889
机器人
从畅想到行动：最 in 人工智能研究报告商评首发
商评编者按
人们对人工智能（AI）抱有很高的期待，但企业目前的实施情况如何？
为了解企业在应用AI上的机遇和挑战，《MIT斯隆管理评论》与波士顿咨询公司（BCG）合作，调查了全世界112个国家、21个行业的3000多位高管、管理者和分析人员，深度采访了30多名技术专家和高管，以真实数据为基础，撰写了这篇研究报告。
《商业评论》作为《MIT斯隆管理评论》中国版权独家合作伙伴独家首发。
理想与现实的差距
对于AI，多数公司的想法和实际执行相差甚远。
3/4的高管认为，AI可以让公司发展新业务。近85%的受访者认为AI能让公司获得或保持竞争优势。但只有约1/5的公司将AI应用于部分产品、服务或流程中。只有1/20的公司将AI广泛应用于产品、服务或流程。制定好了AI战略的公司不到39%。
员工人数超过10万的大公司应当制定AI战略，但在这部分公司中这样做了的只有一半。
人工智能的作用
空中客车公司（Airbus，下称“空客”）开始提升新的A350机型产量，公司面临数十亿欧元的挑战。
它开始采用人工智能，将过去生产项目中的数据与当前A350生产项目中提供的实时数据相结合，通过模糊匹配和自主学习算法发现生产问题的规律。
在某些领域，这套系统为约70%的生产故障匹配到了之前用过的解决方案，速度近乎实时。
AI令空客应对业务问题的速度更快，效率提升，优于之前的其他方法。正如空客这个例子所显示的，善于利用AI的领先者组织可以凭借AI能力实现新的、更好的流程，得到更好的结果。
IT
业务流程外包提供商为AI可能的应用提供了一个例子。
印孚瑟斯（Infosys）重视的IT服务行业，在过去二十多年里有了巨大的发展，”印孚瑟斯执行副主席史维学（Vishal Sikka）说，“很多外包给人工成本较低的国家的工作都比较机械，比如系统管理、IT管理、业务操作和验证。现在有了AI技术，我们的系统可以承担的这类工作就增加了。我们还在初期阶段，这类工作只有一部分实现了自动化，但在未来几年里，我们可以将大部分乃至全部重复机械的工作实现自动化。AI技术不仅可以自动完成目前一些步骤清晰的工作，也给以前不存在的突破性新工作创造了机会。
运营和制造
工业企业高管认为受人工智能影响最大的领域是运营和制造。例如英国石油公司（BP）用AI作为人工的辅助，改进现场操作。
上游技术全球负责人艾哈迈德·哈什米（Ahmed Hashmi）说：
我们设有BP Well Advisor人工智能顾问，收集钻井系统的所有数据，为工程师提供建议，调整钻井参数，保持在最佳操作区，并提醒工程师注意过程中潜在的操作问题。我们还尝试将根源问题分析交给人工智能，让系统自我学习，有能力迅速做出评估，从描述问题进化到预测问题，再到诊断问题。
面向客户的活动
中国第二大保险商平安保险公司，市值1,200亿美元，运用AI改进保险及金融的客户服务。
例如，该公司现在提供三分钟在线贷款，部分依赖于一套客户打分工具，具备内部开发的AI人脸识别功能，准确度比人类更高。这套工具验证过的人脸超过3亿，与该公司的语音和图像识别功能互补。
人工智能应用和理解的差异
各企业应用AI的差距可能很大，特别是同一行业内。
例如，平安保险公司雇用了110位数据科学家，启动了约30个由CEO赞助的AI项目，在一定程度上支持其愿景“技术将会成为未来几年给公司带来收入增长的关键驱动力”，如公司首席创新官乔纳森·拉森（Jonathan Larsen）所说。
然而其他一些大型保险公司的AI项目仅限于“试验聊天机器人”，这是某家西方保险公司的高管描述自己所在公司AI项目的原话。两者形成鲜明对比。
将调查结果与有关AI理解和应用的问题结合在一起，我们将各组织根据AI能力分为了四类：先驱者（Pioneer）、研究者（Investigator）、试验者（Experimenter）、消极者（Passive）。
• 先驱者（19%）：了解并应用了AI的组织，走在将AI应用于产品或服务以及组织内部流程的前沿。
• 研究者（32%）：了解AI但只停留在试用阶段的组织，谨慎地研究AI可能会带来的影响。
• 试验者（13%）：试用或应用了AI但并未深入了解AI的组织，在实践中学习。
• 消极者（36%）：不应用也不了解AI的组织。
既然对AI的期待很高，许多组织将之视为机遇，那么一些组织不应用AI的原因何在？
