2017英国AI形势报告:认知鸿沟、新商业模式和当下的挑战

原作 David Kelnar MMC投资研究中心老大
Root 编译自 MMC Venture
量子位 出品 | 公众号 QbitAI

来源:36氪

概要:AI技术今年所获得媒体、资本极度的关注,短时间内已经给民众带来认知上剧烈的冲击:或是由未知产生恐惧,或是对技术有过高的预期。


AI技术今年所获得媒体、资本极度的关注,短时间内已经给民众带来认知上剧烈的冲击:或是由未知产生恐惧,或是对技术有过高的预期。


英国科技创投公司MMC在分析了英国的400家和AI有关的初创企业之后,认为AI确实是一股新的力量,这个技术的发展可以从底层上促使传统行业进化,进而对企业、消费者、整个社会的运转效率产生超出想象的影响。


MMC出品的一份17年AI形势报告,分析了今年英国AI的形势。其中有三个点最值得关注:


1)AI技术需求方对AI依然存在认知鸿沟,在不了解技术本质的情况下,没办法结合自己行业的关键问题找到见效的解决方案;


2)不同行业加码AI技术之后,会产生什么样新的商业模式,对社会产生什么积极的作用,以及社会大众需要承担什么方面的风险;


3)英国400家AI初创企业当下面临的挑战。


这份报告是和英国券商Numis一起出的,援引了行业内400多次讨论以及全新的数据,抛去浮夸的抢眼球的热闹表象,沉下来剖析AI的本质,并且深度思考传统企业如何迎接这股浪潮,顺势迭代。


报告主要内容如下:


1.填补AI技术方面的认知鸿沟


2016年1月的时候,人工智能都没能进入市场研究机构Gartner的前100关注词名单,到2017年5月就跃到第七了。


然而,AI技术需求方对技术原理、相关案例、实施方法等方面的理解都严重断片。


考虑到一个新兴的技术,从开拓者群体传递到尝鲜者群体是需要一定的时间的。所以这现象是挺正常的。不过,现在大家需要做的功课是想办法弥补自己的认知差距。


已经意识到AI的重要性的企业家们,很焦虑地想解锁AI技术的价值,并快速把AI技术大面积地铺开来。市场上一系列的融资动作,背后科技巨头希望把码压在AI初创公司上,防止未来失去竞争优势。


麦肯锡在一份报告中说,已经有20%的企业家在四处奔走,落地具体的行动了。而根据Economist Intelligence Unit统计,还有75%的企业家说会在三年里用上AI技术,优先考虑在决策环节和业务处理的流程化方面上运用。



高科技,自动驾驶和组装,金融服务公司是首批用上AI技术的行业。现在这些行业对于投入AI研究上的费用增长惊人。



如果公司掌舵人自己都理不清楚业务逻辑的话,就算有心拥抱AI技术,也无法像商业模式很清晰的公司,有明确的核算方式去评估投入产出比。“所以在市场上可以观察到有一类群体,对投入AI研发的成本会特别谨慎,他们不希望下错赌注。”全球食品包装公司的副总裁的见地一针见血。

近75%的企业正在用AI来提高决策水平、实现流程自动化,而聊天机器人更吸引媒体的注意力、也产生了大量实验项目。



三分之二企业里的CTO或CIO都决定要用上AI,但是策略各不相同。25%的企业想套用现成的解决方案,还有一些情愿公司内部搭建。


但是公司内部搭建的话,缺乏对技术的理解很难吸引到相关的人才,也无法甄别哪些人才是适合自己公司业务的。而公司内部怎么定制AI战略,锚定哪个环节运用AI技术,准备往AI技术这一块投多少钱都是一系列需要思考的问题。


2.AI会产生哪些深远的影响


AI的影响主要是四个方面:


1)新的产品和服务;


2)业务上会有更高的效率和更好的表现;


3)极快缩短生产周期;


