他們爬了7000家創(chuàng)業(yè)公司數(shù)據(jù)，發(fā)現(xiàn)這些領(lǐng)域沒(méi)那么容易應(yīng)用AI
AI賦能一切？這些領(lǐng)域沒(méi)那么容易
作者 AJ Christensen
郭一璞 編譯
量子位 出品 | 公眾號(hào) QbitAI
“AI是新的電力！”
這是吳恩達(dá)老師的日常。
沒(méi)錯(cuò)，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(duì)各行各業(yè)、人類生活的各個(gè)領(lǐng)域產(chǎn)生巨大的變革。
但是，問(wèn)題來(lái)了，電力，也不是從發(fā)電機(jī)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(lái)越快的今天，AI已經(jīng)發(fā)展了許多年，為什么我們還沒(méi)有看到人工智能的大規(guī)模應(yīng)用呢？
美國(guó)企業(yè)AI軟件提供商C3.ai產(chǎn)品經(jīng)理AJ Christensen認(rèn)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(chǔ)設(shè)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(yīng)用，要等到1925年才開展。
而現(xiàn)在，人工智能這個(gè)新電力正處在1882年，離真正大規(guī)模應(yīng)用，還得等個(gè)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(xué)》中發(fā)表了一篇文章，采訪了幾位專家、抓了7192個(gè)AI創(chuàng)業(yè)公司的數(shù)據(jù)，總結(jié)了當(dāng)前限制AI應(yīng)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(dòng)駕駛、醫(yī)療、金融服務(wù)、數(shù)據(jù)分析、機(jī)器人、企業(yè)服務(wù)等領(lǐng)域，總?cè)谫Y超過(guò)19億美元，員工總數(shù)超過(guò)15萬(wàn)人。
并且，他設(shè)計(jì)了一個(gè)矩陣，根據(jù)阻力與利益兩個(gè)維度，找到那些AI能最快普及的領(lǐng)域。
縱軸：是誰(shuí)在限制AI大規(guī)模應(yīng)用
Christensen在采訪了一些行業(yè)專家后，將限制AI大規(guī)模應(yīng)用的原因分為了認(rèn)為限制、數(shù)據(jù)限制、市場(chǎng)限制幾個(gè)方面，其中，顏色更深的是影響越大、越嚴(yán)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(guò)15000人的審核團(tuán)隊(duì)，國(guó)內(nèi)字節(jié)跳動(dòng)等公司也有大規(guī)模的人工內(nèi)容審核團(tuán)隊(duì)。
數(shù)據(jù)標(biāo)注重人工。還是人工太高的問(wèn)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(biāo)注團(tuán)隊(duì)或?qū)?biāo)注任務(wù)外包給數(shù)據(jù)標(biāo)注公司，無(wú)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(dòng)。
人才匱乏。AI專業(yè)人才的高身價(jià)，大家有目共睹，各個(gè)國(guó)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(duì)許多傳統(tǒng)公司來(lái)說(shuō)，他們不會(huì)自動(dòng)生成AI模型訓(xùn)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(chǔ)設(shè)施限制。許多企業(yè)對(duì)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(jìn)行有條理、統(tǒng)一管理的存放，每個(gè)部門。每個(gè)團(tuán)隊(duì)都在各搞各的，格式、標(biāo)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(fù)雜的過(guò)程，比如慢性病的醫(yī)療數(shù)據(jù)。
市場(chǎng)限制
AI迫使許多行業(yè)改變商業(yè)模式。因?yàn)锳I的存在，許多行業(yè)不得不改變現(xiàn)有商業(yè)模式，假設(shè)如果自動(dòng)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(yùn)輸服務(wù)了。
算法準(zhǔn)確率要求高。AI算法的執(zhí)行都是有準(zhǔn)確率的，像人臉識(shí)別等場(chǎng)景，總是有不準(zhǔn)的個(gè)別情況，但在醫(yī)療、自動(dòng)駕駛方面，一旦出現(xiàn)不準(zhǔn)確的情況，結(jié)果都是致命的。
AI改變工作流程。許多AI應(yīng)用會(huì)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(qǐng)流程會(huì)和此前大不相同，HR們會(huì)感到無(wú)所適從。
AI可解釋性是難題。當(dāng)一個(gè)工具出爐，大眾和監(jiān)管機(jī)構(gòu)通常需要能將其解釋清楚，但AI算法的黑箱性則說(shuō)不清。AI為什么不批準(zhǔn)你的貸款？說(shuō)不清，就會(huì)產(chǎn)生糾紛。
有偏見(jiàn)的AI。由于數(shù)據(jù)的偏差，AI算法經(jīng)常做出有偏見(jiàn)、歧視性的決策。
AI的隱私威脅。由于AI算法訓(xùn)練需要大量數(shù)據(jù)，因此許多私人數(shù)據(jù)都被拿來(lái)投喂給AI，這讓許多人面臨個(gè)人隱私泄露的風(fēng)險(xiǎn)，因此也會(huì)受到監(jiān)管和大眾的阻力。
橫軸：誰(shuí)能用AI獲取最大價(jià)值
分析了阻擋AI廣泛應(yīng)用的阻力，還要看AI具體能帶來(lái)哪些價(jià)值。價(jià)值大、阻力小的領(lǐng)域，是最容易大規(guī)模應(yīng)用的。
根據(jù)麥肯錫全球研究院的數(shù)據(jù)，供應(yīng)鏈和營(yíng)銷銷售是目前AI最有價(jià)值的應(yīng)用場(chǎng)景。
對(duì)于不同行業(yè)，AI的價(jià)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(wù)范圍之內(nèi)，結(jié)合上一條，尤其是推薦類的算法應(yīng)用，已然相當(dāng)普及。
另外，媒體娛樂(lè)、金融、醫(yī)療、零售、自動(dòng)駕駛也是可以充分利用AI價(jià)值的產(chǎn)業(yè)。
結(jié)論：誰(shuí)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(yīng)用AI的領(lǐng)域和那些不太容易大規(guī)模應(yīng)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(lè)產(chǎn)業(yè)。推薦算法、人臉解鎖、美顏能應(yīng)用已經(jīng)應(yīng)用在了當(dāng)前的手機(jī)的軟硬件系統(tǒng)中，直播、短視頻等APP也在應(yīng)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(lái)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(bào)，但隱私風(fēng)險(xiǎn)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(wù)業(yè)，在制造業(yè)應(yīng)用AI很少需要來(lái)自人類的數(shù)據(jù)，不會(huì)面臨歧視、隱私等問(wèn)題，不過(guò)帶來(lái)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(jī)遇被施放出來(lái)。
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(fēng)險(xiǎn)較大、帶來(lái)的利潤(rùn)有限。不過(guò)，傳統(tǒng)零售業(yè)在銷售方面可能難以運(yùn)用AI，但可以在供應(yīng)鏈上積極采用。這一點(diǎn)，似乎和當(dāng)前無(wú)人零售的大規(guī)模應(yīng)用并不契合。
這讓人想到李開復(fù)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(yīng)鏈等商業(yè)化AI浪潮，到基于實(shí)體世界的AI浪潮，最后實(shí)現(xiàn)駕駛等自主化的AI。
你覺(jué)得呢？
傳送門
Don’t Bet on AI (yet)
https://towardsdatascience.com/dont-bet-on-ai-yet-c3c37bbcc0b6
