智東西 文 | 十四

近日,，麥肯錫發(fā)表研究報(bào)告,，指出人工智能為分析技術(shù)貢獻(xiàn)了40%的年度價(jià)值，加起來每年可創(chuàng)造3.5萬億到5.8萬億美元的潛在價(jià)值,，相當(dāng)于各個(gè)行業(yè)（2016）年度收入的1%到9%,。

本期的智能內(nèi)參，我們推薦這份麥肯錫AI前沿筆記,，分析19個(gè)行業(yè)的400 用例,，覆蓋企業(yè)、物流,、國(guó)防,、旅行到公共部門等，盤點(diǎn)人工智能的業(yè)務(wù)功能和經(jīng)濟(jì)效益,。

以下為智能內(nèi)參整理呈現(xiàn)的干貨：

人工智能的萬億價(jià)值

目前已知的人工智能最大的潛力在于分析技術(shù),，包括回歸和分類。神經(jīng)網(wǎng)絡(luò)技術(shù)可以提供更高的功能性,，或者產(chǎn)生附加的見解和應(yīng)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(chǔ)材料、消費(fèi)品,、農(nóng)業(yè),、銀行、醫(yī)療系統(tǒng)與服務(wù),、公共部門,、通訊、醫(yī)療制藥、保險(xiǎn),、先進(jìn)電子器件/半導(dǎo)體,、航天與國(guó)防這19個(gè)行業(yè)中，人工智能（AI,，包括前饋神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)）的引入,，可以創(chuàng)造3.5萬億到5.8萬億美元的潛在價(jià)值，包括更有價(jià)值的產(chǎn)品和服務(wù),、收入的增長(zhǎng),、成本的節(jié)約、消費(fèi)者剩余等,。

這相當(dāng)于整體分析技術(shù)價(jià)值規(guī)模（9.5萬億到15.4萬億美元）的40%,，對(duì)于每個(gè)行業(yè)而言，AI潛在價(jià)值平均占行業(yè)總規(guī)模的1%到2%,。即便是應(yīng)用潛力最小的航天與國(guó)防（少于500億美元）,，這也相當(dāng)于黎巴嫩的GDP了。

▲AI價(jià)值潛力：3.5萬億到580億美元（行業(yè)年產(chǎn)值）

對(duì)于通訊行業(yè),，運(yùn)營(yíng)商有大量的結(jié)構(gòu)化的客戶數(shù)據(jù),，非常適合傳統(tǒng)分析技術(shù)和AI分析技術(shù)，AI的潛在價(jià)值是行業(yè)年收的3%到6%,，超過1000億美元,。同樣的，對(duì)于公共部門,，大量的數(shù)據(jù)和用例亦使其成為AI比較成熟的應(yīng)用領(lǐng)域,，但數(shù)據(jù)隱私和分析成功的可解釋性/邏輯透明性限制了潛在的價(jià)值。盡管如此,，公共部門依舊是AI技術(shù)非常大的潛在機(jī)會(huì)點(diǎn),。

AI分析技術(shù)還將用于各個(gè)行業(yè)的風(fēng)險(xiǎn)管理，如保險(xiǎn)業(yè)更為精準(zhǔn)的風(fēng)險(xiǎn)評(píng)估和保費(fèi)設(shè)置,，制藥公司將AI算法用于降低臨床試驗(yàn)風(fēng)險(xiǎn),，礦業(yè)公司預(yù)測(cè)生產(chǎn)中斷風(fēng)險(xiǎn)，實(shí)現(xiàn)更有效的勘探,、鉆探和開采規(guī)劃等,。此外，AI還可創(chuàng)造新的產(chǎn)品和業(yè)務(wù)模式,，如用于銀行客戶類型識(shí)別,，可以有效改進(jìn)的欺詐檢測(cè),。

