2023年4月16日，中泰證券首席經(jīng)濟(jì)學(xué)家李迅雷先生發(fā)表了《奇點(diǎn)將至：AI或開(kāi)啟新一輪科技革命》的文章。李迅雷先生認(rèn)為，以智能化為特征的第四次工業(yè)革命輪廓日漸清晰，在世界百年未有之大變局與新一輪工業(yè)革命的歷史性拐點(diǎn)，無(wú)論是國(guó)家、地方還是企業(yè)都會(huì)不遺余力布局投入。

李迅雷先生表示，“互聯(lián)網(wǎng)+”紅利已耗竭 “AI+”已到來(lái)。

那么，如何利用AI實(shí)現(xiàn)企業(yè)生產(chǎn)模式、組織結(jié)構(gòu)和業(yè)務(wù)流程的再造，將成為每個(gè)企業(yè)的一個(gè)重要課題。

對(duì)此，我們將從兩個(gè)層面進(jìn)行解析，一是AI應(yīng)用發(fā)展到什么階段了？能具體解決哪些問(wèn)題？二是如何成為人工智能驅(qū)動(dòng)型企業(yè)？

AI產(chǎn)業(yè)鏈：基礎(chǔ)層+技術(shù)層+應(yīng)用層

在具體分析之前，我們有必要了解一下AI產(chǎn)業(yè)鏈的基本框架。

從AI產(chǎn)業(yè)鏈構(gòu)成來(lái)看，可以分成三個(gè)層級(jí)：基礎(chǔ)層、技術(shù)層、應(yīng)用層。

基礎(chǔ)層：主要提供數(shù)據(jù)輸入和計(jì)算能力，包括AI芯片、AI基礎(chǔ)設(shè)施、數(shù)據(jù)及服務(wù)等；

技術(shù)層：在基礎(chǔ)層上開(kāi)發(fā)算法模型，通過(guò)軟件框架進(jìn)行訓(xùn)練和學(xué)習(xí)，獲得人工智能技術(shù)，其中算法模型是AI的靈魂；

應(yīng)用層：針對(duì)不同的場(chǎng)景，將人工智能技術(shù)進(jìn)行應(yīng)用，進(jìn)行商業(yè)化落地。

來(lái)源：平安證券

從以上層級(jí)來(lái)看，與大部分行業(yè)和企業(yè)密切相關(guān)的就是應(yīng)用層。也是本次我們主要討論的問(wèn)題。

目前的人工智能產(chǎn)品包括基礎(chǔ)產(chǎn)品和復(fù)合產(chǎn)品。

基礎(chǔ)產(chǎn)品包括智能語(yǔ)音、自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、知識(shí)圖譜、人機(jī)交互五類，是基于人工智能底層的技術(shù)研發(fā)的產(chǎn)品，是人工智能終端產(chǎn)品和行業(yè)解決方案的基礎(chǔ)。

復(fù)合產(chǎn)品可看作為人工智能終端產(chǎn)品，是人工智能技術(shù)的載體。目前主要包括可穿戴產(chǎn)品、機(jī)器人、無(wú)人車、智能音箱、智能攝像頭、特征識(shí)別設(shè)備等終端及配套軟件。

從行業(yè)解決方案來(lái)看，人工智能在醫(yī)療、交通、家居、智能制造、金融、教育等多個(gè)領(lǐng)域均有廣泛應(yīng)用。

當(dāng)前企業(yè)運(yùn)用 AI 的真實(shí)現(xiàn)狀及案例展示

AI 能否成為營(yíng)收增長(zhǎng)的驅(qū)動(dòng)力？這當(dāng)然是毫無(wú)疑問(wèn)的。對(duì)于一部分創(chuàng)新型 AI 采用者，例如 NVIDIA 和 NavTech 等企業(yè)，AI 有助于創(chuàng)造全新的產(chǎn)品，甚至開(kāi)創(chuàng)全新的商業(yè)模式。

但只有極少數(shù)企業(yè)能夠應(yīng)用 AI 來(lái)實(shí)現(xiàn)如此大規(guī)模的轉(zhuǎn)型。大多數(shù)企業(yè)都是應(yīng)用 AI 來(lái)解決孤立的實(shí)際業(yè)務(wù)問(wèn)題。全球范圍的組織都在廣泛采用 AI 來(lái)幫助降低成本、改善客戶和員工體驗(yàn)、提高贏單率、優(yōu)化供應(yīng)鏈績(jī)效等等。

根據(jù)IBM的研究報(bào)告，到 2022 年底，約有四分之一的大型企業(yè)將從 AI 試點(diǎn)轉(zhuǎn)為 AI 運(yùn)營(yíng)。

