人工智能（AI）已成為數字時代脫穎而出的革命性技術，但圍繞其具體應用的爭論與質疑始終不減：何謂人工智能？有何應用價值？哪些潛力尚未開掘？盡管如此，人工智能領域的基礎技術仍然一直行駛在快車道上，實際用例也如雨后春筍一般涌現，不僅對全球經濟產生了巨大影響，也滲透到了人們日常生活的各個方面。

從 19 個行業和 9 大業務職能中擇取了 400 余個人工智能用作為研究對象，并結合麥肯錫公司積累的豐富數據與專業經驗展開深度剖析，研究發現，人工智能技術（主要指基于人工神經網絡的深度學習技術）每年將在全球范圍內創造3.5 萬億~5.8 萬億美元的潛在價值，約占分析技術可能提供的總價值規模的40%。

然而，若想釋放這些價值潛力，首先必須克服人工智能技術付諸應用時面臨的局限和挑戰。歸根結底，人工智能技術的價值并不源于模型本身，而是源于企業駕馭模型的能力。企業領導者首先需要明確這些技術的部署方式、時機、場景和優先級，才能審慎地做出決策。

麥肯錫人工智能用例庫

我們對“用例”的定義是：針對特定業務挑戰而開發的數字技術應用，并且應當具備可衡量的結果。相關領域的從業人員也各自描述了他們認為意義重大的業務挑戰，我們所分析的用例也都與之相符。

我們為這項研究專門構建了一個覆蓋各個經濟領域、取樣盡可能全面的用例庫，用例數據采自麥肯錫與全球各地的客戶的數千次溝通，來源力求多元。這些數據融合了企業和公共組織使用分析技術時的實際結果，以及根據這些實際案例對其他類似情形的估測。只要條件允許，我們都會甄選出單個用例的多個實例來進行分析。

針對每個用例，我們逐一估算了應用人工智能以及其他分析技術后為整體經濟帶來的年均價值潛力。這種價值潛力可以體現為企業組織利潤的增加，也可以體現為產品價格的降低或質量的提高。

目前我們仍在不斷完善和豐富該用例庫。

人工智能技術與實際應用

首先，讓我們把目光投向深度學習的基石神經網絡算法。作為機器學習的下屬領域，神經網絡算法是通過模擬神經元彼此連接的模式而產生的技術，最初受到腦科學的啟發而興起于20世紀40年代。近十年來，有賴于圖形處理器（GPU）、張量處理單元（TPU）等超級硬件帶來的算力革命以及大規模分布式存儲提供的海量數據存儲和讀取能力，深度神經網絡已經重返榮光。傳統的人工神經網絡通常只能模擬3~5層和數十個神經元，而深度學習技術的出現將其拓展到了7層以上，模擬神經元的數量也達到數百萬個之多。本文提到的“人工智能技術”即專門指代“基于人工神經網絡的深度學習技術”。具體來看，有以下三種主要形式。

前饋神經網絡：最常見的神經網絡類型之一。信息在這種網絡結構中只向前傳導（也即輸入層隱藏層輸出層），中間沒有循環等復雜結構。

循環神經網絡（RNN）：通過循環將人工神經網絡的神經元之間連接起來，該結構適于處理時間序列類輸入，尤其擅長手寫文字識別、語音識別這一類任務。

卷積神經網絡（CNN）：其神經層之間的連接結構受到了動物視覺皮層（負責處理圖像）組織結構的啟發，適于處理圖像感知類任務。

在估算人工智能技術的價值潛力時，我們也考慮了其他常見的機器學習算法（如決策樹模型、回歸、分類、聚類以及集成算法等）以及生成對抗網絡（GAN）和強化學習（RL）技術，但由于這些技術目前尚未得到廣泛應用，因此我們沒有將其納入人工智能價值潛力的估算范圍。

AI技術總價值潛力的2/3源自現有分析用例的價值提升

在本研究涉及的69%的用例中，深度神經網絡都可以讓其他分析技術如虎添翼，進一步為企業創造效益，根據行業不同，其提升幅度可達30%~128%。

其中有16%的用例只能單獨依托神經網絡技術，我們稱之為“綠地”用例。“綠地”解決方案普遍用于客戶服務管理領域，以及那些數據維度高、總量大，并且整合了人類行為數據的行業。人工智能技術之所以能夠釋放可觀的價值潛力，關鍵在于它可以廣泛融合不同類型的海量數據來解決某個問題。在另外15%的用例中，人工神經網絡對其他分析技術的效果提升較為有限，但這在一定程度上要歸咎于這些行業的數據使用方式和監管方面的問題。

