人工智能从专业小众到广泛普及

近日，德勤发布2019年的预测报告——《2019 科技、传媒和电信行业预测》，该报告认为机器学习将在2019年再次成为发展规模最大、增长速度最快的技术。同时，报告分析了机器学习如何迅速从专业小众技术转变为任何企业都可通过云技术加以利用的强大科技。此外，也探讨了中国如何从人工智能芯片着手推进国内芯片行业发展。

据德勤全球预测，到2019年，企业将加速应用基于云技术的人工智能软件和服务。在使用人工智能的企业中，70%将通过基于云技术的企业级软件构建人工智能能力，65%通过基于云技术的开发服务打造人工智能应用。此外，德勤全球还预测，到2020年，在所有应用人工智能软件的企业中，将企业级软件与人工智能和基于云技术的人工智能平台相结合的企业比例将分别达到87%和83%。云技术将提升人工智能的应用水平和投资回报率，并促进对人工智能的投资。更重要的是，人工智能能力的提升将使更多人受益，而不再局限于早期应用者。

人工智能迄今仅惠及少数企业

人工智能涵盖了多种技术。其核心當属机器学习及其更复杂的衍生技术——深度学习神经网络。这些技术令计算机视觉和自然语言处理等人工智能应用得以实现，也正是借助这些技术， 我们才能用海量数据做出精确预测，并挖掘数据背后的更深层启示（参见 “人工智能技术相关术语”）。人工智能近来受到的关注，一方面来自于机器学习和深度学习的发展， 一方面则是由于企业能通过许多方式运用这些科技，改善运营、 开发新产品和服务， 并以更低的成本为顾客提供更优质的服务。

人工智能所面临的困扰在于，迄今为止，许多企业仍缺乏充分利用人工智能所需的专业能力和资源。机器学习和深度学习往往需要多个人工智能专家团队、访问大型数据组的权限、专门的基础设施和处理能力。具备这些优势的企业接下来还要寻找人工智能的正确使用案例， 创建定制化解决方案，并扩大至整个企业范围内。这些均需要一定程度的投资和经验，无法一蹴而就，并且是许多企业遥不可及的。

因此，在人工智能发展初期，受益者主要是先行企业。他们拥有必要的技术能力、强大的信息技术基础设施和获取稀有、昂贵的数据科学技能所需的雄厚资金。其中最具代表性的就是全球的科技巨头。随着人工智能领域人才身价的攀升，科技巨头可凭借其资源展开人才争夺战。此外，他们已投入数十亿美元资金，用于建设巨型数据中心和专门的处理器等基础设施。例如：

·谷歌已设计出自己的人工智能芯片，可用于加速其数据中心和物联网设备的机器学习进程。 自2011年推出Google Brain以来，谷歌持续探索深度学习领域，并将这一技术广泛用于包括视频数据分析和数据中心冷却在内的各环节。

·亚马逊多年以来坚持用机器学习技术驱动业务建设。目前，亚马逊正在利用深度学习重新设计业务流程、开发Alexa虚拟助手等新产品品类。

·中国的BAT——百度、阿里巴巴和腾讯——在大举投资人工智能的同时，还向一直由美国企业主导的领域拓展：芯片设计、虚拟助手和自动驾驶汽车。

人工智能正从小众市场向大众化转变

这些科技巨头正利用人工智能打造10亿美元级别的服务并开展运营变革。为开发自己的人工智能服务，他们采用了一套熟悉的策略：（1）针对内部挑战或机遇寻求解决方案;（2）在企业内更大规模地完善解决方案;（3）推出能迅速吸引大量用户的服务。因此，我们看到亚马逊、谷歌、微软和中国的BAT基于自己的使用经验，面向更广大市场推出了人工智能开发平台及独立应用。

