目录
1、人工智能的发展
1.1人工智能的起步
1.2对于人工智能的投资
1.3人工智能能否成为下一个数字前沿
2、关于人工智能进驻企业的讨论
2.1人工智能有望提升利润和变革行业
2.2企业是否准备好迎接人工智能
3、应该为人工智能做哪些准备
3.1百亿美元催化的竞争差距扩大
3.2企业AI转型早期的阶段性策略
3.3企业、开发者和政府现在就需要认识到人工智能的全部潜力
3.4各行业面临的挑战
正文
1、人工智能的发展
1.1人工智能的起步
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。
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。
1.2对于人工智能的投资
2016年全球范围内，公司在人工智能上的投资大约为 260 亿至 390 亿美元，其中科技巨头在AI上的相关投入已经达到200亿到300亿美元；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%。
我们的发现重点围绕五大人工智能技术系统：机器人和自动化载具、计算机视觉、语言、虚拟智能体（virtual agent）、机器学习（其中包括深度学习，并且是近来许多其它人工智能技术的新进展的基础）。
人工智能投资正在快速增长，其中谷歌和百度等数字巨头是主导者。 2016 年科技巨头在人工智能上投入的 200 亿到 300 亿美元，其中 90% 花在了研发和部署上，另外 10% 则花在了人工智能并购上。VC 和 PE 融资、拨款和种子轮投资也在快速增长，尽管基数很小，但已经增长到了总共 60 亿到 90 亿美元。机器学习作为一项赋能技术（enabling technology），已经在内部投资和外部投资中都占据了最大的份额。
1.3人工智能能否成为下一个数字前沿
在科技行业之外采用人工智能还处于早期的实验性阶段。仅有少数公司进行了大规模部署。在我们调查的 3000 位知道人工智能的首席官级别（C-level）的高管中（来自 10 个国家，横跨 14 个行业），仅有 20% 表示他们目前在大规模或在他们业务的核心部分使用与人工智能相关的技术。许多公司表示它们并不确定相关的业务案例或投资回报。在调查了 160 多种用例之后，我们发现其中仅有 12% 对人工智能进行了商业化的部署。
目前的人工智能浪潮在准备最后的突破：人工智能领域的投资有很大的增长率，但采用率依然很低。
采用人工智能的模式说明了人工智能的早期采用者与其它公司之间日益扩大的鸿沟。处在麦肯锡全球研究院（MGI）的产业数字化指数（Industry Digitization Index）顶部的行业（例如高科技和电信行业、金融服务行业）也是人工智能应用方面的领军者。它们也拥有最为激进的人工智能投资意图。这些领军者的投资兼具广度与深度：跨多个职能部门使用多种技术，并且将其部署到自己业务的核心。比如说，汽车制造商正在使用人工智能来开发自动驾驶汽车和改善汽车操作体验，而金融服务公司则更可能将其用在消费者体验相关的功能中。
早期的证据表明，人工智能可以给严肃的采用者带来真正的价值，并且可以成为一股强大的颠覆性力量。在我们调查中，将强大的数字能力与主动的战略结合在一起的人工智能早期采用者有更高的利润率，并且还有望在未来进一步扩大业绩的差距。我们在零售、电力公共事业、制造业、医疗保健和教育领域的案例研究突出了人工智能在提升预测和采购、优化和自动化运营、开发定向营销和定价以及提升用户体验上的潜力。
人工智能对数字基础的依赖以及人工智能往往需要在特定数据上训练的事实意味着公司没有捷径可走。公司不能推迟和拖延其数字化进步，包括人工智能。早期的采用者已经在创造竞争优势了，而且也似乎正将后进者越甩越远。一个成功的方案需要公司解决数字和分析转型中的许多元素：识别业务案例、设置正确的数据生态系统、开发或购买合适的人工智能工具以及调整工作流程、能力和文化。特别地，我们的调查表明高层的领导、管理和技术能力以及无缝的数据权限是关键的推动因素。
人工智能有望实现价值利益，但也给公司、开发者、政府和工作者带来了紧迫的挑战。劳动力需要得到再训练，获得新技能，从而能利用人工智能，而不是与之竞争。
2、关于人工智能进驻企业的讨论
2.1人工智能有望提升利润和变革行业
