人工智能商业应用的关键行业是哪些？

2017 年 12 月 13 日 未来产业促进会

点击上方“公众号”可以订阅哦！

文章作者 | 中国人工智能学会，罗兰贝格管理咨询

个人微信 | hello_SSX

本次人工智能可以带来的商业价值分析

随着人工智能在各个行业的应用场景逐渐明朗，应用的行业与业务范围逐渐增加，在自动驾驶、医疗辅助诊断、金融交易风险防控等领域已有众多企业进行了布局。我们认为：人工智能的应用将率先在数据积累丰富的行业内发展，同时，在应用场景较为明确、应用价值较为直接的价值链环节（例如营销、服务等）将率先得到应用。虽然目前人工智能在各个行业的发展受到数据量等因素的一定制约，但随着大数据的普及和深入人心，整体处在蓄势待发的状态。我们结合各个行业目前人工智能的应用场景以及人工智能技术能够带来的效应，定性总结了各个行业中各类人工智能技术能够带来的降本与增益价值；其中又把人工智能技术分为感知、认知、执行三个层次。感知技术包括了机器视觉、语音识别等各类运用人工智能技术获取外部信息的应用，认知技术包括了机器学习技术，执行技术包括了人工智能与机器人结合的硬件技术以及以智能芯片与新型计算设施为基础的计算实施技术。

从定量的角度，至2030年，人工智能将在中国产生10万亿元的产业带动效益。根据我们的估算，人工智能带来最大影响的传统产业将会是金融、汽车、零售和医疗。在金融行业，通过人工智能技术在风险控制、资产配置、智能投顾等方向的应用，预计人工智能将带来约6000亿元人民币的降本增益效益。在汽车行业，人工智能在自动驾驶上的技术突破将带来约5000亿元人民币的价值增益。在医疗行业，通过人工智能技术在药物研发领域提高成功率、在医疗服务机构内提供疾病诊断辅助、疾病监护辅助等提高服务效率的应用，预计人工智能可以带来约4000亿元人民币的降本价值。在零售行业，人工智能在推荐系统上的运用将提高在线销售的销量表现，同时更加精准的市场预测将降低库存成本，预计人工智能技术将带来约4200亿元人民币的降本与增益价值。

目前人工智能在各行业的发展基础分析

根据不同行业的企业在组织机构方面、数据与技术基础方面以及人工智能应用情况上的现状，我们设计了不同行业人工智能发展基础的评估体系，对各个行业应用人工智能的准备程度进行了评估。

通过在各个行业积累的项目经验以及与各个行业的专家访谈，我们对13个行业在组织文化基础、数据与技术基础、人工智能应用基础三大方面的17个子问题进行了定量评估。

从结果上来看，金融、零售、医疗与汽车行业发展基础最为夯实。金融行业拥有良好的数据积累，在自动化的工作流与相关技术的运用上也有不错的成型成效，在组织机构的创新文化与灵活性上处于中等优势地位。医疗行业拥有多年的医疗数据积累与流程化的数据使用过程，因此在数据与技术基础上有着很强的优势。汽车行业已经开始利用人工智能技术布局自动驾驶、辅助驾驶技术，因此在组织基础与人工智能应用基础上有着很好的优势。零售行业在组织结构、数据积累、人工智能应用方面有一定基础，处于一个比较均衡的发展状态。

同时，制造、教育、通信行业值得关注。制造行业、通信行业虽然在组织机构上的基础相对薄弱，但由于拥有大量高质量的数据积累以及自动化的工作流，为人工智能技术的介入提供了良好的技术铺垫。教育行业的数据积累虽然仍处于发展过程中，但组织整体对人工智能持重点关注的态度，同时开始在实际业务中结合或应用人工智能技术。

人工智能在各行业应用成熟度与潜力总览

根据各个行业的发展基础与应用市场规模潜力，我们描绘出了不同行业在发展基础与应用潜力矩阵上的分布。

在发展基础成熟且市场应用潜力大的汽车、消费品与零售、金融以及医疗行业内，人工智能正在清晰地发挥着重要作用。我们在价值链的研发、制造、营销、服务以及其他(包括物流等)环节上总结了这四个行业内人工智能的应用场景，并将在下文详细介绍这四个行业内人工智能的具体应用场景以及实际商业案例。

