重磅 | 麦肯锡最新研究出炉：增长强劲 2016年AI投资超300亿美元

本文选自：Mckinsey

网易智能工作室编译出品，精选第115期

一份来自麦肯锡全球研究院的最新研究显示，2016年人工智能相关的文章数目是2015年的两倍；人工智能投资是2013年的三倍，增长势头强劲。

人工智能早已磨拳擦掌，世界准备好迎接人工智能了吗？

目前上有很多关于人工智能有多强大或者多危险的声音，可以预见，这样的论断只会越来越多，人工智能使机器得以展现出向人类一样的认知能力，它可以为我们开车但也可以窃取我们的隐私，它能够激发企业的生产力，但同时也是潜在的商业间谍，它可以将工人们从枯燥重复且危险的工作中解救出来，但同时也夺走了他们的生计。

2016年关于人工智能的文章数目是2015年的两倍，差不多是2014年的四倍。人们对人工智能抱有很大期望，人工智能以前也曾出现过，回顾过去的历史，人工智能的发展跌宕起伏，有花言巧语般的承诺，也有不属实所带来的失落。

这次人工智能浪潮会和此前不一样吗？

新的研究表明：人工智能终于开始创造真正的商业利益，取得突破的要素已经到位，计算能力正在显著提高，算法正在变得越来越复杂，而且，另外一个相当关键的背景是，世界正在产生大量人工智能的前进燃料——数据，每天我们都会生产数十亿GB的数据，位于数据领域前沿的公司谷歌和百度等，正把大笔资金押注于人工智能。

我们预测2016年一年内投资于人工智能行业的资金将达200亿至300亿美元，这其中包含人工智能公司间的并购，私人投资者也在加入这场游戏中，我们估计，2016年，风险投资的行业投资额度将在40亿到50亿美元间，私募股权投资额度在10亿到30亿美元，这与2013年相比，是当年数据的三倍还多，此外还有10亿美元来自于捐赠和种子基金。

不过，就目前而言，大多数新闻都来自人工智能技术的供应商侧。而且很多应用都还处于试验阶段。在当下和未来，几乎没有什么能将该技术迅速推广出去的产品。正因如此，分析人士对人工智能的未来潜力还存在着一定分歧：一些分析师对人工智能的潜力持乐观态度，而另一些人则对其真正的经济效益持谨慎态度。

这一意见上的分歧也体现在分析师们对于市场未来的预测上。至2025年现有市场规模预测从6.44亿美元到1225.2亿美元不等。考虑到人工智能领域的投资规模，如果较低估值属实的话，也就可以说这次人工智能的崛起也就是昙花一现。

不过，我们在人工智能领域的业务经验表明，这种萧条景象不太可能发生。

为了提供更有说服力的观点，我们决定亲自调研用户对于人工智能的使用情况。我们的研究为变化多端的人工智能行业提供了一张快照。同时从供应商和用户的角度出发，使我们对人工智能的经济潜力以及它未来发展方向提出了更有力的论证。

首先，我们研究投资领域，包括企业在研发和部署方面的内部投资，大型企业并购，以及来自风险投资和私募股权在该行业的投入。然后，我们对需求方面进行了调研，为了了解公司是如何应用人工智能技术，探寻采用该技术背后的动机，找寻扩大应用这一技术的阻碍因素，以及明确人工智能的市场影响、财务影响和组织影响，我们进行了三个方面的尝试：用例分析、我们自己对人工智能的应用、以及对超过3000多家公司的C级管理者进行问卷调查。关于我们研究来的更多细节，请参见研究报告的第一部分“人工智能行业的多角度解读”。

人工智能通常指的是机器展现人类智能的能力——例如，在没有人为代码指示该如何操作的情况，由机器独立解决问题。目前有几种办法可以将人工智能技术分类，但没有一种办法可以做到在穷举所有技术的同时还保证每一类别没有互相重叠，其原因是因为：每当从业者在解决某一具体问题时，都会将多种技术结合在一起运用。

