人工智能為分析技術(shù)貢獻(xiàn)了40%的年度價(jià)值，加起來(lái)每年可創(chuàng)造3.5萬(wàn)億到5.8萬(wàn)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%。

——麥肯錫

麥肯錫在2018年4月發(fā)布的《數(shù)百個(gè)人工智能使用的前沿觀點(diǎn)的案例筆記》(NOTES FROM THE AI FRONTIER INSIGHTS FROM HUNDREDS OF USE CASES)中，對(duì)AI技術(shù)在在能源、先進(jìn)電子器件/半導(dǎo)體等19個(gè)行業(yè)、9種業(yè)務(wù)功能的400+用例及其產(chǎn)生的經(jīng)濟(jì)潛力進(jìn)行探討。本文從AI技術(shù)與應(yīng)用、AI潛在價(jià)值、AI發(fā)展所面臨的挑戰(zhàn)三個(gè)方面對(duì)報(bào)告主要內(nèi)容進(jìn)行梳理。

一、AI技術(shù)與應(yīng)用情況

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)。麥肯錫報(bào)告中提到的AI技術(shù)，是指使用人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)與其他機(jī)器學(xué)習(xí)等概念。具體來(lái)看，神經(jīng)網(wǎng)絡(luò)有三類主要形式：前饋神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)。

其他機(jī)器學(xué)習(xí)概念從算法的類型來(lái)看，常見(jiàn)的機(jī)器學(xué)習(xí)算法有：決策樹(shù)算法（采用樹(shù)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）、集成算法（集成幾種學(xué)習(xí)模型），其他機(jī)器學(xué)習(xí)又分為兩個(gè)重要技術(shù)：生成對(duì)抗網(wǎng)絡(luò)（GANs）和強(qiáng)化學(xué)習(xí)。

>> 不同類型實(shí)際問(wèn)題涉及的分析技術(shù)

分析技術(shù)：從經(jīng)典到前沿

基本上，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(wèn)題，例如：

• 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(jiàn)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(lái)預(yù)測(cè)消費(fèi)需求；

  
  

• 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，基于個(gè)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(jiàn)于信息檢索問(wèn)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(lè)創(chuàng)作等，即根據(jù)音樂(lè)素材在特定風(fēng)格下創(chuàng)作出新的音樂(lè)片段。

AI技術(shù)與對(duì)應(yīng)的問(wèn)題類型

>> 19個(gè)行業(yè)與9大業(yè)務(wù)功能應(yīng)用AI相關(guān)分析技術(shù)的熱力圖

從上圖可以看出，目前19個(gè)行業(yè)仍然偏重傳統(tǒng)的分析技術(shù)，其中又以決策樹(shù)算法、分類算法與回歸分析三種技術(shù)的應(yīng)用頻率最高；保險(xiǎn)業(yè)是使用此三種技術(shù)案例最多的行業(yè)；此外，回歸分析在先進(jìn)電子器件/半導(dǎo)體行業(yè)中應(yīng)用最多。

至于19個(gè)行業(yè)所使用的機(jī)器學(xué)習(xí)相關(guān)技術(shù)的頻率，以前饋神經(jīng)網(wǎng)絡(luò)（FFNN）最為普遍，其次是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），其中又以汽車、銀行、保險(xiǎn)、零售使用的頻率相對(duì)較高。

另外，就9大業(yè)務(wù)功能來(lái)看，營(yíng)銷和銷售、供應(yīng)鏈與物流管理是應(yīng)用AI相關(guān)技術(shù)頻率最高的前兩項(xiàng)業(yè)務(wù)功能。營(yíng)銷與銷售應(yīng)用以FFNN最為普遍，其次是RNN以及強(qiáng)化學(xué)習(xí)技術(shù)。供應(yīng)鏈與物流管理則是以FFNN、CNN與強(qiáng)化學(xué)習(xí)三種技術(shù)為主。

二、AI潛在價(jià)值

>> AI 有望創(chuàng)造3.5萬(wàn)億至5.8萬(wàn)億美元的潛在價(jià)值

在旅游、交通、零售、汽車、高科技、能源、化工、娛樂(lè)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，人工智能的引入，可以創(chuàng)造3.5萬(wàn)億到5.8萬(wàn)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(wàn)億到15.4萬(wàn)億美元）的40%，相當(dāng)于各個(gè)行業(yè)（2016）年度收入的1%到9%。