大型企業(yè)正在運(yùn)用混合數(shù)據(jù)科學(xué)、傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和預(yù)處理技術(shù)來(lái)解決各種不同的業(yè)務(wù)問(wèn)題并實(shí)現(xiàn)重大業(yè)務(wù)價(jià)值。

圖：AI采用情況2016-2022 來(lái)源：IBM

那么，大部分的企業(yè)是如何應(yīng)用定制化 AI 方案來(lái)解決不同的業(yè)務(wù)問(wèn)題呢？

接下來(lái)，我們將通過(guò)具體的案例進(jìn)行場(chǎng)景展示，其中海外案例來(lái)自IBM的調(diào)研報(bào)告。

案例1：歐洲服裝零售商運(yùn)用 AI 提高效率和可持續(xù)發(fā)展能力

需求預(yù)測(cè)和銷售效率始終是消費(fèi)品和零售行業(yè)的核心； 即使是些微改進(jìn)也會(huì)對(duì)業(yè)務(wù)產(chǎn)生巨大影響。

服裝零售商 BESTSELLER 希望提高其需求預(yù)測(cè)準(zhǔn)確性，并借此充分提高服裝產(chǎn)品的銷量。當(dāng)時(shí)，這家服裝零售商售出了其成品的 78%。這個(gè)成績(jī)?cè)诔錆M變數(shù)的時(shí)尚行業(yè)已經(jīng)算相當(dāng)不錯(cuò)了。但是，如果 BESTSELLER 可以增加其預(yù)測(cè)算法中的產(chǎn)品屬性粒度，就可以進(jìn)一步提高效率。

在確定傳統(tǒng)分析技術(shù)已經(jīng)達(dá)到極限之后，BESTSELLER 團(tuán)隊(duì)利用其服裝圖像作為輸入訓(xùn)練了一個(gè)卷積神經(jīng)網(wǎng)絡(luò) (CNN)。（CNN 是一種人工神經(jīng)網(wǎng)絡(luò)，通常用于分析視覺(jué)圖像。）這樣一來(lái)，BESTSELLER 可以根據(jù)未包含在其結(jié)構(gòu)化數(shù)據(jù)集中的其他特征來(lái)對(duì)產(chǎn)品進(jìn)行分類。

通過(guò)將這些數(shù)據(jù)輸出至核心預(yù)測(cè)引擎，BESTSELLER 將銷售效率提高到了 82%，并將所需的樣本設(shè)計(jì)數(shù)量減少了 15%。在全球銷售因疫情而持續(xù)低迷之際，實(shí)現(xiàn)這一改進(jìn)已難能可貴。此外，該企業(yè)還減少了打折、捐贈(zèng)或丟棄的服裝商品，從而積極改善了可持續(xù)發(fā)展能力。

案例2：Zzapp Malaria使用AI降低瘧疾發(fā)病率

2020，瘧疾造成約 62.7 萬(wàn)人死亡，其中 96% 發(fā)生在非洲。2021 年度 XPRIZE AI 優(yōu)勝者 Zzapp Malaria 致力于開(kāi)發(fā) AI 驅(qū)動(dòng)的方法來(lái)抗擊瘧疾，并通過(guò)專有移動(dòng)應(yīng)用直接將方案?jìng)鬟_(dá)至實(shí)地。

鑒于現(xiàn)有的衛(wèi)星圖像識(shí)別技術(shù)無(wú)法有效識(shí)別小型水體，Zzapp Malaria 開(kāi)展了一個(gè)試點(diǎn)項(xiàng)目，旨在利用卷積神經(jīng)網(wǎng)絡(luò)來(lái)分析視覺(jué)圖像以檢測(cè)小型水體（這有可能是攜帶瘧疾病毒的蚊子的滋生地）。該方法實(shí)現(xiàn)了大約 75% 的準(zhǔn)確率，但無(wú)法足夠清晰地確定哪些因素可以改善預(yù)測(cè)。雖然這種方法的效果不錯(cuò)，但還不夠好，無(wú)法擴(kuò)展至其他地理位置。

作為改進(jìn)方案，該團(tuán)隊(duì)利用 CNN 從圖像中提取 50 個(gè)地形和其他特征，并將這些特征用于傳統(tǒng)的線性回歸方法，以確定出現(xiàn)積水的可能性。其效果與之前的方法相當(dāng)，但能夠更加清晰透明地確定哪些因素可以改善預(yù)測(cè)。這樣一來(lái)，團(tuán)隊(duì)就可以更加輕松地解釋數(shù)據(jù)，也就更易于擴(kuò)展至地形差異較大的地域。該團(tuán)隊(duì)運(yùn)用這種 AI 驅(qū)動(dòng)的成功經(jīng)驗(yàn)來(lái)調(diào)整其方法，不斷擴(kuò)大適用范圍，以幫助降低其他地區(qū)的瘧疾發(fā)病率。

