高層速讀

關鍵信息：本報告對19個行業的400多個案例進行了分析，強調了人工智能技術的廣泛使用和巨大的經濟潛力。介紹了主流的機器學習技術與神經網絡，分析了深度學習在企業中的應用目的與效果，闡明瞭訓練AI所需的各種數據與資源。

關鍵數據：2/3的企業表明使用深度學習是為了提高現有性能；69%的案例表明深度神經網絡可以提高技術無法達到的性能；15%的案例完全應用了深度神經網絡。

關鍵意義：深度學習的價值並不在於模型和算法有多優秀，而是在於公司如何運用它。

借鑑麥肯錫全球研究所的研究成果和麥肯錫分析公司的應用經驗，本報告評估了人工智能技術在各個行業和業務功能中的實際應用和經濟潛力。通過報告發現了深度學習技術在整個經濟中的巨大潛力，同時也存在限制和障礙，隨著技術的繼續發展，未來的機會也會出現。以及，深度學習的價值並不在於模型和算法有多優秀，而是在於公司如何運用它們。

需要強調的是，即使我們看到了使用人工智能技術的經濟潛力，也必須考慮數據的使用涉及到的數據安全、隱私和偏見等問題。

三種學習技術&四大神經網絡最為流行

隨著人工智能技術的發展，人工智能技術的定義也在不斷拓展。除了深度學習之外，報告還研究了其他機器學習技術和傳統分析技術，但遷移學習、強化學習和深度學習是AI中應用最多的技術。

▲AI中各種技術的應用熱度

神經網絡是機器學習技術的一個子集。從本質上講，它們是基於模擬連接“神經單元”的人工智能系統，大致模擬了神經元在大腦中相互作用的方式。自20世紀40年代以來，人們一直在研究由神經連接的計算模型，隨著計算機處理能力的增加，以及大量的訓練數據集被用於成功分析圖像、視頻和語音等輸入數據，這些模型又重新流行起來。人工智能研究者們便將這些技術稱為“深度學習”，因為神經網絡有許多深層的模擬神經元層。

報告分析了三種最流行的神經網絡技術的應用和價值：

前饋神經網絡（Feed forward neural networks）：最簡單的人工神經網絡。在這個體系結構中，信息只從一個方向移動，從輸入層通過隱藏的層，到達輸出層，網絡中沒有循環。第一個單神經元網絡是由人工智能先驅Frank Rosenblatt於1958年提出的。

循環神經網絡（RNNs）：這種人工神經網絡之間的連接包含循環，非常適合用於序列輸入。

卷積神經網絡（CNNs）：這種神經網絡的神經層連接較為特殊，它們之間的連接是受動物視覺皮層組織的啟發而來，而動物視覺皮層是負責處理圖像的大腦的一部分，非常適合於感知任務。

此外，針對調查案例，報告還考慮了生成對抗網絡（GANs）和強化學習。

生成對抗網絡（GANs）：通過生成模型（Generative Model）和判別模型（Discriminative Model）的互相博弈學習產生好的輸出。 GANs可以學習模擬各種數據的分佈（例如文本、語音和圖像），因此在生成測試數據集時，它們是很有價值的。

強化學習是機器學習的一個子領域，在這個領域中，系統通過接受虛擬的“獎勵”或“懲罰”來訓練，本質上是通過不斷的嘗試和錯誤來學習。谷歌旗下的DeepMind利用強化學習開發了AlphaGo以及視頻遊戲。

在商業環境中，這些分析技術可用於解決實際問題。

報告整理和分析了19個行業的400多個案例，通過對特定領域內的調查發現，在這些領域中，

深度神經網絡的運用可以使企業價值最大化，與傳統分析方法相比，這些神經網絡可以產生的增量提升，但要在容量、多樣性和速度方面追求，需要大量的數據。

深度學習可以用來提高現有性能

預測機器維修：機器學習可用來檢測異常。深度學習能夠分析大量的高維數據，可以將現有的預防性維護系統提升到一個新的水平。通過分析麥克風和攝像頭等的數據，神經網絡可以增強並可能取代傳統的預測維護方法。

深度學習預測故障和允許計劃干預的能力可以用來減少停機時間和運營成本，同時提高產量。例如，深度學習可以通過結合平面模型數據、維護歷史、發動機振動數據異常檢測等物聯網傳感器數據，以及發動機狀況的圖像和視頻，來延長一架貨機的壽命。

AI驅動的物流優化可以通過檢測車輛性能和指導司機行為降低運輸成本。例如，一家歐洲卡車運輸公司使用監測車輛性能和駕駛員行為的傳感器，將燃料成本降低了15%，司機可以獲得包括何時加速或減速等實時的指導，進而優化燃料消耗和降低維護成本。

人工智能是客服和商品個性化推薦的重要工具。例如，對音頻的深度學習分析可以讓系統評估客戶的情緒基調;如果客戶對系統做出了糟糕的反應，那麼就可以自動呼叫到操作員和管理人員。在營銷和銷售的其他領域，人工智能技術也會產生重大影響。將客戶統計數據和交易數據與以及社交媒體數據相結合，可以幫助生成個性化的產品推薦。亞馬遜已經開始使用了，可使銷售轉化率提高兩倍。

2/3的企業使用AI是為了提高現有性能

在報告調查的69%的案例中，深度神經網絡可以用來提高其他分析技術所提供不了的性能。只使用神經網絡的情況，我們稱之為“綠地”案例，但它只佔總數的16%；在15%的案例中，深度神經網絡在其他分析技術基礎上提供了額外性能；還有一些案例，因為數據限制使他們不適合深度學習。

▲與傳統分析方法相比，深度學習在各行業提升性能的百分百

綠地案例在客服領域非常普遍，在該行業中，數據豐富而大量，有時還會整合人類的反應。在所有行業中，醫療領域的綠地案例最多，其中一些病例涉及疾病診斷和改善護理，並依賴於包含圖像和視頻輸入的豐富數據集，包括來自MRIs的數據。

平均而言，報告的案例表明，現代深度學習有能力在傳統分析技術的基礎上再提供價值，價值大小從30%到128%不等，這取決於行業的接受度和開放程度。

深度學習是最需要數據的

在大多數應用程序中有效地使用神經網絡需要大量標記的訓練數據集，並且能夠充分計算基礎權限。此外，深度學習技術擅長從複雜的多維數據類型中提取模型，比如圖像、視頻、音頻或語音。

實現AI全部潛力需各種數據，

包括圖像、視頻和音頻

深度神經網絡擅長分析圖像、視頻和音頻數據類型，因為它們複雜、多維，被從業者稱為“高維度”。神經網絡擅長處理高維度，因為網絡中的多個層可以學習數據中存在的許多不同的特性。因此，對於面部識別，神經網絡的第一個層可以聚焦於原始像素，第二層聚焦在輪廓和線條上，另第三層是識別在一般的面部特徵，最後一層才識別出人臉。

除了數據的數量和種類之外，速度也是一個要求：人工智能技術需要不斷訓練新的模型，來適應不斷變化的場景，因此必須經常刷新訓練數據。在1/3的案例中，模型需要至少每月更新一次；幾乎每4個案例中就有1個案例需要每天更新。這種需求在市場營銷、供應鏈管理和製造方面尤其突出。