889
機器人
從暢想到行動：最 in 人工智能研究報告商評首發
商評編者按
人們對人工智能（AI）抱有很高的期待，但企業目前的實施情況如何？
為了解企業在應用AI上的機遇和挑戰，《MIT斯隆管理評論》與波士頓谘詢公司（BCG）合作，調查了全世界112個國家、21個行業的3000多位高管、管理者和分析人員，深度采訪了30多名技術專家和高管，以真實數據為基礎，撰寫了這篇研究報告。
《商業評論》作為《MIT斯隆管理評論》中國版權獨家合作夥伴獨家首發。
理想與現實的差距
對於AI，多數公司的想法和實際執行相差甚遠。
3/4的高管認為，AI可以讓公司發展新業務。近85%的受訪者認為AI能讓公司獲得或保持競爭優勢。但隻有約1/5的公司將AI應用於部分產品、服務或流程中。隻有1/20的公司將AI廣泛應用於產品、服務或流程。製定好了AI戰略的公司不到39%。
員工人數超過10萬的大公司應當製定AI戰略，但在這部分公司中這樣做了的隻有一半。
人工智能的作用
空中客車公司（Airbus，下稱“空客”）開始提升新的A350機型產量，公司麵臨數十億歐元的挑戰。
它開始采用人工智能，將過去生產項目中的數據與當前A350生產項目中提供的實時數據相結合，通過模煳匹配和自主學習算法發現生產問題的規律。
在某些領域，這套係統為約70%的生產故障匹配到了之前用過的解決方案，速度近乎實時。
AI令空客應對業務問題的速度更快，效率提升，優於之前的其他方法。正如空客這個例子所顯示的，善於利用AI的領先者組織可以憑借AI能力實現新的、更好的流程，得到更好的結果。
IT
業務流程外包提供商為AI可能的應用提供了一個例子。
印孚瑟斯（Infosys）重視的IT服務行業，在過去二十多年裏有了巨大的發展，”印孚瑟斯執行副主席史維學（Vishal Sikka）說，“很多外包給人工成本較低的國家的工作都比較機械，比如係統管理、IT管理、業務操作和驗證。現在有了AI技術，我們的係統可以承擔的這類工作就增加了。我們還在初期階段，這類工作隻有一部分實現了自動化，但在未來幾年裏，我們可以將大部分乃至全部重複機械的工作實現自動化。AI技術不僅可以自動完成目前一些步驟清晰的工作，也給以前不存在的突破性新工作創造了機會。
運營和製造
工業企業高管認為受人工智能影響最大的領域是運營和製造。例如英國石油公司（BP）用AI作為人工的輔助，改進現場操作。
上遊技術全球負責人艾哈邁德·哈什米（Ahmed Hashmi）說：
我們設有BP Well Advisor人工智能顧問，收集鑽井係統的所有數據，為工程師提供建議，調整鑽井參數，保持在最佳操作區，並提醒工程師注意過程中潛在的操作問題。我們還嚐試將根源問題分析交給人工智能，讓係統自我學習，有能力迅速做出評估，從描述問題進化到預測問題，再到診斷問題。
麵向客戶的活動
中國第二大保險商平安保險公司，市值1,200億美元，運用AI改進保險及金融的客戶服務。
例如，該公司現在提供三分鍾在線貸款，部分依賴於一套客戶打分工具，具備內部開發的AI人臉識別功能，準確度比人類更高。這套工具驗證過的人臉超過3億，與該公司的語音和圖像識別功能互補。
人工智能應用和理解的差異
各企業應用AI的差距可能很大，特別是同一行業內。
例如，平安保險公司雇用了110位數據科學家，啟動了約30個由CEO讚助的AI項目，在一定程度上支持其願景“技術將會成為未來幾年給公司帶來收入增長的關鍵驅動力”，如公司首席創新官喬納森·拉森（Jonathan Larsen）所說。
然而其他一些大型保險公司的AI項目僅限於“試驗聊天機器人”，這是某家西方保險公司的高管描述自己所在公司AI項目的原話。兩者形成鮮明對比。
將調查結果與有關AI理解和應用的問題結合在一起，我們將各組織根據AI能力分為了四類：先驅者（Pioneer）、研究者（Investigator）、試驗者（Experimenter）、消極者（Passive）。
• 先驅者（19%）：了解並應用了AI的組織，走在將AI應用於產品或服務以及組織內部流程的前沿。
• 研究者（32%）：了解AI但隻停留在試用階段的組織，謹慎地研究AI可能會帶來的影響。
• 試驗者（13%）：試用或應用了AI但並未深入了解AI的組織，在實踐中學習。
• 消極者（36%）：不應用也不了解AI的組織。
既然對AI的期待很高，許多組織將之視為機遇，那麼一些組織不應用AI的原因何在？
