اقتصاد دانش بنیان

هوش مصنوعی؛ زمان اقدام فرا رسیده است

موج نوآوری به شرکت ها نزدیک می شود

مترجم: آریا حبیبی
هوش مصنوعی به زودی شیوه زندگی روزانه ما را تغییر خواهد داد. آیا شرکت ها برای استفاده مفید از این موج در حال نزدیک شدن نوآوری آماده هستند؟
از الان می توانید برای بخش رادیولوژی در بیمارستان نزدیک منزلتان دلسوزی کنید. بله، ممکن است دستگاه MRI خوب و نرم افزاری قوی برای تولید تصاویر داشته باشند اما این درست جایی است که این دستگاه دارای ضعف است. رادیولوژیست باید پرونده بیمار را پیدا کند، آن را مطالعه کند، تصاویر را بررسی کند و سپس تصمیم خود را اعلام کند. تصور کنید چه می شد اگر هوش مصنوعی (AI) می توانست فراتر از دید انسانی رود و از ابتدا کل این فرایند را به صورت بلادرنگ و با دقت بیشتر برای تشخیص و راهنمایی انجام دهد؟
به لطف پیشرفت های انجام گرفته در فناوری طی چند سال گذشته، تولیدکنند گان بسیار به ارائه چنین راه حل های پیشرفته ای در MRI نزدیک شده اند. در حقیقت آن ها در حال بررسی کاربردهای نوین هوش مصنوعی هستند که می تواند تقریبا باعث پیشرفت در صنایع اصلی شود؛ از تولید و عرضه گرفته تا بخش دولتی. با الگوریتم های بهتر و افزایش داده های ذخیره شده، میزان خطا برای محاسبات شرکتی در حال حاضر برابر یا بهتر از توانایی انسانی برای تشخیص چهره و چندین عملکرد دریافتی دیگر شده است. عملکرد سخت افزار همچنین به طور قابل توجه‍ی پیشرفت داشته، تا جایی که به ماشین ها اجازه پردازش حجم بی سابقه ای از داده ها را می دهد. پیشرفتی که یکی از عوامل اصلی برای بهبود دقت در مدل های هوش مصنوعی به شمار می رود.

تکامل هوش مصنوعی
در دل هوش مصنوعی، یادگیری عمیق (DL- Deep Learning)، بخشی از پتانسیل عظیم و دست نخورده ای را بازنمایی می کند. این فناوری بر شبکه های عصبی پیچیده ای استوار است که اطلاعات را با استفاده از معماری های گوناگون که شامل لایه ها و گره ها (نود) می شوند، پردازش می کند که تقریبا مشابه عملکردهای نورون (رشته های مغزی) در مغز انسان است. هر گره در شبکه تحلیل الگوی متفاوتی را انجام می دهد که به قابلیت یادگیری عمیق (DL) اجازه می دهد تا چشم اندازهای پیچیده تری در مقایسه با ابزارهای اولیه هوش مصنوعی ارائه دهد. به همراه افزایش چنین پیچیدگی، نیاز به سخت افزارها و نرم افزارهای پیشرفته ضرورت پیدا می کند.
شرکت های فناوری های پیشرفته با آگاهی از چنین پتانسیل عظیمی، گام های اولیه را برای تصاحب بازار برداشته اند. اما این صنعت هنوز در مراحل اولیه قرار دارد و نسخه جامعی برای موفقیت وجود ندارد. از این رو، چگونه شرکت ها می توانند کسب سود کنند و منتظر برگشت سرمایه گذاری ها عظیم خود در هوش مصنوعی باشند؟
تحقیقات ما و همچنین تعاملات ما با مشتریان نهایی هوش مصنوعی پیشنهاد می کند که پس از تثبیت شرایط، شش اصل موفقیت این حوزه را تعیین می کنند. اول از همه این که، کسب سود ابتدا محدود به حوزه مشتری می شود و شرکت ها می توانند بیشتر سودآوری خود را با تمرکز بر تجارت های «مایکرو ورتیکال» (کاربردهای خاص و اختصاصی در صنایع ممتاز) محقق سازند. تحلیل ما بر اجزا و لایه های خدمات دهنده نرم افزاری نشان می دهد که فرصت ها برحسب لایه متفاوت هستند و موفق ترین شرکت ها باید به دنبال راه حل های پیوسته باشند که اغلب از طریق شراکت و کسب مهارت حاصل می شود. برای بعضی از تولیدکنند گان سخت افزار، هوش مصنوعی می تواند نتیجه معکوس داشته باشد که علت آن را می توان به دلسردی سرمایه گذاران از این حوزه و تمایل به صنعت نرم افزار نسبت داد که همراه با کالا  سازی شدید باعث کاهش سود شده است. به عقیده ما، ظهور هوش مصنوعی باعث ایجاد فرصت های زیادی با راه حل هایی برای تقاضای بالای سیستم های ابری و اج (Cloud & Edge) از جانب مشتریان نهایی خواهد شد. اما مهم ترین نتیجه گیری ما این است که شرکت ها نیازمند اقدام سریع هستند. آن هایی که شرط بندی های پرریسک می کنند و استراتژی های سنتی خود را احیا می کنند، برندگان این رقابت خواهند بود.

