“通過對(duì)7000多家“AI初創(chuàng)企業(yè)”進(jìn)行研究分析，我發(fā)現(xiàn)大多數(shù)人低估了AI發(fā)展所面臨的困境和挑戰(zhàn)。這其中，有你的參與嗎？”

你可能聽過Andrew Ng這句話類似的一些說法:“AI正如同我們新時(shí)代的電力!電力的發(fā)展曾經(jīng)改變了無數(shù)行業(yè);現(xiàn)如今的AI也將如此。”

?

我基本上同意這種觀點(diǎn)。然而問題在于，這種說法忽視了AI在快速應(yīng)用過程中面臨的巨大障礙。畢竟AI不會(huì)在一夜之間隨處可見。就電力而言，它的發(fā)展經(jīng)歷了四十多年才成為一種無處不在的技術(shù)。到1882年，世界已經(jīng)發(fā)現(xiàn)了現(xiàn)代電力的關(guān)鍵元素。然而，昂貴的基礎(chǔ)設(shè)施、人才的缺乏、監(jiān)管不透明等許多挑戰(zhàn)阻礙了電力即時(shí)的大規(guī)模采用。這些阻礙加在一起，使美國(guó)的普通家庭直到1925年才用上電!

AI正如一種新的電力，它將改變各行各業(yè)。但就像電力的發(fā)展一樣，這需要幾十年的時(shí)間。對(duì)于AI世界而言，我們正處于1882年，而非1925年。

是什么摩擦正阻礙著AI的應(yīng)用?AI將首先在哪方面成功?它又將滯后于哪方面?除非我們展開這種對(duì)話，否則許多技術(shù)上可行、合理充分的AI企業(yè)都將面臨失敗。這種對(duì)話至關(guān)重要，因?yàn)槿澜缍颊贏I領(lǐng)域押下重注，盡管這或許并不明智。我在網(wǎng)上搜索了一下，發(fā)現(xiàn)了7192家“AI初創(chuàng)企業(yè)”宣稱他們是一家AI公司或正在使用機(jī)器學(xué)習(xí)。這些初創(chuàng)公司已經(jīng)籌集了190多億美元，雇傭了超過15萬名員工。

?

你的AI企業(yè)何時(shí)成功?——框架

值得慶幸的是，你能夠預(yù)測(cè)你的AI企業(yè)更有可能在近期、中期還是長(zhǎng)期成功。AI的能力和挑戰(zhàn)是很容易理解的——你所要做的就是全面地審視它們，然后批判性地思考你的AI用例。要做到這一點(diǎn)，不妨考慮使用一個(gè)簡(jiǎn)單的框架:AI解決方案被采用的速度是價(jià)值潛力和其中特有摩擦的函數(shù)。許多摩擦減緩了AI技術(shù)的應(yīng)用，但這些摩擦更能減緩一些企業(yè)的發(fā)展速度。原因在于一些AI解決方案能夠比其他因素創(chuàng)造更多的價(jià)值。當(dāng)一個(gè)AI解決方案具有巨大的價(jià)值潛力時(shí)，企業(yè)、投資者、監(jiān)管機(jī)構(gòu)和消費(fèi)者們則更容易聯(lián)合起來，以克服摩擦。價(jià)值和摩擦之間的這種簡(jiǎn)單關(guān)系產(chǎn)生了一個(gè)有用的框架:

AI采用率=f（AI摩擦，AI價(jià)值）

那么，對(duì)于你的AI賭注來說，大規(guī)模采用AI的道路會(huì)是怎樣的呢?對(duì)于任何問題，企業(yè)或行業(yè)，該框架可以直接操作。這是一個(gè)更詳細(xì)的分類。

阻礙AI快速應(yīng)用的頂級(jí)摩擦

第一步是對(duì)AI摩擦進(jìn)行深思熟慮的分析，這些摩擦可能會(huì)減慢你的AI企業(yè)的采用速度。人類、數(shù)據(jù)和市場(chǎng)摩擦都會(huì)減緩已驗(yàn)證AI解決方案的采用速度。它們使開發(fā)復(fù)雜化，限制了可伸縮性，并引入了用例查殺風(fēng)險(xiǎn)。并不是所有的摩擦都可一概而論的。有些比其他危險(xiǎn)得多:

?

AI摩擦預(yù)估量?

