作者 AJ Christensen

郭一璞 編譯

量子位 出品 | 公眾號 QbitAI

“AI是新的電力！”

這是吳恩達老師的日常。

沒錯，AI的確是人類科技樹上重要的一節(jié)，將它稱為新電力，意味著AI將對各行各業(yè)、人類生活的各個領(lǐng)域產(chǎn)生巨大的變革。

但是，問題來了，電力，也不是從發(fā)電機到燈火通明的大廈一蹴而就的。在科技成果轉(zhuǎn)化為生產(chǎn)力越來越快的今天，AI已經(jīng)發(fā)展了許多年，為什么我們還沒有看到人工智能的大規(guī)模應用呢？

美國企業(yè)AI軟件提供商C3.ai產(chǎn)品經(jīng)理AJ Christensen認為，1882年，世界上已經(jīng)出現(xiàn)了現(xiàn)代電力的基本要素，但受到基礎設施昂貴、人才匱乏、法規(guī)不透明等因素影響，真正的大規(guī)模應用，要等到1925年才開展。

而現(xiàn)在，人工智能這個新電力正處在1882年，離真正大規(guī)模應用，還得等個40多年呢。

那么，究竟是什么將今日的AI困在了黎明前的黑暗中？

Christensen在Medium專欄《通向數(shù)據(jù)科學》中發(fā)表了一篇文章，采訪了幾位專家、抓了7192個AI創(chuàng)業(yè)公司的數(shù)據(jù)，總結(jié)了當前限制AI應用的幾大原因，分析出了那些最容易商業(yè)化和最難商業(yè)化的AI領(lǐng)域。

這7192家公司的分布在零售、自動駕駛、醫(yī)療、金融服務、數(shù)據(jù)分析、機器人、企業(yè)服務等領(lǐng)域，總?cè)谫Y超過19億美元，員工總數(shù)超過15萬人。

并且，他設計了一個矩陣，根據(jù)阻力與利益兩個維度，找到那些AI能最快普及的領(lǐng)域。

縱軸：是誰在限制AI大規(guī)模應用Christensen在采訪了一些行業(yè)專家后，將限制AI大規(guī)模應用的原因分為了人為限制、數(shù)據(jù)限制、市場限制幾個方面，其中，顏色更深的是影響越大、越嚴重搞的限制，顏色淺的反之。

人為限制

人工審核工作繁重。許多AI算法在執(zhí)行之后也需要人為監(jiān)督，比如Facebook就有超過15000人的審核團隊，國內(nèi)字節(jié)跳動等公司也有大規(guī)模的人工內(nèi)容審核團隊。

數(shù)據(jù)標注重人工。還是人工太高的問題，任何AI算法都需要大量數(shù)據(jù)集，因此AI公司們必須自建標注團隊或?qū)俗⑷蝿胀獍o數(shù)據(jù)標注公司，無論用哪種方式，都需要大量的“數(shù)據(jù)民工”付出繁重的勞動。

人才匱乏。AI專業(yè)人才的高身價，大家有目共睹，各個國家都面臨人才短缺的狀況。

數(shù)據(jù)限制

數(shù)據(jù)創(chuàng)建難題。對許多傳統(tǒng)公司來說，他們不會自動生成AI模型訓練需要的數(shù)據(jù)，比如線下零售就缺乏電商那樣的詳盡數(shù)據(jù)。

基礎設施限制。許多企業(yè)對于云、數(shù)據(jù)安全的投入有限。

現(xiàn)有數(shù)據(jù)結(jié)構(gòu)混亂。許多公司的數(shù)據(jù)都并未進行有條理、統(tǒng)一管理的存放，每個部門。每個團隊都在各搞各的，格式、標簽都不一樣。