相比其他分析技術，深度學習技術對數據總量與數據多樣性的要求更高

龐大的數據量是神經網絡實現高精準度的必要條件。因此在訓練模型時，應當盡可能地關聯多渠道的數據，以免數據形成“孤島”，從而喪失活力。為了實現這一目的，企業需要創建一個元數據模型，并且妥善應對職能部門之間因共享數據而引發的內部沖突和安全風險。

另外，在提取圖像、視頻、音頻等復雜的高維數據時，深度學習技術顯出了更強大的威力，這有賴于技術本身復雜的高維屬性。傳統的分析技術通常要借助人力來篩選模型特征，而今天的神經網絡往往能在訓練過程中自主學習，并且再現這些特征。正是在深度學習技術的加持下，神經網絡模型的效果得到了大幅提升，人們才享受到許多便捷的產品和服務，其中就包括我們耳熟能詳的Siri、Alexa、Cortana 等智能助手。

維護AI系統需要頻繁的數據更新

用例分析顯示，人工智能技術除了對數據規模和類型有一定要求之外，數據迭代速度也是一個必要條件：人工智能需要反復訓練模型才能應對內外部環境的變化，因此必須更加頻繁地更新訓練數據。研究顯示，在1/3的用例中，人工智能模型至少每月要更新一次；約1/4的用例需要每天更新。

用例剖析：AI技術潛力何在？

AI技術每年有望為全球經濟額外創造3.5萬億~5.8萬億美元的經濟價值

我們估算了現有用例創造的價值以及未來用例的潛在價值，將數據加總后發現，人工智能技術每年可在旅游、零售、汽車、醫療等19個行業的9大職能中額外創造高達3.5萬億~5.8萬億美元經濟價值，約占所有分析技術每年總價值潛力（9.5萬億~15.4萬億美元）的40%，相當于各行業2016年營收總額的1%~9%不等。

在某一個組織、行業或職能的價值潛力中，人工智能技術貢獻的比例往往取決于具體的競爭格局和市場動態，以及企業本身和其他利益相關方的選擇和決策比如對商業模式的選擇。其中一些價值將以更為多元化的形式體現出來：比如催生更有價值的產品和服務，推動營收增長、成本壓縮或實際的消費者剩余。在有些用例中，匯總數據初看也許并不驚艷，但人工智能技術實際上已讓該領域實現了徹底蛻變。

AI技術最大的價值潛力表現在營銷和銷售、供應鏈管理和制造等若干職能領域

我們通過研究用例發現，人工智能最顯著的價值潛力來自兩個職能領域：以收入為導向的職能，比如營銷和銷售；以及以利潤為導向的職能，比如運營。因此，每一家企業都需要審視其業務職能組合，找出最適合自己的人工智能技術，并且確定投資部署這些技術的具體領域。

對于零售、高科技等消費行業來說，營銷和銷售用例中的人工智能技術具有更顯著的價值潛力，這是因為這些行業需要與客戶頻繁互動，并由此產生了可供人工智能利用的海量數據。電商企業可以設置網頁點擊量、瀏覽時間等各種與客戶行為直接相關的信息埋點，借此為客戶實時提供“千人千面”的定制化促銷、定價和產品推薦。實體零售商則可以利用物聯網技術打通線上與線下的數據壁壘，提升供應鏈的銷售績效。此外，人工智能技術還可以幫助企業實現預見性維護、現場人員調度，以及優化生產和組裝流程。以先進電子和半導體行業為例，企業可利用人工智能技術分析數據來調整生產和供應鏈運營，以最大限度地減少水電費用及原材料支出。我們的用例研究顯示，這些企業的總生產成本可由此降低 5%~10%。

AI技術的價值潛力與行業自身的核心價值驅動力高度相關

雖然人工智能技術可廣泛應用于整個經濟，但不同行業最具潛力的用例類型互不相同，這是因為每個行業的核心價值驅動力彼此不同。此外當然也有一些其他的影響因素，比如數據可用性、人工智能與現有技術的適配程度，以及諸多技術和算法解決方案能否適用。舉例而言，在零售業等面向消費者的行業中，營銷和銷售是人工智能技術最有價值潛力的環節；而在先進制造業等以運營驅動的行業中，人工智能最大的價值潛力卻來自供應鏈、物流和制造環節。

