人工智能時代的承諾與挑戰

□麥肯錫全球研究院

人工智能和自動化將對人們的工作產生深遠影響，在帶來社會效益的同時帶來挑戰

人工智能（AI）在過去60年的發展中不斷經歷著“熱潮”與“寒冬”，現在AI的時代可能終于到來了。目前，AI支持的應用遍及我們的日常生活，包括面部識別、語言翻譯以及語音助手等智能應用。隨著這些消費級應用程序的出現，越來越多的企業開始應用AI，這也進一步促進了生產力的增長和創新，為企業和經濟帶來了可觀的利益。同時，它也對人們的工作產生了深遠影響，對技能要求較少的職業需求量將下降，而其他職業的需求也會隨著技術發展而逐漸變化。

AI已來，仍需更多努力

人工智能經過60余年的發展，仍沒有完成許多預期的功能。例如，如何準確地描述人工智能。近年來機器學習算法已經取得了很大進展，尤其是基于神經網絡的深度學習和強化學習技術的發展。

盡管人工智能技術已經取得了巨大進展，但仍有許多需要解決的難題。到目前為止，大多數進展都發生在所謂的“狹義AI”領域，即開發機器學習技術來解決特定問題。更難的問題被稱為“通用智能”（artificial general intelligence），其中的挑戰是如何開發出像人類一樣解決一般問題的人工智能。許多研究人員認為距離通用智能的實現還需要幾十年時間。

許多AI領域的進展都是基于神經網絡的深度學習領域的進展。這些AI系統松散地模擬了大腦中神經元相互作用的方式。

機器學習的方式有監督學習、無監督學習和強化學習。當前許多AI應用的實例都是有監督學習的應用。在有監督學習中，訓練的數據用于幫助系統學習給定的輸入和輸出關系，比如識別圖像中的物體或轉錄人類的演講。無監督學習是用沒有標記的訓練數據來在給定的數據中檢測出模式或聚類，比如檢測出具有相似建筑風格的建筑物。強化學習系統通過評分系統、接收反饋（虛擬的“獎勵”或“懲罰”）和反復試驗來訓練系統。

盡管新技術正不斷出現并解決人工智能應用中一些現實的挑戰，但人工智能仍然面臨許多實際的挑戰。機器學習需要大量的人力來標記監督學習所必需的訓練數據。在自然使用過程中用于數據標記的流內監督（In-stream supervision）和其他技術可以幫助緩解這個問題。

用于訓練的數據集的量必須要足夠大、數據需要非常全面，而獲取這樣的數據集是非常有挑戰的。比如，創建或獲得足夠的臨床試驗數據以更準確地預測醫療保健治療結果。

相對于其他的機器學習方法，使用深度學習生成的模型非常難以解釋。這些模型可能有許多層和上千個節點，單獨解釋每一個是不可能的。數據科學家通過度量它們的預測結果來評估深度學習模型，但模型架構本身是個“黑盒”。它有可能會讓你在不知不覺間，失去“發現錯誤”的機會。

近年來機器學習算法已經取得了很大進展。

深度學習技術“黑盒”的復雜性還帶來一個挑戰——“可解釋性”，哪些因素影響了決策或預測的產生，以及如何影響。這在信任事項和預測具有社會影響的應用中尤為重要，比如刑事司法應用或金融借貸。

另一個挑戰是如何建立廣義的學習技術，因為人工智能技術在將經驗從一種情況轉移到另一種情況時仍然存在困難。遷移學習（transfer learning），是指訓練AI模型以完成某項特定任務，然后快速將該模型應用于類似的其他活動，是應對這一挑戰的一種極具潛力的方法。

AI將跨越行業和職能部門

人工智能在消費級應用中越來越普遍，也有企業開始在其運營過程中采用AI技術，有時甚至會產生意外的結果。

AI可用于改善企業的整體能力，包括預測性維護。比如，深度學習能夠從音頻和圖像中分析大量高維數據，從而有效地檢測工廠裝配線或飛機引擎中的異常情況；在物流方面，AI可以優化運送路徑，提高燃油效率并縮短交貨時間。從營銷到供應鏈管理，在所有經濟部門和多種業務功能中都可以找到AI的應用。在許多AI應用案例中，深度學習技術主要是通過改進傳統分析技術來增加價值。

研究人員對19個行業和9個業務功能中的400多個用例（use case）進行了分析，發現AI在69%的潛在應用案例中改進了傳統分析技術，在16%的人工智能案例中，發現了適用于其他分析技術沒有效果的“綠燈區”（greenfield）人工智能解決方案。隨著算法變得更加通用，所需的各種數據變得更容易獲得，深度學習用例的數量可能會快速增加，而“綠燈區”深度學習用例的占比則可能不會顯著提升，因為更加成熟的機器學習技術也有潛力變得更好、更普遍。