依賴第三方數(shù)據(jù)。有些公司自有數(shù)據(jù)不夠，買第三方數(shù)據(jù)非常貴。

收集數(shù)據(jù)要很久。許多行業(yè)中，收集數(shù)據(jù)需要非常復雜的過程，比如慢性病的醫(yī)療數(shù)據(jù)。

市場限制

AI迫使許多行業(yè)改變商業(yè)模式。因為AI的存在，許多行業(yè)不得不改變現(xiàn)有商業(yè)模式，假設如果自動駕駛技術(shù)和法律法規(guī)成熟，車廠們可能就要轉(zhuǎn)而直接提供運輸服務了。

算法準確率要求高。AI算法的執(zhí)行都是有準確率的，像人臉識別等場景，總是有不準的個別情況，但在醫(yī)療、自動駕駛方面，一旦出現(xiàn)不準確的情況，結(jié)果都是致命的。

AI改變工作流程。許多AI應用會改變傳統(tǒng)工作的流程，比如AI加持的招聘系統(tǒng)，面試和申請流程會和此前大不相同，HR們會感到無所適從。

AI可解釋性是難題。當一個工具出爐，大眾和監(jiān)管機構(gòu)通常需要能將其解釋清楚，但AI算法的黑箱性則說不清。AI為什么不批準你的貸款？說不清，就會產(chǎn)生糾紛。

有偏見的AI。由于數(shù)據(jù)的偏差，AI算法經(jīng)常做出有偏見、歧視性的決策。

AI的隱私威脅。由于AI算法訓練需要大量數(shù)據(jù)，因此許多私人數(shù)據(jù)都被拿來投喂給AI，這讓許多人面臨個人隱私泄露的風險，因此也會受到監(jiān)管和大眾的阻力。

橫軸：誰能用AI獲取最大價值

分析了阻擋AI廣泛應用的阻力，還要看AI具體能帶來哪些價值。價值大、阻力小的領(lǐng)域，是最容易大規(guī)模應用的。

根據(jù)麥肯錫全球研究院的數(shù)據(jù)，供應鏈和營銷銷售是目前AI最有價值的應用場景。

對于不同行業(yè)，AI的價值大小也有所不同。很明顯，科技行業(yè)是能從AI身上取得最大收益的行業(yè)，目前科技公司們也都將AI融合在了自己的業(yè)務范圍之內(nèi)，結(jié)合上一條，尤其是推薦類的算法應用，已然相當普及。

另外，媒體娛樂、金融、醫(yī)療、零售、自動駕駛也是可以充分利用AI價值的產(chǎn)業(yè)。

結(jié)論：誰是先吃AI螃蟹的人

因此，根據(jù)上面的資料，Christensen分析了最容易大規(guī)模應用AI的領(lǐng)域和那些不太容易大規(guī)模應用AI的領(lǐng)域。

第一波AI浪潮-快速采用者：包含面向C端的科技公司和媒體娛樂產(chǎn)業(yè)。推薦算法、人臉解鎖、美顏能應用已經(jīng)應用在了當前的手機的軟硬件系統(tǒng)中，直播、短視頻等APP也在應用AI輔助內(nèi)容生產(chǎn)。

第二波AI浪潮-慢速采用者：一部分是AI帶來的利益大、阻力也大的公司，比如金融科技領(lǐng)域，能看到巨額回報，但隱私風險非常大；另一部分是利益不算大、阻力小的公司，比如工業(yè)和一部分服務業(yè)，在制造業(yè)應用AI很少需要來自人類的數(shù)據(jù)，不會面臨歧視、隱私等問題，不過帶來的利益有限，這些領(lǐng)域目前也有不少玩家。因此，在這波浪潮中，to B的機遇被施放出來。

第三波AI浪潮-很難采用者：這部分包括醫(yī)療、汽車和零售等，風險較大、帶來的利潤有限。不過，傳統(tǒng)零售業(yè)在銷售方面可能難以運用AI，但可以在供應鏈上積極采用。這一點，似乎和當前無人零售的大規(guī)模應用并不契合。

這讓人想到李開復博士此前提到的AI的四波浪潮，從互聯(lián)網(wǎng)AI浪潮，到金融、供應鏈等商業(yè)化AI浪潮，到基于實體世界的AI浪潮，最后實現(xiàn)駕駛等自主化的AI。

你覺得呢？