189 8069 5689
人工智能（AI）已成为数字时代脱颖而出的革命性技术，但围绕其具体应用的争论与质疑始终不减：何谓人工智能？有何应用价值？哪些潜力尚未开掘？尽管如此，人工智能领域的基础技术仍然一直行驶在快车道上，实际用例也如雨后春笋一般涌现，不仅对全球经济产生了巨大影响，也渗透到了人们日常生活的各个方面。
本文从 19 个行业和 9 大业务职能中择取了 400 余个人工智能用例1 作为研究对象，并结合麦肯锡公司积累的丰富数据与专业经验展开深度剖析，研究发现，人工智能技术（主要指基于人工神经网络的深度学习技术）每年将在全球范围内创造3.5 万亿~5.8 万亿美元的潜在价值，约占分析技术可能提供的总价值规模的40%。
然而，若想释放这些价值潜力，首先必须克服人工智能技术付诸应用时面临的局限和挑战。归根结底，人工智能技术的价值并不源于模型本身，而是源于企业驾驭模型的能力。企业领导者首先需要明确这些技术的部署方式、时机、场景和优先级，才能审慎地做出决策。
麦肯锡人工智能用例库
我们对“用例”的定义是：针对特定业务挑战而开发的数字技术应用，并且应当具备可衡量的结果。相关领域的从业人员也各自描述了他们认为意义重大的业务挑战，我们所分析的用例也都与之相符。
我们为这项研究专门构建了一个覆盖各个经济领域、取样尽可能全面的用例库，用例数据采自麦肯锡与全球各地的客户的数千次沟通，来源力求多元。这些数据融合了企业和公共组织使用分析技术时的实际结果，以及根据这些实际案例对其他类似情形的估测。只要条件允许，我们都会甄选出单个用例的多个实例来进行分析。
针对每个用例，我们逐一估算了应用人工智能以及其他分析技术后为整体经济带来的年均价值潜力。这种价值潜力可以体现为企业组织利润的增加，也可以体现为产品价格的降低或质量的提高[2]。
目前我们仍在不断完善和丰富该用例库。
人工智能技术与实际应用
首先，让我们把目光投向深度学习的基石神经网络算法。作为机器学习的下属领域，神经网络算法是通过模拟神经元彼此连接的模式而产生的技术，最初受到脑科学的启发而兴起于20世纪40年代。近十年来，有赖于图形处理器（GPU）、张量处理单元（TPU）等超级硬件带来的算力革命以及大规模分布式存储提供的海量数据存储和读取能力，深度神经网络已经重返荣光。传统的人工神经网络通常只能模拟3~5层和数十个神经元，而深度学习技术的出现将其拓展到了7层以上，模拟神经元的数量也达到数百万个之多。本文提到的“人工智能技术”即专门指代“基于人工神经网络的深度学习技术”。具体来看，有以下三种主要形式。
前馈神经网络：最常见的神经网络类型之一。信息在这种网络结构中只向前传导（也即输入层隐藏层输出层），中间没有循环等复杂结构。
循环神经网络（RNN）：通过循环将人工神经网络的神经元之间连接起来，该结构适于处理时间序列类输入，尤其擅长手写文字识别、语音识别这一类任务。
卷积神经网络（CNN）：其神经层之间的连接结构受到了动物视觉皮层（负责处理图像）组织结构的启发，适于处理图像感知类任务。
在估算人工智能技术的价值潜力时，我们也考虑了其他常见的机器学习算法（如决策树模型、回归、分类、聚类以及集成算法等）以及生成对抗网络（GAN）和强化学习（RL）技术，但由于这些技术目前尚未得到广泛应用，因此我们没有将其纳入人工智能价值潜力的估算范围。
AI技术总价值潜力的2/3源自现有分析用例的价值提升
在本研究涉及的69%的用例中，深度神经网络都可以让其他分析技术如虎添翼，进一步为企业创造效益，根据行业不同，其提升幅度可达30%~128%（见图1）。
其中有16%的用例只能单独依托神经网络技术，我们称之为“绿地”用例。“绿地”解决方案普遍用于客户服务管理领域，以及那些数据维度高、总量大，并且整合了人类行为数据的行业。人工智能技术之所以能够释放可观的价值潜力，关键在于它可以广泛融合不同类型的海量数据来解决某个问题。在另外15%的用例中，人工神经网络对其他分析技术的效果提升较为有限，但这在一定程度上要归咎于这些行业的数据使用方式和监管方面的问题。
相比其他分析技术，深度学习技术对数据总量与数据多样性的要求更高
庞大的数据量是神经网络实现高精准度的必要条件。因此在训练模型时，应当尽可能地关联多渠道的数据，以免数据形成“孤岛”，从而丧失活力。为了实现这一目的，企业需要创建一个元数据模型，并且妥善应对职能部门之间因共享数据而引发的内部冲突和安全风险。