大型企业级软件公司也纷纷加入以上科技巨头的行列，这些公司正着手将人工智能能力融入基于云技术的企业级软件，并向大众市场推广。例如，2016年9月，Salesforce在其客户关系管理软件中融入了依托人工智能的商业智能工具Einstein。该公司称，它将每天为用户提供10亿个预测。SAP将人工智能融入其基于云技术的企业资源计划系统S4/HANA，以支持销售、财务、采购和供应链等具体业务流程。S4/HANA已有约8000个企业用户，为推广其应用，SAP宣布自2025年起将不再支持旧版的SAP企业资源计划系统。

大量初创企业也纷纷凭借基于云技术的开发工具和应用跃入人工智能市场。 其中， 至少有六家人工智能“独角兽”，两家来自中国。这些企业中，有些专注于某个特定的产业或使用案例。例如，美国人工智能领域独角兽CrowdStrike专攻网络安全，而另一家公司 BenevolentAI则致力于利用人工智能开发新药物。

这些创新型企业让更多企业更易获益于人工智能。尽管这些企业缺乏顶级科技人才、访问大型数据组的权限，也没有强大的计算能力，但他们通过云技术获得的服务可以弥补这些不足， 而且无需支付巨额的前期投入。简而言之，云技术正赋予企业即刻应用人工智能的能力，从而实现这一技术的普及。

基于云技术的人工智能助力企业突破应用阻碍

近期，德勤调查了1900名“认知意识”企业高管，他们的企业已经开始了人工智能技术试点或实施项目。这些企业来自7个国家10个行业。尽管还无法媲美亚马逊、谷歌和中国的BAT等人工智能先行者，但与普通公司相比，他们可以称得上是人工智能的“早期应用者”。 调查发现，获取高质量数据、清理数据和训练人工智能系统等数据问题是应用人工智能技术的两大阻碍之一。在参与调研的众多公司里，38%的公司将其列入挑战榜单的前三位。 此外， 同样被38%的受访者列入前三名的挑战还包括如何在现有流程和工作流中融入人工智能。 紧随其后的是被37%的公司列入前三名的人工智能实施——当企业试图从概念认证迈向全面生产时，这就成了一个严峻的问题。

针对“技能差距”是否阻碍了企业的人工智能发展，德勤分别采访了这些早期应用者。41%的人认为其企业有“中等程度”的技能差距，另有27%的人认为他们有“巨大”或“极大”的技能差距。这种技能差距在人工智能研究员、数据科学家和软件开发人员中显得尤为突出。

即便对缺乏专业能力，无法自主构建、训练人工智能系统或管理数据的企业，基于云技术的软件和平台也能帮助他们利用人工智能。根据我们的调查，所有人工智能的早期应用者都利用了这些技术。目前尚未采用这些技术的企业也计划在未来采取行动。

一条捷径：融合人工智能的企业级软件

我们对较早应用人工智能的企业进行了调查。结果表明，获得人工智能能力最广受欢迎的方式也恰恰是最简单的：整合了人工智能技术的企业级软件。 这类软件大多依托于云技术， 有些利用公共云部署，有些则通过私有云。全球范围内参与本研究的企业中，58%的企业目前都采用这种方法。德勤全球估计，截至2020年，约87%的人工智能用户的人工智能能力都将部分来自于融入了人工智能技术的企业级软件（图 1）。

这种采用人工智能的方式有下列优势：

·企业不需要开发属于自己的人工智能应用，人工智能仅在后台运行，为终端用户增加软件的价值。

·终端用户不需要任何专业知识就能使用企业应用内置的人工智能技術。

企业不需要开发直观的新用户界面。这对从零开发的人工智能应用来说， 或许是一个挑战，尤其考虑到21%的受访企业提到自己缺乏用户体验设计师。事实上，软件公司正在利用自然语言处理等人工智能技术提升其解决方案的易用性。例如，Salesforce近期就为Einstein推出了一款语音助手产品。

语音助手等新应用的出现，凸显出基于云技术的各类人工智能服务带来的另一大优势——持续升级。人工智能行业竞争激烈，各企业均在迅速提升服务，而基于云技术的交付能让客户立即利用这一优势。

