人工智能时代的承诺与挑战

2018-11-20麦肯锡全球研究院

中国经济报告 2018年11期

□麦肯锡全球研究院

人工智能和自动化将对人们的工作产生深远影响，在带来社会效益的同时带来挑战

人工智能（AI）在过去60年的发展中不断经历着“热潮”与“寒冬”，现在AI的时代可能终于到来了。目前，AI支持的应用遍及我们的日常生活，包括面部识别、语言翻译以及语音助手等智能应用。随着这些消费级应用程序的出现，越来越多的企业开始应用AI，这也进一步促进了生产力的增长和创新，为企业和经济带来了可观的利益。同时，它也对人们的工作产生了深远影响，对技能要求较少的职业需求量将下降，而其他职业的需求也会随着技术发展而逐渐变化。

AI已来，仍需更多努力

人工智能经过60余年的发展，仍没有完成许多预期的功能。例如，如何准确地描述人工智能。近年来机器学习算法已经取得了很大进展，尤其是基于神经网络的深度学习和强化学习技术的发展。

尽管人工智能技术已经取得了巨大进展，但仍有许多需要解决的难题。到目前为止，大多数进展都发生在所谓的“狭义AI”领域，即开发机器学习技术来解决特定问题。更难的问题被称为“通用智能”（artificial general intelligence），其中的挑战是如何开发出像人类一样解决一般问题的人工智能。许多研究人员认为距离通用智能的实现还需要几十年时间。

许多AI领域的进展都是基于神经网络的深度学习领域的进展。这些AI系统松散地模拟了大脑中神经元相互作用的方式。

机器学习的方式有监督学习、无监督学习和强化学习。当前许多AI应用的实例都是有监督学习的应用。在有监督学习中，训练的数据用于帮助系统学习给定的输入和输出关系，比如识别图像中的物体或转录人类的演讲。无监督学习是用没有标记的训练数据来在给定的数据中检测出模式或聚类，比如检测出具有相似建筑风格的建筑物。强化学习系统通过评分系统、接收反馈（虚拟的“奖励”或“惩罚”）和反复试验来训练系统。

尽管新技术正不断出现并解决人工智能应用中一些现实的挑战，但人工智能仍然面临许多实际的挑战。机器学习需要大量的人力来标记监督学习所必需的训练数据。在自然使用过程中用于数据标记的流内监督（In-stream supervision）和其他技术可以帮助缓解这个问题。

用于训练的数据集的量必须要足够大、数据需要非常全面，而获取这样的数据集是非常有挑战的。比如，创建或获得足够的临床试验数据以更准确地预测医疗保健治疗结果。

相对于其他的机器学习方法，使用深度学习生成的模型非常难以解释。这些模型可能有许多层和上千个节点，单独解释每一个是不可能的。数据科学家通过度量它们的预测结果来评估深度学习模型，但模型架构本身是个“黑盒”。它有可能会让你在不知不觉间，失去“发现错误”的机会。

近年来机器学习算法已经取得了很大进展。

深度学习技术“黑盒”的复杂性还带来一个挑战——“可解释性”，哪些因素影响了决策或预测的产生，以及如何影响。这在信任事项和预测具有社会影响的应用中尤为重要，比如刑事司法应用或金融借贷。

另一个挑战是如何建立广义的学习技术，因为人工智能技术在将经验从一种情况转移到另一种情况时仍然存在困难。迁移学习（transfer learning），是指训练AI模型以完成某项特定任务，然后快速将该模型应用于类似的其他活动，是应对这一挑战的一种极具潜力的方法。

AI将跨越行业和职能部门

人工智能在消费级应用中越来越普遍，也有企业开始在其运营过程中采用AI技术，有时甚至会产生意外的结果。

AI可用于改善企业的整体能力，包括预测性维护。比如，深度学习能够从音频和图像中分析大量高维数据，从而有效地检测工厂装配线或飞机引擎中的异常情况；在物流方面，AI可以优化运送路径，提高燃油效率并缩短交货时间。从营销到供应链管理，在所有经济部门和多种业务功能中都可以找到AI的应用。在许多AI应用案例中，深度学习技术主要是通过改进传统分析技术来增加价值。

研究人员对19个行业和9个业务功能中的400多个用例（use case）进行了分析，发现AI在69%的潜在应用案例中改进了传统分析技术，在16%的人工智能案例中，发现了适用于其他分析技术没有效果的“绿灯区”（greenfield）人工智能解决方案。随着算法变得更加通用，所需的各种数据变得更容易获得，深度学习用例的数量可能会快速增加，而“绿灯区”深度学习用例的占比则可能不会显著提升，因为更加成熟的机器学习技术也有潜力变得更好、更普遍。

