高管概述

 

人工智能是信息時代的尖端科技。 計算的飛躍建立在人類告知計算機如何表現的基礎上， 計算建立在計算機學習如何表現能夠對每個行業有意義的基礎上。 雖然目前可能被視作在下一個 AI 冬天（圖 8）之前的最新承諾和失望循環，這些投資和新技術至少將給我們帶來機器學習產品的實實在在的經濟利益。

 

與此同時，人工智能、機器人和自動駕駛已成為流行文化的前沿，甚至是政治表述。但是，我們去年的研究讓我們相信這不是一個失敗的開端，而是一個拐點。我們將在這個報告里看到，宏觀（更多更快的計算和更多數據的爆炸式增長）和更加微觀方面（在深度學習方面的有益進展，智能硬件和開源方面的增長）的拐點的原因。

 

關于人工智能拐點的更多令人興奮的方面之一是真實應用案例的增加。 例如深度學習促進計算機視覺的發發展， 這些技術做為自然處理語言引人注目地提升了蘋果 Siri、 亞馬遜 Alexa和谷歌圖片識別的質量，人工智能不是為了技術而技術。大數據和強力技術相結合，創造價值，獲得競爭優勢。

 

例如，在醫療領域，圖像識別技術可以促進癌癥診斷的準確性。在農業領域，農民和制種者可以利用深度學習促進產量增長。在制藥行業，深度學習被用于發現新藥。 在能源行業，勘探效率和裝備可靠性提升。在金融服務行業，同以前可能的相比，成本降低，新數據應用于更快速的分析，返回結果。人工智能在應用案例發掘的非常早的階段使用，同時做為基于云服務共享的必要的科技，我們相信一波革新將到來，為每個行業創造新的冬天和失業者。人工智能廣泛的適用性也讓我們認識到它是全球經濟的針移技術、 提升效率和結束美國經濟增長停滯的驅動。利用 GS 首席經濟學家 Jan Hatzius 的研究，我們設計了當前的深度資本不景氣指數和它對美國生產力的相關影響。我們相信人工智能技術驅動生產力提升的可能，就像 1990 年一樣，驅動更多的資本合作和人力效率提升項目，促進增長，促進盈利，擴大股票價值。

 

我們發現人工智能實實地影響著每個公司、行業和經濟因素，對投資者有四個方面值得注意。

 

生產力。人工智能和機器學習有引發生產力增長的潛力，有益于經濟增長，公司盈利，資本回收和資產估值。根據 GS 首席經濟學家 Jan Hatzius“原則上，人工智能看起來的確比上一波革新在統計學上有表現更好的潛力，人工智能降低成本和人力需求， 更高的產品附加值類型。”例如，同 iPhone 應用的多樣性和可靠性相比，統計學家可能更好的建立并獲得這些商業部門的費用節減革新。 廣義的人工智能對商業部門的費用結構有廣泛的基礎性影響， 我由衷相信人工智能將被統計學家采納，并在整體生產力數字中有所展現�！�

 

優質科技。 人工智能和機器學習的速度價值有扭轉更便宜的數據中心和網絡硬件的趨勢的潛力。我們相信這將驅動硬件、軟件和服務領域市場費用的大量變化。例如，1 條運行在標準數據中心上的 AWS 工作量， 同在人工智能優化后的 GPU 上運行所需的 0.9 美元相比， 每小時實際計算成本只要 0.0065 美元。

 

競爭優勢。 我們看到人工智能和機器學習在改造各行業競爭訂單方面的潛力。 那些失敗于投資和平衡這些科技風險的管理團隊被競爭者超越，這些競爭者受益于他們創建的戰略情報、獲得的生產力和資本效率。在 41 頁插圖中，我們論證了這些競爭優勢是如何應用于醫療、能源、零售、金融和農業。

 

新公司創建。近 10 年來（圖 69~75）在人工智能和機器學習領域，我們已經識別出有超過150 家私營公司.我們相信人工智能的大部分價值將由擁有資源、數據、投資能力的大公司獲得。我們希望風險投資家、企業家和技術專家繼續驅動新公司的創建，反過來，驅動實質性的創新和價值創造，至少是，M&A，我們不能無視谷歌或臉書的人工智能出現的可能。

 

接下來的內容中，我們深入了解人工智能，它的歷史，由機器學習、圍繞這些技術應用的一路領先的行業和公司所構建的應用生態體系。

 

人工智能是什么？

 

人工智能是制造智能機器、 可學習計算程序和需要人類智慧解決問題的科學和工程。 經典地，這些包括自然語言處理和翻譯，視覺感知，模式識別，決策制定等，但應用的數量和復雜性在快速增長。

 

在這份報告中，我們將大部分分析聚焦在機器學習、人工智能的一個分支、深度學習、機器學習的一個分支。我們總結了二個關鍵點：

 

1. 簡化地，機器學習是從案例和經驗（例如數據配置）中習得的算法，而不是依賴于硬件代碼和事先定義的規則。換句話說，不是一個開發者來告訴程序如何區分蘋果和橘子，而是算法本身通過喂養數據（訓練） ，自己學會如何區分蘋果和橘子。

 

2. 深度學習的主要發展是現有人工智能拐點的驅動力量之一。 深度學習是機器學習的分集。大多數傳統機器學習方法和特點（例如，可能預測的輸入和屬性）由人來設計。特征工程是一個瓶頸， 需要有意義的特定技術。 在無人管理的深度學習中， 重要特征不是由人類來定義，而是由算法學習和創建。

 

什么是神經網絡？

 

神經網絡在 AI /機器學習的中充當一種模擬人類大腦的計算機體系結構，在其上可以構建AI /機器學習程序。它由聚合的連接節點組成，如人類大腦中的神經元般可以解決更復雜的問題并學習。

 

什么是深度學習？深度學習是一種需要訓練大型神經網絡的“深層”層次結構，且每層可以解決問題不同方面的機器學習，從而使系統能解決更復雜問題的。 使用上面說到的火車的例子，深層學習系統包含了識別火車的不同特征的各個層。例如，底層將標識是否具有窗戶。如果答案是肯定的，下一層將尋找是否有輪子，接下來將會識別是否是長方形的車等等。直到這些層共同地將圖片識別為火車或徹底否定。隨著技術發展，可以支持大型神經網絡的訓練，深度學習作為增強機器學習能力的方法已經越來越普遍。

 

什么是監督學習？無監督學習？監督和非監督學習是機器學習的兩種類型。在監督學習中，系統給出一系列“正確答案”的例子�；�于這些例子，系統將從正確的答案中學習什么是對的，從而進行正確預測的輸出。監督學習的現實應用包括垃圾郵件的檢測（例如，系統可能有一組標記為“垃圾郵件”并且學習正確識別垃圾郵件的電子郵件）和手寫識別。

 

在無監督學習中，系統沒有給出正確的答案，而是提供需要自己去發現特征的未標記示例。一個示例將基于大量客戶數據中發現的， 包括可以將客戶分組的某些特征 （例如， 購買頻率）。 

 

什么是一些類型的機器學習？

 

分類。將電子郵件歸類為垃圾郵件，識別欺詐，面部識別，語音識別等。 聚類。對比圖像，文本或語音找到相似的項目; 識別異常行為的集群。 預測。 基于網絡活動和其他元數據預測客戶或員工流失的可能性; 基于可穿戴數據預測健康問題。

 

什么是通用，強大或真實的人工智能？ 通用，強大或真實人工智能是，機器智能算法完全復制人類智慧， 包括人類的獨立學習和決策能力。 雖然像全腦模擬這樣的技術被用于實現通用 AI 的目標，但是其所需的計算能力數量，仍然遠遠超出了當前的技術，使得通用的人工智能基本只存在于理論層面。

 

為什么現在人工智能加速發展？

 

請記住， 我們并不關注于重復獨立人類智能且在流行文化中常見的真實、 強壯或普遍的人工智能。必然存在潛在突破點，例如谷歌深度思維 AlphaGo 系統，不僅擊敗了世界冠軍，而且使用了沒有人曾經做過的行為，我們關注人工智能即刻可觸達的經濟發展領域。

 

深度學習能力方面的主要飛躍成為當前進行中的 AI 拐點的催化劑。神經網絡，深度學習之后潛在的科技架構，已經存在了幾十年，但是過去的 5 到 10 年，三件事發生了改變。

 

1.數據。 通過分布于全球持續增長無所不在的互相聯系的設備、 機器和系統產生的非結構化數據的數量呈現巨大的增長。擁有的數據越多，神經網絡就變得越有效率，意味著隨著數據量的增長，機器語言可以解決的問題的數量也在增長。移動手機、物聯網、低耗數據存儲的成熟和處理技術（通常在云端）已經在數量、大小、可靠數據結構方面創造了大量的成長。例如，特斯拉至今已經搜集了 780mn 英里的駕駛數據，并且每 10 小時通過它連接的汽車增加百萬公里的數據。Jasper（2016 年 2 月被思科以 14 億美元收購）擁有一個平臺驅動機器和機器的溝通， 服務于多種汽車制造商和電話公司。 Verizon在8月進行了一次類似的投資，宣布收購 Fleetmatics，它通過快速增長的無線網絡，連接運輸工具上的遠程傳感器到云端軟件。5G 的首次展示將最適當地加速數據可被獲取和轉移的機率。根據 IDC 的數字領域報告，到 2020 年，每年數據量將達到 44ZB（萬億 G） ，5 年內年復合增長率達到 141%，暗示我們剛開始看到這些科技可以達到的應用場景。

 

2. 更快的硬件。GPU 的再次使用、低成本計算能力的普遍化，特別是通過云服務，以及建立新的神經網絡模型， 已經極大的增加了神經網絡產生結果的速度與準確率。 GPU 和并行架構要比傳統的基于數據中心架構的 CPU 能更快的訓練機器學習系統。通過使用圖像芯片，網絡能更快的迭代，能在短期內進行更準確的訓練。同時，特制硅的發展，比如微軟和百度使用的 FPGA，能夠用訓練出的深度學習系統做更快的推斷。另外，從 1993 年開始超級計算機的原計算能力有了極大發展 （圖 2） 。 在 2016 年， 單張英偉達游戲顯卡就有了類似于 2002 年之前最強大的超級計算機擁有的計算能力。 成本也有了極大的降低。 英偉達 GPU （GTX 1080）有 9 TFLOPS 的性能，只要 700 美元，意味著每 GFLOPS 只要 8 美分。在 1961 年，要提供1GFLOPS，需要足夠多的 IBM 1620s 串聯在一起，計算下來費用要超過 9 萬億美元（根據通貨膨脹調整）。

 

3. 更好、更普遍可用的算法。更好的輸入（計算和數據）使得更多的研發是面向算法，從而支持深度學習的使用。例如伯克利的 Caffe、谷歌的 TensorFlow 和 Torch 這樣的開源框架。比如，剛開源一周年的 TensorFlow，已經成為最大的開發人員協作網站 GitHub 上最多分支（或活動）的框架。雖然不是所有的人工智能都發生于普遍可用的開源框架中，但開源確實在加速發展，而且也有更多先進的工具正在開源。

 

方向

 

雖然本報告的重點是人工智能的發展方向以及公司如何把握這個方向， 但是了解人工智能對我們生活的影響程度也是很重要的。

 

在線搜索。 就在一年多以前， 谷歌透露， 它們已經開始將大量的搜索工作移植到了 RankBrain（一個人工智能系統） ，使其與鏈接（links）以及內容（content）成為了谷歌搜索算法的三個最重要的標志。

 

推薦引擎。 Netflix， 亞馬遜和 Pandora 都在使用人工智能來確定推薦什么樣的電影和歌曲，突出哪些產品。 5 月， 亞馬遜開源了它們的深度可擴展稀疏傳感網絡引擎 （the Deep Scalable Sparse Tensor Network Engine（DSSTNE） ，簡稱「Destiny」 ） ，它被用于產品推薦，同時可以被擴展，以實現超越語言和語言理解的目的。

 

人臉識別。Google（FaceNet）和 Facebook（DeepFace）都投入了大量的技術，來確定照片中的臉和真實的臉是不是完全吻合。1 月，蘋果采取了進一步措施，購買了 Emotient（一個致力于通過讀取人的面部表情來確定其情緒狀態的 AI 創業公司）顯然，這些技術遠遠不止于對照片進行標記。雖然個人助理應用產品有無數的用戶，比如蘋果的 Siri，信用貸，保險風險評估，甚至天氣預測。在接下來的篇幅中，我們探討企業該如何使用這些技術來加速增長，降低成本和控制風險。 從這些技術及其使用這些技術的應用的發展速度來看，它們充其量不過可以為公司和投資者提供一些方向，以保持他們的競爭力。