2019年，可供选择的企业级人工智能服务范围将进一步扩大。新晋基于云技术的人工智能服务提供商纷纷进入市场。例如，近期谷歌发布了三款人工智能服务，专门针对人力资源和市场营销等业务职能，并计划推出更多此类服务。我们预计不久之后，几乎所有企业级软件均会或多或少地融入一些人工智能元素。

有志于增加人工智能能力的企业还可以挖掘一系列服务于单一目的应用，如聊天机器人。 这类应用可以被迅速部署，为数字化业务打下基础。 Lemonade是一家颠覆保险业的新兴企业， 它运用聊天机器人销售保险并处理理赔，其速度和效率均高于人类。

针对特定行业的人工智能应用软件开始涌现，且通常来自于初创企业。Reflektion利用深度学习技术为电商网站的顾客呈现满足个体需求的产品，从而提振销售额。Ayasdi致力于开发一类基于云技术的人工智能软件，这类软件能够帮助医院厘清保险公司拒绝理赔的原因，提供解决方案建议，并甄别值得再次申请的理赔案件。这类应用虽然涉及范围较小，但可以助力企业解决棘手且成本高昂的问题。

然而，这种“捷径”的优势或许是它最大的短板：使用案例很大程度上取决于软件。一方面， 企业不需要担心某一使用案例是否存在，因为其购买的人工智能服务正是针对特定业务职能的，而且通常是关键业务职能。另一方面，这些解决方案的定制化程度有限，软件提供的能力可以被任何其它公司获取。因此，如果企业想要从人工智能中获得竞争优势，就需要开发自己的解决方案。

人工智能开发服务：抵达定制化解决方案的快速跑道

鉴于上述原因，基于云技术的人工智能开发服务就派上了用场。这些服务帮助企业开发新的人工智能应用，选取合适的模型，在自然语言处理和计算机视觉等更高级别的人工智能技术领域占得先机。

不同于“内置”人工智能技术的企业级软件，人工智能开发服务需要企业拥有自己的技术人才，如人工智能程序员、数据科学家等。这些服务能帮助企业获得久经考验的模型，加快关键流程，从而最大限度挖掘技术人才的价值。换言之，对于那些拥有技术型人工智能人才， 但尚无法自主开发人工智能服务，或开发速度不够快的企业，这种服务能帮助企业大规模地构建大量人工智能服务。

例如，通过机器学习和深度学习构建解决方案的过程包含以下步骤：搭建模型，用大型数据组训练模型，评估模型表现，然后“微调”模型以取得最优结果。

每一步都可能是劳动密集型的，需要数据科学家做出多个决策。人工智能开发服务削减了搭建、检验模型，以及与数据“纠缠”的时间。自动化机器学习能从给定集合中选择最有效的模型，并且以快于人类100倍的速度“自动调试”该模型，因此数据科学家团队能以更少的步骤建立更多模型。如此，即便企业的专业人才较少，也能迅速“试验并学习”。

一些人工智能开发服务已经非常直观，甚至不需要开发人员具备专业知识。比如，百度近期推出了名为EZDL的人工智能开发平台。该平台无需编码经验，甚至借助小型数据训练组亦可使用。

对于拥有大量资源的企业，人工智能开发平台也能助其实现行业颠覆性的创新。例如，三星重工业有限公司正在使用亚马逊云服务开发自动航行货轮及货轮管理服务。

当然，和企业级软件一样，客户完全没有必要重复开发。云提供商已经为自然语言处理等技术开发出了预设机器学习应用编程接口，便于客户直接使用而非自主开发。

大量企业开始受益

我们针对人工智能早期应用者的调查显示，人工智能的大众化不断推动人工智能的应用。 虽然受访者应用人工智能的方式各有不同，但将企业级软件与人工智能技术和基于云技术的开发平台相结合是企业采用人工智能技术的两大主要途径。

