麥肯錫報告｜2016 年人工智慧投資超300億美元，正進入最後突破階段

選自Mckinsey

作者：Jacques Bughin等

機器之心編譯

參與：機器之心編輯部

在經歷了幾十年起起伏伏的發展後，人工智慧終於開始為公司企業帶來實實在在的價值了。近日，麥肯錫發布了一份長達 80 頁的報告《ARTIFICIAL INTELLIGENCE：THE NEXT DIGITAL FRONTIER?》，對人工智慧為企業創造價值的方式進行了全面的介紹和解讀。據介紹，在這份報告中，新進入人工智慧領域的公司將學習到早期進入這一領域的巨頭在投資以及創造價值上面的豐富經驗。機器之心對這份報告中的重要內容進行了篩選編譯，報告原文可點擊文末「閱讀原文」下載。

目錄

概述

1. 人工智慧已經為商業化做好了準備，但企業準備好接受人工智慧了嗎？

2. 人工智慧有望提升利潤和變革行業

3. 企業、開發者和政府現在就需要採取行動以實現人工智慧的全部潛力

附錄 A：五項案例研究

• 零售

• 電力公用事業

• 製造業

• 醫療保健

• 教育

附錄 B：技術附錄

參考文獻

人工智慧：下一個數字前沿？

人工智慧正要帶來下一波數字顛覆浪潮，而公司企業需要現在就開始做好準備。我們已經看到有少數幾家早期進入的公司已經開始從中獲得真正的利益，這使得其它公司在尋求和加速它們自己的數字轉型上面顯得更加緊迫。我們的發現重點圍繞五大人工智慧技術系統：機器人和自動化載具、計算機視覺、語言、虛擬智能體（virtual agent）、機器學習（其中包括深度學習，並且是近來許多其它人工智慧技術的新進展的基礎）：

• 人工智慧投資正在快速增長，其中谷歌和百度等數字巨頭是主導者。從全球範圍看，我們估計 2016 年科技巨頭在人工智慧上投入了 200 億到 300 億美元，其中 90% 花在了研發和部署上，另外 10% 則花在了人工智慧併購上。VC 和 PE 融資、撥款和種子輪投資也在快速增長，儘管基數很小，但已經增長到了總共 60 億到 90 億美元。機器學習作為一項賦能技術（enabling technology），已經在內部投資和外部投資中都佔據了最大的份額。

• 在科技行業之外採用人工智慧還處於早期的實驗性階段。僅有少數公司進行了大規模部署。在我們調查的 3000 位知道人工智慧的首席官級別（C-level）的高管中（來自 10 個國家，橫跨 14 個行業），僅有 20% 表示他們目前在大規模或在他們業務的核心部分使用與人工智慧相關的技術。許多公司表示它們並不確定相關的業務案例或投資回報。在調查了 160 多種用例之後，我們發現其中僅有 12% 對人工智慧進行了商業化的部署。

• 採用人工智慧的模式說明了人工智慧的早期採用者與其它公司之間日益擴大的鴻溝。處在麥肯錫全球研究院（MGI）的產業數字化指數（Industry Digitization Index）頂部的行業（例如高科技和電信行業、金融服務行業）也是人工智慧應用方面的領軍者。它們也擁有最為激進的人工智慧投資意圖。這些領軍者的投資兼具廣度與深度：跨多個職能部門使用多種技術，並且將其部署到自己業務的核心。比如說，汽車製造商正在使用人工智慧來開發自動駕駛汽車和改善汽車操作體驗，而金融服務公司則更可能將其用在消費者體驗相關的功能中。

• 早期的證據表明，人工智慧可以給嚴肅的採用者帶來真正的價值，並且可以成為一股強大的顛覆性力量。在我們調查中，將強大的數字能力與主動的戰略結合在一起的人工智慧早期採用者有更高的利潤率，並且還有望在未來進一步擴大業績的差距。我們在零售、電力公共事業、製造業、醫療保健和教育領域的案例研究突出了人工智慧在提升預測和採購、優化和自動化運營、開發定向營銷和定價以及提升用戶體驗上的潛力。

