不要低估AI面临的困境

“经过对7000多家“AI初创企业”进行研究分析，我发现大多数人低估了AI发展所面临的困境和挑战。这其中，有你的参与吗？”

你可能听过Andrew Ng这句话相似的一些说法:“AI正如同咱们新时代的电力!电力的发展曾经改变了无数行业;现现在的AI也将如此。”

我基本上赞成这种观点。然而问题在于，这种说法忽视了AI在快速应用过程当中面临的巨大障碍。毕竟AI不会在一晚上之间随处可见。就电力而言，它的发展经历了四十多年才成为一种无处不在的技术。到1882年，世界已经发现了现代电力的关键元素。然而，昂贵的基础设施、人才的缺少、监管不透明等许多挑战阻碍了电力即时的大规模采用。这些阻碍加在一块儿，使美国的普通家庭直到1925年才用上电!

AI正如一种新的电力，它将改变各行各业。但就像电力的发展同样，这须要几十年的时间。对于AI世界而言，咱们正处于1882年，而非1925年。

是什么摩擦正阻碍着AI的应用?AI将首先在哪方面成功?它又将滞后于哪方面?除非咱们展开这种对话，不然许多技术上可行、合理充分的AI企业都将面临失败。这种对话相当重要，由于全世界都正在AI领域押下重注，尽管这或许并不明智。我在网上搜索了一下，发现了7192家“AI初创企业”宣称他们是一家AI公司或正在使用机器学习。这些初创公司已经筹集了190多亿美圆，雇佣了超过15万名员工。

你的AI企业什么时候成功?——框架

值得庆幸的是，你可以预测你的AI企业更有可能在近期、中期仍是长期成功。AI的能力和挑战是很容易理解的——你所要作的就是全面地审视它们，而后批判性地思考你的AI用例。要作到这一点，不妨考虑使用一个简单的框架:AI解决方案被采用的速度是价值潜力和其中特有摩擦的函数。许多摩擦减缓了AI技术的应用，但这些摩擦更能减缓一些企业的发展速度。缘由在于一些AI解决方案可以比其余因素创造更多的价值。当一个AI解决方案具备巨大的价值潜力时，企业、投资者、监管机构和消费者们则更容易联合起来，以克服摩擦。价值和摩擦之间的这种简单关系产生了一个有用的框架:

AI采用率=f（AI摩擦，AI价值）

那么，对于你的AI赌注来讲，大规模采用AI的道路会是怎样的呢?对于任何问题，企业或行业，该框架能够直接操做。这是一个更详细的分类。

阻碍AI快速应用的顶级摩擦

第一步是对AI摩擦进行深思熟虑的分析，这些摩擦可能会减慢你的AI企业的采用速度。人类、数据和市场摩擦都会减缓已验证AI解决方案的采用速度。它们使开发复杂化，限制了可伸缩性，并引入了用例查杀风险。并非全部的摩擦均可一律而论的。有些比其余危险得多:

AI摩擦预估量

人类对AI的限制

• 人机回圈要求：许多算法须要人的监督。例如，Facebook雇佣了超过1.5万人来协助他们的内容审核算法。
• 人工数据标注要求:AI的许多用例须要人类教授算法预测的内容（或者在技术术语中，“标注”数据）。例如，百度不得不雇佣数千名翻译人员来训练其中文翻译算法。
• 缺少人才:全球缺少数据科学家、机器学习工程师和其余AI人才。这使得企业组建有能力的AI团队具备挑战性。2018年，Indeed.com上发布的AI相关职位的信息比搜索量多了3倍。

AI的数据限制

• 有机数据建立:一些业务模型不能天然地生成AI所需的数据。例如，传统的零售企业没法获取关于客户购物模式的丰富数据。若是要整合人工智能，零售商须要采用新的商业模式，如在线销售和“直接面向消费者”等模式。
• 缺少数据基础设施:AI须要在技术堆栈的每一个级别进行大量投资。On-prem硬件和遗留软件解决方案是AI的诅咒。为了实现人工智能，企业必须投资于云平台、数据大集中平台、数据安全和人工智能开发工具。
• 现有数据混乱:数据不多组织在由干净、集中的行和列组成的表中。相反，大多数数据存在于凌乱的文档或遗留软件系统中。公司倾向于跨团队和组织存储数据，他们一般没法维护存在不一样数据的文档，而且没有强制执行如何捕获和存储数据的标准。
• 对第三方数据依赖:人工智能渴望数据。当你的公司没有足够的专有数据时，便不得不购买数据，而受权和维护API以访问第三方数据的成本是很是昂贵的。
• 数据速度很低:大多数人工智能须要数千个完整反馈循环的例子来学习。这在反馈周期较慢的领域是具备挑战性的。例如，获取慢性病长期卫生保健结果的数据就是一个代价高昂的过程。