زیر و بم بازار هوش مصنوعی
برخلاف همهمه پرهیجان ایجاد شده برای هوش مصنوعی، بازار می تواند حتی باعث نگرانی بی باک ترین تحلیلگران و سرمایه گذاران شود. هنوز هیچ تعریف دقیقی از انباشت فناوری (technology stack) وجود ندارد که درک حوزه رقابت تراکمی را مشکل می سازد. صدها شرکت در حال رقابت برای سهم بازار، چه چیزی را ارائه می دهند؟
برای شفاف ساختن چشم انداز تامین ظاهرا بی نظم، فناوری یادگیری ماشینی (ML) و DL را به نه لایه در حوزه های خدمات، آموزش، پلتفورم، رابط ارتباطی (interface) و سخت افزار تقسیم بندی می کنیم (نمودار 1). بعضی از شرکت ها در حال رقابت در لایه های چندگانه هستند و برخی دیگر تنها بر یک یا دو حوزه تمرکز کرده اند. همچنان که جلوتر بحث خواهد شد، شرکت هایی که تمرکز خود را به لایه های خاصی معطوف می دارند، می توانند در موضع ضعف قرار گیرند.
نمودار 1


شیوه های اج و ابری
به طور سنتی، بیشتر کاربردهای هوش مصنوعی در آموزش و نتیجه گیری در سیستم ابری (کلود) انجام گرفته است. با این وجود، نتیجه گیری (یادگیری در حال انجام) در اج در حال تبدیل به کاربردهای رایج است، جایی که تاخیر صدم ثانیه برای انجام عملیات حیاتی است. در ماشین های بدون راننده برای مثال، تصمیم برای ترمز و گاز دادن باید با تاخیر نزدیک به صفر اتفاق افتد که نتیجه گیری را در فناوری اج به گزینه ای بهینه تبدیل می کند. محاسبات اج همچنین به عنوان انتخاب محبوبی برای انواع کاربردها در نظر گرفته می شود، جایی که مسائل مربوط به حریم شخصی و پهنای باند داده ها دارای اهمیت است، مانند تشخیص های پزشکی با استفاده از هوش مصنوعی. رشد پردازش های اج، فرصت های جدیدی برای تمامی بازیگران به همراه انباشت فناوری برای توسعه دهندگان سخت افزار ایجاد می کند.

عقیده اصلی ما در مورد آینده هوش مصنوعی
هوش مصنوعی آمده تا دنیای ما را زیر و رو کند. موسسه جهانی مکنزی تخمین می زند که پیشرفت های سریع در اتوماسیون و هوش مصنوعی تاثیر قابل توجهی بر شیوه کار و بهره وری خواهند داشت. برای کسب سود در این بازار در حال رشد، شرکت ها در حال آزمایش استراتژی ها، فناوری ها و فرصت های گوناگون هستند که تمامی آن ها نیازمند سرمایه گذاری های کلانند. ابهام زیادی در این حوزه وجود دارد، اما با این وجود، شرکت هایی که نکات زیر را در نظر می گیرند، فرصت بهتری برای برنده شدن دارند.