人们有时将这些组合视为独立的新技术，有时又将其归类于其他技术下的子集之中，有时又视其为技术的一种新应用。有些框架下，人工智能技术是根据其基本功能进行分类的，例如文本识别、语音识别和图像识别。另一些框架的分类方式则是根据其商业用途，其中包括商务和网络安全。

人工智能行业的多角度解读

在本报告中，我们从多个角度出发来理解当前行业现状，研究形式包括一次分析和二次分析，我们建立了6项指标来评估人工智能的现状及其未来发展潜力。

人工智能应用和使用调查我们对3073家公司的C级管理人员进行了问卷调查，了解他们在工作中如何使用数据和人工智能技术，此外还探寻了进一步部署人工智能的动机和障碍，问卷还调查了人工智能的市场影响、财务影响和组织影响。

我们的分层样本来自10个国家的14个不同行业，公司规模从10人以下到1万人不等。我们还用算法对问卷调查的数据结果进行了清洗。

用例回顾：我们整理并检查了160个用例，来源除开源项目外，还包括麦肯锡全球研究所和Digital McKinsey作研究用途的数据库。我们对每一用例都进行了评估，以探寻人工智能技术在该用例中的商业化程度高低。还对所有用例按照所处行业和商业用途进行了分类。

投资流向：为了统计资本市场对人工智能技术、产品和服务的开发和部署的投资金额，我们根据现有的公开数据，全面回顾了人工智能企业的外部资金来源（风投、私募以及并购），统计口径还包括大型公司用于人工智能技术研发和部署的内部投资。

我们对外部投资的评估基于全球各大交易数据库中和人工智能相关的交易，并根据技术种类和地理位置进行分类，内部投资统计包括有进行人工智能全球布局的公司中的35强。

投资中心：我们绘制了一幅全球人工智能创新活跃度地图，覆盖10个国家中的75个城市，并对其人工智能生态系统进行评估，包括城市人工智能行业相关风投、私募和并购数据库，以地理位置为依据，汇总大型公司人工智能领域的投资活动，衡量大学人工智能研究产出和大学人才流动方向，同时还将城市的商业环境纳入考虑。另外，我们还采访了城市里的投资者。

行业案例研究：我们对五个不同行业内的行业专家们进行了采访，来探寻行业内人工智能的运用现状和应用前景。

行业外部采访主要是基于麦肯锡咨询专注不同行业、进行不同研究的部门，其中包括Digital McKinsey和McKinsey Analytics，同时还有其他被麦肯锡受过或者与之合作过的咨询公司。

麦肯锡咨询和麦肯锡全球研究所文献回顾，该报告利用了麦肯锡全球研究所和McKinsey Analytics近期发布的研究报告，包括其用例数据库。以上提到的报告包括：前途光明：自动化、就业和生产力（A future that works: Automation, employment, and productivity 2017）、数据分析时代：在数据驱动的世界里竞争（The age of analytics: Competing in a data-driven world 2016）、数字欧洲：推进前沿、获取利益（Digital Europe: Pushing the frontier, capturing the benefits 2016）和数字美国：一个关于富人和更富的故事（Digital America: A tale of the haves and havemores 2015）。

想要更准确的定义到底什么是人工智能并不是一件容易的事情，其原因在于：人工智能名下包含的技术和应用是如此之广，以至于其中一些仅仅是早期技术的延伸，而另一些则是全新的技术。

此外，目前还没有广泛认可的“智能”理论，就连机器“智能”的定义也随人们对先前科技成果的接受度不断提高而不断改变，就像泰勒斯定理所宣称的那样：任何目前无法完成的使其能够都可以称作AI。该定理最早是由计算机科学家拉里·泰斯勒提出的。

这份报告所研究的人工智能主要是窄域人工智能，这种人工智能只能完成某一具体任务。与之对应的是宽域人工智能，发展该类人工智能的目标是为了让人工智能完成任何人类能完成的事。