• 人工智慧對數字基礎的依賴以及人工智慧往往需要在特定數據上訓練的事實意味著公司沒有捷徑可走。公司不能推遲和拖延其數字化進步，包括人工智慧。早期的採用者已經在創造競爭優勢了，而且也似乎正將後進者越甩越遠。一個成功的方案需要公司解決數字和分析轉型中的許多元素：識別業務案例、設置正確的數據生態系統、開發或購買合適的人工智慧工具以及調整工作流程、能力和文化。特別地，我們的調查表明高層的領導、管理和技術能力以及無縫的數據許可權是關鍵的推動因素。

• 人工智慧有望實現價值利益，但也給公司、開發者、政府和工作者帶來了緊迫的挑戰。勞動力需要得到再訓練，獲得新技能，從而能利用人工智慧，而不是與之競爭；希望將自己確立為一個全球人工智慧開發中心的城市和國家需要加入全球的競爭以吸引人工智慧人才和投資；我們也需要推動解決在道德、法律和監管方面的難題，否則就會拖累人工智慧的發展。

圖釋：目前的人工智慧浪潮在準備最後的突破：人工智慧領域的投資有很大的增長率，但採用率依然很低。

2016 年，公司在人工智慧上的投資大約為 260 億至 390 億美元，其中科技巨頭的投資為 200 億至 300 億美元，創業公司的投資為 60 億至 90 億美元，從 2013 年開始外部投資有了 3 倍增長。

公司如何採用人工智慧

價值鏈中人工智慧能夠創造價值的四個領域

1. 人工智慧已經為商業化做好了準備，但企業準備好接受人工智慧了嗎？

對人工智慧潛力與危險的言論一直都很多。人工智慧，能夠賦予機器類似人類的認知、自動駕駛汽車、偷取隱私、提升公司生產率等能力。它能夠替代工人完成重複性的、危險性的工作，或著奪走工人的生計。

人工智慧並非新概念，經歷過起起伏伏的歷史，既有期望也有失望。這一次是否會有不同？新的分析給出的答案是「yes」：人工智慧最終開始交付真實的商業收益。突破所需的條件已經到位。計算機能力增長迅速、演算法變得更為精緻，更重要的是全球生成了大量數據，而數據正是人工智慧的燃料。

數字化前沿的公司，比如谷歌和百度，都在人工智慧上投入了大量的資金。包括重大收購在內，我們估計投資額在 200 億到 300 億美元之間。私人投資者也參與了，我們估計 2016 年人工智慧的風投資金為 40 億到 50 億之間，私募股權公司投資為 10 億到 30 億美元之間。2016 年的投資額大約為 2013 年的 3 倍。此外大約還有 10 億美元來自於政府獎助和種子資金。

但目前，大部分新聞都出自人工智慧技術的提供方。許多新的使用還處於實驗階段，市場上的產品有限，或者說有較少的產品能夠很快的有即時、普遍的應用。結果就是，分析師對人工智慧潛力的認知分成了兩派：一些人對人工智慧的潛力很樂觀，一些人依然對其經濟收益十分謹慎。這種不一致的觀念導致對市場的規模預測差別巨大，例如 2025 年的市場規模從 6.44 億美元到 1260 億美元 [2]。從目前已經對人工智慧的投資規模來看，最低的那種估算表明我們又在見證另一個人工智慧繁榮衰落的循環。

我們採用人工智慧的業務經驗表明這種顛覆性場景是不可能的。為了提供更加強有力的觀點，我們決定對用戶如何採用人工智慧技術做一些研究。我們的研究也提供了目前快速變化的人工智慧產業概覽，我們主要通過用戶和供應商的視角進行研究，並希望提供對人工智慧的經濟潛力更加完善和強健的觀點。首先我們研究的是投資概覽，包括企業在研發部門和產品部署上的內部投資、大型企業併購、從風險投資（VC）和私募基金（PE）的融資等。隨後，我們再研究需求方面，主要是結合案例分析、人工智慧的採納應用方面、還有對 3000 多家公司 C-level 管理人員進行的調查等。因此進一步了解企業如何應用人工智慧技術、推動他們採用人工智慧技術的原因、進一步部署的障礙、還有人工智慧市場、金融和組織的影響。我們觀點的詳細來源可查看 Box 1。