یک؛ کسب سود در نهایت محدود به بخش مشتری  خواهد شد: مشارکت های مشتری مدار در حوزه هوش مصنوعی همگی دارای یک ماهیت مشترک هستند: آن ها باعث تقویت تولیدات می شوند، اما به طور مستقیم بر اصول اصلی تاثیر نمی گذارند. بیشتر این تاثیر از بازیگران بزرگ و معروف عرصه فناوری ناشی می شود که شامل خدمات ترجمه و تگ کردن (برچسب کردن) عکس یا دستیار صوتی دیجیتال بر روی گوشی ها می شود. تقویت چنین تولیداتی بدون شک برای مشتریان جذاب خواهد بود. برای مثال آن ها می توانند مدت زمانی را که یک شخص برای بازدید از یک سایت صرف می کند، افزایش دهند. با این وجود، به طور مستقیم باعث افزایش فروش یا سود نمی شوند. اگر شرکت های کوچک تر خدمات مشابهی را ارائه دهند، اغلب به این نتیجه می رسند که به خاطر گرایش مشتریان به راه حل های رایگان، فروش آن ها اغلب محدود یا بی نتیجه است. بازیگران اصلی همچنین به طور گسترده به منابع بزرگ تر داده های مشتری دسترسی دارند - خون حیات هوش مصنوعی - که به آن ها اجازه می دهد تا راه حل های دقیق تر و آینده  نگرتری از هوش مصنوعی برای مشتریان توسعه دهند. با ارائه محصولات رایگان توسط شرکت های بزرگ که توانسته اند بیشتر سهم بازار را از آن خود کنند، کسب سود از طریق هوش مصنوعی بدون شک محدود به بخش مشتری شده است.
با این وجود در آینده شاید چنین چیزی تغییر کند، زیرا خدمات غیر رایگان جدیدتر از جمله دستیار خانگی در حال ورود به بازار هستند. موج بعدی مشتری هوش مصنوعی حتی شاهد نوآوری های بیشتری خواهد بود، همچنان که خودروسازان و دیگر تولیدکنندگان در حال تولید محصولات جدید هستند. برای مثال ماشین های بی نیاز از راننده را می توان در نظر گرفت. بعضی از مشتریان ممکن است با ماشین هایی که ترمز اتوماتیک را ممکن می سازد راضی شوند، اما بعضی دیگر خواهان قابلیت های بیشتری مانند رانندگی خودکار هستند و حتی حاضرند مبلغ بیشتری را برای آن بپردازند.
دو؛ برندگان تجاری بر فعالیت های تجاری خاص در صنایع امیدوارکننده تمرکز خواهند کرد: آیا مایلید بیشتر در مورد روش پیشرفته الکترونیکی بیاموزید؟
تحلیل اولیه ما از داده های موسسه جهانی مکنزی، به همراه مصاحبه هایی با متخصصان و پژوهش های مربوطه، نشان می دهند که 600 شرکت بزرگ، کاربر مجزا برای هوش مصنوعی دارند. از میان آن ها، در حدود 400 کاربر خواهان فناوری (ML) یادگیری ماشینی و 300 کاربر خواهان قابلیت  های DL (یادگیری عمیق) هستند. بسیاری از کابردهای جالب هوش مصنوعی هنوز در مرحله آزمایشی قرار دارند و در مقیاس بزرگ به کار گرفته نشده اند. در این جا تعدادی از کاربردهای هوش مصنوعی که به خاطر قابلیت های پردازشی بالای دریافتی - دیداری می توانند درخواست بالایی در چند سال آینده را داشته باشند، آورده شده است:
- دولت  ها می توانند از هوش مصنوعی برای اسکن تصاویر و شناسایی فعالیت های مشکوک در مکان های عمومی استفاده کنند یا الگوریتم های آن را برای کشف حملات سایبری احتمالی به کار گیرند. بسیاری از کاربردهای نظامی از جمله فناوری پهپادها از هوش مصنوعی استفاده می کنند. فراتر از کاربردهای امنیتی، هوش مصنوعی در حال باز کردن جای خود در کنترل ترافیک است که شامل به کارگیری سنسورها و دوربین هایی است که اجازه ارسال سیگنال های نوری را برای تغییر زمان بندی و ترتیب کارکرد آن ها بر اساس تعداد ماشین ها موجود روی جاده می دهد.
