智東西（公眾號：zhidxcom） 文 | 十四

近日，麥肯錫發表研究報告，指出人工智慧為分析技術貢獻了40%的年度價值，加起來每年可創造3.5萬億到5.8萬億美元的潛在價值，相當於各個行業（2016）年度收入的1%到9%。

本期的智能內參，我們推薦這份麥肯錫AI前沿筆記，分析19個行業的400+用例，覆蓋企業、物流、國防、旅行到公共部門等，盤點人工智慧的業務功能和經濟效益。如果想收藏本文的報告全文（麥肯錫：人工智慧前沿筆記），可以在智東西公眾號（zhidxcom）回復關鍵詞「nc253」下載。

以下為智能內參整理呈現的乾貨：

人工智慧的萬億價值

目前已知的人工智慧最大的潛力在於分析技術，包括回歸和分類。神經網路技術可以提供更高的功能性，或者產生附加的見解和應用。

案例表明，在旅行、交通、零售、汽車、高科技、能源、化工、娛樂傳媒、基礎材料、消費品、農業、銀行、醫療系統與服務、公共部門、通訊、醫療製藥、保險、先進電子器件/半導體、航天與國防這19個行業中，人工智慧（AI，包括前饋神經網路和卷積神經網路）的引入，可以創造3.5萬億到5.8萬億美元的潛在價值，包括更有價值的產品和服務、收入的增長、成本的節約、消費者剩餘等。

這相當於整體分析技術價值規模（9.5萬億到15.4萬億美元）的40%，對於每個行業而言，AI潛在價值平均占行業總規模的1%到2%。即便是應用潛力最小的航天與國防（少於500億美元），這也相當於黎巴嫩的GDP了。

AI價值潛力：3.5萬億到580億美元（行業年產值）

對於通訊行業，運營商有大量的結構化的客戶數據，非常適合傳統分析技術和AI分析技術，AI的潛在價值是行業年收的3%到6%，超過1000億美元。同樣的，對於公共部門，大量的數據和用例亦使其成為AI比較成熟的應用領域，但數據隱私和分析成功的可解釋性/邏輯透明性限制了潛在的價值。儘管如此，公共部門依舊是AI技術非常大的潛在機會點。

AI分析技術還將用於各個行業的風險管理，如保險業更為精準的風險評估和保費設置，製藥公司將AI演算法用於降低臨床試驗風險，礦業公司預測生產中斷風險，實現更有效的勘探、鑽探和開採規劃等。此外，AI還可創造新的產品和業務模式，如用於銀行客戶類型識別，可以有效改進的欺詐檢測。

AI最大的價值機遇是供應鏈管理和製造業中營銷和銷售環節。對於公司而言，他們必須檢查自己的部門組合，理解行業的價值驅動，尋找人工智慧的布局機會，已確定合適的投資部署。此外，零售與高科技等消費行業將出現更多AI營銷和銷售應用，這是由於更為頻繁的數字交互，特別是對電商平台而言，基於AI分析實時制定促銷、價格和產品動態，利用生成模型優化端到端的供應鏈等，將有效降低各項成本，提高運營效率，實現精準營銷。

AI最大的價值機遇是供應鏈管理和製造業中營銷和銷售環節

人工智慧簡明釋義

為幫助讀者建立更為具象的AI技術框架，本節對重要的人工智慧相關概念進行簡明釋義。

人工智慧指人造的機器智能，由1956年達特茅斯會議上正式提出。機器學習是實現人工智慧的主流手段，是基於一種數據訓練的模型，即機器通過分析大量數據進行學習，無需編程從而歸納和識別特定目標，重在發現數據之間內在的相關性並做出預測。

各類分析技術在19大領域中的熱度

1、神經網路

神經網路技術是機器學習下屬的一個概念，本質上是從信息處理的角度對人腦神經元網路進行抽象模擬，從而建立計算模型。

基於神經連接的計算模型在上世紀40年代開始受到重視，大量的訓練數據（包括圖像、視頻和語音）成功的實現了數據分析。在深度學習發展之前，神經網路通常只有3到5層，和幾十個神經元/節點；深度學習之後，神經網路擴展到7到10層，甚至更多層，模擬神經元數目增至百萬量級，從而面向更為複雜的問題實現更為可靠的處理。當下興起的人工智慧，主要就是大規模的深度學習。

具體來看，神經網路有三類主要形式：

1.1 前饋神經網路

前饋神經網路（Feed forward neural networks）是最常見的人工神經網路。在這種結構下，信息只向一個方向（向前）移動，即從輸入層經過「隱藏層」到輸出層，沒有循環網路。首個單節神經網路在1958年提出，經過計算能力和訓練演算法的大發展，前饋神經網路展現出了更高的性能水平。

