透過對7000多家“AI初創企業”進行研究分析，我發現大多數人低估了AI發展所面臨的困境和挑戰。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正如同我們新時代的電力!電力的發展曾經改變了無數行業;現如今的AI也將如此。”

我基本上同意這種觀點。然而問題在於，這種說法忽視了AI在快速應用過程中面臨的巨大障礙。畢竟AI不會在一夜之間隨處可見。就電力而言，它的發展經歷了四十多年才成為一種無處不在的技術。到1882年，世界已經發現了現代電力的關鍵元素。然而，昂貴的基礎設施、人才的缺乏、監管不透明等許多挑戰阻礙了電力即時的大規模採用。這些阻礙加在一起，使美國的普通家庭直到1925年才用上電!

AI正如一種新的電力，它將改變各行各業。但就像電力的發展一樣，這需要幾十年的時間。對於AI世界而言，我們正處於1882年，而非1925年。

是什麼摩擦正阻礙著AI的應用?AI將首先在哪方面成功?它又將滯後於哪方面?除非我們展開這種對話，否則許多技術上可行、合理充分的AI企業都將面臨失敗。這種對話至關重要，因為全世界都正在AI領域押下重注，儘管這或許並不明智。我在網上搜尋了一下，發現了7192家“AI初創企業”宣稱他們是一家AI公司或正在使用機器學習。這些初創公司已經籌集了190多億美元，僱傭了超過15萬名員工。

你的AI企業何時成功?——框架

值得慶幸的是，你能夠預測你的AI企業更有可能在近期、中期還是長期成功。AI的能力和挑戰是很容易理解的——你所要做的就是全面地審視它們，然後批判性地思考你的AI用例。要做到這一點，不妨考慮使用一個簡單的框架:AI解決方案被採用的速度是價值潛力和其中特有摩擦的函式。許多摩擦減緩了AI技術的應用，但這些摩擦更能減緩一些企業的發展速度。原因在於一些AI解決方案能夠比其他因素創造更多的價值。當一個AI解決方案具有巨大的價值潛力時，企業、投資者、監管機構和消費者們則更容易聯合起來，以克服摩擦。價值和摩擦之間的這種簡單關係產生了一個有用的框架:

AI採用率=f（AI摩擦，AI價值）

那麼，對於你的AI賭注來說，大規模採用AI的道路會是怎樣的呢?對於任何問題，企業或行業，該框架可以直接操作。這是一個更詳細的分類。

阻礙AI快速應用的頂級摩擦

第一步是對AI摩擦進行深思熟慮的分析，這些摩擦可能會減慢你的AI企業的採用速度。人類、資料和市場摩擦都會減緩已驗證AI解決方案的採用速度。它們使開發複雜化，限制了可伸縮性，並引入了用例查殺風險。並不是所有的摩擦都可一概而論的。有些比其他危險得多:

AI摩擦預估量

人類對AI的限制

• 人機迴圈要求：許多演算法需要人的監督。例如，Facebook僱傭了超過1.5萬人來協助他們的內容稽核演算法。
• 人工資料標註要求:AI的許多用例需要人類教授演算法預測的內容（或者在技術術語中，“標註”資料）。例如，百度不得不僱傭數千名翻譯人員來訓練其中文翻譯演算法。
• 缺乏人才:全球缺乏資料科學家、機器學習工程師和其他AI人才。這使得企業組建有能力的AI團隊具有挑戰性。2018年，Indeed.com上釋出的AI相關職位的資訊比搜尋量多了3倍。

AI的資料限制

• 有機資料建立:一些業務模型不能自然地生成AI所需的資料。例如，傳統的零售企業無法獲取關於客戶購物模式的豐富資料。如果要整合人工智慧，零售商需要採用新的商業模式，如線上銷售和“直接面向消費者”等模式。
• 缺乏資料基礎設施:AI需要在技術堆疊的每個級別進行大量投資。On-prem硬體和遺留軟體解決方案是AI的詛咒。為了實現人工智慧，企業必須投資於雲平臺、資料大集中平臺、資料安全和人工智慧開發工具。
• 現有資料混亂:資料很少組織在由乾淨、集中的行和列組成的表中。相反，大多數資料存在於凌亂的文件或遺留軟體系統中。公司傾向於跨團隊和組織儲存資料，他們通常無法維護存在不同資料的文件，並且沒有強制執行如何捕獲和儲存資料的標準。
• 對第三方資料依賴:人工智慧渴望資料。當你的公司沒有足夠的專有資料時，便不得不購買資料，而授權和維護API以訪問第三方資料的成本是非常昂貴的。
• 資料速度很低:大多數人工智慧需要數千個完整反饋迴圈的例子來學習。這在反饋週期較慢的領域是具有挑戰性的。例如，獲取慢性病長期衛生保健結果的資料就是一個代價高昂的過程。

