麦肯锡专家访谈:AI被资本热炒 高管应为企业“量体裁衣”

导语

人工智能给各个行业带来生意和价值的潜力比以往任何时候都要大——但高管们应该从哪里开始呢?

关于访谈嘉宾

彼得?布鲁尔是麦肯锡科隆办事处的高级合伙人,迈克尔?崔是总部位在旧金山办事处的麦肯锡全球研究院的合伙人。

AI通常被理解成机器人和出色的机器,但高管们却发觉在AI身上发挥他们的商业天赋是很困难的。

在这节麦肯锡播客中,彼得?布鲁尔、迈克尔?崔与麦肯锡出版社的西蒙?伦敦进行了交谈,内容有关于正生机勃勃的人工智能商业应用、关于AI的炒作和实际应用之间的界限,以及对于商业领袖们来说如何区分开这两者。

西蒙·伦敦(下简称西蒙):大家好,欢迎来到麦肯锡播客, 今天,我们将讨论人工智能。这无疑是商业媒体的一个热门话题,也正在日益成为主流媒体的目光聚焦点。

你可能已经读过不少从机器人杀手到人工智能对就业影响的不同文章。但人工智能到底是什么?与此同样重要的是,其内涵不包括哪些方面?对于公司而言,如何有效地利用人工智能进行工作?

今天有两位麦肯锡的合作伙伴到场,他们为客户提供建议,并对这些问题进行研究,而且他们在相近的领域中也取得了博士学位。彼得·布鲁尔(下简称彼得),麦肯锡德国科隆办事处的高级合伙人;迈克·崔(下简称迈克),总部位在旧金山办事处的麦肯锡全球研究院的合伙人。

西蒙:首先,我们先来定义一下我们的术语。当我们谈及人工智能或人工智能时,我们指的是什么?

迈克:有趣的是,这个术语实际上并不是一个新术语。它最早在半个世纪前就被使用。但基本上,它指的是使用机器去做我们认为是“智能的”的事情——能够模仿我们、或做与我们描述的相一致的、在他们认知能力范围以内的事情。

彼得:正如迈克所指出的,这个术语是由Alan Turing在1950年发明的。所以这是一个非常有名的领域。最近,这个领域为人所知的速度在加快,这主要是由于两个原因:

第一,计算能力呈指数增长;第二,可用数据呈指数增长。

因此,你将会看到许多报道——关于机器学习的方法,最近他们通过新的与大量数据相连接的神经网络能进行更深入的学习。

因此可以想见,在某种程度上来说,正是数据的指数增长和计算能力的增长,导致了人工智能的炒作和发展。

西蒙:在我们今年夏天发布的一份麦肯锡全球研究所的报告中,我们谈到了五种技术系统,机器学习只是其中的一部分。我们现在正在超越这五种系统吗?

迈克:今年早些时候,我们采访了超过3000名世界各地的企业高管,以了解他们应用这些技术的程度。这是一个范围广泛的技术概念,互相之间有所重叠,但他们是最近的进步和发展的一部分。

其中一种是关于物理人工智能,主要包含机器人和自动驾驶汽车。在这个领域内正在发生很多趣事。

其二,计算机视觉——无论是图像处理,视频处理等等——彼得提到的深度学习系统在这个领域内取得了很大的进步。

与此类似的是,在自然语言的处理过程中,不管是有意思的口语还是书面语,我们能看到许多关于自然语言的进展。也有关于虚拟代理或会话接口的报道——这是自然语言的一种延伸,不仅仅像是一种功能,而是一种系统的能力,使系统可以通过语音或在线聊天来粗略地与你交谈。

最后,机器学习在我刚刚提到的技术应用之外,实际上还具有巨大的适用性。所幸我们现在有机会更深入地讨论这个问题。

西蒙:二位的解释很有帮助,至少现在我们知道了我们现在正在研究的领域。也许我们可以谈一些更接近于现实生活的东西,在我的日常生活中,我怀疑我已经接触到人工智能了。彼得,你有在日常生活中看到任何人类已经意识到他们在利用人工智能的例子吗?

