对当地医院的放射科觉得可怜？没错，他们也许有一个很好的MRI机器和强大的软件来生成图像。但那是机器陷入困境的地方。放射科医师必须找到并阅读患者的档案，检查图像才能做出决定。如果人工智能(AI)能够通过启用实时和更准确的诊断或指导，超出人眼所能看到的东西，那这一过程会怎么样呢？

　　得益于过去几年的技术进步，制造商已经接近提供这种领先的MRI解决方案。事实上，他们正在探索几乎涵盖从工业到公共部门的所有主要行业的新AI应用。随着更好的算法和更多的数据存储，计算机的计算错误率现在常常与人类的图像识别和其他一些认知功能类似或更好。硬件性能也大幅提升，机器可以处理这种前所未有的数据量。这是AI模型精度提高的主要推动力。

　　在人工智能中，深度学习(DL)代表了未开发潜力最大的领域。这项技术依赖于复杂的神经网络，它使用各种架构来处理信息，这些架构由层和节点组成，这些架构可以近似大脑中神经元的功能。网络中的每一组节点都执行不同的模式分析，从而使DL能够提供比早期AI工具更为复杂的见解。随着这种复杂性的提高，对尖端硬件和软件的需求也越来越大。

　　对AI的巨大潜力越是了解，领先的高科技公司就已经在早期采取行动来赢得这个市场。但这个行业还处于萌芽阶段，尚未出现明确的成功秘诀。那么，企业如何获得价值并看到他们巨大的AI投资回报呢?

　　我们的研究以及与人工智能最终客户的互动表明，一旦尘埃落定，六条原则就会成为现实。首先，价值捕获最初将限制在消费领域，企业将通过关注行业“细分领域” —— 特定行业内的特定用例来实现最大价值。我们对技术堆栈的分析也表明，机会会因层次而有所不同，而且最成功的公司通常会通过合作或收购来追求端到端的解决方案。对于某些硬件公司来说，在经历了多年对软件倾向的投资者的兴趣减退之后，人工智能可能代表着财富的逆转，再加上大量商品化降低了利润率。我们相信人工智能的出现带来了重大机遇，在云和边缘解决方案产生了强大的终端客户需求。但我们最重要的一点是公司需要迅速采取行动。那些现在大举押注并彻底改变传统战略的人将会成为赢家。

　　AI市场必不可少的细节

　　尽管大肆宣传人工智能，但即使是最无畏的分析师和投资者，市场也可能会受到惊吓。业界没有出现技术堆栈的标准定义，因此很难理解拥挤的竞争领域。在数百家争夺市场份额的公司中，谁提供了什么？

　　为了让看似混乱的供应环境更加清晰，我们将机器学习(ML)和DL技术堆栈分为九层，包括服务，培训，平台，接口和硬件(图1)。一些公司正在进行多层次的竞争，而其他公司则只关注一两个。正如我们稍后会讨论的那样，那些将注意力集中到特定层次的公司可能会发现自己处于劣势。

　　边缘和云解决方案

　　传统上，大多数AI应用程序都驻留在云端 —— 一个远程服务器网络 —— 用于培训和推断。然而，对于微秒级的延迟是关键任务的应用程序来说，边缘的推断将变得越来越常见。例如，对于自动驾驶汽车，制动或加速的决定必须发生在接近零的等待时间，从而在边缘推断最佳选择。边缘计算也将成为隐私问题和数据带宽最为重要的应用程序的首选，例如启用了AI的CT扫描诊断。边缘计算的发展将为技术堆栈中的所有参与者创造新的机会，尤其是硬件开发人员。

　　我们关于AI未来的核心理念

　　AI被定位为颠覆我们的世界。麦肯锡全球研究院估计，自动化和人工智能的快速发展将对我们的工作方式和生产力产生重大影响。为了在这个不断增长的市场中获得价值，公司正在尝试不同的策略，技术和机会，所有这些都需要大量投资。虽然很多不确定性仍然存在，但但关注以下几点的公司将更有可能胜出。

