人工智能很快就会改变我们的日常生活方式。各大公司是否已经准备好从即将来临的创新浪潮中获取价值?
替你当地医院的放射科惋惜吧。诚然,它们具备先进的磁共振扫描仪(MRI)和强大的软件来生成图像,但这恰恰是机器停摆的地方。放射科医生必须找到并阅读患者的文件,检查图像并做出诊断。如果人工智能(AI)可以通过实现实时且更准确的诊断或指导来启动这个流程,大大超越人眼的判断,那会怎么样?
由于过去几年的技术进步,制造商如今几乎可以提供这种先进的磁共振解决方案。实际上,它们正在探索几乎涵盖工业部门和公共部门等所有主要行业的新人工智能应用。随着算法的改进和数据存储的增加,计算机的错误率现在往往与人类在图像识别和其他一些认知功能上的错误率接近或更低。硬件性能也得到了极大的提升,这使机器能够处理空前的数据量。这一直是人工智能模型准确性提高的主要动力。
在人工智能领域,深度学习(DL)是开发潜力最大的领域。该技术依赖于复杂的神经网络,这个网络使用各种架构来处理信息,这些架构由多个层级和节点组成,这近似于大脑中神经元的功能。网络中的每个节点集都执行不同的模式分析,使深度学习可以提供更为复杂的洞察,这远比早期人工智能所带来的洞察要复杂。随着复杂程度的不断提高,人们对尖端硬件和软件的需求也越来越大。
先进的高科技公司深知人工智能的巨大潜力,它们早就采取措施以在这个市场上取胜。但是,该行业仍处于起步阶段,成功的秘诀还没有诞生。那么,公司如何才能利用人工智能获得价值并从庞大的人工智能投资中获得回报?
我们所做的研究以及我们与人工智能终端客户的互动表明,一旦尘埃落定,六个原则将成真。首先,价值获取最初将局限于消费领域,公司将通过专注于企业“微垂直行业(microvertical)”(在特定行业中特定的用例)来获得最大价值。我们对技术栈的分析还表明,商机因不同的层级而异,最成功的公司往往会通过合作关系或收购来获得各种端到端解决方案。由于受软件吸引的投资者对硬件的投资兴趣一年不如一年,再加上严重的商品化使利润率下降,因此对于某些硬件厂商而言,人工智能可能代表着命运的逆转。
我们认为,人工智能的出现带来了巨大的商机,因为云计算和边缘解决方案将产生强大的终端客户需求。但是,我们得到的最大启发是,公司必须迅速采取行动。如今那些押宝人工智能并彻底改变传统战略的公司将成为赢家。
尽管有关人工智能的炒作铺天盖地,但市场甚至可以吓倒无所畏惧的分析师和投资者。该行业尚未出现技术栈的标准定义,因此人们很难理解这一竞争异常激烈的领域。那么争夺市场份额的数百家公司都带来了什么呢?
为了使看似混乱的供给格局更加清晰明了,我们将机器学习(ML)和深度学习技术栈分为九个层面,横跨服务,概念,平台,接口和硬件。有些公司正在多个层面参与竞争,而另一些公司则只专注于其中一两个层面。正如我们稍后将讨论的那样,将精力集中在特定层面的公司很可能会发现自身处于不利地位。
多数人工智能应用程序向来都部署于云端(远程服务器网络),用于训练和推断。但是,对微秒级的延迟也显得至关重要的应用来说,在边缘进行推断将变得越来越普遍。例如,对于无人驾驶车辆,制动或加速的决策必须以近乎零延时的时间做出,这使得在边缘进行推断成为首选。边缘计算也将成为一些应用程序的首选,因为在这些应用程序中,隐私问题和数据带宽至关重要,例如支持人工智能的CT扫描诊断程序。边缘计算的增长将为技术栈中的所有参与者(尤其是硬件开发商)带来新的商机。
人工智能可以颠覆我们的世界。麦肯锡全球研究院(McKinsey Global Institute)估计,自动化和人工智能的快速发展将对我们的工作方式和生产力产生重大影响。为了在这个不断增长的市场中获取价值,各大公司正在尝试不同的战略,技术和机会,而这一切都需要大量投资。尽管不确定性依然存在,但那些关注以下几点的公司将更有可能获胜。
最早的消费级人工智能产品都有一个共同的特征:它们强化了产品,但并没有直接为企业带来利润。其中大多数产品来自大名鼎鼎的技术公司,包括某些在线翻译和照片标记服务或手机上的数字语音助手。这样的产品增强肯定能吸引消费者(例如,它们可能会延长人们的上网时间),但它们并不会带来销售或收入的直接增长。如果规模较小的公司提供类似的产品,它们往往会发现销量有限或根本不没有销量,因为消费者往往会使用各种免费的解决方案。大型企业还可以使用大型的消费者数据(这是人工智能的命脉),这使他们可以为消费者开发更准确,更具洞察力的人工智能解决方案。大型企业的免费产品赢得了最大的市场份额,从短期来看,人工智能价值的获取将局限于消费领域。
