近日，麦肯锡发表研究报告，指出人工智能为分析技术贡献了40%的年度价值，加起来每年可创造3.5万亿到5.8万亿美元的潜在价值，相当于各个行业（2016）年度收入的1%到9%。
本期的智能内参，我们推荐这份麦肯锡AI前沿笔记，分析19个行业的400+用例，覆盖企业、物流、国防、旅行到公共部门等，盘点人工智能的业务功能和经济效益。如果想收藏本文的报告全文（麦肯锡：人工智能前沿笔记），可以在智东西头条号回复关键词“nc253”下载。
以下为智能内参整理呈现的干货：
人工智能的万亿价值
目前已知的人工智能最大的潜力在于分析技术，包括回归和分类。神经网络技术可以提供更高的功能性，或者产生附加的见解和应用。
案例表明，在旅行、交通、零售、汽车、高科技、能源、化工、娱乐传媒、基础材料、消费品、农业、银行、医疗系统与服务、公共部门、通讯、医疗制药、保险、先进电子器件/半导体、航天与国防这19个行业中，人工智能（AI，包括前馈神经网络和卷积神经网络）的引入，可以创造3.5万亿到5.8万亿美元的潜在价值，包括更有价值的产品和服务、收入的增长、成本的节约、消费者剩余等。
这相当于整体分析技术价值规模（9.5万亿到15.4万亿美元）的40%，对于每个行业而言，AI潜在价值平均占行业总规模的1%到2%。即便是应用潜力最小的航天与国防（少于500亿美元），这也相当于黎巴嫩的GDP了。
▲AI价值潜力：3.5万亿到580亿美元（行业年产值）
对于通讯行业，运营商有大量的结构化的客户数据，非常适合传统分析技术和AI分析技术，AI的潜在价值是行业年收的3%到6%，超过1000亿美元。同样的，对于公共部门，大量的数据和用例亦使其成为AI比较成熟的应用领域，但数据隐私和分析成功的可解释性/逻辑透明性限制了潜在的价值。尽管如此，公共部门依旧是AI技术非常大的潜在机会点。
AI分析技术还将用于各个行业的风险管理，如保险业更为精准的风险评估和保费设置，制药公司将AI算法用于降低临床试验风险，矿业公司预测生产中断风险，实现更有效的勘探、钻探和开采规划等。此外，AI还可创造新的产品和业务模式，如用于银行客户类型识别，可以有效改进的欺诈检测。
AI最大的价值机遇是供应链管理和制造业中营销和销售环节。对于公司而言，他们必须检查自己的部门组合，理解行业的价值驱动，寻找人工智能的布局机会，已确定合适的投资部署。此外，零售与高科技等消费行业将出现更多AI营销和销售应用，这是由于更为频繁的数字交互，特别是对电商平台而言，基于AI分析实时制定促销、价格和产品动态，利用生成模型优化端到端的供应链等，将有效降低各项成本，提高运营效率，实现精准营销。
▲AI最大的价值机遇是供应链管理和制造业中营销和销售环节
人工智能简明释义
为帮助读者建立更为具象的AI技术框架，本节对重要的人工智能相关概念进行简明释义。
人工智能指人造的机器智能，由1956年达特茅斯会议上正式提出。机器学习是实现人工智能的主流手段，是基于一种数据训练的模型，即机器通过分析大量数据进行学习，无需编程从而归纳和识别特定目标，重在发现数据之间内在的相关性并做出预测。
▲各类分析技术在19大领域中的热度
1、神经网络
神经网络技术是机器学习下属的一个概念，本质上是从信息处理的角度对人脑神经元网络进行抽象模拟，从而建立计算模型。
基于神经连接的计算模型在上世纪40年代开始受到重视，大量的训练数据（包括图像、视频和语音）成功的实现了数据分析。在深度学习发展之前，神经网络通常只有3到5层，和几十个神经元/节点；深度学习之后，神经网络扩展到7到10层，甚至更多层，模拟神经元数目增至百万量级，从而面向更为复杂的问题实现更为可靠的处理。当下兴起的人工智能，主要就是大规模的深度学习。
具体来看，神经网络有三类主要形式：
1.1 前馈神经网络
前馈神经网络（Feed forward neural networks）是最常见的人工神经网络。在这种结构下，信息只向一个方向（向前）移动，即从输入层经过“隐藏层”到输出层，没有循环网络。首个单节神经网络在1958年提出，经过计算能力和训练算法的大发展，前馈神经网络展现出了更高的性能水平。
1.2 循环神经网络