AI的市场限制

• 捕获AI价值所需的业务模型变化:为了获取AI价值，许多行业将不得不更改它们交付产品和服务的方式。例如，自动驾驶汽车将迫使汽车制造商采用“运输即服务”的策略。
• 近乎完美的算法性能要求:一些人工智能用例具备很高的失败成本。以医疗和自动驾驶汽车的诊断决策为例，在这些状况下，AI解决方案会带来重大风险。
• AI须要流程变动:支持AI的产品一般会引入大相径庭的工做流程。例如，人工智能招聘解决方案每每更倾向于非传统的面试和工做申请。这让更多传统的人力资源团队感到惧怕。
• 没法解释的算法:在许多状况下，消费者(甚至监管者)须要可以自我解释的AI工具。不幸的是，要想解释有多少人工智能算法在作决定是很困难的。例如，若是一家银行拒绝向客户提供信贷，他们必须解释缘由，这就使得人工智能在放贷方面变得困难。
• 有偏算法:AI算法常常作出有偏决策。这在许多领域（如执法、人力资源和教育）都是违法和使人反感的。
• 繁重的隐私标准:AI是对隐私的一种威胁。人工智能为企业收集大量私人信息创造了动力。此外，人工智能还能从无害的数据(好比打字模式)推断出我的信息(好比我的的情绪状态)。这些威胁隐私的AI解决方案可能会面临监管和消费者的抵制。

评估AI价值

一旦了解了企业面临的AI摩擦，就要进行价值分析。你的AI解决方案可否下降成本、节省时间、减轻风险、创造新的消费价值?若是能，须要多少钱?要作到这一点，没有一种放之四海而皆准的方法。一旦你评估了你的AI解决方案，请批判性地思考这个值将如何激励利益相关者克服摩擦。在此过程当中，您应该考虑宏观层面的趋势。在AI不能更广泛地创造重要价值的领域，这是很危险的。若是真的到了这一步，那么你将会成为一个孤独的人工智能倡导者。麦肯锡全球研究所(MGI)最近评估人工智能和分析的潜力超过了9万亿美圆，重要的是，这个价值并非按比例地分布在各类用例和行业中。

AI用例

在评估了400多个已知人工智能用例的列表以后，MGI发现普通的业务问题——供应链、销售和营销——是人工智能最有价值的用例。

按用例划分AI价值

跨行业AI价值

经过将用例映射到各个行业，MGI评估了AI对各个行业的重要性。他们发现，在高端功能（如销售）中有复杂问题的行业将从人工智能中得到最大收益。

AI价值占行业收入的百分比 

AI的将来——应用框架

那么，哪些行业最容易受到人工智能应用速度低于预期的影响呢?谁最有可能不合时宜地成为AI赌注的炮灰呢?咱们能够在宏观层面应用框架来寻找答案。我采访了几位人工智能专家，用于估计每一个行业的人工智能摩擦强度，而后将这些信息汇总并绘制出与MGI的人工智能价值估计相对应的图表:

根据个人分析，AI将在三波浪潮中席卷各个行业:

• 第一波AI浪潮——快速采用者:这波融合了消费科技和媒体的浪潮已经很好地开始了。谷歌、Facebook和Netflix等公司的先进技术引领了这一潮流。
• 第二波AI浪潮-慢采用者:这波浪潮也已经开始，但可能推动更缓慢。一些采用者(如制造商和供应链运营商)不太愿意采用人工智能。一些其余企业(如银行)则清楚地知道：若是他们成功了，将得到巨大的回报，但在采用人工智能的过程当中一定面临重大挑战。
• 第三波AI浪潮——艰难采用者:医疗、汽车和(可能的)零售行业的AI采用率可能低于预期。在采用人工智能方面，它们都面临着巨大的障碍。在一分钱一分货的基础上，所以也都不太愿意采用人工智能。值得注意的是，零售在这里有些不一样于其余行业:传统零售商在一些领域(销售和营销)面临着重大摩擦，但在另外一些领域(供应链运营)倒是人工智能的快速采用者。

那么，你的人工智能企业什么时候才能成功呢?你须要分析面临的人工智能摩擦、评估你想要创造价值的大小，而后看看你的企业相对于已知的人工智能成功案例所存在的差距。若是结论是更多的摩擦和更少的价值，那么也许如今还不是下这个赌注的时候。但若是你有一个高价值、低摩擦的人工智能解决方案，那么就不要再读这篇文章了。全速进击吧!

原文连接 本文为云栖社区原创内容，未经容许不得转载。