“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:
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:
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。
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 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!
本文作者：狮子家的袋鼠
阅读原文
本文为云栖社区原创内容，未经允许不得转载。