循环神经网络(Recurrent neural networks)指结构中包含节点定向连接成环（loops）的人工神经网络，非常适合于处理（手写、文本、语音形式的）任意时序的输入序列。2016年11月，牛津研究报告显示，基于神经网络（和卷积神经网络）的系统在唇语识别应用中实现了95%的准确率（有经验的人类唇语者准确率近52%）。
1.3 卷积神经网络
卷积神经网络（Convolutional neural networks）是一种深度前馈人工神经网络，其逻辑结构受动物视觉大脑皮层的启发，对于大型图像处理（视觉感知任务）有出色表现。
▲最好的AI系统识别能力已经超过人类
2、其他机器学习概念
从学习的方式来看，机器学习分为监督式学习（训练数据集中的目标由人标注的）、非监督式学习（训练集没有人为标注）、半监督式学习（训练集被部分标识）和强化学习（输入数据作为模型的反馈）。
从算法的类型来看，常见的机器学习算法有决策树算法（采用树状结构建立决策模型）、回归算法（对连续值预测）、分类算法（对离散值预测，事前已经知道分类）、聚类算法（对离散值预测，事前不知道分类）、神经网络和集成算法（集成几种学习模型）。
为帮助后文理解，以下进一步说明两类在新生业务中极具潜力的机器学习技术：
▲不同用例中的数据类型（结构化程度、时序性、文本or音频or视频or图片）
▲不同类型数据的AI价值
2.1 生成对抗网络/GANs
生成对抗网络（Generative adversarial networks）是深度学习领域的一个重要生成模型，即两个网络（生成器和鉴别器）在同一时间训练并且在极小化极大算法（minimax）中进行竞争。这种对抗方式避免了一些传统生成模型在实际应用中的一些困难，巧妙地通过对抗学习来近似一些不可解的损失函数，在图像、视频、自然语言和音乐等数据的生成方面有着广泛应用。
2.2 强化学习
强化学习（Reinforcement learning）本质上就是通过试错实现模型优化。目前，强化学习已经被广泛采用，包括谷歌Deepmind的视频游戏和AlphaGo。
3、分析技术之于实际问题
▲分析技术：从经典到前沿（将深度学习神经网络、迁移学习和增强学习定义为AI技术）
分析技术在不同业务类型中可以解决多种实际问题，包括：
分类（Classification），即根据一组训练数据，将新输入的数据进行分类的业务，主要任务为识别特定物理对象（如卡车、汽车、生产线上接受质检的产品等）的图形；
连续评估（Continuous estimation），即根据训练数据，评估新输入数据的序列值，常见于预测型任务，如根据销售数据、消费者态度、天气等数据来预测消费需求，或者根据建筑物的相关数据和照片来于猜测房产价格等；
集群（Clustering），即根据任务数据创建系统单个组类别，案例有，基于特人数据的消费偏好；
其他优化（All other optimization），即系统根据任务产生一组输出为特定目标的函数优化结果，案例有，基于用户（时间、费用、偏好等）需求的最佳交通路线推荐；
异常检测（Anomaly detection），即根据训练数据/历史相关性判断输入数据是否异常，本质上是分类功能的子范畴；
排序（Ranking），常见于信息检索问题，即基于检索需求按照某种排序标准呈现结果，比如提供产品购买推荐等；
建议（Recommendations），即根据训练数据提供建议，比如根据个人购买历史行为推荐“下一个产品”；
数据生成（Data generation），即根据训练数据生成合适的新数据，用例包括音乐创作等，即根据音乐素材在特定风格下创作出新的音乐片段。
▲不同类型实际问题涉及的分析技术（条状图表征该问题中AI技术的价值和潜力）
从用例看潜力
讲解完抽象的概念名词，是时候来关注具象的实际案例了。先来说说人工智能算法跟传统算法相比，在性能方面的优势（总体而言，AI分析技术能带来传统之外的30%到128%的行业价值提升）：
▲AI分析技术的价值潜力（左为AI与传统分析技术的对比，右为AI分析为19大行业带来的潜在价值增量）
预测维护
传统系统，已经能够对传感器时序数据，包括检测温度、振动状态等，进行分析，实现预测异常检测和预测维护（对组件的剩余使用寿命做出预测）了。但深度学习将这个功能带到了一个新的高度：可以对数据进行分层，从而分析海量的、高维度的，包括图像、音频等各种形式的传感器数据，一些原先不适用的低质量数据（来自廉价的麦克风和照相机）也能被用起来。
