智东西 编 | 十四

企业数字化转型已经帮助很多企业实现了弯道超车，建立基于专业数据库的数据壁垒，在激烈的市场竞争中脱颖而出，高效运作，降低成本。随后，算法和计算芯片驱动的人工智能呼之欲出，企业智能化转型将能够进行更高的数据吞吐量，改善预测模型，提高结果的准确性，实现决策优化。

本期的智能内参，我们推荐来麦肯锡联合巴黎综合理工学院的人工智能行业独立调研报告，报告关注的为机器人技术、自动驾驶，计算机视觉，语言，虚拟代理和机器学习等面向企业应用的AI技术，就相关市场份额、收入和利润池等动态、投资环境和风险，以及企业应用价值的角度解读企业AI产业生态。

以下为智能内参整理呈现的干货：

AI企业动态：百亿美元催化的竞争差距扩大

*AI投资疯涨，2017年收购案增长放缓

*2016年科技巨头AI产业资本投入的组成

*不同AI技术种类的投资占比（单位：十亿美元）

2000年的机器学习引爆了人工智能（AI）的发展，接着芯片计算能力和数据生态的推动下，AI现在被认为是下一个数字浪潮，企业应当为此做好准备。IBM（沃森/物联网）亚马逊（语音识别、虚拟代理）、传统汽车商（自动驾驶）、电信/工业巨头（机器人技术）、苹果（内部技术套件研发）、百度（内部技术套件、百度风投）、Facebook（AI实验室）、英特尔（AI实验室）和谷歌（内部技术套件）等巨头都将数十亿美元投入到各种AI研发，人才招聘和并购案的投入也达到了百万美元级别。

2016年全球范围内，科技巨头在AI上的相关投入已经达到200亿到300亿美元，其中90%用于技术研发和部署，10%用于收购；总体的AI企业并购复合年增长率超过80%；此外，面向初创公司的VC和PE投资也快速增长，组合总计60亿到90亿美元，虽然仅占到总投资的1-3%，但却是2013年的三倍多，这三年间的外部投资年增长率接近40%。

*不同行业的AI技术采用率/成熟度（评估标准包括数字化成熟度、商业规模化应用、核心业务应用、技术多元化、投资回报及成本节约情况、高管态度六点）

目前的市场动态是，除了高科技/电信、自动化/装配、金融服务行业，AI技术在其他行业的应用还处在比较早期的阶段，或者说试验阶段。麦肯锡调研了10个国家14类行业的3000名高管，其中仅20%表示已经开始使用AI技术，更多的态度（41%）是，对于将AI大规模应用于核心业务保持观望，因为商业案例以及投资回报的不确定性。此外，针对160个商业案例的调研发现，AI技术的身影只出现在其中的12%，这主要是AI缺乏技术协议，因此推广进程有所差异，不同的市场预测认为，到2025年，AI市场规模从6.44亿美元到1260亿美元不等。

*AI四大实用价值链（智能化项目、生产过程优化、目标化营销、加强版用户体验）

*各领域AI实用价值链详解（智能化项目：研发、预测、采购；生产过程优化：高效生产力和低成本；目标化营销：合适的价格，正确的信息，正确的目标；加强版用户体验：内容丰富且定制）

*各领域AI实用价值链成效详解

对于AI技术的不同态度，导致公司之间的数字化差异越来越大。科技、电信或金融服务行业的用户往往表现出比较强的AI投资意向，并倾向于将其部属于核心业务。以汽车公司为例，AI被用于自动驾驶技术以及车辆操作系统改进；金融服务方面，AI则嵌入客户体验环节。

#p#分页标题#e#

被调研的AI技术发展前期的商业用例，包括零售、电力公用事业、制造业、卫生保健和教育行业，表明，AI是具备实际价值的，并对商业竞争环境有比较大的冲击，具备AI战略前瞻性的公司相比而言能获得更高的利润率，其行业竞争力的提升也超出了预期。这些行业对于AI技术的要求是，优化预测模型和自动化操作，并开发应用潜力，制定针对性的市场营销和定价模型，强化用户体验。

对于从零开始部署AI的公司而言，最重要的则是踏踏实实的构架数字生态系统，因为AI的本质是数据训练驱动的，没有捷径可走，因此早期先发优势会比较明显。如果不想花大把精力构建数字生态，则可以考虑购买工作流程、计算能力以及知识背景相合适的AI工具。总是还是要强调一点：无缝的数据访问是推动AI商业化应用的关键。

最后来谈谈AI社会效益，也就是政府和劳动力市场的问题。首先，劳动力市场不要想着跟AI正面竞争，而是要考虑将其融入已有的生态并尝试激发新的工种；再说政府，目前全球都在试图建立AI中心，美国强大的投资环境和科学界和工业界历史优势明显，中国方面，高等学府（清华、北航、北大）科研成效显著，政策支持下产业（百度、中兴、华为）和投资环境也比较乐观。麦肯锡指出，政府需要设定政策吸引AI人才和投资以加强全球竞争力，并在道德和法律方面加强监管力度。

*全球各地的智能化发展示意及其外部投资增长情况（六大AI中心，北深上榜）

企业AI转型早期的阶段性策略

*AI技术采用更多的出现在数字化部署比较成熟的行业

如前所述，AI的投资金额这三年来保持一个高速的增长，这也意味着它从一个实验室技术逐渐成长具备商用潜力的焦点。与此同时，AI实际的商用案例却并不多，因此，早期AI商用的阶段性特征可以说是一种前沿数字化，是企业数字化转型与智能化转型的过渡期。因此，AI技术采用更多的出现在数字化部署比较成熟的行业，而监管方面的担忧也是医疗保健领域从业人员望而止步的原因。这一阶段的企业部署非常关键，数字鸿沟将进一步扩大，AI优先的企业更容易获得结构化数据，帮助员工剖析商业案例增强业务收入，吸引投资和供应商，强化技术技能，降低固定成本，决定智能化后续发展的市场竞争力差距。