- برای بخش دولتی هم بانک ها تصمیم گرفته اند از هوش مصنوعی برای کشف رفتار مشکوک مانند الگوهای نشان دهنده پول شویی استفاده کنند. الگوریتم های هوش مصنوعی همچنین می توانند به پردازش تراکنش ها کمک و تصمیمات را با دقت بیشتری در مقایسه با انسان اتخاذ کنند. برای نمونه، الگوریتم های هوش مصنوعی می توانند نشان دهند که ویژگی های بررسی نشده ای می توانند احتمال این که یک تراکنش خاص کلاهبراری باشد، افزایش دهند.
- در بین خرده فروشان، هوش مصنوعی به آن ها برای کشف سرقت کمک می کند و می توانند نظارت های خودکار را تقویت کنند. چندین خرده فروش در حال آزمایش سیستم هایی هستند که از دوربین ها و سنسورها برای کشف زمانی که خریداران آیتم ها را از فروشگاه برمی دارند یا بازمی گردانند، استفاده می کنند. بعد از این که مشتریان فروشگاه را ترک می کنند، مبلغ تمام کالاهایی که برداشته اند در حساب آن ها وارد می شود. دیگر خرده فروشان از تصاویر داخل فرواشگاه برای بهینه سازی خدمات دهی همکاران استفاده می کنند. اگر دوربین ها نشان دهند که یک خریدار در پشت ویترین ایستاده، سیستم به همکار اطلاع می دهد تا به او خدمات رسانی کند. در آینده، حتی می توانیم شاهد پیشرفت های زیادی در این حوزه باشیم، از جمله سیستم های هوش مصنوعی که می توانند مشتریانی با پتانسیل خرید بالا را از طریق توجه به ویژگی های خاصی - حالات صورت (به عنوان مشخص کننده روحیه)، لباس و تعداد همراهان، شناسایی کنند و سپس قادرند به همکاران در مورد موقعیت این خریداران هشدار دهند.
شرکت ها در زمان تصمیم گیری برای پیگیری  فرصت های خاصی از بین صدها فرصت در دسترس کار دشواری دارند، اما با این وجود می توانند از طریق رویکرد سازمان یافته، گزینه های خود را محدود کنند. اولین قدم شامل انتخاب تمرکز بر یک حوزه خاص صنعتی است. این موضوع حقیقت دارد که تخصص و قابلیت های یک شرکت بر این تصمیم تاثیر می گذارد، اما بازیگران باید همچنین ویژگی های صنعتی از جمله اندازه بخش را در نظر بگیرند. مورد مهم دیگر پتانسیل ایجاد اختلال داخل یک صنعت است که به وسیله بررسی تعداد موارد استفاده هوش مصنوعی، سرمایه مالی اولیه، تاثیر اقتصادی کلی هوش مصنوعی و تاثیر کلی اقتصادی تعیین می شود و به عنوان میزانی که راه حل ها باعث کاهش هزینه ها و افزایش بهره  وری می شود، تعریف می شود؛ از سوی دیگر می تواند باعث نفع رسانی به اصول کلی از طریق تحلیل بازنگرانه کاربردهای گوناگون باشد. هرچه مزایای اقتصادی بیشتر باشد، احتمال این که مشتریان برای راه حل هوش مصنوعی هزینه پرداخت کنند بیشتر است. نمودار 2 داده هایی را نشان می دهد که از 17 صنعت برای ارزیابی موارد مربوط به هوش مصنوعی جمع آوری کردیم.
نمودار 2


همچنان که ارزش هوش مصنوعی برحسب هر صنعت متفاوت است، تکامل آن ها هم دارای تفاوت است. برای نمونه بخش صنعتی می تواند سود زیادی از هوش مصنوعی ببرد، اما شرکت های عضو هنوز برای قبول این راه  حل  ها همانند شرکت های معادل آن ها در صنعت خودرو آمادگی لازم را ندارند. برای تولیدکنندگان محصولات و خدمات هوش مصنوعی، این به این معناست که کسب سود به وسیله بعضی صنایع که زودتر از دیگران سودسازی می کنند، دچار افت می شود.
