麦肯锡汽车行业报告：通向自动驾驶之路的五大障碍
选自麦肯锡
机器之心编译
参与：黄小天、路雪、李亚洲
人工智能是炒作吗？不。但是汽车 OEM 厂商需要五步来克服挑战，精确定位并走向成功。
人工智能尽人皆知。但是在汽车行业，即使是今天，很多所谓的人工智能产品和服务事实上依赖于启用那些功能的高级分析（从传统算法发展而来），比如预测性维修。
1950 年，AI 理论就已经出现。但是，直到最近几十年，伴随着机器学习和深度学习的发展，AI 才获得广泛应用。这同样也得益于不断改进的算法和训练方法、更强大的计算能力和云端海量数据的获取。尽管有了这些发展，汽车行业仍然处于 AI 参与的早期。顶尖的 AI 应用范围仍然很狭窄——它们只在特定任务中的表现优于人类。AI 技术的水平和实质变化幅度较大，比如「狭义人工智能」包括传统的导航系统和能够每秒处理 10 亿字节数据的自动驾驶任务，是当前的导航系统处理数据的 100 万倍。人工智能在更多的情况中赶上人类的能力仍然需要很多年。
在所有关于「AI 能够做到什么」的讨论中，这个问题仍然存在：AI 是炒作，还是公司必须掌握的一项重要技术？AI 的下一个发展可能带来巨大的竞争优势，对汽车行业来说尤其如此。为了了解这方面的状况，麦肯锡调查了中国、德国和美国的 3000 名消费者；访问了汽车行业领导者，包括汽车行业从业者、技术人员和学界人员；分析了创业公司、投资和专利。这些帮助我们形成市场角度（非理论角度）的汽车行业图景。
本文中，我们聚焦提升或创造汽车行业新应用的 AI 系统（使用机器学习和深度学习技术）。汽车行业公司必须解决以下汽车行业的机器学习技术和业务问题：
- 机器学习对汽车行业的重要性如何？
- 消费者接受汽车行业使用 AI 的做法吗？
- 机器学习技术在该行业的关键应用是什么？
- 利用该技术获取利润必须解决哪些挑战？
- 汽车行业公司应该采取哪些战略举措来做准备？
除却炒作，机器学习也可以带来竞争优势
机器学习使人工智能成为可能。借助其实际可用的定义，机器学习技术可在自动驾驶领域的三个关键方面发挥作用：
- 在高度复杂的环境中运作（通过描述所需的数据量进行评估）
- 解决直接编程无法胜任的大量可能性情景
- 无需明确指导即可自我提升，通过非结构方式从未知的情景数据中学习
对于汽车中的人工智能，机器学习必不可少；它将是未来几十年巨大竞争优势的技术基础与来源。例如，自动驾驶需要机器学习，至少在图像识别上是这样，这是人类编程无法比拟的。机器达到人类水准的图像识别能力只需使用一台超级计算机花费两到四周的时间完成带有数千万参数的系统训练——这一任务如果由一个人手工完成，则需要 1000 到 3000 年。
消费者对机器学习应用的接受度超出预期
一项清晰的研究发现很好地预示了人工智能的发展：消费者希望人工智能更强大，带来更多改变（图表 1）。
尤其出乎意料的是，大部分消费者希望人工智能改善其生活方式——只有 25% 的人认为这有风险。消费者之所以如此接受是由于人工智能应用所带来的舒适度与便利性。例如，75% 的消费者对会做家务的人工智能机器人很感兴趣。
图 1：大部分消费者把人工智能看作为汽车带来更多便利的工具。
消费者对人工智能的兴趣和接受也扩展到了汽车领域。我们进行了自动驾驶舒适度的调查，47% 的人认为如果使用全自动驾驶汽车感觉会不错；在中国消费者、年轻人以及市区居民中更是如此。
因此，消费者很愿意为自动驾驶买单。其中 46% 感兴趣的消费者愿意为自己选择一辆带有自动驾驶功能的汽车，并愿意为此支付超过 4000 美元。并且自动驾驶功能是如此重要，以至于 65% 的消费者愿意更换 OEM 厂商，选择更好的自动驾驶；而在大城市人群和年轻群体中这一比例更是超过 90%。期望很高，但也需要有所中和。大体来讲，消费者希望全自动驾驶汽车能在 5 年内普及——这一时间线相当紧张，无论对监管者还是汽车生产商来说。
机器学习将对汽车产业带来巨大影响，因为它不仅提升了生产效率，还开拓了一片蓝海市场。依据消费者兴趣，我们发现机器学习可在汽车行业的很多领域发挥作用（图 2）。它们可划入三个不同的范畴：
1. 处理优化和提高生产效率（通常起源于高级分析，但由机器学习来提升）
2. 新产品或提升后的产品（主要通过机器学习获得）
3. 利用这些新产品打造全新（垂直）的业务和消费者使用案例
图 2：公司把机器学习应用到汽车上的方式有很多。基于机器学习的汽车应用有：过程优化、提升的或新的产品、新业务。
汽车厂商要想从人工智能中获益需要战胜三个挑战
把机器学习技术应用到汽车非常复杂，需要迭代整个汽车生态的架构（图 3），将会在汽车内外有大量的机器学习驱动的系统，一些嵌入式系统可对后端进行偶尔通信与更新，一些云端系统可向汽车实时推送信息。所有这些都依赖于广泛的利益相关者（包括第三方）与特定的技术限制因素，并受到当地情况和监管的影响。