AI最大的價(jià)值機(jī)遇是供應(yīng)鏈管理和制造業(yè)中營(yíng)銷和銷售環(huán)節(jié)。對(duì)于公司而言,，他們必須檢查自己的部門組合,，理解行業(yè)的價(jià)值驅(qū)動(dòng),，尋找人工智能的布局機(jī)會(huì),，已確定合適的投資部署。此外,，零售與高科技等消費(fèi)行業(yè)將出現(xiàn)更多AI營(yíng)銷和銷售應(yīng)用,，這是由于更為頻繁的數(shù)字交互，特別是對(duì)電商平臺(tái)而言,，基于AI分析實(shí)時(shí)制定促銷,、價(jià)格和產(chǎn)品動(dòng)態(tài)，利用生成模型優(yōu)化端到端的供應(yīng)鏈等,，將有效降低各項(xiàng)成本,，提高運(yùn)營(yíng)效率，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷,。

▲AI最大的價(jià)值機(jī)遇是供應(yīng)鏈管理和制造業(yè)中營(yíng)銷和銷售環(huán)節(jié)

人工智能簡(jiǎn)明釋義

為幫助讀者建立更為具象的AI技術(shù)框架,，本節(jié)對(duì)重要的人工智能相關(guān)概念進(jìn)行簡(jiǎn)明釋義。

人工智能指人造的機(jī)器智能,，由1956年達(dá)特茅斯會(huì)議上正式提出,。機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的主流手段，是基于一種數(shù)據(jù)訓(xùn)練的模型,，即機(jī)器通過分析大量數(shù)據(jù)進(jìn)行學(xué)習(xí),，無需編程從而歸納和識(shí)別特定目標(biāo)，重在發(fā)現(xiàn)數(shù)據(jù)之間內(nèi)在的相關(guān)性并做出預(yù)測(cè),。

▲各類分析技術(shù)在19大領(lǐng)域中的熱度

神經(jīng)網(wǎng)絡(luò)技術(shù)是機(jī)器學(xué)習(xí)下屬的一個(gè)概念，本質(zhì)上是從信息處理的角度對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象模擬,，從而建立計(jì)算模型,。

基于神經(jīng)連接的計(jì)算模型在上世紀(jì)40年代開始受到重視，大量的訓(xùn)練數(shù)據(jù)（包括圖像,、視頻和語(yǔ)音）成功的實(shí)現(xiàn)了數(shù)據(jù)分析,。在深度學(xué)習(xí)發(fā)展之前，神經(jīng)網(wǎng)絡(luò)通常只有3到5層,，和幾十個(gè)神經(jīng)元/節(jié)點(diǎn),；深度學(xué)習(xí)之后，神經(jīng)網(wǎng)絡(luò)擴(kuò)展到7到10層,，甚至更多層,，模擬神經(jīng)元數(shù)目增至百萬量級(jí)，從而面向更為復(fù)雜的問題實(shí)現(xiàn)更為可靠的處理,。當(dāng)下興起的人工智能,，主要就是大規(guī)模的深度學(xué)習(xí)。

具體來看，神經(jīng)網(wǎng)絡(luò)有三類主要形式：

前饋神經(jīng)網(wǎng)絡(luò)（Feed forward neural networks）是最常見的人工神經(jīng)網(wǎng)絡(luò),。在這種結(jié)構(gòu)下,，信息只向一個(gè)方向（向前）移動(dòng)，即從輸入層經(jīng)過“隱藏層”到輸出層,，沒有循環(huán)網(wǎng)絡(luò),。首個(gè)單節(jié)神經(jīng)網(wǎng)絡(luò)在1958年提出，經(jīng)過計(jì)算能力和訓(xùn)練算法的大發(fā)展,，前饋神經(jīng)網(wǎng)絡(luò)展現(xiàn)出了更高的性能水平,。

