人工智能已经成熟了？没有。人工智能都是炒作？也不尽然。麦肯锡公司日前发布《2017未来出行报告》，并提出汽车制造商需要通过五个步骤来克服智能驾驶的挑战，才能成为这个新行业的领导者。

关于人工智能的理论1950年就已经诞生，但它成为人们口头上的流行词汇也就在最近几年。在今天的汽车行业，许多产品和服务都被贴上了此标签，但实际上汽车行业仍处在AI变革的初始期，最先进的人工智能技术在这一领域的应用仍然很窄——只有在特定任务方面它们才会比人类做得更好。

“人工智能会给我们带来什么？”这个问题已经引起了很多讨论。但关键在于：AI到底是概念的炒作，还是企业必须掌握的一项重要技术？对于汽车行业来说，人工智能下一层次的提升会带来巨大的竞争优势。

所有关于人工智能未来的讨论，其核心问题都仍是:这一切都是炒作，还是企业必须掌握的一项重要技术?人工智能的下一级改进可能会带来巨大的竞争优势，尤其是汽车和移动行业。为了了解形势，麦肯锡调查了中国、德国和美国的3000名消费者，采访了包括汽车企业、技术人员和学者在内的行业领袖，分析了汽车行业与AI有关的创业、投资和专利。这让我们可以跳出理论视角，从市场的角度来看问题。

本篇调查报告关注的是使用机器学习和深度学习技术来增强或创新汽车行业功能的人工智能系统，对机器学习技术在汽车业务上的应用提出并回答以下几个问题：

机器学习对汽车行业有多重要？

消费者是否接受人工智能出行系统？机器学习技术在这一系统的核心应用是什么？

要使这项技术带来实质盈利，必须解决哪些问题？

汽车和科技企业需要采取哪些战略行动？

撇开炒作，机器学习是优势所在

机器学习使人工智能成为可能。在实际工作环境下，该技术能够在汽车与交通出行的三个关键领域实现：

在高度复杂的情况下运行（需要足够的数据描述）

处理大量无法被明确编程代码覆盖的可能情况

无需特定指令即可随时间不断改进，以非结构化的方式从此前未知的情境中学习

对于AI出行来说，机器学习不是可选项而是必选项，它将是未来几十年的技术基础和重要竞争优势的来源。比如自动驾驶就需要机器学习，在图像识别上人类编程无法匹敌。人类水平的图像识别系统通常需要有数千万个参数，这些参数在一台超级计算机上进行两到四个星期的训练即可完成——而如果换成一个人手工完成的话，这项任务需要1000到3000年。

消费者接受度超乎预期

报告中的一项发现预示着人工智能将有良好的发展前景：消费者期望人工智能能够产生巨大的影响，并带来更深刻的变化。与调查前的预期不同，大多数人都对人工智能可能带给生活的改变持开放态度，只有25%的人认为人工智能有很大的风险。这种接受度得益于人工智能应用带来的舒适和便利程度的提升，如75%的消费者表示对家务机器人十分期待。

消费者对人工智能的广泛兴趣和高度接受也延伸到了移动出行领域。在关于自动驾驶的问题调查中，47%的受访者表示对家庭成员使用自主驾驶式汽车感觉良好。这种情绪在中国消费者、30岁一下的年轻群体和城市人群中尤为普遍。

对人工智能在汽车和出行方面应用的强烈兴趣，使消费者十分愿意为这些功能付费。在对无人驾驶技术有很高兴趣的消费者中（总体人数的24%），46%的受访者表示愿意花费4000美元来购买下一辆车的自动驾驶功能，甚至有65%的用户表示会更换自己的汽车品牌来获取更好的自动驾驶功能——这一数字在年轻消费者和城市消费者群体中上升至90%。不过介于自动驾驶技术目前的实际情况，消费者的高度期望值可能需要平缓一下。总体而言，消费者希望在5年内看到自动驾驶的全面应用——对于汽车品牌和交通监管机构来说，这都是一个严格的时间表。

机器学习将对汽车和移动行业产生重大影响，因为它不仅会提高生产力，还将“解锁”全新的产品和价值。根据消费者的不同兴趣，报告定义了汽车和移动产业中机器学习可以应用的一些领域，共分为三个类别：