　　1.价值捕获最初将在消费部门受到限制

　　第一批消费者AI产品具有共同特点：它们增强了产品，但并未直接对底线做出贡献。其中大部分来自大型知名科技公司，其中包括一些在线翻译和照片标记服务，或手机上的数字语音助理。这种产品增强功能绝对会吸引消费者，例如，他们可能会增加某人在网站上花费的时间，但这不会直接提高销售额或收入。如果小公司创造类似的产品，他们通常会发现销售有限或根本不存在，因为消费者倾向于免费解决方案。大型公司还可以访问更大量的消费者数据 ——堪称AI的命脉 —— 这使他们能够为消费者开发更准确、更具洞察力的AI解决方案。随着大型公司的免费产品赢得大部分市场份额，在即时消费领域，AI价值捕获将受到限制。

　　然而，未来可能并非如此，因为更新的收费产品正在进入市场，包括家庭助理。随着汽车制造商和其他公司推出新产品，下一轮消费者AI将会看到更多创新。以自动驾驶汽车为例，一些消费者可能满足于AI能够实现自动制动的车辆，但其他人则需要更多功能，例如完全自驾车功能，即使他们必须支付额外费用。

　　2.企业优胜者将专注于最有前景行业的细分领域

　　我们对麦肯锡全球研究院数据的早期分析，结合专家访谈和研究，揭示了主要行业中近600种不同AI用途。其中，大约400个需要某个级别的ML，300个需要DL功能。许多最有趣的AI应用程序仍处于试验阶段，尚未大规模部署。以下是一些AI应用程序，由于其强大的视觉感知和处理能力，未来几年可能会出现高需求：

　　政府可以使用AI来扫描视频并识别公共场所的可疑活动，或者应用AI算法来检测潜在的网络攻击。包括无人机在内的许多军事应用也依赖人工智能。除了安全性之外，人工智能在交通控制中发挥着重要作用，包括传感器和摄像头，它们允许光信号根据道路上的汽车数量改变其时间和顺序。

　　与公共部门一样，银行也开始使用人工智能来检测可疑行为，例如提示洗钱的模式。人工智能算法还可以帮助处理交易和做出决策，通常比人类员工更准确。例如，人工智能算法可能会揭示某些被忽视的特征，而这些特征会增加特定交易欺诈的可能性。

　　在零售业内，人工智能已经在帮助进行盗窃检测，并可能进一步增强自动结账功能。一些零售商正在试行使用摄像头和传感器来检测购物者何时从商店取货或退货的系统。客户离开商店后，他们的账户将收取总额。其他零售商使用店内视频来优化销售人员的覆盖面。如果相机在显示屏之前检测到购物者徘徊，系统会通知相关人员提供帮助。未来，我们可以看到这方面的更多改进，包括通过查看各种特征(面部表情(作为情绪的指示符)，服装和同伴数量)来识别具有高购买潜力的顾客的AI系统。然后，他们可以向店员提醒店内这些顾客的位置。

　　在公司决定哪些机会可以追求的时候，面临着艰巨的任务，但他们可以通过结构化的方法缩小选择范围。 第一步涉及选择行业焦点。 确实，公司的专长和能力会影响这一决定，但参与者还应该考虑行业特征，包括行业的规模。 同样重要的是一个行业内部可能出现的混乱情况，我们通过查看AI使用案例的数量，启动股权融资以及AI的总体经济影响来进行评估，这种评估被定义为解决方案降低成本，提高生产力的程度 或者在各种应用的回顾性分析中以其他方式受益。 经济效益越好，客户支付AI解决方案的可能性就越大。 图表2显示了我们为17个行业编制的AI相关指标数据。