盡管許多組織已開始采用人工智能，但采用的速度和程度并不均衡。2018年，麥肯錫在一項關于人工智能采用的調查中發現，有將近一半的受訪者表示，他們的公司在其業務流程中至少使用了一項人工智能技術，另有30%的企業正在試用人工智能。盡管如此，只有21%的受訪者表示他們的企業已將AI嵌入到業務的多個部分中，僅有3%的大型公司稱已將AI整合到其整個企業的工作流程中。其他調查顯示，早期人工智能技術的采用者傾向于考慮更廣泛地使用這些技術，以增加市場份額，而經驗較少的公司更傾向于降低成本。高度數字化的公司傾向于在人工智能方面投入更多資金，并從其使用中獲得更大的價值。

許多公司和部門在人工智能的采用方面是落后的。因此需要制定具有明確利益的人工智能戰略，尋找具有適當技能的人才，克服限制端到端部署的功能孤島（functional silos）。

企業在采用人工智能時還可能在組織架構上面臨更為棘手的挑戰。掌握技術需要新的專業知識水平，而流程則可能會成為技術被成功采用的主要障礙。企業將不得不開發出穩健的數據維護和治理流程，并專注于“第一公里”，即如何獲取和組織數據，以及更困難的“最后一公里”，即確保人工智能提供的卓越見解能夠融入企業的人員和流程，從臨床試驗人員和銷售經理到采購人員。

在人才方面，深層神經網絡的大部分構建和優化仍然是一門需要真正專業知識的藝術。但對這些技能的需求遠遠供不應求，預計只有不到1萬人擁有解決嚴重AI問題所需的技能，而且競爭也非常激烈。選擇建立自己的人工智能解決方案的公司需要考慮其是否有能力吸引和留住具有相應專業技能的員工。

經濟體也可以從中受益

人工智能和自動化技術的部署可以為提升全球經濟和促進全球繁榮做出很大貢獻。在老齡化不斷升高和出生率不斷下降的時期，生產率增長對長期的經濟增長尤為重要。近年來，發達經濟體的生產率增長也一直比較低迷，與以前的通用技術相似，AI可以為提高生產力做出貢獻。

人工智能最大的經濟影響可能是通過勞動力市場來提高生產率，包括替代、增加人力成本和對勞動生產率的貢獻。研究表明，人工智能可以增強人的綜合能力，釋放工人從事更高效和更高價值的任務，并增加對與AI技術相關的工作需求。

人工智能還可以促進創新，使企業能夠通過現有產品更有效地到達服務欠缺的市場來創造全新的產品和服務。人工智能還將創造積極的外部效應，促進更有效的跨境貿易，并擴大對有價值的跨境數據流的使用。經濟活動和收入的增加可以再投資于生產，有助于未來進一步的增長。

人工智能的部署也會帶來一些負面效應，這些外部因素可能會降低積極的經濟影響，但不會抵消。在經濟方面，負面效應包括競爭的加劇，將市場份額從非采用者轉移為領先者，與管理勞動力市場轉型相關的成本，以及失業期間公民的潛在消費損失，以及部署AI系統的過渡和實施成本。

人工智能最大的經濟影響可能是通過勞動力市場來提高生產率，包括替代、增加人力成本和對勞動生產率的貢獻。

不同國家的AI準備度

研究表明，創新和獲得必要的人力資本技能的能力將是最重要的促成因素，而AI的競爭力可能是影響未來GDP增長的重要因素。引領人工智能競爭的國家具有獨特的優勢，以區別其他國家。規模效應可以實現更大的投資，網絡效應可以使這些經濟體能夠吸引更多人工智能所需的人才。

第一梯隊國家包括中國和美國。目前，中國和美國是大多數與人工智能相關的研究活動和投資的引領者。

第二梯隊國家包括德國、日本、加拿大和英國等，這些國家都具有推動大規模創新的歷史，并可能幫助加速人工智能解決方案的商業化。比利時、新加坡、韓國和瑞典等規模較小的全球連通經濟體在培養新型商業模式蓬勃發展的生產環境方面也取得了很好的成績。

第三梯隊國家包括巴西、印度、意大利和馬來西亞等，這些國家雖然處于相對較弱的起始位置，但在特定領域具有相對優勢。以印度為例，每年有大約170萬名畢業生獲得STEM學位，超過所有G7國家的STEM畢業生總數。