我们之所以关注窄域人工智能，是因它具有近期商业价值，相比之下宽域人工智能还有很长的一段路要走。这份报告中所讨论的窄域人工智能主要是为解决商业问题。

我们将这些技术分为5个系统，这些系统都是人工智能发展的关键领域，包括：机器人和自动驾驶汽车、计算机视觉、语言、虚拟助手和机器学习。

机器学习是基于计算机算法：机器学习算法能在不依靠具体指令代码的前提下，处理数据并能从中得出结论或完成某一任务。有些是处理外部相关信息，比如计算机视觉和语言（包括自然语言处理、文本分析、语音识别和语义学技术）；有些是关于从信息中学习，比如机器学习；还有一些是与根据信息行动，比如机器人、自动驾驶汽车和虚拟助手，这些计算机程序都可以与人进行对话。

最近很多人工智能方面的进展都集中在机器学习和其子研究领域“深度学习”。同时这两个方向也吸引了大量的关注投资——2016年，在所有人工智能领域的投资中，有超过60%的钱流向这两个领域。

人工智能这一概念最早发源于人类开发出电子计算科技后不久。

也正是因为人类开发出电子计算科技，人工智能才成为可能。而且，与数字技术一样，人工智能概念经历了多轮起伏跌宕。然而，用之不同的是，人工智能技术还未能进行大规模的商业化部署。

这种情况可能会出现转机。由人工智能驱动的机器如今可以完成许多任务——比如总结复杂的规律、合成信息、得出结论和预测——不久前人们认为这些任务只有人类才可以完成。随着人工智能的能力不断增强，其应用领域也越来越广。与此同时，值得注意的是，机器学习有一定的局限性。例如，由于系统是经过特定的数据集而训练出来的，因此也容易受数据偏差的影响；为了避免这种情况的发生，用户必须确保对系统进行全面的数据集训练。

然而，我们见证了行业的重大进展。

兴与衰：人工智能简史

以计算机为基础的人工智能最早可追溯到1950年，阿兰·图灵于当年提出了著名的“图灵测试”：计算机能否发展到让人无法分辨或者相信它也是人的地步。几个月后，利用300个真空管和一个二战后遗留下来的的陀螺导航仪，普林斯顿大学的学生建立了第一个人工神经网络。1955年在达特茅斯学院举办，以“人工智能”为主题的学术会议上，该术语首次出现。同年，卡内基梅隆科技研究院（现卡内基梅隆大学的前身）的研究人员制作了第一个人工智能程序——逻辑理论家（Logic Therist）。

上世纪50年代人工智能获得了长足的进展：Marvin Lee Minsky在麻省理工学院建立了人工智能实验室，同期的剑桥学者研究了基于语义学研究的机器翻译，而IBM则在研究自学软件。

70年代时，因忍受不了长时间的等待，政府及其他主要研究资助方决定撤资，研究进度也由此而放缓。

80年代，大学研究人员开发出了能回答知识问答题目的软件——用专家知识数据库来评估题目中的事实依据，并最终回答问题。该软件是在自动驾驶汽车之前首个完全由计算机自行控制的软件。这一发明让人工智能起死回生，但在此之后，人工智能又陷入了"冬眠"。

进入21世纪后，计算机运行速度越来越快，产生的数据越来越多，人们对人工智能领域下深度学习方向的兴趣再次升温。这次，投资者和研究人员相信，人工智能变得实际、而且有利可图。这一进展使使机器学习自2000年以来进入高速发展时期，并用于推动人工智能领域其他方面的研究，其中以深度学习为最。

随后，海量数据变得触手可及、数据集也变得更多样化，而改进的算法则使在数山数海里发现规律成为可能。此外，不断提升的研发经费、更为强劲的图形处理单元，都使计算机性能达到前所未有的高度。以上因素种种都使这一波人工智能浪潮得以继续下去。

图形处理单元（俗称显卡）这一集成电路最初是为了电脑游戏。目前显卡的速度是2013年最强显卡性能的40倍到80倍。随着显卡性能的提升，深度学习系统的学习效率以每两年五到六倍的速度不断提升。