另外，在提取图像、视频、音频等复杂的高维数据时，深度学习技术显出了更强大的威力（见图2），这有赖于技术本身复杂的高维属性。传统的分析技术通常要借助人力来筛选模型特征，而今天的神经网络往往能在训练过程中自主学习，并且再现这些特征。正是在深度学习技术的加持下，神经网络模型的效果得到了大幅提升，人们才享受到许多便捷的产品和服务，其中就包括我们耳熟能详的Siri、Alexa、Cortana 等智能助手。
维护AI系统需要频繁的数据更新
用例分析显示，人工智能技术除了对数据规模和类型有一定要求之外，数据迭代速度也是一个必要条件：人工智能需要反复训练模型才能应对内外部环境的变化，因此必须更加频繁地更新训练数据。研究显示，在1/3的用例中，人工智能模型至少每月要更新一次；约1/4的用例需要每天更新。
用例剖析：AI技术潜力何在？
AI技术每年有望为全球经济额外创造3.5万亿~5.8万亿美元的经济价值
我们估算了现有用例创造的价值以及未来用例的潜在价值，将数据加总后发现，人工智能技术每年可在旅游、零售、汽车、医疗等19个行业的9大职能中额外创造高达3.5万亿~5.8万亿美元经济价值，约占所有分析技术每年总价值潜力（9.5万亿~15.4万亿美元）的40%，相当于各行业2016年营收总额的1%~9%不等（见图3）。
在某一个组织、行业或职能的价值潜力中，人工智能技术贡献的比例往往取决于具体的竞争格局和市场动态，以及企业本身和其他利益相关方[3]的选择和决策比如对商业模式的选择。其中一些价值将以更为多元化的形式体现出来：比如催生更有价值的产品和服务，推动营收增长、成本压缩或实际的消费者剩余。在有些用例中，汇总数据初看也许并不惊艳，但人工智能技术实际上已让该领域实现了彻底蜕变。
AI技术的价值潜力表现在营销和销售、供应链管理和制造等若干职能领域
我们通过研究用例发现，人工智能最显著的价值潜力来自两个职能领域：以收入为导向的职能，比如营销和销售；以及以利润为导向的职能，比如运营（见图4）。因此，每一家企业都需要审视其业务职能组合，找出最适合自己的人工智能技术，并且确定投资部署这些技术的具体领域。
对于零售、高科技等消费行业来说，营销和销售用例中的人工智能技术具有更显著的价值潜力，这是因为这些行业需要与客户频繁互动，并由此产生了可供人工智能利用的海量数据。电商企业可以设置网页点击量、浏览时间等各种与客户行为直接相关的信息埋点，借此为客户实时提供“千人千面”的定制化促销、定价和产品推荐。实体零售商则可以利用物联网技术打通线上与线下的数据壁垒，提升供应链的销售绩效。此外，人工智能技术还可以帮助企业实现预见性维护、现场人员调度，以及优化生产和组装流程。以先进电子和半导体行业为例，企业可利用人工智能技术分析数据来调整生产和供应链运营，以限度地减少水电费用及原材料支出。我们的用例研究显示，这些企业的总生产成本可由此降低 5%~10%。
AI技术的价值潜力与行业自身的核心价值驱动力高度相关
虽然人工智能技术可广泛应用于整个经济，但不同行业最具潜力的用例类型互不相同，这是因为每个行业的核心价值驱动力彼此不同。此外当然也有一些其他的影响因素，比如数据可用性、人工智能与现有技术的适配程度，以及诸多技术和算法解决方案能否适用。举例而言，在零售业等面向消费者的行业中，营销和销售是人工智能技术最有价值潜力的环节；而在先进制造业等以运营驱动的行业中，人工智能的价值潜力却来自供应链、物流和制造环节。
如果根据人工智能价值潜力的表现领域来横向比对各个行业，我们就能得出一些有指导意义的结论。举例而言，在零售行业中，营销和销售是人工智能价值潜力的环节，而定价、促销以及客户服务管理又是最为核心的价值领域（见图5）。用例分析表明，即使只是线下的实体零售商，如果能够善用客户数据进行客制化促销（比如制定每日的个人优惠策略），其销售增量便可提升1%~2%。
技术变现的挑战
AI 技术变现之路仍然任重道远
随着该领域投资规模不断的激增，人工智能技术已获得了长足发展，预示着更大的价值潜力即将得到释放。但迄今为止，全球仍然只有少数先驱企业和技术巨头具有大规模部署人工智能技术的能力，即使是在这方面认识较为超前的企业，也只有约20%有能力在核心业务流程中应用相关技术[4]。
数据层面的五大挑战