一般而言，人工智慧是指機器表現出類似人類智能的能力，比如說，無需人工編碼包含特定詳細指令的軟體就能解決問題。人工智慧技術的分類方式多種多樣，但是卻難以拿出一個不互斥且又全面的列表，因為人們往往會混合和匹配多種技術來尋找單個問題的解決方案。這些方法往往會被看作是一種單一的技術，有時候是其它技術的子集，有時候則被看作是技術的應用。一些框架通過基本功能來對人工智慧技術進行分類，比如文本、語言和圖像識別，另一些分類方式則基於業務應用，比如商用或安全應用 [3]。

試圖更精確地定義這個術語是很困難的，原因有幾個：人工智慧涵蓋大量技術和應用，其中一些只是之前已有技術的些許擴展，而另一些則是全新的。另外，「智能（intelligence）」本身也沒有一個得到了普遍接受的理論，而「機器智能（machine intelligence）」的定義也在隨著人們對新技術的適應而發生變化 [4]。由計算機科學家 Larry Tesler 提出的泰斯勒定理（Tesler" s theorem）斷言：「人工智慧就是那些還未做成的事。」[5]。

在這篇報告中，我們考慮的人工智慧技術是所謂的「窄（narrow）」人工智慧，即其僅只能執行一項窄範圍的任務，這和所謂的尋求實現與人類智能類似的通用人工智慧（AGI）不一樣。我們關注窄人工智慧是因為其有在近期內實現商業價值的潛力，而 AGI 還尚未實現。

在這份報告中，我們關注的重點是解決業務問題的人工智慧技術。我們還選出了我們關注的 5 個關鍵領域：機器人和自動化載具、計算機視覺、語言、虛擬智能體（virtual agent）、機器學習（其基於可以從數據中學習的演算法，而非按照基於規則的編程來得出結論或指導行動）。其中一些涉及到處理來自外部世界的信息，比如計算機視覺和語言（包括自然語言處理、文本分析、語音識別和語義技術）；一些則是關於對信息的學習，比如機器學習；還有一些涉及到根據信息採取行動，比如機器人、自動汽車和虛擬智能體（即可以和人類交流的計算機程序）。機器學習以及其子領域深度學習是目前人工智慧領域許多最新進展的核心，得到了很大的關注，也為人工智慧領域吸引到了大量的投資——在 2016 年，大約有 60% 的投資都來自該行業之外。

由科技巨頭驅動，人工智慧的投資正在飛快增長，但商業應用仍顯落後

亞馬遜、蘋果、百度和谷歌這樣的科技巨頭正在人工智慧技術領域投入數十億美元的資金。它們看到了 AI 技術在未來的方向——強勁的計算機硬體，越來越複雜的演算法模型和巨量數據，這些需求都已部分實現。事實上，在人工智慧領域，大公司的內部投資佔據著主要地位：麥肯錫估算，在 2016 年這一數字是 180 億-270 億美元；而外部投資（來自風投機構、私募股權投資、併購、資助和種子輪投資）大約為 80 億-120 億美元，如下圖所示。

圖 1：科技巨頭主導了人工智慧投資（單位：10 億美元）

關於人工智慧的炒作已經大到足夠鼓勵風投和私募股權公司加大對人工智慧的投資力度。其他外圍的投資者，比如天使基金和種子孵化器，同樣也很活躍。我們估計 2016 年年度外部投資總額為 80 - 120 億美元。

機器學習吸引了其中幾乎 60% 的投資，可能是因為機器學習能夠滿足許多技術與應用的需求，例如機器人和語音識別（圖 2）。此外，因為機器學習能夠更快、更簡單的設置新代碼從而建立機器人或其他機器，投資者也被機器學習所吸引。這個領域的公司收購也逐漸頻繁，從 2016 年到 2013 年，綜合年度增長率大約為 80%。

