哪些领域没那么容易应用AI：来自7000家创业公司的答案
作者 AJ Christensen
郭一璞 编译
量子位 出品 | 公众号 QbitAI
“AI是新的电力！”
这是吴恩达老师的日常。
但是，问题来了，电力，也不是从发电机到灯火通明的大厦一蹴而就的。在科技成果转化为生产力越来越快的今天，AI已经发展了许多年，为什么我们还没有看到人工智能的大规模应用呢？
美国企业AI软件提供商C3.ai产品经理AJ Christensen认为，1882年，世界上已经出现了现代电力的基本要素，但受到基础设施昂贵、人才匮乏、法规不透明等因素影响，真正的大规模应用，要等到1925年才开展。
而现在，人工智能这个新电力正处在1882年，离真正大规模应用，还得等个40多年呢。
那么，究竟是什么将今日的AI困在了黎明前的黑暗中？
Christensen在Medium专栏《通向数据科学》中发表了一篇文章，采访了几位专家、抓了7192个AI创业公司的数据，总结了当前限制AI应用的几大原因，分析出了那些最容易商业化和最难商业化的AI领域。
并且，他设计了一个矩阵，根据阻力与利益两个维度，找到那些AI能最快普及的领域。
人为限制
人工审核工作繁重。许多AI算法在执行之后也需要人为监督，比如Facebook就有超过15000人的审核团队，国内字节跳动等公司也有大规模的人工内容审核团队。
数据标注重人工。还是人工太高的问题，任何AI算法都需要大量数据集，因此AI公司们必须自建标注团队或将标注任务外包给数据标注公司，无论用哪种方式，都需要大量的“数据民工”付出繁重的劳动。
人才匮乏。AI专业人才的高身价，大家有目共睹，各个国家都面临人才短缺的状况。
数据限制
数据创建难题。对许多传统公司来说，他们不会自动生成AI模型训练需要的数据，比如线下零售就缺乏电商那样的详尽数据。
基础设施限制。许多企业对于云、数据安全的投入有限。
现有数据结构混乱。许多公司的数据都并未进行有条理、统一管理的存放，每个部门。每个团队都在各搞各的，格式、标签都不一样。
依赖第三方数据。有些公司自有数据不够，买第三方数据非常贵。
收集数据要很久。许多行业中，收集数据需要非常复杂的过程，比如慢性病的医疗数据。
市场限制
AI迫使许多行业改变商业模式。因为AI的存在，许多行业不得不改变现有商业模式，假设如果自动驾驶技术和法律法规成熟，车厂们可能就要转而直接提供运输服务了。
算法准确率要求高。AI算法的执行都是有准确率的，像人脸识别等场景，总是有不准的个别情况，但在医疗、自动驾驶方面，一旦出现不准确的情况，结果都是致命的。
AI改变工作流程。许多AI应用会改变传统工作的流程，比如AI加持的招聘系统，面试和申请流程会和此前大不相同，HR们会感到无所适从。
AI可解释性是难题。当一个工具出炉，大众和监管机构通常需要能将其解释清楚，但AI算法的黑箱性则说不清。AI为什么不批准你的贷款？说不清，就会产生纠纷。
有偏见的AI。由于数据的偏差，AI算法经常做出有偏见、歧视性的决策。
AI的隐私威胁。由于AI算法训练需要大量数据，因此许多私人数据都被拿来投喂给AI，这让许多人面临个人隐私泄露的风险，因此也会受到监管和大众的阻力。
横轴：谁能用AI获取最大价值
分析了阻挡AI广泛应用的阻力，还要看AI具体能带来哪些价值。价值大、阻力小的领域，是最容易大规模应用的。
根据麦肯锡全球研究院的数据，供应链和营销销售是目前AI最有价值的应用场景。
另外，媒体娱乐、金融、医疗、零售、自动驾驶也是可以充分利用AI价值的产业。
结论：谁是先吃AI螃蟹的人
因此，根据上面的资料，Christensen分析了最容易大规模应用AI的领域和那些不太容易大规模应用AI的领域。
第二波AI浪潮-慢速采用者：一部分是AI带来的利益大、阻力也大的公司，比如金融科技领域，能看到巨额回报，但隐私风险非常大；另一部分是利益不算大、阻力小的公司，比如工业和一部分服务业，在制造业应用AI很少需要来自人类的数据，不会面临歧视、隐私等问题，不过带来的利益有限，这些领域目前也有不少玩家。因此，在这波浪潮中，to B的机遇被施放出来。
第三波AI浪潮-很难采用者：这部分包括医疗、汽车和零售等，风险较大、带来的利润有限。不过，传统零售业在销售方面可能难以运用AI，但可以在供应链上积极采用。这一点，似乎和当前无人零售的大规模应用并不契合。
这让人想到李开复博士此前提到的AI的四波浪潮，从互联网AI浪潮，到金融、供应链等商业化AI浪潮，到基于实体世界的AI浪潮，最后实现驾驶等自主化的AI。
