行业竞争将快速提高AI普及度不过人工智能离冬天还有多远？

本文由腾讯数码独家发布

从娱乐到医疗，从交通到工业自动化，人工智能技术的渗透似乎已经到了世界的每一个地方，前几年阿尔法围棋（AlphaGo）竞赛中，当顶尖的人类选手被 AI 所击败的时候，整个世界都已经看见了人工智能的强大潜力，而近几年其的应用范围也已经不只是下围棋这么简单，它们在提高人类劳动生产工作效率上做出了极大贡献，对世界经济，政治和文化都产生著潜移默化的影响，将人类推向了更高智能的科技文明时代。

那么 AI 对于全球经济的影响究竟会有多大？这个答案其实应该取决于两个方面，一个是人工智能（AI）究竟能用来做什么，另一个方面则是各大企业之间对 AI 技术的需求和竞争程度有多强烈，根据麦肯锡全球研究学院的一份最新报告，模拟了五种 AI 强大技术（计算机视觉、自然语言、虚拟助手、自动化和机器学习）对全球宏观经济的潜在影响。

麦肯锡的研究报告发现排除竞争效应和过渡成本，AI 到 2030 年全球有 70% 的企业将会采用 AI 技术，其同时可以将全球 GDP 增加13 万亿美元，平均每年有约 1.2% 的 GDP 增长率，人工智能的发展速度也将会随着时间节点的推进越来越快，其会逐渐参与到与其他技术的融合之中，将与 19 世纪的蒸汽机，20 世纪的工业制造，以及 21 世纪初的互联网一样，对人类文明的发展产生非凡的影响。

而在社会各行业对人工智能技术的转型节点上，也会掀起一场关于快速部署 AI 和自动化的竞争热潮，那些后采用 AI 技术的公司会发现自己在市场上的竞争力远远不及其他早已经实现了 AI 自动化的企业，而对于世界经济来说，AI 驱动的生产率增长将会受到劳工自动化、创新和竞争等因素影响，微观因素包括人工智能的普及速度，宏观因素则包括全球连接性，国家的劳动力市场结构，这些都将同时作用，对 AI 经济规模产生影响，而且这些影响可能不是线性的，会随着时间的推移逐步加快。

另一方面，在 AI 技术普及的过程中，世界各国，各大企业和员工之间的差距将会越拉越大，也就是说虽然 AI 对世界经济的贡献巨大，但是它们同时会导致经济发展状况的不均匀， AI 技术领先国家（主要是发达国家）会继续增大他们和发展中国家的领先差距，如果说在未来几年，这些 AI 国家可以额外获得 20% 到 25% 的净经济效益，那么发展中国家可能只获得 5% 到 15%的净经济效益，也由于许多发达国家人口老龄化，国内生产总值增速放缓等原因，他们采用自动化来提供劳动生产率的需求会更加旺盛，在这个基础上会大大增强 AI 人工智能的普及度，而如果发展中国家要取得良性的经济发展，他们也必须抓住机会，尽快实现 AI 化转型。

对于企业来讲，在未来 5 到 7 年内采用 AI 技术的企业和非采用者之间的差距也会拉大，前者可能在在 2030 年前将自己的现金流翻倍（减去投资和过渡成本），而这类企业将会有更强大的 IT 基础，更高的 AI 投资比例和对 AI 相对积极的业内看法，那些非采用者则可能会经历现金流 20% 的下跌（成本和收益模型不变的话），因此在这样的对比分析中，业内或许会掀起一场关于 AI 技术转型的竞争热潮。

而在工作者方面，全球就业市场对于那些重复性，机械性的工作需求会逐步减少，取而代之的是一些需要社交参与和认知驱动的数字网络行业，前者预计到 2030 年前将会遭遇历史就业市场上最大惨跌，也就是 40%，而那些 IT，人工智能和互联网等需要大量电子和数据技能的行业成长增速可以达到 40 % 到 50%，他们的工资相比那些重复性工作岗位的员工会高很多。

