人工智能（AI）已成為數(shù)字時(shí)代脫穎而出的革命性技術(shù)，但圍繞其具體應(yīng)用的爭(zhēng)論與質(zhì)疑始終不減：何謂人工智能？有何應(yīng)用價(jià)值？哪些潛力尚未開(kāi)掘？盡管如此，人工智能領(lǐng)域的基礎(chǔ)技術(shù)仍然一直行駛在快車(chē)道上，實(shí)際用例也如雨后春筍一般涌現(xiàn)，不僅對(duì)全球經(jīng)濟(jì)產(chǎn)生了巨大影響，也滲透到了人們?nèi)粘Ｉ畹母鱾€(gè)方面。

從 19 個(gè)行業(yè)和 9 大業(yè)務(wù)職能中擇取了 400 余個(gè)人工智能用作為研究對(duì)象，并結(jié)合麥肯錫公司積累的豐富數(shù)據(jù)與專(zhuān)業(yè)經(jīng)驗(yàn)展開(kāi)深度剖析，研究發(fā)現(xiàn)，人工智能技術(shù)（主要指基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)）每年將在全球范圍內(nèi)創(chuàng)造3.5 萬(wàn)億~5.8 萬(wàn)億美元的潛在價(jià)值，約占分析技術(shù)可能提供的總價(jià)值規(guī)模的40%。

然而，若想釋放這些價(jià)值潛力，首先必須克服人工智能技術(shù)付諸應(yīng)用時(shí)面臨的局限和挑戰(zhàn)。歸根結(jié)底，人工智能技術(shù)的價(jià)值并不源于模型本身，而是源于企業(yè)駕馭模型的能力。企業(yè)領(lǐng)導(dǎo)者首先需要明確這些技術(shù)的部署方式、時(shí)機(jī)、場(chǎng)景和優(yōu)先級(jí)，才能審慎地做出決策。

麥肯錫人工智能用例庫(kù)

我們對(duì)“用例”的定義是：針對(duì)特定業(yè)務(wù)挑戰(zhàn)而開(kāi)發(fā)的數(shù)字技術(shù)應(yīng)用，并且應(yīng)當(dāng)具備可衡量的結(jié)果。相關(guān)領(lǐng)域的從業(yè)人員也各自描述了他們認(rèn)為意義重大的業(yè)務(wù)挑戰(zhàn)，我們所分析的用例也都與之相符。

我們?yōu)檫@項(xiàng)研究專(zhuān)門(mén)構(gòu)建了一個(gè)覆蓋各個(gè)經(jīng)濟(jì)領(lǐng)域、取樣盡可能全面的用例庫(kù)，用例數(shù)據(jù)采自麥肯錫與全球各地的客戶的數(shù)千次溝通，來(lái)源力求多元。這些數(shù)據(jù)融合了企業(yè)和公共組織使用分析技術(shù)時(shí)的實(shí)際結(jié)果，以及根據(jù)這些實(shí)際案例對(duì)其他類(lèi)似情形的估測(cè)。只要條件允許，我們都會(huì)甄選出單個(gè)用例的多個(gè)實(shí)例來(lái)進(jìn)行分析。

針對(duì)每個(gè)用例，我們逐一估算了應(yīng)用人工智能以及其他分析技術(shù)后為整體經(jīng)濟(jì)帶來(lái)的年均價(jià)值潛力。這種價(jià)值潛力可以體現(xiàn)為企業(yè)組織利潤(rùn)的增加，也可以體現(xiàn)為產(chǎn)品價(jià)格的降低或質(zhì)量的提高。