人工智能在汽车行业的应用场景举例介绍

整车的智能营销

通过收集整合各个渠道的消费者信息，描绘消费者的形象和偏好，并利用机器学习预测模型发现隐藏于消费者行为背后对于车型、性能、价位等的需求。

美国的Automotive Mastermind公司就是一家服务于汽车生产商和经销商的技术开发商和服务提供商。其实施路径为：搜集社会人口学特征、社交网络、市场数据、产品生命周期等大数据；利用自有的行为预测评分算法对超1000个数据点进行清洗和分析；对消费者进行排名，筛选出目标消费者；梳理出消费者的关键驱动因素，包括金融预算、购买动机、产品性能、保障条款等；推荐对该消费者最有效的线上或线下营销手段；实现按需生产、销售。使用Automotive Mastermind公司服务的企业，销售收入提升了30%，客户留存率提高了16.7个百分点。

数据驱动的产品优化

利用各类感知设备收集的产品运营状态、事故率、生命周期等数据，结合产品本身的生产、质量等方面数据，分析出最优的产品设计方案。具体操作上，利用车载传感器收集整车与零部件的使用情况大数据，同时结合材料基本属性、制造流通、消费者洞察、营销手段、金融保险以及自动驾驶交通管理等成百上千个因素，提出产品概念和调整方案，建模指导产品试验测试，优化汽车产品，找到“最优设计”。例如在特斯拉未来的理想情景下，“如果一辆特斯拉汽车因材料不够厚被撞挂了，第二天所有的Model S都会自动变厚2英寸”。

销量预测驱动的智能生产优化

结合机器学习预测模型对销量的预测和智能设备产生生产数据，通过云计算得出实时最优生产计划与节奏。收集的生产数据包括：智能机器及时反馈的生产和闲置状况、智能仓库实时监测的库存情况、智能调研系统动态预测的整车和零部件需求等。

零部件的预测性维修

预测性维修是将状态监测、故障诊断、状态预测和维修决策多位合为一体的系统过程，通过收集大量运行状态信息，用基于海量数据的预测模型评估零部件的使用状态，实现零配件的提前维修更换，避免事故发生，减少故障反应时间，简化优化维修服务。

加拿大企业Ansik于2013年成立，旗下软件PitStop可预测零件故障。该公司向企业代理商和维修站销售一款接入汽车的插件和一个附属手机APP，以此搜集实时发动机数据、传感器数据和其他监测信息，观测性能状况并推断汽车故障可能。如果数据显示汽车将出现问题，会通知用户停车检修，同时提供来自维修站的修理建议。

驾驶辅助系统

驾驶辅助系统是汽车人工智能领域目前最为火热的方向。在感知层面，其利用机器视觉与语音识别技术感知驾驶环境、备识别车内人员、理解乘客需求；在决策层面，利用机器学习模型与深度学习模型建立可自动做出判断的驾驶决策系统。按照机器介入程度，无人驾驶系统可分为无自动驾驶（L0）、驾驶辅助（L1）、部分自动驾驶（L2）、有条件自动（L3）和完全自动（L4）五个阶段。目前，技术整体处于多个驾驶辅助系统融合控制、可监控路况并介入紧急情况（L2）向基本实现自动驾驶功能（L3）的转变阶段。未来，完全的自动驾驶可以基于感知的信息作出应变，一边担任驾驶员的角色，一边提供车内管家的服务，还能应对其他各方面的需求和任务。

人工智能在医疗行业的应用场景举例介绍

医美、齿科等机构基于购买预测的精准营销

医美、齿科机构通过客户购物、浏览等轨迹和客户年龄、交易量、使用习惯等数据的智能匹配，可以从不同方面来了解潜在客户的情况，自动生成多维度标签，进行标签管理及统计分析，以此明确投放目标。企业还可以针对不同的营销场景设计不同“套路”，依照用户标签、事件、时间自动触发营销规则，例如个性化的推送内容，来更好地满足消费者的真实需求。

爱尔康通过建立采集数据的工具，整合和匹配老会员的数据，对会员的线上线下数据进行整合，跟踪用户行为，深入挖掘数据，描绘出360画像，取得了微信粉丝增长10083人、微博粉丝增长10147人、粉丝互动140万次、提升4倍会员增长速度、会员活跃度由20%上升到78% 、线下会员增长占整体会员增长数量39%的成绩。