难题并不是技术局限，而是在商业方面。受访者总体认为，相比于技术能力限制，与之竞争的其他投资重点和商业可行性论证不清晰更阻碍企业应用人工智能。
空客的埃文斯说出了这个重要的区别：“严格地讲，我们没有投资AI。我们没有投资自然语言处理，没有投资图像分析。我们一直在为某个业务问题投资。”空客采用AI，是因为AI解决了一个业务上的问题，投资AI是一种应对商业问题的有效方式。
UBS的斯迈尔斯提出，各组织面对的问题不尽相同。对于在位公司和金融科技创业公司，他说：“要开发价值惊人的平台，对公司规模有要求。规模达到这个程度的公司往往被旧有商业模式和体系束缚，难以发展更好的模式。而没有这种束缚的公司却又缺乏客户和相应的数据，难以充分把握机会。”这一类问题造成了AI应用率的差异。
应用人工智能的障碍
调查中各类组织反映的AI阻碍因素各不相同，且对AI应用情况有影响。先驱者已经克服了有关理解的问题：
这类公司有3/4找到了能够应用AI的实际业务场景，高管领导涉及整个组织的AI项目，它们最大的问题是如何高效地培养或寻找合适的AI人才，以及为AI争取投资。这部分公司也对应用AI带来的安全方面的顾虑更熟悉。
与之相比，消极者尚未发现AI在商业上的用途，没有找到符合投资标准的实际业务场景，领导层不会参与，技术是一大难题。许多公司甚至尚未意识到寻找和任命AI人才的困难。
以上四类组织最显着的差异，也许在于其对数据和AI算法之间重要的相互依存关系的理解。与消极者相比，了解训练算法过程的先驱者比消极者多12倍。
让AI产生商业价值，与高效训练AI算法直接相关。目前许多AI应用软件最初只是一种或多种基本算法，经过训练（主要是公司自身的数据）后才具备智能。
要想成功训练算法，组织要有健全的信息系统，将相关数据收集到一起。很多先驱者组织已经拥有了稳健的数据及分析系统，并对训练AI算法所需的数据有着广泛的了解。
与之相比，研究者和试验者则缺乏分析能力，大量数据难以集中。半数以上的先驱者组织在数据和训练方面大量投资，其他几类组织的投资情况远不如先驱者。例如，大量投资AI技术、训练AI算法所需的数据以及支持训练流程的研究者组织只有1/4。
对人工智能所需数据的误解
我们的研究发现了一些与数据有关的误解。其中一项误解是，复杂精密的AI算法不需要充足的数据就能提供有价值的商业解决方案。微软数据科学总监雅各布·斯波尔斯特拉（Jacob Spoelstra）说：
我觉得大家还不是很懂机器学习可以做什么。我们常看到的一种错误是，组织没有历史数据可供算法提取规律，于是算法无法提供稳妥的预测。
比如说，他们让我们制定预测性的维护解决方案，而我们发现他们的错误记录很少，甚至没有。他们希望AI预测将来会出现什么问题，却没有过去的例子可供AI学习。
算法再精密，没有过往数据也无计可施。组织要用AI提升业绩，理解这一点至关重要。
还有一些容易忽略的数据稀缺情况：只有好的结果不足以训练AI。助力产品开发的材料信息AI平台Citrine Informatics，运用从研究机构关系网络中得到的公开实验数据（多数是成功的实验）和非公开实验数据（包括失败的实验）。
平台联合创始人、首席科学官布赖斯•梅雷迪格（Bryce Meredig）说：“失败的实验数据几乎不会公开，但要建立公正全面的数据库，这部分数据不可或缺。”全面的数据让Citrine得以将特定应用的研发时间缩短了一半。
开发了Gore-Tex防水材料的戈尔公司（W. I. Gore & Associates）同样记录了创新过程中的成功和失败结果，因为他们知道，失败能够帮助他们（或者高层领导者和决策者）找到下一步应当探索的方向。
是自行开发，还是直接购买
公司投资新技术时往往面对一个老问题：是自制还是购买。
AI算法要用合适的数据加以训练，对这个决定有着广泛的影响。用AI创造价值，又比单纯为某个业务过程开发或者购买AI更加复杂。
训练AI算法涉及多种技能，要了解如何构建算法，如何收集和整合相关数据用于训练，如何监督算法训练过程。
斯吉安托说：“我们必须引入不同学科的人才。而且，我们当然需要机器学习与AI人才。能够全面领导这类团队的人才非常重要。”
先驱者十分依赖通过培训或招聘来培养内部能力。经验较少、比较不了解AI的组织更注重向外部寻求AI相关技能。不过，即使公司希望依赖外部支持，也需要内部有相应人员了解如何构建问题、处理数据并留意不断变化的机遇。
许多AI算法和工具已经存在于公共平台，如谷歌TensorFlow、GitHub，以及技术提供商的应用编程界面。霍维茨说：