图 3:汽车生态系统中的机器学习系统将会接入到多个交互平台，共享数据
这里，我们可以看到三种挑战：面临技术挑战，尤其是汽车嵌入式技术方面；符合监管标准；制定合适的商业模型。
技术。汽车行业的许多机器学习的底层技术和方法理论上都是可用的。但是，有意义的突破仍然需要该技术的实现和嵌入。拿自动驾驶和车内体验来说，这些系统依赖于海量数据（数据太多以致于无法全部传输），输出和时序质量非常关键且影响安全性。机器学习技术能够在后端环境（存在足够的计算能力和合适的硬件）中运行，嵌入该技术需要硬件的技术发展和连接解决方案。
汽车行业大约有 500 家公司使用机器学习构建专门技术以宣布其在价值链中的位置（图 4）。2010 年以来，这些公司已知的总投资额高达 520 亿美元（图 5），比同期所有共享汽车和智能叫车创业公司的投资总额多出 320 亿。几乎所有的投资（97%）来自非汽车行业，如私募基金和技术公司。这些钱大部分流向开发自动驾驶和车载娱乐的完整解决方案提供商。这些投资的时间点表明竞赛在加速：2014 到 2017 年的投资额是 2010 到 2013 年投资额的四倍。
图 4：非自动厂商正在投资机器学习，瞄准自动驾驶与车内体验
图 5：从 2010 年以来，汽车行业人工智能技术共获得 511 亿美元的投资。
法规和标准。「汽车等级」要求更高的安全标准和比当前机器学习使用案例更高的准确率。我们期待机器学习可用于特定任务中，但是，需要考虑传统设计的护栏，以保证汽车等级的安全性和质量。一般来说，汽车行业中，法规和行业标准可能估计规模和不同系统的融合（例如，OEM 和交通管理系统）。该领域的公司可能需要早点制定技术开发和应用开发的过程标准，正如一些公司在防抱死制动系统开发时所做的那样。
法规和环境，比如基础设施，在不同地区和城市各有不同。自动驾驶很有可能逐个城市地逐渐铺开版图。此外，很多元素如界面和数据类型的标准在不同利益相关者那里也不相同。这些条件需要更高程度的适应性。
商业模型。新的商业模型的出现对 OEM 厂商带来了挑战。很多新商业模型可能使传统 OEM 的业务向 B2B 的方向转变（比如，销售业务或汽车服务向城市推进），这一项就对利润带来了额外的压力。另一方面，新服务的出现要求汽车变得更加以软件为中心，最终可能会更像智能手机，最新更新成为必备。
把机器学习用在路上需要智取
人工智能可能成为竞争优势的重要来源，且在汽车领域有大量机会。但在发展中，还面临众多挑战。尽管如此，汽车 OEM 厂商从人工智能研发中获利有得天独厚的优势，特别是因为嵌入式控制点。此外，大量消费者希望汽车制造商而不是技术公司引领自动驾驶功能的开发，更快地把自动驾驶带入市场，特别是在中国（图 6）。
消费者认为汽车制造商在开发自动驾驶功能上是领导者，且期望他们把自动驾驶带入市场
利用这些优势，OEM 能够采取 5 步行动发挥其优势：
1. 专注于核心应用领域。决定开发汽车机器学习应用各个领域的合适度上，OEM 应该考虑以下几个方面：
- 利润池：终端用户最相关、最需要什么，且其利润池有多大？
- 竞争场景：有多少公司？又在此领域扮演什么角色？相比其他公司，自己有什么优势？
- 市场定位：与其他人相比，我们定位是什么（例如，是否是第一梯队？掌握最新技术？）从战略角度来看，我们要提供什么？
- 控制点逻辑：我们天然掌握哪个控制点？
2. 利用数据广泛度。为了创造新的商业模型，公司需要通过改进收集消费者的数据更好地了解消费者，这对自动驾驶汽车技术的开发同样非常必要。此外，创造应用（例如交通指导）非常依赖收集的数据，需要 OEM 之间有共同的开发标准进行数据共享。
3. 驾驶标准。联合其他汽车厂商、政府，积极建立新标准。
4. 提升科技与商业的联系。商业模型经常需要内部无法达到的能力。对于长期分化来源的领域，需要选择合适的合作伙伴获取所需的技术或消费者。对于短期价值的领域，则选择或建立供应商。
5. 商业模型对冲。新的商业模型可能会过剩。基于你想要参与的程度，建立商业案例并从可用的商业模型中进行选择。且最好尽早尝试不同的商业模型，边学边做，做好在某些领域失败的准备。
报告链接：http://www.mckinsey.com/~/media/mckinsey/industries/automotive%20and%20assembly/our%20insights/the%20road%20to%20artificial%20intelligence%20in%20mobility%20smart%20moves%20required/smart-moves-required-the-road-towards-artificial-intelligence-in-mobility.ashx
本文为机器之心编译，转载请联系本公众号获得授权。