如果根據人工智能最大價值潛力的表現領域來橫向比對各個行業，我們就能得出一些有指導意義的結論。舉例而言，在零售行業中，營銷和銷售是人工智能價值潛力最大的環節，而定價、促銷以及客戶服務管理又是最為核心的價值領域。用例分析表明，即使只是線下的實體零售商，如果能夠善用客戶數據進行客制化促銷（比如制定每日的個人優惠策略），其銷售增量便可提升1%~2%。

技術變現的挑戰

AI 技術變現之路仍然任重道遠

隨著該領域投資規模不斷的激增，人工智能技術已獲得了長足發展，預示著更大的價值潛力即將得到釋放。但迄今為止，全球仍然只有少數先驅企業和技術巨頭具有大規模部署人工智能技術的能力，即使是在這方面認識較為超前的企業，也只有約20%有能力在核心業務流程中應用相關技術。

數據層面的五大挑戰

■ 大量依賴人工 ：作為監督學習（supervised learning）的重要步驟，數據標記通常需要人工判斷、手動完成，導致企業需要投入大量人工成本。為了應對這一挑戰，一些新興技術正在涌現，比如強化學習、流內監督（in-streamsupervision）等。

■ 數據資源匱乏 ：在某些應用場景下，企業組織難以獲得總量足夠、類型全面的訓練數據庫，導致人工智能模型的實施效果大打折扣。

■ 模型結果難以解釋 ：這會對產品認證造成明顯阻礙，在監管嚴格、標準明確的行業中尤其如此，比如醫療、汽車、化學、航空航天等領域。但目前已經出現了“模型無關的局部可解析性算法”（LIME），該算法可有效提高模型透明度，有助于解決這一痛點。

■ 模型學習的泛化能力不佳：人工智能模型有一個長期存在的弱點，難以將自身特性在不同場景間平移，這意味著一旦應用場景發生變化，哪怕與之前的場景極為相似，企業也必須再次投入資源來訓練新的模型。目前比較有前景的解決方案是轉移學習（transfer learning），也即訓練人工智能模型完成對某項特定任務的學習，然后迅速將學習結果用于相似但截然不同的活動中。

■ 數據和算法可能帶來潛在的偏差與安全風險：在某些情況下，一旦人工智能模型使用失當，將會進一步固化和加深現有的社會文化偏見。當訓練樣本無法代表模型應當覆蓋的多數對象時，就可能引起意想不到的偏差。這個問題在本質上與更廣泛的社會矛盾有關，因此需要聯合各方以更廣泛的手段輔助技術創新。

組織層面的障礙

企業組織在技術、流程和人才方面遭遇的挑戰，無疑也會減緩乃至妨礙人工智能技術的落地。在規劃部署之初，企業組織需要思考如何完善自身的人工智能能力：是在組織內部自然積淀，還是從外部快速收購？是采用外包服務，還是使用“AI即服務”（AI-as-a-service）平臺？鑒于深度學習技術對計算能力的要求極高，一些企業出于監管和安全方面的考慮，傾向于保留自己的數據中心；但由于獨立維護專用硬件的成本相當可觀，購買云服務也不失為一個選擇。

企業組織也需要建立健全的數據維護以及治理流程，而且需要采用敏捷開發、DevOps開發等新一代軟件開發模式，以確保人工智能模型提供的指導性洞見得以廣泛高效地滲透到組織基層以及各個開發步驟當中。

在人才方面，有能力指導深度神經網絡構建、優化，并切實提升模型性能的專家極為稀缺。據不完全統計，全球范圍內掌握此種技術的專家不足1萬人。企業若想自行開發人工智能解決方案，需要確保自身具有吸引并留住這些高端人才的能力。