现在世界每天创造的数据达2.2艾字节（22亿GB）。海量数据带来的是对数据更深刻的解读与更高的准确性，因为可以用将算法暴露在更多的例子之中，挑选出那些正确的答案，剔除那些错误的。在某些应用程序中，通过这些数据流所支持的机器学习系统，例如图像识别中，计算机出错率与人类的比率差不多。

在科技巨头的引领下，人工智能投资正在快速增长，但商业化进程却未能紧跟其上，像亚马逊、苹果、百度和谷歌这样的科技巨头和数字原生企业每年在人工智能领域各项技术研发的花费高达数十亿美元。他们认为，开发出满足人类预期人工智能的气候已经成熟——强大的计算机硬件、日益复杂的算法模型、以及庞大且快速增长的数据储存量。

在人工智能领域的投资方面，大公司的内部投资确实占据主导：我们估计这一数字达到了180亿美元到270亿美元。             

但就近期的所有投资来看，人工智能所涉及的范围迄今为止都是有限的，这在一定程度上是因为对人工智能内部研发进行投资的目标主要是提高公司业绩。

从另一方面来看，企业对人工智能应用的需求也不温不热，而这在一定程度上是因为金融数字和分析转型的速度相对较慢。我们通过对全球3000多家企业进行的调查发现，许多商界领袖不确定人工智能究竟能为他们做什么，不知道在哪里可以获得基于人工智能的应用程序，也不清楚如何将他们融入自己的公司，以及如何评估这项技术的投资回报。在人工智能领域，大多数投资都是由大型、现金流充裕、科技较为领先的本土公司完成的，他们在内部进行研发和部署。

大型企业对人工智能的投资集中在哪些方面？

苹果、百度和谷歌等大公司正在内部研发各种技术，但它们的人工智能投资的广度和侧重点各不相同。亚马逊正在研究机器人和语音识别，Salesforce则更侧重于虚拟代理和机器学习方面。宝马、特斯拉和丰田等制造商又主要活跃于无人驾驶汽车领域的机器人和机器学习方面。

例如，丰田就拨出10亿美元，成立了一个专门研究机器人和无人驾驶汽车的新研究机构，而ABB、博世、通用电气和西门子等工业巨头也在内部进行投资，大部分是通过研究机器学习和机器人技术来开发与核心业务相关的具体技术。IBM已承诺投资30亿美元使其沃森认知计算服务成为物联网的一股重要力量。在过去的两年半中，百度除了向一家新成立的风投基金（百度风投）投资了2亿美元以外，也在人工智能研究领域投入了15亿美元。

很多大型科技公司也一直在积极收购人工智能初创企业，目的不仅仅是为了获取技术或客户，还为了吸纳人才。这一领域的专家很少，阿里巴巴、亚马逊、Facebook、谷歌和其他科技巨头已经雇佣了大部分。各大公司都将并购作为一种签约顶级人才的方式，这种做法被称为“人才招聘”，其金额通常在500万到1000万美元之间。

最近的一份报告显示，很多企业都急需人工智能的人才，这方面大约有1万个相关的工作岗位，并有超过6.5亿美元的预测薪水。总体而言，企业并购是人工智能公司资金增长最快的外部来源，根据我们的估计，从2013年到2016年，这类公司的复合年增长率会超过80%。

自2010年以来，领先的高科技公司和先进的制造商已经完成了100多宗并购交易。谷歌在此期间完成了24笔交易，其中包括8项计算机视觉交易和7项语言处理交易。苹果公司作为第二活跃的收购方，已经收购了九家公司，在计算机视觉、机器学习和语言处理等领域分开操作。大部分企业也在扩大海外人才的搜索范围。