那么，早期AI“冒险家”都是怎么做的呢？

*企业AI转型的五大关键（成功用例、数据生态、技术工具、无缝接入工作流程、开放的文化和组织）

*企业AI转型的五大关键详解

调研发现，大部分的企业在采用AI技术的时候会采用更多元的工具，而不是押宝一种技术，这与当年数字技术发展前期是类似的。这种多元策略是很常见的，也是针对不同行业领域有所调整的，比如医疗领域就更倾向于将语言技术整合到核心业务中。而价值链应用方面，AI模式则主要表现在客户服务，诸如销售和市场营销，以及运营和产品开发等功能，财务管理应用相对落后，这与数字技术应用早期又是相似的。

*机器学习在各个行业中的应用潜力（色块代表不同行业）

*不同行业的不同部门具有不同的自动化潜力

AI早期与数字技术应用早期不同的点在于，企业更倾向于将AI应用于核心业务，扩大行业价值的广度和深度，比如汽车制造就将它用到制造环节、系统开发环节。而数字技术早期，企业的态度是追求保持利润率，并不会直接在核心业务上进行整合尝试。

#p#分页标题#e#

很多企业因为追求创收而采用了AI，结果发现投入技术整改的成本要少于预期。调研显示，被我们评为AI技术采用先驱的公司比之其他态度更为谨慎的公司在市场扩张机会上强了27%，并在市场份额扩张机会上强了52%，利润率这比大多数行业的行业平均水平高出3到15个百分点，投资方案也显得更成熟。从另一个角度看，平均营收所需投资的成本减少了。

*各行业不同AI采用率企业的利润率调查（橙点为AI采用先锋，对应更高利润率）

各行各业都要面对的三个挑战

调研还显示，AI技术采用对高管，包括总裁和IT高管，的战略眼光提出了比较高的要求，他们需要执行套件来生成需要，并提供强有力的支持。AI技术增长还取决于各部门和企业能否克服技术、商业和监管方面的问题，这也就是为什么金融服务、零售、医疗保健和先进的制造业的AI化会走在各领域的前列。

*不同领域的AI投资意向（横轴为目前AI采用率，纵轴为未来采用趋势）

技术挑战是行业之间的一个重要的差异化因素，需要针对目标工程案例调整，涉及大量数据人才。金融服务、高科技和电信等行业已经产生了存储了大量结构化数据，但是其他的领域数字化就不是发展的很成熟。

商业潜力的差异也存在于各个行业，比如金融服务由于智能化的结构数据带来信息透明和高效安全运作，自然衍生出了模型预测，快速和准确的决策，个性化的客户联系等服务，被预测将发展成2020年30亿美元规模的市场。对于零售业，AI商业潜力主要表现在库存预测，医疗领域则表现在诊疗系统优化带来的成本节约和诊疗准确性。

监管的问题则具有用例针对性，要考虑社会障碍、数据隐私安全、伦理问题、算法透明度、产品责任制，甚至机器人税等。对此，麦肯锡建议我国政府采取5个优先级战略：

1、构建一个健壮的数据生态系统：采取数据标准，公开公共部门数据，鼓励国际数据流交换；

2、在传统产业中扩大人工智能：用税收抵免和补贴工具，以及在政府事务中开拓创新的方式应对传统行业战略意识缺失以及成本考量问题；

3、加强专业人工智能人才的建设：为了解决中国的人工智能人才缺口，政府需要投资与教育相关的教育研究项目，重新定位教育系统，使其更注重创新数字技能，并制定移民政策以吸引最优秀的全球人才；

4、密切合作职业培训学校，确保教育和培训系统的准备工作，保留劳动力市场；

5、在道德和法律层面建立框架，监督和管理人工智能活动，并带头成立一个国际治理机构来促进和平，人工智能技术的包容性和可持续发展。

*职业自动化潜力（AI带来的就业和生产力问题）

附：AI用例示意

*AI零售（面部识别、移动支付、自动化支付、无人机交付、生疏分拣、智能物流、数据化仓库、物流机器人）

*AI能源、生产（基于算法的能源信息传感和传输优化、工作机器人、AR辅助型工作、安全辅助、数字身份、精确测绘）

*AI医疗（可穿戴设备、药物测试、智能诊疗、药物使用建议、医疗图像识别、个性化治疗、健康数据分析）

智东西认为，数字化转型的成功示例告诉我们，智能化转型势在必行。而目前，也就是企业AI改革的初期，技术转型过渡期，本质也就是数字鸿沟扩大期。麦肯锡的行业调研明确指出，结构化数据对于企业利润率提高、市场竞争力提高、市场广度和深度提高，有着非常显著的作用。

#p#分页标题#e#

对于处在急流正中的高科技行业、电信行业、装配/制造业、金融服务业而言，就必须小步快调，尝试将多元的AI技术整合到核心业务，扩大试点应用规模，保持灵敏嗅觉以发现新的赢利点，契合现有的工作流程，制定适合产业、业务特征的战略计划。而对于在数字化转型落后的企业而言，不要想着走捷径，，首先还是要踏踏实实构建数字生态，或者掏钱买工具。