机器学习、自然语言处理、推荐系统等代表性人工智能技术在多种行业场景中皆已得到应用。然而，人工智能不是万能良药，并非采用了这项技术的企业都能在短期获得成功。

智能转型的道路存在着许多不确定因素，而如何接纳并驯服人工智能这项新兴技术则是每个采用智能战略的玩家皆需面对的复杂课题。

为了概览世界领先公司如何实施和落地人工智能战略，同时给出实施战略后的效果总结，我们在调研2013-2017《财富》全球 500 强榜单中出现过的640 家公司后，筛选出来自 17 个不同行业的 145 家代表性上市公司作为研究对象，并发布《全球500强上市公司人工智能战略适应性报告》。

在报告中，我们针对145家目标上市公司在实施人工智能战略后的业务表现进行定量评估和专家分析，并根据结果分为三个类别：

• 人工智能高适应性公司：该分类包含实施人工智能战略后，实现业务增长的公司（62家）。

• 人工智能低适应性公司：该分类包含实施人工智能战略后，出现业务迟滞的公司（41家）。

• 人工智能适应性较复杂公司：该分类包括难以通过单一数据指标进行业务评估的公司（42家）。

其中，评估过程与评估方法详见完整报告。

在本文章中，我们将从四个方面对 62家人工智能适应良好公司进行剖析，探讨何时才是公司切入人工智能的最佳时机，又如何提高人工智能适应性？同时，我们将给出两个具体案例，并在最后简单总结导致高适应性的可能原因。

• 人工智能话题热度趋势

• 人工智能行业关注热度

• 人工智能战略采用时机

• 人工智能战略行动决策

• 精选案例：英国石油与亚马逊

• 导致高适应性的可能原因

一、人工智能话题热度趋势

高适应性公司所发布的人工智能类别新闻总量在2013-2017年间稳定增长，并在2017达到峰值。

• 2013-2017高适应公司人工智能话题新闻发布量年均增长率为133.5%。

• 2014是高适应公司人工智能话题新闻发布量增长最快年份，年增长率为187.5%。

• 2017高适应公司人工智能话题新闻发布量达到高峰，占2013-2017总量的59.9%。

二、人工智能行业关注热度

从占比来看，高适应性公司中以金融、科技行业为主。这些行业中竞争相对激烈，其中的从业者乐于接受新技术并开拓市场。然而，在采取智能战略的公司中，高适应性公司转化率相对较高的行业却是食品药品、能源行业。（注：这里的转化率是指对应行业中高适应性公司占该行业所有目标公司的比例）

图7.2显示了高适应公司的行业分布，隐藏了公司数为零的行业。图7.3显示了《财富》世界500强行业采用率及转化率状况。基于这两张图，我们可以发现：

• 目标公司中，金融和科技行业的高适应性公司数量较多，转化率分别为32.2%、19.3%。

• 高适应性公司转化率较高的行业为食品药品、企业服务、科技, 转化率分别为100.0%、50.0%、48.0%。

• 航天&国防、化工、工程建筑、材料、零售行业没有发现高适应性公司。

三、人工智能战略采用时机

机器之心观察发现，高适应性公司人工智能战略采用趋势基本与图4.5目标公司人工智能战略采用趋势所吻合，但在2016人工智能概念火热的时候，很多公司并没有急于进场，而是选择2017入局。

• 2012-2017采用人工智能战略的高适应性公司年均增长率为109.0%。

• 2014、2015采用人工智能战略的高适应性公司增长较快，年增长率分别为400.0%和140.0%。

• 2013新增高适应性公司相比上年有所减少，年增长率变化为-66.7%。

• 2015-2017间，采用人工智能战略的高适应性公司年增长率逐年下降，年增长率变化分别为-260.0%、-73.3%、-61.7%。

四、人工智能战略行动决策

高适应性公司行动决策基本集中在产品宣传、技术研发以及建立合作关系。不难看出，以公司内部提升为主的行动决策最受青睐，而建立公共关系与并购投资等对外行动决策也是常见选择。