1.2 循環神經網路

循環神經網路(Recurrent neural networks)指結構中包含節點定向連接成環（loops）的人工神經網路，非常適合於處理（手寫、文本、語音形式的）任意時序的輸入序列。2016年11月，牛津研究報告顯示，基於神經網路（和卷積神經網路）的系統在唇語識別應用中實現了95%的準確率（有經驗的人類唇語者準確率近52%）。

1.3 卷積神經網路

卷積神經網路（Convolutional neural networks）是一種深度前饋人工神經網路，其邏輯結構受動物視覺大腦皮層的啟發，對於大型圖像處理（視覺感知任務）有出色表現。

最好的AI系統識別能力已經超過人類

2、其他機器學習概念

從學習的方式來看，機器學習分為監督式學習（訓練數據集中的目標由人標註的）、非監督式學習（訓練集沒有人為標註）、半監督式學習（訓練集被部分標識）和強化學習（輸入數據作為模型的反饋）。

從演算法的類型來看，常見的機器學習演算法有決策樹演算法（採用樹狀結構建立決策模型）、回歸演算法（對連續值預測）、分類演算法（對離散值預測，事前已經知道分類）、聚類演算法（對離散值預測，事前不知道分類）、神經網路和集成演算法（集成幾種學習模型）。

為幫助後文理解，以下進一步說明兩類在新生業務中極具潛力的機器學習技術：

不同用例中的數據類型（結構化程度、時序性、文本or音頻or視頻or圖片）

不同類型數據的AI價值

2.1 生成對抗網路/GANs

生成對抗網路（Generative adversarial networks）是深度學習領域的一個重要生成模型，即兩個網路（生成器和鑒別器）在同一時間訓練並且在極小化極大演算法（minimax）中進行競爭。這種對抗方式避免了一些傳統生成模型在實際應用中的一些困難，巧妙地通過對抗學習來近似一些不可解的損失函數，在圖像、視頻、自然語言和音樂等數據的生成方面有著廣泛應用。

2.2 強化學習

強化學習（Reinforcement learning）本質上就是通過試錯實現模型優化。目前，強化學習已經被廣泛採用，包括谷歌Deepmind的視頻遊戲和AlphaGo。

3、分析技術之於實際問題

分析技術：從經典到前沿（將深度學習神經網路、遷移學習和增強學習定義為AI技術）

分析技術在不同業務類型中可以解決多種實際問題，包括：

分類（Classification），即根據一組訓練數據，將新輸入的數據進行分類的業務，主要任務為識別特定物理對象（如卡車、汽車、生產線上接受質檢的產品等）的圖形；

連續評估（Continuous estimation），即根據訓練數據，評估新輸入數據的序列值，常見於預測型任務，如根據銷售數據、消費者態度、天氣等數據來預測消費需求，或者根據建築物的相關數據和照片來於猜測房產價格等；

集群（Clustering），即根據任務數據創建系統單個組類別，案例有，基於特人數據的消費偏好；

其他優化（All other optimization），即系統根據任務產生一組輸出為特定目標的函數優化結果，案例有，基於用戶（時間、費用、偏好等）需求的最佳交通路線推薦；

異常檢測（Anomaly detection），即根據訓練數據/歷史相關性判斷輸入數據是否異常，本質上是分類功能的子範疇；

排序（Ranking），常見於信息檢索問題，即基於檢索需求按照某種排序標準呈現結果，比如提供產品購買推薦等；

建議（Recommendations），即根據訓練數據提供建議，比如根據個人購買歷史行為推薦「下一個產品」；

數據生成（Data generation），即根據訓練數據生成合適的新數據，用例包括音樂創作等，即根據音樂素材在特定風格下創作出新的音樂片段。

不同類型實際問題涉及的分析技術（條狀圖表徵該問題中AI技術的價值和潛力）

從用例看潛力

講解完抽象的概念名詞，是時候來關注具象的實際案例了。先來說說人工智慧演算法跟傳統演算法相比，在性能方面的優勢（總體而言，AI分析技術能帶來傳統之外的30%到128%的行業價值提升）：

AI分析技術的價值潛力（左為AI與傳統分析技術的對比，右為AI分析為19大行業帶來的潛在價值增量）

預測維護

傳統系統，已經能夠對感測器時序數據，包括檢測溫度、振動狀態等，進行分析，實現預測異常檢測和預測維護（對組件的剩餘使用壽命做出預測）了。但深度學習將這個功能帶到了一個新的高度：可以對數據進行分層，從而分析海量的、高維度的，包括圖像、音頻等各種形式的感測器數據，一些原先不適用的低質量數據（來自廉價的麥克風和照相機）也能被用起來。