其他國家的數字基礎設施、創新和投資能力相對不發達，數字技能相對落后。

AI將對人的工作產生深遠影響

雖然人工智能和自動化會為企業和經濟帶來很大利益，但預期會對人們的工作造成重大干擾性影響。

1. 大約有一半的工作活動（不是工作）是技術上可自動化的。通過對“自動化和人工智能對工作的影響”的分析表明，一些類別的活動在技術上比其他活動更易自動化，包括高度可預測和結構化環境中的物理活動（如流水線作業）以及數據收集和數據處理等，這類工作大約占據了所有部門日常工作的一半。

最不易受影響的種類包括管理他人、提供專業知識以及與利益相關者交互的工作。高度自動化活動的密度與國家、部門、職業都有關系。研究發現，60%的職業中大概30%的活動是可以自動化的，只有約5%的職業中幾乎所有活動都是可以自動化的。換句話說，更多的職業將部分自動化而不是全部自動化。

2. 對工作的三個影響：失業，就業增加，改變就業機會。采用自動化并影響實際工作的速度和程度將取決于技術可行性之外的若干因素，包括部署和采用的成本，以及包括勞動力供應數量、質量和相關工資在內的勞動力市場動態。勞動力因素是導致發達經濟體和發展中經濟體差別的主要因素。

首先是失業問題。2016年至2030年的中點應用場景（midpoint adoption scenario）表明，約有15%的全球勞動力（4億工人）可以被自動化取代。

第二是獲得的就業機會。我們根據預期的生產率增長和考慮工作需求的幾個驅動因素，制定了2030年的勞動力需求情景。這些驅動因素包括收入增加（尤其是新興經濟體的收入增長），以及人口老齡化、基礎設施和建筑投資、能源轉型支出以及技術開發和部署支出增加的醫療支出。

通過這些因素和其他催化劑獲得的就業崗位數量大約在5.55億至8.9億之間，約占全球勞動力的21%至33%。也就是說，除極端情況外，工作需求的增長將抵消自動化失去的工作崗位的數量。隨著機器越來越多地進入工作場所，人類的工作崗位也會發生變化，受到變化影響的工作比造成的失業更多。

勞動力轉型非常重要

即使在2030年人們有足夠的工作，但伴隨自動化和人工智能應用帶來的工作轉變也是非常重要的。

1. 數百萬工人可能需要改變職業。其中一些改變將發生在公司和部門內部，但大多數的變化將發生在部門甚至地區之間。其他難以自動化的相關職業數量將會增長。這些職業包括經理、教師、護士、技術和其他專業人員，以及在特殊環境中工作的工人。這些變化可能并不順暢，將會導致失業率的上升。

2. 工人在未來工作中需要掌握不同的技能才能生存。對溝通和同理心等社交和情感技能的需求也會同時增長。自動化也將促進更高認知技能的需求，特別是批判性思維、創造力和復雜信息處理能力。技能轉變的步伐一直在不斷加速，這可能會導致對某些技能的過度需求和對其他技能的過度供應，造成一種供需不平衡的現象。

3. 隨著越來越多的機器與人一起工作，工作場所和工作流程也會發生變化。例如，隨著商店引入自助結賬機器，收銀員將從掃描商品的工作流程轉移到為顧客回答問題或為機器排除故障。

4. 自動化可能會對發達經濟體的平均工資帶來一定壓力。目前發達經濟體的許多中等工資崗位都是可以高度自動化的活動，其次是制造業和會計等領域。高薪工作崗位將大幅增加，特別是對于能提供高水平醫療服務的醫生、技術或其他專業人員而言。鑒于現有技能短缺和教育體系受到挑戰，以及在職業培訓和工人過渡支持支出下降的趨勢，許多經濟體（尤其是經合組織國家）在解決這些轉變的過程中，都陷入了困境。還有許多經濟體正在經歷收入不平等和工資兩極分化的問題。

AI帶來的社會效益和挑戰

除了經濟利益和挑戰外，人工智能還將以積極的方式影響社會，因為人工智能有助于解決從健康和營養到平等和包容在內的社會挑戰，但人工智能也會引入濫用等需要解決的新問題。

1. 人工智能可以幫助解決一些社會最緊迫的挑戰。通過將常規工作、不安全的活動以及人類容易出現人為錯誤的活動自動化，人工智能可以提高人們的工作效率，使人們的生活和工作更加安全和高效。一項針對美國的研究預測，用更精確的自動駕駛汽車取代人類駕駛員可以減少事故發生率，每年挽救數以千計的人類生命。

