人工智能（AI）如今是每个人侃侃而谈的词。但在今天的汽车行业中，许多标注这样的产品和服务实际上依赖于一种高级分析（从常规算法演变而来）的形式，也就是可以支持这些功能——例如生产中的预测性维护。

AI的理论自1950年以来就已经存在。然而，随着机器学习和深度学习的兴起，AI本身在过去几十年中其功能获得了更广泛的适用性。这也得益于诸如算法和训练方法的改进，更强大的计算能力和大量云数据的可获得性。

尽管有了这些发展，汽车行业仍然只处于AI颠覆性的初始阶段。 最先进的AI应用仍然是狭义的——它们的表现可以比人类更好，但只能在非常具体的任务中执行。 AI技术的水平和性质差异很大；例如，“狭义AI”包括经典导航系统以及每秒处理1 GB数据的自主驾驶任务，或比当前导航系统多处理数百万次数据。在更多的情况下达到人的能力还要好多年。

关于AI实现可能的所有讨论，问题仍然是：所有这些是炒作，还是公司必须掌握的重要技术？ AI下一层次的改进可能会带来巨大的竞争优势，而在汽车和移动出行产业尤其如此。为了了解这个市场，麦肯锡调查了中国、德国和美国的3000位消费者；采访了行业领袖，包括汽车业大佬、技术人员和学者；并分析了初创企业、投资和专利。这使我们能够从一个市场角度来看，而不是一个理论观点。

在本文中，我们专注于使用机器学习和深度学习技术来提高或创建汽车行业新应用的AI系统。参与者必须面对机器学习在汽车和移动出行领域相关技术和业务方面的几个问题：

a． 机器学习对行业有多重要？

b． 在移动出行中消费者是否接受使用AI，机器学习技术在这个领域的核心应用是什么？

c． 技术应用必须面对哪些挑战？

d． 汽车和移动出行玩家可以采取哪些战略行动来准备？

除了炒作之外，机器学习可能是竞争优势的来源

机器学习使AI成为可能。运用实际工作的定义，该技术能够在汽车和移动出行的三个关键领域提供：

i． 非常复杂的情况下应用（按照描述的数据量衡量）

ii． 大量可能出现情况的处理（无法通过显式编程充分覆盖的情况）

iii． 随着时间的推移，没有明确的指示，以非结构化的方式从以前未知情况的数据中学习

对于移动出行中的AI，机器学习将不是被选择的一方；这将是数十年来技术基础和重大竞争优势的根源。例如，自动驾驶（AD）需要机器学习，至少在图像识别中，人类编程不可能跟上。人类图像识别通常需要具有数千万个参数的系统，这些参数在受过训练的超级计算机上只需2到4周，如果由纯人力手动完成，将需要1000到3000年。

消费者对机器学习应用比预期更加开放

研究清晰地显示了对AI发展的好处：消费者期望AI具有很大的影响，并实现更广泛的变革（图一）。 具体而言，与预期相反，大多数人对AI可能改善生活的方式呈开放态度，只有25％的人看到与AI相关的重大风险。 这种开放主要是由AI应用程序提供的舒适性和便利性的提高。 例如，75％的消费者表示他们有兴趣使用AI驱动的机器人做家务。

图一

消费者对AI的普遍兴趣和接受度延伸到移动出行领域。我们看到人们对AD技术的应用感觉舒适，而47％的人表示如果家庭成员使用完全自主的车辆，他们会觉得挺好的。这种情绪在中国的消费者，年轻人和居住在城市的人们尤为普遍。

对于AI在汽车和移动出行技术方面支持的程度的整体兴趣，导致了相当大的意愿为这些功能买单。在对AD功能表示高度兴趣的消费者中（占受访者的24％），46％的客户愿意在下一辆车上支付超过4，000美元而拥有自主驾驶特性。 AD功能对于消费者来说非常重要，65％的用户将更换OEM以获得更好的AD功能；对于年轻消费者和生活在大城市的人来说，这个数字超过了90％。这个期望值或许很高，但可能需要缓缓。平均而言，消费者普遍期望在五年内将能够达到完全自主驾驶，对任何玩家和监管机构来说，时间已是相当紧迫。