例如，Facebook将在巴黎开设一个人工智能实验室作为纽约和硅谷类似设施的供给站，并使该公司更容易在欧洲招聘顶级研究人员。谷歌最近向蒙特利尔大学的研究实验室投资了450万美元；英特尔也不甘落后，捐赠了150万美元用于在乔治亚理工学院建立一个机器学习和网络安全研究中心；而英伟达正与国立台湾大学合作，在台北建立一个人工智能实验室。围绕人工智能的讨论足以鼓励风险投资和私人股本公司加大对人工智能的投资。

其他外部投资者，如天使基金和种子孵化器也很活跃。我们估计，到2016年，每年的外部投资总额为80亿美元至120亿美元。机器学习吸引了近60%的投资，这很可能是因为它是众多其他技术和应用的推动者，比如机器人技术和语音识别。此外，投资者也喜欢投资于机器学习，因为不管是现在还是未来，安装新代码都要比重建一个运行机器人或其他软件更快、更容易。该领域的企业并购也在快速增长，从2013年到2016年，复合年增长率约为80%。

与数字革命的投资相比，人工智能领域的投资仍处于早期阶段，相对较小。例如，人工智能在2016年吸引了2%至3%的风险投资，而信息技术总体上吸收了60%的资金。2016年私募股权投资公司的所有投资中人工智能的比例也很小，只有1%到3%，但人工智能投资正在快速增长。从2013年到2016年，人工智能技术的外部投资复合年增长率接近40%。相比之下，2010年至2013年这一比例为30%。

不仅交易规模越来越大，而且融资需求也越来越少。这表明投资者对该行业越来越有信心，并可能对该技术及其潜力有更深入的了解。然而，在很大程度上，投资者仍对他们的投资回报抱观望态度。根据PitchBook的数据，只有10%的初创公司认为机器学习是一项核心业务，它们会产生营收。其中，只有一半的公司收入超过5000万美元。

此外，外部投资仍高度地理集中，由美国和中国的一些科技中心主导，欧洲则远远落后。

已经在数字前沿领域的企业和行业正在采用人工智能，但其他一些公司则不愿采取行动，因为投资者正在向人工智能公司投入数十亿美元，他们希望人工智能市场能够迅速发展，并愿意为人工智能基础设施、平台和服务付费。

显然，亚马逊、谷歌和其他数字原生代都在为自己的应用程序投资，比如优化搜索和个性化营销。但是，要想了解医疗保健、零售和电信等传统公司在人工智能领域的支出情况，并不容易。出于这个原因，我们进行了一项调查，以更深入地了解这种情况。

总体而言，很少有公司在规模上将人工智能纳入其价值链。就算有，大多数对人工智能技术有所了解的公司也仍处于试验阶段或试点阶段。事实上，在3073名受访者中，只有20%的人表示他们已经对人工智能的研究有了一定规模，或在核心业务中采用了一种或更多的与人工智能相关的技术。

16%的受访者称采用了超过两种技术，而其中只有9%的人表示采用机器学习。虽然数字小的可怜，但是这甚至还可能夸大了对人工智能的商业需求。

我们对全球160多个行业用例的审查发现，只有12%的案例从实验阶段迈出向下一阶段。如果从商业角度进行考虑，那就可以解释为什么有些公司不愿意采取行动。在我们的调查中，低回报或不确定的回报是很多公司，尤其是小公司不采纳的主要原因。因此对监管也变的更加重要。

人工智能的早期模式的六个特点

与每一波新技术浪潮一样，我们希望看到行业和公司的早期和晚期采用者的模式。我们发现了人工智能的早期模式的六个特点，这与公司最近采用的数字技术方式基本一致。并非巧合的是，在早期的数字化浪潮中的参与者同样也会在人工智能浪潮中领先。

第一个特点是，早期的采纳人工智能的人们大多来自已经大规模投资相关技术的行业，比如云服务和大数据。这些行业也处于数字化资产使用的前沿。这是一个至关重要的发现，因为它表明，有限的证据证明各行业和公司在数字化的过程中正在迎头赶上，每个新一代的科技都建立在之前的技术基础之上。