在被调研的案例中，这种基于AI技术的预测维护（远程机载诊断技术），可以帮助企业减少停机时间，制定有计划的干预措施，提高产量，并降低经营成本，对应的经济价值约为总销售额的1%到2%。
在货运飞机的案例中，AI技术加持的预测维修，能够延长飞机寿命。因为相比于传统模型，它能更有效的结合平面模型数据、维护历史、物联网传感器数据（包括发动机振动数据、发动机状况的图像和视频等）。
物流优化
以AI为导向的物流优化可以实时预测，降低成本，指导行为，提高燃油效率，减少交货时间。
在一个欧洲货运的案例中，基于AI技术的车辆性能检测和驾驶员行为分析，司机能够获得实时指导（合适加速、减速等），以优化燃料费用并降低维护成本，货车公司省了15%的燃油费。在一个航空案例中，航空公司基于AI预测交通拥堵和天气相关问题，避免了昂贵的取消费用。对于每天航线近十万的公司而言，哪怕减少1%的取消飞行，也意味着很大的不同。
客户管理
AI正在成为客户服务管理和个性化市场营销的重要工具。
呼叫中心将AI用于语音识别（不仅是语言内容，甚至是情绪语调）和呼叫路径规划，可以更有效的为客户提供更为无缝的体验；在销售领域（如亚马逊和Netflix），AI也成功的用于个性化的“下一个”产品推荐，大幅提高了销售转化率；在保险领域，汽车保险保费可以根据驾驶数据（驱动模式和距离）进行调整；对于旅游公司，全方位的客户视图（额外的酒店、航班服务）将帮助增加10%到15%的收入，相当于总营收的7%到12%，价值是传统分析的两倍以上；在零售业，SKU性能数据能被用于优化促销策略。
▲各类分析技术在九项业务中的应用热度
根据调研，69%的案例中AI分析技术完成了对传统分析技术的性能优化，16%的“绿地”案例非AI不可。“绿地案例”主要存在于客户服务等商业领域，如疾病诊断、改善护理等，对应的数据丰富（大量音频、视频、图像和文本），还需要整合人类的反应。
此外，还有15%的案例是AI分析，或者说深度学习不适用的，比如药品和医疗产品、电信等领域，一方面是受限于现有的技术和该领域不够充足的结构化的数据量（据估计，一个监督学习算法要实现可接受的性能，每个类别需要至少5000个标记过的数据），另一方面受限于行业和监管问题。
除了使用深度学习提高分析性能之外，很多常见的消费产品，如Siri、Alexa和Cortana，甚至基于图像处理的自动驾驶也在发展中。对于这些AI系统，数据采集和再培训是必要的（需要至少每月更新一次，有时甚至是每天更新一次）。除了数据量和多样性之外，训练数据的刷新也很重要，特别是销售、供应、管理和制造业领域。
▲对于大约三分之一的用例，AI分析模型需要频繁更新（四分之三的情况需要每月更新一次，近四分之一的情况至少每周更新一次）
前路的挑战
尽管人工智能前途远大，它依旧面临着诸多的挑战和限制。
从数据的角度出发，可以把困难归纳为五点：训练数据的标记常常需要人工手动，难以获取足够大且全面的训练数据集（特别影响医疗用例），模型透明度有待提高（直接影响汽车、医疗认证等领域的应用），学习缺乏可概括性（难以从一个应用迁移到另一个相似的应用），数据和算法中存在偏差的风险（更社会化的问题）。
此外，人工智能还存在恶意使用的问题，包括更为复杂的黑客攻击和高度个性化的政治虚假信息运动、欺骗性的视频等一些列安全威胁。
考虑到数据的关键性，对于企业和组织来说，制定数字战略，建立数据中心（或者更普适的，选择云供应商），争夺高级人才，思考获取和生成数据的方式，至关重要。技术方面，组织必须开发出健壮的数据维护和治理流程，并实现软件现代化（如Agile和DevOps），并确保AI分析被实例化，克服“最后一英里”（组织挑战）。
智东西认为，AI作为当下信息技术革新的主要动力之一，指向了庞大的经济和社会价值，正在将各个参与者，包括（技术）革新者、公司和政策制定者等，凝聚起来，从而营造充满活力产业环境，确保更为安全、有效的经济和社会福利。现有案例足够说明，AI技术的引进，不仅将深化传统技术价值，更将拓展新的产品和业务形态。对于企业而言，相关数字战略的制定，迫在眉睫。