 

價值創造的主要驅動力

 

經過深入分析，我們認為與 AI 主題相關的利潤創造（和損失）可以分解為四個關鍵輸入：人才，數據，基礎設施和硅。這些投入也同時也是進入的壁壘。

 

人才

 

AI（特別是深度學習）難度很大。根據我們與領域中的風險投資公司和公司的對話，這種困難造成了人才短缺，以及大型互聯網和云計算供應商對這類人才的競爭（見圖 5） 。 對于 AI 人才的高度需求意味著獲取必要的 AI 人才。 隨著技術和工具的成熟， 人才可能變得不再是瓶頸。然而，我們相信人才會遷移到有趣的，差異化的數據集。因此，我們認為，當我們進入一個以 AI 為中心的世界時， 大的差異化數據集是最可能的提高和增加利潤的驅動力。數據：數據是 AI 的關鍵輸入。深度學習效果與大數據集緊密相關，因為更大的數據集會阻礙模型過度擬合。 例如， 來自馬薩諸塞州總醫院和哈佛醫學院放射科的研究人員使用卷積神經網絡來識別 CT 圖像， 基于訓練數據大小來評估神經網絡的準確性。 隨著訓練規模的增大，精度將被提高（圖 6）。

 

今天的大多數深度學習是監督的或半監督的， 意味著用于訓練模型的所有或一些數據必須由人標記。無監督的機器學習是 AI 中當前的“圣杯” ，因為可以利用原始未標記的數據來訓練模型。廣泛采用深度學習可能與大數據集（這是由于移動互聯網和物聯網產生）的增長以及無人監督的機器學習的發展有關。然而，我們認為大型差異化數據集（電子健康記錄，組學數據，地質數據，天氣數據等）可能是未來十年企業利潤創造的核心驅動力。

 

參考 IDC 報告，全世界創造的信息量預計到 2020 年將以 36％的復合年增長率增長，達到 44 澤字節（440 億 GB） 。連接的設備（消費者和工業領域） ，機器到機器通信和遠程傳感器的增加和組合可以創建大型數據集， 然后可以挖掘洞察和訓練自適應算法。 在過去十年中，數據的可用性也大大增加，人口普查，勞動力，天氣，甚至基因組數據可大量的免費在線查詢。

 

我們還留意到衛星圖像的可用性增加， 這需要大量的計算來支撐全方位的分析。 美國地

質調查局的 Landsat 7 和 Landsat 8 衛星每 8 天對整個地球進行成像，USGS 使這些圖像可以免費使用 - 即使是在壓縮時，超高清圖像的文件大小也各為 1GB 左右。其他公司，如Orbital Insights，正在匯總圖像數據并在多個行業創建商業解決方案。

 

基礎設施： 硬件和基礎設施軟件是開展 AI 工作所必需的。 我們認為支持 AI 的基礎設施將被迅速商品化。這個觀點基于兩個現象觀察：1）云計算供應商能夠將他們的產品擴展到 AI基礎設施中，2）開源（TensorFlow，Caffe，Spark 等）已經成為 AI 中軟件創新的主要驅動力。為了促進 AI 技術的應用，我們認為大型云供應商將繼續開放基礎架構資源，這將限制利潤創造的潛力。

 

硅技術：GPU 在深度學習領域的新用途成為我們目前 AI 春天的核心驅動力之一。在人工智能、機器學習生態系統中，存在二個主要應用來決定神經網絡的表現，每個神經網絡需要不同的資源。首先是學習算法的構造和使用。學習算法借助大數據（通常更大、更好）發現相互聯系，并且創建模型，提供新輸入，可以決定輸出的可能性。學習是資源密集型，并且大多數現代學習通過 GPU 驅動的系統來運行。 一旦經過學習， 模型和算法的使用將被稱為推論。推論需要更少的計算資源， 經常通過更小增量數量輸入進行梳理。 一些 GPU 被優化用于推論（例如英偉達 P4 系列和 M4 系列） ，給出單目標的自然推論。硅谷有針對性地發展用于該應用的專業技術，例如 FPGAs（現場可編程門陣列）和 ASICs（專用集成電路） 。這種類型的集成電路被獨創地用于原型機 CPU 中， 但是逐漸地被應用于人工智能推論。 谷歌的張量處理單元就是 ASIC 應用于 AI 和機器學習的一個例子。 微軟也在將 FPGA 應用于推論。 英特爾在 2015年收購了 FPGA 制造商 Altera，有觀點認為，到 2020 年，三分之一的數據中心將在特殊定制化應用中使用 FPGA。 賽靈思在 1980 年開發了可商業化的 FPGA， 領先提出了云和大數據將做為有價值的增長途徑，宣布和百度達成戰略協作關系。數據中心業務大概占賽靈思 5%的營業收入。

 

主要影響

 

促進未來生產力  

 

在經歷了 90 年代中后期的高速發展和過去十年的平緩增長后，美國的勞動生產力近幾年已經進入了增長停滯的階段。我們相信實用的機器學習和人工智能的蓬勃發展可以將生產力典范作用廣泛推廣至全球各產業領域。

 

人工智能和機器學習帶來的自動化及效率提升在普遍各領域都縮減了約 0.5%-1.5%的

勞動工時，預計到 2025 年將帶來 51-154 比特/秒的生產力提升。

 

在期待未來人工智能和機器學習得以同時提升生產效率的分子和分母（標準工時和實際投入工時），最重要的是它帶來的早期影響將會體現在低薪工作的自動化層面，用更少的工時驅動同比產出增長。我們基本認為人工智能和機器學習提速 97 比特/秒意味著在 2025 年 IT將為生產率增長貢獻 1.16%效能，也即比 1995-2004 提高 11 比特/秒。

 

技術與生產力增長

 

90 年代掀起的科技熱潮伴隨著生產力、資本深化和多因素生產力被異常放大，并與飛漲的股票估值緊密關聯。

 

資本深化  

 

高盛的經濟學家 Jan Hazius 提供了他近期就資本深化（每工時資本量）反周期性趨勢的分析， 在擴張時期沒有同等水平股本增長的情況下歷史勞動工時一般趨于增長 （參見 Jan 的報告： “生產率悖論 2.0 版本再探” 2016 年 2 月 9 日發表）90 年代資本深化急劇增長，其中最顯著的是非典型資本投資的增長超越了勞動力市場的增長。

 

多因素生產力 (MFP)

 

2013 年 3 月，美聯儲研究的大衛 · 伯恩等研究后發現，90 年代在 IT 生產和一般操作流程中同時推廣技術有助于促進增長呈三倍激增 （每勞動工時的產出） ，其中從科技熱潮前到1995至2004之間， 年生產率平均每年增長中不超過49%的部分來自于IT 生產部門。 (展示 10) 

 

千禧年后停滯期

 

在過去的十年中，有關 IT 應用 （計算機硬件、 軟件和電信） 的資本深化增長已經停滯了。IT 資本，與更廣泛的市場資本類似，帶來 IT 部分整體增長相比科技浪潮甚至其之前的時期內還低。 總勞動時間一直在增加， 但資本強度對生產力的貢獻已經遠遠落后于上世紀 90 年代。 日益精細且可利用的機器學習和人工智能可能成為一劑催化劑將資本密集度帶回最前沿，在我們看來，將會帶來類似 90 年代所看到的周期階段，極大增加勞動生產率。對于方程另一側的 MFP， 我們更樂觀些。 高盛經濟學家強調 （ “生產率悖論 2.0 再探”  2016年 2 月 9 日發表） ，ICT 價格的正偏差，非貨幣產出的輸入增長 （免費的在線內容、 后端流程等） 也在一定程度上反映了實際 GDP 和生產力增長。Facebook 和谷歌等互聯網巨頭的發展充分說明了復雜輸入的勞動力和資本并不必然將標準生產力指標中的傳統消費品轉換為貨幣。

 

人工智能/機器學習激發的生產力可以影響投資  

 

我們認為人工智能/機器學習所帶來日益增長的生產力產生的潛在影響之一可能是公司資本分配方式的轉變。自 2011 年中期，股息和股票回購的增長大大超過了資本支出增長，然而管理層對于投資資本項目的冷淡依然保持了經濟衰退后期的狀態。生產率的提高有可能恢復管理層的信心， 并鼓勵公司像上世紀 90 年代一樣投資于生產性資本。根據高盛資本支出追蹤，90 年代資本支出同比增長，持續性高于耶魯大學教授羅伯特 · 希勒的 S & P 500 分析報告中的同比股息增長。我們有理由更相信投資者會支持提高生產率的這種轉變。 在資本支出投資和相關生產率的增長期內周期性調整股價收益率經歷了嚴重的通貨膨脹，而目前的估值才剛剛達到經濟衰退前水平。

 

AI 和生產力的矛盾：采訪 Jan Hatzius

 

Health Terry: 是什么造成了過去 10 年可度量的生產力增長過低？

 

Jan Hatzius: 1990 年是一個生產力提升爆發點，主要原因是技術推動的。技術的變化和推進非�？�，給我們經濟的增長提供了非常強的動力。 然而在最近的十年， 這種生產力的增速降回了上世紀七八十年代，甚至比那時候還要更低。 我認為這種增長可以有多個推動點， 而不僅是技術。 但是我注意到有三件事降低了這種增速，第一件事是循環效應(Cyclical Effect)，我們依然受制于經濟衰退后持續的過低的資產化，過低的投資率和告訴的雇員數增長。因為我們的生產力是按照人時換算了，在勞動力市場告訴增長時，我們的生產力也就會越低。

另一個因素是技術增長的速度在放緩， 在九十年代， 互聯網帶來了一段時間的技術高速增長，但是現在看起來這種增速大大放緩了。 第三點是在過去十年發展起來的新技術，比如移動通信和消費者聚焦技術(Consumer Focused Technology),讓統計學家們很難具體量化到數字，也就很難定量。這種新奇和聚焦某一個邊界的技術對統計人員的要求越來越高， 但是統計人員還沒有完全跟上腳步， 造成了統計錯誤。

 

Terry：回到 90 年代的生產力大爆炸，技術扮演了什么角色？

 

Jan： 半導體和計算機技術， 他們在經濟結構中的比例比 70 和 80 年代高了很多， 而且統計學家們建立了好的計量規則。 他們在九十年代做了很多努力去更快實現新的生產力的度量， 比如處理器速度，更大內存，更多計算機硬件等。

 

Terry：在過去 10-15 年，我們也見到很多新技術的產出，比如 IPhone，Facebook 和云計算，但是為什么他們沒有給經濟帶來同樣的影響。

 

Jan：我們并沒有確切的答案， 但是我認為度量能力的缺失是主要原因。 這些新產品對經濟的影響比較有限�，F在丈量名義 GDP 比較容易，在任何事物中都允許有丈量誤差，但我不認為是在名義 GDP 的計量中出現了誤差。將名義 GDP 按照各個事物的通貨膨脹造成的定價變化轉化為實際 GDP 才是最困難的部分。因為這些技術的發展都從通用的硬件轉化為了更為專業用途的軟硬件和數字結合的產品，這都給我們的度量造成了誤差。

 

Terry：AI 和機器學習能對生產力提升造成什么影響？

 

Jan：現在看來， 這些新技術對生產力的貢獻主要是在縮減成本和縮減勞動力需求， 這些對統計員們來說會比 iPhone 中的 app 對經濟的共享更好統計。我必須要做出一個警告， 美國的經濟規模非常大， 在任何一個小行業被 180 萬億美元做分母時都會使他看起來沒那么大影響， 我們必須糾正這種觀點， 這些細分行業存在對經濟造成巨大影響的可能。

 

Terry：您剛才提到了成本，這些會影響定價嗎？是否這為我們的通縮造成影響？

 

Jan：成本的降低必然帶來定價的降低。 假如別的情況不變， 改變這個定價確實能降低定價和降低成本，假如別的因素都是恒定不變的話，這會帶來一定的通縮。但是現實的市場經濟是不會有靜態的場景的，有規則的制定者會讓人工智能等取代的工作的勞動力轉移到別的工作上。我不認為長期上這種成本的降低會帶來更高的失業率和更低的通貨膨脹， 短期內可能會有這種現象。 規則的指定能夠改變這種情況，總體上這些規則是為了維持一個非常穩定的失業率和通脹率。

 

Terry：有的觀點認為，AI 和機器人自動化會取代勞動力，你認為這種觀點合理嗎？

 