目前我們?nèi)栽诓粩嗤晟坪拓S富該用例庫(kù)。

人工智能技術(shù)與實(shí)際應(yīng)用

首先，讓我們把目光投向深度學(xué)習(xí)的基石神經(jīng)網(wǎng)絡(luò)算法。作為機(jī)器學(xué)習(xí)的下屬領(lǐng)域，神經(jīng)網(wǎng)絡(luò)算法是通過(guò)模擬神經(jīng)元彼此連接的模式而產(chǎn)生的技術(shù)，最初受到腦科學(xué)的啟發(fā)而興起于20世紀(jì)40年代。近十年來(lái)，有賴于圖形處理器（GPU）、張量處理單元（TPU）等超級(jí)硬件帶來(lái)的算力革命以及大規(guī)模分布式存儲(chǔ)提供的海量數(shù)據(jù)存儲(chǔ)和讀取能力，深度神經(jīng)網(wǎng)絡(luò)已經(jīng)重返榮光。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)通常只能模擬3~5層和數(shù)十個(gè)神經(jīng)元，而深度學(xué)習(xí)技術(shù)的出現(xiàn)將其拓展到了7層以上，模擬神經(jīng)元的數(shù)量也達(dá)到數(shù)百萬(wàn)個(gè)之多。本文提到的“人工智能技術(shù)”即專(zhuān)門(mén)指代“基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)”。具體來(lái)看，有以下三種主要形式。

前饋神經(jīng)網(wǎng)絡(luò)：最常見(jiàn)的神經(jīng)網(wǎng)絡(luò)類(lèi)型之一。信息在這種網(wǎng)絡(luò)結(jié)構(gòu)中只向前傳導(dǎo)（也即輸入層隱藏層輸出層），中間沒(méi)有循環(huán)等復(fù)雜結(jié)構(gòu)。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）：通過(guò)循環(huán)將人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間連接起來(lái)，該結(jié)構(gòu)適于處理時(shí)間序列類(lèi)輸入，尤其擅長(zhǎng)手寫(xiě)文字識(shí)別、語(yǔ)音識(shí)別這一類(lèi)任務(wù)。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）：其神經(jīng)層之間的連接結(jié)構(gòu)受到了動(dòng)物視覺(jué)皮層（負(fù)責(zé)處理圖像）組織結(jié)構(gòu)的啟發(fā)，適于處理圖像感知類(lèi)任務(wù)。

在估算人工智能技術(shù)的價(jià)值潛力時(shí)，我們也考慮了其他常見(jiàn)的機(jī)器學(xué)習(xí)算法（如決策樹(shù)模型、回歸、分類(lèi)、聚類(lèi)以及集成算法等）以及生成對(duì)抗網(wǎng)絡(luò)（GAN）和強(qiáng)化學(xué)習(xí)（RL）技術(shù)，但由于這些技術(shù)目前尚未得到廣泛應(yīng)用，因此我們沒(méi)有將其納入人工智能價(jià)值潛力的估算范圍。

AI技術(shù)總價(jià)值潛力的2/3源自現(xiàn)有分析用例的價(jià)值提升

在本研究涉及的69%的用例中，深度神經(jīng)網(wǎng)絡(luò)都可以讓其他分析技術(shù)如虎添翼，進(jìn)一步為企業(yè)創(chuàng)造效益，根據(jù)行業(yè)不同，其提升幅度可達(dá)30%~128%。

其中有16%的用例只能單獨(dú)依托神經(jīng)網(wǎng)絡(luò)技術(shù)，我們稱之為“綠地”用例?！熬G地”解決方案普遍用于客戶服務(wù)管理領(lǐng)域，以及那些數(shù)據(jù)維度高、總量大，并且整合了人類(lèi)行為數(shù)據(jù)的行業(yè)。人工智能技術(shù)之所以能夠釋放可觀的價(jià)值潛力，關(guān)鍵在于它可以廣泛融合不同類(lèi)型的海量數(shù)據(jù)來(lái)解決某個(gè)問(wèn)題。在另外15%的用例中，人工神經(jīng)網(wǎng)絡(luò)對(duì)其他分析技術(shù)的效果提升較為有限，但這在一定程度上要?dú)w咎于這些行業(yè)的數(shù)據(jù)使用方式和監(jiān)管方面的問(wèn)題。

相比其他分析技術(shù)，深度學(xué)習(xí)技術(shù)對(duì)數(shù)據(jù)總量與數(shù)據(jù)多樣性的要求更高

龐大的數(shù)據(jù)量是神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)高精準(zhǔn)度的必要條件。因此在訓(xùn)練模型時(shí)，應(yīng)當(dāng)盡可能地關(guān)聯(lián)多渠道的數(shù)據(jù)，以免數(shù)據(jù)形成“孤島”，從而喪失活力。為了實(shí)現(xiàn)這一目的，企業(yè)需要?jiǎng)?chuàng)建一個(gè)元數(shù)據(jù)模型，并且妥善應(yīng)對(duì)職能部門(mén)之間因共享數(shù)據(jù)而引發(fā)的內(nèi)部沖突和安全風(fēng)險(xiǎn)。