人工智能可以減少人類在海上石油鉆井平臺和煤礦等不安全環境中的工作需求。美國國防高級研究計劃局（簡稱DARPA）就正在測試可以部署在災區的小型機器人，以減少人類可能受到的傷害。還有一些相關的AI功能。比如對手機拍攝的皮膚照片進行圖像識別和分類可以評估是否患有皮膚癌，以促進疾病的早期診斷，緩解皮膚科醫生診療病人數量有限的問題。物體檢測可以通過識別汽車和燈柱等障礙物，幫助視障人士導航，與環境互動。

2. AI需要解決包括意外后果、濫用、算法偏見以及數據隱私問題在內的社會問題。從經濟角度來看，需要解決個人、企業、部門甚至國家之間日益擴大的經濟差距，這些差距可能會成為部署的意外后果。其他受關注的領域包括人工智能的使用和濫用。范圍包括從監視和軍事應用的使用到社交媒體和政治中的使用，以及具有社會效應的領域，例如司法系統。我們還必須考慮人工智能技術被惡意濫用的潛在可能性，比如在網絡安全領域。

算法以及用于訓練算法的數據可能會引入新的偏見，或使現有的社會和程序偏見長期存在并制度化。例如，開發者利用有限的面部群體樣本訓練的面部識別模型，可能無法應用于更廣泛的人群。

數據隱私和個人信息的使用也是在AI發展過程中必須要解決的關鍵問題。歐洲通過《通用數據保護條例》在這一領域處于領先地位，該條例對數據收集提出了更嚴格的要求，為用戶提供了被遺忘權和反對的權利，加強了對收集、控制和處理的組織方的監督，并規定對未遵守規定的企業處以罰款。網絡安全和深度偽造技術可能會被用于操縱選舉結果或進行大規模欺詐活動，這也是亟需解決的問題。

需要優先考慮的三件事

基于人工智能對企業和經濟的潛在好處以及技術應對某些社會挑戰的方式，應鼓勵企業領導者和政策制定者接受并應用人工智能技術。與此同時，人工智能技術的潛在挑戰也不容忽視，包括勞動力影響和其他社會問題。 亟需解決的主要挑戰包括：

1. 應用挑戰。考慮到人工智能帶來的商業價值，以及對經濟增長和社會利益的潛在好處，我們有興趣擁抱人工智能。企業和國家有強烈的意愿追隨美國和中國的步伐。人工智能應用的增加和廣泛部署需要技術進步作為基礎，并確保所有潛在用戶都可以從AI中受益。具體措施包括：

（1）進一步投資并繼續推進人工智能研究和創新，確保所有人都能分享AI紅利。

（2）擴大可用數據集的范圍，尤其是在其對經濟和社會帶來更廣泛利益的領域。

（3）投資人工智能相關的人力資本和基礎設施，以擴大能夠創建和執行人工智能解決方案的人才基礎，以跟上全球人工智能領導者的步伐。

（4）鼓勵企業領導者和政策制定者提高對AI技術的認識，以指導其決策。

（5）支持現有的為組織和國家最終AI部署奠定基礎的數字化工作。

2. 未來的就業挑戰。從緩解自動化帶來的潛在破壞性影響出發，就是要確保經濟和生產力的增長，這也是就業增長和日益繁榮的先決條件。政府還需要培養商業活力，因為創業和更快速的新業務的形成不僅可以提高生產力，還可以推動創造就業機會。解決與技能、工作和工資相關的問題需要采取更具針對性的措施。包括：

（1）通過關注STEM技能以及創造力、批判性思維和終身學習來不斷發展教育系統和變革學習場所。

（2）鼓勵私人和公共部門對人力資本進行投資，可以通過類似于研發投資的激勵或信貸來實現。

（3）通過支持更好的資格認證和匹配以及支持各種形式的工作來改善勞動力市場活力。

（4）重新思考收入問題，除了考慮金錢外，還要考慮工作的意義和尊嚴等因素。

（5） 借鑒世界各地的最佳做法和新方法，重新考慮對受影響工人的過渡支持和安全網構建。

3. AI的責任挑戰。如果公眾因人工智能侵犯隱私、存在偏見或被惡意使用而對人工智能失去信心，或將不平等的加劇歸咎于人工智能，那么人工智能將不會履行其承諾。在解決濫用問題的同時應該建立對其造福社會的信心。具體方法包括：

（1）加強消費者、數據、隱私和安全保護。

（2）建立一個共享的通用框架和一套有益和安全使用AI的原則。

（3）共享最佳實踐并堅持創新，以解決安全性、偏見和可解釋性等問題。

（4）科學引導AI的發展，確保人工智能的優勢得到廣泛應用和推廣。