17個行業，145家公司，縱覽500強落地人工智能的成與敗

人工智能在各行業中所獲期望甚高，但對行業及公司而言究竟價值幾何?

機器學習、自然語言處理、推薦系統等代表性人工智能技術在多種行業場景中皆已得到應用。 然而，人工智能不是萬能良藥，並非採用了這項技術的企業都能在短期獲得成功。

智能轉型的道路存在著許多不確定因素，而如何接納並馴服人工智能這項新興技術則是每個採用智能戰略的玩家皆需面對的複雜課題。

為了概覽世界領先公司如何實施和落地人工智能戰略，同時給出實施戰略後的效果總結，我們在調研2013~2017《財富》全球500 強榜單中出現過的640 家公司後，篩選出來自17 個不同行業的145 家代表性上市公司作為研究對象，並發布《全球500強上市公司人工智能戰略適應性報告》。

在報告中，我們針對145家目標上市公司在實施人工智能戰略後的業務表現進行定量評估和專家分析，並根據結果分為三個類別：

該分類包含實施人工智能戰略後，實現業務增長的公司。

該分類包含實施人工智能戰略後，出現業務遲滯的公司。

該分類包括難以通過單一數據指標進行業務評估的公司。

其中，評估過程與評估方法詳見完整報告。

在本文章中，我們將從四個方面對 62家人工智能適應良好公司進行剖析，探討何時才是公司切入人工智能的最佳時機，又如何提高人工智能適應性？ 同時，我們將給出兩個具體案例，並在最後簡單總結導致高適應性的可能原因。

• 人工智能行業關注熱度

• 人工智能戰略採用時機

• 人工智能戰略行動決策

• 精選案例：英國石油與亞馬遜

• 導致高適應性的可能原因

 一、  人工智能話題熱度趨勢

高適應性公司所發布的人工智能類別新聞總量在2013~2017年間穩定增長，並在2017達到峰值。

• 2013~2017年高適應公司人工智能話題新聞發布量年均增長率為133.5%。

• 2014年是高適應公司人工智能話題新聞發布量增長最快年份，年增長率為187.5%。

• 2017年高適應公司人工智能話題新聞發布量達到高峰，佔2013~2017總量的59.9%。

二、  人工智能行業關注熱度

從占比來看，高適應性公司中以金融、科技行業為主。 這些行業中競爭相對激烈，其中的從業者樂於接受新技術並開拓市場。 然而，在採取智能戰略的公司中，高適應性公司轉化率相對較高的行業卻是食品藥品、能源行業。 （注：這裡的轉化率是指對應行業中高適應性公司佔該行業所有目標公司的比例）

圖7.2顯示了高適應公司的行業分佈，隱藏了公司數為零的行業。 圖7.3顯示了《財富》世界500強行業採用率及轉化率狀況。 基於這兩張圖，我們可以發現：

• 目標公司中，金融和科技行業的高適應性公司數量較多，轉化率分別為32.2%、19.3%。

• 高適應性公司轉化率較高的行業為食品藥品、企業服務、科技, 轉化率分別為100.0%、50.0%、48.0%。

• 航天&國防、化工、工程建築、材料、零售行業沒有發現高適應性公司。

三、  人工智能戰略採用時機

機器之心觀察發現，高適應性公司人工智能戰略採用趨勢基本與圖4.5目標公司人工智能戰略採用趨勢所吻合，但在2016人工智能概念火熱的時候，很多公司並沒有急於進場，而是選擇 2017入局。

• 2012~2017採用人工智能戰略的高適應性公司年均增長率為109.0%。

• 2014、2015採用人工智能戰略的高適應性公司增長較快，年增長率分別為400.0%和140.0%。

• 2013新增高適應性公司相比上年有所減少，年增長率變化為-66.7%。

• 2015-2017間，採用人工智能戰略的高適應性公司年增長率逐年下降，年增長率變化分別為-260.0%、-73.3%、-61.7%。

  

四、  人工智能戰略行動決策

高適應性公司行動決策基本集中在產品宣傳、技術研發以及建立合作關係。 不難看出，以公司內部提升為主的行動決策最受青睞，而建立公共關係與併購投資等對外行動決策也是常見選擇。

