文章作者 | 中國人工智能學會，羅蘭貝格管理諮詢
本次人工智能可以帶來的商業價值分析
隨著人工智能在各個行業的應用場景逐漸明朗，應用的行業與業務範圍逐漸增加，在自動駕駛、醫療輔助診斷、金融交易風險防控等領域已有眾多企業進行了佈局。我們認為：人工智能的應用將率先在數據積累豐富的行業內發展，同時，在應用場景較為明確、應用價值較為直接的價值鏈環節（例如營銷、服務等）將率先得到應用。雖然目前人工智能在各個行業的發展受到數據量等因素的一定製約，但隨著大數據的普及和深入人心，整體處在蓄勢待發的狀態。我們結合各個行業目前人工智能的應用場景以及人工智能技術能夠帶來的效應，定性總結了各個行業中各類人工智能技術能夠帶來的降本與增益價值；其中又把人工智能技術分為感知、認知、執行三個層次。感知技術包括了機器視覺、語音識別等各類運用人工智能技術獲取外部信息的應用，認知技術包括了機器學習技術，執行技術包括了人工智能與機器人結合的硬件技術以及以智能芯片與新型計算設施為基礎的計算實施技術。
從定量的角度，至2030年，人工智能將在中國產生10萬億元的產業帶動效益。根據我們的估算，人工智能帶來最大影響的傳統產業將會是金融、汽車、零售和醫療。在金融行業，通過人工智能技術在風險控制、資產配置、智能投顧等方向的應用，預計人工智能將帶來約6000億元人民幣的降本增益效益。在汽車行業，人工智能在自動駕駛上的技術突破將帶來約5000億元人民幣的價值增益。在醫療行業，通過人工智能技術在藥物研發領域提高成功率、在醫療服務機構內提供疾病診斷輔助、疾病監護輔助等提高服務效率的應用，預計人工智能可以帶來約4000億元人民幣的降本價值。在零售行業，人工智能在推薦系統上的運用將提高在線銷售的銷量表現，同時更加精準的市場預測將降低庫存成本，預計人工智能技術將帶來約4200億元人民幣的降本與增益價值。
目前人工智能在各行業的發展基礎分析
根據不同行業的企業在組織機構方面、數據與技術基礎方面以及人工智能應用情況上的現狀，我們設計了不同行業人工智能發展基礎的評估體系，對各個行業應用人工智能的準備程度進行了評估。
通過在各個行業積累的項目經驗以及與各個行業的專家訪談，我們對13個行業在組織文化基礎、數據與技術基礎、人工智能應用基礎三大方面的17個子問題進行了定量評估。
從結果上來看，金融、零售、醫療與汽車行業發展基礎最為夯實。金融行業擁有良好的數據積累，在自動化的工作流與相關技術的運用上也有不錯的成型成效，在組織機構的創新文化與靈活性上處於中等優勢地位。醫療行業擁有多年的醫療數據積累與流程化的數據使用過程，因此在數據與技術基礎上有著很強的優勢。汽車行業已經開始利用人工智能技術佈局自動駕駛、輔助駕駛技術，因此在組織基礎與人工智能應用基礎上有著很好的優勢。零售行業在組織結構、數據積累、人工智能應用方面有一定基礎，處於一個比較均衡的發展狀態。
同時，製造、教育、通信行業值得關注。製造行業、通信行業雖然在組織機構上的基礎相對薄弱，但由於擁有大量高質量的數據積累以及自動化的工作流，為人工智能技術的介入提供了良好的技術鋪墊。教育行業的數據積累雖然仍處於發展過程中，但組織整體對人工智能持重點關注的態度，同時開始在實際業務中結合或應用人工智能技術。
人工智能在各行業應用成熟度與潛力總覽
根據各個行業的發展基礎與應用市場規模潛力，我們描繪出了不同行業在發展基礎與應用潛力矩陣上的分佈。
在發展基礎成熟且市場應用潛力大的汽車、消費品與零售、金融以及醫療行業內，人工智能正在清晰地發揮著重要作用。我們在價值鏈的研發、製造、營銷、服務以及其他(包括物流等)環節上總結了這四個行業內人工智能的應用場景，並將在下文詳細介紹這四個行業內人工智能的具體應用場景以及實際商業案例。
人工智能在汽車行業的應用場景舉例介紹
整車的智能營銷
通過收集整合各個渠道的消費者信息，描繪消費者的形象和偏好，並利用機器學習預測模型發現隱藏於消費者行為背後對於車型、性能、價位等的需求。