Jan：我不認為這種情況會出現，人們確實有一些擔憂，但是綜合 19 世紀的例子，每一次技術的革新都會引起這種困擾。 最后人們在技術革新后還是找到了很多需要人去做的工作， 整體上我不認為會帶來失業率的提高。

 

Terry：在過去的十年里，在投資市場里我們看到很多企業的回購和拆分。

 

Jan: 投資和生產力是息息相關的。近年來受制于經濟大衰退，股票市場和投資市場都不景氣，但是我們依然認為今年的投資率在慢慢上升，投資對生產力的影響也在提升，特別是在2010年和 2011 年。更多的機會是在細分的市場里。

 

Terry: 在企業利潤上升的時候， 或者是發現新的利潤點的時候， 獲得的利潤結合歷史應該如何分配才能獲得更高的收益呢？

 

Jan：從我對歷史的研究中認為， 在企業獲得新的利潤點的時候， 可能短期內讓企業的利潤率飆升，但是很快就會有競爭介入，之后利潤率就會恢復正常水平。

 

Terry：您覺得新技術如 Ai 和機器學習對資產的股價會產生什么影響？

 

Jan：過去一段時間，人們處于對于 90 年代技術快速提升帶來的增長率的衰弱的恐懼，對股票的估值有了很大的變化。技術的高增長總體上會帶來更高的估值。往回看 1990s，我們那段時間股價確實有一個高增長，但是周期結束后跌的也很慘。我認為肯定會對估值有很大影響。

 

生態系統：云服務，AI 的下一個投資周期開源的關鍵受益人

 

我們相信利用人工智能技術的能力將成為未來幾年所有主要行業競爭優勢的主要定義屬性之一。 而戰略將因公司規模和行業而不同， 那些不專注于領導人工智能所帶來的最終的產品創新，勞動效率和資本杠桿風險的管理團隊將被遺忘。因此，我們認為公司需要投資這些新技術以保持競爭力，將推動對人才，服務和硬件底層人工智能的需求的激增。

 

作為比較，20 世紀 90 年代技術驅動的生產力繁榮推動了相應的使能器的激增。對技術的資本支出推動了企業業務的增加， 來抓住這種資本支出。 在不可避免的行業整合發生面前，軟件、硬件和網絡公司形成都受到了影響。下面的圖例 13 強調了軟件行業內的這種模式，在 2000 年代中期鞏固之前， 1995 - 1999 年期間，通貨膨脹調整后近兩倍的公共軟件公司市值在 2 億美元和 50 億美元之間。

 

我們看到與 AI 驅動生產力的下一個周期相似的熱潮， 隨著企業投資利用 AI 的潛力， 在軟件，硬件，數據和服務提供商上創造價值。如上文圖表 14 所強調的，進入人工智能創業公司的風險投資在這十年中大幅增加，大大的反映了這一機遇。企業 AI 投資的熱潮也開始推動整合。云平臺特別是對 AI 的大量投資，谷歌，亞馬遜，微軟和 Salesforce 自 2014 年以來開展了 17 項與 AI 相關的收購。

 

比較 AI，ML 和歷史進程中的其他技術階段，我們能得出一些非常有意思的結論。在過去的五十年里， 計算力(摩爾定律)同事成為了技術進程的促進者和抑制者。 例如計算機系統市場 CS 架構開始的，近些年發展到了 cloude/mobile 模式。這種變化的一個因素是計算能力，存儲和帶寬的提升。同時每次還貸的變化都伴隨著新的開發語言的演變。AI 和神經網絡的概念和原型的提出是在 1960 年代，但是計算能力的限制讓它直到今年才出現了實用的應用。我們依然處于 AI 平臺的初期，就像 1950 年的主機系統和 2000 年的智能手機和云。這會帶來應用，工具和服務的大爆炸。

 

AI 三個方向：自建，咨詢服務和 AI 服務化

 

自建：有著大量私有高價值數據的公司會更喜歡在機器學習上投資。為了支持，出現了一大批開源可直接使用的 AI 棧上的組件，按照功能分層為(silicon,storage,infrastructure，software,data processing,engines,programming languages and tools)。產品和平臺分別有Databricks,Cloudera,Hortonworks,Sykmind和Microsoft,Google,Amazon,Baidu提供

的平臺等。

 

咨詢服務:很多公司有自己的特殊數據集， 并會有需求為內部， 顧客和合作伙伴搭建 AI 服務。但是因為 AI 服務和計算能力現在是稀有資源，很多的專業服務商在搭建平臺幫助人們獲得這種計算能力。IBM 的 Watson group 正在做這件事。還有一些新入場的如 Kaggle。 AI 服務化：為了獲取這種創新能力，很多企業會選擇使用別的公司已經成熟的學習系統，而不是自己完全搭建�，F在已有的是 Google 的 Clarifai 提供的圖片 API。SalesForce.com也在提供基于銷售數據的服務。

 

自建：云平臺和開源系統正在成為 AI 的左膀右臂

 

通過和大量公司VC以及對世界五百強的訪談， AI/ML現在在互聯網公司， 工業服務提供商(如Board Institute)中應用非常多。

 

阻礙企業應用 AI 的主要障礙是數據和人才。隨著企業通過物聯網，機器和顧客數據或者還有外部數據服務的改進， 數據障礙正在逐漸掃清。 越來月的多畢業生還有通過培訓獲得了AI 相關只是和技能的人在填補人才的障礙。隨著這些趨勢，我們認為越來越多的公司會開始使用機器學習。

 

因為是從無到有來創造的，現在 AI 相關的技術棧仍然是非常碎片化的。欣慰的是整個AI Stack 正在逐漸形成，現有的創新藍圖如下，具體覆蓋了存儲，工具，語言等各個層面，依然有非常多的創新等著我們。

 

和之前的技術的一大區別是 AI 技術非常依賴開元和云平臺技術。數據量非常大，計算能力貴，幸虧幾大公司已經在開始提供這些服務，能夠降低費用。

 

對 GPU 計算能力的需求是現在的 AI Spring 發展的一大誘因。在 AI/ML 系統中，有兩個主要應用決定了整個神經網絡的能力，這兩個應用都有各自需求的資源系統。第一個是training algorithm，它在大量數據中尋找出關系，并提煉出模型，并通過模型決定對應新輸入可能產生的輸出。訓練對資源非常敏感，多數的訓練是在基于 GPU 的計算系統上。

 

訓練出的模型和算法被稱為 inference. Inference 對計算能力的要求會低很多，并且多數是在更小的不斷增加的數據中梳理出來的。FPGAS 和 ASICs 等是已有的相關架構，但是這些是在 CPU 計算能力的基礎上搭建起來的。Google 的 Tensor Processing Unit 是一個 ASIC結構的具體實現。微軟使用 FPGA 也有一些實現。INTEL 等也在 FGPA 等方面在做一些具體的應用。

 

考慮到搭建 AI 系統的投入和產出，我們認為只有少數公司會選擇自己搭建自己的專用系統。多數公司會選擇使用公共提供的服務，這也促使了入 Databricks 等開源服務提供者的出現，這些服務會成為多數公司的首選。

 

下面列了一些具體的基于 GPU 的云服務提供商的不同的特點， 可以作為選擇哪個服務的參照點：

Amazon AWS:紙面上看起來是現在最強大的。自大提供 64 核 CPU，16 Tesla K80 GPUs，

732GiB。內存，價格是 6.8 美元每小時。

Micorsoft Azure：現在仍然是在預覽階段，24 cores, 4 Nvidia Tesla K80 GPUs, 224

GB of memory and 1.4TB SSD disk。

Google Cloud Platform(GCP)：Beta 階段，

Alibaba：只是透出來消息和 Nvidia 在合作使用 Tesla K80 GPUs.

 

存儲:在深度學習中， 大量的數據能夠為學習模型提高能力。 考慮到成本和已有的 HDFS 還有S3 等存儲結構的成本，還有 EMC 等物理機器的成本�，F在數據的增速太大太快，選擇開源的存儲結構和公共服務存儲的同時或者相關的技術支持比自己搭建專用的整套系統更為合適。

 

消息，流處理和數據轉化是機器學習的關鍵組件。在模型的訓練過程中，數據是作為流被傳入存儲系統中的，并在進入神經網絡前經過加工。一旦模型被建立，來自傳感器，網站和其他來源的活數據被流進模型進行分析，然后試試分析這些數據。在以前的 ETL 提供商（Informatica 和 IBM）還有消息廠商(TIBCO)提供了一些流提供和流處理技術。 在過去的五年時間里，開源技術入 Kafka，Storm 和 Spark 被越來越廣泛使用，還有消息服務如 Amazon Kinesis 和 Google Pub/Sub。

 

在神經網絡中，數據是需要做預加工的。比如，圖片和文本要被轉化為相同大小或者顏色，或者格式。使用 SkyMind 的 DataVec 等工具，可以通過編程實現這些加工。

 

可參照的公司:

Confluent (Kafka), Databricks (Spark Streaming), Cloudera (Spark Streaming),

Hortonworks (Storm, Spark Streaming), Amazon (Kinesis), Google (Cloud DataFlow),

Skymind (DataVec), IBM (Streams), Microsoft (Azure Data Flow).

 

數據處理:數據庫和數據處理技術一直是一個大市場，2015 年統計，數據庫市場規模是$35.9bn。最大的公司是 S&P。在 AI 應用中，神經網絡成為了一種關鍵的數據處理技術，神經網絡從節點獲取數據，然后產生輸出。例如，輸入可能是圖片或者是郵件，輸出可能是“spam” 或者 “cat”.

 

已有的神經網絡的具體實現有 Google TensorFlow or Caffe，能夠幫助用戶直接使用這些服務處理數據。

 

在很多公司里 Spark 的應用已經比較廣泛，發展也最快，應有超過10個 Github 星級項目，并獲得了來自 IBM, Cloudera, Hortonworks and Databricks (which has the bulk of the committers to the project)的投資。

 

編程語言： 現在編程語言的支持仍然是在非常初級的階段。 現有的用的最多的語言是 Python和 R。R 應用中 Microsoft (which acquired Revolution Analytics) and RStudio (an open source provider)是主要的支持者。

 

分析工具：非 AI 行業相關的數據加工的工具,比較成熟的是 SAS Institute and SPSS, BIsolutions such as Microstrategy and Business Objects,報表類的有 Crystal Reports。最近商業應用中 Tableau 提供的數據可視化服務也比較火。

 

機器學習相關的工具，如 Microsoft’s Azure Machine Learning solution，為使用者提供了一種直接拖拽的界面，SAS 也提供了界面化的操作工具。

 

可關注的工具：

SAS (SAS Enterprise Miner), Tableau, Microsoft (Azure Machine Learning), Amazon (Amazon Machine Learning),

Google (Cloud Machine Learning), Databricks

 

咨詢服務

 

已有一些咨詢公司提供相關的服務，來解決人才的問題。已有的提供相關服務的公司有： IBM, Accenture and Deloitte,Teradata.