因为自身有竞争空间，所以工具变得更加易于使用，参与了推广和使用这些工具的组织能够更好地发挥其性能。不是说组织不必配备相应的专业人员。
有了工具和服务，事情会变得简单，但组织自身依然要有机器学习和AI方面的专业人员，这很重要。
隐私和监管
构成AI的数据和算法不能只是准确高效，还要满足隐私和监管方面的要求。调查中仅有一半受访者表示自己所在行业有成型的数据隐私条款。
要确保数据隐私，应当有高效的数据治理方法和实践。先驱者公司（73%）拥有良好的数据治理的比例高于试验者（34%）和消极者（30%）。这个显着的差异说明了在发展AI能力上落后的公司面临的又一个障碍。
数据问题可以在监管程度较高的行业看到，比如保险，过去的保险模式基于风险分担机制，现在则转向综合预测具体风险元素的新方式。但一些属性是不可触及的禁区，例如，性别和宗教因素可以用来预测某些风险，但监管方不允许这类因素出现在应用软件和司法审判中。
其他金融市场的监管者对透明度也有严格的要求。富国银行（Wells Fargo）的斯吉安托说：
模型必须完全透明，随时接受监管者检查。我们没有选择机器学习作为最终模型，是因为监管规定常常要求解决方案再少一些‘黑箱’，有时候监管者可以看得非常清楚。
但我们用机器学习算法评估模型的非线性结构，加入变量和特征，而且以此对照传统模型的结果。
技术发展超过了消费者的期待与偏好，企业和公共部门更谨慎地应对AI项目涉及的隐私保护和客户服务。
一些金融服务提供商用声音识别技术，识别电话里的客户，节省验证身份的时间。客户并不排斥这种体验，部分原因是他们看重公司提供的服务，且信赖公司不会滥用相关技术和数据。
与之相似，某技术供应商提供基于AI的服务，运用实时声音数据情感分析，帮助客服中心识别客户是否生气。
然而，不久的将来可能会出现不那么受欢迎的用法。几年之后，中国的1.7亿个摄像头和美国的5000万个摄像头都可能用于识别人脸。事实上，这类用法已经在上海抓到了乱穿马路的行人。
对未来的影响
AI越来越多地应用于知识型工作，工作场所可能会发生重大转变，影响西方中产阶级的许多工作。
我们的调查结果与最近对AI取代人工的悲观预测相反，显示出谨慎的乐观。
多数受访者认为，未来五年里AI不会减少自己所在组织的工作岗位。近70%的受访者表示并不害怕AI取代自己的工作。希望AI帮助自己处理一些令人厌烦的任务的受访者比例与此近似。不过，受访者普遍同意，AI既要求员工在未来五年里学习新的技能，又会强化他们目前的能力。
综合来看，调查结果倾向于调整，而非消灭。MIT斯隆管理学院Schussel Family教席教授埃里克•布莱恩乔弗森（Erik Brynjolfsson）说：
即使AI迅速进步，也不可能迅速取代大部分工作。不过在几乎所有行业，都会有运用AI的人逐渐取代不用AI的人，这个趋势只会越来越快。
管理者希望目前AI相关产品或流程能有显着的改进，许多公司专注这个方面。然而改进无法创造可持续的竞争优势——如果每个人都达到同样的效率，基线就会改变。
要让AI成为未来战略的重要一环，公司必须设法让人类和电脑相互促进，创造竞争优势。
要做到这一点并不容易：
公司需要独占的数据权限，而我们看到现在许多公司做不到。
公司必须学习让人和机器高效合作，目前只有很少的几家先驱者公司具备这种能力。
公司还必须有灵活的组织结构，这意味着公司和员工都要应对文化上的转型。
如今几乎所有公司都需要应对AI的规划。多数公司并没有，已经落后的公司要努力赶上去。如果继续落后，这些公司会发现自己在行业内的处境越来越艰难。
作者简介：萨姆·兰斯博撒姆（Sam Ransbotham），波士顿学院卡罗尔商学院（Carroll School of Business）信息系统系副教授，《MIT斯隆管理评论》人工智能大思路项目（Artificial Intelligence Big Ideas Initiative）客座编辑。
戴维·吉隆（David Kiron），《MIT斯隆管理评论》主编。
菲利普·格伯特（Philipp Gerbert），波士顿咨询公司（BCG）德国慕尼黑办公室资深合伙人兼董事总经理，BCG数字化战略专题的全球负责人，BCG亨德森智库（Henderson Institute）研究成员，专门研究人工智能带来的商业影响。
马丁·里夫斯（Martin Reeves），波士顿咨询公司资深合伙人兼董事总经理，BCG亨德森智库理事。
本内容有删节
最后更新：2017-10-08 04:05:30