数据驱动的辅助诊断

通过机器学习算法建立多种疾病辅助诊断模型，人工智能辅助诊断系统会通过分析患者数据来识别病症，再根据大量学习的医疗知识及经验进行病情分析，提出诊断意见和疾病转归预测预警评估。在医学专家的帮助下，借助人工智能深度神经网络，目前在心血管、肿瘤、神内、五官等领域的辅助诊断模型准确性已接近或部分超过人类医生最高水准。

在AI+辅助诊疗的应用中，IBM Watson是目前最成熟的案例。IBM Watson可以在17秒内阅读3469

本医学专著、2 4 8 0 0 0 篇论文、6 9 种治疗方案、61540次试验数据、106000份临床报告，还通过了美国职业医师资格考试，并部署在美国多家医院提供辅助诊疗服务。Watson实质是融合了自然语言处理、认知技术、自动推理、机器学习、信息检索等技术，并给予假设认知和大规模的证据搜集、分析、评价的人工智能系统。

医疗图像分析

人工智能在医学影像的应用主要分为两个部分：第一部分是在感知环节应用机器视觉技术识别医疗图像，帮助影像医生减少读片时间，提升工作效率，降低误诊的概率；另一部分是在学习和分析环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握“诊断”的能力。

一个典型的例子为贝斯以色列女执事医学中心（BIDMC）与哈佛医学院合作研发的人工智能系统。该系统对乳腺癌病理图片中癌细胞的识别准确率可达92%，与病理学家的分析结合时，其诊断准确率可以高达99.5%。

提高筛选生物标志物速度，进行药物有效性、安全性预测评估

传统的药物开发是基于试验、试错，在此思路下，药物从最初的实验室研究到最终的销售平均要花费约12年的时间，且耗资巨大。大多数情况下，科学家是扩大筛选对象以期邂逅目标分子，但是高通量筛选耗时长且成本费用很高。通过应用开发虚拟筛选技术，通过机器学习模型预测分析药物构效关系，取代或者增强传统的高容量筛选过程，可以大幅度提高生物标志物的筛选速度及成功率，显著缩短新药研发周期，降低新药研发的试错成本。

例如，美国硅谷公司Atomwise通过IBM超级计算机分析数据库，并用深度学习神经网络分析预测化合物的构效关系，于研发早期评估预测新药风险。其超级计算机可以在几天之内评估出820万种药物研发的候选化合物。该公司也为制药、创业公司和研究机构提供药物预测服务。

人工智能在金融行业的应用场景举例介绍

预测性风控

基于大数据与机器学习模型的风控打通了跨行业业务场景数据，如金融机构数据、征信机构数据、政府部门数据、大型企业数据等以联防联控。通过模型综合量化评价客户风险，识别特定模式，预测客户申请、交易、回款过程中的欺诈和坏账可能性，形成审批决策，及时预测风险并采取干预措施。在银行业主要应用于贷前准入、贷后跟踪、坏账预测等；证券业主要应用于合规、识别垃圾注册、异常交易监测等；保险业主要应用于反欺诈。

预测性风控已成为人工智能技术在金融行业应用最为广泛的场景，众多银行、信用卡中心、P2P交易平台等都在运用这项技术降低逾期与坏账风险。

智能交易策略

人工智能为量化交易带来了新的机遇，与程序化交易、高频交易有所区别，智能交易的关键在于自主学习、推理和决策。除了传统交易数据外，人工智能引入了自然语言处理分析、深度学习、神经演化、分布式计算用于预测市场趋势。AI机器决策具有一致性和逻辑性，获取和处理投研信息范围广、内容全，可减少人为疏漏和失误，避免决策中心理性波动的影响，利用不断自我改进的模型和全市场内的产品充分分散风险。

香港人工智能投资机构Aidyia开发的交易机器人从新闻、政策、社交网络在内的多渠道获取数据，借鉴了多种AI形式（如受遗传演化启发的计算、基于概率逻辑的形式、深度学习、神经演化等），分析之后转化为买卖决策，能够完全自动识别和执行交易。

