由 猿小六 
麦肯锡（McKinsey）最近关于人工智能状况的调查结果出炉了。该调查是在2021年新冠大流行期间进行的，涵盖了全球多个行业的约1800名受访者。
根据我们的调查结果，人工智能的应用在持续增加；全面采用最佳实践对获得高绩效至关重要；风险管理仍然复杂而富有挑战性。这是我们开展这项调查的第4年，也是机器学习和云技术首次成为关键的发展因素。
下面，我们的三位专家分享了对这项研究的内部看法：Michael Chui 讲述了最新的人工智能趋势，Liz Grennan 带我们走进人工智能和风险的复杂世界，Kia Javanmardian 探索了机器学习，这是行业最热门的话题之一。
Michael Chui
问：在这些发现中，最突出的是什么?
答：从人工智能中获益最多的公司正在将其能力专业化或产业化。这些取得成功的公司可以将最大比例的利润归功于他们对人工智能的使用。他们没有必要花更多的钱，但是他们的项目成本倾向于保持在预算之内。事实上，其他公司的人工智能成本超出预期的可能性要大得多。
问：调查结果显示，人工智能的成功者遵循了许多最佳实践。这是一种孤注一掷的情况吗?
答：不是，但效果是成倍的；最佳实践的好处是相互关联的。成功公司已经采用了机器学习，这是一组在过去几年里出现的实践和组件工具（类似于软件开发/部署中的DevOps）。当你将它们组合在一起时，你便能够以比人工智能更快速的速度去训练、部署和测试模型。当你将这些过程自动化和工业化时，你可以可预见地、重复性地在你的人工智能投资中获得显著的回报。
问：根据这项研究，云计算是机器学习的关键推动者。为什么会这样？
答：首先，原生云环境是现成的工具、库和框架，它们可以加速AI模型开发，缩短开发周期。云计算还提供了根据需要向上和向下渐变计算的灵活性，这对于必要时重新训练模型特别有用。总之，这些调查结果表明，机器学习、云计算和应用其他最佳实践的结合将为大规模捕获AI价值提供了良好的基础。
Liz Grennan
问：风险和人工智能是如何影响最新研究结果的？
答：取得成功的人，也是那些致力于人工智能风险管理的人。一个令人担忧的发现是，网络安全继续落在人们关注的名单单上。在不同的组织中没有统一的网络标准。对我来说，它强调了每个组织都需要提出自己的框架，这并不容易。我们看到三种风险：网络、数据和人工智能。它们都是完全相互依赖的，需要一个综合的风险模型。
问：糟糕的人工智能风险管理会带来哪些后果？
答：最糟糕的事情之一是，它会使系统性的歧视和不公平永久化。具体来说，这可能意味着女性由于有偏见的培训数据而无法被雇佣。有色人种被拒绝就业、贷款、住房和其他福利，因为数据存在偏见。在新冠大流行时期的一个例子中，一些无法参加考试的学生被大学拒之门外，仅仅是因为他们来自一所历史上表现很差的高中，尽管他们自己的个人记录很好。但是生成测试分数的算法本身就存在偏见。如果没有人工智能风险管理，不公平可能成为组织中的普遍现象，并进一步被复杂性所掩盖。
问：一家公司如何开始一个人工智能风险管理项目？
答：最简单的，也许也是最高效的，也是最好的开始，是建立一套你想要的商业道德价值观，然后整理如何将这些价值观运用到一个框架中，并确定一个你将开始评估风险的场景。从主题上讲，除了安全性、可解释性和透明度、模型性能和安全性之外，公平和隐私是两个非常重要的价值。重要的是要理解适用行业和地理位置的法规。
问：人工智能风险与网络风险有何关联？
答：复杂的人工智能系统是完美的目标。AI规模越大，威胁就越大。如果一个坏的参与者破坏了模型，并插入了坏的、有错误的或不正确的数据，以非常个人的、深刻的方式影响大量的人，那么他们就会造成损害。
问：是什么让你乐观?
答：我与一个渴望在人权问题上成为全球领导者的组织合作，因为他们的宗旨是“良知第一”。他们会陈述一份价值驱动的抱负，然后权衡其可行性、成本和其他相关的业务驱动因素。他们希望自己的价值观能在市场上与众不同——正是这种立场让我感到乐观。
Kia Javanmardian
问：为什么机器学习对AI实现至关重要？
答：我们一直在使用汽车工厂的类比，它很好地支持：机器学习是您为扩展您的分析而构建的工厂。这里有几个大的概念。
第一步是将你在研发和试点上的部分支出转移到基础设施建设上，让你能够大规模生产和扩大你的人工智能项目。您还需要监控您的模型正在使用的数据——类似汽车的仪表盘——这样您就可以跟踪进出您的模型的数据质量和它们的性能水平。
第三，如果你从头开始建造每一辆车，甚至是门把手，那将花费你大量的时间和精力来建造每一辆车。
问：那么，机器学习适用于哪里呢?
答：机器学习基于构建标准部件或代码库的概念。您的数据科学家将从创建模型到花费大量的时间对它们进行资产化，将它们转换成可重用的乐高类部件。最后，你没有设计汽车的人，但是你可以用最好的工程师组装汽车和维护它。相反，数据科学家们将专注于如何让发动机的马力从今天的400提高到800。
问：机器学习有多普遍？
答：谷歌和亚马逊等数字原生代多年来一直在实践机器学习来构建自己的产品。很少有非数字原住民在大规模使用它。当人们听到机器学习时，他们会怎么想？管理者会遇到问题，但他们可能无法解决问题。这是非常技术性的，涉及数据基础设施、治理、风险实践和系统。这是关于组织变革、人才组合、角色演变的，它可能是压倒性的。但是，在同样相对的人工智能投资中，从事机器学习的公司正获得数量级的高回报。