وقتی ارزش در خطر را به همراه تکامل بررسی می کنیم، مشخص می شود که چندین صنعت در حال حاضر بهترین فرصت ها را برای هوش مصنوعی فراهم می کنند: بخش دولتی، بانکداری، خرده فروشی و صنعت خودرو (نمودار 3). در حالی که استیلای بخش دولتی در این حوزه می تواند در عصری که دولت ها مشغول کاهش بودجه هستند، غافلگیرکننده به نظر رسد، اما با این وجود، بسیاری از مقامات رسمی، ارزش هوش مصنوعی را در بهبود کارایی می بینند و مایل به فراهم ساختن اعتبار مالی هستند. همچنان که آن ها استراتژی های هوش مصنوعی خود را برنامه ریزی می کنند، تامین کنندگان باید سرمایه گذاری خود را بر مشتریان احتمالی راه  حل های هوش مصنوعی که می خواهند مهره اول این دامینو باشند، متمرکز کنند.
نمودار3


تجارت های خاص و معین (Microverticals) زمانی که شرکت ها یک یا چند صنعت را برای تمرکز انتخاب می کنند، باید با انتخاب موارد استفاده خاص (مایکرو ورتیکال) برای تمرکز، به جلو حرکت کنند. خریداران تنها برای این که هوش مصنوعی یک فناوری جذاب و جدید است آن را نمی خرند، بلکه آن ها بیشتر هوش مصنوعی را برای بازگشت مطمئن سرمایه گذاری (ROI) می خواهند که از طریق حل مسائل خاص می تواند باعث صرفه جویی در هزینه ها یا افزایش فروش شود. برای نمونه، یک کارخانه تولیدی که می خواهد بیکاری ماشین  آلات خود را کاهش دهد، تنها به دنبال یک ارائه دهنده معروف هوش مصنوعی در فضای صنعتی نیست، بلکه بیشتر به دنبال شرکتی با تخصص و راه حل های ثابت شده نگه داری و پیش بینی کننده است. اگر تامین کننده هوش مصنوعی سعی کند راه حل افقی (کلی و همگانی) ارائه دهد - راه حلی که مشتریان می توانند آن ها را برای موارد گوناگون و غیرمرتبط به کار ببرند - ارزش پیشنهادی نمی تواند قانع کننده باشد. مشتریان نهایی این سوال را خواهند پرسید که آیا راه حل بازگشت مطمئن سرمایه  (ROI)می تواند هزینه زیاد آن را توجیه کند، به خصوص اگر آن را برای چندین مورد بی اهمیت یا بی ارتباط اعمال کنیم.
سه؛ شرکت ها باید از راه حل های پیوسته برای پیروزی در رقابت هوش مصنوعی استفاده کنند: از آن جا که بسیاری از مشتریان هنوز برای اجرای راه حل های تدریجی (تکه تکه) مشکل دارند، برای پیروزی در رقابت هوش مصنوعی، شرکت ها باید راه حل های پیوسته را در تمامی نه لایه انباشت فناوری ارائه یا هماهنگ سازی کنند. یک بیمارستان برای نمونه ترجیح می دهد سیستمی را که هم شامل ماشین MRI و هم نرم افزار تشخیص است سفارش دهد تا آن ها را جدا بخرد و بعد سعی کند آن ها را برای کار کردن هماهنگ سازد. گذشته از افزایش فروش، تامین کنندگان با راه حل های پیوسته می توانند جایگاه ثابتی در قبال مشتریان ایجاد کنند و پذیرش هوش مصنوعی را تسریع بخشند. شرکت انویدیا برای نمونه، پلتفرم های درایور PX  خود را به صورت ماژول و نه چیپ ارائه می دهد تا راه حل پیوسته ای برای رانندگی مستقل (بدون راننده) باشد. این پلتفرم پردازش ها، نرم افزار، دوربین ها، سنسورها و دیگر اجزا را برای ارائه تصاویر بی درنگ از محیط اطراف ماشین، یک پارچه می سازد. همچنین می تواند موقعیت ماشین را روی نقشه شناسایی و مسیری امن برای حرکت ماشین برنامه ریزی کند.
سازندگان بزرگ سخت افزار و نرم افزار اغلب قابلیت های هوش مصنوعی خود را با خرید دیگر شرکت های به نمایش می گذارند. در حالی که عقد قرارداد در بین صنایع کاری رایج است، اما به خاطر نیاز به راه حل های پیوسته در حوزه هوش مصنوعی رایج تر است. 250 واگذاری شرکت از جمله شرکت های خصوصی با تخصص هوش مصنوعی از سال 2012 انجام گرفته که 37 مورد از آن ها در سه ماه اول سال 2017 رخ داده است. برای رقابت با این غول های فناوری، بسیاری از شرکت های نوپا در حال ایجاد شراکت  هستند تا جایگاه خود را به عنوان یک پارچه سازان راه حل های هوش مصنوعی تثبیت کنند.