美國的Automotive Mastermind公司就是一家服務於汽車生產商和經銷商的技術開發商和服務提供商。其實施路徑為：蒐集社會人口學特徵、社交網絡、市場數據、產品生命週期等大數據；利用自有的行為預測評分算法對超1000個數據點進行清洗和分析；對消費者進行排名，篩選出目標消費者；梳理出消費者的關鍵驅動因素，包括金融預算、購買動機、產品性能、保障條款等；推薦對該消費者最有效的線上或線下營銷手段；實現按需生產、銷售。使用Automotive Mastermind公司服務的企業，銷售收入提升了30%，客戶留存率提高了16.7個百分點。
數據驅動的產品優化
利用各類感知設備收集的產品運營狀態、事故率、 生命週期等數據，結合產品本身的生產、質量等方面數據，分析出最優的產品設計方案。具體操作上，利用車載傳感器收集整車與零部件的使用情況大數據，同時結合材料基本屬性、製造流通、消費者洞察、營銷手段、金融保險以及自動駕駛交通管理等成百上千個因素，提出產品概念和調整方案，建模指導產品試驗測試，優化汽車產品，找到“最優設計”。例如在特斯拉未來的理想情景下，“如果一輛特斯拉汽車因材料不夠厚被撞掛了，第二天所有的Model S都會自動變厚2英寸”。
銷量預測驅動的智能生產優化
結合機器學習預測模型對銷量的預測和智能設備產生生產數據，通過雲計算得出實時最優生產計劃與節奏。收集的生產數據包括：智能機器及時反饋的生產和閒置狀況、智能倉庫實時監測的庫存情況、智能調研系統動態預測的整車和零部件需求等。
零部件的預測性維修
預測性維修是將狀態監測、故障診斷、狀態預測和維修決策多位合為一體的系統過程，通過收集大量運行狀態信息，用基於海量數據的預測模型評估零部件的使用狀態，實現零配件的提前維修更換，避免事故發生，減少故障反應時間，簡化優化維修服務。
加拿大企業Ansik於2013年成立，旗下軟件PitStop可預測零件故障。該公司向企業代理商和維修站銷售一款接入汽車的插件和一個附屬手機APP，以此蒐集實時發動機數據、傳感器數據和其他監測信息，觀測性能狀況並推斷汽車故障可能。如果數據顯示汽車將出現問題，會通知用戶停車檢修，同時提供來自維修站的修理建議。
駕駛輔助系統
駕駛輔助系統是汽車人工智能領域目前最為火熱的方向。在感知層面，其利用機器視覺與語音識別技術感知駕駛環境、備識別車內人員、理解乘客需求；在決策層面，利用機器學習模型與深度學習模型建立可自動做出判斷的駕駛決策系統。按照機器介入程度，無人駕駛系統可分為無自動駕駛（L0）、駕駛輔助（L1）、部分自動駕駛（L2）、有條件自動（L3）和完全自動（L4）五個階段。目前，技術整體處於多個駕駛輔助系統融合控制、可監控路況並介入緊急情況（L2）向基本實現自動駕駛功能（L3）的轉變階段。未來，完全的自動駕駛可以基於感知的信息作出應變，一邊擔任駕駛員的角色，一邊提供車內管家的服務，還能應對其他各方面的需求和任務。
人工智能在醫療行業的應用場景舉例介紹
醫美、齒科等機構基於購買預測的精準營銷
醫美、齒科機構通過客戶購物、瀏覽等軌跡和客戶年齡、交易量、使用習慣等數據的智能匹配，可以從不同方面來了解潛在客戶的情況，自動生成多維度標籤，進行標籤管理及統計分析，以此明確投放目標。企業還可以針對不同的營銷場景設計不同“套路”，依照用戶標籤、事件、時間自動觸發營銷規則，例如個性化的推送內容，來更好地滿足消費者的真實需求。
愛爾康通過建立採集數據的工具，整合和匹配老會員的數據，對會員的線上線下數據進行整合，跟蹤用戶行為，深入挖掘數據，描繪出360畫像，取得了微信粉絲增長10083人、微博粉絲增長10147人、粉絲互動140萬次、提升4倍會員增長速度、會員活躍度由20%上升到78% 、線下會員增長佔整體會員增長數量39%的成績。
數據驅動的輔助診斷