難題並不是技術局限，而是在商業方麵。受訪者總體認為，相比於技術能力限製，與之競爭的其他投資重點和商業可行性論證不清晰更阻礙企業應用人工智能。
空客的埃文斯說出了這個重要的區別：“嚴格地講，我們沒有投資AI。我們沒有投資自然語言處理，沒有投資圖像分析。我們一直在為某個業務問題投資。”空客采用AI，是因為AI解決了一個業務上的問題，投資AI是一種應對商業問題的有效方式。
UBS的斯邁爾斯提出，各組織麵對的問題不盡相同。對於在位公司和金融科技創業公司，他說：“要開發價值驚人的平台，對公司規模有要求。規模達到這個程度的公司往往被舊有商業模式和體係束縛，難以發展更好的模式。而沒有這種束縛的公司卻又缺乏客戶和相應的數據，難以充分把握機會。”這一類問題造成了AI應用率的差異。
應用人工智能的障礙
調查中各類組織反映的AI阻礙因素各不相同，且對AI應用情況有影響。先驅者已經克服了有關理解的問題：
這類公司有3/4找到了能夠應用AI的實際業務場景，高管領導涉及整個組織的AI項目，它們最大的問題是如何高效地培養或尋找合適的AI人才，以及為AI爭取投資。這部分公司也對應用AI帶來的安全方麵的顧慮更熟悉。
與之相比，消極者尚未發現AI在商業上的用途，沒有找到符合投資標準的實際業務場景，領導層不會參與，技術是一大難題。許多公司甚至尚未意識到尋找和任命AI人才的困難。
以上四類組織最顯著的差異，也許在於其對數據和AI算法之間重要的相互依存關係的理解。與消極者相比，了解訓練算法過程的先驅者比消極者多12倍。
讓AI產生商業價值，與高效訓練AI算法直接相關。目前許多AI應用軟件最初隻是一種或多種基本算法，經過訓練（主要是公司自身的數據）後才具備智能。
要想成功訓練算法，組織要有健全的信息係統，將相關數據收集到一起。很多先驅者組織已經擁有了穩健的數據及分析係統，並對訓練AI算法所需的數據有著廣泛的了解。
與之相比，研究者和試驗者則缺乏分析能力，大量數據難以集中。半數以上的先驅者組織在數據和訓練方麵大量投資，其他幾類組織的投資情況遠不如先驅者。例如，大量投資AI技術、訓練AI算法所需的數據以及支持訓練流程的研究者組織隻有1/4。
對人工智能所需數據的誤解
我們的研究發現了一些與數據有關的誤解。其中一項誤解是，複雜精密的AI算法不需要充足的數據就能提供有價值的商業解決方案。微軟數據科學總監雅各布·斯波爾斯特拉（Jacob Spoelstra）說：
我覺得大家還不是很懂機器學習可以做什麼。我們常看到的一種錯誤是，組織沒有曆史數據可供算法提取規律，於是算法無法提供穩妥的預測。
比如說，他們讓我們製定預測性的維護解決方案，而我們發現他們的錯誤記錄很少，甚至沒有。他們希望AI預測將來會出現什麼問題，卻沒有過去的例子可供AI學習。
算法再精密，沒有過往數據也無計可施。組織要用AI提升業績，理解這一點至關重要。
還有一些容易忽略的數據稀缺情況：隻有好的結果不足以訓練AI。助力產品開發的材料信息AI平台Citrine Informatics，運用從研究機構關係網絡中得到的公開實驗數據（多數是成功的實驗）和非公開實驗數據（包括失敗的實驗）。
平台聯合創始人、首席科學官布賴斯•梅雷迪格（Bryce Meredig）說：“失敗的實驗數據幾乎不會公開，但要建立公正全麵的數據庫，這部分數據不可或缺。”全麵的數據讓Citrine得以將特定應用的研發時間縮短了一半。
開發了Gore-Tex防水材料的戈爾公司（W. I. Gore & Associates）同樣記錄了創新過程中的成功和失敗結果，因為他們知道，失敗能夠幫助他們（或者高層領導者和決策者）找到下一步應當探索的方向。
是自行開發，還是直接購買
公司投資新技術時往往麵對一個老問題：是自製還是購買。
AI算法要用合適的數據加以訓練，對這個決定有著廣泛的影響。用AI創造價值，又比單純為某個業務過程開發或者購買AI更加複雜。
訓練AI算法涉及多種技能，要了解如何構建算法，如何收集和整合相關數據用於訓練，如何監督算法訓練過程。
斯吉安托說：“我們必須引入不同學科的人才。而且，我們當然需要機器學習與AI人才。能夠全麵領導這類團隊的人才非常重要。”
先驅者十分依賴通過培訓或招聘來培養內部能力。經驗較少、比較不了解AI的組織更注重向外部尋求AI相關技能。不過，即使公司希望依賴外部支持，也需要內部有相應人員了解如何構建問題、處理數據並留意不斷變化的機遇。
許多AI算法和工具已經存在於公共平台，如穀歌TensorFlow、GitHub，以及技術提供商的應用編程界麵。霍維茨說：