چهار؛ در انباشت فناوری هوش مصنوعی، راه حل ها یا سخت افزارها ارزش بیشتری دارند: در بین انباشت فناوری هوش مصنوعی، تحلیل ما از آینده می گوید که هر بازیگر به طور مستقیم مقدار متفاوتی از سود یا ارزش ایجاد می کند. بیشتر ارزش در دو محدوده متمرکز خواهد شد (نمودار 4). اول از همه و تا حدی غیرمنتظره روال صنعت و بسیاری از بهترین فرصت ها از صنعت سخت افزار ناشی خواهد شد (نودهای اصلی، شتاب دهندگان نتیجه گیری و شتاب دهندگان آموزش). روی هم تخمین می زنیم که این اجزا مسئول 40 تا 50 درصد از کل ارزش فروشندگان هوش مصنوعی باشند.
نمودار 4


در حالی که سخت افزار در بسیاری از بخش ها تبدیل به یک کالای تجاری شده، این روال به این زودی ها به حوزه هوش مصنوعی نخواهد رسید، زیرا سخت افزاری که برای حل مسائل خاص (ورتیکال) بهینه سازی شده، کارایی بالاتری را ارائه خواهد کرد، به خصوص زمانی که هزینه کل مالکیت در مقایسه با خود سخت افزار به عنوان یک کالا مانند پردازشگرها با اهداف کلی در نظر گرفته شود. برای نمونه شتاب دهندگان بهینه سازی شده برای شبکه های عصبی پیچیده، بهترین گزینه برای تشخیص تصویر هستند و از این رو به وسیله تولیدکنند گان لوازم پزشکی انتخاب خواهند شد. اما شتاب دهندگان بهینه سازی شده برای شبکه ها با حافظه کوتاه و بلندمدت، بیشتر برای تشخیص گفتار و ترجمه زبان مناسب هستند، از این رو بیشتر برای سازندگان دستیارهای خانگی مجازی پیچیده جذابیت دارند. برای هر مورد استفاده که شرایط کمی متفاوت را طلب می کند، سخت افزاری نسبتا سفارشی شده مورد نیاز است.
در یک الگوی دیگر که از فرم اصلی متفاوت است، نرم افزار (تعریف شده به عنوان پلتفرم و لایه های رابط)، احتمال کمی برای تبدیل به تنها عامل تعیین کننده بلندمدت در هوش مصنوعی دارد. همچنان که با ظهور شتاب دهندگان DL دیده شد، سخت افزار به تنهایی یا به همراه نرم افزار احتمالا باعث ایجاد بهبودهای عملکردی قابل توجهی مانند کاهش تاخیر یا مصرف برق خواهد شد. در چنین محیطی، بازیگران باید در مورد انتخاب های سخت افزاری خود گزینشی عمل کنند.
چگونه هوش مصنوعی می تواند ارزش واقعی را به شرکت ها انتقال دهد؟ در پاسخ به این پرسش باید گفت 40 تا 50 درصد دیگر از ارزش راه حل های هوش مصنوعی از خدمات حاصل می شود که شامل راه حل ها و موارد استفاده است. یک پارچه سازان سیستم که اغلب دسترسی مستقیم به مشتریان دارند، بیشتر این سودها را با پیوند راه حل ها در طول تمامی لایه های انباشت، از آن خود خواهند کرد.
برای آینده نزدیک، حوزه های دیگر انباشت هوش مصنوعی سود زیادی ایجاد نخواهند کرد، حتی اگر ارزش مستقیمی ایجاد کنند که باعث افزایش رشد در اکوسیستم DL شود. برای نمونه، داده ها و روش ها که هر دو عوامل آموزش هستند، حالا به تنهایی، حداکثر 10 درصد از ارزش تامین کنندگان هوش مصنوعی را تامین می کنند. ایجاد این الگو به خاطر این است که بیشتر داده ها از کاربران نهایی راه حل های هوش مصنوعی حاصل می شود تا ارائه دهندگان طرف ثالث. با این وجود، در نهایت بازاری برای داده ها در دنیای شرکت  و مشتری پدید می آید که این لایه از انباشت را به طور نسبی در آینده جذاب تر خواهد ساخت.