这样的后果就是全球员工的工资薪酬比例严重失衡，另一方面，结构性供应过剩的潜在原因是仍然有相当高比例的人缺乏行业所需技能所导致的，总的来说，AI 普及化对就业来说不会产生太剧烈的影响，虽然 AI 和互联网行业的发展将会逐步提升，但是社会就业岗位的总需求还是会随着 AI 的发展而不断削减，无论是对国家还是企业，人工智能所带来的积极性影响是巨大的，不过它们可能不会这么快变为现实，其中需要一定的过渡时间，短期的投资才能在耐心和长期的战略思考中才能获得回报。

对于企业来说，它们需要找到更多新方案，用 AI 来提供员工的就业技能和再就业技能，以适应新的工作环境，也就是说未来人们的工作流动可能更加频繁，他们可能必须要过渡到新的就业类型，不断更新自己的技能，以适应不断变化的就业市场需求，根据麦肯锡的调查报告，全球人工智能投资驱动的就业机会到2030年可能增加约5%，总生产率效应对就业的贡献率约为 10%，在这个基础上，世界各大政治家和立法官也需要显示出强大的领导力，帮助人们理解这场由 AI 和自动化带来的社会经济转型。

不过上面的这些数字都是基于理论上的推演，那么 AI 发展到现在的现实状况又是如何呢？首先，我们不得不承认人工智能的发展潜力非常巨大，我们还无法在短期内对其做出一份完全的价值评估报告，毕竟我们现在对人类智能的理解都还非常局限，更不要说从计算机技术发展而来的 AI，虽然说世界各地都在宣扬人工智能，我们还是需要理性的认识到，感谢摩尔定律，我们现在的计算机处理速度比以前快了很多，但是现在用的机器算法实际上和 40 年前的差距并不大。

我们似乎只是给这些算法重新取了个名字，以前的“数据”现在被叫做“大数据”，70 年代的老式神经网络现在被叫做深度学习，实际上现在所谓“人工智能技术”并没有向人们所想像的那么神秘，而且它们目前的实际能力也不及那些 AI 公司们所吹捧的那么夸张，比如用 AI 来治病，这种说法的可能性的确存在，但是在短期内是无法得到验证和实际应用的，此前有报道称 IBM 的 Watson 系统可以用来诊断癌症，但是后来又有医学专家表示，这种诊疗方式非常的不安全且不准确。

另外一个例子是谷歌的 DeepMind 人工智能团队，他们开发的 AlphaGo 项目已经击败了世界上最顶尖的围棋选手，超过了此前 IBM 打造的 Deep Blue 深蓝系统，不过 DeepMind 在商业化实际应用的价值上走了多远呢？英国皇家自由信托基金会（ NHS ）曾经雇佣 DeepMind 合作开发 Streams App 来帮助临床医师来诊断用户病情，而 DeepMind 也希望借助大数据把 Streams 打造成用户健康状况分析平台，但在项目中，DeepMind 需要获取每位英国病患的医疗数据，这些隐私数据的安全性无法得到保障，合作的医院也被当局判定违反，勒令整改，DeepMind 的这份项目也到此结束。

事实上，人工智能在解决现实世界复杂问题方面的能力并不比他们 30 年前的祖先强好多，虽然可以在国际象棋和围棋这类竞赛中获胜，但是从人类所能表现出的无数相互矛盾的症状中诊断疾病，目前还远远超出了他们的能力，他们只能用于一些数据分析识别工作，比如识别复杂数据中的特定模式，医学图像异常检测，烃类检测，消费者行为预测和欺诈检测等，而这都需要大量结构良好的数据输入和定义良好的端点。

而现在，人工智能技术似乎走向了引领世界新经济浪潮的风口浪尖，而只要是冠以 AI 两字的投资项目都会被看做加分项，但是我们必须要提醒的是，现在 AI 能提供的实力和实际应用之间存在着很大的差距水平，人工智能并非全能，就像在 2000 年初的互联网泡沫一样，2018 年的人工智能是否也是被虚高的网络泡沫，这点值得我么深思，在对这些 AI 和大数据项目进行投资的同时，投资家们需要清楚，这些项目是否有成熟的商业案例，否则是不值得浪费投资精力的，“AI 的冬天”是否会出现，我们不能立刻下个定论，但无论如何我们需要理性的认识。

来源：hbr