彼得:实际上,我认为每个人都已经意识到了。比如我们的智能手机,在我们每个人的手中都有一台超级计算机。你可以在日常生活中体验到迈克方才提到的一些元素。

当你在你的智能手机里输入电子邮件或信息时,你所拥有的改进版的拼写检查,都是由机器学习完成的。

迈克还提到了语言,也就是口语。你会注意到你的Siri或谷歌助手每天都在学习,而且你每天使用他们越频繁,他们的理解能力就会越强。这幕后显然就是机器学习。

我们大多数人都听到了新iPhone X的激动人心的介绍,你也会在新闻发布会上看到这些改进都是关于机器学习的——现在是人脸识别技术,机器学习人脸识别,并基于此给你的手机解锁。

所以,我认为我们都已经在智能手机上体验过人工智能,而且在未来,我们将会见识到更多。

迈克:我们目前能看到的是,这些人工智能技术正在为越来越多的东西提供技术支持,比如所有的在线和移动服务,我们现在正越来越多地使用这些服务。

例如,在电子商务或媒体方面,当系统为你提供了你可能感兴趣的建议,比如那些你可能会感兴趣的新闻或有兴趣购买的东西,比如,我们一般描述为“看过这些的人也购买了……”的功能,这种系统不仅仅是基于数据分析,有些也是利用人工智能进行操作的,使得它们很可能为用户推荐用户最关注的东西。

西蒙:我要再给这个话题添加一点内容。我住在硅谷,在那里有相当多的自动驾驶汽车在路上行驶,其数量令人惊讶。这些汽车在训练、调试,在收集数据。这些汽车你现在买不到。没有一天我在上下班的途中没有看到一辆自动驾驶汽车。

和那些技术人员交谈很有趣,因为自动驾驶汽车是所有我们谈论过的这些东西的集合体:机器视觉、机器人,在其引擎盖之下所驱动汽车的是机器学习。

所以我认为至少在不久的将来,就会有一些别的事情发生。比如说,在工作环境中,当我们与客户在人工智能方面合作时,现存的一些更有趣的商业应用程序是什么样子的?

彼得:自动驾驶本身就是一个相当广泛的领域。你会发现自动驾驶在不同地方都有不同程度的发展。在我们谈论自动驾驶的时候,它通常有五个级别。汽车供应商目前正在试验我们所说的四级自动驾驶,这就是说,在某些情况下,当你发生事故时,需要负法律责任的将是原始设备生产商,而不是司机,这种情况显然是极具颠覆性的。

在德国,我们的当局正在考虑下一阶段如何修改法律来应对这一挑战。

除了自动驾驶,在其他行业你也会看到许多应用,比如在医疗领域进行过长期或短期记忆网络的实验,目前AI的癌症检测水平与有经验的医生的水平相当,这也是非常振奋人心的。

再一次,随着这种指数式增长,我们很快就会看到,在核磁共振和X射线照片中,机器比有经验的医生更擅长于癌症检测,这也是极具颠覆性的情况。

西蒙:迈克,你是否曾看到有任何客户的作品,就像科幻小说成真一样让你目瞪口呆?

迈克:最值得一提的是我们从未见过的在数据和分析领域拓展的程度。正如彼得提到的,机器学习的一个有利因素是大量的数据。

如我们所见,越来越多的公司收集的数据——无论是事务性数据、语音数据还是物联网数据——利用这些数据,你可以使用人工智能技术进行更加深入的分析工作。

例如,对一个巨大而重要的问题的预测。这在所有行业中都是有用的,尤其对于制造业、供应链等等。

我想,如果你和任何一个需要做出预测的高管交谈,并问他们:“你的预测还能更准确些吗?”他们必然会说:“当然可以。”

“随着我们能够收集到的数据量增加,当我们将这些人工智能技术引入其中,很多情况下我们可以显著提高预测的准确性。”

顺便说一句,有趣的是,除了引入这些技术——比如说,利用深度学习和训练、神经网络来提高预测的精确性,我们也可以用别的方式增加精确性,比如增加更多的数据,来源于组织外部的外部数据或来源于消费者的更细化的数据。

这只是我们已经在数据和分析领域应用的一个具体范例。现在当我们增加其中的数据,尤其是加入AI技术时,我们可以提高这些系统的性能。当你纵观整个公司的产业价值链时,你会发现几乎没有不能利用人工智能改善的地方。