智能客服

智能客服可以进行简单问题的直接回复、复杂问题转人工支持，人机交互解答用户有关产品与服务的问题，使客服人员能够集中精力应对高净值业务。结合语义理解，用户直接说出服务需求，系统识别后即可转接相应模块，大幅节省选择菜单时间。同时结合客户以往业务数据，智能精准地识别客户特质和需求，探索增值服务和交叉销售机会，精准推介产品。

例如，中国农业银行、中信银行、中国邮政储蓄银行、兰州银行、太平洋保险、广发基金、工银瑞信等银行及金融机构已经开始应用智能系统开展24小时客户服务。

智能投顾

智能投顾是根据客户理财需求和资质信息、市场状况、投资品信息、资产配置经验等数据，基于大数据的产品模拟和模型预测分析等人工智能技术，输出符合客户风险偏好和收益预期的投资理财建议。国内智能投顾的参与者众多，包括如银行系（如广发智投、招商摩羯智投）、基金系（如南方基金超级智投宝、广发基金基智理财、天弘基金犇跑篮子）、大型互联网公司系（如百度金融、京东智投、同花顺）和第三方创业公司系（如弥财、蓝海财富、拿铁财经）等。

人工智能在消费品与零售领域行业的应用场景智能介绍

精准营销与个性化推荐系统

通过分析用户的购买、浏览、点击等行为，结合各类静态数据得出用户的全方位画像，搭建机器学习模型去预测用户何时会购买什么样的产品，并进行相应的产品推荐。新一代人工智能技术会精准营销，带来的不止是机器模型效果的提升，通过机器视觉技术收集消费者在线下门店内的数据、通过自然语言处理技术分析客户在与客服沟通时的语料数据，用于构建消费者画像的数据维度与数据量得到了极大的提升与丰富，提高了精准营销的效果。

精准营销和个性化推荐系统是零售行业内应用最为广泛、效果最为显著的人工智能技术，线上线下的零售巨头都在运用此技术帮助进行交叉销售、向上销售、提高复购率。如天猫淘宝2016年创造的一千亿人民币销售额背后就是一套成熟稳定的个性化推荐系统。

智能店铺管理

智能店铺管理意味着：通过机器视觉技术捕捉分析店铺客流量与路径、消费者货柜前行为（如表情和肢体语言、停留时间、拿货比货动作）等数据，指导店铺环境布局与设计优化、商品陈列和库存管理、店内营销和服务内容改善以及精准推送和交叉销售。

国内线下零售企业多数选择使用在场内铺设智能WIFI和智能POS来试水，以迎接“人-货-场”统一的新零售时代，例如万达通过收购飞凡自建技术团队、银泰选择同阿里巴巴合作获取数字化能力、华润大悦城选择猫酷作为第三方解决方案提供商。

产品销量销量预测与供应链优化

通过建立机器学习模型，零售商可基于销量数据指导设计和生产、管理库存和供应链，以及安排营销管理人员。

ZARA打造的极速供应链系统，联通和协同从市场调研到设计、打版、制作样衣、批量生产、运输和零售整个环节的数据，实现了产品的柔性生产。其全天候的“数据处理中心”融合每一个零售网点追踪的销售数据，洞察顾客的动态消费特性。如果公司在商品上市初期发现畅销款或滞销款，能及时迅速做出增产或减产决策，以保持很高的售罄率。

无人超市

无人超市采用了计算机视觉、深度学习算法、传感器定位、图像分析等多种智能技术，消费者在购物流程中将依次体验自动身份识别、自助导购服务、互动式营销、商品位置侦测、线上购物车清单自动生成和移动支付。

亚马逊的Amazon Go是一个典型的无人超市案例，它通过自助检测与跟踪系统捕捉并追踪消费者在店内的所有行为，并在入场和消费者身份识别方面采用人脸识别确认用户亚马逊帐号身份。在商品位置判断方面，通过货架上的红外传感器、压力感应装置、荷载传感器和摄像头图片对比检索判断货物是否被拿起/放回，以及是否在正确的位置。在结算意图识别和交易方面，以室内定位技术（图像以及音频分析，GPS以及WIFI信号定位）判断商品和人的关联，以绑定的信用卡等支付方式结算。