2018年人工智能领域值得关注的趋势报告,13个趋势来展望未来AI技术

导 读

人工智能向终端产品迁移、“胶囊网络”兴起、中美争夺人工智能领导地位、六位数薪水(美元)的人才大战、更多白领和蓝领工作将被机器人取代……

AI的应用如今还是专注于非常细分的领域,但这些AI驱动的细分领域正在重塑企业、市场和行业。AI已经不屑于争“风口”。

风险投资数据公司CB Insights日前发布了2018年人工智能领域值得关注的趋势报告,主要从13个趋势来展望未来AI技术对生活、工作的影响。

机器人将逐渐替代一些蓝领工作

在美国,工业机器人在制造业企业中的应用比重日趋上升,近期中国T恤制造商天源服装公司与美国阿肯色州政府签署了谅解备忘录(MoU),将在阿肯色设立新的服装厂。新建立的工厂将会使用由人工智能初创公司SoftWear Automation 的缝纫机器人,许多看起来十分繁重的工作将由机器人完成,而人类工人则接管包括机器人维护和运行之类的高端工作。

但消费者不断变化的喜好和因此导致的生产线大幅变动仍然是全面自动化发展过程中遇到的障碍,即使在亚马逊高度自动化的仓库中,这一点也反应的很明显。亚马逊的协作仓库机器人承担了大多数繁重的工作,人类工人则专注于细致的工作,比如从货架上挑选货物再插入到单独的订单中。不过,机器人在非结构化环境中的抓取、挑选和处理物品方面仍然差强人意。亚马逊已经在各种仓库中使用了超过10万台机器人,但是同时在新的配送中心也为人类创造了数以千计的新岗位。

人工智能的应用渗透各行各业

人工智能的发展趋势不可阻挡,从酿造啤酒到大麻产业,人工智能似乎无所不能,说的更具体些,是机器学习无处不在。随着时间推移,人工智能算法的表现会更加出色。

英国IntelligentX公司想要推出世界上第一款人工智能酿造的啤酒。俄罗斯的DeepFish则使用神经网络识别各种鱼类,将雷达技术与人工智能相结合以区分雷达图像中的鱼群和噪声。瑞典的Hoofstep则筹集了风投资金,实现了基于深度学习的马匹行为分析。纽约专业级护发产品定制品牌Prose也利用AI技术为不同类型的发质提供不同配方的护发产品,Prose已经获得了757万美元的融资,投资方包括Forerunner Ventures、LererHippeau Ventures 和Maveron等。此外,人工智能还被用于大麻种植技术中。DeepGreen使用计算机视觉能够辨别大麻类植物的性属和健康状况。

2018 年,我们期望看到更多可以直接使用的人工智能技术。这种趋势表明人工智能不是一项稀有技术,相反,它是现代软件和应用的基石之一。

中美争夺全球人工智能领导者地位

2017 年,全球投融资事件中有9%是人工智能领域的,而中国的人工智能初创公司融资金额则占了全球该领域总融资金额的近50%,首次超越美国。中国政府也在推动未来的人工智能计划,计划涵盖智能农业、智能物流到军事应用、人工智能带来的就业机会等方方面面。

此外,中国企业的AI专利申请也反映了强大的研发能力,大有赶超美国之势。基于标题和摘要的关键词搜索,中国与人工智能相关的专利公布远远超过美国专利商标局公布的专利数量。以深度学习为例,中国在这方面公布的专利数量是美国的 6 倍。

面部识别和人工智能芯片是助推中国人工智能发展的两大技术。前者迎合了政府实施的安全监控政策,后者对美国制造的芯片产生了直接的挑战。中国的独角兽公司旷视科技(Face++)、商汤科技以及初创公司云从科技是这一领域的三个主要玩家(后者获得了广州市政府 3.01 亿美元的资助)。

美国和中国也在争夺人工智能芯片技术的主导地位。2017年6月,中国政府表示,计划到2020年人工智能技术水平将赶上美国,到2030年,将超过美国成为人工智能的世界领导者。

中国的科技巨头如百度、京东也在对海外的人工智能公司进行投资,包括美国。百度和京东投资了美国金融科技公司ZestFinance,腾讯投资了位于纽约的人工智能公司ObEN。明码生物科技和Pony.ai等初创公司在中美两国都开展了业务,进一步拉近了两国之间的竞争差距。

未来的网络安全需要AI技术来提升

使用人工智能技术的网络安全市场越来越火爆,数据中心正成为新的战场。2014 年,亚马逊为CIA搭建了一个私有云服务,满足了敏感数据严格的合规和监管要求。在2017年第四季度,AWS将这些工具开放给了情报安全领域外的政府客户。此外,亚马逊也收购了两家人工智能网络安全公司——Harvest.ai 和Sqrrl, 保证云端敏感数据的安全。

网络安全为人工智能算法提供了一个真实的应用机会,因为网络攻击会不断演化,网络防护软件也在不断面临各种前所未闻的恶性软件的威胁。人工智能可以对数百万事件进行筛选后识别异常、危险以及可能产生威胁的信号。目前,该市场拥有大量新兴的网络安全公司,都在试图将机器学习推到下一个高度。

过去5年,网络安全领域有134家初创公司共获得 36.5 亿美元的融资。2017年,约有34家公司首次获得融资。目前Cybereason、CrowdStrike、Cylance 以及 Tanium 等公司已经占据了很大的市场份额,并且每个公司的市值都超过了 9 亿美元。

你好吗,Alexa?

亚马逊Echo和谷歌Home主宰了智能家居音箱市场,但巨头对非英语市场的服务却并未赶上。亚马逊虽然在初期是语音计算的领导者,但目前在语言支持上却落后一步。上个季度,亚马逊宣布它将在大约80个国家发售基于Alexa平台的音箱。但不利的方面是,它希望全球的用户能通过英语、德语或者日语与音箱进行互动。苹果的HomePod目前仅支持英语,但它计划不久将可以支持德语和法语。

在这方面,谷歌比亚马逊拥有更大的优势。安卓手机上的谷歌助手支持英语、法语、德语、意大利语、韩语、西班牙语以及葡萄牙语。它的语音识别能力——用于进行语音-文本转换以及语音搜索——可以支持119种语言。目前,西班牙语智能家居市场并没有被科技巨头们给予足够的关注,尽管它实际上是仅次于汉语的应用范围最广的语言之一。在中国,阿里巴巴称天猫精灵自2017年6月发售以来卖出了超过100万台。

在2018年,我们将继续看到语音助手领域在非英语市场的激烈竞争。

白领市场自动化进程在加速

白领通常包括律师、咨询顾问、金融分析师、记者、交易员等,人工智能对这些人带来的冲击和给蓝领带来的冲击一样大。越来越多由人工智能加持的专家级自动化及增强软件(Expert Automation & Augmentation Software, EAAS)正将人类带入人工智能辅助生产或人工智能优化生产的新纪元。这些能够优化生产的人工智能工具正在威胁白领工作中的案头部分。

下图展示了专家级自动化及增强软件(EAAS)市场的情况。从图中你能够看到,AI EAAS 初创公司的足迹遍布各行各业。具体说来,不论是律师、记者、财富管理人员、交易员还是咨询行业从业者,都有相应的 AI EAAS 软件可以使用。

由于人工智能平台正变得越来越高效和商业化,曾经按小时收费的第三方律所的收费模式也将受到冲击。程序员也不能幸免,很多早期的人工智能项目正着眼于基于 AI 的软件测试、Debug、以及基础的前端开发等工作。位于英国的DiffBlue去年得到了大额融资,这家公司的业务就是将AI技术用于日常编码工作中的错误修复、客户端代码编写、将某一编程语言编写的代码翻译至另一种语言等任务。

人工智能向终端产品的迁移

2017 这一年,人工智能行业表现出了很明显的向终端迁移的趋势。例如将人工智能嵌入更小的设备以及传感器中,并在计算网络的边缘运行。换句话说,人工智能将离开云端,甚至离开手机,转而存在于你的耳机中。

而且人工智能的应用越来越去中心化。设备智能,例如智能手机、汽车、甚至无线设备上的智能,由于无需与云端或服务器通信,因此能够实现更迅速、本地化、场景化的信息处理。

苹果发布了搭载神经引擎的A11芯片,这款芯片将被用在iPhone 8和iPhone X上,能够以最多每秒600B次计算的速度运行机器学习任务。主流处理器制造商英特尔也不得不通过收购的方式追赶终端智能的潮流。近期英特尔也发布了设备中视觉处理芯片——Myriad X(由英特尔2016年收购的Movidius开发)。

“胶囊网络”的兴起

深度学习是当前大多数人工智能应用程序使用的技术,由于胶囊网络的出现,现在深度学习得以改头换面了。不同的神经网络具有不同的结构,当今深度学习领域最著名的网络结构为卷积神经网络(CNN)。现在,一个新的网络结构——胶囊网络——流行起来,并且在多方面拥有赶超CNN的能力。

尽管CNN在近年来取得了成功,我们仍旧不能忽视它存在的短板,在很多时候,CNN表现不佳并且可能存在安全漏洞。一直以来,研究人员都在努力提升人工智能算法,试图克服这些问题。我们举一个最常见的例子,在人脸识别的过程中,CNN通过学习了解到人脸上的各个要素(眼睛、鼻子、嘴巴),但却记不住每一个要素的具体位置,导致以下两张图都能够被认作一张人脸。

深度学习领域的领先研究者之一Geoffrey Hinton在2017年发表了一篇研究论文,介绍了胶囊网络,也就是CapsNet的概念。简而言之,胶囊网络从更高维度的特征来识别事物,所需训练数据更少,且错误率更小。比如上面的例子中,嘴巴长在眉毛上面的脸将被轻松鉴别出来,而CNN却没有办法做到这一点。

CNN的另一个问题在于,它不能处理输入数据的多种变换形式。比如,你需要用同一个物体不同角度的很多张照片作为输入数据,才能训练一个卷积神经网络识别该物体。因此,要识别很多种物体,就需要庞大的训练数据。