 

在機器學習相關人才的培訓和儲備上，現在做的最好的是這幾家公司：

IBM, Huawei, Accenture and Deloitte

Appirio, Bluewolf, and Fruition Partners 這些云計算相關的公司也在人才儲備方面增長明顯。

 

表 21：AI-aaS 產品及定價

云平臺 AI-aaS 產品示例

 

 

AI 服務化

 

細化的基礎行業 AI-aaS 情況（客戶流失，員工保留等）

 

在更加細化層面，例如：CRM（商機分析） 、HR（人才保留）和制造業（預見性維護） ，可以看到 SaaS 供應商已經開始布局， 這主要得益于 SaaS 供應商可以接觸到大量的不同種類的數據。 Workday, Salesforce.com, Zendesk, Oracle, SAP 和 IBM 是最終能夠角逐細化的 AI-aaS市場的幾家供應商。我們調查過的大部分 SaaS 供應商都在開發數據分析產品和建立基準數據集，并且我們發現他們的數據長遠來講是一種障礙。 （并且我們發現這類供應商已經為長遠發展而圈地）。

 

Salesforce 在機器學習能力積累方面步伐最大，其在過去 18 個月中有過 4 次 AI 類型公司的收購（見圖 5） 。

 

考察的公司包括：  

IBM, SAP, Oracle, Salesforce, Workday, Zendesk, Hubspot, Shopify, Ultimate Software, ServiceNow

 

垂直專業行業 AI-aaS 情況（醫學圖像處理、欺詐預測、天氣預測等）

垂直特定領域的“AI 即服務”很可能更多樣化地推動。大產業巨人能聚合數據，通過這些數據可以構建機器學習模型，同時可以將這些模型賣給合作方、客戶、供應商。初創公司可以在垂直領域的用例中構建獨特的數據集， 例如醫療影像， 可以使整個醫院網絡有其可訪問的接口。 各領域的行業協會， 例如零售或廣告業能混合數據(術語)使其和更大的競爭對手競爭（例如一些零售商能夠通過混合數據更好地和亞馬遜的推薦引擎競爭)。

 

醫療行業中，IBM 在開發垂直特定的 “AI 即服務”的能力已經是一個佼佼者。近兩年IBM 已經花費超過 40 億美金來獲得大量的醫療技術和收購數據公司。這些收購的結果是大

量的醫療數據（IBM 在其“健康云”有超過 3 億病人的醫療記錄） 。用這些醫療數據（包括通過合伙企業所采集的其它數據）和他沃森技術的集合，IBM 正在向腫瘤學、臨床試驗、基因組等用例(場景)提供服務。 在醫療垂直領域， 其它的初創公司也正在遵循類似的方法來解決醫療影像、藥物發現、診斷等方面的疑難問題。

 

醫療行業的垂直“AI 即服務”展示：

 

 

中國人工智能現狀

 

根據 IResearch 的研究，中國 2020 的 AI 市場規模將由 2015 年的 12 億人民幣增長到 91 億人民幣。在 2015 年，有將近 14 億（年同比增長 76%）的資金流入 AI 市場。在政府政策方面，中國發改委聯合相關部門在 2016 年 5 月 18 號發布了互聯網+和人工智能三年實施計劃。規劃確定了在六個具體方面支持人工智能的發展，包括資金、系統標準化、知識產權保護、人力資源發展、國際合作和實施安排。規劃確立了在 2018 年前建立基礎設施、創新平臺、工業系統、創新服務系統和 AI 基礎工業標準化這一目標。發改委預計中國的 AI 工業會和國際發展水平接軌，同時在系統級的 AI 技術和應用方面領先世界市場。中國已經采取了行動：從提到“深度學習”或者“深度神經網絡”的期刊文章數據上看，中國已經超越美國。中國的 AI 研究實力同樣讓人印象深刻，其擁有世界領先水平的語音和圖像識別技術。百度在 2015 年 11 月開發的深度語音 2 可以達到 97%的準確度，并被 MIT 科技評論評為 2016 年度十大科技突破。另外，早在 2014 年中國香港大學開發的DeepID 在LFW數據集上達到了 99.15%的準確度。

 

 

中國互聯網巨頭 BAT 引領中國 AI 的發展， 與此同時， 數百個初創公司在不同的 AI 細分和應用領域建立服務模型。當前，中國的 AI 市場主要分為以下幾個領域：

1) 基礎服務如數據源和計算平臺

2) 硬件產品如工業機器人和服務機器人

3) 智能服務如智能客服和商業智能

4) 技術能力如圖像識別和機器學習

根據 iResearch 的報告，語音和圖像識別分別占有當前中國 AI 市場的 60%和 12.5%。71%的中國 AI 公司集中在應用開發上，其他的則聚焦在算法上，其中 55%是計算機視覺，13%在自然語言處理，9%在基礎機器學習。

 

我們認為，未來 AI 領域的引領者仍將會在美國和中國。

 

 

機器人:用戶界面的未來

 

機器人是非常具有潛力的范式轉換。 在以機器人為中心的世界， 用戶體驗從基于點擊的行為轉向會話(文本或者語音)以及互動從網絡或面向應用轉向消息或語音平臺。 換句話說， 相比之前的打開三個不同的應用程序分別預約旅行， 購買衣服以及參與客戶服務， 而現在用戶只需要通過會話提供信息給提供幫助的機器人，從而完成同樣的事情。因此，我們能看到這些對電子商務，客戶支持，員工工作流程及工作效率的廣泛影響。

 

在最近的 12-18 個月中， 一個關鍵驅動因素是大型云服務和互聯網公司建立并開放了機器學習框架。在 2015 年年末，Google 開源了機器學習算法庫 TensorFlow,亞馬遜和微軟在這方面也非�；钴S， 通過提供云服務支持他們自己的機器學習項目。 我們預計這種機器學習平民化的趨勢將會持續激發智能機器人的發展，主要領導者（亞馬遜，谷歌，蘋果，微軟)期望整合會話界面(Alexa,GoogleAssistant,Siri,Cortana)到他們的各自的生態系統。 繼今年三星收購 Viv,我們預計將在三星設備和智能手機生態系統中進一步整合基于 Viv AI 的數字助理。

 

自然語言處理(NLP).機器人的期望植根于他們智能或處理自然語言的潛力。 因此伴隨著機器學習、自然語言處理的人工智能技術、計算機理解、以及語義理解興趣和創新的興起，對機器人的興趣也在興起。相比過去的文字處理方式，與基于硬編碼規則集構建的 CTRL+F 函數操作的處理器相反，NLP 利用機器學習算法來基于海量訓練數據來學習規則，然后可以將其應用于新的文本集。機器學習的核心原則同樣適用于 NLP，獲取的數據越多，其應用程序就越準確和更廣泛。

 

雖然 NLP 的早期應用已出現在文本挖掘（例如，法律分析文檔，保險單和社交媒體）和自動問答中， 但是神經網絡和深度學習模型的優勢正在使 NLP 變得越來越智能化， 解決人類語言的歧義問題。 Google基于人工智能系統Tensorflow的自然語言解析模型分析庫SyntaxNet，SyntaxNet 將神經網絡運用于歧義問題，一個輸入句子被從左到右地處理，只有當存在多個得分更高的假設的時候，一個假設才會被拋棄。SyntaxNet 模型是谷歌的 TensorFlow 框架訓練過的最復雜的網絡結構。

 

消息平臺.機器人的興起與諸如 FacebookMessenger，WhatsApp 以及面向企業的 Slack 和HipChat 等消息應用的快速增長同步。消息應用程序提供了一種媒介，通過它，機器人可以與 iOS，Android 和網絡上的用戶進行交互。此外，更大的消息應用正在發展成支持多種交互類型的平臺。在 Slack 上，企業用戶可能與團隊合作，監控應用程序，創建待辦事項列表或從同一接口監控費用。 FacebookMessenger， 能夠利用同一個界面， 用戶可以與朋友聊天，提出品牌的支持問題或進行 Uber 預約。

 

最近的聊天機器人收購或亞馬遜（Angel.aiCEO）和 Google（API.ai）的部分收購，每一個都專注于會話界面技術， 突出了公司和投資者在聊天和自然語言處理能力的聯合中看到的機會。根據 Pitchbook 的數據，自 2013 年以來，在 AI/ML，電子商務，SaaS 和網絡安全等方面的私人消息公司累計風險投資約 120 億美元，而在 8 年前則約為 20 億美元。

 

 

事件機器人的廣泛應用已經使得一些公司獲益良多。 第一大類的獲益的公司是信息傳播平臺，例如 Facebook，Slack，WeChat 等等。機器人幫助推動用戶參與度的提升，創造機會驅動平臺上的商業活動。第二大類獲益的公司是硬件和基礎設施提供商，其范圍從 GPU 提供商（NVIDIA）到開源提供商，到數據平臺提供商，以及像亞馬遜，谷歌，微軟這樣的云服務提供商。其中，亞馬遜位置獨特，它具有滿足電子商務需求的能力。另外一些正在挖掘機器人能力的軟件公司包括 Zendesk 和Salesforce.com，它們把機器人看作是自動化滿足企業客戶需求的一種潛在方式。

 

 

數字個人助理。很多公司一直在使用復雜的算法，機器學習和大數據軟件構建推薦引擎，這些推薦引擎的背后是對客戶數據以及歷史行為的全面分析。 這些推薦引擎正在用于影響購買行為， 但大部分相同的技術是用于構建數字個人助理， 或者能夠基于語音命令完成或自動化簡單任務的機器人。

 

通過融合推薦引擎的復雜預測和推斷能力， 同時結合語音識別軟件， 很多公司推出了自己的數字個人助理產品，例如, 蘋果的 Siri，亞馬遜的 Alexa，谷歌的 Google Assistant，微軟的 Cortana。利用機器學習和云端基礎設施，這些應用程序在收集更多的用戶信息的同時不斷改進，這些用戶信息包括：語音模式，興趣，人口統計，消費習慣，日程，職業，喜歡和不喜歡。大多數（如果不是全部）這些信息通�？梢酝ㄟ^軟件監控一個人的智能手機或連接設備（Amazon Echo，Google Home）來收集。隨著這些數字個人助理接觸到更多的數據，通過深入分析它們能夠區分來自不同用戶的類似請求，從而越來越個性化。例如，語音指令 “給我看最好的相機” 對不同的消費者可能意味著不同的東西。 與用戶數據相結合的強大分析引擎可以幫助確定用戶是否喜歡最便宜的攝像機， 最高評價的攝像機， 或者通過各種特征組合篩選出來的對于該用戶“最佳”的攝像機。

 

我們看到數據聚合和分析持續推動了人工智能驅動的數字個人助理的改進。 我們也期待像亞馬遜，谷歌這樣的持續創新者能夠繼續完善在購物過程中的使用體驗（Echo，Echo Dot），從而更加深入到日常生活中的各種任務當中（Google Home）。

 

人工智能生態  

 

人工智能的關鍵參與者

 

 

人工智能生態：使用案例與潛在機會

 農業：目標時長 200 億美元  

◆優化種子種植、施肥、灌溉、噴灑和收獲

◆ 對水果和蔬菜進行分揀，以降低勞動成本

◆ 根據聲音的變化識別牲畜是否生病

金融業（美國） ：每年節約和新增收入 340-430 億美元  

◆ 在財務數據沖擊市場之前識別和執行交易

◆ 正和包裝衛星圖像，用于經濟、市場預測（如石油庫存和零售交通的圖像）

◆ 識別信用風險并自動設限、關閉可能違規的賬戶

◆ 監控電子郵件

醫療：每年減少支出 540 億美元  

◆增加新藥成功率

◆ 通過歷史數據分析改善護理算法

◆ 降低程序成本

零售業：每年節省 540 億美元，新增 410 億美元收入  

◆ 基于圖像的商品搜索

◆ 通過大數據增強推薦引擎功能，設置銷售、庫存和用戶偏好

◆ 改善在線搜索提升客戶支持

◆ 商品需求預測和定價優化

能源領域：累積節省 140 億美元  

◆ 學習地質和生產數據，進行項目識別和規劃

◆ 提高設備可靠性，減少廠井冗余

◆ 減少下游行業設備的維護停機時間

 

行業應用

 

農業

 

到 2025 年將達到 200 億美元的潛在市場總額（total addressable market，TAM）

我們相信機器學習 （ML） 在以下方面具有潛力： 提高農作物產量， 減少化肥和灌溉成本，同時有助于早期發現作物/牲畜疾病，降低與收獲后分揀相關的勞動力成本, 提高市場上的產品和蛋白質的質量。當我們看到用于收集土壤，天氣，航空/衛星圖像，甚至聽覺數據的傳感器的擴散，我們認為，從這些 PB 級數據，深度學習算法能幫助洞察（或者是制定）種植時間、灌溉、施肥以及畜牧相關的決策，最終增加農業中土地，設備和人的生產效率。鑒于所使用的所有已確定的技術數字農業將被優化或完全由機器學習和人工智能驅動， 我們假設 25%的價值創造會累積到機器學習和人工智能的產業鏈，這將意味著在 2050 年 1.2 萬噸農作物市場中的 600 億美元的潛在市場總額，假設在該時間段內線性分攤，意味著到 2025年潛在市場總額大約為 200 億美元。

 

機會在哪里？  

 

將機器學習應用到農業中會顯著地減少產量損失與勞動力成本。 僅就美國玉米生產而言， 我們的權益研究團隊已經確認從精確施肥到壓實減少等一系列技術，他們認為到 2050 年可以將玉米產量提高 70%。重要的是，在他們的研究中確定的每一個創新都是由機器學習和人工智能實現的（圖 27）。

 

 

我們已經確定了農業中的幾個具體領域會特別受益于機器學習和 AI 技術的應用。  例如，農民商業網絡，這是一個匯總關于種子性能，農藝實踐，投入品價格，產量基準和其他農民提交的數據的組織，以利用深度分析來提高產量。

 

利用傳感器，天氣，土壤，甚至無人機/衛星圖像數據，機器學習可以根據當前和預期的天氣模式，作物輪作對土壤質量的影響，幫助農民優化施肥，灌溉和其他決定，確定最佳生產模式。 空間圖像分析可以比人類觀察更快更有效的幫助確定如大豆銹病這樣的作物疾病， 更早介入以防止產量損失。

