當前位置：
人工智能、自動化的未來：需要解決的10個問題
發(fā)布時間：2019-05-18
隨著機器開始填補工作場所的勞動力，我們必須進行調(diào)整以從中獲利。
自動化和人工智能（AI）正在改變企業(yè)，并將通過其對生產(chǎn)力的貢獻來推動經(jīng)濟增長。它們還將有助于解決從健康到氣候變化等各方面的艱難社會挑戰(zhàn)。
與此同時，這些技術將改變工作性質(zhì)和工作場所本身。該機器將能夠執(zhí)行最初由人類完成的更多任務，補充人類所做的工作，甚至執(zhí)行超出人類能力的任務。結果，一些職業(yè)將出現(xiàn)衰退的跡象，而其他職業(yè)將會增長，更多的職業(yè)將會發(fā)生變化。
雖然我們認為未來有足夠的就業(yè)機會（極端情景除外），但社會需要應對重大的勞動力轉型和失業(yè)問題。工人需要獲得新技能并適應工作場所中日益強大的機器。他們可能不得不從日落事業(yè)轉向更繁榮的事業(yè)，在某些情況下，還有新的職業(yè)生涯。
該決策簡報借鑒了麥肯錫全球研究院的最新發(fā)現(xiàn)，探討了工作場所自動化和人工智能的前景和挑戰(zhàn)，并概述了決策者，公司和個人需要解決的一些關鍵問題。
人工智能和自動化的快速發(fā)展為商業(yè)，經(jīng)濟和社會創(chuàng)造了機會
自動化和人工智能并不是什么新鮮事，但最近的技術進步正在推動機器可以做到的極端事情。我們的研究表明，社會需要這些改進，為企業(yè)帶來價值，促進經(jīng)濟增長，并在我們最困難的社會問題上取得進展，這在過去是不可想象的。總結：
技術正在飛速發(fā)展
除了傳統(tǒng)的工業(yè)自動化和先進的機器人技術之外，在各種環(huán)境中也可以找到更強大的新自動化系統(tǒng)，例如道路上的自動駕駛車輛和雜貨店的自動檢查。大多數(shù)進步都是由系統(tǒng)和組件的改進推動的，包括機械，傳感器和軟件。隨著機器學習算法變得越來越復雜并利用計算能力的巨大增長和可用于訓練它們的數(shù)據(jù)的指數(shù)增長，人工智能近年來取得了特別重大的進步。主要媒體的報道顯示了巨大的突破，其中許多涉及計算機視覺，自然語言處理和圍棋等領域，這些領域是人類無法企及的。最近霍尼韋爾推出了一款應用在 PCB 電路板和精密電子零部件生產(chǎn)數(shù)據(jù)追溯、食品生產(chǎn)過程管理、電器/ 機械零件外包裝箱物流條碼等應用場景的新品--HF800固定式二維工業(yè)讀碼器，憑借優(yōu)越的掃描性能和優(yōu)秀的掃碼能力，可對生產(chǎn)線數(shù)據(jù)實時采集和生產(chǎn)流程追溯。HF800配置DataMax軟件，擁有強大的AutoLearn自學習功能，搭載50萬像素分辨率、每秒60fps的圖像傳感器，能夠多角度、多距離快速準確地讀取條碼。霍尼韋爾在條碼技術方面的飛速發(fā)展，進一步促進了生產(chǎn)線自動化的進程發(fā)展。
改變業(yè)務和促進經(jīng)濟增長的潛力
這些技術在各種產(chǎn)品和服務中產(chǎn)生了價值，各行各業(yè)的公司在一系列流程中使用它們來個性化產(chǎn)品推薦，識別生產(chǎn)中的異常，識別欺詐性交易等。最新一代人工智能技術的進步，包括解決分類，估計和聚類問題的技術，預計將帶來更多價值。我們對數(shù)百個智能用例的分析發(fā)現(xiàn)，用于部署人工神經(jīng)網(wǎng)絡的最先進的深度學習技術可以達到3.5萬億到5.8萬億美元的年產(chǎn)值，這是所有分析技術創(chuàng)造的價值。
人口老齡化和低出生率阻礙了發(fā)展，人工智能和自動化技術的部署可以極大地促進全球經(jīng)濟并加速全球繁榮。許多經(jīng)濟體的勞動生產(chǎn)率增長（推動經(jīng)濟增長的一個關鍵因素）已經(jīng)放緩，其中美國和歐洲主要經(jīng)濟體的生產(chǎn)能力下降，而2008財年之后，則從十年前的2.4％下降。平均為0.5％。人工智能和自動化有可能扭轉這種下降趨勢：未來十年，生產(chǎn)率增長可能達到每年2％，其中60％來自數(shù)字機遇。
有助于解決幾個社會問題的潛力
人工智能還用于各種領域，如材料科學，醫(yī)學研究和氣候科學。這些技術在這些學科和其他學科中的應用有助于解決社會問題。例如，蓋辛格的研究人員開發(fā)出一種算法，可以將顱內(nèi)出血的診斷時間大大縮短96％。與此同時，喬治華盛頓大學的研究人員正在利用機器學習來更準確地測量氣候變化委員會使用的氣候模型。
在這些技術可以在各地實現(xiàn)經(jīng)濟和社會利益潛力之前，挑戰(zhàn)仍然存在
人工智能和自動化仍面臨各種挑戰(zhàn)。部分限制在于技術層面。例如，人工智能需要大量的訓練數(shù)據(jù)，并且難以將算法“推廣”到各種用例。最近的創(chuàng)新正在解決這些問題。其他挑戰(zhàn)是使用人工智能技術。例如，很難從技術上解釋機器學習算法所做出的決策，而解釋這些決策對于涉及金融借貸或法律應用的用例尤其重要。培訓數(shù)據(jù)和算法的潛在偏差，而數(shù)據(jù)隱私，惡意使用和安全性是必須解決的問題。歐洲正在引領《通用數(shù)據(jù)保護法規(guī)》，該法規(guī)規(guī)定了用戶收集和使用數(shù)據(jù)的各種權利。
另一個挑戰(zhàn)涉及組織采用這些技術的能力，人們的準備，數(shù)據(jù)可用性，技術和流程往往使得采用技術變得困難。各部門和各國采用的技術非常不平衡。金融，汽車和電信行業(yè)在采用人工智能方面處于領先地位。在各國中，美國對人工智能的投資在2016年名列榜首，投資額為150億至230億美元，其次是亞洲，投資額為80億至120億美元，歐洲投資額僅為3億美元。十億。至40億美元，遠遠落后。