通過機器學習算法建立多種疾病輔助診斷模型，人工智能輔助診斷系統會通過分析患者數據來識別病症，再根據大量學習的醫療知識及經驗進行病情分析，提出診斷意見和疾病轉歸預測預警評估。在醫學專家的幫助下，藉助人工智能深度神經網絡，目前在心血管、腫瘤、神內、五官等領域的輔助診斷模型準確性已接近或部分超過人類醫生最高水準。
在AI+輔助診療的應用中，IBM Watson是目前最成熟的案例。IBM Watson可以在17秒內閱讀3469
本醫學專著、2 4 8 0 0 0 篇論文、6 9 種治療方案、61540次試驗數據、106000份臨床報告，還通過了美國職業醫師資格考試，並部署在美國多家醫院提供輔助診療服務。Watson實質是融合了自然語言處理、認知技術、自動推理、機器學習、信息檢索等技術，並給予假設認知和大規模的證據蒐集、分析、評價的人工智能系統。
醫療圖像分析
人工智能在醫學影像的應用主要分為兩個部分：第一部分是在感知環節應用機器視覺技術識別醫療圖像，幫助影像醫生減少讀片時間，提升工作效率，降低誤診的概率；另一部分是在學習和分析環節，通過大量的影像數據和診斷數據，不斷對神經元網絡進行深度學習訓練，促使其掌握“診斷”的能力。
一個典型的例子為貝斯以色列女執事醫學中心（BIDMC）與哈佛醫學院合作研發的人工智能系統。該系統對乳腺癌病理圖片中癌細胞的識別準確率可達92%，與病理學家的分析結合時，其診斷準確率可以高達99.5%。
提高篩選生物標誌物速度，進行藥物有效性、安全性預測評估
傳統的藥物開發是基於試驗、試錯，在此思路下，藥物從最初的實驗室研究到最終的銷售平均要花費約12年的時間，且耗資巨大。大多數情況下，科學家是擴大篩選對象以期邂逅目標分子，但是高通量篩選耗時長且成本費用很高。通過應用開發虛擬篩選技術，通過機器學習模型預測分析藥物構效關係，取代或者增強傳統的高容量篩選過程，可以大幅度提高生物標誌物的篩選速度及成功率，顯著縮短新藥研發週期，降低新藥研發的試錯成本。
例如，美國硅谷公司Atomwise通過IBM超級計算機分析數據庫，並用深度學習神經網絡分析預測化合物的構效關係，於研發早期評估預測新藥風險。其超級計算機可以在幾天之內評估出820萬種藥物研發的候選化合物。該公司也為製藥、創業公司和研究機構提供藥物預測服務。
人工智能在金融行業的應用場景舉例介紹
預測性風控
基於大數據與機器學習模型的風控打通了跨行業業務場景數據，如金融機構數據、徵信機構數據、政府部門數據、大型企業數據等以聯防聯控。通過模型綜合量化評價客戶風險，識別特定模式，預測客戶申請、交易、回款過程中的欺詐和壞賬可能性，形成審批決策，及時預測風險並採取干預措施。在銀行業主要應用於貸前准入、貸後跟蹤、壞賬預測等；證券業主要應用於合規、識別垃圾註冊、異常交易監測等；保險業主要應用於反欺詐。
預測性風控已成為人工智能技術在金融行業應用最為廣泛的場景，眾多銀行、信用卡中心、P2P交易平臺等都在運用這項技術降低逾期與壞賬風險。
智能交易策略
人工智能為量化交易帶來了新的機遇，與程序化交易、高頻交易有所區別，智能交易的關鍵在於自主學習、推理和決策。除了傳統交易數據外，人工智能引入了自然語言處理分析、深度學習、神經演化、分佈式計算用於預測市場趨勢。AI機器決策具有一致性和邏輯性，獲取和處理投研信息範圍廣、內容全，可減少人為疏漏和失誤，避免決策中心理性波動的影響，利用不斷自我改進的模型和全市場內的產品充分分散風險。
香港人工智能投資機構Aidyia開發的交易機器人從新聞、政策、社交網絡在內的多渠道獲取數據，借鑑了多種AI形式（如受遺傳演化啟發的計算、基於概率邏輯的形式、深度學習、神經演化等），分析之後轉化為買賣決策，能夠完全自動識別和執行交易。
智能客服
智能客服可以進行簡單問題的直接回復、複雜問題轉人工支持，人機交互解答用戶有關產品與服務的問題，使客服人員能夠集中精力應對高淨值業務。結合語義理解，用戶直接說出服務需求，系統識別後即可轉接相應模塊，大幅節省選擇菜單時間。同時結合客戶以往業務數據，智能精準地識別客戶特質和需求，探索增值服務和交叉銷售機會，精準推介產品。