另外，在提取圖像、視頻、音頻等復(fù)雜的高維數(shù)據(jù)時(shí)，深度學(xué)習(xí)技術(shù)顯出了更強(qiáng)大的威力，這有賴于技術(shù)本身復(fù)雜的高維屬性。傳統(tǒng)的分析技術(shù)通常要借助人力來(lái)篩選模型特征，而今天的神經(jīng)網(wǎng)絡(luò)往往能在訓(xùn)練過(guò)程中自主學(xué)習(xí)，并且再現(xiàn)這些特征。正是在深度學(xué)習(xí)技術(shù)的加持下，神經(jīng)網(wǎng)絡(luò)模型的效果得到了大幅提升，人們才享受到許多便捷的產(chǎn)品和服務(wù)，其中就包括我們耳熟能詳?shù)腟iri、Alexa、Cortana 等智能助手。

維護(hù)AI系統(tǒng)需要頻繁的數(shù)據(jù)更新

用例分析顯示，人工智能技術(shù)除了對(duì)數(shù)據(jù)規(guī)模和類(lèi)型有一定要求之外，數(shù)據(jù)迭代速度也是一個(gè)必要條件：人工智能需要反復(fù)訓(xùn)練模型才能應(yīng)對(duì)內(nèi)外部環(huán)境的變化，因此必須更加頻繁地更新訓(xùn)練數(shù)據(jù)。研究顯示，在1/3的用例中，人工智能模型至少每月要更新一次；約1/4的用例需要每天更新。

用例剖析：AI技術(shù)潛力何在？

AI技術(shù)每年有望為全球經(jīng)濟(jì)額外創(chuàng)造3.5萬(wàn)億~5.8萬(wàn)億美元的經(jīng)濟(jì)價(jià)值

我們估算了現(xiàn)有用例創(chuàng)造的價(jià)值以及未來(lái)用例的潛在價(jià)值，將數(shù)據(jù)加總后發(fā)現(xiàn)，人工智能技術(shù)每年可在旅游、零售、汽車(chē)、醫(yī)療等19個(gè)行業(yè)的9大職能中額外創(chuàng)造高達(dá)3.5萬(wàn)億~5.8萬(wàn)億美元經(jīng)濟(jì)價(jià)值，約占所有分析技術(shù)每年總價(jià)值潛力（9.5萬(wàn)億~15.4萬(wàn)億美元）的40%，相當(dāng)于各行業(yè)2016年?duì)I收總額的1%~9%不等。

在某一個(gè)組織、行業(yè)或職能的價(jià)值潛力中，人工智能技術(shù)貢獻(xiàn)的比例往往取決于具體的競(jìng)爭(zhēng)格局和市場(chǎng)動(dòng)態(tài)，以及企業(yè)本身和其他利益相關(guān)方的選擇和決策比如對(duì)商業(yè)模式的選擇。其中一些價(jià)值將以更為多元化的形式體現(xiàn)出來(lái)：比如催生更有價(jià)值的產(chǎn)品和服務(wù)，推動(dòng)營(yíng)收增長(zhǎng)、成本壓縮或?qū)嶋H的消費(fèi)者剩余。在有些用例中，匯總數(shù)據(jù)初看也許并不驚艷，但人工智能技術(shù)實(shí)際上已讓該領(lǐng)域?qū)崿F(xiàn)了徹底蛻變。

AI技術(shù)最大的價(jià)值潛力表現(xiàn)在營(yíng)銷(xiāo)和銷(xiāo)售、供應(yīng)鏈管理和制造等若干職能領(lǐng)域

我們通過(guò)研究用例發(fā)現(xiàn)，人工智能最顯著的價(jià)值潛力來(lái)自兩個(gè)職能領(lǐng)域：以收入為導(dǎo)向的職能，比如營(yíng)銷(xiāo)和銷(xiāo)售；以及以利潤(rùn)為導(dǎo)向的職能，比如運(yùn)營(yíng)。因此，每一家企業(yè)都需要審視其業(yè)務(wù)職能組合，找出最適合自己的人工智能技術(shù)，并且確定投資部署這些技術(shù)的具體領(lǐng)域。