4)突破人手限制,大大降低规模扩大的成本。



这些方面生产力的解放,将会对无数的企业、消费者以及社会造成深远的影响。


产品生产或服务的成本大大降低


市场上会出现更多的新玩家,提供更优质多样的服务,消费者可以有更多选择的空间。


另外,AI还能把临床检测流程自动化,使得每个病人的检查的边际成本接近于零。随着经济的发展,智能手机的配置会慢慢上来,可以预测到越来越多的手机将会跑得动AI算法。据统计,2017年能跑AI算法的手机占37%,估计到2020年会有57%。


把检测的工作量从人转移到手机的软件上,更多优秀的医生资源会释放出来去解决更难的问题,全球的医疗水平毫无疑问会大幅提升。数百万计的群体将能从受益于医疗水平的提高。


AI会重新冲击多个行业的价值链


在保险行业,汽车保险占到全球保险营收的42%。如果以后AI驱动的自动驾驶应用能大面积铺开来的话,事故的频率将会大大降低。这样的话,保险公司的营收也会相应地受到影响。以英国的车辆保险费为例,可以预测到车险的收入会减少63%,保险公司的利润会暴跌81%。所以保险行业需要重新思考自己的出路了。


将会出现新的影响企业成败的决定性因素


在AI年代,影响成功的因素有很多:


  • 有没有足够的认知和远见拥抱并利用AI技术;


  • 是否拥有海量的,非公共的数据集来训练和实施市场主导的AI算法;


  • 是否能把握住机会或抵抗风险,与合作伙伴或者是竞争对手共享数据;


  • 是否能吸引到一批优秀的数据科学家,来大力发展公司内部的AI技术;


  • 有没有能力提供一个理想的环境让他们保持稳定产出,形成一股合力攻克问题;


  • 能不能和AI软件或者服务提供商维持良好的合作关系,获得优质的数据集;


  • 能否主动地去理解AI带来的变化和挑战并及时响应;


  • 能不能接受工作流程上的改变;


  • 能不能搞定组织架构重构的挑战,甚至必要的时候,替换掉人;


  • 比起给两个选择的推荐软件,是否更倾向于软件告诉不同选择带来什么样的后果,成功的概率是多少;


  • AI会改写行业竞争格局:出现新的领导者,跟随者,迟钝者,颠覆者


起初,AI技术供应商属于大平台企业:谷歌,亚马逊,IBM和微软。


这几个科技巨头都有能力搭建AI技术所需的基础构架,并专门为开发者和消费者提供现攒现用的AI服务。手握不可估量的数据集,坐拥世界顶尖的AI团队以及海量的商业资源,选用这些公司的服务确实会和平台一起获得高速的成长。


不过,想要把AI切入制造业、农业、零售业、金融业,还是需要潜入到这些行业里面,获得相关的洞见,以及拿到相应的数据,还有形成战略上长远的规划,而这几方面都是以上科技巨头做不了的。这就给颠覆型企业提供了很好的入场机会。


在早期,颠覆型企业会充分借势,以AI技术为入场券,敲开传统行业的门。用全新的思路边解决商业问题,边深入到行业中去,摸清业务的运转逻辑。他们有强大的磁场,可以吸引到传统行业倒过来求他们。慢慢的,缺乏远见的传统玩家手上的好牌置换掉。最后的结局,是颠覆型企业会蚕食传统玩家的行业地位。


AI技术的需求方(现在中等或大规模的公司)


领导者会出现在关键的行业里,他们会持续扩大自己的优势,并且享受AI技术发展带来的两方面红利:


1)在数据至上的时代里,越有能力从信息中发掘出价值的公司,越能获得可观的经济回报,而且这个增长将是不成正比地疯长;


2)马太效应在这一行业特别明显,数据网络效应会拉大公司之间的差距,数据集越大,算法优化效果越好,出来的产品和效果就更好,这样越能吸引到更多的用户,产生更多的数据量。


如果缺乏组织架构方面的操盘能力,或者无法理解AI技术给行业带来的冲击,那么这部分的AI技术需求方就只能沦落成迟钝者。在数据时代,迟钝者会迅速丢失原有的行业优势和市场份额。