案例3：保險(xiǎn)公司IFFCO-Tokio利用AI快速回本

總部位于印度的通用保險(xiǎn)合資企業(yè) IFFCO-Tokio 決定在客戶提交獲批索賠后直接向客戶支付維修費(fèi)用，從而改善客戶體驗(yàn)。

第一步是更好地捕獲碰撞受損汽車的圖像。然后，團(tuán)隊(duì)運(yùn)用深度學(xué)習(xí)對(duì)汽車型號(hào)、受損的零部件和損壞類型進(jìn)行分類。AI 系統(tǒng)可以確定零部件是需要維修還是更換，并提供成本預(yù)估，同時(shí)讓人工評(píng)估員參與其中以降低欺詐風(fēng)險(xiǎn)。

最終，項(xiàng)目取得了巨大成功。IFFCO-Tokio 只用了不到一年時(shí)間就收回了成本，不僅將結(jié)算成本降低了 40%，將客戶接受率從 30% 提高至 65%，而且還提高了客戶滿意度、客戶保留率和客戶獲得率。AI 不僅是提高效率的利器，更是收入增長(zhǎng)的強(qiáng)力助推器。

案例4：醫(yī)療設(shè)備商Boston Scientific 僅投入 5 萬(wàn)美元就實(shí)現(xiàn)了 500 萬(wàn)美元的成本節(jié)省

Boston Scientific 希望實(shí)現(xiàn)自動(dòng)化的支架檢查流程，從而提高查找缺陷（例如連接斷裂或表面缺損）的準(zhǔn)確性。準(zhǔn)確的檢查對(duì)于臨床治療的成敗關(guān)系重大。美國(guó)食品和藥物管理局根據(jù)對(duì)患者的風(fēng)險(xiǎn)來(lái)嚴(yán)格監(jiān)管“逃逸率”（也就是漏檢的缺陷部件的比例）。

該公司配備了大約 3000 名專家負(fù)責(zé)目測(cè)檢查工作，每年要花費(fèi)數(shù)百萬(wàn)美元的成本。但是，人員目測(cè)檢查通常速度緩慢，成本高昂，還可能帶來(lái)不必要的質(zhì)量風(fēng)險(xiǎn)。

Boston Scientific 實(shí)施了一個(gè)基于規(guī)則的自動(dòng)化系統(tǒng)， 可以使用尺寸測(cè)量和其他方法來(lái)捕捉常見(jiàn)問(wèn)題。該團(tuán)隊(duì)將系統(tǒng)調(diào)整為相對(duì)保守，即設(shè)定可忽略不計(jì)的誤報(bào)率。然而，5%-10% 的誤報(bào)率仍然過(guò)高。許多符合質(zhì)量要求的零件被標(biāo)記為缺陷品。

卷積神經(jīng)網(wǎng)絡(luò) (CNN) 支持分析視覺(jué)圖像，因此特別適合解決此問(wèn)題，但這樣的模型需要大量的數(shù)據(jù)。該團(tuán)隊(duì)沒(méi)有足夠的數(shù)據(jù)從零開(kāi)始訓(xùn)練這些模型。該團(tuán)隊(duì)還認(rèn)識(shí)到，收集或生成這些數(shù)據(jù)不切實(shí)際，而且成本過(guò)高。

于是，該團(tuán)隊(duì)專注于粒度更小、范圍更窄的任務(wù)，從而縮小問(wèn)題的范圍。然后，他們利用已有的現(xiàn)成開(kāi)源 AI 模型來(lái)應(yīng)對(duì)重新定義的挑戰(zhàn)。最后，他們使用較小的數(shù)據(jù)集來(lái)進(jìn)一步優(yōu)化此系統(tǒng)。

該公司只投入了大約 5 萬(wàn)美元，就直接節(jié)省了 500 萬(wàn)美元的成本，同時(shí)還提高了準(zhǔn)確性。

看完以上案例，我們迫切的想知道一家傳統(tǒng)公司如何可以成為人工智能驅(qū)動(dòng)型公司？

如何成為人工智能驅(qū)動(dòng)型公司？

人工智能驅(qū)動(dòng)型企業(yè)將數(shù)據(jù)作為一種資產(chǎn)，運(yùn)用以人為本的方式，在所有類型的核心業(yè)務(wù)流程中系統(tǒng)地部署和擴(kuò)展人工智能。他們利用數(shù)據(jù)驅(qū)動(dòng)的快速?zèng)Q策能力來(lái)增強(qiáng)員工和客戶體驗(yàn)，從而獲得競(jìng)爭(zhēng)優(yōu)勢(shì)并不斷創(chuàng)新。

