麥肯錫筆記 | 解讀19個行業人工智能技術的應用及萬億級潛在價值

人工智能為分析技術貢獻了40%的年度價值，加起來每年可創造3.5萬億到5.8萬億美元的潛在價值，相當于各個行業（2016）年度收入的1%到9%。

——麥肯錫

麥肯錫在2018年4月發布的《數百個人工智能使用的前沿觀點的案例筆記》(NOTES FROM THE AI FRONTIER INSIGHTS FROM HUNDREDS OF USE CASES)中，對AI技術在在能源、先進電子器件/半導體等19個行業、9種業務功能的400+用例及其產生的經濟潛力進行探討。本文從AI技術與應用、AI潛在價值、AI發展所面臨的挑戰三個方面對報告主要內容進行梳理。

一、AI技術與應用情況

當下興起的人工智能，主要就是大規模的深度學習。麥肯錫報告中提到的AI技術，是指使用人工神經網絡的深度學習技術與其他機器學習等概念。具體來看，神經網絡有三類主要形式：前饋神經網絡，循環神經網絡與卷積神經網絡。

其他機器學習概念從算法的類型來看，常見的機器學習算法有：決策樹算法（采用樹狀結構建立決策模型）、回歸算法（對連續值預測）、分類算法（對離散值預測，事前已經知道分類）、聚類算法（對離散值預測，事前不知道分類）、集成算法（集成幾種學習模型），其他機器學習又分為兩個重要技術：生成對抗網絡（GANs）和強化學習。

>> 不同類型實際問題涉及的分析技術

分析技術：從經典到前沿

基本上，分析技術在不同業務類型中可以解決多種實際問題，例如：

• 分類（Classification），即根據一組訓練數據，將新輸入的數據進行分類的業務，主要任務為識別特定物理對象（如卡車、汽車、生產線上接受質檢的產品等）的圖形；

  
  

• 連續評估（Continuous estimation），即根據訓練數據，評估新輸入數據的序列值，常見于預測型任務，如根據銷售數據、消費者態度、天氣等數據來預測消費需求；

  
  

• 集群（Clustering），即根據任務數據創建系統單個組類別，案例有，基于個人數據的消費偏好；

  
  

• 其他優化（All other optimization），即系統根據任務產生一組輸出為特定目標的函數優化結果，案例有，基于用戶（時間、費用、偏好等）需求的最佳交通路線推薦；

  
  

• 異常檢測（Anomaly detection），即根據訓練數據/歷史相關性判斷輸入數據是否異常，本質上是分類功能的子范疇；

  
  

• 排序（Ranking），常見于信息檢索問題，即基于檢索需求按照某種排序標準呈現結果，比如提供產品購買推薦等；

  
  

• 建議（Recommendations），即根據訓練數據提供建議，比如根據個人購買歷史行為推薦“下一個產品”；

  
  

• 數據生成（Data generation），即根據訓練數據生成合適的新數據，用例包括音樂創作等，即根據音樂素材在特定風格下創作出新的音樂片段。

AI技術與對應的問題類型

>> 19個行業與9大業務功能應用AI相關分析技術的熱力圖

從上圖可以看出，目前19個行業仍然偏重傳統的分析技術，其中又以決策樹算法、分類算法與回歸分析三種技術的應用頻率最高；保險業是使用此三種技術案例最多的行業；此外，回歸分析在先進電子器件/半導體行業中應用最多。

至于19個行業所使用的機器學習相關技術的頻率，以前饋神經網絡（FFNN）最為普遍，其次是循環神經網絡（RNN），其中又以汽車、銀行、保險、零售使用的頻率相對較高。

另外，就9大業務功能來看，營銷和銷售、供應鏈與物流管理是應用AI相關技術頻率最高的前兩項業務功能。營銷與銷售應用以FFNN最為普遍，其次是RNN以及強化學習技術。供應鏈與物流管理則是以FFNN、CNN與強化學習三種技術為主。