人類對(duì)AI的限制

• 人機(jī)回圈要求：許多算法需要人的監(jiān)督。例如，Facebook雇傭了超過1.5萬人來協(xié)助他們的內(nèi)容審核算法。
• 人工數(shù)據(jù)標(biāo)注要求:AI的許多用例需要人類教授算法預(yù)測(cè)的內(nèi)容（或者在技術(shù)術(shù)語中，“標(biāo)注”數(shù)據(jù)）。例如，百度不得不雇傭數(shù)千名翻譯人員來訓(xùn)練其中文翻譯算法。
• 缺乏人才:全球缺乏數(shù)據(jù)科學(xué)家、機(jī)器學(xué)習(xí)工程師和其他AI人才。這使得企業(yè)組建有能力的AI團(tuán)隊(duì)具有挑戰(zhàn)性。2018年，Indeed.com上發(fā)布的AI相關(guān)職位的信息比搜索量多了3倍。

AI的數(shù)據(jù)限制

• 有機(jī)數(shù)據(jù)創(chuàng)建:一些業(yè)務(wù)模型不能自然地生成AI所需的數(shù)據(jù)。例如，傳統(tǒng)的零售企業(yè)無法獲取關(guān)于客戶購物模式的豐富數(shù)據(jù)。如果要整合人工智能，零售商需要采用新的商業(yè)模式，如在線銷售和“直接面向消費(fèi)者”等模式。
• 缺乏數(shù)據(jù)基礎(chǔ)設(shè)施:AI需要在技術(shù)堆棧的每個(gè)級(jí)別進(jìn)行大量投資。On-prem硬件和遺留軟件解決方案是AI的詛咒。為了實(shí)現(xiàn)人工智能，企業(yè)必須投資于云平臺(tái)、數(shù)據(jù)大集中平臺(tái)、數(shù)據(jù)安全和人工智能開發(fā)工具。
• 現(xiàn)有數(shù)據(jù)混亂:數(shù)據(jù)很少組織在由干凈、集中的行和列組成的表中。相反，大多數(shù)數(shù)據(jù)存在于凌亂的文檔或遺留軟件系統(tǒng)中。公司傾向于跨團(tuán)隊(duì)和組織存儲(chǔ)數(shù)據(jù)，他們通常無法維護(hù)存在不同數(shù)據(jù)的文檔，并且沒有強(qiáng)制執(zhí)行如何捕獲和存儲(chǔ)數(shù)據(jù)的標(biāo)準(zhǔn)。
• 對(duì)第三方數(shù)據(jù)依賴:人工智能渴望數(shù)據(jù)。當(dāng)你的公司沒有足夠的專有數(shù)據(jù)時(shí)，便不得不購買數(shù)據(jù)，而授權(quán)和維護(hù)API以訪問第三方數(shù)據(jù)的成本是非常昂貴的。
• 數(shù)據(jù)速度很低:大多數(shù)人工智能需要數(shù)千個(gè)完整反饋循環(huán)的例子來學(xué)習(xí)。這在反饋周期較慢的領(lǐng)域是具有挑戰(zhàn)性的。例如，獲取慢性病長(zhǎng)期衛(wèi)生保健結(jié)果的數(shù)據(jù)就是一個(gè)代價(jià)高昂的過程。

AI的市場(chǎng)限制

• 捕獲AI價(jià)值所需的業(yè)務(wù)模型變化:為了獲取AI價(jià)值，許多行業(yè)將不得不更改它們交付產(chǎn)品和服務(wù)的方式。例如，自動(dòng)駕駛汽車將迫使汽車制造商采用“運(yùn)輸即服務(wù)”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敗成本。以醫(yī)療和自動(dòng)駕駛汽車的診斷決策為例，在這些情況下，AI解決方案會(huì)帶來重大風(fēng)險(xiǎn)。
• AI需要流程變更:支持AI的產(chǎn)品通常會(huì)引入截然不同的工作流程。例如，人工智能招聘解決方案往往更傾向于非傳統(tǒng)的面試和工作申請(qǐng)。這讓更多傳統(tǒng)的人力資源團(tuán)隊(duì)感到害怕。
• 無法解釋的算法:在許多情況下，消費(fèi)者(甚至監(jiān)管者)需要能夠自我解釋的AI工具。不幸的是，要想解釋有多少人工智能算法在做決定是很困難的。例如，如果一家銀行拒絕向客戶提供信貸，他們必須解釋原因，這就使得人工智能在放貸方面變得困難。
• 有偏算法:AI算法經(jīng)常做出有偏決策。這在許多領(lǐng)域（如執(zhí)法、人力資源和教育）都是違法和令人反感的。
• 繁重的隱私標(biāo)準(zhǔn):AI是對(duì)隱私的一種威脅。人工智能為企業(yè)收集大量私人信息創(chuàng)造了動(dòng)力。此外，人工智能還能從無害的數(shù)據(jù)(比如打字模式)推斷出個(gè)人信息(比如個(gè)人的情緒狀態(tài))。這些威脅隱私的AI解決方案可能會(huì)面臨監(jiān)管和消費(fèi)者的抵制。