對(duì)于零售、高科技等消費(fèi)行業(yè)來(lái)說(shuō)，營(yíng)銷(xiāo)和銷(xiāo)售用例中的人工智能技術(shù)具有更顯著的價(jià)值潛力，這是因?yàn)檫@些行業(yè)需要與客戶頻繁互動(dòng)，并由此產(chǎn)生了可供人工智能利用的海量數(shù)據(jù)。電商企業(yè)可以設(shè)置網(wǎng)頁(yè)點(diǎn)擊量、瀏覽時(shí)間等各種與客戶行為直接相關(guān)的信息埋點(diǎn)，借此為客戶實(shí)時(shí)提供“千人千面”的定制化促銷(xiāo)、定價(jià)和產(chǎn)品推薦。實(shí)體零售商則可以利用物聯(lián)網(wǎng)技術(shù)打通線上與線下的數(shù)據(jù)壁壘，提升供應(yīng)鏈的銷(xiāo)售績(jī)效。此外，人工智能技術(shù)還可以幫助企業(yè)實(shí)現(xiàn)預(yù)見(jiàn)性維護(hù)、現(xiàn)場(chǎng)人員調(diào)度，以及優(yōu)化生產(chǎn)和組裝流程。以先進(jìn)電子和半導(dǎo)體行業(yè)為例，企業(yè)可利用人工智能技術(shù)分析數(shù)據(jù)來(lái)調(diào)整生產(chǎn)和供應(yīng)鏈運(yùn)營(yíng)，以最大限度地減少水電費(fèi)用及原材料支出。我們的用例研究顯示，這些企業(yè)的總生產(chǎn)成本可由此降低 5%~10%。

AI技術(shù)的價(jià)值潛力與行業(yè)自身的核心價(jià)值驅(qū)動(dòng)力高度相關(guān)

雖然人工智能技術(shù)可廣泛應(yīng)用于整個(gè)經(jīng)濟(jì)，但不同行業(yè)最具潛力的用例類(lèi)型互不相同，這是因?yàn)槊總€(gè)行業(yè)的核心價(jià)值驅(qū)動(dòng)力彼此不同。此外當(dāng)然也有一些其他的影響因素，比如數(shù)據(jù)可用性、人工智能與現(xiàn)有技術(shù)的適配程度，以及諸多技術(shù)和算法解決方案能否適用。舉例而言，在零售業(yè)等面向消費(fèi)者的行業(yè)中，營(yíng)銷(xiāo)和銷(xiāo)售是人工智能技術(shù)最有價(jià)值潛力的環(huán)節(jié)；而在先進(jìn)制造業(yè)等以運(yùn)營(yíng)驅(qū)動(dòng)的行業(yè)中，人工智能最大的價(jià)值潛力卻來(lái)自供應(yīng)鏈、物流和制造環(huán)節(jié)。

如果根據(jù)人工智能最大價(jià)值潛力的表現(xiàn)領(lǐng)域來(lái)橫向比對(duì)各個(gè)行業(yè)，我們就能得出一些有指導(dǎo)意義的結(jié)論。舉例而言，在零售行業(yè)中，營(yíng)銷(xiāo)和銷(xiāo)售是人工智能價(jià)值潛力最大的環(huán)節(jié)，而定價(jià)、促銷(xiāo)以及客戶服務(wù)管理又是最為核心的價(jià)值領(lǐng)域。用例分析表明，即使只是線下的實(shí)體零售商，如果能夠善用客戶數(shù)據(jù)進(jìn)行客制化促銷(xiāo)（比如制定每日的個(gè)人優(yōu)惠策略），其銷(xiāo)售增量便可提升1%~2%。

技術(shù)變現(xiàn)的挑戰(zhàn)

AI 技術(shù)變現(xiàn)之路仍然任重道遠(yuǎn)

隨著該領(lǐng)域投資規(guī)模不斷的激增，人工智能技術(shù)已獲得了長(zhǎng)足發(fā)展，預(yù)示著更大的價(jià)值潛力即將得到釋放。但迄今為止，全球仍然只有少數(shù)先驅(qū)企業(yè)和技術(shù)巨頭具有大規(guī)模部署人工智能技術(shù)的能力，即使是在這方面認(rèn)識(shí)較為超前的企業(yè)，也只有約20%有能力在核心業(yè)務(wù)流程中應(yīng)用相關(guān)技術(shù)。