圖 2：2016 年對各個人工智慧領域公司的外部投資：儘管對各技術領域的邊界並不明確，但機器學習得到的投資最大。

圖 3：在更數字化的行業，採納人工智慧的速度更快

圖 4：領先採用人工智慧的行業投資也越多

2. 人工智慧有望提升利潤，推動行業轉型

人工智慧技術近年來飛速發展，然而後續的採用依然處於起步階段。這使得評估人工智慧對於公司和行業造成的潛在影響充滿了挑戰。我們確實知道很多不採用人工智慧技術的人報道說他們在做人工智慧投資的商業案例時遇到了困難。但是那些採用人工智慧技術的公司發生了什麼呢？通過查看數字原住民的案例研究以及來自我們調研的回應，我們發現了大規模地採用人工智慧技術帶來豐厚回報的早期證據。通過回顧五個行業的大量案例研究，我們也展示了人工智慧是如何轉變一些業務活動，並具有根本地改變其他業務的潛力。這些案例證明了人工智慧如何在整個價值鏈上和不同行業之間塑造不同的功能。這些案例還對利益相關者有著廣泛的影響，比如跨國公司、初創企業、政府和社會組織。

產業案例研究表明了人工智慧的顛覆性潛力

為了發展人工智慧廣泛應用於商業領域的願景，我們創建了五項案例研究，以表明人工智慧如何通過多種形式影響具體的行為。我們選擇創建案例的行業是：零售、電力、製造業、醫療以及教育，類型涵蓋私立、公有、社會企業，包括從勞動密集型行業到業務到業務的重資產操作。

為了滿足人們的期待，人工智慧需要在經濟領域發揮實際作用，以顯著降低成本，增加收益，並提高資產利用率。我們分類了人工智慧可在 4 個領域創造價值的方式：使公司更好地規劃和預測需求，優化研發，提升資源；以更低的成本更高的質量，提高公司生產貨物、提供服務的能力；以合理的價格，通過正確的訊息，將產品送達到客戶手中；允許他們提供豐富、個性化和便捷的用戶體驗。

這四個領域的價值創造是基於特定的使用案例，這些案例已經被探索或部署在今天的商業中。這個列表也許並不全面，它是基於當前我們對「窄」人工智慧技術的知識了解。同樣，它們對行業和產業有著不同的相關度，使得規劃和生產層有著利用人工智慧的大量機會。此外，當機器學習可為所有行業帶來有價值的利益時，一些技術尤其適合特定部門內的商業應用，比如零售業和製造業的機器人、醫療行業的計算機視覺、教育行業的自然語言處理和生成（見圖 6）。

圖 6：人工智慧可以以 4 種方式跨價值鏈（value chain）來創造價值：Project、Produce、Promote、Provide

圖 7：人工智慧可以幫助跨價值鏈地實現顯著增益

3. 企業、開發者和政府現在就需要認識到人工智慧的全部潛力

雖然人工智慧有潛力從根本上重塑整個社會，但我們目前仍然很不確定技術究竟會怎樣發展。而對於企業、政府和工人來說，這種不確定性就意味著「等待和觀望」。但是，我們還是認為有必要採取積極明確的行動來面對已經明晰的機會和風險。

對於許多企業來說，這意味著他們需要加速數字化進程以確保能夠高效地部署人工智慧工具。因為人工智慧將巨量的高質量數據集成到自動工作流程中，它的影響力也變得越來越大。人工智慧並不是數字化基礎的捷徑，它是數字化基礎強有力的延伸。

開發者在幫助企業實現技術的潛力時起到了關鍵作用。人工智慧產品需要解決實際的商務問題，而不能僅僅只是提供有趣的解決方案，人工智慧需要大規模解決現實問題。

最後，政府和工人應該準備面對人工智慧帶來的巨變。我們也許需要重新思考公共教育系統和職工培訓計劃，因為我們需要確保職工所擁有的技能是與機器相補充而不是相競爭的。而希望建立當地人工智慧生態系統的地區或國家必須加入全球人工智慧人才和投資的競爭中。而整個社會需要考慮的那些尚未解決的法律和倫理問題，才是實現人工智慧利益的最大障礙。