尽管许多组织已开始采用人工智能，但采用的速度和程度并不均衡。2018年，麦肯锡在一项关于人工智能采用的调查中发现，有将近一半的受访者表示，他们的公司在其业务流程中至少使用了一项人工智能技术，另有30%的企业正在试用人工智能。尽管如此，只有21%的受访者表示他们的企业已将AI嵌入到业务的多个部分中，仅有3%的大型公司称已将AI整合到其整个企业的工作流程中。其他调查显示，早期人工智能技术的采用者倾向于考虑更广泛地使用这些技术，以增加市场份额，而经验较少的公司更倾向于降低成本。高度数字化的公司倾向于在人工智能方面投入更多资金，并从其使用中获得更大的价值。

许多公司和部门在人工智能的采用方面是落后的。因此需要制定具有明确利益的人工智能战略，寻找具有适当技能的人才，克服限制端到端部署的功能孤岛（functional silos）。

企业在采用人工智能时还可能在组织架构上面临更为棘手的挑战。掌握技术需要新的专业知识水平，而流程则可能会成为技术被成功采用的主要障碍。企业将不得不开发出稳健的数据维护和治理流程，并专注于“第一公里”，即如何获取和组织数据，以及更困难的“最后一公里”，即确保人工智能提供的卓越见解能够融入企业的人员和流程，从临床试验人员和销售经理到采购人员。

在人才方面，深层神经网络的大部分构建和优化仍然是一门需要真正专业知识的艺术。但对这些技能的需求远远供不应求，预计只有不到1万人拥有解决严重AI问题所需的技能，而且竞争也非常激烈。选择建立自己的人工智能解决方案的公司需要考虑其是否有能力吸引和留住具有相应专业技能的员工。

经济体也可以从中受益

人工智能和自动化技术的部署可以为提升全球经济和促进全球繁荣做出很大贡献。在老龄化不断升高和出生率不断下降的时期，生产率增长对长期的经济增长尤为重要。近年来，发达经济体的生产率增长也一直比较低迷，与以前的通用技术相似，AI可以为提高生产力做出贡献。

人工智能最大的经济影响可能是通过劳动力市场来提高生产率，包括替代、增加人力成本和对劳动生产率的贡献。研究表明，人工智能可以增强人的综合能力，释放工人从事更高效和更高价值的任务，并增加对与AI技术相关的工作需求。

人工智能还可以促进创新，使企业能够通过现有产品更有效地到达服务欠缺的市场来创造全新的产品和服务。人工智能还将创造积极的外部效应，促进更有效的跨境贸易，并扩大对有价值的跨境数据流的使用。经济活动和收入的增加可以再投资于生产，有助于未来进一步的增长。

人工智能的部署也会带来一些负面效应，这些外部因素可能会降低积极的经济影响，但不会抵消。在经济方面，负面效应包括竞争的加剧，将市场份额从非采用者转移为领先者，与管理劳动力市场转型相关的成本，以及失业期间公民的潜在消费损失，以及部署AI系统的过渡和实施成本。

人工智能最大的经济影响可能是通过劳动力市场来提高生产率，包括替代、增加人力成本和对劳动生产率的贡献。

不同国家的AI准备度

研究表明，创新和获得必要的人力资本技能的能力将是最重要的促成因素，而AI的竞争力可能是影响未来GDP增长的重要因素。引领人工智能竞争的国家具有独特的优势，以区别其他国家。规模效应可以实现更大的投资，网络效应可以使这些经济体能够吸引更多人工智能所需的人才。

第一梯队国家包括中国和美国。目前，中国和美国是大多数与人工智能相关的研究活动和投资的引领者。

第二梯队国家包括德国、日本、加拿大和英国等，这些国家都具有推动大规模创新的历史，并可能帮助加速人工智能解决方案的商业化。比利时、新加坡、韩国和瑞典等规模较小的全球连通经济体在培养新型商业模式蓬勃发展的生产环境方面也取得了很好的成绩。

第三梯队国家包括巴西、印度、意大利和马来西亚等，这些国家虽然处于相对较弱的起始位置，但在特定领域具有相对优势。以印度为例，每年有大约170万名毕业生获得STEM学位，超过所有G7国家的STEM毕业生总数。

其他国家的数字基础设施、创新和投资能力相对不发达，数字技能相对落后。

AI将对人的工作产生深远影响

虽然人工智能和自动化会为企业和经济带来很大利益，但预期会对人们的工作造成重大干扰性影响。

1. 大约有一半的工作活动（不是工作）是技术上可自动化的。通过对“自动化和人工智能对工作的影响”的分析表明，一些类别的活动在技术上比其他活动更易自动化，包括高度可预测和结构化环境中的物理活动（如流水线作业）以及数据收集和数据处理等，这类工作大约占据了所有部门日常工作的一半。

最不易受影响的种类包括管理他人、提供专业知识以及与利益相关者交互的工作。高度自动化活动的密度与国家、部门、职业都有关系。研究发现，60%的职业中大概30%的活动是可以自动化的，只有约5%的职业中几乎所有活动都是可以自动化的。换句话说，更多的职业将部分自动化而不是全部自动化。

2. 对工作的三个影响：失业，就业增加，改变就业机会。采用自动化并影响实际工作的速度和程度将取决于技术可行性之外的若干因素，包括部署和采用的成本，以及包括劳动力供应数量、质量和相关工资在内的劳动力市场动态。劳动力因素是导致发达经济体和发展中经济体差别的主要因素。