其次，独立于行业之外，大公司往往会以更快的速度大规模投资人工智能领域。这也是数字化普及的典型特征，例如，中小企业在投资新技术方面往往落后于其它企业。

第三，早期采用AI的人们并不是专业只从事一种技术的。当他们同时使用多个人工智能工具处理多个不同的对象时，他们不自觉的就传播了AI的使用。

第四，大规模上进行投资的企业与其核心业务关系密切。

第五，大规模投资的早期采纳者往往更倾向于受人工智能的积极增长潜力的驱动，因为人工智能有很大的潜力帮助削减成本。人工智能不仅可以用于过程的自动化，还能用于创新主要产品和服务。对于数字技术的早期使用者来说，这种情况表明，以人工智能驱动的创新将成为生产效率的新来源，并可能进一步扩大高绩效企业与落后企业之间的生产效率和收入差距。

最后一个，强大的经营团队与更加强大的人工智能系统携手并进。来自大规模成功部署人工智能技术的公司的受访者对公司管理层的支持度，几乎是那些没有采用人工智能技术的公司的两倍。

早期采用AI的行业更类似于数字化前沿行业

现在人工智能的应用安装情况非常不均衡，反映了更广泛的数字化普及的许多特征。我们的调查发现，过去采用数字化技术的大公司和行业更有可能安装人工智能技术。对他们来说，人工智能是下一波数字化浪潮。

在推广一项技术的过程中，这种方式并不新鲜——我们曾在使用企业社交技术的企业中发现类似的行为，但这意味着，至少在不久的将来，人工智能的部署很可能会在数字化前沿加速发展，从而扩大在企业、行业和地理区域之间的使用者和落后者之间的差距。

主要行业包括麦肯锡行业数字化指标判定正处在数字前沿领域的，是高科技、电信和金融服务等行业，它们有着悠久的数字化投资历史。他们一直是开发或使用数字化工具的先行者，它们的数字化工具既为自己的核心产品提供服务，也为优化业务。然而，与整体数字化相比，在人工智能的使用度上，即使是这些行业也远远落在后面。

汽车和组装业排名也很靠前。它是首批在制造业大规模使用先进机器人技术的行业之一，如今也在使用人工智能技术开发自动驾驶汽车。

排名中间的就是一些没怎么实施数字化的行业了，其中包括资源和公用事业、个人和专业服务、建筑材料和建筑等数字化产业。综合因素可以解释这一点。除了一些专业服务行业和大型建筑公司以外，这些行业的普遍会比较缓慢地接受使用数字化工具。它们也是创新和生产效率增长滞后的行业，这在一定程度上可能是由于它们过于关注国内的经营情况。其中一些行业的有很多的小公司——这是人工智能使用度的一个重要预测标志。

目前，排在最后的是在传统意义上很少踏足数字化领域的教育和医疗保健等行业。尽管在这些行业中，尖端的人工智能应用有了充分的宣传，但现实情况是，到目前为止，这一应用的普及程度似乎很低。较低的使用量反映了这些行业面临的特殊挑战。例如，在医疗保健领域，从业者和管理者都承认人工智能可以降低成本，但他们很快补充说，他们认为，监管方面的担忧和客户的接受程度将会抑制行业内使用人工智能。

使用人工智能，越大越大胆

按照IT行业的规律来说，应用人工智能的一个格式化的事实是，大公司通常是创新技术的早期应用者，相比起来，小公司更不愿意成为第一个吃螃蟹的人。当我们看到人工智能的时候，我们发现同样的数字化鸿沟：大公司拥有更超前的使用率和使用意识。在所有行业中，大公司——我们将其定义为拥有500多名员工的公司——至少比小型公司更有可能在规模或核心业务中多采用至少一种人工智能技术。在人工智能使用率较低的行业，大公司的使用率高达小公司的300%。

其他数字化指标反映了这一事实，正如麦肯锡的数据所强调的那样。规模较大的公司通常能够获得更多结构更好的数据，而且更有可能拥有具备了解商业情景必备IT技术的员工，从而成功吸引供应商。大公司也有优势，因为当应用于更大的成本和收入基础上时，人工智能所需要的固定成本投资往往会产生更高的回报。

