自1990年以来，麦肯锡全球研究院（雷锋网注：以下简称MGI）一直在寻求对全球经济发展予以更深层次的理解。而在新一波人工智能浪潮的席卷之下，全球各行各业也有了新的发展形态。就此，MGI跨越14个行业、10个国家，对3073名企业高管进行了调查，并分析了160个案例，集合发布了《人工智能：下一个数字前沿？》（以下简称《报告》）这份报告。
在这份《报告》中，MGI将重点分为两部分。第一部分，在分析了人工智能和商业化之间的关系之后，MGI又对人工智能对经济发展和行业转型产生的作用进行了深度解读。而在后半部分，MGI则以零售、电力、制造、医疗和教育五大领域为例，以进一步研究人工智能在全球经济形态里的应用情况。在这篇文章中，雷锋网(公众号：雷锋网)将先对MGI《报告》的第一部分进行重点编译和分析。
图1：MGI《人工智能：下一个数字前沿？》要点解析
话不多说，先上本文要点：
-
以谷歌、苹果、百度、腾讯等科技巨头为主导，在全球掀起了AI投资的浪潮
从2016年来看，各科技公司在AI领域共花费了260-390亿美元，其中90%用于技术研发和部署，而剩下的10%则用于AI收购。风险投资、私募股权融资、种子投资和赠款也在迅速增长，尽管基数还不大，但整体规模也达到了60-90亿美元。
-
各科技公司在AI领域的部署还处于早期实验阶段
MGI跨越10个国家、14个行业，以及对超过3000名高管的调查中，只有20%的受访者表示目前公司正在大规模或在核心业务中使用AI相关技术。而41%的企业则表示，他们对AI将给公司带来的回报和收益尚持不确定态度。MGI分析了160多个行业案例，发现只有在12%的情况下，AI实现了商业化部署。
-
在AI应用的早期阶段，各行业逐渐呈现应用模式的差异化
据MGI发布的行业数字化指数排名表显示，对AI接受度最高的行业分别为高科技/电信、无人驾驶和金融服务业，这些行业对AI 投资的意向也更加积极。零售、媒体/娱乐等行业对AI的接受度要稍弱于前者，处于中间阶段。教育、医疗、旅游等行业对AI的接受度则更低。
-
AI可以为重度AI试验者提供无穷竞争力
在MGI的调查中，早期的AI试验者一般采用主动的数字化策略，以期在未来和其他公司拉开差距。特别是在零售、电力、制造、医疗和教育这五大领域，AI在改进预测和采购、优化自动化运营、开发定制化营销、定价、增强用户体验等方面都凸显了特别的优势。
-
AI必须接受数字化训练，公司没有捷径可走
一家公司若想成功转型AI，需要建立一套成功的程序以处理好数字和分析转换各元素之间的关系，包括确定业务案例、建立正确的数据生态系统、搭建或购买适当的AI工具、适应工作流程和文化。经MGI调查显示，这个过程中，上至高层领导，下至管理和技术能力，无缝的数据访问是关键。
-
AI带来的机会和挑战并存
不管是公司、开发商，还是政府、工人和员工，都应该意识到AI已经对其提出了挑战，应该不断调整自身竞争力以适应AI大潮。与此同时，AI带来的伦理和法律监管问题也不容忽视。
在科技巨头的带领下，AI投资在快速增长，商业化应用却落后了
图2：2016年科技巨头内部投资情况
众所周知，在科技巨头的带领下，如亚马逊、苹果、百度、谷歌等等，正在AI领域投资数十上百亿美元。不过，在这一过程中尤以大公司的内部投资占据主导地位。经MGI预估，在2016年，这一数据达到180-270亿美元。而大公司用于外部投资，如VC、PE、并购、赠款和种子基金等等，金额则约为80-120亿美元。2016年，企业外部投资年均增长率接近40%。相比之下，这一比率在2010年-2013年一直维持在30%左右。
事实上，就目前来说，企业对AI应用的需求还不太紧迫，部分原因在于数字和分析经济转型速度相对滞后。在MGI对全球3000多位高管的调查中，我们发现，很多企业高管对AI还不甚了解。比如不清楚AI究竟能为他们做些什么，在哪里可以获得AI应用，如何将AI应用到企业业务，以及如何评估投资AI技术的回报等。
而在大公司的内部AI投资中，绝大部分是用于研发和部署。虽然苹果、百度、谷歌等科技巨擘都在举力开发内部技术套件，但AI投资重点又各不相同。如，亚马逊将重点主要放在机器人和语音识别上，Salesforce则为虚拟助手和机器学习上；宝马、特斯拉等汽车厂商则专注在机器人、机器学习的研发上，以期进一步推进无人驾驶的发；IBM则承诺投入30亿美元，用于Watson认知服务的布局；百度则在过去的半年里向AI领域投入15亿美元，另外还为AI投资建立百度基金（Baidu Venture）。
与此同时，大公司也从未停止并购的步伐，此举可将技术、人才和客户全收入囊中。据最近一份报告显示，各公司正大力寻求AI人才，发布10000项与AI有关的岗位招聘需求，并为此列出了超过6.5亿美元的预算，AI人才需求达到空前旺盛的程度。
机器学习获得最多投资
企业并购成为支撑AI公司快速发展的外部资金来源。据MGI预测，从2013-2016年，企业的复合增长率已超80%。自2010年以来，全球企业已经实现了100多笔与AI相关的并购交易。
