【人工智能】自主开发还是购买? 巧解人工智能难题

2018 年 9 月 30 日 产业智能官

来源：BCG波士顿咨询

导读

随着人工智能的崛起，企业面临自主开发还是向供应商购买的难题。在制定战略时，企业应综合评估数据获取能力和数据价值潜力，同时了解差异化优势的演变趋势，制定系统全面的商业决策。

在

人工智能（AI）日益崛起、各大行业竞相探索其中奥秘之时，许多企业遇到了一个他们并不陌生的难题：我们应当自主开发，还是从供应商手中购买相关技术？这并不是一道非此即彼的单选题。业内大多数人才都集中在人工智能技术供应商的手中，所以企业不得不与他们展开合作。而人工智能技术供应商也必须从他们的客户手中，获取各类必要的数据，所以这些供应商也需要与客户保持比从前更为紧密的合作关系。

这为企业带来了一系列挑战。他们必须制定好决策，选择合适的人工智能技术供应商且采用高效的合作方式，并确保合作是加强而非削弱企业的竞争优势。此外，他们还需要制定好计划，切实构建企业内部的人工智能技术，以应对短期内的资源紧缺。

人工智能的独特之处

近年来，在摩尔定律及其推论，以及大数据和算法迅速发展的推动下，计算机技术日益精进，从而为人工智能商业应用的蓬勃发展注入了源源动力。此外，机器视觉和语言技术的发展与进步，也对人工智能的应用和普及起到了积极的推动作用（参阅BCG于2017年1月出版的文章《赢在人工智能时代》）。例如，机器视觉是机器人、无人机测绘和自动驾驶汽车的核心技术之一；语音识别和自然语言处理则是文档处理、聊天机器人和翻译设备中不可或缺的组成部分。

但人工智能在之前较长一段时间里，一直被视为一个小众的学术领域。因此，经验丰富的专业人才资源目前十分缺乏，而其中能够理解商业流程（比如供应链管理），或曾与企业高管合作过的专业人才更是少之又少。随着世界各地包括中国和东欧在内的学术机构积极响应市场需求，致力于培养更多接受过专业人工智能培训的毕业生，这种供需失衡的状况将会有所改善。但在问题真正得到解决之前，企业不仅需要与人工智能技术供应商进行合作，更需要知道怎样与他们展开合作。

供应商在人工智能领域中发挥着独特而重要的作用。因为人工智能需要通过反复试错、最佳猜测以及信息反馈来进行归纳学习。因此，供应商需要用数据来训练他们的人工智能工具，而这些数据中往往包含了客户的敏感信息。所以供应商通常不能销售即插即用的应用程序；他们需要在运行部署期间及之后与客户紧密合作开展人工智能训练工作（参阅附录）。

理性对待人工智能

企业在制定和实施人工智能战略的过程中，应对“该领域同其它技术领域相比有何区别？”、“怎样决定哪些任务需要外包？”、“哪些工作在内部完成？”以及“需要培养哪些技能？”等问题有一个充分的了解。

数据和工具

大多数人工算法都是免费提供的，这些算法本身并不是重要的竞争力来源，它们需要用数据进行训练。供应商的好坏，应衡量他们的两大能力，帮助企业管理数据和工具之间的交互，以及供应商与企业高管并肩工作的能力。同时，企业高管应对人工智能有一个切实、直观的了解，这有助于他们与供应商保持最高效的关系。

偏误

人工智能基于归纳学习，在训练数据中寻找相似性，因此算法会产生三种偏误，即观察偏误、选择偏误以及模型或预测偏误。如果企业采用的训练数据未经仔细审查，则有可能在无意中歧视少数群体，与监管机构发生冲突，甚或遭遇“黑天鹅”事件。这种数据与工具的相互依赖，在其它大多数技术领域内并不存在。企业必须理解、校正，并在必要时补充其输送到人工智能引擎中的各类数据。

“黑盒子”

人工智能所具备的归纳学习能力，使之成为了一种“直觉机器”。因此，算法产生的某些答案常常令人十分费解，我们把这类问题称为“黑盒子”。如何解决“黑盒子”问题是一个热门的研究领域。对于业内人士来说，一条简单的经验法则是提高前期设计规范的透明度，这在受监管行业和可能出现责任纠纷的境况中尤为重要。