因為自身有競爭空間，所以工具變得更加易於使用，參與了推廣和使用這些工具的組織能夠更好地發揮其性能。不是說組織不必配備相應的專業人員。
有了工具和服務，事情會變得簡單，但組織自身依然要有機器學習和AI方麵的專業人員，這很重要。
隱私和監管
構成AI的數據和算法不能隻是準確高效，還要滿足隱私和監管方麵的要求。調查中僅有一半受訪者表示自己所在行業有成型的數據隱私條款。
要確保數據隱私，應當有高效的數據治理方法和實踐。先驅者公司（73%）擁有良好的數據治理的比例高於試驗者（34%）和消極者（30%）。這個顯著的差異說明了在發展AI能力上落後的公司麵臨的又一個障礙。
數據問題可以在監管程度較高的行業看到，比如保險，過去的保險模式基於風險分擔機製，現在則轉向綜合預測具體風險元素的新方式。但一些屬性是不可觸及的禁區，例如，性別和宗教因素可以用來預測某些風險，但監管方不允許這類因素出現在應用軟件和司法審判中。
其他金融市場的監管者對透明度也有嚴格的要求。富國銀行（Wells Fargo）的斯吉安托說：
模型必須完全透明，隨時接受監管者檢查。我們沒有選擇機器學習作為最終模型，是因為監管規定常常要求解決方案再少一些‘黑箱’，有時候監管者可以看得非常清楚。
但我們用機器學習算法評估模型的非線性結構，加入變量和特征，而且以此對照傳統模型的結果。
技術發展超過了消費者的期待與偏好，企業和公共部門更謹慎地應對AI項目涉及的隱私保護和客戶服務。
一些金融服務提供商用聲音識別技術，識別電話裏的客戶，節省驗證身份的時間。客戶並不排斥這種體驗，部分原因是他們看重公司提供的服務，且信賴公司不會濫用相關技術和數據。
與之相似，某技術供應商提供基於AI的服務，運用實時聲音數據情感分析，幫助客服中心識別客戶是否生氣。
然而，不久的將來可能會出現不那麼受歡迎的用法。幾年之後，中國的1.7億個攝像頭和美國的5000萬個攝像頭都可能用於識別人臉。事實上，這類用法已經在上海抓到了亂穿馬路的行人。
對未來的影響
AI越來越多地應用於知識型工作，工作場所可能會發生重大轉變，影響西方中產階級的許多工作。
我們的調查結果與最近對AI取代人工的悲觀預測相反，顯示出謹慎的樂觀。
多數受訪者認為，未來五年裏AI不會減少自己所在組織的工作崗位。近70%的受訪者表示並不害怕AI取代自己的工作。希望AI幫助自己處理一些令人厭煩的任務的受訪者比例與此近似。不過，受訪者普遍同意，AI既要求員工在未來五年裏學習新的技能，又會強化他們目前的能力。
綜合來看，調查結果傾向於調整，而非消滅。MIT斯隆管理學院Schussel Family教席教授埃裏克•布萊恩喬弗森（Erik Brynjolfsson）說：
即使AI迅速進步，也不可能迅速取代大部分工作。不過在幾乎所有行業，都會有運用AI的人逐漸取代不用AI的人，這個趨勢隻會越來越快。
管理者希望目前AI相關產品或流程能有顯著的改進，許多公司專注這個方麵。然而改進無法創造可持續的競爭優勢——如果每個人都達到同樣的效率，基線就會改變。
要讓AI成為未來戰略的重要一環，公司必須設法讓人類和電腦相互促進，創造競爭優勢。
要做到這一點並不容易：
公司需要獨占的數據權限，而我們看到現在許多公司做不到。
公司必須學習讓人和機器高效合作，目前隻有很少的幾家先驅者公司具備這種能力。
公司還必須有靈活的組織結構，這意味著公司和員工都要應對文化上的轉型。
如今幾乎所有公司都需要應對AI的規劃。多數公司並沒有，已經落後的公司要努力趕上去。如果繼續落後，這些公司會發現自己在行業內的處境越來越艱難。
作者簡介：薩姆·蘭斯博撒姆（Sam Ransbotham），波士頓學院卡羅爾商學院（Carroll School of Business）信息係統係副教授，《MIT斯隆管理評論》人工智能大思路項目（Artificial Intelligence Big Ideas Initiative）客座編輯。
戴維·吉隆（David Kiron），《MIT斯隆管理評論》主編。
菲利普·格伯特（Philipp Gerbert），波士頓谘詢公司（BCG）德國慕尼黑辦公室資深合夥人兼董事總經理，BCG數字化戰略專題的全球負責人，BCG亨德森智庫（Henderson Institute）研究成員，專門研究人工智能帶來的商業影響。
馬丁·裏夫斯（Martin Reeves），波士頓谘詢公司資深合夥人兼董事總經理，BCG亨德森智庫理事。
本內容有刪節
最後更新：2017-10-08 04:05:30