在这100多笔并购交易中，谷歌完成了24笔，位居首位。其中，涉及计算机视觉的AI公司有8项，而自然语言处理的则有7项；苹果则以9笔的成绩位列其二。其中计算机视觉、机器学习和语言处理技术则平分秋色。
图3：2016年AI企业收获的外部投资中，各项AI技术所获投资情况
由上表可知，2016年收获大公司外部投资的AI企业中，涉及机器学习的收获最多投资，达到50-70亿美元，而计算机视觉位居其次，获25-35亿美元投资，其次分别为自然语言处理、无人驾驶、机器人和虚拟助手。
不过，在很大程度上，投资者也在静待他们的投资回报。根据PitchBook发布的数据显示，只有10%的公司认为机器学习可作为核心业务产生收益。此外，大公司的外部投资还高度集中在特定区域，逐渐形成以美国和中国几个技术中心为主，欧洲远远落后的格局。
在AI应用早期阶段，各行业逐渐呈现应用模式差异化
虽然全球涌起AI投资热潮，但就目前来看，各行业在AI应用上仍然处于早期阶段，很少有公司将AI纳入规模化的价值业务链里。事实上，在3073名被调查者当中，只有20%的人表示他们在核心业务或企业管理中采用了一种或多种相关AI技术，而10%的人则表示采用了两种以上的AI技术，还有9%表示运用了机器学习技术。
另一方面，MGI回顾了160多个行业案例，发现只有12%的项目在实验阶段取得了进展。细究一些公司为何不愿采取行动的原因，则主要在于AI能否带来回报，对于一些小公司来说，这点尤为重要。
图4：不同AI应用深度的企业在各价值链中的应用情况
在AI应用的早期，我们发现行业和企业之间采用的模式也不尽相同，大致呈现以下6个特点：
-
早期AI试验者一般来自于已经在AI技术上进行规模投资的企业，如云服务和大数据等。这些也正是当下的前沿板块。如上述表格所示，高科技、汽车和金融服务业是AI接受度最高的行业。而在中间阶段，则为公共事业、建筑在内的数字化工业，这些行业由于国内关注较少，而在数字化程度上有所欠缺。在AI接受度上，又以教育、医疗等传统领域为垫底。
-
大公司更倾向于加速AI投资的规模。中小企业通常在新技术投资决策上较为落后。依据MGI的调查显示，大公司（一般定义为员工规模超过500名的公司）至少会在核心业务中采用一种及以上的AI技术，且其AI采用率几乎为小公司的3倍。
-
早期试验者通常不会专攻于一种技术类型。他们会采用多个AI工具，以满足不同场景的使用需求。MGI分析了8个应用领域和5个技术系统，发现早期AI试验者在采用模式上呈现多技术应用的特点。
-
公司一般会在核心业务上应用AI技术。一般来说，AI技术会被应用于企业的价值业务链中，这些板块也会比其他得到更多的关注。比如，客户服务、销售和市场营销，都倾向于使用最常用的AI应用程序。
-
大部分早期AI试验者更倾向于通过降低成本来增加AI的潜力。AI不仅与自动化紧密相关，也被公司视为产品和服务创新的一部分。所以，他们正试图通过增强自身竞争力，以拉开和落后者的营收差距。根据MGI《报告》显示，优先采用AI技术的公司，会比那些仅仅试验或部分应用AI技术的企业，高出27%的可能性利用AI来扩大市场，而在利用AI扩增市场份额上，则多出了52%的可能性。相比之下，AI试验者更关注成本，他们在降低劳动力成本的可能性上比前者（优先采用AI技术的公司）高出了23%，而削减非人工成本的可能性则高出了38%。
-
企业的AI应用深度往往与高管的领导力齐头并进。在受访企业中，成功部署AI技术的企业获得的高管支持率几乎是没有采用任何AI技术的公司的两倍。
AI的下一个挑战：让更多用户习惯并接受
据IT行业分析师表示，未来AI技术的市场规模将在三年内实现强劲增长。而MGI的调查结果也呼应了这点。据其调查的大部分公司均表示将在三年内增加AI领域的投入。而在经济学人智库（ Economist Intelligence Unit）日前调查的203位高管中，有75%均表示公司将在三年内积极应用AI技术（有3%表示AI应用已在进行中）。
图5：不同AI接受度的行业的AI投资情况
根据上图可知，AI接受度更高的行业往往在AI投资上也更为积极。根据MGI对受访者的调查以及外部分析师的预测表明，金融服务、零售、医疗和先进制造业将成为AI应用的先锋领域。就现阶段而言，这些行业应用AI技术的可行性也更高，相较其他领域已有一些较为成熟的案例。
不过，技术实力仍然是产业之间最主要的区别因素。以金融服务、高科技和电信产业为例，他们已经产生并存储了大量的结构化数据，所以在应用AI技术上也更有优势。但就建筑和旅游业来说，则远远落后于其他行业。
值得注意的是，AI的进一步发展，在给各行各业带来生机的同时，也面临一些艰难的挑战——社会伦理和监管等难题涌现。如无人驾驶的行驶责任问题、数据访问牵扯的隐私保护问题、算法透明度带来的社会伦理争议、机器人征税等等，这些问题不仅增加了企业的成本，同时也阻碍了企业应用AI的进程。只有让更多的人接受并适应AI技术，未来AI才能更好的实现商业化，为人类带来更多的便利。