• 高適應性公司主要關注產品、研發、夥伴關係、公共關係等方面的行動決策，佔比分別為22.7%、21.3%、20.4%和16.7%。

• 高適應性公司在人力資源和研究報告上所做的決策佔比相對較低，分別為1.9%和1.6%。

五、  精選案例

機器之心選取兩個代表案例進一步分析人工智能採用的適應性：

案例中將分析它們在人工智能採用方面的時間節點與具體措施。

案例一：英國石油

早期佈局發掘數據價值

作為世界上最大的石油和天然氣公司之一，英國石油領先於行業競爭對手。 該公司自2012年起就開始部署傳感設備於公司名下近99%的油井和氣井中。 同時，英國石油還建造了約2000公里的光纖電纜，以每分鐘傳輸500萬個數據點的效率為團隊的監控、維護、設備優化等工作進行支持，並最終節約運行成本。

正向反饋，積極部署

2016年，英國石油開始測試一種新的智能交互油泵技術。 該技術允許終端用戶通過平板電腦觀察油泵設備的運行狀態，並能夠與配套的智能助理“Miles”進行交互 。 在技​​術測試成功後，英國石油隨後開始著手為不同的業務單位部署智能應用。

巨額投資，廣泛推進

2017年，英國石油計劃在整個公司層面啟用人工智能驅動的數字轉型，擴大智能應用的部署規模。 在廣泛採用人工智能技術的同時，英國石油沒有停止技術積累，並向Beyond limits投資2000萬美元。 截止2017年末，英國石油在油田、原油生產精煉、銷售和供應精煉產品方面部署人工智能技術應用，同時還在推動危險操作環境的自動化維修技術。

未來屬於人工智能與數字化技術

於2018年早期，英國石油與Kelvin公司展開一項新的合作。 英國石油在通過對油井運行概念項目的驗證後，計劃將數字解決方案擴展到所有類型的油井，併計劃在提高20.0%產能的同時降低22.0%的運營成本。

與此同時，該公司提出名為“Technology Outlook”的長期願景。 英國石油CEO Bob Dudley表示，未來30年，人工智能和數字化將是公司實現增長的關鍵。

案例二：亞馬遜

人工智能早期佈局

亞馬遜公司在20世紀出便開始關注人工智能技術。 2004年，亞馬遜組建A9團隊“7.11” 來開發語音和軟件，而Lab126團隊“7.12”則在不久後負責開發相關技術的硬件設備。 雖然亞馬遜在當時並沒有具體聲明技術開發的最終形態，但在現今看來，這一系列的技術投資都是其語音助手Alexa的早期技術儲備。

隨後，亞馬遜在2011年啟動虛擬助理計劃則將該公司的人工智能戰略推向更高潮。 通過收購Yap、Evi Technologies、Ivona等公司，亞馬遜掌握多種自然語言處理技術，包括文本轉語音、語義理解等。 截至2018年，亞馬遜已經收購19家以上從事人工智能技術開發的公司。 依托A9、Lab126專家團隊和持續的技術積累，亞馬遜得以在人工智能領域的技術儲備達到全球領先地位。

Alexa和AWS——全新用戶體驗

在智能技術積累相對成熟以後，亞馬遜開始向企業和消費者推廣其人工智能產品。 在消費者領域，亞馬遜於2014年發布虛擬助手Alexa，其搭載設備Amazon Echo售賣火熱並引領了智能家居浪潮。

對於企業用戶而言，亞馬遜在2014年所推初的Nudges智能銷售提醒服務能夠為電商提供實時的決策提醒和庫存儲備等信息，並在該年為亞馬遜的電商平台提高數十億的銷售 額。 在2015年起，基於其人工智能即服務計劃，亞馬遜將大量人工智能功能集成到AWS中，並鼓勵大量第三方開發者入駐其智能生態圈，並開放Alexa API以鼓勵第三方應用程序接入開發 。 作為結果，亞馬遜在2014~2015年間的一系列決策為其帶來了高發20%年收入增長。

