編者按：關(guān)心AI的人一定希望了解這個(gè)行業(yè)的最新發(fā)展趨勢，最近行業(yè)分析機(jī)構(gòu)CBInsights最近發(fā)布了2019年AI趨勢報(bào)告正好能滿足這個(gè)需求。這份84頁的報(bào)告識別了25種AI趨勢，運(yùn)用CBInsights的NExTT分析框架，從行業(yè)采用度和市場優(yōu)勢兩個(gè)維度對其進(jìn)行歸類，可以為不同參與角色提供決策參考。
其關(guān)鍵發(fā)現(xiàn)是對電子商務(wù)搜索詞的上下文理解正在擺脫“試驗(yàn)”階段，不過距離廣泛采用還有很長一段路要走；深度學(xué)習(xí)是當(dāng)前絕大部分AI應(yīng)用的引擎。不過因?yàn)槟z囊網(wǎng)絡(luò)，這種技術(shù)可能需要改進(jìn)一下了；先進(jìn)醫(yī)療保健與生物測定領(lǐng)域的研究人員正在開始利用神經(jīng)網(wǎng)絡(luò)研究和測定此前難以量化的非典型風(fēng)險(xiǎn)因素；能訪問大型標(biāo)簽化的數(shù)據(jù)是訓(xùn)練AI算法的必需，而逼真的仿造數(shù)據(jù)也許能解決這一瓶頸。
為了方便各位了解，36氪對這25種趨勢進(jìn)行摘要編譯介紹。
必需
開源框架
AI的進(jìn)入門檻變得空前的低，這要感謝開源軟件。
以2015年Google開源TensorFlow機(jī)器學(xué)習(xí)庫為開端，現(xiàn)在AI（尤其是深度學(xué)習(xí)）的開源框架已經(jīng)形成百花齊放的局面，其中有Facebook的PyTorch、特利爾學(xué)習(xí)算法研究所（MILA）的Theano、Keras、Microsoft Cognitive Toolkit以及Apache MXNet等等。
開源AI框架是雙贏的局面：一方面令人人都能用上AI；反過來，貢獻(xiàn)者社區(qū)也為加速Google等公司的AI研究提供了幫助。
知名AI專家Yoshua Bengio表示：
支持深度學(xué)習(xí)研究的軟件生態(tài)體系發(fā)展得很快，現(xiàn)在已經(jīng)達(dá)到了一種健康的狀態(tài)：開源軟件成為規(guī)范；各種框架出現(xiàn)，滿足了從探索新穎想法到生產(chǎn)部署的各種需求。而且不同的軟件堆棧也在刺激的競爭氛圍下得到了有力的行業(yè)玩家的支持。
邊緣AI
對實(shí)時(shí)決策的需求正在將AI推向靠近邊緣的地方。
在智能手機(jī)、汽車甚至可穿戴設(shè)備等邊緣設(shè)備上運(yùn)行AI算法，而不是跟中心云平臺或服務(wù)器通信，使得邊緣設(shè)備具備了在本地處理信息的能力，并且可以更快速地對情況做出響應(yīng)。
Nvidia、高通、蘋果及若干初創(chuàng)企業(yè)均在開發(fā)用于邊緣的AI專用芯片。
邊緣AI對消費(fèi)者電子、電信、醫(yī)療影像等主流行業(yè)均有應(yīng)用意義。比方說監(jiān)控?cái)z像頭的人臉識別、華為、蘋果等智能手機(jī)的人臉與對象識別、Tesla AI芯片的即時(shí)駕駛決策、嬰兒監(jiān)視器、無人機(jī)、機(jī)器人視覺能力（無互聯(lián)網(wǎng)連接）等。
在2018年各大公司的財(cái)報(bào)會上，提到邊緣計(jì)算的次數(shù)已經(jīng)明顯增多。
不過盡管邊緣AI具有減少延時(shí)的優(yōu)勢，但也存在局限。那就是存儲和處理能力受到限制。預(yù)計(jì)會有更多混合模式出現(xiàn)，使得智能邊緣設(shè)備能夠相互溝通以及與中心服務(wù)器通信。
臉部識別
從手機(jī)解鎖到登機(jī)手續(xù)，人臉識別正在進(jìn)入主流。
人臉識別在中國的媒體熱度從2016年開始就不斷升溫。
中國對人臉識別技術(shù)的需求也與之同步。在這方面中國已經(jīng)冒出了商湯科技、Face++、CloudWalk等獨(dú)角獸。
美國這方面的的專利申請也呈現(xiàn)相似的趨勢。
人臉識別的早期商業(yè)應(yīng)用正在安保、零售及消費(fèi)者電子領(lǐng)域出現(xiàn)，并且迅速成為生物特征識別的主流形式。
盡管人臉識別應(yīng)用日益廣泛，但這種技術(shù)并不是沒有瑕疵。曾有報(bào)道稱Amazon將一位國會議員認(rèn)成了犯罪份子。華爾街日報(bào)記者用一張校長照片作為面具就輕易騙過了西雅圖一所學(xué)校的智能攝像頭。
醫(yī)療影像與診斷
美國FDA正在給AI即醫(yī)療設(shè)備開綠燈。2018年4月，F(xiàn)DA批準(zhǔn)了無需專家補(bǔ)充意見進(jìn)行篩查糖尿病視網(wǎng)膜病變病人的AI軟件。該軟件叫做IDx-DR，其識別率達(dá)到了87.4%，對沒有此病的識別率也達(dá)到了89.5%。
此外，F(xiàn)DA批準(zhǔn)了初創(chuàng)企業(yè)Via.ai的CT掃描與潛在中風(fēng)癥狀通知軟件Viz LVO，以及初創(chuàng)企業(yè)Arterys的Oncology AI軟件包，后者可以識別肺部與肝臟損傷。
監(jiān)管的放松給商業(yè)化開辟了新的道路。自2014年以來，共有80家AI影像與診斷公司完成了149項(xiàng)融資交易。
初創(chuàng)企業(yè)Healthy.io的第一款產(chǎn)品Dip.io利用率了傳統(tǒng)的尿液分析試紙來監(jiān)控若干尿路感染：用戶用智能手機(jī)拍攝試紙照片，計(jì)算機(jī)視覺算法就能根據(jù)不同的光照情況和相機(jī)品質(zhì)對結(jié)果進(jìn)行校正。產(chǎn)品可檢測感染及懷孕相關(guān)的并發(fā)癥。已在歐洲、以色列商用的Dip.io也已獲得FDA放行。
預(yù)測性維護(hù)
AI工業(yè)物聯(lián)網(wǎng)可為從制造商到設(shè)備保險(xiǎn)商的既有者節(jié)省數(shù)百萬美元的意外故障損失。
預(yù)測性維護(hù)利用傳感器及智能攝像頭不斷采集機(jī)器數(shù)據(jù)（如溫度、壓力等）。生成的實(shí)時(shí)數(shù)據(jù)的規(guī)模以及格式的多樣使得機(jī)器學(xué)習(xí)成為工業(yè)物聯(lián)網(wǎng)不可或缺的組件。假以時(shí)日，算法就能夠提前預(yù)測故障。
工業(yè)傳感器成本的下降，機(jī)器學(xué)習(xí)算法的進(jìn)展，以及邊緣計(jì)算的推進(jìn)，這些均使得預(yù)測性維護(hù)的應(yīng)用變得更加廣泛。
從下圖可以看出，對領(lǐng)域的投資正在逐年遞增。
其中活躍的投資者包括GE Ventures、西門子、SAP等。甚至微軟等大公司也對自己的云與邊緣分析解決方案進(jìn)行擴(kuò)展，提供預(yù)測性維護(hù)能力。
電子商務(wù)搜索
對搜索詞的上下文理解已經(jīng)走出“試驗(yàn)”階段，但是大規(guī)模采用仍有很長一段路要走。
自2002年以來，Amazon已經(jīng)申請了35項(xiàng)與“搜索結(jié)果”有關(guān)的美國專利。其中包括利用卷積神經(jīng)網(wǎng)絡(luò)“確定一組圖像與查詢圖像類似的物品”，利用機(jī)器學(xué)習(xí)分析圖像的視覺特征，并基于此建立搜索查詢等。
eBay則利用機(jī)器學(xué)習(xí)來分析賣家的產(chǎn)品描述，然后借此尋找同類產(chǎn)品。
但是很多買家都是使用自然語言來進(jìn)行查詢，這對電子商務(wù)搜索構(gòu)成了挑戰(zhàn)。新興初創(chuàng)企業(yè)于是開始為零售商提供搜索技術(shù)。
圖像搜索初創(chuàng)企業(yè)ViSenze的客戶包括Uniqlo、Myntra、樂天等。它可以讓進(jìn)店客戶拍攝喜歡的東西的照片，然后上傳，在網(wǎng)上找到同樣的產(chǎn)品。
獲得阿里投資的以色列初創(chuàng)企業(yè)Twiggle正在基于電子商務(wù)搜索引擎開發(fā)語義API，對買家的特定搜索做出響應(yīng)。
試驗(yàn)
膠囊網(wǎng)絡(luò)
深度學(xué)習(xí)是當(dāng)今絕大部分AI應(yīng)用的引擎。但由于膠囊網(wǎng)絡(luò)，這種技術(shù)現(xiàn)在可能需要改進(jìn)一下了。
膠囊網(wǎng)絡(luò)（CapsNet）是深度學(xué)習(xí)先驅(qū)Geoffrey Hinton 2017-18年時(shí)提出的概念，旨在克服當(dāng)前圖像識別方法（主要是卷積神經(jīng)網(wǎng)絡(luò)CNN）的缺陷。
這種缺陷主要有2個(gè)。一是難以識別精確空間關(guān)系。比方說右圖中盡管嘴巴的相對位置發(fā)生了改變，CNN仍會將其識別成人臉。
二是無法從新的視角去理解對象。比方說下圖中膠囊網(wǎng)絡(luò)在識別1、2行為同一玩具的不同視角中表現(xiàn)要比CNN出色得多。CNN則需要更大的訓(xùn)練數(shù)據(jù)集才能認(rèn)出每個(gè)方向的對象。已經(jīng)有黑客通過引入少量噪音就能讓CNN把目標(biāo)誤認(rèn)成其他對象。
盡管目前對膠囊網(wǎng)絡(luò)的研究仍處在初期階段，但有可能對目前最先進(jìn)的圖像識別方法構(gòu)成挑戰(zhàn)。
下一代修復(fù)術(shù)
非常早期的研究正在出現(xiàn)，通過生物、物理、機(jī)器學(xué)習(xí)的結(jié)合來解決修復(fù)術(shù)最困難的問題之一：靈敏性。
從2006年開始，DARPA就投入了數(shù)百萬美元跟約翰霍普金斯大學(xué)合作先進(jìn)修復(fù)術(shù)計(jì)劃來幫助受傷的老兵。但是這個(gè)問題解決起來并不容易。
比方說讓截肢者活動假肢的手指，對自發(fā)運(yùn)動背后的大腦和肌肉信號進(jìn)行解析，然后再轉(zhuǎn)換為自動控制均需要跨學(xué)科的知識。
最近，研究人員已經(jīng)開始利用機(jī)器學(xué)習(xí)對植入人體的傳感器的信號進(jìn)行解碼，然后將之翻譯為移動假肢設(shè)備的指令。
約翰霍普金斯大學(xué)的應(yīng)用物理實(shí)驗(yàn)室一個(gè)進(jìn)行中的項(xiàng)目就是利用“神經(jīng)解碼算法通過”神經(jīng)接口來控制假肢的。
去年6月，德國及帝國理工學(xué)院的研究人員利用機(jī)器學(xué)習(xí)解碼截肢者殘肢的信號，并讓計(jì)算機(jī)來控制機(jī)械臂。
另一個(gè)思路是利用中介解決方案，比如利用肌電信號來激活攝像頭，然后再用計(jì)算機(jī)視覺算法估計(jì)抓手類型以及面前物體的大小。
臨床試驗(yàn)登記
臨床試驗(yàn)的最大瓶頸在于登記合適的病人庫。蘋果有可能可以解決這個(gè)問題。
互操作性——也就是跨機(jī)構(gòu)和軟件系統(tǒng)分享信息的能力——是醫(yī)療保健的最大問題之一，盡管有了病歷數(shù)字化的努力。
臨床試驗(yàn)在這方面問題尤其嚴(yán)重，將合適的試驗(yàn)與適當(dāng)?shù)牟∪诉M(jìn)行匹配是很耗時(shí)且充滿挑戰(zhàn)的過程。而光美國目前就有18000項(xiàng)臨床研究正在招募病人。
