【麦肯锡】下一次创新革命——由人工智能驱动(英)

麦肯锡近日发布了一份名为《下一次创新革命——由人工智能驱动》的行业研究报告。这份报告深入探讨了人工智能如何成为推动创新和提高研发效率的关键力量，指出AI不仅能够提升效率，还能加速创新步伐，每年可能解锁高达数千亿美元的价值。报告中提到，尽管创新一直是人类进步的驱动力，但目前正面临越来越难和越来越昂贵的挑战。报告详细分析了AI在不同行业中加速研发的潜力，并提出了企业领导者如何利用AI在研发中发挥潜力的策略。这份报告为理解AI如何重塑创新格局提供了宝贵的洞见，对于寻求在竞争中保持领先地位的企业来说，其中包含了众多有价值的信息和策略。

人工智能正引领下一次创新革命，这场革命不仅能提升研发效率，还能加速创新步伐，每年可能释放高达5000亿美元的价值。创新一直是人类几个世纪以来取得非凡进步的驱动力，但现在它面临着一个隐性威胁：创新变得越来越难、越来越昂贵。

历史上，人类福利的提升一直受限。例如，人均GDP在19世纪初之前几乎停滞不前，但从那时起增长了14倍以上。同样，人类健康也遵循了类似的轨迹，1900年新生儿的平均预期寿命仅为32岁，到2021年已翻倍至71岁。这些以及其他许多生活改善都是由科学发现和基于这些突破的产品工程推动的。蒸汽机帮助推动了工业革命。疫苗每年继续拯救数百万人的生命；疫苗使婴儿死亡率在过去50年里下降了40%。集成电路的发明为计算机和光纤通信激光器帮助创造了全球互联网。

但现在，创新带来的进步速度正面临一个被低估的威胁：创新变得越来越困难、越来越昂贵。尽管科学在进步，但研发生产力却在下降。以半导体行业为例，这个行业遵循“摩尔定律”——英特尔联合创始人戈登·摩尔提出，集成电路上的晶体管数量大约每两年翻一番。这大致相当于每年以35%的指数增长率增长。但这种性能提升是以增加研发支出为代价的。斯坦福大学经济学教授尼古拉斯·布鲁姆及其研究合作者发表的一篇论文估计，半导体公司和设备制造商的实际研发支出在1971年至2014年间增长了18倍。换句话说，维持摩尔定律的性能增长率需要2014年比1971年多18倍的经通货膨胀调整的研发支出。

生物制药行业也面临研发生产力下降的挑战，该行业的挑战导致杰克·斯坎内尔创造了“Eroom定律”（即摩尔定律的倒置），描述了药物发现随着时间的推移变得越来越慢、越来越昂贵。他及其研究合作者发现，在1950年至2011年间，每花费10亿美元研发支出批准的新药数量大约每九年减半，以通货膨胀调整的术语下降了80倍（尽管在过去十年中，这种下降似乎有所稳定）。

AI有能力改变研发生产力下降的曲线，不仅能解锁更多的经济增长，还能提高解决一些最重要的人类挑战的机会，从预防和治愈疾病到减少碳排放水平。

过去十年，我们已经看到AI如何与补充管理实践相结合，重新连接组织运作方式，从而产生真正的商业价值。在通用AI出现之前，分析性AI已被麦肯锡全球AI调查所代表的企业中的大约一半使用。这些组织已将技术部署在各种商业职能中——从通过更有针对性的营销增加收入到减少供应链运营成本。自2023年底ChatGPT可用以来，报告使用AI的组织比例上升了20个百分点，公司在客户服务到软件工程等用例中实施通用AI。

这些AI应用大多旨在提高现有任务和工作流程的效率。但提升效率和生产力只是AI承诺解锁新增长和机会时代的一个方式。我们的研究表明，AI也可以被部署来加速创新，创造全新的产品和服务。换句话说：AI可以用来改变我们前一节记录的研发生产力下降的曲线。

我们已经确定了AI技术可以加速创新的三个主要渠道，每个渠道都有相应的模型类型：增加设计候选生成的速度、数量和多样性；通过AI代理模型加速候选评估；以及加速研究运营。

增加设计候选生成的速度、数量和多样性

简化的研发流程模型包括确定一组客户需求，生成候选设计，然后评估这些想法，以确定最有可能满足客户或用户需求的想法。AI增强创新的最高潜力机会之一是更快地生成更大数量和多样性的设计候选。

通用AI技术基于基础模型——非常大的模拟神经网络，这些网络在大量数据集上进行训练，以非结构化数据（即不最好存储在行和列中的数据，如人类语言）作为输入，然后生成非结构化数据作为输出。大型语言模型（LLM）是最著名的基础模型类型，支撑着使通用AI如此引人注目的聊天机器人。

然而，基础模型可以被训练来产生除人类语言之外的输出。它们可以被训练来生成化学化合物、药物候选、计算机代码、电气设计、物理设计和其他类型的潜在解决方案。有了足够的计算能力，这些模型可以比研究人员、设计师或工程师单独工作时更快地生成设计候选——增加可能产生成功设计的“射门次数”。