• 高适应性公司主要关注产品、研发、伙伴关系、公共关系等方面的行动决策，占比分别为22.7%、21.3%、20.4%和16.7%。

• 高适应性公司在人力资源和研究报告上所做的决策占比相对较低，分别为1.9%和1.6%。

五、精选案例

机器之心选取两个代表案例进一步分析人工智能采用的适应性：

• 能源行业：英国油气公司英国石油

• 科技行业：美国电商和云计算公司亚马逊

案例中将分析它们在人工智能采用方面的时间节点与具体措施。

案例一：英国石油

早期布局发掘数据价值

作为世界上最大的石油和天然气公司之一，英国石油领先于行业竞争对手。该公司自2012年起就开始部署传感设备于公司名下近99%的油井和气井中。同时，英国石油还建造了约2000公里的光纤电缆，以每分钟传输500万个数据点的效率为团队的监控、维护、设备优化等工作进行支持，并最终节约运行成本。

正向反馈，积极部署

2016年，英国石油开始测试一种新的智能交互油泵技术。该技术允许终端用户通过平板电脑观察油泵设备的运行状态，并能够与配套的智能助理“Miles”进行交互 。在技术测试成功后，英国石油随后开始着手为不同的业务单位部署智能应用。

巨额投资，广泛推进

2017年，英国石油计划在整个公司层面启用人工智能驱动的数字转型，扩大智能应用的部署规模。在广泛采用人工智能技术的同时，英国石油没有停止技术积累，并向Beyond limits投资2000万美元。截止2017年末，英国石油在油田、原油生产精炼、销售和供应精炼产品方面部署人工智能技术应用，同时还在推动危险操作环境的自动化维修技术。

未来属于人工智能与数字化技术

于2018年早期，英国石油与Kelvin公司展开一项新的合作。英国石油在通过对油井运行概念项目的验证后，计划将数字解决方案扩展到所有类型的油井，并计划在提高20.0%产能的同时降低22.0%的运营成本。

与此同时，该公司提出名为“Technology Outlook”的长期愿景。英国石油CEO Bob Dudley表示，未来30年，人工智能和数字化将是公司实现增长的关键。

案例二：亚马逊

人工智能早期布局

亚马逊公司在20世纪出便开始关注人工智能技术。2004年，亚马逊组建A9团队[7.11] 来开发语音和软件，而Lab126团队[7.12] 则在不久后负责开发相关技术的硬件设备。虽然亚马逊在当时并没有具体声明技术开发的最终形态，但在现今看来，这一系列的技术投资都是其语音助手Alexa的早期技术储备。

随后，亚马逊在2011年启动虚拟助理计划则将该公司的人工智能战略推向更高潮。通过收购Yap、Evi Technologies、Ivona等公司，亚马逊掌握多种自然语言处理技术，包括文本转语音、语义理解等。截至2018年，亚马逊已经收购19家以上从事人工智能技术开发的公司。依托A9、Lab126专家团队和持续的技术积累，亚马逊得以在人工智能领域的技术储备达到全球领先地位。

Alexa和AWS——全新用户体验

在智能技术积累相对成熟以后，亚马逊开始向企业和消费者推广其人工智能产品。在消费者领域，亚马逊于2014年发布虚拟助手Alexa，其搭载设备Amazon Echo售卖火热并引领了智能家居浪潮。

对于企业用户而言，亚马逊在2014年所推初的Nudges智能销售提醒服务能够为电商提供实时的决策提醒和库存储备等信息，并在该年为亚马逊的电商平台提高数十亿的销售额。在2015年起，基于其人工智能即服务计划，亚马逊将大量人工智能功能集成到AWS中，并鼓励大量第三方开发者入驻其智能生态圈，并开放Alexa API以鼓励第三方应用程序接入开发。作为结果，亚马逊在2014-2015年间的一系列决策为其带来了高发20%年收入增长。