پنج؛ معماری های خاص سخت افزار تعیین کنندگان حیاتی برای پردازش های ابری و اج خواهند شد: با رشد هوش مصنوعی و پس از این که نرم افزار بیشترین سود سرمایه گذاران و شرکت ها را جذب کرد، سخت افزار دوباره ارزش خود را بازیابی خواهد کرد. گفت و گوی ما با کاربران نهایی نشان می دهد که سود راه حل های ابری و اج بسته به مورد استفاده افزایش خواهد یافت. سیستم ابری با توجه به مزیت بالای آن، به گزینه مورد علاقه برای بسیاری از کاربردها تبدیل خواهد شد. با استفاده از این فناوری، مشتریان و تامین کنندگان در ترجیحات خود برای انتخاب فناوری مدار یک پارچه برای کاربرد خاص (ASIC) و واحد های پردازش گرافیکی (GPU) متفاوت تصمیم گیری خواهند کرد و بازار به احتمال زیاد دچار گسستگی خواهد شد.
با تمامی این حرف ها، شاهد نقش مهم و رو به رشدی برای شیوه نتیجه گیری در سیستم اج خواهیم بود، جایی که تاخیر پایین، نگرانی های حریم خصوصی و ارتباط پذیری حیاتی هستند. در سیستم اج، ASIC می تواند برنده محیط مشتری باشد زیرا این فناوری تجربه بهینه شده ای از تجربه کاربر ارائه می کند که شامل مصرف کم انرژی و پردازش بالاتر برای کاربردهای متعدد می شود. فناوری شرکتی اج می تواند شاهد رقابت سالم بین آرایش های دروازه های قابل برنامه ریزی میدانی، GPUها و فناوری ASIC باشد. با این وجود ASIC می تواند عملکرد بهتری برحسب وات داشته باشد که عاملی حیاتی در سیستم های اج محسوب می شود. به عقیده ما این فناوری ها می توانند دست بالا را در بعضی از کاربردهای شرکتی داشته باشند، به خصوص زمانی که میزان درخواست آن قدر قوی است که می تواند هزینه بالای توسعه آن ها را توجیه کند.
شش؛ بازار در حال گسترش است؛ شرکت ها همین  حالا باید اقدام و استراتژی ها موجود خود را احیا کنند: هرچند شرکت های فناوری ممکن است دقیقا از چگونگی تکامل تقاضای هوش مصنوعی آگاه نباشند، اما با این وجود آن ها از فرصت بی نظیر موجود در DL و کاربرد آن آگاه هستند. با تکامل مستمر فناوری و بازیگران متعددی که در اجرای استراتژی های متفاوت هستند، فرمول موفقیت هنوز نامعلوم است.
بازیگران بزرگ از پیش با تجارت های پیش رو که در حال رفتن در مسیری مخالف با منطق حال است، اقدامات خود را آغاز کرده اند. تنها با در نظر گرفتن یک نمونه، شرکت اینویدیا بودجه پژوهش و توسعه خود را برای هوش مصنوعی از سال 2012 تا 2016 در حدود 8 درصد افزایش داده  که در سال 2016 هزینه مصرفی آن ها در این حوزه به 3/1 میلیارد دلار رسید (نمودار 5). این هزینه ها 27 درصد کل درآمد این شرکت را بازنمایی می کنند - که خیلی بیشتر از گروه های صنعتی هم رده او با 15 درصد است - و نشان می دهند که این شرکت خواهان استفاده از مسیرهای مختلفی در مقایسه با شرکت های تولیدکننده نیمه هادی است که به طور بی سابقه ای در حال کاهش بودجه پژوهش و توسعه خود هستند. شرکت اینویدیا همچنین گام های اساسی برای ایجاد یک اکوسیستم پیوسته برای محصولات را برداشته که بر توسعه GPU تمرکز می کند. این شرکت به شدت در حال آموزش توسعه دهندگان به منظور کسب مهارت های مورد نیاز برای استفاده ازGPU ها در DL، تامین مالی شرکت های نوپا که کاربرد GPUهای ساخت این شرکت برای DL را فراگیر می سازند، ایجاد شراکت برای ایجاد راه حل های پیوسته به منظور یک پارچه سازی محصولات و افزایش تعداد کاربردهای GPU محور است. شرکت های دیگر که از چنین استراتژی های غیرمتعارفی پیروی می کنند، همچنین می توانند با سودسازی استثنایی پاداش خود را دریافت کنند.