　　正如AI价值因行业而异，成熟度也一样。 例如，工业部门可能从AI中获益匪浅，但成员公司并没有像汽车行业的同行那样愿意接受这些解决方案。 对于AI产品和服务的生产商来说，这意味着价值捕获将是错开的，一些行业最初产生的回报高于其他行业。

　　当我们考虑与成熟度相关的价值时，很明显几个行业现在为人工智能提供了最强大的机会：公共部门，银行，零售和汽车(图表3)。 尽管在政府削减预算的时代，公共部门的突出地位似乎令人惊讶，但许多官员认为人工智能在提高效率和功效方面的价值，并愿意提供资金。 当他们计划人工智能策略时，供应商应该将投资集中在愿意成为第一个多米诺骨牌的AI解决方案的潜在消费者身上。

　　行业细分。一旦公司选择了一个行业或几个行业作为他们的重点，他们就必须进一步选择特定的用例 —— 我们称之为行业细分—— 他们将集中注意力。买家对AI没有兴趣，只是因为它是一项令人兴奋的新技术，相反，他们希望AI通过解决特定问题，节省成本或增加销售量，产生稳固的投资回报(ROI)。例如，希望减少机器停机时间的制造工厂不会简单地寻找在工业领域众所周知的AI供应商;它将改为寻求具有成熟的预测性维护专业知识和解决方案的公司。如果一个AI提供商试图提供一个水平解决方案 —— 一个客户可以在各种不相关的用例中应用的解决方案 —— 价值主张就不那么引人注目。最终客户会质疑解决方案的投资回报率是否值得其更大的花费，特别是如果它适用于他们认为不重要或不相关的几个用例。

　　3.公司必须拥有端到端解决方案才能赢得人工智能

　　为了赢得人工智能，企业必须提供或协调跨9个技术层面的端到端解决方案，因为许多企业客户难以实施零散的解决方案。例如，一家医院更愿意购买一台包含MRI设备和人工智能软件的诊断系统，而不是单独获取这些组件，然后尝试使它们一起工作。除了提高销售额之外，采用端到端解决方案的供应商可以在客户中占据战略立足点并加速采用。例如，英伟达将Drive PX平台作为一个模块提供，而不仅仅是一个芯片，为自动驾驶提供端到端的解决方案。该平台结合了处理器，软件，摄像头，传感器和其他组件，以提供汽车周围环境的实时图像。它还可以在地图上识别其位置，并为车辆规划安全路线。

　　大型硬件和软件公司往往通过收购其他公司来扩大他们的人工智能投资组合。虽然交易在各行各业都很常见，但由于需要端到端的解决方案，因此在AI内更为普遍。自2012年以来，已有250多家涉及拥有人工智能专业知识的私人公司被收购，其中37家发生于2017年第一季度。为了与这些巨头竞争，许多初创企业正在开展合作，将自己定位为人工智能解决方案的系统集成商。

　　4.在AI技术堆栈中，大部分价值将来自解决方案或硬件

　　在AI技术堆栈中，我们对未来趋势的分析表明，每一层都将直接产生不同数量的利润或价值。大部分价值将集中在两个领域(图表4)。首先，有些令人惊讶的是，考虑到行业趋势，许多最佳机会将来自硬件(头节点，推断加速器和培训加速器)。我们共同估计，这些组件将占AI供应商总价值的40%至50%。

　　尽管硬件已经在许多其他领域商品化，但这种趋势不会很快达到人工智能，因为针对每个细分行业问题进行优化的硬件，将在考虑总体拥有成本时提供更高的性能，而不是普通用途的商用硬件中央处理单元(CPU)。例如，针对卷积神经网络进行优化的加速器最适合图像识别，因此将由医疗设备制造商选择。但是针对长短期记忆网络优化的加速器，更适合于语音识别和语言翻译，因此会吸引复杂的虚拟家庭助理的制造商。由于每个用例需求略有不同，每个用例都需要部分定制的硬件。