例如，一家零售商使用通用AI工具创建了数十种替代的3D商店配置，并以照片级保真度呈现。使用传统的计算机辅助设计和渲染工具，设计师可能只创建了几幅草图，并且保真度要低得多。如果没有能力快速生成各种替代设计，这些选项中的许多可能不会被考虑。AI生成的3D渲染的一个意想不到的副作用是发现某些由基础模型插入的美学装饰特征，以填补渲染——这些特征吸引了消费者，但不在初始设计参数中。

因此，AI不仅可以快速生成更多的候选，而且AI系统还可以生成更多样化的候选——特别是人类研究人员或工程师不太可能产生的设计，鉴于他们从培训和在职经验中产生的偏见。挑衅性地讲，AI可以比人类更有创造力。

AI产生人类不会考虑的想法的能力的一个早期例子发生在2016年3月。DeepMind训练了一个名为AlphaGo的AI驱动系统，与世界顶级围棋选手李世石在首尔对决。围棋被认为是世界上最复杂和战略性的棋盘游戏之一。也许比AI在五局三胜的比赛中获胜更引人注目的是第二局中现在著名的“第37步”：AlphaGo做出了如此出人意料的一步，以至于一些评论员认为它是一个错误。这是一个完全打破常规的举措，违背了几个世纪的传统围棋战略原则。正如一位评论员所指出的，“这是一个人类永远不会做出的举动。”它是新鲜的，它是新颖的——它是AlphaGo胜利的基础。

一些研发组织描述了AI在实验室中产生类似创新想法的能力。例如，华盛顿大学的研究员大卫·贝克领导了一个团队，使用深度学习模型设计可以结合和催化其他反应的新蛋白质。更具体地说，贝克及其团队正在创建全新的蛋白质，复杂的功能分子，它们在亚原子水平上与其他分子相互作用，并且在世界上尚不存在——这是一个没有AI工具就超出科学家能力的目标。这些定制设计蛋白质的应用包括新疫苗和药物、危险材料的生物传感器以及可以捕获或分解环境污染物的代理。由于领导这项开创性工作，贝克分享了2024年诺贝尔化学奖。

使用AI创造性地生成更多候选的能力不仅在分子层面上应用；它也被应用于物理工程学科。例如，生成模型目前被用于设计具有新颖几何形状的火箭发动机，特别是它们的冷却通道，这些通道随着3D打印变得可制造。

通过AI替代模型加速候选评估

在产品开发生命周期中的另一个补充活动是评估候选设计。对于物理产品，这通常意味着制造原型，然后将它们提交给一系列物理测试——例如，汽车制造商进行的碰撞测试，以测试他们的车辆的安全性。但这些测试往往是昂贵且耗时的。

不出所料，多年来，科学家和工程师开发了数学和计算模型，以模拟物理系统的性能，以进行in silico测试。因此，与其将飞机设计放入风洞或将赛艇设计放入水中，设计师使用计算流体动力学（CFD）来评估特定配置的性能。与其构建原型结构以确定设计候选可能的表现，工程师可以使用有限元分析（FEA）来预测力量如何影响结构。而不是设置物理实验，例如，无线电工程师可以使用计算电磁（CEM）建模来预测天线设计可能的表现。

虽然这些充满缩写的基于物理的数学模型通常比物理实验更便宜，但这些模拟通常非常计算密集，可能需要许多小时甚至几天才能运行。但最近的一项发现发现，可以将为AI系统开发的神经网络技术重新用于训练模型，这些模型可以作为更计算密集的基于物理的模型的代理。这些AI风格的替代模型并不模仿人们的“思考”；相反，它们预测世界上的物理现象的结果。当用于预测完整系统的行为时，这些模型类似于“数字孪生”。

以天气预报为例。多年来，科学家们开发了复杂详细的地球天气模型，使得天气预报越来越准确。然而，由于它们的计算强度，这些基于物理的模拟必须在功能强大的超级计算机集群上运行。例如，DeepMind训练了一个基于神经网络的机器学习模型，该模型比在拥有数万个处理器的超级计算机上运行的顶级操作性基于物理的天气预报系统更快（八分钟对小时）且更准确地在单个AI优化处理器上预测天气。

同样的技术被用来评估产品设计。如前所述，例如，计算流体动力学被用来模拟飞机（和汽车，包括赛车）的空气动力学性能。设计师现在使用在风洞和CFD数据上训练的神经网络模型，在几秒钟内预测数百个结果，这些结果的范围是风洞测试或CFD模拟中没有包括的流速和角度，否则将需要花费数小时或数天才能产生。这里的益处不仅仅是增加单次模拟运行的速度，而是能够测试多种可能性。在CFD案例中，工程师可以测试许多替代品以优化涡轮压缩机的设计。然后，他们可以使用其他自动化系统检查可制造性、可靠性、产品成本等，并运行否则在合理时间内不可能进行的迭代。

在生命科学领域，研究人员使用类似的技术来研究世界上存在的蛋白质。从已知的氨基酸序列预测蛋白质的3D折叠结构历来非常具有挑战性，涉及亚原子层面的无数量子级相互作用。英国AI研究人员Dem

以上为节选样张，关注公众号【蝉鸣报告】回复领取PDF完整电子版（无广告）。

【蝉鸣报告】每日更新最新硬核报告，覆盖产业报告、全球化、经济报告、趋势等全领域。