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural networks)指結(jié)構(gòu)中包含節(jié)點(diǎn)定向連接成環(huán)（loops）的人工神經(jīng)網(wǎng)絡(luò)，非常適合于處理（手寫,、文本,、語(yǔ)音形式的）任意時(shí)序的輸入序列。2016年11月,，牛津研究報(bào)告顯示,，基于神經(jīng)網(wǎng)絡(luò)（和卷積神經(jīng)網(wǎng)絡(luò)）的系統(tǒng)在唇語(yǔ)識(shí)別應(yīng)用中實(shí)現(xiàn)了95%的準(zhǔn)確率（有經(jīng)驗(yàn)的人類唇語(yǔ)者準(zhǔn)確率近52%）。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks）是一種深度前饋人工神經(jīng)網(wǎng)絡(luò),，其邏輯結(jié)構(gòu)受動(dòng)物視覺大腦皮層的啟發(fā),，對(duì)于大型圖像處理（視覺感知任務(wù)）有出色表現(xiàn)。

▲最好的AI系統(tǒng)識(shí)別能力已經(jīng)超過人類

從學(xué)習(xí)的方式來看,，機(jī)器學(xué)習(xí)分為監(jiān)督式學(xué)習(xí)（訓(xùn)練數(shù)據(jù)集中的目標(biāo)由人標(biāo)注的）、非監(jiān)督式學(xué)習(xí)（訓(xùn)練集沒有人為標(biāo)注）,、半監(jiān)督式學(xué)習(xí)（訓(xùn)練集被部分標(biāo)識(shí)）和強(qiáng)化學(xué)習(xí)（輸入數(shù)據(jù)作為模型的反饋）,。

從算法的類型來看，常見的機(jī)器學(xué)習(xí)算法有決策樹算法（采用樹狀結(jié)構(gòu)建立決策模型）,、回歸算法（對(duì)連續(xù)值預(yù)測(cè)）,、分類算法（對(duì)離散值預(yù)測(cè)，事前已經(jīng)知道分類）,、聚類算法（對(duì)離散值預(yù)測(cè),，事前不知道分類）、神經(jīng)網(wǎng)絡(luò)和集成算法（集成幾種學(xué)習(xí)模型）,。

為幫助后文理解,，以下進(jìn)一步說明兩類在新生業(yè)務(wù)中極具潛力的機(jī)器學(xué)習(xí)技術(shù)：

▲不同用例中的數(shù)據(jù)類型（結(jié)構(gòu)化程度、時(shí)序性,、文本or音頻or視頻or圖片）

▲不同類型數(shù)據(jù)的AI價(jià)值

生成對(duì)抗網(wǎng)絡(luò)（Generative adversarial networks）是深度學(xué)習(xí)領(lǐng)域的一個(gè)重要生成模型,，即兩個(gè)網(wǎng)絡(luò)（生成器和鑒別器）在同一時(shí)間訓(xùn)練并且在極小化極大算法（minimax）中進(jìn)行競(jìng)爭(zhēng)。這種對(duì)抗方式避免了一些傳統(tǒng)生成模型在實(shí)際應(yīng)用中的一些困難,，巧妙地通過對(duì)抗學(xué)習(xí)來近似一些不可解的損失函數(shù),，在圖像,、視頻、自然語(yǔ)言和音樂等數(shù)據(jù)的生成方面有著廣泛應(yīng)用,。

強(qiáng)化學(xué)習(xí)（Reinforcement learning）本質(zhì)上就是通過試錯(cuò)實(shí)現(xiàn)模型優(yōu)化。目前,，強(qiáng)化學(xué)習(xí)已經(jīng)被廣泛采用,，包括谷歌Deepmind的視頻游戲和AlphaGo。

▲分析技術(shù)：從經(jīng)典到前沿（將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),、遷移學(xué)習(xí)和增強(qiáng)學(xué)習(xí)定義為AI技術(shù)）