尽管如此，我们还是在一些较小的公司中找到了成功的案例。相对于较大的公司，它们可以受益于未完善的IT系统中较少的问题，以及较低的组织抵制变革的能力。小公司也可以从提供服务的人工智能工具中受益。

早期的AI用户倾向于成为规模化的使用者

我们研究了公司如何在八个不同的应用领域和五种技术系统中部署人工智能。我们的结果表明，早期应用的公司最开始同时采用多种不同的人工智能工具，而不是专注于某一特定的技术。这与其他数字化技术的应用模式是一致的。

多技术同时应用的现象在行业层面一直存在。对某一种技术应用率高的行业，对其他技术的应用率同样很高。比如，高科技和电子通信在所有取样的五家科技集团中的科技使用率都是最高的，而在对于五家科技公司，建筑行业的应用比例是最低的。

然而，也有一些异常现象。教育和医疗保健在应用人工智能技术方面进展缓慢。在前沿领域——那些在早期使用者中比例相对较高的公司——有三分之二在已经应用了八种人工智能技术中一种的基础上至少也应用了另外两种技术。在医疗保健领域，只有三分之一的人懂得最有可能在大规模或核心业务范围内进行部署的技术语言。             

用户将人工智能与其价值核心紧密相连

人工智能技术在整个价值链都找到了应用之处，其中价值链的某些部分得到了较多的AI应用，而另一些部分则应用较少。例如，客户服务功能（如销售和市场营销），运营和产品开发，都倾向于使用最常见的人工智能应用程序。相比之下，金融管理的AI应用却远远落后。事实上大数据也有相似的应用规律，我们根据文献了解到，最频繁的大数据应用在于销售和营销。

总的来说，被调查的公司表示，他们倾向于在价值链的核心部分采用人工智能技术。例如，运对于汽车和装配线、消费品包装行业以及公用事业和资源领域来说是价值链的核心部分，运营和客户服务是金融服务最重要的领域。这是新的应用。在此之前，新的数字技术往往难以给公司带来利润，因此并非公司的核心业务。

然而，正如科技的发展趋势一样，我们也发现，随着人工智能的普及，AI应用的行业深度和广度也在不断扩大。领先的行业不仅更广泛地将人工智能应用于价值链的核心部分，而且开始探索人工智能在价值链其他部分的应用。

AI的实践者期待人工智能有助于公司降低成本，而AI的早期采用者早已看到了营收的不断增长。

而随着企业对人工智能逐渐熟悉，他们对人工智能的看法也会发生变化。调查分析结果显示，早期的人工智能采用者是被人工智能有助于增加收入和市场份额所吸引的，而其降低成本的潜力倒是次要的。在我们选中的先进AI应用者中，使用AI来增长市场的公司比单纯实践AI的公司要多27%，使用AI来增加市场份额的公司比单纯实践AI的公司要多52%。而单纯的AI实践者，则更看重成本，他们减少AI实验成本的可能性比早期的AI采用者高出了23%，而减少非实验成本的可能性则比早期的AI采用者高出了38%。

换句话说，当公司越来越熟悉人工智能，它们从中所看到的增长潜力就越来越大。而在AI上经验较少的公司往往只关注降低成本。第三章将进一步讨论这个问题。

人工智能不仅仅是技术的采用，还涉及到企业的接受程度。

要想企业成功的接受AI，人工智能的普及需要得到高管团队的支持，才能克服公司员工不愿改变现状的惰性。

根据我们的调查，成功的人工智能采用者对这项新技术有着强大的执行领导能力。那些在规模上成功部署人工智能技术的典型公司，相对于那些没有采用任何人工智能技术的公司，前者的公司高层提供的支持是后者的两倍。

他们补充说，这些成功部署人工智能的公司，背后强有力的支持不仅来自首席执行官、首席技术官、首席信息官等，而是来自其他所有高级别的管理层和董事会。另外，他们还调整了公司的策略，以积极主动地向人工智能发展。详情请见第二章。