 

相同的模式識別技術可以用于在家畜動物中識別疾病和跛足 （影響運動和健康的腿/腳/蹄的感染或損傷） 。最后，我們看到了使用視覺圖像和自動分揀設施來替代產品和肉類分級和分類線上目視檢查員的應用。

 

痛點在哪里？  

 

農作物產量受不理想的施肥，灌溉和農藥使用的負面影響。高盛研究報告“精確農場：用數字農業欺騙馬爾薩斯” （Precision Farming: Cheating Malthus with Digital Agriculture 2016年7月13 日）中，確認了幾個問題，這些問題可以通過收集適當的數據和執行適當的分析來解決。 這是至關重要的，因為到 2050 年，為給世界人口提供足夠的糧食需要增加 70％的糧食產量。

 

人力成本增加。 農業已經歷史性的轉向用技術創新抵消勞動力成本， 我們認為機器學習是這一演變的下一步，特別是在收獲/屠宰之后的分揀過程中，其中大多數對產品和肉制品的目視檢查仍然由人類工作者完成。根據勞工統計局 BLS，5.3 萬人在美國受雇為“分級分揀農產品” ，每年產生大約 13 億美元的勞動力成本。 根據 BLS 數據，農業中的“農藥處理，噴霧器和施藥器使用者”另外產生 13 億美元的勞動力成本。由動物疾病造成的損失。我們估計，由于乳牛跛足，全球乳品業的年損失超過 110 億美元，而這是可以提前預防的。學術研究表明，在乳汁流失，生育力下降和治療成本之間，每一例跛足會使乳牛場產生成本 175 美元，而平均每年 100 頭奶牛中會發生 23.5 例跛足，這意味著全球 2.5 億頭奶牛每年會產生 110 億美元的損失。

 

目前的經營方式是什么？  

 

絕大多數農場都很小，但大多數農田是由大型農場控制的。 根據聯合國糧農組織報告，全球 72％的農場面積小于 1 公頃，而所有農場中只有 1％的農場大于 50 公頃，這些大型農場控制著 65％的全球農業用地。 超過 10 公頃的農場絕大多數存在于像美洲和歐洲這樣更發達的地區（這兩個區域占總數的 73％） ，而亞洲占小于 10 公頃的農場的 85％。 因此，世界上大多數農田都能獲得基礎設施和經濟發展， 能夠使用精確農業技術， 只要這些技術是財務上可行的解決方案。

 

 

即使在經濟發達國家，精確農業仍處于早期階段。 例如灌溉，仍然通過溢流或其他形式的表面灌溉進行，這是效率最低和技術最落后的方法之一。在作物種植的主要領域，目前的技術包括：

肥料：天氣和現場監測，和農業蓋毯應用。

種植：多種子種植機，可變速率種植和作物輪作。

農藥/除草劑： 衛星和無人機圖像已經在一些規�；�經營中針對大范圍目標區域使用。較小的使用在農業蓋毯領域。

灌溉：溢流和其他表面灌溉，中心樞軸灑水器，滴灌系統和噴淋/滴灌混合系統。

收獲/分揀：玉米和小麥等作物的大部分收獲已經開始在大農場機械化。一些分類已經自動化（按大小和顏色）通過在美國建立農民商業網絡（FBN） ，我們還看到農業數據民主化的到來。FBN 是一個獨立的業務，農民可以訂閱并匿名的提交農場數據。在分析過程中，FBN 使用聚合的農場數據為單個農民成員提供如何確定產量，時間，天氣和其他數據的建議。在畜牧業和乳制品業中， 目前的技術包括普遍使用抗生素或其他預防性藥物， 接種疫苗，撲滅病動物，以及化學平衡的飼料添加劑。此外，牛的飼養也采用足浴以預防和治療蹄類疾病和感染。

 

圖 30：在美國，接近一半的農業灌溉用地是通過澆灌或其他的地面灌溉方式被灌溉的。地面灌溉是一種效率最低、技術最落后的灌溉方式。

 

下圖顯示按照不同灌溉方式進行灌溉的農業用地的百分比。

 

 

人工智能和機器學習能起到什么作用？ 

 

機器學習所具備的通過使用大數據集來優化單個或一系列關鍵目標的能力很適合用來解決農業生產中的作物產量、疾病預防和成本效益等問題。

 

在農作物產后分揀和農藥應用領域， 我們認為隨著時間推移僅在美國境內機器學習和人工智能技術能通過降低成本和提高效率每年節約 30 億美元的勞動力成本。 按照我們的估計，全球范圍內的這個數據極有可能超過美國所節約成本的兩倍。 最后， 我們認為機器學習和人工智能技術能改善育種和牲畜健康狀況， 并且能在奶牛養殖領域創造出大約 110 億美元的價值（即對失去的潛在收益的補償和節約的絕對成本） ，以及能通過兩種常見疾病的控制在家畜養殖領域創造出 20 億美元的價值。

 

提高作物產量。人類已經利用了地球上幾乎所有可用的農業用地，然而聯合國預計到 2050年全球人口將達到 97 億。因此，為了滿足未來全球對糧食的需求，我們非常有必要提高農作物產量。機器學習技術可以被用來分析來自無人機和衛星圖像、氣象模式、土壤樣本和濕度傳感器的數據，并幫助確定播種、施肥、灌溉、噴藥和收割的最佳方法。

 

圖 31：機器學習技術在我們于 2016 年 7 月 13 日發布的《精準農業》報告（參考文獻 1）中所確定的每一項創新中幾乎都發揮著重要作用。

 

下圖顯示不同技術所帶來的玉米產量的潛在提高量。

 

 

收獲后分揀勞動。 在一個簡單的案例中， 我們發現 Google 公司的 TensorFlow 機器學習技術被日本黃瓜菜農用來自動分揀黃瓜， 而以前分揀黃瓜的程序一直需要大量手動或視覺檢查工作和勞動力成本。在這個案例中，農夫只需使用包括 Raspberry Pi 處理器和普通網絡攝像頭在內的簡單又便宜的硬件設備，就能用 TensorFlow 訓練出一個能將黃瓜分成 9 個類別并且具有相對較高的準確度的算法， 從而減少了與分揀相關的勞動力成本。 我們認為相似的應用可以擴展成更大的規模， 并且被用于具有較高分揀需求和成本的農產品， 例如西紅柿和土豆。

 

家禽種群中的疾病監測。 在一項學術研究中， 研究人員收集和分析雞的聲音文件并假設在生病或痛苦的情況下，它們發出的聲音會改變。在收集數據并訓練神經網絡模式識別算法后，研究人員能夠正確地識別出感染了兩種最常見的致命疾病之一的雞， 其中發病 2 天的雞的識別準確率為 66％，而發病 8 天的雞的識別準確率為 100％（如圖 32） 。正確診斷牲畜所患疾病并盡早在損失發生之前進行治療可以消除由疾病導致的損失。 據行業專家估計， 挽回的損失可達 20 億美元。

 

圖 32： 實驗表明， 機器學習可以通過音頻數據分析來正確識別用其他方法不可檢測的疾病，幾乎能消除由于某些可治愈疾病所引起的損失。

 

 

量化市場機會

  

基于農作物產量、 作物投入成本節省、 乳品/畜牧成本節約、 分揀和勞動力節約的潛在增長，我們認為機器學習技術的應用能創造超過 1 萬億美元的價值。

 

在農作物種植領域，我們認為機器學習和人工智能技術可以幫助實現農作物產量提高70%。在 Jerry Revich 所作的關于精確農業的表述中（參考文獻 1） ，假設各種技術供應商的價值增值幅度為 30%，數字化農業的潛在市場總額可達 2400 億美元�？紤]到數字農業中使用的所有已知技術將經過機器學習和人工智能技術的優化或完全由其提供， 我們假設所創造的價值的 25%由機器學習和人工智能技術鏈中的供應商累積， 這意味著機器學習和人工智能技術在作物種植應用中的潛在市場總額為 600 億美元。 在蛋白質類農產品領域， 我們認為機器學習技術的應用（例如精確育種機制，疾病預防和治療）可以催生另外 200 億美元的市場。

 

參考文獻：

1. Jerry Revich et.al, “Precision Farming: Cheating Malthus with Digital

Agriculture,” published on July 13, 2016.

 

哪些行業會受到影響？  

 

根據機器學習為灌溉、施肥、勞動力和疾病預防治理成本帶來的節省，我們相信機器學習有潛力在低成本的基礎上擴大全球的糧食、乳制品和牲口的供應。

 

由于機器學習的應用可以限制廢料并且改善農業預防措施， 我們預計以下行業的全球市場會引起波動：化肥業，除蟲劑業，除草劑業，除菌劑業以及獸醫藥業。

我們相信大部分此類波動會是相當長期的（五年以上） ，由于我們現在都還處在這些機器學習技術的早期， 所以相對其他技術， 機器學習技術目前對以上行業人士可能還無法承擔。  

 

農民商業網絡  (Farmers Business Network) 

 

我們訪談了 Amol Deshpande，他是 Farmers Business Network（FBN，農民商業網絡）的聯合創始人和 CEO，同時也是該公司的工程團隊成員。FBN 的網絡有超過 2800 位農民，覆蓋了超過 1000 萬公頃的農田，這樣做可以讓農民和農場總結和上傳數據，進而使得農場數據可以更加大眾化，并且使農民可以利用數據定價、先把種子和優化產量。

 

存在問題  

 

由于在農業組織內部的信息不對稱，當農民在制定關于種子選擇、肥料選擇等決策時，不知道哪個品種在該區域的產量在近年內最大化， 甚至不知道該價格是否相對其他農民有可比性。農民也確實曾經被供應商區別對待。

 

FBN 解決方案  

 

數據整合與分析： 農民可以每年給 FBN 繳 500 美金作為會員費。 然后農民可以從他們的設備和系統將數據上傳，包括種子品類、土壤、產量以及地理信息。FBN 也會從其他的公共渠道收集到政府和天氣方面的信息。FBN 運用機器學習技術對數據進行語法分析，然后清洗數據并且分析數據， 進而為農民提供意見， 或者定制給單獨的農場去幫助他們選擇最優的輸入以及策略，進而最大化產量和生產率。

 

籌措資金：FBN 也嘗試從事專屬金融業務，利用從農場獲得的歷史和預測數據對信用進行評定。在沒有信用檢查的情況下，FBN 已經對剩余還款計劃可以達到 97%以上的還款率。進貨：由殺蟲藥開始入手，FBN 已經開始為該網絡的農民提供進貨服務�；�于 FBN 的海量價格信息以及代表千千萬萬農民采購的能力，FBN 相信它可以談到更好的價格并且降低成本，同時每比交易獲得 9%以上的成本。開始幾個月每個訂單的數額可以達到 4 萬 5 千美金。

 

 

零售

 

預計 2025 年，將減少 540 億美元成本，并增加 410 億美元額外收益消費者的線下轉線上已經給傳統零售行業提出了很大的挑戰， 電子商務出現的同時， 也為零售商提供了大量的消費者數據。 但是， 零售公司應該如何利用手中積累的數據來為消費者提供更好的服務，獲取更多利潤，這個最重要的問題依然沒有得到解決。早期，成功嘗試利用這些數據的企業，是通過線上廣告技術來更加有效地定位網絡上的客戶�，F在，零售商能夠利用不相關的數據集，不僅僅能夠優化廣告，更能做到優化庫存管理、需求預測、客戶管理和趨勢預測。我們發現 AI/ML 可以推動這方面的進步，通過需求預測，可以推動每年價值 540 億美元的勞動效率提升。預計 2025 年之前，通過優化定價將在全球范圍內實現任意品類，比如服裝和鞋類等，超過 410 億美元的年度銷售額提升。

 

機遇是什么？  

 

進入千禧年之后，零售行業親歷了重大變革，隨著消費能力的提升，消費者的購買習慣也開始逐漸向線上化進行轉變。盡管零售商為了應對這些變革已經做出了一些成功的改變，但是 AI/ML 可以給全渠道零售商和單一業務的零售商提供從大量消費和產品數據， 使其能夠從中洞察商機。用戶消費所產生的數據也逐漸轉到線上，支持不斷積累和技術進步。在我們的研究中，也發現了一些可以利用 AI/ML 來拓展零售價值鏈的關鍵領域。

 