人工智能技术近年来飞速发展，然而后续的采用依然处于起步阶段。这使得评估人工智能对于公司和行业造成的潜在影响充满了挑战。我们确实知道很多不采用人工智能技术的人报道说他们在做人工智能投资的商业案例时遇到了困难。但是那些采用人工智能技术的公司发生了什么呢？通过查看数字原住民的案例研究以及来自我们调研的回应，我们发现了大规模地采用人工智能技术带来丰厚回报的早期证据。通过回顾五个行业的大量案例研究，我们也展示了人工智能是如何转变一些业务活动，并具有根本地改变其他业务的潜力。这些案例证明了人工智能如何在整个价值链上和不同行业之间塑造不同的功能。这些案例还对利益相关者有着广泛的影响，比如跨国公司、初创企业、政府和社会组织。
为了满足人们的期待，人工智能需要在经济领域发挥实际作用，以显著降低成本，增加收益，并提高资产利用率。我们分类了人工智能可在 4 个领域创造价值的方式：使公司更好地规划和预测需求，优化研发，提升资源；以更低的成本更高的质量，提高公司生产货物、提供服务的能力；以合理的价格，通过正确的讯息，将产品送达到客户手中；允许他们提供丰富、个性化和便捷的用户体验。
这四个领域的价值创造是基于特定的使用案例，这些案例已经被探索或部署在今天的商业中。这个列表也许并不全面，它是基于当前我们对「窄」人工智能技术的知识了解。同样，它们对行业和产业有着不同的相关度，使得规划和生产层有着利用人工智能的大量机会。此外，当机器学习可为所有行业带来有价值的利益时，一些技术尤其适合特定部门内的商业应用，比如零售业和制造业的机器人、医疗行业的计算机视觉、教育行业的自然语言处理和生成。
2.2企业是否准备好迎接人工智能
对人工智能潜力与危险的言论一直都很多。人工智能，能够赋予机器类似人类的认知、自动驾驶汽车、偷取隐私、提升公司生产率等能力。它能够替代工人完成重复性的、危险性的工作，或着夺走工人的生计。
人工智能并非新概念，经历过起起伏伏的历史，既有期望也有失望。这一次是否会有不同？新的分析给出的答案是「yes」：人工智能最终开始交付真实的商业收益。突破所需的条件已经到位。计算机能力增长迅速、算法变得更为精致，更重要的是全球生成了大量数据，而数据正是人工智能的燃料。
数字化前沿的公司，都在人工智能上投入了大量的资金,包括重大收购在内。私人投资者也参与了，我们估计 2016 年人工智能的风投资金为 40 亿到 50 亿之间，私募股权公司投资为 10 亿到 30 亿美元之间。2016 年的投资额大约为 2013 年的 3 倍。此外大约还有 10 亿美元来自于政府奖助和种子资金。
但目前，大部分新闻都出自人工智能技术的提供方。许多新的使用还处于实验阶段，市场上的产品有限，或者说有较少的产品能够很快的有即时、普遍的应用。结果就是，分析师对人工智能潜力的认知分成了两派：一些人对人工智能的潜力很乐观，一些人依然对其经济收益十分谨慎。这种不一致的观念导致对市场的规模预测差别巨大，例如 2025 年的市场规模从 6.44 亿美元到 1260 亿美元 。从目前已经对人工智能的投资规模来看，最低的那种估算表明我们又在见证另一个人工智能繁荣衰落的循环。
我们采用人工智能的业务经验表明这种颠覆性场景是不可能的。我们的研究也提供了目前快速变化的人工智能产业概览，我们主要通过用户和供应商的视角进行研究，并希望提供对人工智能的经济潜力更加完善和强健的观点。首先我们研究的是投资概览，包括企业在研发部门和产品部署上的内部投资、大型企业并购、从风险投资（VC）和私募基金（PE）的融资等。随后，我们再研究需求方面，主要是结合案例分析、人工智能的采纳应用方面、还有对 3000 多家公司C-level 管理人员进行的调查等。因此进一步了解企业如何应用人工智能技术、推动他们采用人工智能技术的原因、进一步部署的障碍、还有人工智能市场、金融和组织的影响。
一般而言，人工智能是指机器表现出类似人类智能的能力，比如说，无需人工编码包含特定详细指令的软件就能解决问题。人工智能技术的分类方式多种多样，但是却难以拿出一个不互斥且又全面的列表，因为人们往往会混合和匹配多种技术来寻找单个问题的解决方案。这些方法往往会被看作是一种单一的技术，有时候是其它技术的子集，有时候则被看作是技术的应用。一些框架通过基本功能来对人工智能技术进行分类，比如文本、语言和图像识别，另一些分类方式则基于业务应用，比如商用或安全应用。