數(shù)據(jù)層面的五大挑戰(zhàn)

■ 大量依賴人工 ：作為監(jiān)督學(xué)習(xí)（supervised learning）的重要步驟，數(shù)據(jù)標(biāo)記通常需要人工判斷、手動(dòng)完成，導(dǎo)致企業(yè)需要投入大量人工成本。為了應(yīng)對(duì)這一挑戰(zhàn)，一些新興技術(shù)正在涌現(xiàn)，比如強(qiáng)化學(xué)習(xí)、流內(nèi)監(jiān)督（in-streamsupervision）等。

■ 數(shù)據(jù)資源匱乏 ：在某些應(yīng)用場(chǎng)景下，企業(yè)組織難以獲得總量足夠、類(lèi)型全面的訓(xùn)練數(shù)據(jù)庫(kù)，導(dǎo)致人工智能模型的實(shí)施效果大打折扣。

■ 模型結(jié)果難以解釋 ：這會(huì)對(duì)產(chǎn)品認(rèn)證造成明顯阻礙，在監(jiān)管?chē)?yán)格、標(biāo)準(zhǔn)明確的行業(yè)中尤其如此，比如醫(yī)療、汽車(chē)、化學(xué)、航空航天等領(lǐng)域。但目前已經(jīng)出現(xiàn)了“模型無(wú)關(guān)的局部可解析性算法”（LIME），該算法可有效提高模型透明度，有助于解決這一痛點(diǎn)。

■ 模型學(xué)習(xí)的泛化能力不佳：人工智能模型有一個(gè)長(zhǎng)期存在的弱點(diǎn)，難以將自身特性在不同場(chǎng)景間平移，這意味著一旦應(yīng)用場(chǎng)景發(fā)生變化，哪怕與之前的場(chǎng)景極為相似，企業(yè)也必須再次投入資源來(lái)訓(xùn)練新的模型。目前比較有前景的解決方案是轉(zhuǎn)移學(xué)習(xí)（transfer learning），也即訓(xùn)練人工智能模型完成對(duì)某項(xiàng)特定任務(wù)的學(xué)習(xí)，然后迅速將學(xué)習(xí)結(jié)果用于相似但截然不同的活動(dòng)中。

■ 數(shù)據(jù)和算法可能帶來(lái)潛在的偏差與安全風(fēng)險(xiǎn)：在某些情況下，一旦人工智能模型使用失當(dāng)，將會(huì)進(jìn)一步固化和加深現(xiàn)有的社會(huì)文化偏見(jiàn)。當(dāng)訓(xùn)練樣本無(wú)法代表模型應(yīng)當(dāng)覆蓋的多數(shù)對(duì)象時(shí)，就可能引起意想不到的偏差。這個(gè)問(wèn)題在本質(zhì)上與更廣泛的社會(huì)矛盾有關(guān)，因此需要聯(lián)合各方以更廣泛的手段輔助技術(shù)創(chuàng)新。

組織層面的障礙

企業(yè)組織在技術(shù)、流程和人才方面遭遇的挑戰(zhàn)，無(wú)疑也會(huì)減緩乃至妨礙人工智能技術(shù)的落地。在規(guī)劃部署之初，企業(yè)組織需要思考如何完善自身的人工智能能力：是在組織內(nèi)部自然積淀，還是從外部快速收購(gòu)？是采用外包服務(wù)，還是使用“AI即服務(wù)”（AI-as-a-service）平臺(tái)？鑒于深度學(xué)習(xí)技術(shù)對(duì)計(jì)算能力的要求極高，一些企業(yè)出于監(jiān)管和安全方面的考慮，傾向于保留自己的數(shù)據(jù)中心；但由于獨(dú)立維護(hù)專(zhuān)用硬件的成本相當(dāng)可觀，購(gòu)買(mǎi)云服務(wù)也不失為一個(gè)選擇。

企業(yè)組織也需要建立健全的數(shù)據(jù)維護(hù)以及治理流程，而且需要采用敏捷開(kāi)發(fā)、DevOps開(kāi)發(fā)等新一代軟件開(kāi)發(fā)模式，以確保人工智能模型提供的指導(dǎo)性洞見(jiàn)得以廣泛高效地滲透到組織基層以及各個(gè)開(kāi)發(fā)步驟當(dāng)中。