但是,未来也许不是这种情况,因为越来越多的收费服务(包括家庭助理)正在进入市场。随着汽车制造商和其它公司纷纷推出新产品,下一波消费级人工智能将具备更多创新。以自动驾驶汽车为例,有些消费者可能对由人工智能实现自动制动的车辆十分满意,但是另一些消费者则希望拥有更多功能(例如完整的自动驾驶功能),哪怕他们必须支付额外费用。
我们早期对麦肯锡全球研究所的数据所做的分析和对专家所做的访谈和研究揭示了主要行业中近600种人工智能的各种不同用途。其中,大约有400种用途需要用到一定级别的机器学习,而有300种用途需要用到深度学习功能。许多有趣的人工智能应用程序仍处于试验阶段,尚未得到大规模部署。以下列举了一些人工智能应用程序,这些应用程序由于其强大的视觉感知和处理能力而在未来几年可能会出现巨大的需求:
在确定谋求哪些机会时,公司面临着艰巨的任务,但是它们可以通过结构化的方法来缩小选择范围。第一步涉及选择行业焦点。公司所具备的专业知识和能力确实会影响这一决策,但它们还必须考虑行业特征,包括行业规模。同样重要的一点是,某个行业可能会发生颠覆,我们通过考察人工智能用例的数量,启动资金以及人工智能的总体经济影响来估计,这被定义为解决方案降低成本,提高生产率的程度,或者从各种应用程序的回顾性分析中受益。经济利益越大,客户购买人工智能解决方案的可能性就越大。
人工智能价值因行业而异,成熟度也同样如此。例如,工业领域可以从人工智能中受益,但是成员公司不像汽车行业的同行那样愿意接受这些解决方案。对人工智能产品和服务的生产商来说,这意味着价值获取只能勉强得到维持,有些行业一开始就比别的行业产生更高的回报。
当我们将风险价值与成熟度结合起来考虑时,有几个行业如今很明显地为人工智能带来了最大的商机:公共部门,银行,零售和汽车行业。尽管在政府削减预算的时代,公共部门的突出地位似乎令人惊讶,但许多官员见证了人工智能在提高效率和功效方面所体现的价值,因此他们愿意提供资金。供应商在规划人工智能策略时应将投资重点放在愿意成为首批使用人工智能解决方案的潜在消费者上。
微垂直行业。一旦公司选择了一个或几个行业作为重点,它们就必须通过选择特定的用例(我们称之为微垂直行业)来集中精力,从而谋求更深远的发展。买家并不仅仅因为人工智能是有趣的新技术而兴趣盎然,而是希望人工智能解决特定问题,为他们省钱或增加销售额,从而产生可观的投资回报(ROI)。例如,一家想要减少机器停机时间的制造工厂不会仅仅寻找在工业领域广为人知的人工智能提供商。相反,它将寻求一家拥有可靠的预测维护专业知识和解决方案的公司。如果人工智能提供商试图提供一种横向解决方案(客户可以在各种不相关的用例中应用该解决方案),那么价值主张就不会那么具有吸引力。最终客户会质疑该解决方案的投资回报是否可以证明其巨额支出是合理的,如果该解决方案适用于他们认为不重要或不相关的多个用例时,情况尤其如此。
为了在人工智能领域获胜,公司必须在整个技术栈的九层中提供或协调端到端的解决方案,因为许多企业客户都难以实施七零八散的解决方案。例如,有一家医院宁愿购买一个既包含MRI机器又包含进行诊断的人工智能软件的系统,而不是单独购买这些组件再试图使其协同工作。除了增加销售量外,具备端到端解决方案的供应商还可以抓住客户的战略立足点并加快采用速度。例如,英伟达提供其Drive PX平台作为模块,而不仅仅是芯片,以此来提供用于自动驾驶的端到端解决方案。该平台结合了处理器,软件,相机,传感器和其他组件,以提供汽车周围环境的实时图像。它还可以在地图上标识其位置并规划车辆的安全行驶路线。
大型硬件和软件厂商通常会通过收购其他公司来扩展其人工智能产品组合。尽管交易在整个行业中很普遍,但由于需要端到端解决方案,因此在人工智能中更为普遍。自2012年以来,已有250宗收购案涉及到具备人工智能专业知识的私营公司,其中37宗发生在2017年第一季度。为了与这些巨头竞争,许多初创企业正在建立合作伙伴关系,将自己定位为人工智能解决方案的系统集成商。