雖然推薦引擎在電子商務領域中不是一個新鮮事物， 但傳統技術面臨著一些限制， 我們認為 AI/ML 流程可以超越傳統技術，從銷售和內容數據中提取更深入、更準確的見解。與此同時，自然語言處理（NLP）AI 系統可以實現更直觀且相關性更強的搜索能力，以及對話式商務能力。此外，將 AI/ML 整合到批發和零售采購的早期和后期階段，可以通過更精確的需求預測提高勞動力和庫存效率，并通過優化定價改善銷售。

 

 

痛點是什么？  

 

預測需求，趨勢。零售面臨的最大挑戰之一是如何恰當的引導趨勢以及衡量需求。特別是在服飾方面， 設計師和買家通常會在物品到達貨架前兩年做出關于什么是時尚和需求的決定。目前的預測模型在自動化、解釋需求驅動以及歷史數據的限制等方面展現出不足。

 

庫存管理。 由于價值鏈各部分之間的系統復雜程度和協調水平往往是不同的， 庫存管理仍然是一個難題。 庫存過剩和缺貨都可能對零售商的銷售產生重大影響， 因此庫存管理在整條價值鏈中顯得至關重要。IHL 的一項研究顯示，截至 2015 年第一季度，超過 630 億美元的銷售損失是由缺貨造成的，超過 470 億美元是由庫存過剩造成的。

 

商店的數量和規模。商店的遍布（footprints） ，不管是從總面積還是人均使用面積來看，一直都是零售商的痛點。2015 年，美國的零售店的總面積為 76 億平方英尺，人均使用面積 23.5 平方英尺。而 2005 年分別為 67 億平方英尺和 22.8 平方米（圖 55） 。隨著電子商務不斷滲透到如電子和服裝這些傳統類別，新的類別如快速消費品（CPG）將為電子商務提供新的增長點。

 

 

目前的業務如何開展？  

 

目前業務的開展方式可以歸納為由生產、 倉儲、 分銷和零售這 4 個步驟組成的一條價值鏈。雖然這四個步驟展現了業務的一般開展方式，但是在每一個步驟中，通常都可以找到附加步驟， 合作伙伴或中間人。 如果將制造到銷售的過程進行合并， 可能導致庫存過剩、 缺貨，以及資源的低效分配——特別是在旺季。由于更多的新技術和新系統已經被應用，比如：準時制造（just-in-time manufacturing） ，物流和庫存管理在近幾十年來有了顯著改善。像UPS 這樣的第三方物流供應商，也采用了高級算法來優化路線和包裹管理——這是我們看到未來 AI 能夠發揮潛力的另一個領域。然而，目前的業務開展方式仍然存在一些挑戰，特別是在諸如：時尚、服裝和鞋等品類中，預測消費者想要什么，想要多少，愿意出多少錢尤為困難。

 

AI/ML 能幫助做什么？  

 

推薦引擎。AI/ML 能夠通過利用銷售、消費者和內容組成的超大的數據集來提升推薦引擎的功能。早期的電子商務的一大機遇就是推薦引擎，當時主要是基于商品屬性，而對用戶喜好知之甚少。 像協同過濾這樣的技術， 則可以充分利用已知客戶喜好的相似性來為未知的偏好提供建議。

 

隨著用戶的快速增長和對計算資源的瘋狂消耗，數據稀缺、用戶/商品“冷啟動”以及系統的擴展性成為亟待解決的問題。不過由于數據稀缺、用戶/商品“冷啟動” 、用戶快速增加而導致的擴展性問題，對消費水平計算所需的資源開始變得不切實際。像 Zalando 和StitchFix 這樣的公司已經致力于將銷售數據、 商品屬性與客戶的偏好通過機器學習結合起來，Zalando 認為這種定制化的商品所帶來的親和力終將推動銷售率的上漲。

 

客戶支持。自然語言處理（NLP）和圖像識別在零售業的客戶支持方面和強化傳統搜索參數方面也有各自的使用場景。就像最近收購了 Blackbird Technologies 的 Etsy 公司，利用了智能圖像識別和自然語言處理技術提供了更加強大的搜索功能。 這顯示出電子商務公司正在尋求方法來提高搜索結果的相關性來為他們的平臺提供更大的優勢。

 

自然語言處理為各公司提供了一個機會， 使其能發展自己的用戶會話體驗和商務。 最近收購 API.ai 的 Alphabet 和 Angel.ai 這樣的公司正在創建一個以自然語言處理為支撐的人工智能系統，從而在信息和語音上對商務和客戶提供支持。簡而言之，像自然語言處理和圖像識別等技術正在模擬人類的對產品屬性的理解 （如： 視覺） ， 而這是歷史上從未出現過的。需求預測與價格優化。 AI/ML 技術能夠通過客戶所接觸的數據和內容屬性去預測用戶對新商品新風格的需求。 對諸如服裝這種流行趨勢來也快去也快的行業， 預測消費者的需求對零售商來說是一個長期挑戰。通過利用 AI/ML，零售商可以進行模式識別，更好的理解促, 銷和價格彈性的本地影響，并將其納入到營銷和生產過程中。

,

 

像亞馬遜這樣的公司也正在朝這個方向前進，并在 2013 年末獲得了一個叫做“預期包裝運輸”的專利。雖然在原始專利申請文中沒有提到機器學習，但是這種類型的系統很明顯的最終會通過深度學習進行協調。因為其不僅需要考慮季節性需求，還需要考慮天氣、人口統計和獨特的用戶購物模式所帶來的影響。

 

 

Dunnhumby(公司): 在定價、推廣以及忠誠度方面的一體化 AI/ML 方案

 

Dunnhumby 是英國跨國零售商樂購（Tesco）的一家全資子公司，致力于同品牌和零售商一起優化零售體驗。公司員工超過 2000 人，重點分析全球范圍內的數據為庫存管理、價格優化、促銷和個性化提供見解。

 

過去，銷售預測是一個基于歷史數據做靜態的基礎分析以及對于分析結果的適當調整。而在今天，Dunnhumby 通過在整個價值鏈中整合了 AI/ML 在銷售預測、庫存管理和價格優化方面進行精確驅動。最終，更好的銷量預測帶來的多米諾效應貫穿了零售價值鏈，并且在庫存和定價中增量分層的 AI/ML 驅動帶來的效率，已經被證明對樂購（Tesco）等零售商降低成本和提高銷售有重要意義。

 

銷售預測。銷售預測歷來都是規則驅動的，對于 Dunnhumby 來說，機會存在于預測流程中建立機器學習技術來開發更準確、更有知識的模型。

 

360 度客戶視圖。優質的客戶數據對于發展 360 度的客戶視圖是至關重要的。圖片大約占所有新數據的 80%，因此，從圖像中提取有用數據的能力是銷售的關鍵。通過構建一個 360 度視圖，零售商能夠更有效率的在正確的渠道找到正確的客戶。  

消費和節省優化。許多零售商的主要促銷工具是“消費和節省”建議。零售商通過調整折扣和消費的臨界值看到了顯著的性能改進。 應用機器學習技術來優化消費和節省臨界值以及客戶定位能夠在促銷計劃中改善結果。  

 

團隊和技術的獲得對于在零售中發展 AI/ML 是非常關鍵的。具體地說，在 2010 年獲得KSS Retail，在 2013 年獲得 Standard Analytics，在 2014 年獲得一家合資企業和 Sandtable50%的股份，帶來了數據科學、人工智能和解決方案，并被, 集成在 Dunnhumby 產品中�？山忉屝砸廊皇菣C器學習解決方案的一個難點， 因為模型會隨著數據分層的合并變得越來越不透明。所以，對于主要決策者來說通常會有成功率和模型的可解釋性之間的取舍。如果可以通過一個更簡單的模型提供相當比率的成功率提升，分析師傾向于給有可能接受可能更復雜的 AI/ML 的解決方案的客戶提供這個更簡單的解決方案。

 

 

量化機會 

 

降低成本提高需求預測。 目前根據美國勞動局統計美國的企業在勞動成本上每年花費近60 億美元用于“分析過去的購買趨勢、銷售記錄,商品的品質以及價格，以此來確定價值和收益。商品選擇、順序以及商品的支付授權” 。換句話說，批發和零售買家的任務是利用歷史數據，專業經驗，專業知識，來確定在未來兩年內什么是購物者有興趣購買。雖然電子商務的持續滲透增加了此任務的可用數據量,但是挑戰仍然存在，將這些數據轉化為理解的數據,不僅提高目標的定位，同時也向更有挑戰性的運動趨勢預測傾斜。我們相信這種類型的預測非常適合與 AL/ML 的分析能力相結合，不僅可以實現定量分析，也可以實現可視化的數據預測以及優化購買決策。我們估計全球 AL/ML 實踐的整合，直到 2025 年在零售業方面每年大約可以節約 540 億美元人工成本 。

 

 

 

優化定價。為優化每日定價，HBS 和 Rue La La 聯合進行的一項研究顯示，機器學習過程的整合帶來的平均收入增長約 9.7％（相關的 90％信任區間為[2.3％，17.8％]） 。鑒于了閃購模式和銷售量的一些細微差別，我們將潛在改進從平均值提高 200bps 到 7.7％，并通過結合 AI / ML 來考慮基于預測需求優化定價的多變問題，可以實現 2.3％-7.7％的改進。零售業， 特別是服裝和鞋類中的動態定價的一個挑戰是缺乏新時尚風格， 顏色搭配等等的用于預測需求的歷史數據。 應用機學習能夠同時分析數百個產品和屬性， 將最終實現從更廣泛的數據集比傳統預測更好地評估和優先化洞察。因此我們看到使用 AI / ML 所帶來的定價優化將會使 2025 年全球服裝和鞋類電子商務的年銷售額平均增長 410 億美元。

 

 

誰可能被擾亂？  

 

隨著 AI / ML 在零售價值鏈中各種流程的整合，證明其在庫存管理、生產和定位方面的高效對一些公司和員工都具有破壞性。 我們認為， 過度構建的大型零售商可能受到更多影響，因為以 AI / ML 驅動的高效價值鏈可以幫助小零售商趕在更大競爭對手之前進一步完善他們的需求預測和庫存管理。

 

同時，對于更加嚴格的庫存管理方式，那些之前從大型零售商和品牌商過度購買和/或過剩生產，并從中獲益的折扣零售商，也受到了嚴重的沖擊。隨著更加準確的生產和需求預測，折扣零售商從生產超支、訂單取消和預測錯誤判斷中，獲益的機會也大大減少�；仡�，截至 2015 年春的零售年度（IHL），因庫存過剩導致銷售額損失超過 470 億美元。

 

 

能源

 

預計 2025 年，將累計節省成本 140 億美元石油和天然氣是典型的資本密集型行業， 常常存在極端條件下的操作。設備的可靠性極端重要，設備故障和過程紕漏對項目收益影響巨大。為避免此種情況，生產企業通常會對設備數量和工程師做多層后手準備。人工智能/機器學習在一定程度上可以提高設備的可靠性，從而降低企業的資本支出和運營支出。收益是巨大的， 我們估計石油和天然氣行業的資本支出，運營支出和庫存管理減少1％，可以在 10 年內節省大約 1400 億美元。在能源行業，我們認為一家公司特別適合采用人工智能/機器學習來降低自身的運營成本和客服成本 - 斯倫貝謝（SLB）。

 

機遇是什么？  

 

在石油和天然氣行業，AI/ML 的價值主要體現在以下幾個方面：

工程規劃。世界各地的大型能源項目可能花費數百億美元，可能有 3 至 5 年的交付周期。管理層根據一系列宏觀假設批準這些項目，例如石油價格及其主要產品/服務的供需情況。AI/ML 應用程序可以更好地評估項目的可行性，公司可以做出更好的決策，減少低產出的項目。此外。通過結合行業/公司在這些項目中的過去經驗，并根據項目計劃成本制定執行計劃，人工智能/機器學習應用程序可以幫助更準確地確定項目成本。

 

提高設備可靠性。計劃外設備停機和非生產性時間消耗是項目成本升級的主要驅動因素。石油服務業高度重視提高設備可靠性，人工智能/機器學習在這方面可以提供有效幫助。該行業尤其針對海底 BOP（防噴器）--通常是鉆機上最易發生故障的物品，每個故障都可能使深水作業花費至少約$ 1000 萬 - $ 1500 萬（見下面的案例研究） 。類似地，為了最大限度地減少壓力泵故障導致的時間消耗， 服務公司帶來的泵數量是無故障情況的兩倍。 提高設備可靠性不僅降低設備維護成本，而且降低項目的部署成本。

 