在人才方面，有能力指導(dǎo)深度神經(jīng)網(wǎng)絡(luò)構(gòu)建、優(yōu)化，并切實(shí)提升模型性能的專(zhuān)家極為稀缺。據(jù)不完全統(tǒng)計(jì)，全球范圍內(nèi)掌握此種技術(shù)的專(zhuān)家不足1萬(wàn)人。企業(yè)若想自行開(kāi)發(fā)人工智能解決方案，需要確保自身具有吸引并留住這些高端人才的能力。

商業(yè)化前景尚不明朗

在某些領(lǐng)域中，即使已經(jīng)擁有了成熟的技術(shù)和充足的數(shù)據(jù)，人工智能技術(shù)的商業(yè)效益相比其部署成本和耗費(fèi)的精力而言也顯得不值一提。斯坦福大學(xué)近日的一項(xiàng)研究發(fā)現(xiàn)，深度神經(jīng)網(wǎng)絡(luò)可以高度準(zhǔn)確地預(yù)測(cè)債券的價(jià)格，但耗時(shí)長(zhǎng)達(dá)幾個(gè)小時(shí)；而對(duì)于債券交易者來(lái)說(shuō)，時(shí)間差至關(guān)重要，所以他們寧愿選擇預(yù)測(cè)準(zhǔn)確性略低，但僅需4 秒便可看到結(jié)果的傳統(tǒng)分析技術(shù)。同樣，人工智能模型用于某些商業(yè)場(chǎng)景的價(jià)值潛力尚不明朗。以采礦業(yè)為例，人工智能技術(shù)在礦體成分分析方面大有可為，但鑒于其資本支出相當(dāng)高昂，部署該技術(shù)究竟能帶來(lái)多少收益，目前還很難衡量。

社會(huì)輿論和監(jiān)管約束

社會(huì)關(guān)注和監(jiān)管約束也可能影響企業(yè)對(duì)人工智能價(jià)值潛力的挖掘。銀行、醫(yī)藥衛(wèi)生、社會(huì)、公共事業(yè)等領(lǐng)域?qū)τ趥€(gè)人信息的使用和存儲(chǔ)尤為敏感。此外，公眾對(duì)公平和平等的期待，以及針對(duì)大規(guī)模復(fù)雜算法透明度的監(jiān)管要求，都可能造成數(shù)據(jù)樣本的偏差。

給利益相關(guān)者的建議

正如上文所提到的，企業(yè)部署人工智能技術(shù)的價(jià)值潛能主要取決于其駕馭模型的能力，而不是模型本身是否出色。由于人工智能技術(shù)將產(chǎn)生巨大的經(jīng)濟(jì)和社會(huì)影響，因此該領(lǐng)域的技術(shù)創(chuàng)新者、服務(wù)的使用者、政策制定者等利益相關(guān)者實(shí)際上面臨著同一個(gè)任務(wù)：如何建設(shè)一個(gè)安全有效、充滿活力的人工智能環(huán)境，借以全面提升經(jīng)濟(jì)和社會(huì)效益。

給AI技術(shù)提供商的建議

許多人工智能技術(shù)開(kāi)發(fā)者或服務(wù)提供商的技術(shù)優(yōu)勢(shì)很明顯，也擁有能夠使用這些技術(shù)的數(shù)據(jù)科學(xué)家，但他們對(duì)終端市場(chǎng)缺乏理解。如上文所述，人工智能最顯著的價(jià)值潛力來(lái)自改善現(xiàn)有用例的效果，即從根本上提升對(duì)潛在客戶的轉(zhuǎn)化能力。此外，許多企業(yè)也困惑于如何合理配置自身資源。充分了解人工智能的跨部門(mén)和跨職能價(jià)值潛力，有助于企業(yè)調(diào)整自身對(duì)于人工智能技術(shù)的投資方向。企業(yè)未必要全心投入于價(jià)值潛力最高的業(yè)務(wù)和職能領(lǐng)域；相反，它們不妨著眼于競(jìng)爭(zhēng)對(duì)手以及自身在技術(shù)、數(shù)據(jù)、行業(yè)知識(shí)、客戶關(guān)系等方面的優(yōu)劣勢(shì)，據(jù)此優(yōu)化自身的戰(zhàn)略布局。