例如，中國農業銀行、中信銀行、中國郵政儲蓄銀行、蘭州銀行、太平洋保險、廣發基金、工銀瑞信等銀行及金融機構已經開始應用智能系統開展24小時客戶服務。
智能投顧
智能投顧是根據客戶理財需求和資質信息、市場狀況、投資品信息、資產配置經驗等數據，基於大數據的產品模擬和模型預測分析等人工智能技術，輸出符合客戶風險偏好和收益預期的投資理財建議。國內智能投顧的參與者眾多，包括如銀行系（如廣發智投、招商摩羯智投）、基金系（如南方基金超級智投寶、廣發基金基智理財、天弘基金犇跑籃子）、大型互聯網公司系（如百度金融、京東智投、同花順）和第三方創業公司系（如彌財、藍海財富、拿鐵財經）等。
人工智能在消費品與零售領域行業的應用場景智能介紹
精準營銷與個性化推薦系統
通過分析用戶的購買、瀏覽、點擊等行為，結合各類靜態數據得出用戶的全方位畫像，搭建機器學習模型去預測用戶何時會購買什麼樣的產品，並進行相應的產品推薦。 新一代人工智能技術會精準營銷，帶來的不止是機器模型效果的提升，通過機器視覺技術收集消費者在線下門店內的數據、通過自然語言處理技術分析客戶在與客服溝通時的語料數據，用於構建消費者畫像的數據維度與數據量得到了極大的提升與豐富，提高了精準營銷的效果。
精準營銷和個性化推薦系統是零售行業內應用最為廣泛、效果最為顯著的人工智能技術，線上線下的零售巨頭都在運用此技術幫助進行交叉銷售、向上銷售、提高復購率。如天貓淘寶2016年創造的一千億人民幣銷售額背後就是一套成熟穩定的個性化推薦系統。
智能店鋪管理
智能店鋪管理意味著：通過機器視覺技術捕捉分析店鋪客流量與路徑、消費者貨櫃前行為（如表情和肢體語言、停留時間、拿貨比貨動作）等數據，指導店鋪環境佈局與設計優化、商品陳列和庫存管理、店內營銷和服務內容改善以及精準推送和交叉銷售。
國內線下零售企業多數選擇使用在場內鋪設智能WIFI和智能POS來試水，以迎接“人-貨-場”統一的新零售時代，例如萬達通過收購飛凡自建技術團隊、銀泰選擇同阿里巴巴合作獲取數字化能力、華潤大悅城選擇貓酷作為第三方解決方案提供商。
產品銷量銷量預測與供應鏈優化
通過建立機器學習模型，零售商可基於銷量數據指導設計和生產、管理庫存和供應鏈，以及安排營銷管理人員。
ZARA打造的極速供應鏈系統，聯通和協同從市場調研到設計、打版、製作樣衣、批量生產、運輸和零售整個環節的數據，實現了產品的柔性生產。其全天候的“數據處理中心”融合每一個零售網點追蹤的銷售數據，洞察顧客的動態消費特性。如果公司在商品上市初期發現暢銷款或滯銷款，能及時迅速做出增產或減產決策，以保持很高的售罄率。
無人超市
無人超市採用了計算機視覺、深度學習算法、傳感器定位、圖像分析等多種智能技術，消費者在購物流程中將依次體驗自動身份識別、自助導購服務、互動式營銷、商品位置偵測、線上購物車清單自動生成和移動支付。
亞馬遜的Amazon Go是一個典型的無人超市案例，它通過自助檢測與跟蹤系統捕捉並追蹤消費者在店內的所有行為，並在入場和消費者身份識別方面採用人臉識別確認用戶亞馬遜帳號身份。在商品位置判斷方面，通過貨架上的紅外傳感器、壓力感應裝置、荷載傳感器和攝像頭圖片對比檢索判斷貨物是否被拿起/放回，以及是否在正確的位置。在結算意圖識別和交易方面，以室內定位技術（圖像以及音頻分析，GPS以及WIFI信號定位）判斷商品和人的關聯，以綁定的信用卡等支付方式結算。
＞ 機器學習和大數據將會創造怎樣的商業未來 | Dialogue
＞ 人工智能的發展到底處在什麼階段？
＞ 人工智能將成為企業的一項戰略能力
＞ 隨著BAT深入佈局，中國人工智能未來之路要怎麼走？
＞ 關於大數據：你的規劃是什麼？
＞ 厚數據，給大數據以靈魂
＞ C級高管該怎麼玩轉大數據？
閱讀更多 慎思行 的文章
