“通过对7000多家“AI初创企业”进行研究分析，我发现大多数人低估了AI发展所面临的困境和挑战。这其中，有你的参与吗？”
你可能听过Andrew Ng这句话类似的一些说法:“AI正如同我们新时代的电力!电力的发展曾经改变了无数行业;现如今的AI也将如此。”
我基本上同意这种观点。然而问题在于，这种说法忽视了AI在快速应用过程中面临的巨大障碍。毕竟AI不会在一夜之间随处可见。就电力而言，它的发展经历了四十多年才成为一种无处不在的技术。到1882年，世界已经发现了现代电力的关键元素。然而，昂贵的基础设施、人才的缺乏、监管不透明等许多挑战阻碍了电力即时的大规模采用。这些阻碍加在一起，使美国的普通家庭直到1925年才用上电!
AI正如一种新的电力，它将改变各行各业。但就像电力的发展一样，这需要几十年的时间。对于AI世界而言，我们正处于1882年，而非1925年。
是什么摩擦正阻碍着AI的应用?AI将首先在哪方面成功?它又将滞后于哪方面?除非我们展开这种对话，否则许多技术上可行、合理充分的AI企业都将面临失败。这种对话至关重要，因为全世界都正在AI领域押下重注，尽管这或许并不明智。我在网上搜索了一下，发现了7192家“AI初创企业”宣称他们是一家AI公司或正在使用机器学习。这些初创公司已经筹集了190多亿美元，雇佣了超过15万名员工。
你的AI企业何时成功?——框架
值得庆幸的是，你能够预测你的AI企业更有可能在近期、中期还是长期成功。AI的能力和挑战是很容易理解的——你所要做的就是全面地审视它们，然后批判性地思考你的AI用例。要做到这一点，不妨考虑使用一个简单的框架:AI解决方案被采用的速度是价值潜力和其中特有摩擦的函数。许多摩擦减缓了AI技术的应用，但这些摩擦更能减缓一些企业的发展速度。原因在于一些AI解决方案能够比其他因素创造更多的价值。当一个AI解决方案具有巨大的价值潜力时，企业、投资者、监管机构和消费者们则更容易联合起来，以克服摩擦。价值和摩擦之间的这种简单关系产生了一个有用的框架:
AI采用率=f（AI摩擦，AI价值）
那么，对于你的AI赌注来说，大规模采用AI的道路会是怎样的呢?对于任何问题，企业或行业，该框架可以直接操作。这是一个更详细的分类。
阻碍AI快速应用的顶级摩擦
第一步是对AI摩擦进行深思熟虑的分析，这些摩擦可能会减慢你的AI企业的采用速度。人类、数据和市场摩擦都会减缓已验证AI解决方案的采用速度。它们使开发复杂化，限制了可伸缩性，并引入了用例查杀风险。并不是所有的摩擦都可一概而论的。有些比其他危险得多:
AI摩擦预估量
人类对AI的限制
- 人机回圈要求：许多算法需要人的监督。例如，Facebook雇佣了超过1.5万人来协助他们的内容审核算法。
- 人工数据标注要求:AI的许多用例需要人类教授算法预测的内容（或者在技术术语中，“标注”数据）。例如，百度不得不雇佣数千名翻译人员来训练其中文翻译算法。
- 缺乏人才:全球缺乏数据科学家、机器学习工程师和其他AI人才。这使得企业组建有能力的AI团队具有挑战性。2018年，Indeed.com上发布的AI相关职位的信息比搜索量多了3倍。
AI的数据限制
- 有机数据创建:一些业务模型不能自然地生成AI所需的数据。例如，传统的零售企业无法获取关于客户购物模式的丰富数据。如果要整合人工智能，零售商需要采用新的商业模式，如在线销售和“直接面向消费者”等模式。
- 缺乏数据基础设施:AI需要在技术堆栈的每个级别进行大量投资。On-prem硬件和遗留软件解决方案是AI的诅咒。为了实现人工智能，企业必须投资于云平台、数据大集中平台、数据安全和人工智能开发工具。
- 现有数据混乱:数据很少组织在由干净、集中的行和列组成的表中。相反，大多数数据存在于凌乱的文档或遗留软件系统中。公司倾向于跨团队和组织存储数据，他们通常无法维护存在不同数据的文档，并且没有强制执行如何捕获和存储数据的标准。
- 对第三方数据依赖:人工智能渴望数据。当你的公司没有足够的专有数据时，便不得不购买数据，而授权和维护API以访问第三方数据的成本是非常昂贵的。
