文/森亿智能 张少典

高盛在报告中预言，随着行业发展到2025年，整个AI产业在美国的产值将超过3000亿美元。其中农业、金融、医疗、零售、能源将成为最大的几个AI发挥能量的板块

报告的开篇即一针见血的指出，人工智能的最大价值即在于提升生产力。高盛更是把终结美国自从21世纪以来生产力增长的停滞、恢复90年代的荣光的历史使命寄托在了AI身上（improving productivity and ending the period of stagnant productivity growth in the U.S.）。好一个人工智能版本的Make America Great Again。

高盛预计，从今天开始到2025年，人工智能有望直接削减总体劳动时间（labor hours）约0.5% - 1.5%。纵观整个高盛报告，提升生产力是一个反反复复被强调的中心点。如同小平同志的以经济建设为中心一样，高盛一针见血的指出任何不能提升实际生产力的人工智能都是耍流氓。所以，AI创业者们，在调查你的产品需求之前，请先三省吾身：提高生产力乎？提高生产力乎？？提高生产力乎？？？

其实隐藏在数字背后的，还有一些值得深思的结论。例如，AI界（尤其是中国AI界）一直以来的一个痛点，就是至今为止AI所有成功的商业模式，都是B2B或者B2B2C，而几乎没有B2C商业成功的案例（向中国的AI B2C先行者出门问问致敬！）。

其实只要反过来看高盛给出的预计数字，也就是0.5%到1.5%的劳动生产率提升（或劳动时间削减），就知道AI对于工业、企业、和B端场景的吸引力会远大于C端。作为一个一天工作8小时的上班族，一个能削减1.5%劳动时间的工具无非就是帮我节约了7分钟，而这7分钟也许我上班少开个小差就回来了，并没有必要一定要诉求AI。但对于企业来说，1%的效率提升、1%的成本削减、1%的收入增长，都是一件不小的事情。

有多少传统行业-例如航空业-其整体利润率就是落在1%左右的区间，1%的效率提升，简直就是一件不能更了不得的事情了。这也解释了为什么至今为止，纵观全球，金融、安防、医疗、零售等传统产业受益于AI最多。

此外，这个数字恐怕也戳穿了一些神话AI的人的谎言：虽然常常我们能听到AI能够千百倍的提升一件事情的效率的故事，但是放到整个产业环境下，当被整合进整个生产流程后，AI能起到的marginal的作用，其实短期内并不会有故事里说的那样大。

AI所擅长的，在于大幅度的提升现有系统、解决方案、方式方法的效率，而非创造一种需求。这就使得AI在本质上成为一个必须要依托现有需求、对现有方案实现增量改进的产业。

笔者个人认为，对AI产业B2C成功的向往，很可能只是刚刚经历过一波移动互联网、O2O，在B2C的浪潮中吃尽了甜头的中国投资者和从业者的一种迷思。B2B一旦到了中国的环境里，一般都会被贴上增长慢、潜在市场小、想象空间不大等标签。而B2C则与之相反，拥有极强的爆发力和超大的想象空间。

另一方面，目前中国B2B市场本身远小于B2C，才使得所有人被迫想在B2C市场中找到AI的出路。在美国，这从来都不成为一个问题，因为B2B差不多是一个和B2C差不多规模的市场。在整个的高盛产业报告中，B2B或者B2B2C似乎是贯穿在AI整个生命周期的一种天然属性，是一种默认商业模式配置，在美国从未被当做一个问题来看待。

国内往往把2016年称作AI元年，原因就在于自从AlphaGo横空出世后，中国的AI创投一下子火热了起来。而这，其实是4、5年前美国AI投资热的历史重演。

下图显示，美国的AI投资浪潮最初出现在2011年或者2012年，2012年正是Google利用深度学习做出猫脸识别应用的年头，是代表了AI当前时代的深度学习的第一个成功工业级应用。所以想知道今天中国的AI产业走向，美国4到5年前的经验不失为一个很好的借鉴。

高盛报告纵览了整个数据产业的上下游，以及随着世代的更迭，上下游主要玩家的更迭（上图）。

从最上层的分析应用层，到最下层的硅晶片层，数据产业的玩家也随之变迁。而AI的出现，也使得整个的图谱中出现了越来越多细颗粒度的细分市场，从而养活了越来越多的独角兽。例如，专注于数据整合、迁移、运算支持的Databricks就借着AI的东风成为了一只新的硅谷独角兽。