在被調研的案例中，這種基於AI技術的預測維護（遠程機載診斷技術），可以幫助企業減少停機時間，制定有計劃的干預措施，提高產量，並降低經營成本，對應的經濟價值約為總銷售額的1%到2%。

在貨運飛機的案例中，AI技術加持的預測維修，能夠延長飛機壽命。因為相比於傳統模型，它能更有效的結合平面模型數據、維護歷史、物聯網感測器數據（包括發動機振動數據、發動機狀況的圖像和視頻等）。

物流優化

以AI為導向的物流優化可以實時預測，降低成本，指導行為，提高燃油效率，減少交貨時間。

在一個歐洲貨運的案例中，基於AI技術的車輛性能檢測和駕駛員行為分析，司機能夠獲得實時指導（合適加速、減速等），以優化燃料費用並降低維護成本，貨車公司省了15%的燃油費。在一個航空案例中，航空公司基於AI預測交通擁堵和天氣相關問題，避免了昂貴的取消費用。對於每天航線近十萬的公司而言，哪怕減少1%的取消飛行，也意味著很大的不同。

客戶管理

AI正在成為客戶服務管理和個性化市場營銷的重要工具。

呼叫中心將AI用於語音識別（不僅是語言內容，甚至是情緒語調）和呼叫路徑規劃，可以更有效的為客戶提供更為無縫的體驗；在銷售領域（如亞馬遜和Netflix），AI也成功的用於個性化的「下一個」產品推薦，大幅提高了銷售轉化率；在保險領域，汽車保險保費可以根據駕駛數據（驅動模式和距離）進行調整；對於旅遊公司，全方位的客戶視圖（額外的酒店、航班服務）將幫助增加10%到15%的收入，相當於總營收的7%到12%，價值是傳統分析的兩倍以上；在零售業，SKU性能數據能被用於優化促銷策略。

各類分析技術在九項業務中的應用熱度

根據調研，69%的案例中AI分析技術完成了對傳統分析技術的性能優化，16%的「綠地」案例非AI不可。「綠地案例」主要存在於客戶服務等商業領域，如疾病診斷、改善護理等，對應的數據豐富（大量音頻、視頻、圖像和文本），還需要整合人類的反應。

此外，還有15%的案例是AI分析，或者說深度學習不適用的，比如藥品和醫療產品、電信等領域，一方面是受限於現有的技術和該領域不夠充足的結構化的數據量（據估計，一個監督學習演算法要實現可接受的性能，每個類別需要至少5000個標記過的數據），另一方面受限於行業和監管問題。

除了使用深度學習提高分析性能之外，很多常見的消費產品，如Siri、Alexa和Cortana，甚至基於圖像處理的自動駕駛也在發展中。對於這些AI系統，數據採集和再培訓是必要的（需要至少每月更新一次，有時甚至是每天更新一次）。除了數據量和多樣性之外，訓練數據的刷新也很重要，特別是銷售、供應、管理和製造業領域。

對於大約三分之一的用例，AI分析模型需要頻繁更新（四分之三的情況需要每月更新一次，近四分之一的情況至少每周更新一次）

前路的挑戰

儘管人工智慧前途遠大，它依舊面臨著諸多的挑戰和限制。

從數據的角度出發，可以把困難歸納為五點：訓練數據的標記常常需要人工手動，難以獲取足夠大且全面的訓練數據集（特別影響醫療用例），模型透明度有待提高（直接影響汽車、醫療認證等領域的應用），學習缺乏可概括性（難以從一個應用遷移到另一個相似的應用），數據和演算法中存在偏差的風險（更社會化的問題）。

此外，人工智慧還存在惡意使用的問題，包括更為複雜的黑客攻擊和高度個性化的政治虛假信息運動、欺騙性的視頻等一些列安全威脅。

考慮到數據的關鍵性，對於企業和組織來說，制定數字戰略，建立數據中心（或者更普適的，選擇雲供應商），爭奪高級人才，思考獲取和生成數據的方式，至關重要。技術方面，組織必須開發出健壯的數據維護和治理流程，並實現軟體現代化（如Agile和DevOps），並確保AI分析被實例化，克服「最後一英里」（組織挑戰）。

智東西認為，AI作為當下信息技術革新的主要動力之一，指向了龐大的經濟和社會價值，正在將各個參與者，包括（技術）革新者、公司和政策制定者等，凝聚起來，從而營造充滿活力產業環境，確保更為安全、有效的經濟和社會福利。現有案例足夠說明，AI技術的引進，不僅將深化傳統技術價值，更將拓展新的產品和業務形態。對於企業而言，相關數字戰略的制定，迫在眉睫。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！