分析技術(shù)在不同業(yè)務(wù)類型中可以解決多種實(shí)際問題，包括：

分類（Classification）,，即根據(jù)一組訓(xùn)練數(shù)據(jù),，將新輸入的數(shù)據(jù)進(jìn)行分類的業(yè)務(wù)，主要任務(wù)為識(shí)別特定物理對(duì)象（如卡車,、汽車,、生產(chǎn)線上接受質(zhì)檢的產(chǎn)品等）的圖形；

連續(xù)評(píng)估（Continuous estimation）,，即根據(jù)訓(xùn)練數(shù)據(jù),，評(píng)估新輸入數(shù)據(jù)的序列值，常見于預(yù)測(cè)型任務(wù),，如根據(jù)銷售數(shù)據(jù),、消費(fèi)者態(tài)度、天氣等數(shù)據(jù)來預(yù)測(cè)消費(fèi)需求,，或者根據(jù)建筑物的相關(guān)數(shù)據(jù)和照片來于猜測(cè)房產(chǎn)價(jià)格等,；

集群（Clustering），即根據(jù)任務(wù)數(shù)據(jù)創(chuàng)建系統(tǒng)單個(gè)組類別,，案例有,，基于特人數(shù)據(jù)的消費(fèi)偏好；

其他優(yōu)化（All other optimization）,，即系統(tǒng)根據(jù)任務(wù)產(chǎn)生一組輸出為特定目標(biāo)的函數(shù)優(yōu)化結(jié)果,，案例有，基于用戶（時(shí)間,、費(fèi)用,、偏好等）需求的最佳交通路線推薦；

異常檢測(cè)（Anomaly detection）,，即根據(jù)訓(xùn)練數(shù)據(jù)/歷史相關(guān)性判斷輸入數(shù)據(jù)是否異常,，本質(zhì)上是分類功能的子范疇；

排序（Ranking）,，常見于信息檢索問題,，即基于檢索需求按照某種排序標(biāo)準(zhǔn)呈現(xiàn)結(jié)果,，比如提供產(chǎn)品購(gòu)買推薦等；

建議（Recommendations）,，即根據(jù)訓(xùn)練數(shù)據(jù)提供建議,，比如根據(jù)個(gè)人購(gòu)買歷史行為推薦“下一個(gè)產(chǎn)品”；

數(shù)據(jù)生成（Data generation）,，即根據(jù)訓(xùn)練數(shù)據(jù)生成合適的新數(shù)據(jù),，用例包括音樂創(chuàng)作等，即根據(jù)音樂素材在特定風(fēng)格下創(chuàng)作出新的音樂片段,。

▲不同類型實(shí)際問題涉及的分析技術(shù)（條狀圖表征該問題中AI技術(shù)的價(jià)值和潛力）

從用例看潛力

講解完抽象的概念名詞,，是時(shí)候來關(guān)注具象的實(shí)際案例了。先來說說人工智能算法跟傳統(tǒng)算法相比,，在性能方面的優(yōu)勢(shì)（總體而言,，AI分析技術(shù)能帶來傳統(tǒng)之外的30%到128%的行業(yè)價(jià)值提升）：

▲AI分析技術(shù)的價(jià)值潛力（左為AI與傳統(tǒng)分析技術(shù)的對(duì)比，右為AI分析為19大行業(yè)帶來的潛在價(jià)值增量）

傳統(tǒng)系統(tǒng),，已經(jīng)能夠?qū)鞲衅鲿r(shí)序數(shù)據(jù),，包括檢測(cè)溫度、振動(dòng)狀態(tài)等,，進(jìn)行分析,，實(shí)現(xiàn)預(yù)測(cè)異常檢測(cè)和預(yù)測(cè)維護(hù)（對(duì)組件的剩余使用壽命做出預(yù)測(cè)）了。但深度學(xué)習(xí)將這個(gè)功能帶到了一個(gè)新的高度：可以對(duì)數(shù)據(jù)進(jìn)行分層,，從而分析海量的,、高維度的，包括圖像,、音頻等各種形式的傳感器數(shù)據(jù),，一些原先不適用的低質(zhì)量數(shù)據(jù)（來自廉價(jià)的麥克風(fēng)和照相機(jī)）也能被用起來。

