麦肯锡笔记 | 解读19个行业人工智能技术的应用及万亿级潜在价值

人工智能为分析技术贡献了40%的年度价值，加起来每年可创造3.5万亿到5.8万亿美元的潜在价值，相当于各个行业（2016）年度收入的1%到9%。

——麦肯锡

麦肯锡在2018年4月发布的《数百个人工智能使用的前沿观点的案例笔记》(NOTES FROM THE AI FRONTIER INSIGHTS FROM HUNDREDS OF USE CASES)中，对AI技术在在能源、先进电子器件/半导体等19个行业、9种业务功能的400+用例及其产生的经济潜力进行探讨。本文从AI技术与应用、AI潜在价值、AI发展所面临的挑战三个方面对报告主要内容进行梳理。

一、AI技术与应用情况

当下兴起的人工智能，主要就是大规模的深度学习。麦肯锡报告中提到的AI技术，是指使用人工神经网络的深度学习技术与其他机器学习等概念。具体来看，神经网络有三类主要形式：前馈神经网络，循环神经网络与卷积神经网络。

其他机器学习概念从算法的类型来看，常见的机器学习算法有：决策树算法（采用树状结构建立决策模型）、回归算法（对连续值预测）、分类算法（对离散值预测，事前已经知道分类）、聚类算法（对离散值预测，事前不知道分类）、集成算法（集成几种学习模型），其他机器学习又分为两个重要技术：生成对抗网络（GANs）和强化学习。

>> 不同类型实际问题涉及的分析技术

分析技术：从经典到前沿

基本上，分析技术在不同业务类型中可以解决多种实际问题，例如：

• 分类（Classification），即根据一组训练数据，将新输入的数据进行分类的业务，主要任务为识别特定物理对象（如卡车、汽车、生产线上接受质检的产品等）的图形；

  
  

• 连续评估（Continuous estimation），即根据训练数据，评估新输入数据的序列值，常见于预测型任务，如根据销售数据、消费者态度、天气等数据来预测消费需求；

  
  

• 集群（Clustering），即根据任务数据创建系统单个组类别，案例有，基于个人数据的消费偏好；

  
  

• 其他优化（All other optimization），即系统根据任务产生一组输出为特定目标的函数优化结果，案例有，基于用户（时间、费用、偏好等）需求的最佳交通路线推荐；

  
  

• 异常检测（Anomaly detection），即根据训练数据/历史相关性判断输入数据是否异常，本质上是分类功能的子范畴；

  
  

• 排序（Ranking），常见于信息检索问题，即基于检索需求按照某种排序标准呈现结果，比如提供产品购买推荐等；

  
  

• 建议（Recommendations），即根据训练数据提供建议，比如根据个人购买历史行为推荐“下一个产品”；

  
  

• 数据生成（Data generation），即根据训练数据生成合适的新数据，用例包括音乐创作等，即根据音乐素材在特定风格下创作出新的音乐片段。

AI技术与对应的问题类型

>> 19个行业与9大业务功能应用AI相关分析技术的热力图

从上图可以看出，目前19个行业仍然偏重传统的分析技术，其中又以决策树算法、分类算法与回归分析三种技术的应用频率最高；保险业是使用此三种技术案例最多的行业；此外，回归分析在先进电子器件/半导体行业中应用最多。

至于19个行业所使用的机器学习相关技术的频率，以前馈神经网络（FFNN）最为普遍，其次是循环神经网络（RNN），其中又以汽车、银行、保险、零售使用的频率相对较高。

另外，就9大业务功能来看，营销和销售、供应链与物流管理是应用AI相关技术频率最高的前两项业务功能。营销与销售应用以FFNN最为普遍，其次是RNN以及强化学习技术。供应链与物流管理则是以FFNN、CNN与强化学习三种技术为主。

二、AI潜在价值

>> AI 有望创造3.5万亿至5.8万亿美元的潜在价值

在旅游、交通、零售、汽车、高科技、能源、化工、娱乐传媒、基础材料、消费品、农业、银行、医疗系统与服务、公共部门、通讯、医疗制药、保险、先进电子器件/半导体、航天与国防这19个行业中，人工智能的引入，可以创造3.5万亿到5.8万亿美元的潜在价值，包括更有价值的产品和服务、收入的增长、成本的节约、消费者剩余等。

这相当于整体分析技术价值规模（9.5万亿到15.4万亿美元）的40%，相当于各个行业（2016）年度收入的1%到9%。

>> AI 最有潜力影响在营销和销售、供应链管理和制造环节

AI 技术对九大业务功能创造的潜在价值估计

根据麦肯锡的报告，在企业的九大业务功能中，AI最有潜力影响在营销和销售、供应链管理和制造环节，每一年AI带给营销与销售所产生的新增价值高达1.4万亿到2.6万亿美元。

其次，AI分析技术还将用于各个行业的风险管理，如矿业公司预测生产中断风险，实现更有效的勘探、钻探和开采规划等。此外，AI还可创造新的产品和业务模式，如用于银行客户类型识别，可以有效改进的欺诈检测。

另外，AI分析技术带给供应链管理和制造环节1.2-2.0万亿美元的新价值，主要利用生成模型优化端到端的供应链等，或者是通过机器学习对现有的设备系统进行预测性维护，有效的降低各种成本，提高生产效率。

下面分享一个预测性维护的应用案例

传统系统，已经能够对传感器时序数据，包括检测温度、振动状态等，进行分析，实现预测异常检测和预测维护（对组件的剩余使用寿命做出预测）。

但深度学习将这个功能带到了一个新的高度：可以对数据进行分层，从而分析海量的、高维度的，包括图像、音频等各种形式的传感器数据，一些原先不适用的低质量数据（来自廉价的麦克风和照相机）也能被用起来。

在被调研的案例中，这种基于AI技术的预测维护（远程机载诊断技术），可以帮助企业减少停机时间，制定有计划的干预措施，提高产量，并降低经营成本，对应的经济价值约为总销售额的1%到2%。

在货运飞机的案例中，AI技术加持的预测维修，能够延长飞机寿命。因为相比于传统模型，它能更有效的结合平面模型数据、维护历史、物联网传感器数据（包括发动机振动数据、发动机状况的图像和视频等）。

三、AI发展所面临的挑战

尽管人工智能有广阔的发展前景，但是要达到每年创造3.5万亿至5.8万亿美元的潜在价值之前，依然面临着诸多的挑战与限制。

从数据层面来看，面临着五大限制与挑战：

• 训练数据的标记需要人工化，否则难以获取足够大且全面的训练资料集，特别是用于预测治疗方案效果的临床数据；

  
  

• 模型透明度有待提高，例如疾病诊断过程中，AI可以利用患者数据来得出诊断结论，但无法解释这一结论是如何一步一步得到的，此将直接影响汽车、医疗领域的应用；

  
  

• 机器学习缺乏可概括性，难以从一个应用直接复制到另一个相似的应用，这意味着企业需要投入大量的资金来训练新模型；

  
  

• 数据和算法存在偏差的风险，如不同的社会文化的差异等，可能需要更广泛的步骤来解决；

  
  

• 人工智能存在恶意使用的问题，包括黑客的攻击和欺诈性的视频等安全威胁。

考虑到数据的重要性，对于企业和组织来说，制定数据策略，建立数据中心（或者说选择云供应商）、储备专业人才，至关重要。

在技术开发方面，企业或组织必须开发出健全的数据维护和管理流程，实现现代的软件开发规范。最具有挑战性的是克服“最后一公里”的问题，确保人工智能能够落实到企业的业务流程以及产品和服务中。

资料来源：

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