试图更精确地定义这个术语是很困难的，原因有几个：人工智能涵盖大量技术和应用，其中一些只是之前已有技术的些许扩展，而另一些则是全新的。另外，「智能（intelligence）」本身也没有一个得到了普遍接受的理论，而「机器智能（machine intelligence）」的定义也在随着人们对新技术的适应而发生变化。由计算机科学家 Larry Tesler 提出的泰斯勒定理（Tesler' s theorem）断言：「人工智能就是那些还未做成的事。」。
在这篇报告中，我们考虑的人工智能技术是所谓的「窄（narrow）」人工智能，即其仅只能执行一项窄范围的任务，这和所谓的寻求实现与人类智能类似的通用人工智能（AGI）不一样。我们关注窄人工智能是因为其有在近期内实现商业价值的潜力，而 AGI 还尚未实现。
我们关注的重点是解决业务问题的人工智能技术。我们还选出了我们关注的 5 个关键领域：机器人和自动化载具、计算机视觉、语言、虚拟智能体（virtual agent）、机器学习（其基于可以从数据中学习的算法，而非按照基于规则的编程来得出结论或指导行动）。其中一些涉及到处理来自外部世界的信息，比如计算机视觉和语言（包括自然语言处理、文本分析、语音识别和语义技术）；一些则是关于对信息的学习，比如机器学习；还有一些涉及到根据信息采取行动，比如机器人、自动汽车和虚拟智能体（即可以和人类交流的计算机程序）。机器学习以及其子领域深度学习是目前人工智能领域许多最新进展的核心，得到了很大的关注，也为人工智能领域吸引到了大量的投资——在 2016 年，大约有 60% 的投资都来自该行业之外。
由科技巨头驱动，人工智能的投资正在飞快增长，但商业应用仍明显落后亚马逊、苹果、百度和谷歌这样的科技巨头。它们看到了 AI 技术在未来的方向——强劲的计算机硬件，越来越复杂的算法模型和巨量数据，这些需求都已部分实现。事实上，在人工智能领域，大公司的内部投资占据着主要地位，但其他外围的投资者：比如天使基金和种子孵化器，同样也很活跃。：麦肯锡估算，在 2016 年这一数字是 180 亿-270 亿美元；而外部投资（来自风投机构、私募股权投资、并购、资助和种子轮投资）大约为 80 亿-120 亿美元。
机器学习吸引了其中几乎 60% 的投资，可能是因为机器学习能够满足许多技术与应用的需求，例如机器人和语音识别。此外，因为机器学习能够更快、更简单的设置新代码从而建立机器人或其他机器，投资者也被机器学习所吸引。这个领域的公司收购也逐渐频繁，从 2016 年到 2013 年，综合年度增长率大约为 80%。
3、应该为人工智能做哪些准备
3.1百亿美元催化的竞争差距扩大
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。
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。
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。
3.2企业AI转型早期的阶段性策略
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。
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。
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。
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。
3.3企业、开发者和政府现在就需要认识到人工智能的全部潜力
虽然人工智能有潜力从根本上重塑整个社会，但我们目前仍然很不确定技术究竟会怎样发展。而对于企业、政府和工人来说，这种不确定性就意味着「等待和观望」。但是，我们还是认为有必要采取积极明确的行动来面对已经明晰的机会和风险。
对于许多企业来说，这意味着他们需要加速数字化进程以确保能够高效地部署人工智能工具。因为人工智能将巨量的高质量数据集成到自动工作流程中，它的影响力也变得越来越大。人工智能并不是数字化基础的捷径，它是数字化基础强有力的延伸。
开发者在帮助企业实现技术的潜力时起到了关键作用。人工智能产品需要解决实际的商务问题，而不能仅仅只是提供有趣的解决方案，人工智能需要大规模解决现实问题。