西蒙:我听过你在其他地方谈论过的事情,比如你提到了人工智能、计算机视觉在采矿领域的奇妙应用,你能发表点意见吗?我觉得这十分有吸引力。

迈克:另一个令人惊讶的应用是在采矿领域,在很多情况下,你用炸药把原料从岩层里炸出来。然后你就可以选择是否使用更多的炸药来把它们炸碎,或者也可以把体积很大的碎片带回来,再把它们磨碎。

关于人工智能视觉分析系统在此的应用,我们可以看到在设定了费用之后,系统可以对整个矿井的效率和吞吐量进行整体优化。

西蒙:那太好了。这确实告诉了我们几乎每一个行业都可以利用人工智能技术。在公司的价值链和运营中都存在着各种各样的使用案例。

那么我们可以谈及炒作吗?一般记者非常关心这些。你提到过,在某种程度上,人工智能正在经历一个发展规律周期。根据我们刚才所说的,这里涉及到很多应用程序和很多行业,而且存在着极大的利害攸关。你认为人工智能被夸大了吗?如果是的话,这件事情是怎样发生的?

彼得:我不会说“是”或“不是”。首先,我们试着定义在最开始,AI基本上是什么、不是什么。我有一个数学的博士学位,但这并不意味着我们就能变得很精确,对吧?

我会说,我们现在处于一个应用了一些我们称之为“狭义人工智能”的应用的阶段。但这些应用都是非常具体的任务,在此机器可以比人类做得更好。我们总能听到这样的事例,在国际象棋或围棋比赛中,机器人能比人类做得更优秀。

当然也有一个广义的人工智能,在那里机器所拥有的功能更广泛,但我们还没有到达那个领域。

不过,我们不应该忘记发展的速度是指数式增长的。一般而言,人类的大脑无法理解指数式增长的含义,但在这些关键技术中,我们正面临着指数式的发展,它比我们所能想象到的都要快得多。

因此,我认为现在这个领域里的有些说法有点夸张,但也许只是超前了一点,因为发展的速度真的极其之快。

西蒙:那这些到底是不是炒作?

迈克:这里面肯定有很多炒作。但我们也能发现,炒作并不总是坏事,它确实引起了人们的注意。有时它会导致人们在短期内存在过高的期望,但从长远来看,我们确实认为人工智能有巨大的潜力。

在这个领域内已经涌入了大量的投资,这反映了我们在曾发表的一些研究中对该领域潜力的理解。

在2016年中,大约有260亿至400亿美元投资于人工智能,其中许多都是科技巨头或一些初创公司的外部投资。这反映了正在创造潜在价值的技术前沿。

这就是说,当我们考虑到这些技术在多大程度上被用于生产时,只有很小一部分公司要么在规模上采用技术,要么在核心部门中使用。

在我们的设想中,正如我们以前所看到的其他技术发展趋势一样,它确实存在创造价值的潜力,采用这种技术的公司将会随时间增加,在未来我们将看到更多潜在的价值被创造出来。

事实上,我们还有其他研究来观察这种技术发展的速度和步伐——其中包括人工智能等技术。当你整合了包括技术发展所有因素,然后需要一个积极的商业案例,或是采用一条自然的s曲线时,我们会描述它在宏观上是缓慢的,但在微观上是快速的。

从宏观上来看,这些技术的全部影响传播开来可能需要几十年的时间,甚至对于那些已经被开发出来的技术,也需要时间才能在整个经济体中传播。

另一方面,如果你是一家公司,需要与也使用这些技术的竞争对手竞争,那对你来说,这种传播速度将会非常非常快。

或者当你是其中的一名工人时,这种影响也可能很快发生。

所以我认为对于企业领袖来说,他们义不容辞,需要理解这种技术,理解如何把这种技术当作竞争利器,因为,再次重复说明,虽然它可能需要很长一段时间来对整个经济体产生改变,但对某个具体的商业案例来讲,却可以有如闪电般迅速。

