有明確的指示，以非結構化的方式從以前未知情況的數據中學習

對於移動出行中的AI，機器學習將不是被選擇的一方;這將是數十年來技術基礎和重大競爭優勢的根源。例如，自動駕駛(AD)需要機器學習，至少在圖像識別中，人類編程不可能跟上。人類圖像識別通常需要具有數千萬個參數的系統，這些參數在受過訓練的超級計算機上只需2到4周，如果由純人力手動完成，將需要1000到3000年。

1

消費者對機器學習應用比預期更加開放

研究清晰地顯示了對AI發展的好處：消費者期望AI具有很大的影響，並實現更廣泛的變革(圖一)。 具體而言，與預期相反，大多數人對AI可能改善生活的方式呈開放態度，只有25%的人看到與AI相關的重大風險。 這種開放主要是由AI應用程序提供的舒適性和便利性的提高。 例如，75%的消費者表示他們有興趣使用AI驅動的機器人做家務。

消費者對AI的普遍興趣和接受度延伸到移動出行領域。我們看到人們對AD技術的應用感覺舒適，而47%的人表示如果家庭成員使用完全自主的車輛，他們會覺得挺好的。這種情緒在中國的消費者，年輕人和居住在城市的人們尤為普遍。

對於AI在汽車和移動出行技術方面支持的程度的整體興趣，導致了相當大的意願為這些功能買單。在對AD功能表示高度興趣的消費者中(占受訪者的24%)，46%的客戶願意在下一輛車上支付超過4,000美元而擁有自主駕駛特性。 AD功能對於消費者來說非常重要，65%的用戶將更換OEM以獲得更好的AD功能;對於年輕消費者和生活在大城市的人來說，這個數字超過了90%。這個期望值或許很高，但可能需要緩緩。平均而言，消費者普遍期望在五年內將能夠達到完全自主駕駛，對任何玩家和監管機構來說，時間已是相當緊迫。

機器學習將對汽車和移動出行行業產生重大影響，由於它將解鎖全新的產品和價值池，而不僅僅是提高生產率。 鑒於消費者的興趣，我們確定了汽車和移動出行中一系列可應用機器學習的領域(圖二)。 它們分為三類：

1. 優化流程和提高生產率(通常植根於高級分析，但通過機器學習得到增強)

2. 新產品或增強產品(主要通過機器學習)

3. 全新(垂直)業務，深耕客戶使用案例，充分利用這些新產品

在本文的其餘部分，我們專註於可以創建最大價值池——自主駕駛和車載娛樂的應用程序。

2

想從AI獲益，

汽車玩家需要克服三項挑戰

在移動出行環境中應用機器學習技術非常複雜，需要圍繞移動出行生態系統的新結構(圖三)。 新興行業格局中的不同利益相關者及其支持的技術將需要全新的承諾、制度和工作方式。 圍繞系統和汽車將會有一些不同的機器學習功能，即一些後端偶爾通信和更新的嵌入式系統，以及一些基於雲計算的實時系統。 所有這些系統都依賴於廣泛的利益相關者(包括第三方)和具體的技術限制因素，也受到當地情況和監管的影響。

在這裡，我們看到三種挑戰：承擔技術挑戰，特別是車輛嵌入技術;符合監管標準;並定義合適的商業模式。

1)技術。 理論上在移動出行中已獲得了許多機器學習的基礎演算法和方法。 儘管如此，仍然需要在實施和嵌入技術方面取得重大進展。 汲取自主駕駛和車載經驗，例如：這些系統將依靠大量數據，而量太大卻無法全面傳輸，以及輸出質量和時機至關重要，都會影響安全。 雖然機器學習技術已經可以在後端環境中運行(足夠的計算能力和適當的硬體存在)，但嵌入它需要技術硬體提高和連接解決方案。

在汽車和移動出行生態系統中的機器學習，約有500家公司正在努力建立必要的技術知識，以獲得價值鏈中的地位(圖四)。 自2010年以來，這些公司已披露的投資總額達520億美元左右(圖五)，超過同期所有共享出行和在線打車初創企業披露投資的320億美元。 幾乎所有這些投資(97%)來自非汽車行業，如私人股本和風險投資公司，以及科技企業。 而資金已大部分轉向開發自主駕駛和車載娛樂的全方位解決方案供應商。 這些投資的時間表明競爭正在加速：2014年至2017年的投資是2010年至2013年的四倍。

2)條例和標準。 「汽車級」需要更高的安全標準，比目前的機器學習使用案例更為精準。我們希望將機器學慣用於特定任務，然而，需要結合常規編程的護欄，以確保汽車級的安全性和質量。一般來說，對於汽車和移動出行，監管參與可能是跟行業標準的協調，以便規模化和各種系統(例如OEM和流量管理系統)的集成。在開發技術及其應用的早期，領域中的玩家實際上可能會塑造這些標準，就像開發防抱死制動系統時一樣。

規定和情況——例如，基礎設施——因區域、城市而不同。自主駕駛將很有可能逐城推出。此外，許多要素(如介面和數據類型)的標準在利益相關者之間不同。這些條件需要高度的適應性。

3)商業模式。商業新模式的出現對傳統OEM廠商而言是一個挑戰。許多這些新的商業模式可能會將OEM業務轉移到B2B關係(例如，車隊銷售或出行服務向城市鋪進)，這可能會給利潤帶來額外的壓力。另一方面，新服務的出現將需要車輛變得更加以軟體為中心，而在最終狀態，更像智能手機——最新的更新是必須的。

3

落實機器學習需要聰明的舉措

人工智慧可能是競爭優勢的重要來源，移動出行有很大的機會。但進程中不會沒有挑戰。儘管如此，汽車OEM廠商有能力從AI的發展中獲利，特別是嵌入式控制點。此外，有趣的是，大多數消費者正在尋求汽車製造商領導自主功能的發展，並希望是他們，而不是技術人員將其上市，特別是在中國(圖六)。

利用這些優勢，OEM廠商現在可以採取五個明智的舉措來利用其成功的地位：

1. 專註於核心應用領域。確定在汽車和移動出行領域開發各種適合機器學習應用時，OEM應該考慮幾個方面：

* 利潤池。終端用戶最關心或最需求的是什麼，新收入池的規模會是多少?

* 競爭格局。 我們期望在這個領域有多少玩家以及其他玩家有什麼期望? 他們對我們有什麼優勢?

* 市場地位。 我們相對於其他人如何(例如，我們是第一個採取行動的，並且始終採用最新技術)，從戰略的角度我們需要提供什麼?

* 控制點邏輯。 我們自然擁有或可以訪問哪些控制點?

2.利用廣泛的數據。為了創造新的商業模式，企業需要通過改進消費者的數據收集，來更好地了解消費者。例如，這是開發自主駕駛技術絕對必要的。此外，創建嚴重依賴數據收集的應用程序領域(如交通指導)，可能需要在OEM之間開發標準以實現數據共享。

3.驅動標準。與其他汽車廠商和政府一起主動塑造新標準。

4.發展技術和業務夥伴關係。商業模式通常需要不可用於內部的功能。對於長期差異來源的領域，請選擇適當的合作夥伴來獲得所需的技術或客戶。對於短期價值的地區，選擇或建立供應商。

5.商業模式套期保值。將有大量潛在的新商業模式。構建業務案例，並根據您要參與的程度從可用的業務模式中進行選擇。儘早嘗試不同的商業模式，通過做事學習，並期望在某些方面失敗。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 頭條前瞻 的精彩文章: