【麦肯锡】政策制定者必读的AI报告：人工智能时代应解决这三件事
2018年10月，麦肯锡发布报告《The promise and challenge of the age of artificial intelligence》（人工智能时代的承诺与挑战）。本报告汇集了麦肯锡全球研究院对人工智能（AI）技术及其用途、局限性和影响的各种研究结果。报告总结了面对人工智能，政策制定者和商业领袖需要解决的一系列问题，以缓和过渡过程中伴随其采用可能带来的破坏性。
现由学术plus编译，仅供参考。文章版权归原作者所有，观点不代表本机构立场。
麦肯锡：人工智能时代的承诺与挑战
The promise and challenge of the age of artificial intelligence
来源： https://www.mckinsey.com
作者：plus评论员 张涛
报告中指出，人工智能的时代可能终于来临，但需要更多的改进，通过提高生产力和创新，企业和各经济体才能从人工智能中受益。人工智能和自动化将对工作产生深远的影响，在带来社会效益的同时带来挑战，包括意外后果、滥用、算法偏见以及有关数据隐私问题等。应该鼓励企业领导者和政策制定者接受并采用人工智能。
与此同时，采用AI带来的潜在挑战，包括劳动力影响和其他社会问题也不容忽视。要实现AI良好结果需要注意三个方面的优先事项：
1. 积极应对AI部署的挑战；
2. 解决对未来工作的挑战；
3. AI为善和AI的责任挑战。
人工智能（AI）在在过去的60年的发展中不断地经历了“发展浪潮”和“寒冬”，AI的时代可能终于到来了。AI目前支持的应用遍及我们的日常生活，有面部识别、语言翻译、以及Siri和Alexa等智能助手。随着这些消费者应用程序的出现，越来越多的企业开始应用AI。AI的应用科研促进生产力的增长和创新，为企业和经济带来可观的利益。同时也对工作产生了深远的影响，对技能要求较少的职业需求量将下降，而其他职业的需求则会较少并随着技术的发展而变化。
本报告将麦肯锡全球研究所的各种研究结果总结为人工智能技术及其用途、局限性和影响，报告总结了政策制定者和企业需要解决的一系列问题，以缓和可能伴随产生的破坏性转型。
报告包括以下几个部分:
AI时代可能已经来到，但仍需更多努力
AI’s time may have finally come, but more progress is needed
人工智能经过60余年的发展，仍没有完成许多预期的功能，比如如何准确地描述人类智能。近年来机器学习算法已经取得了很大的进展，尤其是基于神经网络的深度学习和强化学习技术的发展。
尽管人工智能技术取得了巨大的进展，但仍有许多需要解决的难题。到目前为止，大多数进展都发生在所谓的“狭义AI（narrow AI）”领域，即开发机器学习技术来解决特定问题，例如自然语言处理中的问题。更难的问题被称为“通用智能（artificial general intelligence）”，其中的挑战是如何开发出与人类相同的方式来解决一般问题的人工智能。许多研究人员认为距离通用智能的实现还需要几十年。
深度学习和机器学习技术正驱动AI的发展
许多AI领域的进展都是基于人工神经网络的深度学习领域的进展。这些AI系统松散地模拟了大脑中神经元相互作用的方式。
机器学习有：有监督学习、无监督学习和强化学习。当前许多AI应用的实例都是有监督学习的应用。在有监督学习中，一般使用有标记数据和首选输出变量，训练的数据用于帮助系统学习给定的输入和输出的关系，比如识别图像中的物体或转录人类的演讲。
无监督学习是用没有标记的训练数据来在给定的数据中检测出模式或聚类，比如检测出具有相似建筑风格的建筑物。强化学习系统通过评分系统、接收反馈（虚拟的“奖励”或“惩罚”）和反复试验来训练系统。
当前技术的局限以及新技术的出现
尽管新技术正不断出现并解决人工智能应用中一些现实中的挑战，但人工智能仍然面临许多实际的挑战。机器学习需要大量的人力来标记监督学习所必需的训练数据。在自然使用过程中用于数据标记的流内监督（In-stream supervision）和其他技术可以帮助缓解这个问题。
用于训练的数据集的量必须要足够大，而且数据需要比较全面，而获取这样的数据集是非常有挑战的，比如创建或获得足够的临床试验数据以更准确地预测医疗保健治疗结果。
深度学习技术的“黑盒”复杂性带来了另一个挑战——“可解释性”，或哪些因素影响了决策或预测的产生，以及如何影响。这在信任事项和预测具有社会影响的应用中尤为重要，比如刑事司法应用或金融借贷。包括当地可解释的模型——不可知解释（LIME）等一些新生方法的出现都是为了提高模型的透明度。
另一个挑战是如何建立广义的学习技术，因为人工智能技术在将经验从一种情况转移到另一种情况时仍然存在困难。迁移学习（transfer learning），是指训练AI模型以完成某项特定任务，然后快速将该模型应用于类似的其他活动，是应对这一挑战的一种极具潜力的方法。
企业可以从AI中受益
Businesses stand to benefit from AI
人工智能在消费者应用中越来越普遍，也有企业开始在其运营过程中采用AI技术，有时甚至会产生意外的结果。
人工智能可能跨越行业和职能部门
AI可用于改善企业的整体能力，包括预测性维护，比如深度学习能够从音频和图像中分析大量高维数据，从而有效地检测工厂装配线或飞机引擎中的异常情况；在物流方面，AI可以优化运送路径，提高燃油效率并缩短交货时间。从营销到供应链管理，在所有经济部门和多种业务功能中都可以找到AI的应用。在许多AI用例中，深度学习技术主要是通过改进传统分析技术来增加价值。
研究人员对19个行业和9个业务功能中的400多个用例进行了分析，发现AI在69％的潜在用例中改进了传统分析技术，还有16％的人工智能用例中找到了AI的“greenfield”（绿灯区）解决方案，可以解决其他分析方法无效的情况。研究预计基于人工神经网络的深度学习技术到2030年可以提供所有分析技术总潜在价值的40％。此外，研究人员预估深度学习技术每年可以实现高达6万亿美元的价值。
截止目前，不同企业和行业的应用是不平衡的
尽管许多组织已开始开始采用人工智能，但采用的速度和程度并不均衡。2018年，麦肯锡在一项关于人工智能采用的调查中，将近一半的受访者表示，他们的公司在其业务流程中至少使用了一项人工智能技术，另有30％的企业正在试用人工智能。尽管如此，只有21％的受访者表示他们的企业已将AI嵌入到业务的多个部分中，仅有3％的大型公司称已将AI整合到其整个企业工作流程中。其他调查显示，早期人工智能技术的采用者倾向于考虑更广泛的使用这些技术，以增加市场份额，而经验较少的公司更倾向于降低成本。高度数字化的公司倾向于在人工智能方面投入更多资金，并从其使用中获得更大的价值。
应用存在挑战
许多公司和部门在人工智能的采用方面是落后的。因此需要制定具有明确利益的人工智能战略，寻找具有适当技能的人才，克服限制端到端部署的功能孤岛（functional silos），以及领导者缺乏对AI的所有权和承诺，这也是最常被引用的障碍。
在战略方面，企业需要开发企业范围内令人信服的人工智能机会的观点，这可能会改变他们当前业务流程的一部分。企业需要强大的数据捕获和治理流程的功能，并要能够构建或访问必要的基础设施。更具挑战性的是克服“最后一公里”问题，即确保人工智能提供的卓越见解能够融入到企业的人员和流程中。
在人才方面，深层神经网络的大部分构建和优化仍然是一门需要真正专业知识的艺术。但对这些技能的需求远远供不应求，预计只有不到1万人拥有解决严重AI问题所需的技能，而且竞争也非常激烈。选择建立自己的人工智能解决方案的公司需要考虑其是否有能力吸引和留住具有相应专业技能的员工。
通过提高生产力和创新，经济体也可以从人工智能中受益
Economies also stand to benefit from AI, through increased productivity and innovation
人工智能和自动化技术的部署可以为提升全球经济和促进全球繁荣做出很大贡献。 在老龄化和出生率不断下降的时期，生产率增长对长期的经济增长来说尤其重要。 近年来，发达经济体的生产率增长也一直比较低迷，与以前的通用技术相似，AI可以为提高生产力做出贡献。
人工智能可以通过各种渠道促进经济
人工智能最大的经济影响可能是通过劳动力市场效应来提高生产率，包括替代、增加和对劳动生产率的贡献。
研究表明，劳动力替代可能不到总收益的一半。人工智能可以增强人的综合能力，释放工人从事更高效和更高价值的任务，并增加对与AI技术相关的工作的需求。
人工智能还可以促进创新，使企业能够通过现有产品更有效地到达服务欠缺的市场来创造全新的产品和服务。人工智能还将创造积极的外部效应，促进更有效的跨境贸易，并扩大对有价值的跨境数据流的使用。经济活动和收入的增加可以再投资于经济，有助于未来进一步的增长。
人工智能的部署也会带来一些负面效应，这些外部因素可能会降低积极的经济影响，但不会抵消。在经济方面，负面效应包括竞争的加剧，将市场份额从非采用者转移为领先者，与管理劳动力市场转型相关的成本，以及失业期间公民的潜在消费损失，以及部署AI系统的过渡和实施成本。
不同国家的AI准备度不同
研究表明，创新和获得必要的人力资本技能的能力将是最重要的促成因素，而AI的竞争力可能是影响未来GDP增长的重要因素。
引领人工智能竞争的国家具有独特的优势，以区别其他国家。规模效应可以实现更大的投资，网络效应可以使这些经济体能够吸引更多人工智能所需的人才。目前，中国和美国是大多数与人工智能相关的研究活动和投资的引领者。
第二梯队国家包括德国、日本、加拿大和英国，这些国家都具有推动大规模创新的历史，并可能帮助加速人工智能解决方案的商业化。比利时、新加坡、韩国和瑞典等规模较小的全球连通经济体在培养新型商业模式蓬勃发展的生产环境方面也取得了很好的成绩。
第三梯队国家包括巴西、印度、意大利和马来西亚等，这些国家虽然处于相对较弱的起始位置，但在特定领域具有相对优势。以印度为例，每年有大约170万名毕业生获得STEM学位，超过所有G7国家的STEM毕业生总数。
其他国家的数字基础设施、创新和投资能力相对不发达，数字技能相对落后，落后于第一二三梯队国家。
人工智能和自动化将对工作产生深远的影响
AI and automation will have a profound impact on work
即使人工智能和自动化为企业和经济带来了很大的利益，但预期会对工作造成重大干扰性的影响。
大约有一半的工作活动（不是工作）是技术上可自动化的
通过对“自动化和人工智能对工作的影响”的分析表明，一些类别的活动在技术上比其他活动更易自动化。其中包括高度可预测和结构化环境中的物理活动以及数据收集和数据处理等，这类工作大约占据了所有部门开展的日常工作的总数的一半。
最不易受影响的种类包括管理他人、提供专业知识以及与利益相关者交互的工作。高度自动化活动的密度与国家、部门、职业都有关系。研究发现，60％的职业中有约30％的活动是可以自动化的，只有约5％的职业中几乎所有活动都是可以自动化的。换句话说，更多的职业将部分自动化而不是全部自动化。
对工作的三个影响：失业，就业增加，改变就业机会
采用自动化并影响实际工作的速度和程度将取决于技术可行性之外的若干因素，包括部署和采用的成本，以及包括劳动力供应数量、质量和相关工资在内的劳动力市场动态。劳动力因素是导致发达经济体和发展中经济差别的主要因素。
鉴于所有这些因素的相互作用，很难做出预测但可以开发出不同的情景。
首先是失业问题。2016年至2030年的中点应用场景（midpoint adoption scenario）表明，约有15％的全球劳动力（4亿工人）可以通过自动化取代。
第二是获得的就业机会。我们根据预期的生产率增长和考虑工作需求的几个驱动因素，制定了2030年的劳动力需求情景。这些驱动因素包括收入增加（尤其是新兴经济体的收入增长），以及人口老龄化、基础设施和建筑投资、能源转型支出以及技术开发和部署支出增加的医疗支出。
通过这些因素和其他催化剂获得的就业岗位数量大约在5.55亿至8.9亿之间，约占全球劳动力的21％至33％。也就是说，除极端情况外，工作需求的增长将抵消自动化失去的工作岗位的数量。然而，在许多拥有年轻人口的新兴经济体中，为进入劳动力市场的工人提供就业机会已经极具挑战性在发达经济体中，失去的工作与创造的工作之间的大致平衡也是老龄化的结果，因此进入劳动力市场的人数减少了。
随着机器越来越多地进入工作场所，人类的工作岗位也会发生变化。由于前面提到的自动化，我们的工作也会发生变化，受到变化影响的工作比造成的失业更多。
劳动力转型非常重要
即使在2030年人们有足够的工作，但伴随自动化和人工智能应用带来的工作转变也是非常重要的。
首先，数百万工人可能需要改变职业。其中一些改变将发生在公司和部门内部，但大多数的变化将发生在部门甚至地区间。虽然在高度结构化的环境和数据处理中的物理活动相关的职业将会减少，但其他难以自动化的相关职业数量将会增长。这些职业包括经理、教师、护士、技术和其他专业人士，以及在特殊环境中工作的工人。这些变化可能并不顺畅，可能导致失业率的上升。
其次，工人在未来的工作中需要掌握不同的技能才能生存。对沟通和同理心等社交和情感技能的需求也会同时增长。自动化也将促进更高认知技能的需求，特别是批判性思维、创造力和复杂信息处理能力；反之，对物理性和手工技能的需求将下降，但在许多国家，这些物理性和手工技能仍将是2030年需求最大的一类劳动力技能。技能转变的步伐一直在不断加速，这可能会导致对某些技能的过度需求和对其他技能的过度供应，造成一种供需不平衡的现象。
第三，随着越来越多的机器与人一起工作，工作场所和工作流程也会发生变化。 例如，随着商店引入自助结账机器，收银员将从扫描商品的工作流程转移到为顾客回答问题或对机器故障排除。
最后，自动化可能会对发达经济体的平均工资带来一定的压力。目前发达经济体的许多中等工资岗位都是可以高度自动化的活动，其次是制造业和会计等领域。高薪工作岗位将大幅增加，特别是对于高技能医疗和技术或其他专业人员。然而预期创造的大部分工作岗位通常工资结构都比较低，比如教师和护理助理。
鉴于现有技能短缺和教育体系受到挑战，以及在职培训和工人过渡支持支出下降的趋势，许多经济体（尤其是经合组织国家）在解决这些转变的过程中，都陷入了困境。还有许多经济体正在经历收入不平等和工资两极分化的问题。
人工智能还将带来社会效益和挑战
AI will also bring both societal benefits and challenges
除了经济利益和挑战外，人工智能还将以积极的方式影响社会，因为人工智能有助于解决从健康和营养到平等和包容在内的社会挑战。但人工智能也会引入滥用等需要解决的新问题。
人工智能可以帮助解决一些社会最紧迫的挑战
通过将常规工作、不安全的活动以及人类容易出现人为错误的活动自动化，人工智能可以提高人们的工作效率，使人们的生活和工作更加安全和高效。一项针对美国的研究预测，用更精确的自动驾驶汽车取代人类驾驶员可以减少事故发生率，每年挽救数以千计的人类生命。
人工智能可以减少人类在海上石油钻井平台和煤矿等不安全环境中工作的需求。DARPA就正在测试可以部署在灾区的小型机器人，以减少人类可能受到的伤害。还有一些相关的AI功能。比如对手机拍摄的皮肤照片进行图像识别和分类可以评估痣是否是癌症，以促进疾病的早期诊断，缓解皮肤科医生诊疗病人数有限的问题。物体检测可以通过识别汽车和灯柱等障碍物，帮助视障人士导航和与环境互动。利用自然语言处理监测和分析短信可用于跟踪疾病爆发。
AI需要解决包括意外后果、滥用、算法偏见以及数据隐私问题在内的社会问题