过程优化和生产力提高（源于过去的先进分析，通过机器学习进一步增强）

新型产品或增强产品（主要依靠机器学习）

随着用户对这些产品的使用而产生的全新（垂直）业务

汽车厂商需克服三大难题

在交通出行场景中应用机器学习技术非常复杂，需要在这一领域的生态圈建立新的解构。这个新产业格局的各种利益相关者及其支撑技术需要全新且完整的承诺协议、组织系统和工作方式。汽车内外将布置不同的机器学习系统——其中有些是嵌入式系统，间歇性交互，后台更新；有些则是云端系统，实时推送到汽车上。这两种系统都依赖于各种利益相关者和现有技术的约束，同时也受到各地环境和法规的影响。

可以看出，目前存在三大问题：一是以车内嵌入式AI为代表的技术挑战；二是监管标准的协议；三是适当的商业模式。

首先是技术。许多底层算法和机器学习的训练方法已经从理论转向了实际应用。不过，在植入和实现这项技术上仍亟待重大进展。以自动驾驶和车内体验为例：这些系统依赖大量数据，无法在有限时间内完全传输，而数据输入的时间和质量至关重要，甚至会影响安全。虽然机器学习技术已经可以在后台环境中运行（需要具有足够计算力的硬件），但技术硬件和连接方案的更新问题仍需要解决。

在汽车与交通生态系统中，大约有500家公司在用机器学习技术来构建其在技术价值链上的必需地位。根据公开数据，自2010年以来这些公司获得的投资额高达520亿美元，大大超过了共享出行与网约出行创业公司的投资额（320亿美元）。97%的投资资金来自于私募股权、风投公司和科技公司等非汽车行业的品牌。资金流向的主要领域为发展自主驾驶和车内体验的完整方案供应商。而且，投资的竞争日益激烈：2014——2017年这个时间段的投资是2010——2013年的将近4倍。

其次是法规和行业标准。汽车设备的一大特色就是汽车等级，需要比现有的机器学习案例更加准确、严格的安全标准。我们期待机器学习可以应用到特定场景，但更需与传统的安全规划相结合以确保汽车登记的安全和质量。一般情况下，汽车与出行行业的监管标准往往与行业标准协调一致，以便不同系统的规模化和集成。同样在AI技术和应用的发展过程中，这一领域的“先驱者”会在早期形成一个大体的行业标准。同时，由于不同地区的基础设施情况不一样，一些标准如数据接口和类型等也会不同，这些法规和标准也需要因时制宜、因地制宜。

最后是商业模式。新业务模式的出现给传统的汽车厂商带来了挑战，汽车品牌的业务可能会更多地转移到B2B上，从而给利润率带来更多的压力。另一方面，新服务的出现将会使车辆像智能手机一样“以软件为中心”，最终会带来车载应用的频繁更新。

涉足机器学习，需要明智之举

由于可以嵌入控制点的原因，汽车品牌很容易就能从AI中获利，将其转化为竞争优势的重要来源，具有大量机会与可观前景。同时，大多数消费者（尤其是中国消费者）都更看好传统汽车制造商会成为自主驾驶领域的领导者，而不是在AI方面更有优势的科技企业。

利用这些优势，汽车品牌现在有5大“明智之举”来巩固和提高自己的行业地位：

1. 关注核心应用领域。在决定开展机器学习在汽车和出行方面的应用时，优先考虑一下几个问题：

利润点。什么功能与最用户最相关、最密切？新的利润点是否可观？

竞争格局。在这一领域有多少竞争对手？相比之下它们有何优势？

市场定位。本品牌在这一市场的什么位置？（先行者或追逐者）从战略的角度看，可以提供何种独特服务？

控制点。哪一细分领域本品牌已经牢牢控制或有渠道成为控制者？

2. 合理利用大量数据。为了创造新的商业模式，企业需要改善对于消费者数据的收集工作来更好地了解他们。此外，应用开发领域也十分依赖于数据收集，需要汽车品牌达成协议和标准来实现数据共享。

3. 制定标准与规章。与汽车品牌和政府合作，积极推动新的规章与标准的制定。

4. 建立技术和业务伙伴关系。要达成一种商业模式，紧靠一个企业内部努力是不够的。对于那些长期以来具有明显差异的领域，选择良好的合作伙伴来获取所需技术或客户是十分必要的。

5.商业模式对冲。新技术将带来大量的新型商业模式，根据自身企业情况构建从可用的模式中选择并构建业务，早期可以尝试不同的商业模式并做好失败预期。