人工智能的下一个挑战：让用户适应并采纳

IT行业分析师认为，在未来三年内，人工智能技术的市场规模将实现强劲增长。我们调查的大多数公司预计将在未来3年增加人工智能方面的支出，另一调查的结果相应了这一预测，在经济学人智库调查的203名高管中，有75%的人表示，在三年内，公司会“积极地实施”人工智能。而有3%的人表示公司已经积极应用了人工智能。

这种增长将会有多大的影响？人们的预期各有不同。我们的调查记录了相对保守的增长预测——只有五分之一的公司预计会在人工智能上增加10%以上的支出。行业分析师对复合年增长率的预测从略低于20%，到接近63%，其中包括了新创公司来应用人工智能，以及公司内部增加的支出。而实际的增长率只有达到这一区间的顶端时，才能满足涌入该行业的投资者的预期。

实际的增长率将取决于行业和企业能否克服技术、商业和监管方面的挑战。我们的受访者和外部预测人士预计，金融服务、零售、医疗保健和先进制造业将成为人工智能的先锋。这些行业的技术可行性相对较高（在当今市场的案例研究中反映出来），在人工智能方面的商业案例也最为引人注目。它们也是迄今为止数字化普及程度最高的行业，这也是人工智能的一个关键基础。

技术上的挑战是行业间发展差异的一个重要因素。尽管大型科技和学术机构正在推动基础技术的发展，但实际应用中的工程解决方案需要针对特定的用例而定制解决，这既需要数据，也需要人才。金融服务、高科技和电信等行业产生并存储了大量结构化数据，但其它行业，例如建筑和旅行，则远远落后。

商业驱动因素也对行业间的发展差异有所影响。在规模上，最有可能引领人工智能技术发展的行业是那些在运营和地理方面都很复杂的企业，此类公司的业务表现是由预测性的、快速和准确的决策，或者个性化的客户关系驱动的。在金融服务领域，公司显然会受益于人工智能优化的欺诈监测系统，这样的系统提高了准确性和速度，预计2020年的市场规模将达到30亿美元。

我们探讨了这些商业驱动力如何在其他行业发挥作用。例如，在零售业，提高库存预测准确度、实现自动化客户操作和高度定制化的营销活动，都对行业极有助益。同样，在医疗保健领域，基于人工智能的诊断和治疗系统既可以节约成本，也可以为病人带来更好的诊疗结果。

即使公司渴望应用这些亮眼的商业案例，但监管和社会障碍也会阻碍其发展，提高应用成本，减缓人工智能的实现速度，产品的不利因素是其中之一，这对汽车制造商和其他制造商来说是尤其棘手的问题。隐私方面的考虑限制了对数据的访问，而且数据的访问通常要求在研究使用之前匿名进行数据处理。另外，诸如训练中的偏见和算法透明度等道德问题仍未得到解决。

人工智能还需要引导着学习卫生保健和教育等必须的人际关系概念。就业安全方面的担忧也可能会限制市场的增长——目前已经有人呼吁对机器人征税。

这些因素将决定人工智能最有可能改变的行业。然而，如果目前的趋势保持不变，行业内的采用率差异将会比行业间采用率的差异更大。我们预计，数字体验最完善的大公司将成为第一批推动者，因为它们可以利用自己的技术技能、数字化专长和数据资源，开发并顺利整合最合适的人工智能解决方案。

在经历了几十年的失败后，人工智能正处于一种突破的边缘，机器学习推动了最新的进展。科技巨头和成熟的数字化公司正在大规模地投资和部署这一技术，但不太成熟的行业和公司则落后了。

尽管人工智能的投资与采用率之间并不平衡，但这并没有阻止人工智能进一步发展，并企图创造能改变企业和整个行业的未来。

如需查看Mckinsey研究全文请点击阅读原文

本文由网易见外智能编译平台提供翻译服务

转载需获得网易智能授权，违者必究。