評(píng)估AI價(jià)值

一旦了解了企業(yè)面臨的AI摩擦，就要進(jìn)行價(jià)值分析。你的AI解決方案能否降低成本、節(jié)省時(shí)間、減輕風(fēng)險(xiǎn)、創(chuàng)造新的消費(fèi)價(jià)值?如果能，需要多少錢?要做到這一點(diǎn)，沒有一種放之四海而皆準(zhǔn)的方法。一旦你評(píng)估了你的AI解決方案，請(qǐng)批判性地思考這個(gè)值將如何激勵(lì)利益相關(guān)者克服摩擦。在此過程中，您應(yīng)該考慮宏觀層面的趨勢(shì)。在AI不能更普遍地創(chuàng)造重要價(jià)值的領(lǐng)域，這是很危險(xiǎn)的。如果真的到了這一步，那么你將會(huì)成為一個(gè)孤獨(dú)的人工智能倡導(dǎo)者。麥肯錫全球研究所(MGI)最近評(píng)估人工智能和分析的潛力超過了9萬億美元，重要的是，這個(gè)價(jià)值并不是按比例地分布在各種用例和行業(yè)中。

AI用例

在評(píng)估了400多個(gè)已知人工智能用例的列表之后，MGI發(fā)現(xiàn)普通的業(yè)務(wù)問題——供應(yīng)鏈、銷售和營(yíng)銷——是人工智能最有價(jià)值的用例。

按用例劃分AI價(jià)值

跨行業(yè)AI價(jià)值

通過將用例映射到各個(gè)行業(yè)，MGI評(píng)估了AI對(duì)各個(gè)行業(yè)的重要性。他們發(fā)現(xiàn)，在高端功能（如銷售）中有復(fù)雜問題的行業(yè)將從人工智能中獲得最大收益。

AI價(jià)值占行業(yè)收入的百分比?

AI的未來——應(yīng)用框架

那么，哪些行業(yè)最容易受到人工智能應(yīng)用速度低于預(yù)期的影響呢?誰最有可能不合時(shí)宜地成為AI賭注的炮灰呢?我們可以在宏觀層面應(yīng)用框架來尋找答案。我采訪了幾位人工智能專家，用于估計(jì)每個(gè)行業(yè)的人工智能摩擦強(qiáng)度，然后將這些信息匯總并繪制出與MGI的人工智能價(jià)值估計(jì)相對(duì)應(yīng)的圖表:

?

根據(jù)我的分析，AI將在三波浪潮中席卷各個(gè)行業(yè):

• 第一波AI浪潮——快速采用者:這波融合了消費(fèi)科技和媒體的浪潮已經(jīng)很好地開始了。谷歌、Facebook和Netflix等公司的先進(jìn)技術(shù)引領(lǐng)了這一潮流。
• 第二波AI浪潮-慢采用者:這波浪潮也已經(jīng)開始，但可能推進(jìn)更緩慢。一些采用者(如制造商和供應(yīng)鏈運(yùn)營(yíng)商)不太愿意采用人工智能。一些其他企業(yè)(如銀行)則清楚地知道：如果他們成功了，將獲得巨大的回報(bào)，但在采用人工智能的過程中必定面臨重大挑戰(zhàn)。
• 第三波AI浪潮——艱難采用者:醫(yī)療、汽車和(可能的)零售行業(yè)的AI采用率可能低于預(yù)期。在采用人工智能方面，它們都面臨著巨大的障礙。在一分錢一分貨的基礎(chǔ)上，因此也都不太愿意采用人工智能。值得注意的是，零售在這里有些不同于其他行業(yè):傳統(tǒng)零售商在一些領(lǐng)域(銷售和營(yíng)銷)面臨著重大摩擦，但在另一些領(lǐng)域(供應(yīng)鏈運(yùn)營(yíng))卻是人工智能的快速采用者。

那么，你的人工智能企業(yè)何時(shí)才能成功呢?你需要分析面臨的人工智能摩擦、評(píng)估你想要?jiǎng)?chuàng)造價(jià)值的大小，然后看看你的企業(yè)相對(duì)于已知的人工智能成功案例所存在的差距。如果結(jié)論是更多的摩擦和更少的價(jià)值，那么也許現(xiàn)在還不是下這個(gè)賭注的時(shí)候。但如果你有一個(gè)高價(jià)值、低摩擦的人工智能解決方案，那么就不要再讀這篇文章了。全速進(jìn)擊吧!

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的不要低估AI面临的困境的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。