>> AI 最有潛力影響在營(yíng)銷和銷售、供應(yīng)鏈管理和制造環(huán)節(jié)

AI 技術(shù)對(duì)九大業(yè)務(wù)功能創(chuàng)造的潛在價(jià)值估計(jì)

根據(jù)麥肯錫的報(bào)告，在企業(yè)的九大業(yè)務(wù)功能中，AI最有潛力影響在營(yíng)銷和銷售、供應(yīng)鏈管理和制造環(huán)節(jié)，每一年AI帶給營(yíng)銷與銷售所產(chǎn)生的新增價(jià)值高達(dá)1.4萬(wàn)億到2.6萬(wàn)億美元。

其次，AI分析技術(shù)還將用于各個(gè)行業(yè)的風(fēng)險(xiǎn)管理，如礦業(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(kāi)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)。

另外，AI分析技術(shù)帶給供應(yīng)鏈管理和制造環(huán)節(jié)1.2-2.0萬(wàn)億美元的新價(jià)值，主要利用生成模型優(yōu)化端到端的供應(yīng)鏈等，或者是通過(guò)機(jī)器學(xué)習(xí)對(duì)現(xiàn)有的設(shè)備系統(tǒng)進(jìn)行預(yù)測(cè)性維護(hù)，有效的降低各種成本，提高生產(chǎn)效率。

下面分享一個(gè)預(yù)測(cè)性維護(hù)的應(yīng)用案例

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)）。

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(lái)自廉價(jià)的麥克風(fēng)和照相機(jī)）也能被用起來(lái)。

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）。

三、AI發(fā)展所面臨的挑戰(zhàn)

盡管人工智能有廣闊的發(fā)展前景，但是要達(dá)到每年創(chuàng)造3.5萬(wàn)億至5.8萬(wàn)億美元的潛在價(jià)值之前，依然面臨著諸多的挑戰(zhàn)與限制。

從數(shù)據(jù)層面來(lái)看，面臨著五大限制與挑戰(zhàn)：

• 訓(xùn)練數(shù)據(jù)的標(biāo)記需要人工化，否則難以獲取足夠大且全面的訓(xùn)練資料集，特別是用于預(yù)測(cè)治療方案效果的臨床數(shù)據(jù)；

  
  

• 模型透明度有待提高，例如疾病診斷過(guò)程中，AI可以利用患者數(shù)據(jù)來(lái)得出診斷結(jié)論，但無(wú)法解釋這一結(jié)論是如何一步一步得到的，此將直接影響汽車、醫(yī)療領(lǐng)域的應(yīng)用；

  
  

• 機(jī)器學(xué)習(xí)缺乏可概括性，難以從一個(gè)應(yīng)用直接復(fù)制到另一個(gè)相似的應(yīng)用，這意味著企業(yè)需要投入大量的資金來(lái)訓(xùn)練新模型；

  
  

• 數(shù)據(jù)和算法存在偏差的風(fēng)險(xiǎn)，如不同的社會(huì)文化的差異等，可能需要更廣泛的步驟來(lái)解決；

  
  

• 人工智能存在惡意使用的問(wèn)題，包括黑客的攻擊和欺詐性的視頻等安全威脅。

考慮到數(shù)據(jù)的重要性，對(duì)于企業(yè)和組織來(lái)說(shuō)，制定數(shù)據(jù)策略，建立數(shù)據(jù)中心（或者說(shuō)選擇云供應(yīng)商）、儲(chǔ)備專業(yè)人才，至關(guān)重要。

在技術(shù)開(kāi)發(fā)方面，企業(yè)或組織必須開(kāi)發(fā)出健全的數(shù)據(jù)維護(hù)和管理流程，實(shí)現(xiàn)現(xiàn)代的軟件開(kāi)發(fā)規(guī)范。最具有挑戰(zhàn)性的是克服“最后一公里”的問(wèn)題，確保人工智能能夠落實(shí)到企業(yè)的業(yè)務(wù)流程以及產(chǎn)品和服務(wù)中。

資料來(lái)源：

McKinsey Global Institute (MGI) , “NOTES FROM THE AI FRONTIER INSIGHTS FROM HUNDREDS OF USE CASES” , April 2018.