接受德勤人工智能调查的美国受访企业中，早期应用人工智能的企业采用深度学习技术的比例从2017年的34%上升至2018年的50%。 越来越多的企业可通过大量基于云技术的人工智能服务运用深度学习技术，推动了该技术应用比例的增长。我们在另一项针对云服务的单独调查中发现，希望获取人工智能和先进分析技术等先进创新能力提升服务的企业，比希望获得传统IT服务的企业多2.6倍。

云技术的不断普及和早期应用者经验的积累，共同推动人工智能的应用：

·从2017年至2018年，我们调查的美国受访企业中，全面采用人工智能技术的企业数量从6家增长到9家，增长率达50%，德勤全球2018年预测得到印证。

·所有国家早期应用人工智能的企业均取得了不错的经济效益，平均投资回报率达到16%。这对于在技术快速演变的情况下不断积累经验的企业来说，是个良好的开端。

·投资回报率可驱动人工智能的应用，但这并不能解释企业采用人工智能的全部动机。我们的受访者认为人工智能还将在未来两年对其竞争力产生重大影响（图2）。

·由于已取得了一定成效，同时相信人工智能將对自身竞争力的提升起到关键作用，企业不断加大人工智能投资力度。我们调查发现，受访企业2017年人工智能平均投资额度为390万美元，到2019年这一额度有望上升至480万美元。

从我们的调查结果来看， 企业将基于云技术的企业级软件与人工智能相结合的趋势将加速。 有趣的是，这一“捷径”并非只适用于刚刚涉足人工智能应用的企业。我们调查发现，最成功的人工智能早期应用者（拥有最丰富的内部资源）也是将企业级软件与人工智能结合最多的企业。

与此同时我们也发现，在人工智能应用方面比较成熟的企业，往往倾向于通过人工智能开发平台利用人工智能人才资源。人工智能开发平台提供商的数量随之增长：亚马逊表示，去年使用亚马逊网络服务机器学习的用户数量增长了250%。

显而易见，随着市场上越来越多服务的推出，人工智能的应用也将加快。推出的服务类型包括预制企业人工智能解决方案和开发工具等。借助人工智能开发工具，普通程序员可化身人工智能模型架构师。

企业如何才能复制早期人工智能应用者所取得的成效？

紧跟人工智能发展趋势。随着市场的高速发展，新的技能不断涌现。即使是内部人工智能技能平平的企业也能逐渐使用最先进的技术。正如科技巨头和初创企业为争夺市场份额而寻求新的发展一样，早期人工智能应用者也在利用人工智能相关技能进行摸索尝试，以期超越竞争对手。

有效利用现有解决方案。无论是企业自主开发还是供应商提供的具体业务流程，均能与人工智能相结合。企业应当确认软件供应商所开发的现有解决方案是否能够满足自身需求。若非必要，不必重新开发已有解决方案。

储备一定的人工智能专业人才。虽然企业级软件和基于云技术的开发平台能够提供有效的人工智能应用途径，但这并不意味着企业不必储备人工智能专业人才。企业级软件和基于云技术的开发平台无法为企业提供定制化解决方案所能提供的竞争优势。在人工智能广泛应用于企业级软件的情况下，这一问题更加突出。企业需要自己的人工智能专业人才，基于人工智能开发平台开发和定制算法。这些专业人才还将有助于企业根据自身业务需求开展人工智能应用与服务投资。由于有供应商试图以普通分析技术冒充最新的深度学习能力，技术专业人士开展“真实性核查”变得越来越重要。内部人工智能专业人才能够帮助企业切实了解基于当前的人才、数据资源和战略水平，人工智能技术能够为其创造何种效益。

聚焦业务需求。只有了解自身需求才能更好地应用人工智能技术。企业应当了解人工智能可协助自身应对哪些挑战，以及人工智能如何发挥其协助作用。鉴于此，除专业技术人员外，企业管理层也需了解业务需求，且能够与专业技术人员“探讨数据科学”，从而帮助企业高效建立有效模型，而不仅仅是提高建模效率。

（本文内容摘自德勤《2019年科技、传媒和电信行业预测》报告）