但在某些产业环节上，大庄家们由于垄断了大量的运算资源和数据，话语权反而会越来越大。例如往往被认定为IaaS的compute和storage，基本上已经被亚马逊、阿里等大玩家把控。高盛的报告指出，PaaS层面的data movement/integration和data processing，以及SaaS层面的analytical tools，可能是小玩家们更有机会产生突破的地方。

整个高盛报告的亮点也是重点，即是正式提出了AI-aaS（Artificial Intelligence as a Service，人工智能即服务）的概念并且对这个领域进行了全面的分析。AI-aaS以AI的产品形态对整个产业进行切分（见下图），而非传统的SaaS/PaaS/IaaS切分法。

第一板块为横向的、通用性的AI-aaS，以图像识别、自然语言处理、语音识别、模型预测作为四大核心模块。这几个场景也是几乎每一个产业、每一个产业的每一个业务板块下都会出现的需求，因此也是最为通用的AI。在这个板块里，高盛指出，大玩家们（GOOG, MSFT, AMZN等）是主宰者，因为他们掌握了最全面的数据，和最大规模的运算资源。

第二个板块，则是同样横跨各个产业，但是反映在不同业务板块下的AI应用，例如针对人力资源HR的AI模型，针对客户管理的CRM类AI模型等。而这一类AI应用最适合SaaS玩家们切入，因为他们掌握了最多的具体业务板块下的细分数据。例如，salesforce毫无疑问掌握了最多的CRM数据，因此在横向开发通用CRM类AI工具的时候，他们显然是最有优势的。

第三个板块则是从纵向观察这个行业，按照行业领域（医疗、农业、零售、能源等）进行切分，对上述两个板块里的工具和算法进行行业定制和优化，开发行业特有的应用。报告指出，从目前来看，第三个板块是孵化创业公司的最佳场所，也是AI创业公司应该重点关注的维度。

中国是整个高盛报告中除了美国之外唯一被分析到的市场。首先需要赞叹的就是我国科学工作者的对于这一新兴产业的敏感度，根据最新的数据（上图），中国本土发表的带有深度学习“deep learning”和深度神经网络“deep neural networks”关键词的论文数量，无论是被引用的数量还是总数，都已经超过了美国，成为全球第一。

高盛还另外给出了一些有意思的数据，中国有60%和12.5%的AI公司，加起来接近整个行业的3/4，都专注于计算机视觉和语音识别。而整个AI产业中有70%的公司都在进行应用开发，只有30%的公司专注于AI算法本身。

这一点来看，中国市场偏应用、偏快、“要离钱近“的特点再次彰显出来。而高盛最后给出的全球AI公司榜单中，中国上榜的也大多是类似Face++的明星CV公司。针对全球市场，高盛无疑对中国给出了一个极高的评价：In our view, the key players at the forefront of artificial intelligence are likely to continue to be in the US and China（在我们看来，未来前沿AI的主要玩家很有可能继续存在于美国和中国）。

只希望，中国本土的AI创业者们，能够在未来的十年中，对得起这样一份褒奖和名号，能继移动互联网之后，再胜美国一次。

最后来说说笔者所在的医疗AI产业。作为一个17.5%的GDP都用在医疗卫生支出、并且医疗已经逐渐成为深刻社会问题的泱泱大国，美国的任何一个新的商业模式几乎都能和医疗搭上关系。

高盛报告列举的几个最主要的医疗应用中，药企的药品研发效率的提升、医疗费用的控制、医院和医生效率的提升，为Ai-aaS最主要的三个应用点。例如，报告中重点讨论的一个AI应用，即在于用人工智能来解决药企的研发痛点。

在西方社会，药物研发是一个极为长期的过程，尤其是药物走出实验室之后要经历极为漫长的临床试验流程以获取FDA的批准。图7显示，一款药品从研发到获得批准，平均而言至少需要7-10年时间。

而几个阶段的临床实验犹如几道鬼门关，在任何一个阶段的失利都宣告几亿甚至几十亿美元的研发投入打了水漂（这也是为什么每当一款新药通过某一个阶段的临床实验，相应药企的股价往往都会大涨）。而药物在研发阶段，药企是无法精准预测其最终的效果、安全性、以及是否能够通过临床实验和FDA审批的。

而AI的作用也正在于此，美国有大量的AI创业公司即盯准了药企的这个巨大痛点，使用人工智能的方法、基于分子生物学和临床药理学的证据，去对一个药物的效用、安全性和通过审批的概率进行判断。

这种方法有望从根本性上颠覆药品研发的流程，使得药厂可以批量尝试大量不同分子结构的药物，而让人工智能来判断其中哪些最值得被继续推进到临床实验阶段，从而大幅提升其研发效率和风险控制能力。