　　在另一种与标准不同的模式中，软件(定义为平台和界面层)不可能成为AI唯一的长期差异化因素。从DL加速器的出现可以看出，硬件本身或与软件相结合可能会显著提高性能，例如降低延迟或功耗。在这种环境下，参与者需要对硬件选择进行选择。

　　AI解决方案的另外40%至50%的价值将来自服务，其中包括解决方案和用例。系统集成商通常可以直接访问客户，通过将解决方案集中在所有层的堆栈上，可以获得大部分收益。

　　在不久的将来，AI堆栈的其他领域将不会产生太多利润，尽管它们可能会产生间接价值，从而推动DL生态系统的增长。例如，数据和方法(培训的两个要素)现在只能提供典型AI供应商高达10%的价值。出现这种模式是因为大多数数据来自AI解决方案的最终用户，而不是第三方提供商。数据市场最终可能会出现在消费者和企业领域，然而，使得这一层的堆栈在未来更具吸引力。

　　5.特定的硬件架构将成为云计算和边缘计算的关键区别

　　随着人工智能的发展，硬件再次成为时尚，在软件吸引了大部分企业和投资者的兴趣之后。我们与终端用户的讨论表明，对云计算和边缘解决方案的兴趣会很强烈，这取决于用例。鉴于其规模优势，云计算将继续成为许多应用程序的青睐选择。在云硬件中，客户和供应商在图形处理单元(GPU)方面对特定应用集成电路(ASIC)技术的偏好有所不同，市场可能依然分散。

　　也就是说，我们还看到，在低延迟或隐私问题至关重要的边缘，或者连接有问题时，推断的重要性和日益增长的作用。在边缘计算，ASIC将赢得消费者空间，因为它们为许多应用提供更优化的用户体验，包括更低的功耗和更高的处理能力。企业优势将看到现场可编程门阵列，GPU和ASIC技术之间的良性竞争。然而，由于ASIC具有出色的每瓦性能，因此ASIC可能具有优势，这在性能上至关重要。我们认为，当需求水平足够强劲以证明其高昂的开发成本时，他们可以支配特定的企业应用。

　　6.市场正在腾飞 —— 企业需要立即采取行动，重新评估现有战略

　　虽然科技公司可能不知道人工智能需求是如何演变的，但他们认识到了DL内部的巨大机遇，并希望获得它。随着技术的不断发展，以及多个参与者实施截然不同的策略，成功的秘诀仍不确定。

　　大公司已经开始采取行动，主要业务方向与当前的智能背道而驰。仅举一个例子，英伟达在2012年至2016年每年将AI的研发支出增加了约8%，达到13亿美元(图表5)。这些成本约占英伟达总收入的27%，远高于同行平均值15%，这表明英伟达愿意采取与许多正在积极削减研发支出的半导体公司不同的途径。英伟达还采取了大量措施，创建专注于GPU的端到端产品生态系统。该公司正在积极地为开发人员提供使用DL的GPU所需的技能，资助初创公司扩大DL的GPU使用范围，形成合作伙伴关系以创建包含其产品的端到端解决方案，并增加GPU驱动应用程序的数量。其他遵循这种非常规策略的公司也可以获得特殊回报。

　　英伟达的成功表明，科技公司不会通过维持现状赢得AI。 他们需要现在修改他们的策略，并且需要大量的投注来开发可靠的AI产品。 由于面临如此多的风险，企业无法承担获取价值的模糊或暂定计划。

　　如果公司等待两到三年才能建立人工智能战略并押注，我们认为他们不可能在这个快速发展的市场中重新获得动力。 大多数企业都知道其价值并愿意开拓进取，但他们缺乏强有力的战略。 我们在这里概述的六个核心理念可以指引他们朝着正确的方向前进，并让他们走向一个坚实的开始。关键问题是哪些参与者会在机会之窗关上之前朝着这个方向前行。