行業競爭將快速提高AI普及度 不過人工智慧離冬天還有多遠？

本文由騰訊數碼獨家發布

從娛樂到醫療，從交通到工業自動化，人工智慧技術的滲透似乎已經到了世界的每一個地方，前幾年阿爾法圍棋（AlphaGo）競賽中，當頂尖的人類選手被 AI 所擊敗的時候，整個世界都已經看見了人工智慧的強大潛力，而近幾年其的應用範圍也已經不只是下圍棋這麼簡單，它們在提高人類勞動生產工作效率上做出了極大貢獻，對世界經濟，政治和文化都產生著潛移默化的影響，將人類推向了更高智能的科技文明時代。

那麼 AI 對於全球經濟的影響究竟會有多大？這個答案其實應該取決於兩個方面，一個是人工智慧（AI）究竟能用來做什麼，另一個方面則是各大企業之間對 AI 技術的需求和競爭程度有多強烈，根據麥肯錫全球研究學院的一份最新報告，模擬了五種 AI 強大技術（計算機視覺、自然語言、虛擬助手、自動化和機器學習）對全球宏觀經濟的潛在影響。

麥肯錫的研究報告發現排除競爭效應和過渡成本，AI 到 2030 年全球有 70% 的企業將會採用 AI 技術，其同時可以將全球 GDP 增加13 萬億美元，平均每年有約 1.2% 的 GDP 增長率，人工智慧的發展速度也將會隨著時間節點的推進越來越快，其會逐漸參與到與其他技術的融合之中，將與 19 世紀的蒸汽機，20 世紀的工業製造，以及 21 世紀初的互聯網一樣，對人類文明的發展產生非凡的影響。

而在社會各行業對人工智慧技術的轉型節點上，也會掀起一場關於快速部署 AI 和自動化的競爭熱潮，那些後採用 AI 技術的公司會發現自己在市場上的競爭力遠遠不及其他早已經實現了 AI 自動化的企業，而對於世界經濟來說，AI 驅動的生產率增長將會受到勞工自動化、創新和競爭等因素影響，微觀因素包括人工智慧的普及速度，宏觀因素則包括全球連接性，國家的勞動力市場結構，這些都將同時作用，對 AI 經濟規模產生影響，而且這些影響可能不是線性的，會隨著時間的推移逐步加快。

另一方面，在 AI 技術普及的過程中，世界各國，各大企業和員工之間的差距將會越拉越大，也就是說雖然 AI 對世界經濟的貢獻巨大，但是它們同時會導致經濟發展狀況的不均勻， AI 技術領先國家（主要是發達國家）會繼續增大他們和發展中國家的領先差距，如果說在未來幾年，這些 AI 國家可以額外獲得 20% 到 25% 的凈經濟效益，那麼發展中國家可能只獲得 5% 到 15%的凈經濟效益，也由於許多發達國家人口老齡化，國內生產總值增速放緩等原因，他們採用自動化來提供勞動生產率的需求會更加旺盛，在這個基礎上會大大增強 AI 人工智慧的普及度，而如果發展中國家要取得良性的經濟發展，他們也必須抓住機會，儘快實現 AI 化轉型。

對於企業來講，在未來 5 到 7 年內採用 AI 技術的企業和非採用者之間的差距也會拉大，前者可能在在 2030 年前將自己的現金流翻倍（減去投資和過渡成本），而這類企業將會有更強大的 IT 基礎，更高的 AI 投資比例和對 AI 相對積極的業內看法，那些非採用者則可能會經歷現金流 20% 的下跌（成本和收益模型不變的話），因此在這樣的對比分析中，業內或許會掀起一場關於 AI 技術轉型的競爭熱潮。

而在工作者方面，全球就業市場對於那些重複性，機械性的工作需求會逐步減少，取而代之的是一些需要社交參與和認知驅動的數字網路行業，前者預計到 2030 年前將會遭遇歷史就業市場上最大慘跌，也就是 40%，而那些 IT，人工智慧和互聯網等需要大量電子和數據技能的行業成長增速可以達到 40 % 到 50%，他們的工資相比那些重複性工作崗位的員工會高很多。