从经济角度来看，需要解决个人、企业、部门甚至国家之间日益扩大的经济差距的难题，这些差距可能会成为部署的意外后果。其他受关注的领域包括人工智能的使用和滥用。范围包括从监视和军事应用的使用到社交媒体和政治中的使用，以及具有社会效应的领域，例如刑事司法系统。我们还必须考虑人工智能技术被恶意滥用的潜在可能性，比如在网络安全领域。
算法以及用于训练算法的数据可能会引入新的偏见，或使现有的社会和程序偏见长期存在并制度化。例如，开发者利用有限的面部群体样本训练的面部识别模型可能无法应用于更广泛的人群。
数据隐私和个人信息的使用也是AI发展必须要解决的关键问题。欧洲通过“通用数据保护条例”在这一领域处于领先地位，该条例对数据收集提出了更严格的同意要求，为用户提供了被遗忘权和反对的权利，并加强了对收集、控制和处理的组织的监督，并对未遵守规定的企业处以罚款。网络安全和深度伪造技术可能会被用于操纵选举结果或进行大规模欺诈活动，也是亟需解决的问题。
需要优先考虑的三件事
Three priorities for achieving good outcomes
人工智能对企业和经济的潜在好处以及技术应对某些社会挑战的方式，应鼓励企业领导者和政策制定者接受并应用人工智能技术。与此同时，人工智能技术的潜在挑战也不容忽视，包括劳动力影响和其他社会问题。 亟需解决的主要挑战包括：
应用挑战
考虑到人工智能带来的商业价值，以及对经济增长和社会利益的潜在好处，我们有兴趣拥抱人工智能。企业和国家有强烈的意愿追随美国和中国等全球领导者的步伐。人工智能应用的增加和广泛部署需要技术进步作为基础，并确保所有潜在用户都可以从AI中受益。可能需要的措施包括：
1. 进一步投资并继续推进人工智能研究和创新，确保所有人都能分享AI红利。
2. 扩大可用数据集的范围，尤其是在其对经济和社会带来更广泛利益的领域。
3. 投资人工智能相关的人力资本和基础设施，以扩大能够创建和执行人工智能解决方案的人才基础，以跟上全球人工智能领导者的步伐。
4. 鼓励企业领导者和政策制定者提高对AI技术的认识，以指导其决策。
5. 支持现有的为组织和国家的最终AI部署奠定基础的数字化工作。
未来的就业挑战
从解决自动化带来的潜在破坏性影响出发，就是要确保经济和生产力的增长，这也是就业增长和日益繁荣的先决条件。政府还需要培养商业活力，因为创业和更快速的新业务的形成不仅可以提高生产力，还可以推动创造就业机会。解决与技能、工作和工资相关的问题需要采取更具针对性的措施。包括：
1. 通过关注STEM技能以及创造力、批判性思维和终身学习来不断发展教育系统和变革学习场所。
2. 鼓励私人和公共部门对人力资本的投资，可以通过类似于研发投资的激励和信贷来实现。
3. 通过支持更好的资格认证和匹配以及支持各种形式的工作来改善劳动力市场活力。
4. 重新思考收入问题，除了考虑金钱外，还要考虑工作的意义和尊严等因素。
5. 借鉴世界各地的最佳做法和新方法，重新考虑受影响工人的过渡支持和安全网（safety net）。
AI的责任挑战
如果公众因人工智能侵犯隐私、存在偏见或被恶意使用而对人工智能失去信心，或将不平等的加剧归咎于人工智能，那么人工智能将不会履行其承诺。在解决滥用问题的同时应该建立对其为善能力的信心。具体方法包括：
1. 加强消费者、数据、隐私和安全保护。
2. 建立一个共享的通用框架和一套有益和安全使用AI的原则。
3. 共享最佳实践和持续创新以解决安全性，偏见和可解释性等问题。
4. 在业务和国家竞赛中取得适当平衡，以引领AI，确保人工智能的优势得到广泛应用和共享。
（全文完）
点击阅读原文查看完整报告
声明：版权归原作者所有。文章观点不代表本机构立场。
《中国电子科学研究院学报》欢迎各位专家、学者赐稿！投稿链接
http://kjpl.cbpt.cnki.net
学报电话：010-68893411
学报邮箱：dkyxuebao@vip.126.com