نمودار 5



موفقیت اینویدیا نشان می دهد که شرکت های فناوری با حفظ شرایط حاضر نخواهند توانست به پیروزی برسند و نیازمند بازنگری سریع در استراتژی های خود و انجام ریسک های بزرگ برای توسعه خدمات با کیفیت هوش مصنوعی هستند. با در نظر گرفتن این خطرات، شرکت ها نمی توانند برای کسب سود به طرح های نامعلوم و آزمایشی روی بیاورند. بنابراین باید پرسید همچنان که به جلو می روند، نکات اصلی قابل توجه چه هستند. بررسی ما ایده های در حال ظهور زیر را در رابطه با پرسش های کلاسیک استراتژی های تجاری نشان می دهد:
- کجا رقابت کنیم؟
بعد از تصمیم گرفتن در مورد حوزه خاص برای رقابت با دیگر شرکت ها، باید صنایع و مایکرو ورتیکال ها را در نظر بگیریم. شرکت ها باید موارد استفاده ای را انتخاب کنند که با قابلیت های آن ها سازگار باشد، به آن ها برتری رقابتی دهد و به ضروری ترین نیاز های یک صنعت مانند کشف تقلب برای تراکنش های کارت اعتباری رسیدگی کند.
- چگونه رقابت کنیم؟ شرکت ها سپس باید در جست و جوی شرکا یا مالکیت ها باشند تا اکوسیستمی را برای محصولات خود ایجاد کنند. ارائه دهندگان سخت افزار از قابلیت های انباشت فناوری فراتر روند در حالی که تولیدکنندگان نرم افزار برای ایجاد راه حل های همه جانبه، خود را با آن ها هماهنگ می سازند. همچنین می توانیم نگاهی نو به مدل ‍های پول سازی بیندازیم. مشتریان از ارائه دهندگان خدمات هوش مصنوعی انتظار دارند تا بخشی از ریسک را در زمان خرید بپذیرند که می تواند منجر به برخی گزینه های خلاقانه در قیمت گذاری شود. برای نمونه، یک شرکت می تواند قیمت معمول را برای یک دستگاه MRI اعمال کند که همچنین مجهز به قابلیت  های هوش مصنوعی است و تنها برای کاربرد پردازش تصویر با DL، درخواست قیمت اضافی کند.
- چه وقت رقابت کنیم؟ شرکت های فناوری های پیشرفته برای تولید راه حل های پیچیده و به روز سزاوار تشویق هستند، اما با این وجود تمرکز بر کمال گرایی در هوش مصنوعی می تواند خطرآفرین باشد. شرکت های قدیمی در این حوزه می توانند با سرعت پیشرفت کنند و جایگاه خود را برای ایجاد یک استاندارد تحکیم بخشند. شرکت ها باید بر راه حل های مطمئنی تمرکز کنند که به آن ها اجازه ایجاد موجودیت بدهد تا این که تقلایی باشد برای رسیدن به کمال. با رسیدن به موفقیت زودهنگام، سپس می توانند با توسعه بیشتر به سمت فرصت های بیشتری حرکت کنند. اگر شرکت ها دو یا سه سال زمان برای ایجاد یک استراتژی هوش مصنوعی و تحکیم جایگاه خود صرف کنند، به اعتقاد ما شانس زیادی برای بازیابی تاثیرگذاری خود در این بازار به سرعت در حال تکامل را نخواهند داشت. بیشتر تجارت ها از ارزش در خطر آگاه هستند و مایلند تا در این زمینه پیش قدم شوند، اما با این وجود از فقدان یک استراتژی قوی رنج می برند. این نظریه شش سویه که در این جا مطرح شد، می تواند به آن ها برای حرکت در مسیر درست و آغازی مطمئن کمک کند. پرسش کلیدی این است که کدام بازیگران از این مسیر قبل از این که فرصت  از دست برود استفاده خواهند کرد؟
منبع: مکنزی

مجله دانش بنیان