全方位推进人工智能战略

在2016年，亚马逊CEO杰夫·贝佐斯将智能技术研发[7.13] 的重心转向用户助理、技术研发和AWS，并正式宣布将人工智能纳入公司层面战略。该年，亚马逊在自然语言处理和图像处理领域都推出一系列开发工具，如Amazon Polly[7.14] 、Rekognition[7.15] 、Lex[7.16] 等。为进一步扩大市场份额，吸引更多的开发商，亚马逊将AWS的服务费用降低，并开放了相应人工智能基础设施，使开发者用户能够更充分地利用先进的人工智能技术。同年，亚马逊在云服务市场占据了31%的市场份额。

收获的季节

2017年是亚马逊的丰收之年，该公司不仅在该年实现250.0%的用户增长，同时在学界也收到了认可。例如亚马逊在最初错过的人工智能专家Alex Smola，其论文引用量达9万。由于亚马逊前期的低调发展，Alex Smola拒绝了亚马逊的橄榄枝，而选择了在卡内基梅隆大学进行人工智能的研究。而基于近几年亚马逊人工智能业务的表现，Smola最终认可并加入亚马逊的AWS团队，并在2017年11月配合亚马逊推出更综合的机器学习平台SageMaker。同年，亚马逊的年收入达到1750亿美元，相比2014年实现了收入翻倍。

六、导致高适应可能原因

根据机器之心的调研结果，145家目标公司近半数都对人工智能战略有着高适应性。针对这些公司如何成功利用智能技术获得收益，本章节将进一步分析人工智能高适应性公司的智能转型之道。

大举进军前先行试点

新产品和服务的引入将增加成本，并且有待市场验证。公司应该在大规模应用新技术之前考虑进行试点，在不影响核心业务的情况下完成测试和调优。完成验证后，公司可以将人工智能扩展到核心业务，以及拓宽应用领域。

亚马逊最早的机器学习应用就是推荐算法。早在2003年，亚马逊的工程师Greg Linden, Brent Smith和Jeremy York就研发出推荐算法，并在“IEEE Internet Computing”上发表。该算法可以根据用户的行为推荐相似的产品，并促进销售。推荐算法作为一个尝试，取得明显成效。接下来，亚马逊将人工智能应用到更多领域，例如推出Alexa和AWS。

在英国石油方面，作为石油巨头，该公司没有选择将人工智能直接应用于其核心领域，而是在2016年推出虚拟助理“Miles”。从这个产品中，英国石油积累到实际产品所需的人工智能应用经验。此后，英国石油逐渐尝试将更多的人工智能应用于其核心业务，包括石油勘探和生产。

准确定位需求

充分发挥人工智能潜力的关键是准确定位用户需求。Alexa在推出前曾受到广泛的质疑。然而，通过严谨的市场调研和对用户需求的准确把握，亚马逊确认基于语音的数字助理需求存在后大胆推出Alexa，使其成为首个成功的语音助理产品，打开了蓝海市场。

与亚马逊不同的是，英国石油公司利用人工智能帮助其工程师提高决策效率，优化操作流程，用实时数据帮助工程师做出更好决策。

收集用户反馈

用户反馈常常能够影响到人工智能产品和服务更新，对于人工智能采用十分关键。用户反馈不仅可以为人工智能应用的优化提供参考，还可以引导产品的发展方向。

Alexa是一个人工智能驱动产品范例。项目启动之初，其框架就已经基本确定，但功能比较有限。之后，亚马逊通过多方渠道和公司官网收集大量用户反馈。Alexa在软件和硬件方面都进行不断迭代，快速集成更多的功能。亚马逊还开放Alexa API接入大量第三方程序，以丰富产品特性。如今，Alexa已拥有15000多种技术，并占据大量的市场份额。

在对62家高适应性公司进行剖析之后，我们将继续探讨人工智能低适应性公司和适应性较复杂公司在落地人工智能战略中的表现，并给出相应案例。我们也在报告中给出了关于行业发展趋势的数据统计与说明，并在最后说明了我们在研究过程中使用的方法、公示和参考资料。

更多内容，详见《全球500强上市公司人工智能战略适应性报告》完整版：http://jiqizhixin.mikecrm.com/09Ni2g4。