二、AI潛在價值

>> AI 有望創造3.5萬億至5.8萬億美元的潛在價值

在旅游、交通、零售、汽車、高科技、能源、化工、娛樂傳媒、基礎材料、消費品、農業、銀行、醫療系統與服務、公共部門、通訊、醫療制藥、保險、先進電子器件/半導體、航天與國防這19個行業中，人工智能的引入，可以創造3.5萬億到5.8萬億美元的潛在價值，包括更有價值的產品和服務、收入的增長、成本的節約、消費者剩余等。

這相當于整體分析技術價值規模（9.5萬億到15.4萬億美元）的40%，相當于各個行業（2016）年度收入的1%到9%。

>> AI 最有潛力影響在營銷和銷售、供應鏈管理和制造環節

AI 技術對九大業務功能創造的潛在價值估計

根據麥肯錫的報告，在企業的九大業務功能中，AI最有潛力影響在營銷和銷售、供應鏈管理和制造環節，每一年AI帶給營銷與銷售所產生的新增價值高達1.4萬億到2.6萬億美元。

其次，AI分析技術還將用于各個行業的風險管理，如礦業公司預測生產中斷風險，實現更有效的勘探、鉆探和開采規劃等。此外，AI還可創造新的產品和業務模式，如用于銀行客戶類型識別，可以有效改進的欺詐檢測。

另外，AI分析技術帶給供應鏈管理和制造環節1.2-2.0萬億美元的新價值，主要利用生成模型優化端到端的供應鏈等，或者是通過機器學習對現有的設備系統進行預測性維護，有效的降低各種成本，提高生產效率。

下面分享一個預測性維護的應用案例

傳統系統，已經能夠對傳感器時序數據，包括檢測溫度、振動狀態等，進行分析，實現預測異常檢測和預測維護（對組件的剩余使用壽命做出預測）。

但深度學習將這個功能帶到了一個新的高度：可以對數據進行分層，從而分析海量的、高維度的，包括圖像、音頻等各種形式的傳感器數據，一些原先不適用的低質量數據（來自廉價的麥克風和照相機）也能被用起來。

在被調研的案例中，這種基于AI技術的預測維護（遠程機載診斷技術），可以幫助企業減少停機時間，制定有計劃的干預措施，提高產量，并降低經營成本，對應的經濟價值約為總銷售額的1%到2%。

在貨運飛機的案例中，AI技術加持的預測維修，能夠延長飛機壽命。因為相比于傳統模型，它能更有效的結合平面模型數據、維護歷史、物聯網傳感器數據（包括發動機振動數據、發動機狀況的圖像和視頻等）。

三、AI發展所面臨的挑戰

盡管人工智能有廣闊的發展前景，但是要達到每年創造3.5萬億至5.8萬億美元的潛在價值之前，依然面臨著諸多的挑戰與限制。

從數據層面來看，面臨著五大限制與挑戰：

• 訓練數據的標記需要人工化，否則難以獲取足夠大且全面的訓練資料集，特別是用于預測治療方案效果的臨床數據；

  
  

• 模型透明度有待提高，例如疾病診斷過程中，AI可以利用患者數據來得出診斷結論，但無法解釋這一結論是如何一步一步得到的，此將直接影響汽車、醫療領域的應用；

  
  

• 機器學習缺乏可概括性，難以從一個應用直接復制到另一個相似的應用，這意味著企業需要投入大量的資金來訓練新模型；

  
  

• 數據和算法存在偏差的風險，如不同的社會文化的差異等，可能需要更廣泛的步驟來解決；

  
  

• 人工智能存在惡意使用的問題，包括黑客的攻擊和欺詐性的視頻等安全威脅。

考慮到數據的重要性，對于企業和組織來說，制定數據策略，建立數據中心（或者說選擇云供應商）、儲備專業人才，至關重要。

在技術開發方面，企業或組織必須開發出健全的數據維護和管理流程，實現現代的軟件開發規范。最具有挑戰性的是克服“最后一公里”的問題，確保人工智能能夠落實到企業的業務流程以及產品和服務中。

資料來源：

McKinsey Global Institute (MGI) , “NOTES FROM THE AI FRONTIER INSIGHTS FROM HUNDREDS OF USE CASES” , April 2018.