在这一点上,胶囊网络被认为比CNN表现更佳。胶囊网络需要更少的训练数据,并且能够通过一个物体的几种状态推断出另外的状态,在训练中不需要输入每一种状态的数据。

六位数薪水(美元)的人工智能人才大战

人工智能人才供不应求,领域内的顶尖研究员的薪水可以达到数百万美元。从猎聘列出的职位来看,宝马中国给出的高级机器学习研究员的薪水大约为 56.7 到 62.4 万美元,其他不同公司也对机器学习专家一职给出了 31.5 到 41 万美元。

根据腾讯最近的报告显示,目前在人工智能领域具备相应资质的研究人员预估有 30 万人,其中包括相关研究领域的学生。与此同时,人工智能领域的公司总共可能需要100万或更多的人工智能专家来满足他们的需求。在美国,如果在职场社区 Glassdoor上搜索人工智能则会显示出超过3.2万个就业机会,其中不少职位的工资达到六位数。

被谷歌收购的DeepMind公司2016年全年的财务报表中显示,“人员成本和其他相关成本”这一项达到了1.05亿英镑。从LinkedIn搜索的DeepMind当时的员工数量为415人,这就意味着平均每个员工的薪资是25.2万英镑(合约35万美元)。

无疑,随着优秀人才不断流向初创公司,人才争夺战将变得更加激烈。

机器学习的炒作将平息

机器学习将很快走下神坛。2017年,仅是孵化器就孵化了超过300家人工智能初创公司,是2016年的三倍。这一年,投资者在人工智能领域共计投资超过152亿美元资金,是2016年筹集资金的141%。自2016以来,有超过1100家的新兴人工智能公司完成了首轮融资。

不过,这波炒作很快就会平息。机器学习的常规化会使投资者对他们投资的人工智能公司变得更严苛。A16Z的FrankChen表示:“在未来几年,没有投资者会去寻找AI初创公司,初创公司会被“认定”正在使用必要的人工智能算法来为他们的产品提供驱动力”。

亚马逊、谷歌、微软主导了企业 AI应用

近5年内,投资者在专注于企业AI服务的创业公司上累积投入18亿美元,现在,亚马逊、谷歌、微软可能会让小公司面临淘汰。

谷歌推出Cloud AutoML,用户可以用他们自己的数据来训练算法进而满足特定的需求。亚马逊则在AWS旗下打出Amazon AI口号,开始销售AI-as-a-service。Amazon AI 的目标是为那些需要人工智能技术的大型或小型开发者提供服务,无需自己研发也无需预付费。亚马逊推出的产品类似API接口,允许开发者访问Amazon Lex(Alexa的 NLP功能)、Amazon Polly(语音合成)以及 Amazon Rekognition(图像分析)。此外,微软与亚马逊的竞争也十分激烈,Salesforces和Oracle等公司也紧跟其后。

人工智能诊断得到监管机构的首肯

机器学习将很快成为医疗影像和诊断领域中的一个常规操作。美国的监管机构正在考虑批准让人工智能技术应用于临床。人工智能在诊断中的价值主要体现在及早发现病情以及提高准确性方面。

机器学习算法可以通过对数百万其他患者的医疗图像进行比较,从而获取人类肉眼可能忽略的细微差别。算法完成这件事情只需几秒钟,但人类却可能需要花上几个小时的时间。

针对消费者的人工智能监测工具也不在少数,例如使用计算机视觉技术监测可疑皮肤病的SkinVision。而新一波人工智能医疗应用也将入驻医院和诊所。

近日,全球生物制药企业AstraZeneca就宣布与阿里巴巴旗下阿里健康展开合作,在中国携手开发人工智能辅助诊断及筛查等应用程序。

医疗依旧是人工智能创投最热门的领域之一,许多专注于医疗影像及诊断公司的不断成长促成了这一结果。

在医疗这类高风险产业中,存在最大争议的地方在于,谁来承担人工智能系统误诊的责任。目前的应用程序都是在辅助放射科医生和内科医生,而不会成为诊断的最终裁决者。

人工智能走向按需定制

无需拥有计算机科学或是数学专业的博士学位,你就可以自己打造出一套人工智能系统。目前市面上存在的大量开源软件、海量API和SDK以及极易上手使用的亚马逊或谷歌套件,都大幅度降低了人们进入人工智能领域的门槛。

谷歌曾推出 AIY(artificial intelligence yourself)计划,旨在让每一个年龄层的用户都可以DIY自己的人工智能产品。基于AIY项目诞生的首个产品名为AIY Voice Kit,是一款结合树莓派的语音识别工具包。从制作80年代中期的有内置智能助理功能的对讲机,到创造语音助理使其听起来像《神秘博士》重的角色一样,用户正基于AI创造出新的发明。

亚马逊也推出了DeepLens,售价249美元的基于深度学习的摄像机。亚马逊也正在举办第一个“DeepLens黑客马拉松”,主要是机器学习的项目,而且亚马逊为第一名开出了7500美元的奖金。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

您可以使用这些HTML标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>