在被調(diào)研的案例中,，這種基于AI技術(shù)的預(yù)測(cè)維護(hù)（遠(yuǎn)程機(jī)載診斷技術(shù)）,，可以幫助企業(yè)減少停機(jī)時(shí)間，制定有計(jì)劃的干預(yù)措施,，提高產(chǎn)量,，并降低經(jīng)營(yíng)成本，對(duì)應(yīng)的經(jīng)濟(jì)價(jià)值約為總銷售額的1%到2%,。

在貨運(yùn)飛機(jī)的案例中,，AI技術(shù)加持的預(yù)測(cè)維修，能夠延長(zhǎng)飛機(jī)壽命,。因?yàn)橄啾扔趥鹘y(tǒng)模型,，它能更有效的結(jié)合平面模型數(shù)據(jù)、維護(hù)歷史,、物聯(lián)網(wǎng)傳感器數(shù)據(jù)（包括發(fā)動(dòng)機(jī)振動(dòng)數(shù)據(jù),、發(fā)動(dòng)機(jī)狀況的圖像和視頻等）,。

以AI為導(dǎo)向的物流優(yōu)化可以實(shí)時(shí)預(yù)測(cè)，降低成本,，指導(dǎo)行為,，提高燃油效率，減少交貨時(shí)間,。

在一個(gè)歐洲貨運(yùn)的案例中,，基于AI技術(shù)的車輛性能檢測(cè)和駕駛員行為分析，司機(jī)能夠獲得實(shí)時(shí)指導(dǎo)（合適加速,、減速等），以優(yōu)化燃料費(fèi)用并降低維護(hù)成本,，貨車公司省了15%的燃油費(fèi),。在一個(gè)航空案例中，航空公司基于AI預(yù)測(cè)交通擁堵和天氣相關(guān)問題,，避免了昂貴的取消費(fèi)用,。對(duì)于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,。

AI正在成為客戶服務(wù)管理和個(gè)性化市場(chǎng)營(yíng)銷的重要工具。

呼叫中心將AI用于語(yǔ)音識(shí)別（不僅是語(yǔ)言內(nèi)容,，甚至是情緒語(yǔ)調(diào)）和呼叫路徑規(guī)劃,，可以更有效的為客戶提供更為無縫的體驗(yàn)；在銷售領(lǐng)域（如亞馬遜和Netflix）,，AI也成功的用于個(gè)性化的“下一個(gè)”產(chǎn)品推薦,，大幅提高了銷售轉(zhuǎn)化率；在保險(xiǎn)領(lǐng)域,，汽車保險(xiǎn)保費(fèi)可以根據(jù)駕駛數(shù)據(jù)（驅(qū)動(dòng)模式和距離）進(jìn)行調(diào)整,；對(duì)于旅游公司，全方位的客戶視圖（額外的酒店,、航班服務(wù)）將幫助增加10%到15%的收入,，相當(dāng)于總營(yíng)收的7%到12%，價(jià)值是傳統(tǒng)分析的兩倍以上,；在零售業(yè),，SKU性能數(shù)據(jù)能被用于優(yōu)化促銷策略。

▲各類分析技術(shù)在九項(xiàng)業(yè)務(wù)中的應(yīng)用熱度

根據(jù)調(diào)研,，69%的案例中AI分析技術(shù)完成了對(duì)傳統(tǒng)分析技術(shù)的性能優(yōu)化,，16%的“綠地”案例非AI不可?！熬G地案例”主要存在于客戶服務(wù)等商業(yè)領(lǐng)域,，如疾病診斷,、改善護(hù)理等，對(duì)應(yīng)的數(shù)據(jù)豐富（大量音頻,、視頻,、圖像和文本），還需要整合人類的反應(yīng),。