在人工智能技术栈中,我们对未来趋势的分析表明,每一层都将直接产生不同数量的利润或价值。最大的价值将集中在两个领域。首先,有鉴于行业的发展趋势,许多最佳机会将来自硬件领域(头节点,推断加速器和训练加速器),这有点令人惊讶。我们一致认为,这些组件将占人工智能供应商总市值的40%到50%。
尽管硬件已在许多领域得到商品化,但这种趋势这么快出现在人工智能领域,,因为为解决每个微垂直行业的问题而优化的硬件将提供比通用硬件(例如通用的中央处理器)更高的性能(涉及到总体拥有成本时)。例如,针对卷积神经网络优化的加速器最适合用于图像识别,因此医疗设备制造商会选择它。但是针对长期短期存储网络进行了优化的加速器更适合语音识别和语言翻译,因此它将吸引高级虚拟家居助理的制造商。由于每个用例的要求略有不同,因此每个用例都需要部分定制的硬件。
在另一个背离规范的模式中,软件(定义为平台和接口层)不太可能是人工智能中唯一的长期差异化因素。正如深度学习加速器的问世所见证的那样,单独使用硬件或将其与软件结合使用将可能显著改善性能,例如减少延迟或降低功耗。在这种环境下,厂家需要严选硬件。
人工智能解决方案另外40%至50%的价值将来自服务,其中包括解决方案和用例。系统集成商通常可以直接与客户联系,他们可以通过将解决方案集成到人工智能栈的各层来获得大部分收益。
在不久的将来,人工智能栈的其他领域并不会产生多大价值,即便他们有可能产生推动深度学习生态系统发展的间接价值。例如,如今数据和方法(两者都是训练的两个要素)最多只占一般的人工智能供应商市值的10%。之所以会出现这种模式,是因为大多数数据来自人工智能解决方案的最终用户,而不是第三方提供商。但是,数据市场最终可能会出现在消费者和企业界,相对而言使这层栈在将来更具吸引力。
随着人工智能的增长,软件吸引了公司和投资者的极大兴趣,之后硬件又重新流行起来。我们与最终用户的讨论表明,取决于用例的不同,公司和投资者对云和边缘解决方案的兴趣将十分浓厚。云由于其规模优势将继续成为许多应用程序的不二之选。在云硬件中,客户和供应商对专用集成电路(ASIC)技术的偏好超过了图形处理单元(GPU),而且市场可能仍然高度分散化。
也就是说,当低延迟或隐私问题十分重要或连接存在问题时,推断也将发挥越来越重要的作用。在边缘,专用集成电路将在消费领域胜出,因为它们为许多应用提供了优化度更高的用户体验,包括更低的功耗和更高的处理能力。现场可编程门阵列(FPGA),图形处理单元(GPU)和专用集成电路(ASIC)技术之间的良性竞争也会出现在企业边缘(enterprise edge)。但是,专用集成电路可能更具优势,因为它们功耗更低,这在边缘至关重要。我们认为,当需求大得足以为高昂的开发成本正名时,它们就可以主导特定的企业应用程序。
尽管技术公司可能不完全了解人工智能需求的发展趋势,但它们意识到深度学习的巨大商机并希望把握商机。由于技术还在不断发展,而且几个厂家实施截然不同的策略,成功的秘诀仍然不明朗。
大型企业已经开始采取行动了,有些先进企业的发展方向违背了当前的认知。仅举一个例子,从2012年到2016年,英伟达在人工智能方面的研发支出每年增长8%,达到13亿美元。这些成本约占英伟达总收入的27%,远高于同行15%的平均水平。这表明英伟达愿意采取与许多半导体公司不同的发展方向,后者正在积极削减研发支出。英伟达还采取了重大的措施来创建专注于其图形处理单元(GPU)的端到端产品生态系统。该公司正在积极地培训开发人员,使他们具备将图形处理单元(GPU)应用到深度学习所需的技能,同时为将图形处理单元(GPU)推广到深度学习的初创公司提供资金,形成合作伙伴关系以创建包含其产品的端到端解决方案并增加图形处理单元(GPU)驱动的应用程序数量。遵循这种非常规策略的其他公司也可以得到丰厚的回报。
英伟达的成功表明,科技公司仅仅维持现状是无法在人工智能方面取得成就的。它们必须立即改变策略并为开发可靠的人工智能产品投入巨资。面对如此多的风险,公司万万不可制定模糊不清或犹豫不决的计划。那么,他们发展的主要考虑因素是什么呢?我们的调查提出了以下有关业务战略经典问题的新思想:
如果公司等两三年才制定人工智能战略并下注,我们认为它们不太可能在这个快速发展的市场中恢复势头。大多数企业都知道风险所在并愿意进取,但他们缺乏强有力的战略。本文概述的六个核心信念可以为企业指点迷津并有一个良好的开端。哪个参与者能在机会消逝前采取这个发展方向,这才是关键问题。