提高碳氫化合物資源的識別， 定位和開采。 查找石油和天然氣儲量及其開采產生大量數據，當進行地質地震分析以確定油氣儲量的位置時。 類似的， 在鉆井和對井進行測試是也會產生大量數據，最終，當進行生產時也會產生大量數據。將地質數據，生產相關數據和硬件數據結合， 有利于達到最佳開采產出， 并且來自一個項目的研究成果可以應用于更經濟的未來項目設計。

 

增加下游行業的正常運行時間。計劃和計劃外停機的嚴重程度也影響了下游行業的盈利。在天然氣管道中， 壓縮機的正常運行時間對于保持良好的流量很重要， 而管道的最佳 “檢查”可以減少意外停機和泄漏。 類似地， 煉油和石油化工行業的計劃內和計劃外停機具有很高的機會成本。即使使用率提高 1％，對節省成本也是意義重大的。

痛點是什么？  

 

能源行業在不同業務層面高度分散。在美國，近乎 400 個勘探&生產涉及泥板巖資源的開采，并且許多上游公司分布在世界各地。在石油服務產業里，三個巨頭公司(斯倫貝榭公司，哈里伯頓公司，貝克休斯公司) 主導著大多數技術驅動型企業，但是還有很多提供專業商品化服務的供應商， 例如： 鉆機和壓力泵。 處于中游的提煉和石油化學業務也同樣被分散。關鍵數據分散在眾多參與者的現狀帶來了挑戰。結果就是一個公司不能同時掌握地質、設備和作業流程的數據。 并且， 即使某些公司可能沒有財政實力或者技術實力去運用一些掌握關鍵數據，但是這些公司可能不愿意分享它。

 

數據訪問。此外，產業數據跨越了地理范圍，因為油和天然氣存儲分布在世界各地，通常， 這些數據在國家石油公司手中， 這意味著對數據的訪問可能受到監管挑戰的限制。 此外，數據跨越各種各樣的時間范圍，像最早的油井是 1880 年開采。

 

最后， 橫跨整個價值鏈的數據分析是最有用的。 但是一般的能源公司主要涉及這個產業的一個方面，不能訪問價值鏈的所有部分，這種情況限制了數據分析達到最優效果。數據可用性。 另外一個痛點是關鍵數據的可用性， 在過去企業可能沒有在烴鏈的關鍵部分放置傳感器，這些關鍵部分能幫助人工智能/機器學習應用。舉一個例子，企業可能有防噴器出現故障的頻繁次數和在操作周期內防噴器遇到了什么壓力的關鍵數據， 但是沒有防噴器中的各種各樣的線圈或者電子部件的溫度，電流，電壓數據。企業現在在新的產品中放這些傳感器，公司需要一段時間獲得這些數據。

 

開展業務的當前方法是什么？  

 

企業仍然使用傳統的方法開采石油和天然氣存儲， 使用的技術有了更新但是沒有真正的革新。 使企業難以變化的關鍵問題是企業正在使用各種各樣的開采井， 限制了在業務的各個部分上整合性和內聚性。舉一個例子，石油和天然氣存儲的擁有者設計了整個項目，然后把工作分給不相關的服務提供者�？碧�&生產有最多的信息，但是他們沒有完全懂得服務公司能提供什么， 并且經常保持與服務公司一定距離， 相信過分的依靠他們導致未來的費用增加和 IP 泄露。為了能源產業能從人工智能/機器學習中有所獲得，勘探&生產和服務部門需要更好的共享數據，并且一個更合作的模型需要出現。在近海區域，隨著國際石油公司要降低成本，他們在與一些像斯倫貝榭(SLB) 或者 FMC 科技這種樣整合很好的服務公司合作中處于領導地位。

 

AI/ML 能幫助做什么？  

 

AI/ML 的作用，可以從如下幾個方面進行介紹：

通過納入從歷史信息中獲得的知識提高產品的可靠性，AI/ML 還可以幫助縮短產品開發、現場試驗和商業化之間的時間。通過減少鉆井的時間和成本，更好地定位油氣儲量，從而降低油田開發成本。通過提高設備正常運行時間和降低維護成本，降低現場壽命周期服務的生產成本。提高了海上和陸地鉆機的正常運行時間，而提高了鉆井效率，減少了鉆井所需的天數�；�于 AI/ML 的數據分析，可以降低下游產業的停機維護時間。

 

量化機遇  

 

2016 年，我們預計高盛集團(GS)投資亞洲新興工業化國家和地區的石油和天然氣公司將花費近 4000 億美元的資本支出。 在此外， 石油和天然氣行業應該再花費 7750 億美元的運營成本（不包括為煉油和石油化工的折舊、折耗及攤銷出售的商品成本） ，并擁有 2000 億美元的庫存。  

 

我們預估，如果基于 AI/ML 的應用程序，每降低 1%的資本支出和運營支出，并且行業通過更好的庫存管理將庫存減少1%，那么10年內該行業的總節約量將達到 1400 億美元。

 

 

降低壓力泵隊的成本。 行業里的壓力泵隊擁有非常高的設備磨損和維護，通常占收入成本的 10％-15％。在過去五年中，壓力泵是一個平均年收入達到 300 億美元的業務，該行業每年花費近 36 億美元維持壓力泵設備，這個數字不包括設備升級等主要資本的成本。在過去的 5 年中，壓力泵行業平均年收入 300 億美元，每年花費近 36 億美元進行設備保養，這個數字還不包括設備升級等主要資本成本。

 

斯倫貝謝是美國第二大壓力泵制造商， 最近開始了一項計劃， 集中管理其壓力泵組的部署和運行。該公司在壓力泵上安裝先進的傳感器，傳感器收集數據，并傳回其位于休斯頓的力泵失效之前將其從操作中移除。進而大大降低維護成本，以及現場所需備用設備數量。斯倫貝謝估計，這一應用可在 6 個月內為其單個壓力泵組節省 400 萬美元。

 

美國壓力泵運行平均需要大約 20,000 水馬力。 然而，該行業通常需要大約 40,000 水馬力，以便在設備故障情況下保持冗余、降低非生產性工作時間。這種冗余水平對于石油和天然氣工業是低效的。 如果通過像斯倫貝謝這樣的舉措提高設備可靠性， 井場所需設備冗余水平將會降低。 預計現場所需冗余減少一半， 壓力泵的部署成本可以減少 25％， 從大約 4000萬美元降低到 3000 萬美元。類似地，預測分析可以減少設備維護成本，以 1400 萬水馬力、85%設備利用率為標準，預計維護成本降低 25％致使行業每年節省大約 7 億美元（即10年70億美元）。

 

 

通過“未來鉆機”改善鉆井時間。石油和天然氣工業鉆探深水井時，每日需要花費 70萬至 100 萬美元，而水平頁巖井的鉆井成本約為每天 6 萬美元。因此，行業可以從其鉆井計劃中節約可觀的成本。

 

可以通過三種方式減少鉆井時間：改善設備正常運行時間，特別是在諸如防噴器（尤其是海底）和頂部驅動器等問題項目上。了解井中可能遇到的情況，選擇正確的井底組件。

 

通過在地面設備和“井底鉆具組件”之間建立“閉環信息系統”，優化鉆井性能。提高系統自動化程度，減少“機組質量”對可重復性性能的影響。該行業正在積極通過篩選數據、 尋找能夠消除即將到來問題的前沿信號， 來減少防噴器和頂級驅動器的停機時間。

 

類似地， 先前鉆井數據的分析可以幫助石油公司為特定井設計最佳鉆井液和鉆頭。此外，通過在鉆頭附近的傳感器與鉆機面板之間建立閉環系統， 可以設計 “智能鉆機”，“智能鉆機”根據井下條件，自動調節最佳“鉆壓”和施加在鉆機上的扭矩。人工智能和機器學習可以有助于持續改進，提高可重復性性能。

 

鉆井中的關鍵問題之一是 “人為干預” 的影響， 并且業界已經發現， 即使在類似的井中，鉆井性能也可以根據團隊操作質量而顯著變化。自動化可以減少“人為干預”對鉆井性能的影響。

 

瓦爾科國家油井、 斯倫貝謝和納伯斯工業工業正在研究新一代鉆井概念。下面的圖表顯示，瓦爾科國家油井的自動化系統可以將井底鉆井時間平均減 30％。更重要的是，瓦爾科國家油井的自動化系統將鉆井時間縮短到2.5至3.0天，而傳統鉆井方法則為2.5至5.5天。斯倫貝謝還在建設“未來鉆機”，并期望今年年底前產出第一個原型。

 

 

提高煉油廠正常運行時間。美國煉油工業的生產基數約為 1800 萬桶/日，平均利用率約為 90％， 該行業計劃內和計劃外維護時間占 10％。 平均而言， 煉油利潤約為每桶 10 美元，這意味著該行業要為每桶未生產的煉油放棄 10 美元利潤。預計通過更好的數據分析，該行業可以將保養等相關停機時間從 10％減少到 9％，煉油廠將實現每年 6.57 億美元的額外利潤，十年約 66 億美元。

 

 

誰會被影響？  

 

小型或者不太先進的能源公司，以及資本有限且技術專長型公司將受到最大負面影響，因為具備良好定位的公司采用人工智能和機器學習技術降低成本。 這對于勘探生產和石油服務業同樣如此。 主要獲勝者將是那些有遠見的公司， 他們過去在獲取和存儲數據方面投入了資金。有些公司不僅具有研究 AI/ML 等新技術的財務能力，而且樂于研究樂于創新，此類公司同樣可以取得成功。

 

通過整合具備關鍵數據庫和具備技術實力的公司， 石油和天然氣工業可以得到進一步鞏固。2016 年 11 月 1 日，GE 油氣公司和 Baker Hughes 宣布簽署協議，創建全新的全數字化工業服務公司。GE 首席執行官 Jeff Immelt 說： “這一交易加速我們將數字框架延伸到石油和天然氣行業的進程。 油田服務平臺對于向客戶提供數字化服務至關重要。 我們預計 Predix將成為行業標準，同時也是將成為改善客戶體驗的代名詞。

 

在我們看來，在今年早些時候收購 CAM 的 SLB，將是采用人工智能和機器學習技術的一個大贏家，我們相信它已經獲得最廣泛的數據。雖然訪問數據是一個關鍵區別，但斯倫貝謝通過將技術和文化融入其中來對其進行了進一步區分。 該公司設立兩個團隊， 一個在帕洛阿爾托，一個在劍橋負責大數據和機器學習分析。該公司一直致力于油田領域數字化，這在未來會被證明是非常有用的。

 

我們看到許多小型壓力泵從長遠上看存在問題，雖然一些近期周期性上升是可能的。此外，隨著斯倫貝謝推出“未來之鉆”，美國陸上鉆探的形勢也將隨之改變。

 

人工智能創新：GOOGL（谷歌）, AMZN（亞馬遜）

 

GOOGLE（谷歌）在人工智能領域正在做什么？  

 

在過去二十年中，Google 的搜索算法已經快速發展。從 1998 年的 PageRank 到 2015 年的 RankBrain，該公司已經從基于鏈接的網站排名轉變為采用 AI 驅動的查詢匹配系統，后者能夠不斷適應那些獨特的搜索（占谷歌所有搜索的 15%）。在云技術方面，公司五月份公布了針對平臺的定制化硬件加速器方面取得的進展，一種定制化的 ASIC，亦即 TPU，這一進展對 2015 年開源的機器學習軟件庫 TensorFlow 進行了補充。 過去三年中， 在與人工智能相關的收購戰中，公司也當仁不讓。被收購的公司中，最知名的當屬 DeepMind，它提升了 Alphabet 的神經網絡功能并已經將其應用于各種人工智能驅動的項目中。

 

為什么會做這樣的事情呢？  

 

Google 是在搜索領域中使用算法的先驅。該公司繼續將自然語言處理應用到匹配人們的搜索意圖，以達到期望的目標，這也不斷加強了公司在該領域的競爭優勢。使用TensorFlow， 該公司的開源應用程序為其他基于云的平臺創建了先例， 并允許研究團體利用公司的資源來推進 AI 的集成。

 

AMZN（亞馬遜）在人工智能領域正在做什么？  

 

亞馬遜正在公司內部和云端使用機器學習技術。2015 年 4 月，公司發布 Amazon ML，這款機器學習服務能夠為對云數據的使用提供機器學習功能（無需之前的客戶經驗）。公司緊隨谷歌的開源步伐，今年 5 月開源了 DSSTNE，一個針對推薦深度學習模型的的庫。通過改善搜索、定制化產品推薦以及語音識別、增加有質量的產品評價，公司內部也在使用機器學習改善端到端的用戶體驗。