圖 8：成功的人工智慧轉型需要在數字化和分析轉型中成功的類似元素

• 使用案例／價值的來源

• 掃描使用-案例的範圍

• 清楚表達商業需求，創建商業案例

• 數據生態系統

• 打破數據倉（data silos）

• 決定集成和預分析的層面

• 識別高價值數據

• 技術與工具

• 識別適合目標的人工智慧工具

• 合夥或併購以填補能力缺口

• 採取靈活的「測試和學習式」方法

• 工作流程整合

• 將人工智慧整合進工作流程

• 優化人機界面

• 開放的組織文化

• 採取開放、協作的文化

• 相信人工智慧

• 勞動力重新掌握技能以備不時之需

圖 9：儘管少數職業會被完全自動化，但 60% 的職業至少有 30% 的活動可以自動化

美國和中國主導了人工智慧版圖，歐洲正在落後

下面是現在最有活力的人工智慧中心：

美國

• 矽谷：頂級的創業公司中心（有 12700～15600 家活躍的創業公司，200 萬名技術工作者）、引領全球風險投資、許多世界頂級科技公司的總部所在地

• 紐約：金融和媒體行業的領先中心、培養人工智慧人才的優質大學（比如康奈爾大學）、強大的投資環境（在早期階段的投資的絕對數量上僅次於矽谷）

• 波士頓：科學界和工業界有悠久的合作歷史、世界級的大學（比如 MIT）在開發先進技術和培養頂級人才

中國

• 北京：清華、北航和北京大學等在創造大量的學術研究成果、百度等科技巨頭的廣泛參與、中國政府將人工智慧看作是具有戰略意義的技術

• 深圳：華為和中興等電子設備製造公司的中心、強大的硬體實力、中國政府將人工智慧看作是具有戰略意義的技術

歐洲

• 倫敦：全球金融中心、支持投資和金融科技應用、歐洲在 VC 創業公司投資方面的領袖、頂級的科技公司在此有分支機構、世界頂級的大學培養頂級人才（包括劍橋、帝國理工和牛津）

人工智慧增長背後的外部投資

目前面臨的挑戰

人工智慧為政府和社會提出了廣泛的問題。在這份報告中，麥肯錫指出了其中的一些問題，也包含部分解決問題的方法。我們在這些問題上的進展對於實現人工智慧的潛在利益和避免風險至關重要。

鼓勵更廣泛地利用人工智慧。目前的人工智慧應用集中於相對數字化的行業內，而這些領域已經是新技術的前沿了。擴展人工智慧的應用範圍，支持新技術領域，特別是其中的小型公司，對於保證生產力的增長和經濟發展至關重要，可以保證市場健康，具有競爭力。人工智慧在更廣泛領域內的應用也可以幫助平衡各行業的工資水平。人工智慧可以帶動生產力水平的發展，從而提高工資。更寬廣的應用範圍有助於讓人工智慧的好處推動至更多的公司和工人身邊，而不僅僅是讓已經處於收入金字塔頂端的前沿公司和僱員受益。

解決就業和收入分配問題。人工智慧驅動的自動化變革會深刻影響人們的工作和工資水平。在麥肯錫的調查中，絕大多數公司並不認為自己會在未來大幅減少員工人數。然而，顯然會有一些職位的技能會不符合未來要求。政府可能會不得不重新思考社會服務的模式。不同的想法將被納入思考範圍，包括共享勞動力、負所得稅和全球基本收入水平。

解決道德、法律和監管問題。人工智慧提出了一系列道德、法律和監管問題。現實世界的偏見風險正在被寫入訓練數據集中。由於現實世界存在種族、性別或其他很多類別的歧視，提供給機器學習演算法的現實世界數據也不可避免地帶有這些特徵，而人工智慧也會在訓練中學會偏見。