网络安全

人工智能拥有半自动或全自动决策及行动能力，并常常包含高度敏感的数据和云端架构，所以网络安全是重中之重。企业在选择人工智能技术供应商或平台时，应确保其数据能够得到妥善的保护。

人工智能可以为企业创造巨大效益，但也可能会带来冲击。面对如此巨大的风险，企业不能让自己陷入被动的局面。例如，企业稍有不慎，就可能会泄露宝贵的情报，从而削弱自己的竞争优势。如果企业不动手构建内部能力，就会面临对供应商产生依赖的风险。

在评估人工智能技术的潜力时，企业高管应充分了解现有的人工智能“模块”所具备的能力、局限性以及潜力。“模块”是指用于构建应用程序的功能单元，如机器视觉等。人工智能的每一种用途，都由一个或多个人工智能“模块”组成；每个“模块”都依赖于一系列算法、应用程序接口以及用于预先训练的数据。

自主开发或购买，企业究竟该怎么选？

企业可以通过多种方式与人工智能技术供应商进行合作，譬如外包整个流程、购买特定的服务、让供应商协助自己开发内部解决方案或对内部人员进行培训等。在评估合作方案时，企业高管应结合以下两个问题进行思考：

该流程或服务对企业未来的成功有多重要？
与人工智能技术供应商相比，企业对高质量专有数据资源的拥有、掌控或获取能力有多强？

用这种方式进行分析后，我们可以把企业的人工智能项目划分为四种不同的类型。虽然它们之间的分界线有时并不那么清晰，评估结果也有可能会随着时间的推移而发生变化，但在这几种不同的类型中，我们看到了一些相似的挑战与机会（参阅图表）。

商品类。这类项目最适合采用现成的解决方案，是企业进军人工智能领域的绝佳入口。企业可以与供应商共享数据，不用担心失去自身的差异化优势。如果能妥善管理与供应商关系，就可以在人力资源、财务、IT基础设施和维护等领域降低成本，优化绩效。这是在人工智能领域中被公认为最容易实现的部分。

业务流程外包商们不断调整自己的商业模式，旨在更好地把握和利用这些机会。以信息技术公司Infosys为例，该公司近期要求全体员工接受强化设计思维培训，帮助他们激发灵感，拓宽思路，以提升现有工作流程的自动化，并为客户提供创新的人工智能技术解决方案。

许多小型供应商推出了针对特定子流程的一站式人工智能服务。例如，在线视频面试服务商HireVue通过人工智能引擎，对面试者的词汇选择、面部表情等特征进行分析，他们为高盛公司提供的求职者筛选服务正是基于这一引擎。目前，HireVue的数据库中已有2000多万条视频采访记录，这是一笔巨大的数据宝藏，任何一家用户企业都难以复制。

与人工智能技术供应商洽谈之前，企业应当先做好功课，确定相关的人工智能服务能为企业创造怎样的价值，以及供应商能作出怎样的独特贡献。例如，一家风电运营商在与人工智能涡轮发动机供应商洽谈预测性维护合同前，先在内部进行了概念验证，确定了公司在没有供应商帮助的情况下，能在延长风机的正常运行时间和减低维修成本这两方面做到何种程度。由于设立了这一全新的谈判基准，该运营商赢得了更好的合作条件。

潜藏机会。有时候企业拥有的数据资源对其竞争优势的影响并不大。这些数据资源为企业创造了宝贵的机会——他们可以利用人工智能供应商的技术专长，在相关领域内迅速致胜，汲取洞察。

澳大利亚油气公司Woodside Energy与IBM Watson的合作项目就是一个很好的例子。Woodside通过此项合作，使得30年的石油平台运营专业知识可在公司全体员工之间共享。公司采用Watson的自然语言处理技术，对包括38,000份书面文件在内的所有数据进行分析与分类。用户可以提出一些简单的问题，如“允许降落在平台上的直升机的最大重量是多少”等等。该项目由Woodside与IBM Watson合作开发，但Woodside对采用的所有数据拥有所有控制权。

此类合作可以通过多种途径为企业创造收益。企业常常可以从海量数据中找到潜藏的宝贵资源，并从受过训练的人工智算法中获取技能与经验。对于更有雄心的企业而言，还可以和数据约束型人工智能技术供应商合作，先用自己的数据来训练人工智能应用程序，再把它当作一种服务，销售给相关领域的其它企业。企业与供应商之间，可以是一对一的独家合作，也可以是多对一，即多家企业同时与一家供应商合作，建立起一个数据共享池。