新的商业模式崛起


AI,将会和以前SaaS,付费订阅等模式一样,催生出一种新的商业模式。我们可能会先在交通、保险和医疗健康这些行业看到新模式的出现。


在交通运输行业,AI将会重构交通工具的所有权和相关保险业务。


据UITP(公共交通国际联会)统计,当前,汽车有限的使用寿命里,96%的时间都是处于空置的停运状态。AI不仅能降低私人汽车的空置成本和解决低效使用的问题,还能够提高点对点的运输效率,增加乘车的舒适度,行程信息上能受到更好的隐私保护,同时会更安全。


一辆无人驾驶的汽车,可以随叫随到。


因为省掉了司机的人工成本这一块变动成本,在服务乘客量很大的情况下,汽车的损耗和车险费用在固定的时间段里可以摊到无限低,每次出行的费用边际成本低到无法想象。


未来,每个乘客只需要付极低的月费就可以享受随叫随到的用车服务,人们再也不用再自己买车,私家车的数量肯定会越来越少。


AI对社会的好处和风险


AI能给社会带来的益处包括更好的医疗健康体系、更广泛的服务和更个性化的体验。它还会带来一些风险,包括失业、偏见、冲突和隐私等方面。


关于失业问题,AI将让多种遵循例行流程的重复性工作实现自动化——从开卡车到电话销售。据美国卡车协会统计,美国有360万名卡车司机。从历史上看,英国自1871年以来的统计数据显示,农业和制造业合同工职位的减少,完全被护理、创意、技术和商业服务领域岗位的增加抵消了。


无论AI创造的工作能否比它摧毁的更多,短期内都会有大量工人被取代,同时又缺少类似的工作岗位,可能会让这些失业的人难以被快速重新吸收进工作人口之中。这可能会导致社会失序以及相应的政治后果。


3.英国AI的动力:应用浪潮


AI创业兴起:自2014年来,英国每年成立的AI公司数量已经翻番,平均每5天就会出现一家新的AI公司。


英国有400家独立早期软件公司以AI为价值定位核心。

我们已经进入了第二波创业浪潮——应用时代。早期的创新多集中在AI研究或者能应用到多个领域的核心技术上,而现在英国的AI创业公司中,有80%是垂直专注于特定商业环节或者领域的B2B服务提供商。


直接面向用户销售的公司很少,只有1/10,因为“冷启动”获取训练数据非常难,而全球性的消费技术公司也都在应用AI。


创业分布不均。很多英国AI公司(1/7)说要提供市场营销和广告方面的功能,比其他领域都多。而从专注于特定领域的公司来看,金融是最受欢迎的领域。


制造业、法律等垂直行业,以及财务这个公司商业环节,由于被认为缺乏市场机会,很少有创业公司进入。


△ 英国AI公司(按细分领域)


△ 英国AI公司(按商业功能)


英国的AI公司占欧洲近一半。AI在英国非常火,英国创业公司中专注于AI的比例,比欧洲大陆和美国都高。


△ 英国AI公司占欧美18%


英国AI行业还很年轻。2/3公司正处在发展的最早期,只完成了种子轮或天使轮融资。但与欧洲大陆的同行们相比,英国AI公司正在快速成熟。


△ 英国和欧洲大陆AI公司的融资阶段


我们遇到的公司中有超过40%还没有获得重复性营收,由于技术充满挑战、B2B市场销售周期长、客户需求特殊,AI公司的货币化之路可能会更漫长。


从全球来看,对早期AI公司的投资比同阶段的普通软件公司通常会高20%-50%。



英国AI公司的融资阶段和融资额经常不匹配。1/3成长期的公司在后天使阶段募集的资金要高于正常水平。


完整报告


State of AI 2017完整报告里还有这些可能值得一看的内容:

为非业内人士介绍了AI (Part 1);


分析了持续增加的AI应用及其深远影响 (Part 2);


英国400家AI创业公司的市场全图,以及英国顶尖AI企业家的观点 (Part 3);


我们的投资框架,描述了AI企业的16项成功要素 (Part 4)。


下载地址:

https://www.mmcventures.com/wp-content/documents/The_State_of_AI_2017_Inflection_Point.pdf

AI先锋

ID:EnlightAI

关注人工智能行业发展,介绍人工智能技术与产品

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值