最后，政府和工人应该准备面对人工智能带来的巨变。我们也许需要重新思考公共教育系统和职工培训计划，因为我们需要确保职工所拥有的技能是与机器相补充而不是相竞争的。而希望建立当地人工智能生态系统的地区或国家必须加入全球人工智能人才和投资的竞争中。而整个社会需要考虑的那些尚未解决的法律和伦理问题，才是实现人工智能利益的最大障碍。
·使用案例／价值的来源
扫描使用-案例的范围
清楚表达商业需求，创建商业案例
·数据生态系统
打破数据仓（data silos）
决定集成和预分析的层面
识别高价值数据
·技术与工具
识别适合目标的人工智能工具
合伙或并购以填补能力缺口
采取灵活的「测试和学习式」方法
·工作流程整合
将人工智能整合进工作流程
优化人机界面
·开放的组织文化
采取开放、协作的文化
相信人工智能
劳动力重新掌握技能以备不时之需
美国和中国主导了人工智能版图，欧洲正在落后
下面是现在最有活力的人工智能中心：
美国
硅谷：顶级的创业公司中心（有 12700～15600 家活跃的创业公司，200 万名技术工作者）、引领全球风险投资、许多世界顶级科技公司的总部所在地
纽约：金融和媒体行业的领先中心、培养人工智能人才的优质大学（比如康奈尔大学）、强大的投资环境（在早期阶段的投资的绝对数量上仅次于硅谷）
波士顿：科学界和工业界有悠久的合作历史、世界级的大学（比如 MIT）在开发先进技术和培养顶级人才
中国
北京：清华、北航和北京大学等在创造大量的学术研究成果、百度等科技巨头的广泛参与、中国政府将人工智能看作是具有战略意义的技术。
深圳：华为和中兴等电子设备制造公司的中心、强大的硬件实力、中国政府将人工智能看作是具有战略意义的技术
欧洲
伦敦：全球金融中心、支持投资和金融科技应用、欧洲在 VC 创业公司投资方面的领袖、顶级的科技公司在此有分支机构、世界顶级的大学培养顶级人才（包括剑桥、帝国理工和牛津）。
3.4各行业面临的挑战
人工智能为政府和社会提出了广泛的问题。麦肯锡指出了其中的一些问题，也包含部分解决问题的方法。我们在这些问题上的进展对于实现人工智能的潜在利益和避免风险至关重要。
鼓励更广泛地利用人工智能。目前的人工智能应用集中于相对数字化的行业内，而这些领域已经是新技术的前沿了。扩展人工智能的应用范围，支持新技术领域，特别是其中的小型公司，对于保证生产力的增长和经济发展至关重要，可以保证市场健康，具有竞争力。人工智能在更广泛领域内的应用也可以帮助平衡各行业的工资水平。人工智能可以带动生产力水平的发展，从而提高工资。更宽广的应用范围有助于让人工智能的好处推动至更多的公司和工人身边，而不仅仅是让已经处于收入金字塔顶端的前沿公司和雇员受益。
解决就业和收入分配问题。人工智能驱动的自动化变革会深刻影响人们的工作和工资水平。在麦肯锡的调查中，绝大多数公司并不认为自己会在未来大幅减少员工人数。然而，显然会有一些职位的技能会不符合未来要求。政府可能会不得不重新思考社会服务的模式。不同的想法将被纳入思考范围，包括共享劳动力、负所得税和全球基本收入水平。
解决道德、法律和监管问题。人工智能提出了一系列道德、法律和监管问题。现实世界的偏见风险正在被写入训练数据集中。由于现实世界存在种族、性别或其他很多类别的歧视，提供给机器学习算法的现实世界数据也不可避免地带有这些特征，而人工智能也会在训练中学会偏见。
随着偏见的内部化，这些问题正在加剧。同时，人们也对算法本身产生了怀疑，编程人员的道德见解会被编写进算法中，在决策过程中，人们有权得知哪些内容？谁会对人工智能输出的结果负责？这导致了人们对于算法透明度和问责制的呼吁。隐私是另一个问题——谁对数据拥有所有权？需要哪些措施来保护高度敏感的数据（如医疗数据），而不必破坏其可用性？正致力于解决这些问题的组织和机构包括 Partnership on AI、OpenAI、Foundation for Responsible Robotics 以及人工智能伦理与监管基金会。
确保训练数据的可用性。大量的数据对于人工智能训练系统至关重要。开放公共部门的数据可以刺激私营企业的创新，设置通用数据标准也会有帮助。在美国，证券交易委员会在 2009 年强制所有上市公司必须以 XBRL（可扩展业务报告语言）格式披露其财务报表，从而确保公共数据具有机器可读性。
麦肯锡对三个使用案例给出了可视化描述，以下是相关内容：
*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）