AI的市場限制

• 捕獲AI價值所需的業務模型變化:為了獲取AI價值，許多行業將不得不更改它們交付產品和服務的方式。例如，自動駕駛汽車將迫使汽車製造商採用“運輸即服務”的策略。
• 近乎完美的演算法效能要求:一些人工智慧用例具有很高的失敗成本。以醫療和自動駕駛汽車的診斷決策為例，在這些情況下，AI解決方案會帶來重大風險。
• AI需要流程變更:支援AI的產品通常會引入截然不同的工作流程。例如，人工智慧招聘解決方案往往更傾向於非傳統的面試和工作申請。這讓更多傳統的人力資源團隊感到害怕。
• 無法解釋的演算法:在許多情況下，消費者(甚至監管者)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慧演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，這就使得人工智慧在放貸方面變得困難。
• 有偏演算法:AI演算法經常做出有偏決策。這在許多領域（如執法、人力資源和教育）都是違法和令人反感的。
• 繁重的隱私標準:AI是對隱私的一種威脅。人工智慧為企業收集大量私人資訊創造了動力。此外，人工智慧還能從無害的資料(比如打字模式)推斷出個人資訊(比如個人的情緒狀態)。這些威脅隱私的AI解決方案可能會面臨監管和消費者的抵制。

評估AI價值

一旦瞭解了企業面臨的AI摩擦，就要進行價值分析。你的AI解決方案能否降低成本、節省時間、減輕風險、創造新的消費價值?如果能，需要多少錢?要做到這一點，沒有一種放之四海而皆準的方法。一旦你評估了你的AI解決方案，請批判性地思考這個值將如何激勵利益相關者克服摩擦。在此過程中，您應該考慮宏觀層面的趨勢。在AI不能更普遍地創造重要價值的領域，這是很危險的。如果真的到了這一步，那麼你將會成為一個孤獨的人工智慧倡導者。麥肯錫全球研究所(MGI)最近評估人工智慧和分析的潛力超過了9萬億美元，重要的是，這個價值並不是按比例地分佈在各種用例和行業中。

AI用例

在評估了400多個已知人工智慧用例的列表之後，MGI發現普通的業務問題——供應鏈、銷售和營銷——是人工智慧最有價值的用例。

按用例劃分AI價值

跨行業AI價值

透過將用例對映到各個行業，MGI評估了AI對各個行業的重要性。他們發現，在高階功能（如銷售）中有複雜問題的行業將從人工智慧中獲得最大收益。

AI價值佔行業收入的百分比

AI的未來——應用框架

那麼，哪些行業最容易受到人工智慧應用速度低於預期的影響呢?誰最有可能不合時宜地成為AI賭注的炮灰呢?我們可以在宏觀層面應用框架來尋找答案。我採訪了幾位人工智慧專家，用於估計每個行業的人工智慧摩擦強度，然後將這些資訊彙總並繪製出與MGI的人工智慧價值估計相對應的圖表:

根據我的分析，AI將在三波浪潮中席捲各個行業:

• 第一波AI浪潮——快速採用者:這波融合了消費科技和媒體的浪潮已經很好地開始了。谷歌、Facebook和Netflix等公司的先進技術引領了這一潮流。
• 第二波AI浪潮-慢採用者:這波浪潮也已經開始，但可能推進更緩慢。一些採用者(如製造商和供應鏈運營商)不太願意採用人工智慧。一些其他企業(如銀行)則清楚地知道：如果他們成功了，將獲得巨大的回報，但在採用人工智慧的過程中必定面臨重大挑戰。
• 第三波AI浪潮——艱難採用者:醫療、汽車和(可能的)零售行業的AI採用率可能低於預期。在採用人工智慧方面，它們都面臨著巨大的障礙。在一分錢一分貨的基礎上，因此也都不太願意採用人工智慧。值得注意的是，零售在這裡有些不同於其他行業:傳統零售商在一些領域(銷售和營銷)面臨著重大摩擦，但在另一些領域(供應鏈運營)卻是人工智慧的快速採用者。

那麼，你的人工智慧企業何時才能成功呢?你需要分析面臨的人工智慧摩擦、評估你想要創造價值的大小，然後看看你的企業相對於已知的人工智慧成功案例所存在的差距。如果結論是更多的摩擦和更少的價值，那麼也許現在還不是下這個賭注的時候。但如果你有一個高價值、低摩擦的人工智慧解決方案，那麼就不要再讀這篇文章了。全速進擊吧!

作者：AJ Christensen