若能厘清人工智能用于各個(gè)行業(yè)與職能中將會(huì)帶來(lái)多少價(jià)值潛力，則有助于指導(dǎo)企業(yè)將其部署于自身的專(zhuān)長(zhǎng)領(lǐng)域。對(duì)于擁有某一類(lèi)數(shù)據(jù)資源的技術(shù)型企業(yè)而言，這種思考有助于其找到數(shù)據(jù)使用的突破口或空白點(diǎn)。

給利用AI技術(shù)轉(zhuǎn)型賦能的企業(yè)的建議

許多希望部署人工智能技術(shù)的企業(yè)往往會(huì)積極地開(kāi)展業(yè)務(wù)相關(guān)的技術(shù)實(shí)驗(yàn)，并且很可能遭到多家人工智能解決方案提供商的“輪番轟炸”。在啟動(dòng)更多試點(diǎn)和測(cè)試之前，企業(yè)管理者有必要放慢腳步、著眼全局，統(tǒng)籌安排各種人工智能技術(shù)（以及更廣泛的數(shù)字分析技術(shù)）的優(yōu)先級(jí)，了解對(duì)企業(yè)本身而言價(jià)值潛力最大的用例和領(lǐng)域，并思考如何部署才能獲得這些價(jià)值。確定投資方向時(shí)，也不能紙上談兵，只去關(guān)注理論上的價(jià)值潛力，而是要斟酌人工智能技術(shù)是否有規(guī)模化部署的可能。這一切都取決于企業(yè)運(yùn)用數(shù)據(jù)資源的綜合能力，除了關(guān)注部署技術(shù)的“長(zhǎng)征第一步”（也即如何獲取數(shù)據(jù)），更要重視最后的“會(huì)師”環(huán)節(jié)，也即將人工智能模型輸出的洞見(jiàn)整合到企業(yè)的日常工作流程當(dāng)中，以獲得實(shí)木展會(huì)專(zhuān)題。

給AI政策制定者的建議

人工智能政策制定者需要在“鼓勵(lì)發(fā)展”以及“管控風(fēng)險(xiǎn)”之間取得平衡。人工智能工具和框架的演進(jìn)可謂日新月異，因此相關(guān)政策也要跟上步伐，持續(xù)調(diào)整創(chuàng)新，以鼓勵(lì)人工智能技術(shù)安全付諸實(shí)踐，創(chuàng)造廣泛的經(jīng)濟(jì)和社會(huì)效益。

通過(guò)對(duì)400余個(gè)真實(shí)用例的詳細(xì)分析，我們可以看到人工智能技術(shù)廣泛應(yīng)用后將帶來(lái)何等巨大的經(jīng)濟(jì)價(jià)值和社會(huì)效益。為了更好地捕獲這些價(jià)值，企業(yè)管理者應(yīng)當(dāng)積極補(bǔ)充人才、加強(qiáng)組織自身的高級(jí)分析能力，從長(zhǎng)遠(yuǎn)來(lái)看，這將是一筆物超所值的投資。用例分析顯示，人工智能提升價(jià)值潛力最大的地方，正是其余數(shù)字分析技術(shù)最有可能創(chuàng)造價(jià)值的地方。因此，希望部署人工智能技術(shù)的企業(yè)應(yīng)當(dāng)全面提升自身的數(shù)字化水平。豐富的數(shù)據(jù)資源是人工智能創(chuàng)造價(jià)值的前提條件。此外，若想讓技術(shù)成功落地，企業(yè)還需要明確技術(shù)部署的重點(diǎn)和優(yōu)先級(jí)，合理規(guī)避安全風(fēng)險(xiǎn)。毫無(wú)疑問(wèn)，人工智能技術(shù)的價(jià)值潛力極高，并且會(huì)隨著技術(shù)發(fā)展變得愈發(fā)可觀。而準(zhǔn)確識(shí)別人工智能技術(shù)的用武之地，并且找出獲取價(jià)值的手段，也許將成為當(dāng)今時(shí)代最重要的一項(xiàng)商業(yè)挑戰(zhàn)。
責(zé)任編輯：tzh