另一个显著的案例，即在于医疗保险的费用控制。众所周知，过度医疗是一个世界性的问题，一方面是利益驱使，另一方面也是临床技术的局限使得医生在某些情况下必须要通过过度医疗来排除诊断可能、提高安全系数。

而机器学习和人工智能的价值就在于能够更精准的评估医疗操作的合理性，从而有效的减少不必要的医疗操作和支出，达到费用控制的目的。作为商业保险，这种费用的削减（赔付更少）是其核心诉求，更是他们的安身之本，因此商业医保愿意花大价钱来采购类似的技术解决方案，也就不足为奇了。

不过，在中国，上述商业模式还有太多不确定性。首先，新药研发不是中国本土药企最关注的需求，也不是其核心竞争力。相反，中国的医药市场极端依赖销售和渠道（当然，这主要也是整个医药产业发展阶段所致）。

因此，临床实验从来都不是中国本土药企的核心诉求。反而是外资药厂想让其产品进入中国的时候，由于要通过中国CFDA的额外临床实验和审批流程，孕育了较多的相关需求。但总体而言，中国的临床实验市场仍然处于一个极为早期的阶段，各路玩家都忙于跑马圈地、占地盘、铺市场。在此状况下，AI的价值便无法得到最直接的体现。

而医疗AI的另一个潜在重大的买方-医疗保险公司，在中国同样面临着相应问题。中国的医疗保险市场，目前为止仍有90%由政府医保把控（所谓社保），而商业医保在其中所占份额极少。商业医保和政府，对于控费的原始动力显然是不一样的（比较一下计划经济和商品经济对一个人或者一家公司的激励和驱动的不同就能知道。你懂的）。

作为医疗行业的另一个重大玩家，医院在中国和美国要成为医疗AI商业化场景的最佳场所都是难度重重。其实，医院的环节最多、需要优化的环节也最多，原本应当最需要AI来帮助其进行业务优化。

但从商业的角度看，医院的最核心诉求一定不是赚钱降耗，而是保证医疗质量、安全和提高医技水平，因为这些才是一个医院的立身之本。从某个角度说医院其实挺像高校，不是不关心钱，但如果最关心的是钱，一定不能成为伟大的医院（高校）。同时，由于对数据安全、隐私的极端重视，以及临床医学本身的保守性和自成体系，使得AI的落脚也会遭到更多阻碍。

因此，在美国，医疗AI在医院里的应用，往往需要商业医保去进行倒逼。目前美国对AI、信息化态度最开放的医院，也往往都是隶属于大的医疗集团（例如凯撒，梅奥）。这些大的医疗集团的最大特点即在于，其集团里既有医院也有保险公司，而集团的最终盈利则是依赖医疗保险。

因此，集团内的保险公司会从体系内“逼迫”医院打开数据，接受新技术，从而配合保险完成控费（毕竟，最大的控费手段，在于能够从临床上直接干预医生的选择，而不是医生已经完成治疗后再去讨价还价）。

在中国，商业医保话语权的缺失，使得很多能带来经济利益的商业模式失去了成长的土壤，从而使得资本和人才都不倾向于去动医疗这座封闭的金山。如此之下，缺乏成功的案例和产品，也就不足为奇了。

但我们也看到了越来越多的好消息。例如，虽然商业医保在中国还处于摇篮期，其成长速度却可谓惊人，每年都以翻倍的速度增长。待这个婴儿长大，能够在医院面前形成话语权，便是医疗AI能够大批量落地之时。此外，非营利性民营医院（不是莆田系这种营利性民营医院）、独立第三方医疗机构的成长，也必将会推动这个产业的进一步商业化。

正如前文所述，人工智能的根本效用在于优化和提升生产力，而目前的中国医疗与医药市场正是一片大好蓝海。在整体大格局逐渐裂变的混沌之初，许多的企业打着人工智能的旗号，干的却是跑地圈马的事情。这间接地导致了医疗AI被市场炒得火热至今却迟迟没有出现成功商业化的案例，也使得医疗从业者对于医疗AI概念产生了担忧与迟疑。

但长远看来，医疗AI的发展会被市场逐渐验证接受。随着竞争发酵，商业驱动增强，各个机构的业务优化、效率提升、费用削减的需求会越来越具像化，可量化。待到那时，真正能提高生产力的人工智能服务必将为困境中的中国医疗行业带来新的曙光。

作者张少典，系美国哥伦比亚大学博士，中国医药信息学会理论与教育委员会委员，上海森亿医疗科技有限公司创始人兼CEO。