隨著偏見的內部化，這些問題正在加劇。同時，人們也對演算法本身產生了懷疑，編程人員的道德見解會被編寫進演算法中，在決策過程中，人們有權得知哪些內容？誰會對人工智慧輸出的結果負責？這導致了人們對於演算法透明度和問責制的呼籲。隱私是另一個問題——誰對數據擁有所有權？需要哪些措施來保護高度敏感的數據（如醫療數據），而不必破壞其可用性？正致力於解決這些問題的組織和機構包括 Partnership on AI、OpenAI、Foundation for Responsible Robotics 以及人工智慧倫理與監管基金會。

確保訓練數據的可用性。大量的數據對於人工智慧訓練系統至關重要。開放公共部門的數據可以刺激私營企業的創新，設置通用數據標準也會有幫助。在美國，證券交易委員會在 2009 年強制所有上市公司必須以 XBRL（可擴展業務報告語言）格式披露其財務報表，從而確保公共數據具有機器可讀性。

在政府中部署人工智慧。人工智慧對公共部門的潛力巨大。它提升計劃、目標和個性化服務的能力使提高政府服務水平和效率所急需的。在該報告的附錄中，作者探索了人工智慧技術在兩大公有領域——醫療和教育——的未來。

在附錄部分，該報告詳細描述了 5 個使用案例。麥肯錫對其中三個使用案例給出了可視化描述，以下是相關內容：

零售業：預知購物者所需

• 面部識別軟體、機器學習、自然語言使得虛擬代理能夠提供多種服務；

• 機器學習個性化推薦匹配消費者文檔。在消費者瀏覽商店時，可向其手機發送價格。

• 深度學習支持的計算機視覺能力能識別消費者打包的物品；加上感測器數據，人工智慧使得自動結賬、支付成為可能。

• 使用深度學習的無人機快遞，能夠自動避障、處理收件人不在的情況。

• 互動式屏幕和桌面使用計算機視覺和深度學習能夠識別商品、推薦相關產品，並且補充消費者的生活檔案。

• 自動購物車在店內跟著你，然後自主送運到你的汽車所在地，或者用機器人、無人機進行家庭速遞。

• 利用機器學習，商店能夠根據競爭者價格、天氣和存儲實時地升級、優化價格，達到利益最大化。

• 人工智慧強化的機器人持續追蹤倉儲、識別空貨架、補充貨架。其他機器人可在倉庫中打包。

電力行業：人工智慧可以讓電網更加智能化，減少電站數量

• 從感測器中收集的數據可以讓機器學習系統實時調整發電設備數據。

• 機器學習可以預測電力需求峰值，並最大化間歇性可再生能源使用效率。

• 智能網線可以實時調整電流，改善電網負載。

• 無人機和小型機器人可以探測並預測設備損壞，無需關停線路。

• 自動記錄數據，減少技術工作者需求數量。

• 在檢修時，實時接收運行數據，節約時間。

• 虛擬助手幫助用戶處理事務，壞賬提前預警。

• 智能電錶基於使用量和天氣等因素自動調整用電數據。

人工智慧在醫療領域： 更快的診斷，更好的診療計劃，更全面的醫療保險

• 機器學習程序會分析可穿戴設備上收集到的健康數據，提供健身建議，並預測疾病風險

• 自動檢測設備可以在沒有醫生和護士的情況下幫助患者檢查體征指標

• 使用醫療數據和病歷，人工智慧驅動的診斷工具可以更快更準確地診斷疾病

• 通過使用醫療和環境因素來預測病人行為和患病可能性，人工智慧可以優化醫院運作、員工安排和庫存管理

• 人工智慧工具可以分析病人的醫療記錄和環境因素來識別有患病風險的人，並為他們提供預防保健計劃

• 虛擬助理可以幫助患者迅速找到合適的醫生，節約等待時間，提升體驗

• 由機器學習工具協助提出的個性化治療計劃能讓患者更快恢復健康。人工智慧提供的大數據健康分析可以減少住院治療的時間

• 來自大眾健康分析的人工智慧見解可以通過鼓勵醫療提供商來管理病人健康而幫助納稅人降低醫院和治療成本

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！