 

為什么會做這樣的事情呢？  

 

借助 AWS，亞馬遜成為全球最大的云服務商，可能也是最成熟的人工智能平臺。借助Amazon ML，公司成為作為服務的人工智能（AI-as-a-service）生態系統的領先者，將復雜的推理能力帶到之前幾乎沒有機器學習經驗的公司辦公室當中。無需基于定制的復雜應用，AWS 用戶就能使用機器學習訓練模型，評估以及優化潛力。

 

亞馬遜推薦引擎使用了機器學習，在匹配用戶意圖以及可欲結果方面，具有競爭優勢，也為公司創造了商機。 公司正更加高效地利用收集到的數據合理化用戶購物體驗， 也讓電子商務體驗更具互動性。隨著 DSSTNE 的開源，亞馬遜也與其他科技巨頭一起，推動科技社區的人工智能進步。

 

人工智能創新：AAPL（蘋果）, MSFT（微軟）

 

Apple (AAPL)在人工智能領域正在做什么？  

 

蘋果已經是過去一年左右中最活躍的 AI 收購商之一，收購的公司如 Vocal IQ,Perceptio, Emotient, Turi, 以及 Tuplejump。幾乎同時收購了 Vocal IQ 和 Perceptio，公司請來了 Johnathan Cohen，當時還是英偉達 CUDA 庫以及 GPU 加速軟件項目的負責人。近期，據報道，公司請來 Ruslan Salakhutdinov 擔任人工智能研究總監，這也標志著公司人工智能戰略的轉型。在此之前，公司最初人工智能成果之一是 Siri , 第一款嵌入移動技術的虛擬助手，2014 年，其語音識別技術被移入神經網絡系統。

 

為什么會做這樣的事情呢？  

 

直到去年，蘋果已經取得相對專有的機器學習成就; 2015年10月，Bloomberg Businessweek 報道， 在大眾消費方面， 蘋果研究人員還沒發過一篇與人工智能有關的論文。這一策略轉型多少與新的、與人工智能相關的雇傭與收購有關，科技記者 Steven Levy 在 Backchannel 的一篇報道強調公司已經在人工智能領域活躍一段時間了。

 

特別是，公司收購 Turi 突出了公司要按規模推進非結構數據和推論， 以及開放給更為廣泛的人工智能研究社區。這次收購，配以基于收購公司技術的較小應用，反映出蘋果致力于用這些新技術創新公司產品。

 

Microsoft (MSFT)在人工智能領域正在做什么？  

 

根據 CEO Satya Nadella 的說法，微軟正在大眾化人工智能（democratizing AI）。公司的人工智能和研究團隊（總人數大約 5 千多） ，關注改變人類體驗和與機器的互動。微軟已經積極地將新的、融合人工智能的功能嵌入公司核心服務中，并在對話計算（比如Cortana） 、 自然語言處理 （SwfitKey） 等方面取得進展。 公司正進一步打造基于 GPU 和 FPGA 的云（Azure） ，在公司所謂的更高水平的人工智能服務，比如語音識別、圖片識別以及自然語言處理當中，為機器學習提供動力和速度。

 

為什么會做這樣的事情呢？  

 

兩個單詞：人工智能大眾化（democratizing AI）。由于這個行業中的公司將研究計劃甚至庫開放給人工智能研究社區， 微軟發明了這一表述， 用來解釋許多領先的人工智能創新者的舉動。去年，微軟在人工智能領域頗為活躍，正式發布了產品以及研究計劃，并宣布了一個新的人工智能和研究小組（2016 年 9 月下旬）。

  

微軟的 FPGA 表現突出了人工智能可以為普通商業或個人帶來什么；不到十分之一秒，它就翻譯完了整個維基百科 （30 億個單詞和 500 萬條條款）。 而且伴隨著虛擬助理 Cortana, Siri, Alexa 以及其他助理之間的競爭，進一步將人工智能研發融入廣泛使用的產品中去，通過產品進步吸引客戶似乎是必須的。

 

人工智能創新：FB（Facebook）, CRM

 

Facebook (FB)在人工智能領域正在做什么？  

 

Facebook 人工智能研究部門（FAIR，2013 年）的策略是在更廣泛的研究社區背景下研發技術。這個團隊以推進無監督表征學習（比如，觀察世界、而不是借助人類算法干預，借助對抗網絡進行學習） 的進步而為眾人所知。 應用機器學習部門 （AML） 在 FAIR 之后成立，聚焦將研究應用到公司產品中，時間限制為月或季度（而不是年） 。公司正將機器學習功能應用到各種垂直領域中，比如面部識別，機器翻譯以及深度文本（DeepText）語言或文本學習。

 

為什么會做這樣的事情呢？ 

 

公司已經發布了多個無監督學習方面的研究成果，隨著機器學習超越從「正確答案」中學習，開始聚焦獨立的模式識別，無監督學習已經成為一個重要的焦點領域。無監督學習有望去除更多的、與大數據有關的人類成分，公司在 Yann Lecun 的帶領下，正引領該領域的研究。

 

今年五月，公司發布的 FBLearner FLow 合理化了端到端 UI（從研究到工作流程、實驗管理以及視覺化和比較輸出） 。 公司的人工智能項目和工作流程應用不限于 AML 成員， 公司各部門領域都可以使用借鑒。 這樣一來， 公司就可以利用研究部門之外所取得的人工智能進步。

 

Salesforce.com (CRM)在人工智能領域正在做什么？  

 

在 2014 年和 2015 年，Salesforce 開始解釋自己的 Apex 開發平臺如何可被用在Salesforce1 云上完成機器學習任務。從此，該公司開始在人工智能上投入更多的資源，收購了多家人工智能公司， 包括 Minhash、PredictionIO 和MetaMind。在9月份， Salesforce 推出了 Einstein——一個面向多平臺的基于人工智能的云計劃。該計劃專注于將人工智能融入銷售云、市場云、服務云、社區云、IoT 云和app云。

 

為什么會做這樣的事情呢？  

 

Salesforce Einstein 有潛力促進商業使用數據的方式。在銷售云中，該公司希望讓各個組織通過預測銷售線索得分、洞見機會以及自動捕捉活動來優化銷售機遇。市場和服務云將提供預測參與度得分，來分析消費者使用情況。還能提供預測客戶，從而幫助定位市場，并基于趨勢和用戶歷史通過自動案例分類更快解決消費者服務事件。Salesforce 用微妙的使用案例將機器學習帶到云中，強調它對公司核心競爭力的影響。人工智能創新：NVDA（英偉達）, INTC（英特爾）

 

NVIDA（英偉達）在人工智能領域正在做什么？  

 

英偉達已經從之前電子游戲 GPU 生產商轉型為機器學習應用硬件廠商。2015 年年底，公司表示，較之使用傳統CPU，使用了 GPU 神經網絡的訓練速度提升了 10到20倍。盡管英特爾重金投入的 FPGA（作為 GPU 的替代產品）加入硬件市場角逐，但是，GPU 的機器學習應用能實現更加密集的訓練。相對而言，FPGA 可以提供更快、計算密集程度更低的推理和任務；這說明市場會根據實際應用案例區分對待。過去五年，到 2016 年 6 月為止，英偉達所占 GPU 市場份額已經從二分之一上升到近四分之三。

 

為什么會做這樣的事情呢？  

 

在人工智能創新公司和學術機構中， GPU 加速的深度學習一直是許多項目的前沿。英偉達所占據的市場份額意味著， 隨著人工智能越來越成為未來幾年中大型商務的中心議題， 公司可以從中獲益。

 

使用公司產品的一個例子，俄羅斯的 NTechLab，使用 GPU 加速的深度學習框架來訓練面部識別模型，識別密集集會中的個人，并在 AWS 中利用這些 GPU 進行推理。作為一種選擇， 許多大學也使用英偉達的 Tesla 加速器來模擬可能的抗體突變， 這種變異可能會擊敗進化中的伊波拉病毒，將來研究會進一步關注流感病毒。

 

Intel (英特爾)在人工智能領域正在做什么？  

 

英特爾的戰略比較獨特， 其使用的案例多種多樣。 2016 年年中， 公司發布了第二代 Xeon Phi 產品系列，以其高性能計算（HPC）能力著稱，它可以讓人工智能擴展到更加大型的服務器網絡和云端。在硬件不斷進步的同時，公司也下重金投資 FPGA，這主要歸功于其推理速度和靈活的可編程性。英特爾令人矚目的收購包括 Nervana（深度學習） ，以及 Altera——該公司將 FPGA 的創新帶入了英特爾。

 

為什么會做這樣的事情呢？  

 

英特爾關注 FPGA 創新補足了英偉達對GPU的關注。當處理大型數據庫（微軟等許多大公司用來測試大數據分析的邊界），FPGA 能夠提供更加快速的推理速度。在物聯網的應用環境中，公司也宣布了一個計劃， 旨在將學習技術融入可穿戴微芯片中（顯然是通過 Xeon Quark）。物聯網和人工智能的銜接有助于為公司和個人日常使用案例的數據搜集機制提供機器學習解決方案。

 

人工智能創新：Uber，IBM

 

Uber 在人工智能領域正在做什么？  

 

Uber 正在使用機器學習優化 UberX ETA 以及接送地點的準確性。為了實現這一點，需要數百萬之前搭乘記錄的數據點來探測常規交通模式，從而可以相應調整 ETA/接送地點。今年 9 月，Uber 展開了一個自動駕駛試點項目，地點位于匹茲堡，由來自 CMU 的研究人員（受雇于 Uber）負責該項目，很多大型汽車制造商業參與了進來。該公司還和沃爾沃達成了一項合作（金額300萬美元），研發協作也為這個試點項目提供了機遇。不過，公司并不止步于小轎車。公司收購了一家自動卡車創業公司 Otto，今年十月在科羅拉多，公司試點快遞了5 萬瓶啤酒。

 

為什么會做這樣的事情呢？  

 

Uber 的機器學習負責人 Danny Lange 在接受 GeekWire 的采訪中提及，他們的團隊正在將這種技術無縫供給公司的其他團隊， 這些團隊無需具備機器學習背景就可以使用 APIs。這也能讓公司不同部門能高效利用機器學習基礎架構， 例如， UberX、 UberPool、 UberEats 以及自動駕駛工具都使用到了公司的人工智能技術。

 

IBM 在人工智能領域正在做什么？  

 

IBM 在全球有 3000 多名研究人員。 過去十年， IBM 在認知計算上超過有 1400 項專利，下一代云上有 1200 項，在硅/納米科學上有 7200 項專利。IBM Watson 利用自然語言處理機器學習技術識別模式， 并提供在非結構數據上的洞見， 據該公司表示這代表如今所有數據的 80%。其他 Watson 產品包括 Virtual Agent，一個響應分析的自動消費者服務體驗；Explorer，這是一個分析并連接大量不同數據集的工具。

 

為什么會做這樣的事情呢？  

 

IBM 一直是該領域的先驅，有著極大的成就，包括上世紀90年代的DeepBlue和2011年的 Watson。Watson 的應用包括醫療中的病人治療分析， 基于 twitter 數據的股票推薦，零售中消費者的行為分析，以及對抗網絡安全威脅。據財富報道，GM 將 Watson 加入到了汽車中，在 OnStar 系統上結合了 Watson 的能力。

 

人工智能創新：百度

 

百度在人工智能領域正在做什么？  

 

在 2016 年 9 月 1 日推出了百度的 AI 研究，百度大腦，它由三個元素組成：1）、AI 算法模擬人類神經網絡，用數百數十億樣品的大量的訓練。2）對數十萬服務器和許多 GPU 集群進行操作的計算能力（圖形處理單元）用于高性能計算（HPC）; HPC 允許更多可擴展的深度學習算法。 百度是第一個宣布這個架構的組織，正在與 UCLA 合作。3）標簽數據，百度已經收集了數萬億頁的網頁， 包括幾百億個視頻/音頻/圖像內容， 數十億次的搜索查詢以及數百億次的位置查詢。訓練特定型號的機器要求非常高的計算能力和 4T 數據。

 

為什么會做這樣的事情呢？  

 

人工智能正在改進百度全線產品的用戶體驗和提升用戶粘性， 也在推動針對每一用戶的定制化高質量內容。 建立一個內部平臺來運行從網頁搜索到廣告投放的帶有標簽數據的深度學習實驗，能夠預測點擊率（CTR） ，這會直接影響百度的廣告投放，因此也是它們目前的主要收益。此外，基于人工智能的技術也能帶來更高的 CTR，而且每點擊成本的降低也能促進變現。