首先是失业问题。2016年至2030年的中点应用场景（midpoint adoption scenario）表明，约有15%的全球劳动力（4亿工人）可以被自动化取代。

第二是获得的就业机会。我们根据预期的生产率增长和考虑工作需求的几个驱动因素，制定了2030年的劳动力需求情景。这些驱动因素包括收入增加（尤其是新兴经济体的收入增长），以及人口老龄化、基础设施和建筑投资、能源转型支出以及技术开发和部署支出增加的医疗支出。

通过这些因素和其他催化剂获得的就业岗位数量大约在5.55亿至8.9亿之间，约占全球劳动力的21%至33%。也就是说，除极端情况外，工作需求的增长将抵消自动化失去的工作岗位的数量。随着机器越来越多地进入工作场所，人类的工作岗位也会发生变化，受到变化影响的工作比造成的失业更多。

劳动力转型非常重要

即使在2030年人们有足够的工作，但伴随自动化和人工智能应用带来的工作转变也是非常重要的。

1. 数百万工人可能需要改变职业。其中一些改变将发生在公司和部门内部，但大多数的变化将发生在部门甚至地区之间。其他难以自动化的相关职业数量将会增长。这些职业包括经理、教师、护士、技术和其他专业人员，以及在特殊环境中工作的工人。这些变化可能并不顺畅，将会导致失业率的上升。

2. 工人在未来工作中需要掌握不同的技能才能生存。对沟通和同理心等社交和情感技能的需求也会同时增长。自动化也将促进更高认知技能的需求，特别是批判性思维、创造力和复杂信息处理能力。技能转变的步伐一直在不断加速，这可能会导致对某些技能的过度需求和对其他技能的过度供应，造成一种供需不平衡的现象。

3. 随着越来越多的机器与人一起工作，工作场所和工作流程也会发生变化。例如，随着商店引入自助结账机器，收银员将从扫描商品的工作流程转移到为顾客回答问题或为机器排除故障。

4. 自动化可能会对发达经济体的平均工资带来一定压力。目前发达经济体的许多中等工资岗位都是可以高度自动化的活动，其次是制造业和会计等领域。高薪工作岗位将大幅增加，特别是对于能提供高水平医疗服务的医生、技术或其他专业人员而言。鉴于现有技能短缺和教育体系受到挑战，以及在职业培训和工人过渡支持支出下降的趋势，许多经济体（尤其是经合组织国家）在解决这些转变的过程中，都陷入了困境。还有许多经济体正在经历收入不平等和工资两极分化的问题。

AI带来的社会效益和挑战

除了经济利益和挑战外，人工智能还将以积极的方式影响社会，因为人工智能有助于解决从健康和营养到平等和包容在内的社会挑战，但人工智能也会引入滥用等需要解决的新问题。

1. 人工智能可以帮助解决一些社会最紧迫的挑战。通过将常规工作、不安全的活动以及人类容易出现人为错误的活动自动化，人工智能可以提高人们的工作效率，使人们的生活和工作更加安全和高效。一项针对美国的研究预测，用更精确的自动驾驶汽车取代人类驾驶员可以减少事故发生率，每年挽救数以千计的人类生命。

人工智能可以减少人类在海上石油钻井平台和煤矿等不安全环境中的工作需求。美国国防高级研究计划局（简称DARPA）就正在测试可以部署在灾区的小型机器人，以减少人类可能受到的伤害。还有一些相关的AI功能。比如对手机拍摄的皮肤照片进行图像识别和分类可以评估是否患有皮肤癌，以促进疾病的早期诊断，缓解皮肤科医生诊疗病人数量有限的问题。物体检测可以通过识别汽车和灯柱等障碍物，帮助视障人士导航，与环境互动。

2. AI需要解决包括意外后果、滥用、算法偏见以及数据隐私问题在内的社会问题。从经济角度来看，需要解决个人、企业、部门甚至国家之间日益扩大的经济差距，这些差距可能会成为部署的意外后果。其他受关注的领域包括人工智能的使用和滥用。范围包括从监视和军事应用的使用到社交媒体和政治中的使用，以及具有社会效应的领域，例如司法系统。我们还必须考虑人工智能技术被恶意滥用的潜在可能性，比如在网络安全领域。

算法以及用于训练算法的数据可能会引入新的偏见，或使现有的社会和程序偏见长期存在并制度化。例如，开发者利用有限的面部群体样本训练的面部识别模型，可能无法应用于更广泛的人群。

数据隐私和个人信息的使用也是在AI发展过程中必须要解决的关键问题。欧洲通过《通用数据保护条例》在这一领域处于领先地位，该条例对数据收集提出了更严格的要求，为用户提供了被遗忘权和反对的权利，加强了对收集、控制和处理的组织方的监督，并规定对未遵守规定的企业处以罚款。网络安全和深度伪造技术可能会被用于操纵选举结果或进行大规模欺诈活动，这也是亟需解决的问题。