■ 大量依赖人工 ：作为监督学习（supervised learning）的重要步骤，数据标记通常需要人工判断、手动完成，导致企业需要投入大量人工成本。为了应对这一挑战，一些新兴技术正在涌现，比如强化学习、流内监督（in-streamsupervision）等[5]。
■ 数据资源匮乏 ：在某些应用场景下，企业组织难以获得总量足够、类型全面的训练数据库，导致人工智能模型的实施效果大打折扣。
■ 模型结果难以解释 ：这会对产品认证造成明显阻碍，在监管严格、标准明确的行业中尤其如此，比如医疗、汽车、化学、航空航天等领域。但目前已经出现了“模型无关的局部可解析性算法”（LIME），该算法可有效提高模型透明度，有助于解决这一痛点[6]。
■ 模型学习的泛化能力不佳：人工智能模型有一个长期存在的弱点，难以将自身特性在不同场景间平移，这意味着一旦应用场景发生变化，哪怕与之前的场景极为相似，企业也必须再次投入资源来训练新的模型。目前比较有前景的解决方案是转移学习（transfer learning），也即训练人工智能模型完成对某项特定任务的学习，然后迅速将学习结果用于相似但截然不同的活动中[7]。
■ 数据和算法可能带来潜在的偏差与安全风险：在某些情况下，一旦人工智能模型使用失当，将会进一步固化和加深现有的社会文化偏见。当训练样本无法代表模型应当覆盖的多数对象时，就可能引起意想不到的偏差。这个问题在本质上与更广泛的社会矛盾有关，因此需要联合各方以更广泛的手段辅助技术创新。
组织层面的障碍
企业组织在技术、流程和人才方面遭遇的挑战，无疑也会减缓乃至妨碍人工智能技术的落地。在规划部署之初，企业组织需要思考如何完善自身的人工智能能力：是在组织内部自然积淀，还是从外部快速收购？是采用外包服务，还是使用“AI即服务”（AI-as-a-service）平台？鉴于深度学习技术对计算能力的要求极高，一些企业出于监管和安全方面的考虑，倾向于保留自己的数据中心；但由于独立维护专用硬件的成本相当可观，购买云服务也不失为一个选择。
企业组织也需要建立健全的数据维护以及治理流程，而且需要采用敏捷开发、DevOps开发等新一代软件开发模式，以确保人工智能模型提供的指导性洞见得以广泛高效地渗透到组织基层以及各个开发步骤当中。
在人才方面，有能力指导深度神经网络构建、优化，并切实提升模型性能的专家极为稀缺。据不完全统计，全球范围内掌握此种技术的专家不足1万人。企业若想自行开发人工智能解决方案，需要确保自身具有吸引并留住这些高端人才的能力。
商业化前景尚不明朗
在某些领域中，即使已经拥有了成熟的技术和充足的数据，人工智能技术的商业效益相比其部署成本和耗费的精力而言也显得不值一提。斯坦福大学近日的一项研究发现，深度神经网络可以高度准确地预测债券的价格，但耗时长达几个小时；而对于债券交易者来说，时间差至关重要，所以他们宁愿选择预测准确性略低，但仅需4 秒便可看到结果的传统分析技术[8]。同样，人工智能模型用于某些商业场景的价值潜力尚不明朗。以采矿业为例，人工智能技术在矿体成分分析方面大有可为，但鉴于其资本支出相当高昂，部署该技术究竟能带来多少收益，目前还很难衡量。
社会舆论和监管约束
社会关注和监管约束也可能影响企业对人工智能价值潜力的挖掘。银行、医药卫生、社会、公共事业等领域对于个人信息的使用和存储尤为敏感。此外，公众对公平和平等的期待，以及针对大规模复杂算法透明度的监管要求，都可能造成数据样本的偏差。
给利益相关者的建议
正如上文所提到的，企业部署人工智能技术的价值潜能主要取决于其驾驭模型的能力，而不是模型本身是否出色。由于人工智能技术将产生巨大的经济和社会影响，因此该领域的技术创新者、服务的使用者、政策制定者等利益相关者实际上面临着同一个任务：如何建设一个安全有效、充满活力的人工智能环境，借以全面提升经济和社会效益。
给AI技术提供商的建议
许多人工智能技术开发者或服务提供商的技术优势很明显，也拥有能够使用这些技术的数据科学家，但他们对终端市场缺乏理解。如上文所述，人工智能最显著的价值潜力来自改善现有用例的效果，即从根本上提升对潜在客户的转化能力。此外，许多企业也困惑于如何合理配置自身资源。充分了解人工智能的跨部门和跨职能价值潜力，有助于企业调整自身对于人工智能技术的投资方向。企业未必要全心投入于价值潜力高的业务和职能领域；相反，它们不妨着眼于竞争对手以及自身在技术、数据、行业知识、客户关系等方面的优劣势，据此优化自身的战略布局。