此外,，還有15%的案例是AI分析，或者說深度學(xué)習(xí)不適用的,，比如藥品和醫(yī)療產(chǎn)品,、電信等領(lǐng)域，一方面是受限于現(xiàn)有的技術(shù)和該領(lǐng)域不夠充足的結(jié)構(gòu)化的數(shù)據(jù)量（據(jù)估計(jì),，一個(gè)監(jiān)督學(xué)習(xí)算法要實(shí)現(xiàn)可接受的性能,，每個(gè)類別需要至少5000個(gè)標(biāo)記過的數(shù)據(jù)），另一方面受限于行業(yè)和監(jiān)管問題,。

除了使用深度學(xué)習(xí)提高分析性能之外,，很多常見的消費(fèi)產(chǎn)品，如Siri,、Alexa和Cortana,，甚至基于圖像處理的自動(dòng)駕駛也在發(fā)展中。對(duì)于這些AI系統(tǒng),，數(shù)據(jù)采集和再培訓(xùn)是必要的（需要至少每月更新一次,，有時(shí)甚至是每天更新一次）。除了數(shù)據(jù)量和多樣性之外,，訓(xùn)練數(shù)據(jù)的刷新也很重要,，特別是銷售、供應(yīng),、管理和制造業(yè)領(lǐng)域,。

▲對(duì)于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(zhàn)

盡管人工智能前途遠(yuǎn)大,，它依舊面臨著諸多的挑戰(zhàn)和限制。

從數(shù)據(jù)的角度出發(fā),，可以把困難歸納為五點(diǎn)：訓(xùn)練數(shù)據(jù)的標(biāo)記常常需要人工手動(dòng),，難以獲取足夠大且全面的訓(xùn)練數(shù)據(jù)集（特別影響醫(yī)療用例），模型透明度有待提高（直接影響汽車,、醫(yī)療認(rèn)證等領(lǐng)域的應(yīng)用）,，學(xué)習(xí)缺乏可概括性（難以從一個(gè)應(yīng)用遷移到另一個(gè)相似的應(yīng)用），數(shù)據(jù)和算法中存在偏差的風(fēng)險(xiǎn)（更社會(huì)化的問題）,。

此外,，人工智能還存在惡意使用的問題,，包括更為復(fù)雜的黑客攻擊和高度個(gè)性化的政治虛假信息運(yùn)動(dòng)、欺騙性的視頻等一些列安全威脅,。

考慮到數(shù)據(jù)的關(guān)鍵性,，對(duì)于企業(yè)和組織來說，制定數(shù)字戰(zhàn)略,，建立數(shù)據(jù)中心（或者更普適的,，選擇云供應(yīng)商），爭(zhēng)奪高級(jí)人才,，思考獲取和生成數(shù)據(jù)的方式,，至關(guān)重要。技術(shù)方面,，組織必須開發(fā)出健壯的數(shù)據(jù)維護(hù)和治理流程,，并實(shí)現(xiàn)軟件現(xiàn)代化（如Agile和DevOps），并確保AI分析被實(shí)例化,，克服“最后一英里”（組織挑戰(zhàn)）。

智東西認(rèn)為,，AI作為當(dāng)下信息技術(shù)革新的主要?jiǎng)恿χ?，指向了龐大的?jīng)濟(jì)和社會(huì)價(jià)值，正在將各個(gè)參與者,，包括（技術(shù)）革新者,、公司和政策制定者等，凝聚起來,，從而營(yíng)造充滿活力產(chǎn)業(yè)環(huán)境,，確保更為安全、有效的經(jīng)濟(jì)和社會(huì)福利?，F(xiàn)有案例足夠說明,，AI技術(shù)的引進(jìn)，不僅將深化傳統(tǒng)技術(shù)價(jià)值,，更將拓展新的產(chǎn)品和業(yè)務(wù)形態(tài),。對(duì)于企業(yè)而言，相關(guān)數(shù)字戰(zhàn)略的制定,，迫在眉睫,。