麦肯锡：人工智能将成为下一个数字前沿

据麦肯锡2017年6月发布的报告称，人工智能即将开启下一波数字化颠覆的浪潮，现在公司应该为此做好准备。我们已经看到了一些早期成立的人工智能公司从这项技术获益的现实例子，这使得其他公司比以往任何时候都更迫切地需要加速数字化转变进程。我们的研究结果集中在五个人工智能技术系统：机器人技术和自主车辆、计算机视觉、语言、虚拟代理以及机器学习，这其中包含了深度学习，并指出了其他人工智能技术的多种最新进展。

人工智能投资增长迅速，其中谷歌和百度等数字巨头占据主要地位。在全球范围内，我们估计2016年科技巨头对人工智能的投入在200亿到300亿美元，其中90%用于研发和部署，10%用于人工智能的收购。风险投资、私募股权融资、基金和种子投资也迅速增长，虽然起始金额小，但总额却增长到了60亿至90亿美元。机器学习，作为一种“使能科技”（enabling technology），在内部投资和外部投资中都占了最大的比例。

人工智能应用于科技行业之外还处于起步，通常是试验性阶段。几乎没有公司对它进行了规模部署。我们的调查覆盖了10个国家14个行业的3000名知道人工智能的C级高管，只有20%的人说他们最近在大规模使用或在业务核心部分使用了与人工智能相关的技术。许多公司表示他们不确定业务案例或投资回报。一份160多个用例的评述表明，人工智能进行商业应用只占了用例的12%。

人工智能的应用模式说明数字化人工智能的早期采用者与其他公司之间的差距越来越大。处在麦肯锡全球研究院（MGI）行业数字化指数（Industry Digitization Index）顶端的行业也是人工智能的主要采用者，如高科技、电信或金融服务行业。他们拥有最积极的人工智能投资意向，投资兼具广度和深度：跨越多个职能部门使用多种技术，并将其部署在业务的核心位置。例如，汽车制造商使用人工智能开发自动驾驶汽车，提高汽车的操作体验，而金融服务公司更有可能将人工智能用于客户体验相关的功能中。

早期证据表明，人工智能可以给那些认真的应用者带来实际价值，能成为数字化颠覆的一股强大力量。在我们的调查中，把强大的数字性能与积极策略结合起来的早期人工智能应用者拥有的利润率更高，并有望在未来进一步拉大与其他公司的绩效差距。我们的案例研究覆盖了零售业、电力行业、制造业、医疗保健以及教育，突出了人工智能在以下方面的潜力：提高预测和采购、优化和自动化操作、制定有针对性的营销和定价、增强用户体验。

人工智能依赖于数字化基础，往往需要利用独特的数据进行训练，这意味着公司没有捷径可走。公司不能推迟他们的数字化进程，包括人工智能。早期的人工智能应用者已经在创造具有竞争力的优势，而且与落后者之间的差距看起来仍在扩大。一个成功的项目需要公司处理数字和分析转换中的多个要素：明确业务案例，建立适当的数字生态系统，开发或购买合适的人工智能工具，调整工作流程、能力和文化。尤其要注意的是，我们的调查表明上级领导力、管理和技术能力、数据的无缝访问都是关键的推动要素。

人工智能有望实现效益，但也给公司、开发人员、政府和劳动者带来了严峻的挑战。劳动力需要接受再培训，拓展人工智能技能而不是与之竞争；如果城市和国家致力于打造成全球人工智能发展中心，就需要加入到全球化的竞争中，吸引人工智能人才和投资；我们应推动解决人工智能在道德、法律和监管方面的难题，否则将会阻碍人工智能的发展。

目前面临的挑战

人工智能给政府和社会提出了各种各样的问题。我们在下文中概述了其中一些问题，并提供了如何应对的一些思路。这些问题的进展对实现人工智能的潜在优势、保护人们免遭风险都至关重要。

鼓励更广泛地应用人工智能技术。人工智能的采用往往集中在相对数字化的行业，以及这些行业中已经位于数字前沿的公司。更广泛地应用人工智能和支持数字技术，尤其是鼓励小公司应用这类技术，对支持整个经济生产率的增长和营造健康、竞争的市场都至关重要。更广泛地应用人工智能还可以使工资增长更均衡。人工智能可以提高劳动生产率，这反过来又提高了工资。扩大应用范围将确保人工智能的生产力优势让更多的公司和劳动者受益，而不仅仅是提高那些前沿公司的劳动者的工资——他们已经接近收入分配的顶端。

解决就业和收入分配问题。人工智能助力的自动化对工作和工资产生了深远的影响。在我们的调查中，大多数公司并不认为人工智能会显著降低他们的劳动力规模。然而，依然有劳动者的技巧和能力与需要做的工作不匹配。政府可能需要重新思考社会支持的模式。各种各样的想法都在考虑之中，包括工作分担、负所得税和普遍的基本收入。

解决道德、法律和监管问题。人工智能带来了一系列道德、法律和监管问题。现实世界中的偏见可能会被植入到训练数据中。由于现实世界里存在种族主义、性别歧视主义、以及其他方面的多种偏见，提供给算法的现实世界数据也将具备这些特征。如果人工智能算法从带有偏见的训练数据中学习，它们内化了偏见，就会加剧那些问题。还有一些关于算法本身的担忧——谁的道德准则将被编码写入算法中？要了解决策过程，人们应该拥有什么权利？谁将为它们的结论负责?这引起了人们对算法透明度和问责制的需求。隐私同样是一个问题——谁应该拥有数据的所有权？在不破坏数据用途的前提下，保护高度敏感数据（如医疗数据）需要什么安全措施?各组织正牵头解决这些问题，包括人工智能联盟（Partnership on AI）、OpenAI、负责任机器人学基金会（the Foundation for Responsible Robotics）和人工智能伦理与治理基金(Ethics and Governance of Artificial Intelligence Fund)。

确保训练数据的可用性。海量数据对人工智能训练系统至关重要。公共部门的数据开放可以刺激私营部门的创新。设置公共数据标准也能起到帮助作用。例如，2009年，美国证券交易委员会（Securities and Exchange Commission）要求所有上市公司必须以可扩展商业报告语言格式(XBRL)披露公司财务报表，确保公共数据的机器可读性。

在政府中应用人工智能。人工智能可以给公共部门和私营部门带来巨大的潜在好处。提高规划、目标和个性化定制可以给政府服务的效率和有效性带来必需的提升。在对政府部门的深入研究中，我们探索了在人工智能的支持下医疗和教育这两大政府领域会有什么样的未来。