若能厘清人工智能用于各个行业与职能中将会带来多少价值潜力，则有助于指导企业将其部署于自身的专长领域。对于拥有某一类数据资源的技术型企业而言，这种思考有助于其找到数据使用的突破口或空白点。
给利用AI技术转型赋能的企业的建议
许多希望部署人工智能技术的企业往往会积极地开展业务相关的技术实验，并且很可能遭到多家人工智能解决方案提供商的“轮番轰炸”。在启动更多试点和测试之前，企业管理者有必要放慢脚步、着眼全局，统筹安排各种人工智能技术（以及更广泛的数字分析技术）的优先级，了解对企业本身而言价值潜力的用例和领域，并思考如何部署才能获得这些价值。确定投资方向时，也不能纸上谈兵，只去关注理论上的价值潜力，而是要斟酌人工智能技术是否有规模化部署的可能。这一切都取决于企业运用数据资源的综合能力，除了关注部署技术的“长征第一步”（也即如何获取数据），更要重视最后的“会师”环节，也即将人工智能模型输出的洞见整合到企业的日常工作流程当中，以获得实?
给AI政策制定者的建议
人工智能政策制定者需要在“鼓励发展”以及“管控风险”之间取得平衡。人工智能工具和框架的演进可谓日新月异，因此相关政策也要跟上步伐，持续调整创新，以鼓励人工智能技术安全付诸实践，创造广泛的经济和社会效益。
通过对400余个真实用例的详细分析，我们可以看到人工智能技术广泛应用后将带来何等巨大的经济价值和社会效益。为了更好地捕获这些价值，企业管理者应当积极补充人才、加强组织自身的高级分析能力，从长远来看，这将是一笔物超所值的投资。用例分析显示，人工智能提升价值潜力的地方，正是其余数字分析技术最有可能创造价值的地方。因此，希望部署人工智能技术的企业应当全面提升自身的数字化水平。丰富的数据资源是人工智能创造价值的前提条件。此外，若想让技术成功落地，企业还需要明确技术部署的重点和优先级，合理规避安全风险。毫无疑问，人工智能技术的价值潜力极高，并且会随着技术发展变得愈发可观。而准确识别人工智能技术的用武之地，并且找出获取价值的手段，也许将成为当今时代最重要的一项商业挑战。
完整版报告请至:
https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-modeling-the-impact-of-ai-on-the-world-economy
1 我们遵循为客户保密的义务，不会透露企业的具体名称或所属的国家或地区。
2 本研究以 2016 年的全球经济结构为基础进行估算，但并不包括那些创造了全新产品或服务（如自动驾驶）的技术所蕴含的价值潜力。我们的用例库虽然广泛，但并不详尽，可能夸大或低估某些行业的潜力。我们意识到，麦肯锡的客户结构可能导致用例库的数据包含某些偏见。
3 包括技术开发者，决定整体环境的政策制定者，以及做出消费选择的客户。
4 The Internet of Things: mapping the value beyond the hype，麦肯锡全球研究院，2015年6月。
5 Michael Chui、James Manyika和Mehdi Miremadi，McKinsey Quarterly，2018年1月。
6 LIME算法试图确定训练模型开展预测时最依赖哪些输入数据。
7 早期的应用程序示例可参阅John Guttag、Eric Horvitz和Jenna Wiens: A study in transfer learning: leveraging data from multiple hospitals to enhance hospital-specic predictions, 《美国医疗信息协会会刊》, 2014年，第21卷, 第4期。
8 Neural networks face unexpected problems in analyzing nancial data,《麻省理工技术评论》, 5月10日, 2017年。
作者：
Michael Chui为麦肯锡全球研究院董事，常驻旧金山分公司；
James Manyika为麦肯锡全球资深董事合伙人，常驻旧金山分公司；
Mehdi Miremadi为麦肯锡全球董事合伙人，常驻芝加哥分公司；
Nicolaus Henke为麦肯锡全球资深董事合伙人，常驻伦敦分公司；
Rita Chung为麦肯锡项目经理，常驻硅谷分公司；
Pieter Nel为麦肯锡数字化专家，常驻纽约分公司；
Sankalp Malhotra为麦肯锡前咨询顾问。