危险区。危险区是一个风险与机遇并存的区域。企业所面临的风险主要源于在具有战略意义的关键领域内，供应商比企业更善于获取数据。在危险区内，企业应谨慎控制他们对供应商的依赖性，尽可能保护好自己的差异化竞争优势。然而，若企业能够妥善管理好供应商关系，自主开发或掌握富有竞争力的数据来源，就可以把危险区变成“金矿”，用差异化数据赢得强大的竞争优势。

对医疗保健服务商而言，放射影像的机器诊断就是一个危险区。在与医院、研究所及其它机构紧密合作的过程中，供应商可以逐步建立起一个包罗万象的高品质影像数据库，任何一家单个医疗保健服务机构都无法与之相提并论。专注于心血管疾病的美国公司Arterys最新开发的人工智能系统，就是一个很好的例子。该系统不仅能保护患者隐私，还能在使用过程中不断改进，日趋完善。

Arterys是一家小公司，但自动化诊断一旦投入大规模应用，将会彻底改变行业格局，以及医疗保健服务商、医疗技术企业和保险公司的价值创造方式。这些企业需要制定能有效利用人工智能变革能力的新战略。

一家大型金属生产商于近期采取了类似举措，因为它发现业内的竞争对手、供应商和其它卖家可以把数据汇集到一起，并从中获得巨大的优势。随后，该公司从各种公开信息、研究资料和行业渠道广泛收集价格、供应商与物料数据，建立起一个庞大的数据库以加速人工智能与研发工作，从而在市场上赢得一片天地。该公司还可以向业内其它企业或机构提供配套服务，进而开辟出新的商机。

处境相仿的企业应通过数据采集策略来支持他们的人工智能项目。他们应设法获取差异化数据，并以创新的方式将来自不同渠道的数据融汇到一起。在与公司的竞争优势密切相关的领域内，他们甚至还需要与数据供应商展开合作。如若不能为自有的人工智能引擎获取独特的数据资源，他们将在竞争中处于劣势。

金矿。如果企业拥有的是一座“金矿”，则应自己动手开发人工智能技术。企业可以借助供应商和专家之力来加快开发速度，但只能让他们扮演辅助的角色。

一家全球性轮胎制造企业用这种方式，开发了自己的人工智能平台。其作用是根据预期的轮胎磨损情况，对各个门店内各型号轮胎的需求进行预测。这款工具由BCG Gamma协助开发，基于超过16亿个公开和非公开数据点，有效提升了经销网点总销量，同时降低了库存水平。

然而，在开发许多极具前景的“金矿”时，都不可避免地需要面对与供应商之间错综复杂的“友敌”关系。以自动驾驶汽车市场为例，所有的无人驾驶汽车制造商都需要与领先的人工智能技术供应商合作，获取各类专业服务。在这样的环境下，企业必须时刻保持敏锐。当企业不得不向外界获取数据或专业知识时，也必须清楚地知道自己应当把哪些环节牢牢掌控在企业内部，以及如何保护企业的竞争地位，从而最终在合作中收获最大的价值。与单独行动相比，汽车制造商可以通过与其他企业合作，共同搭建一个更有效的全球平台，为无人驾驶汽车市场注入源源动力。

与其它三种类型相比，“金矿”需要强大的内部人才以及合适的供应商组合来提供专业知识与项目管理服务。有力的谈判和供应商管理技巧非常关键，知识交接与内部员工培训同样重要。

这种分析方法能帮助企业更高效地构建和采购人工智能应用及相应的能力。企业应选择自主开发还是购买人工智能产品或服务是一个非常重要的商业决策，既不能够掉以轻心，也不应受制于不确定因素。企业在制定决策时应当遵循以下框架：制定统一的数据战略，充分挖掘竞争优势，同时认识到不同类型之间的界限会随时间的推移不断变化。差异化竞争优势会逐步演变，当下最宝贵的数据库资源可能会随着数据量的持续增长而失去价值。在这个高度活跃的大环境下，企业应全面系统、睿智果断地采取行动，为将来的成功奠定基础。

工业互联网

产业智能官 AI-CPS

加入知识星球“产业智能研究院”：先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。