彼得:对此我深表同意。这意味着,任何一家大型公司的首席执行官,如果他们还没有行动,那这对他们来讲就是当务之急了。

我们在一开始的时候也说过,我们谈论的是大数据、数据分析、机器学习、深度学习以及人工智能。

我的建议是尽快开始,因为你将还需要配备设备、应用技术、在企业中进行改革,这些都是在转变至基于AI的商业和进程中所必需的。

迈克:我认为这是一个存在学习曲线的领域。如果你越早开始学习,你就会越快达到更高的水平。

西蒙:我不知道现在是否已经有一个可见的计划或尝试,你可以看到你现在能做的事情,也可以预测到将来所需要做的事情,甚至更进一步,看到更远的未来。那种计划是可行的吗?

彼得:我想是的。不管怎样,基本趋势几乎是一样的。

我们谈论的是你需要的新一代的数据科学家、数据工程师、新技术和新IT,如果你已经准备好了,打好了基础,当然我们的建议是在正确的时候采取正确的对策,这其中包括一系列的决策。

从现在开始,先使用易于操作的、原理简单的应用范例,这也可以使你做好准备,迎接下一步更复杂更高级的未来发展。

迈克:我完全同意。当在这个领域内存在那么多炒作时,人们有时采取一种非常简单的方法,那就是听销售人员的推销,买他们的产品,并开始在讲话中使用术语,以显示他们已经步入了这个领域。但实际上,最重要的是了解你自己的企业,看清你自己的优势和劣势,搞清楚这种技术在何时、在何处能为你创造最大的价值。

如果你是做销售或者营销导向的公司,那么也许下一个购买的产品、营销组合或类似于此的其他问题是AI能发挥最大作用的地方。因此,在这个广泛的投资范围中,最重要的是弄清你应该致力的方向。

另一个关键是,作为领导人员,即使不是IT或分析方面的领导者,这也应该从上而下地推广——这是我们在调查和客户工作中发现的——如果你真的要改善公司的表现的话。

你不必成为数据方面的科学家,也不必成为机器人专家或人工智能专家来确保这对你的组织能产生影响。我们认为这其中领导力很重要。

彼得:我倾向于说,这种把公司转变为数据分析、或AI驱动的努力,其中50%在于AI,另外50%在于改变员工心态。在很多情况下,第二个50%被遗忘了,因为每个人都对身边的超级计算机和机器人感到如此兴奋。

我们总是忘记在我们的庞大组织中仍然有许多员工,而且我们需要对他们进行相应的技术训练。这种从上而下的改变最终需要惠及每一位员工。他们需要适应新技术和新机遇。只有到那时,你才会看到你的业务方面的增长。

西蒙:但是作为一个总经理,你确实需要对技术有一点了解。你可能不需要成为科学家,但很可能需要与科学家进行对话,并去理解这些技术如何在你的商业中应用,如何评估、测试这些技术,你都需要略有所知。那么作为一个总经理,你究竟需要了解多少呢?应该如何去做这些工作?

彼得:我认为这就涉及到一个非常重要的能力,我称之为翻译角色。

的确,一方面你让数据科学家深入研究机器学习和类似的技术,另一方面,你和经理们有生意往来,有时也有部门经理。但这其中需要翻译。

目前,经理们自己做决定,但他们只会在相信机器能给出更好的建议的情况下参照机器的意见。

这种对机器的信任需要时间来建立,需要对技术有一定程度的理解。我们都知道术语“黑匣子”,但我们不愿意相信黑匣子。

扮演翻译角色的人需要将一些光线透入到那个黑盒子里,把它做成一个玻璃盒子,这样部门管理就可以了解机器的原理,建立对彼此的信任,最终根据机器的建议来决定他们的决策。

迈克:用大量的数据来训练这些系统也是非常重要的,我曾有幸与一位名叫吴昌俊的人工智能研究员交谈。他提到,那些重视人工智能的公司正在忙于进行多年、多角度的布局,以收集他们在竞争中所需要的数据。我认为,如果你处于一个传统行业,却不考虑你那些正在进行战略布局、寻找数据的竞争对手,你很快就将落后。这是一种很重要的规划和思维方式。

西蒙:时间到了,非常感谢彼得?布鲁尔和迈克?崔给我们带来的这场精彩的讨论。