商業化前景尚不明朗

在某些領域中，即使已經擁有了成熟的技術和充足的數據，人工智能技術的商業效益相比其部署成本和耗費的精力而言也顯得不值一提。斯坦福大學近日的一項研究發現，深度神經網絡可以高度準確地預測債券的價格，但耗時長達幾個小時；而對于債券交易者來說，時間差至關重要，所以他們寧愿選擇預測準確性略低，但僅需4 秒便可看到結果的傳統分析技術。同樣，人工智能模型用于某些商業場景的價值潛力尚不明朗。以采礦業為例，人工智能技術在礦體成分分析方面大有可為，但鑒于其資本支出相當高昂，部署該技術究竟能帶來多少收益，目前還很難衡量。

社會輿論和監管約束

社會關注和監管約束也可能影響企業對人工智能價值潛力的挖掘。銀行、醫藥衛生、社會、公共事業等領域對于個人信息的使用和存儲尤為敏感。此外，公眾對公平和平等的期待，以及針對大規模復雜算法透明度的監管要求，都可能造成數據樣本的偏差。

給利益相關者的建議

正如上文所提到的，企業部署人工智能技術的價值潛能主要取決于其駕馭模型的能力，而不是模型本身是否出色。由于人工智能技術將產生巨大的經濟和社會影響，因此該領域的技術創新者、服務的使用者、政策制定者等利益相關者實際上面臨著同一個任務：如何建設一個安全有效、充滿活力的人工智能環境，借以全面提升經濟和社會效益。

給AI技術提供商的建議

許多人工智能技術開發者或服務提供商的技術優勢很明顯，也擁有能夠使用這些技術的數據科學家，但他們對終端市場缺乏理解。如上文所述，人工智能最顯著的價值潛力來自改善現有用例的效果，即從根本上提升對潛在客戶的轉化能力。此外，許多企業也困惑于如何合理配置自身資源。充分了解人工智能的跨部門和跨職能價值潛力，有助于企業調整自身對于人工智能技術的投資方向。企業未必要全心投入于價值潛力最高的業務和職能領域；相反，它們不妨著眼于競爭對手以及自身在技術、數據、行業知識、客戶關系等方面的優劣勢，據此優化自身的戰略布局。

若能厘清人工智能用于各個行業與職能中將會帶來多少價值潛力，則有助于指導企業將其部署于自身的專長領域。對于擁有某一類數據資源的技術型企業而言，這種思考有助于其找到數據使用的突破口或空白點。

給利用AI技術轉型賦能的企業的建議

許多希望部署人工智能技術的企業往往會積極地開展業務相關的技術實驗，并且很可能遭到多家人工智能解決方案提供商的“輪番轟炸”。在啟動更多試點和測試之前，企業管理者有必要放慢腳步、著眼全局，統籌安排各種人工智能技術（以及更廣泛的數字分析技術）的優先級，了解對企業本身而言價值潛力最大的用例和領域，并思考如何部署才能獲得這些價值。確定投資方向時，也不能紙上談兵，只去關注理論上的價值潛力，而是要斟酌人工智能技術是否有規模化部署的可能。這一切都取決于企業運用數據資源的綜合能力，除了關注部署技術的“長征第一步”（也即如何獲取數據），更要重視最后的“會師”環節，也即將人工智能模型輸出的洞見整合到企業的日常工作流程當中，以獲得實木展會專題。

給AI政策制定者的建議

人工智能政策制定者需要在“鼓勵發展”以及“管控風險”之間取得平衡。人工智能工具和框架的演進可謂日新月異，因此相關政策也要跟上步伐，持續調整創新，以鼓勵人工智能技術安全付諸實踐，創造廣泛的經濟和社會效益。

通過對400余個真實用例的詳細分析，我們可以看到人工智能技術廣泛應用后將帶來何等巨大的經濟價值和社會效益。為了更好地捕獲這些價值，企業管理者應當積極補充人才、加強組織自身的高級分析能力，從長遠來看，這將是一筆物超所值的投資。用例分析顯示，人工智能提升價值潛力最大的地方，正是其余數字分析技術最有可能創造價值的地方。因此，希望部署人工智能技術的企業應當全面提升自身的數字化水平。豐富的數據資源是人工智能創造價值的前提條件。此外，若想讓技術成功落地，企業還需要明確技術部署的重點和優先級，合理規避安全風險。毫無疑問，人工智能技術的價值潛力極高，并且會隨著技術發展變得愈發可觀。而準確識別人工智能技術的用武之地，并且找出獲取價值的手段，也許將成為當今時代最重要的一項商業挑戰。
責任編輯：tzh