德勤按照AI應(yīng)用的部署與實(shí)現(xiàn)的成果兩個(gè)維度，把企業(yè)分成四大類：

變革者（高成果和高部署）：正在轉(zhuǎn)型但尚未完全轉(zhuǎn)型。變革者已確定并在很大程度上采用了與最具代表性人工智能成果相關(guān)實(shí)踐。在10種不同類型的人工智能應(yīng)用部署中，他們的平均數(shù)量是5.9，在17種潛在的成果中，他們的平均數(shù)量是6.8。他們是市場(chǎng)領(lǐng)導(dǎo)者，正在成為人工智能驅(qū)動(dòng)型企業(yè)。

探路者（高成果和低部署）：探路者已經(jīng)具備了邁向成功的能力和行為，但具體的舉措較少。他們正在采取行動(dòng)，但還不具備變革者的規(guī)模。他們?cè)?0種不同類型的人工智能應(yīng)用部署中平均達(dá)到1.9個(gè)，在17種潛在的成果中平均達(dá)到6.2個(gè)。

后進(jìn)者（低成果和高部署）： 大量的開(kāi)發(fā)和部署活動(dòng)是這一群體的特點(diǎn)。然而， 他們的實(shí)踐還沒(méi)來(lái)幫助他們有效地實(shí)現(xiàn)有意義的成果。在10種潛在的全面部署中，他們平均達(dá)到5.5個(gè)，而在17種潛在的成果中，他們平均達(dá)到1.4個(gè)。

起步者（低成果和低部署）： 在構(gòu)建人工智能能力方面起步較晚似乎是這一群體的特點(diǎn)。他們最不可能展現(xiàn)領(lǐng)先實(shí)踐。在10種不同類型的人工智能應(yīng)用部署中，他們的平均數(shù)量是1.6個(gè)，在17種潛在的成果中，他們的平均數(shù)量是1.0個(gè)。

圖：一個(gè)企業(yè)的AI成熟度可以通過(guò)部署的應(yīng)用數(shù)量和達(dá)到的成果來(lái)描繪 來(lái)源：德勤

從以上可以看出，只有變革者才有可能成為人工智能驅(qū)動(dòng)型企業(yè)。

所以，首先，我們必須成為一個(gè)變革者，這是第一步。從德勤對(duì)企業(yè)的調(diào)研結(jié)果，我們提煉了如下變革經(jīng)驗(yàn)：

1、戰(zhàn)略層面：在最高層制定明確的企業(yè)級(jí)戰(zhàn)略，使高管利用人工智能來(lái)推動(dòng)新的機(jī)遇和競(jìng)爭(zhēng)優(yōu)勢(shì)。

主要發(fā)現(xiàn)：

設(shè)定并傳達(dá)大膽的愿景。具有公司戰(zhàn)略的企業(yè)和大膽愿景的領(lǐng)導(dǎo)者，實(shí)現(xiàn)高水平成果的可能性是平均水平的1.7倍。

尋求人工智能助力實(shí)現(xiàn)差異化戰(zhàn)略的途徑。僅有38%的受訪者認(rèn)為他們對(duì)人工智能的應(yīng)用讓他們與競(jìng)爭(zhēng)對(duì)手區(qū)別開(kāi)來(lái)。

傳達(dá)戰(zhàn)略清晰透明。告訴員工和市場(chǎng)您的戰(zhàn)略，以及在此過(guò)程中的影響和權(quán)衡。

規(guī)避踩坑：

不要讓數(shù)據(jù)科學(xué)家或IT來(lái)推動(dòng)人工智能戰(zhàn)略。高級(jí)業(yè)務(wù)領(lǐng)導(dǎo)應(yīng)與數(shù)據(jù)科學(xué)家合作，根據(jù)核心業(yè)務(wù)戰(zhàn)略推動(dòng)人工智能戰(zhàn)略。

不要過(guò)度強(qiáng)調(diào)效率目標(biāo)。 在效率與增長(zhǎng)、創(chuàng)新導(dǎo)向的目標(biāo)之間尋求平衡。

2、運(yùn)營(yíng)層面：將轉(zhuǎn)型融入日常工作。通過(guò)新的運(yùn)營(yíng)模式、角色和流程推動(dòng)持續(xù)的質(zhì)量、創(chuàng)新和價(jià)值創(chuàng)造。