- 数据速度很低:大多数人工智能需要数千个完整反馈循环的例子来学习。这在反馈周期较慢的领域是具有挑战性的。例如，获取慢性病长期卫生保健结果的数据就是一个代价高昂的过程。
AI的市场限制
- 捕获AI价值所需的业务模型变化:为了获取AI价值，许多行业将不得不更改它们交付产品和服务的方式。例如，自动驾驶汽车将迫使汽车制造商采用“运输即服务”的策略。
- 近乎完美的算法性能要求:一些人工智能用例具有很高的失败成本。以医疗和自动驾驶汽车的诊断决策为例，在这些情况下，AI解决方案会带来重大风险。
- AI需要流程变更:支持AI的产品通常会引入截然不同的工作流程。例如，人工智能招聘解决方案往往更倾向于非传统的面试和工作申请。这让更多传统的人力资源团队感到害怕。
- 无法解释的算法:在许多情况下，消费者(甚至监管者)需要能够自我解释的AI工具。不幸的是，要想解释有多少人工智能算法在做决定是很困难的。例如，如果一家银行拒绝向客户提供信贷，他们必须解释原因，这就使得人工智能在放贷方面变得困难。
- 有偏算法:AI算法经常做出有偏决策。这在许多领域（如执法、人力资源和教育）都是违法和令人反感的。
- 繁重的隐私标准:AI是对隐私的一种威胁。人工智能为企业收集大量私人信息创造了动力。此外，人工智能还能从无害的数据(比如打字模式)推断出个人信息(比如个人的情绪状态)。这些威胁隐私的AI解决方案可能会面临监管和消费者的抵制。
评估AI价值
一旦了解了企业面临的AI摩擦，就要进行价值分析。你的AI解决方案能否降低成本、节省时间、减轻风险、创造新的消费价值?如果能，需要多少钱?要做到这一点，没有一种放之四海而皆准的方法。一旦你评估了你的AI解决方案，请批判性地思考这个值将如何激励利益相关者克服摩擦。在此过程中，您应该考虑宏观层面的趋势。在AI不能更普遍地创造重要价值的领域，这是很危险的。如果真的到了这一步，那么你将会成为一个孤独的人工智能倡导者。麦肯锡全球研究所(MGI)最近评估人工智能和分析的潜力超过了9万亿美元，重要的是，这个价值并不是按比例地分布在各种用例和行业中。
AI用例
在评估了400多个已知人工智能用例的列表之后，MGI发现普通的业务问题——供应链、销售和营销——是人工智能最有价值的用例。
按用例划分AI价值
跨行业AI价值
通过将用例映射到各个行业，MGI评估了AI对各个行业的重要性。他们发现，在高端功能（如销售）中有复杂问题的行业将从人工智能中获得最大收益。
AI价值占行业收入的百分比
AI的未来——应用框架
那么，哪些行业最容易受到人工智能应用速度低于预期的影响呢?谁最有可能不合时宜地成为AI赌注的炮灰呢?我们可以在宏观层面应用框架来寻找答案。我采访了几位人工智能专家，用于估计每个行业的人工智能摩擦强度，然后将这些信息汇总并绘制出与MGI的人工智能价值估计相对应的图表:
根据我的分析，AI将在三波浪潮中席卷各个行业:
- 第一波AI浪潮——快速采用者:这波融合了消费科技和媒体的浪潮已经很好地开始了。谷歌、Facebook和Netflix等公司的先进技术引领了这一潮流。
- 第二波AI浪潮-慢采用者:这波浪潮也已经开始，但可能推进更缓慢。一些采用者(如制造商和供应链运营商)不太愿意采用人工智能。一些其他企业(如银行)则清楚地知道：如果他们成功了，将获得巨大的回报，但在采用人工智能的过程中必定面临重大挑战。
- 第三波AI浪潮——艰难采用者:医疗、汽车和(可能的)零售行业的AI采用率可能低于预期。在采用人工智能方面，它们都面临着巨大的障碍。在一分钱一分货的基础上，因此也都不太愿意采用人工智能。值得注意的是，零售在这里有些不同于其他行业:传统零售商在一些领域(销售和营销)面临着重大摩擦，但在另一些领域(供应链运营)却是人工智能的快速采用者。
那么，你的人工智能企业何时才能成功呢?你需要分析面临的人工智能摩擦、评估你想要创造价值的大小，然后看看你的企业相对于已知的人工智能成功案例所存在的差距。如果结论是更多的摩擦和更少的价值，那么也许现在还不是下这个赌注的时候。但如果你有一个高价值、低摩擦的人工智能解决方案，那么就不要再读这篇文章了。全速进击吧!
原文链接
本文为云栖社区原创内容，未经允许不得转载。