這樣的後果就是全球員工的工資薪酬比例嚴重失衡，另一方面，結構性供應過剩的潛在原因是仍然有相當高比例的人缺乏行業所需技能所導致的，總的來說，AI 普及化對就業來說不會產生太劇烈的影響，雖然 AI 和互聯網行業的發展將會逐步提升，但是社會就業崗位的總需求還是會隨著 AI 的發展而不斷削減，無論是對國家還是企業，人工智慧所帶來的積極性影響是巨大的，不過它們可能不會這麼快變為現實，其中需要一定的過渡時間，短期的投資才能在耐心和長期的戰略思考中才能獲得回報。

對於企業來說，它們需要找到更多新方案，用 AI 來提供員工的就業技能和再就業技能，以適應新的工作環境，也就是說未來人們的工作流動可能更加頻繁，他們可能必須要過渡到新的就業類型，不斷更新自己的技能，以適應不斷變化的就業市場需求，根據麥肯錫的調查報告，全球人工智慧投資驅動的就業機會到2030年可能增加約5%，總生產率效應對就業的貢獻率約為 10%，在這個基礎上，世界各大政治家和立法官也需要顯示出強大的領導力，幫助人們理解這場由 AI 和自動化帶來的社會經濟轉型。

不過上面的這些數字都是基於理論上的推演，那麼 AI 發展到現在的現實狀況又是如何呢？首先，我們不得不承認人工智慧的發展潛力非常巨大，我們還無法在短期內對其做出一份完全的價值評估報告，畢竟我們現在對人類智能的理解都還非常局限，更不要說從計算機技術發展而來的 AI，雖然說世界各地都在宣揚人工智慧，我們還是需要理性的認識到，感謝摩爾定律，我們現在的計算機處理速度比以前快了很多，但是現在用的機器演算法實際上和 40 年前的差距並不大。

我們似乎只是給這些演算法重新取了個名字，以前的「數據」現在被叫做「大數據」，70 年代的老式神經網路現在被叫做深度學習，實際上現在所謂「人工智慧技術」並沒有向人們所想像的那麼神秘，而且它們目前的實際能力也不及那些 AI 公司們所吹捧的那麼誇張，比如用 AI 來治病，這種說法的可能性的確存在，但是在短期內是無法得到驗證和實際應用的，此前有報道稱 IBM 的 Watson 系統可以用來診斷癌症，但是後來又有醫學專家表示，這種診療方式非常的不安全且不準確。

另外一個例子是谷歌的 DeepMind 人工智慧團隊，他們開發的 AlphaGo 項目已經擊敗了世界上最頂尖的圍棋選手，超過了此前 IBM 打造的 Deep Blue 深藍系統，不過 DeepMind 在商業化實際應用的價值上走了多遠呢？英國皇家自由信託基金會（ NHS ）曾經僱傭 DeepMind 合作開發 Streams App 來幫助臨床醫師來診斷用戶病情，而 DeepMind 也希望藉助大數據把 Streams 打造成用戶健康狀況分析平台，但在項目中，DeepMind 需要獲取每位英國病患的醫療數據，這些隱私數據的安全性無法得到保障，合作的醫院也被當局判定違反，勒令整改，DeepMind 的這份項目也到此結束。

事實上，人工智慧在解決現實世界複雜問題方面的能力並不比他們 30 年前的祖先強好多，雖然可以在國際象棋和圍棋這類競賽中獲勝，但是從人類所能表現出的無數相互矛盾的癥狀中診斷疾病，目前還遠遠超出了他們的能力，他們只能用於一些數據分析識別工作，比如識別複雜數據中的特定模式，醫學圖像異常檢測，烴類檢測，消費者行為預測和欺詐檢測等，而這都需要大量結構良好的數據輸入和定義良好的端點。

而現在，人工智慧技術似乎走向了引領世界新經濟浪潮的風口浪尖，而只要是冠以 AI 兩字的投資項目都會被看做加分項，但是我們必須要提醒的是，現在 AI 能提供的實力和實際應用之間存在著很大的差距水平，人工智慧並非全能，就像在 2000 年初的互聯網泡沫一樣，2018 年的人工智慧是否也是被虛高的網路泡沫，這點值得我么深思，在對這些 AI 和大數據項目進行投資的同時，投資家們需要清楚，這些項目是否有成熟的商業案例，否則是不值得浪費投資精力的，「AI 的冬天」是否會出現，我們不能立刻下個定論，但無論如何我們需要理性的認識。

來源：hbr

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！