全方位推進人工智能戰略

在2016年，亞馬遜CEO傑夫·貝佐斯將智能技術研發的重心轉向用戶助理、技術研發和AWS，並正式宣布將人工智能納入公司層面戰略。 該年，亞馬遜在自然語言處理和圖像處理領域都推出一系列開發工具，如Amazon Polly、Rekognition、Lex等。 為進一步擴大市場份額，吸引更多的開發商，亞馬遜將AWS的服務費用降低，並開放了相應人工智能基礎設施，使開發者用戶能夠更充分地利用先進的人工智能技術。 同年，亞馬遜在雲服務市場佔據了31%的市場份額。

收穫的季節

2017年是亞馬遜的豐收之年，該公司不僅在該年實現250.0%的用戶增長，同時在學界也收到了認可。 例如亞馬遜在最初錯過的人工智能專家Alex Smola，其論文引用量達9萬。 由於亞馬遜前期的低調發展，Alex Smola拒絕了亞馬遜的橄欖枝，而選擇了在卡內基美隆大學進行人工智能的研究。 而基於近幾年亞馬遜人工智能業務的表現，Smola最終認可並加入亞馬遜的AWS團隊，並在2017年11月配合亞馬遜推出更綜合的機器學習平台SageMaker。 同年，亞馬遜的年收入達到1750億美元，相比2014年實現了收入翻倍。

六、導致高適應可能原因

根據機器之心的調研結果，145家目標公司近半數都對人工智能戰略有著高適應性。 針對這些公司如何成功利用智能技術獲得收益，本章節將進一步分析人工智能高適應性公司的智能轉型之道。

大舉進軍前先行試點

新產品和服務的引入將增加成本，並且有待市場驗證。 公司應該在大規模應用新技術之前考慮進行試點，在不影響核心業務的情況下完成測試和調優。 完成驗證後，公司可以將人工智能擴展到核心業務，以及拓寬應用領域。

亞馬遜最早的機器學習應用就是推薦算法。 早在2003年，亞馬遜的工程師Greg Linden, Brent Smith和Jeremy York就研發出推薦算法，並在“IEEE Internet Computing”上發表。 該算法可以根據用戶的行為推薦相似的產品，並促進銷售。 推薦算法作為一個嘗試，取得明顯成效。 接下來，亞馬遜將人工智能應用到更多領域，例如推出Alexa和AWS。

在英國石油方面，作為石油巨頭，該公司沒有選擇將人工智能直接應用於其核心領域，而是在2016年推出虛擬助理“Miles”。 從這個產品中，英國石油積累到實際產品所需的人工智能應用經驗。 此後，英國石油逐漸嘗試將更多的人工智能應用於其核心業務，包括石油勘探和生產。

準確定位需求

充分發揮人工智能潛力的關鍵是準確定位用戶需求。 Alexa在推出前曾受到廣泛的質疑。 然而，通過嚴謹的市場調研和對用戶需求的準確把握，亞馬遜確認基於語音的數字助理需求存在後大膽推出Alexa，使其成為首個成功的語音助理產品，打開了藍海市場。

與亞馬遜不同的是，英國石油公司利用人工智能幫助其工程師提高決策效率，優化操作流程，用實時數據幫助工程師做出更好決策。

收集用戶反饋

用戶反饋常常能夠影響到人工智能產品和服務更新，對於人工智能採用十分關鍵。 用戶反饋不僅可以為人工智能應用的優化提供參考，還可以引導產品的發展方向。

Alexa是一個人工智能驅動產品範例。 項目啟動之初，其框架就已經基本確定，但功能比較有限。 之後，亞馬遜通過多方渠道和公司官網收集大量用戶反饋。 Alexa在軟件和硬件方面都進行不斷迭代，快速集成更多的功能。 亞馬遜還開放Alexa API接入大量第三方程序，以豐富產品特性。 如今，Alexa已擁有15000多種技術，並佔據大量的市場份額。

在對62家高適應性公司進行剖析之後，我們將繼續探討人工智能低適應性公司和適應性較複雜公司在落地人工智能戰略中的表現，並給出相應案例。 我們也在報告中給出了關於行業發展趨勢的數據統計與說明，並在最後說明了我們在研究過程中使用的方法、公示和參考資料。