主要發(fā)現(xiàn)：

重新設(shè)計(jì)業(yè)務(wù)工作流程和角色。對(duì)工作流程進(jìn)行了重大改變或增加了新角色的企業(yè)，其實(shí)現(xiàn)高成果的可能性達(dá)1.5倍以上。

記錄并實(shí)施MLOPS。記錄和實(shí)施MLOps流程的企業(yè)在很大程度上實(shí)現(xiàn)其目標(biāo)的可能性是平均水平的兩倍。他們對(duì)人工智能風(fēng)險(xiǎn)的高度準(zhǔn)備超出平均水平近兩倍，對(duì)以可信方式部署人工智能的信心也高出平均水平近兩倍。

規(guī)避踩坑：

企業(yè)高管應(yīng)該分配更多的時(shí)間來(lái)設(shè)計(jì)解決方案。重新設(shè)計(jì)流程以及人工智能工具如何適應(yīng)工作流程需要深思熟慮的關(guān)注。

不要低估人工智能解決方案獨(dú)特的維護(hù)需求。 建立并記錄健全的MLOPS程序，以保障持續(xù)的交付質(zhì)量和道德合規(guī)。

3、企業(yè)文化層面：建立信任、敏捷、精通數(shù)據(jù)的文化，大力投資變革管理，以支持新的工作方式。

主要發(fā)現(xiàn)：

精通數(shù)據(jù)帶來(lái)回報(bào)。與低成就企業(yè)（起步者和后進(jìn)者）相比，高成就企業(yè)（變革者和探路者）對(duì)人工智能的信任水平是前者的三倍。

變革管理優(yōu)先。大力投資變革管理的企業(yè)稱人工智能舉措超出預(yù)期的可能性是平均水平的1.6倍，實(shí)現(xiàn)預(yù)期目標(biāo)的可能性是平均水平的1.5倍以上。

恐懼亦能成為積極變革的標(biāo)志，如果與支持性文化和變革管理相結(jié)合。

規(guī)避踩坑：

不要對(duì)變革管理采取一刀切的方法。根據(jù)主要受眾群體調(diào)整工作重點(diǎn)，確保各種資源可用于支持新的行為。

不要指望變革管理能夠修復(fù)設(shè)計(jì)欠佳的轉(zhuǎn)型。 從一開(kāi)始就精心設(shè)計(jì)新的解決方案，為積極的變革奠定基礎(chǔ)。

4、商業(yè)生態(tài)系統(tǒng)：這指的是協(xié)調(diào)合作伙伴的關(guān)系。協(xié)調(diào)動(dòng)態(tài)生態(tài)系統(tǒng)，幫助建立和保護(hù)競(jìng)爭(zhēng)優(yōu)勢(shì)。

主要發(fā)現(xiàn)：

建立廣泛多樣的合作伙伴關(guān)系。83%的受訪高成果企業(yè)（變革者和探路者）創(chuàng)建了多樣化的合作伙伴生態(tài)系統(tǒng)，以執(zhí)行其人工智能戰(zhàn)略。

利用合作伙伴來(lái)改善您對(duì)市場(chǎng)的看法。擁有多樣化生態(tài)系統(tǒng)的企業(yè)更有可能擁有人工智能和企業(yè)級(jí)人工智能戰(zhàn)略的變革性愿景，并將人工智能作為戰(zhàn)略差異化因素。

規(guī)避踩坑：

小心被供應(yīng)商套牢。外部合作伙伴過(guò)少可能會(huì)導(dǎo)致很難與供應(yīng)商在未來(lái)需要的時(shí)刻分道揚(yáng)鑣。

不要犧牲你的競(jìng)爭(zhēng)優(yōu)勢(shì)。在內(nèi)部建立差異化能力，保障競(jìng)爭(zhēng)優(yōu)勢(shì)。

目前，市場(chǎng)上很少有企業(yè)在整個(gè)企業(yè)中實(shí)現(xiàn)了成熟的人工智能為驅(qū)動(dòng)的轉(zhuǎn)型。也就是說(shuō)，轉(zhuǎn)型一直處于快速的進(jìn)行時(shí)，但始終尚未完成。但是，隨著我們進(jìn)一步邁向人工智能驅(qū)動(dòng)的未來(lái)，那些現(xiàn)在奠定基礎(chǔ)的企業(yè)可能會(huì)得到加倍的回報(bào)。

奇點(diǎn)將至，我們必須做點(diǎn)什么！

文：七七/ 數(shù)據(jù)猿

來(lái)源：數(shù)據(jù)猿