理想的AI解決方案是由人工智能軟件析取病人病歷的相關(guān)信息，將之與進(jìn)行中的試驗(yàn)進(jìn)行對比，然后給出匹配的研究建議。
在病人與醫(yī)療保健計(jì)劃匹配方面，蘋果等技術(shù)巨頭已經(jīng)取得了一定的成功。
從2015年開始，蘋果就推出了2個(gè)開源框架——ResearchKit與CareKit——來幫助臨床試驗(yàn)招募病人，并且遠(yuǎn)程監(jiān)控病人的健康狀況。這些框架使得研究人員和開發(fā)者得以創(chuàng)建醫(yī)療app來監(jiān)控人們的日常生活，化解了登記的地理障礙。蘋果還在跟熱門的電子病歷供應(yīng)商合作解決互操作性問題。
2018年6月，蘋果面向開發(fā)者推出了Health Records API。用戶現(xiàn)在可以選擇向第三方應(yīng)用和醫(yī)療研究人員分享數(shù)據(jù)，為疾病管理與生活方式監(jiān)控打開新的機(jī)會。
生成對抗網(wǎng)絡(luò)（GAN）
兩個(gè)互相比聰明的神經(jīng)網(wǎng)絡(luò)正在變得非常擅長創(chuàng)作出逼真的圖像。
你能認(rèn)出下面哪些圖像是假的嗎？
答案是全都是。這些全都是GAN創(chuàng)造出來的。
生成對抗網(wǎng)絡(luò)是非監(jiān)督式學(xué)習(xí)的一種方法，通過讓兩個(gè)神經(jīng)網(wǎng)絡(luò)相互博弈的方式進(jìn)行學(xué)習(xí)。該方法由Google研究人員Ian Goodfellow于2014年提出。生成對抗網(wǎng)絡(luò)由一個(gè)生成網(wǎng)絡(luò)與一個(gè)判別網(wǎng)絡(luò)組成。生成網(wǎng)絡(luò)從潛在空間（latent space）中隨機(jī)采樣作為輸入，其輸出結(jié)果需要盡量模仿訓(xùn)練集中的真實(shí)樣本。判別網(wǎng)絡(luò)的輸入則為真實(shí)樣本或生成網(wǎng)絡(luò)的輸出，其目的是將生成網(wǎng)絡(luò)的輸出從真實(shí)樣本中盡可能分辨出來。而生成網(wǎng)絡(luò)則要盡可能地欺騙判別網(wǎng)絡(luò)。兩個(gè)網(wǎng)絡(luò)相互對抗、不斷調(diào)整參數(shù)，最終目的是使判別網(wǎng)絡(luò)無法判斷生成網(wǎng)絡(luò)的輸出結(jié)果是否真實(shí)。
擴(kuò)充GAN式的大規(guī)模項(xiàng)目的主要挑戰(zhàn)是計(jì)算能力。Google研究人員在創(chuàng)建“BigGAN”用了512塊TPU來創(chuàng)建512像素的圖像，一次試驗(yàn)的電耗大概就要2450到4915千瓦時(shí)之間。這已經(jīng)相當(dāng)于普通美國家庭半年的電耗。
而且GAN要想擴(kuò)充，AI硬件也的并行擴(kuò)充。
除了有趣的試驗(yàn)以外，GAN也有其他嚴(yán)肅的用途，比如假冒政治視頻和色情作品的換臉等。隨著GAN研究的擴(kuò)大，這種技術(shù)勢必會對新聞、媒體、藝術(shù)及網(wǎng)絡(luò)安全構(gòu)成挑戰(zhàn)。GAN已經(jīng)改變了我們訓(xùn)練AI算法的方式。
聯(lián)邦學(xué)習(xí)
這種新方法旨在用敏感用戶數(shù)據(jù)訓(xùn)練AI的同時(shí)保護(hù)隱私。
我們跟智能設(shè)備的日�；涌梢援a(chǎn)生豐富的數(shù)據(jù)，這些數(shù)據(jù)用于訓(xùn)練AI算法的話可以極大地改善其表現(xiàn)，比如可以更加精確地預(yù)測你接下來要輸入的字是什么。但是這些用戶數(shù)據(jù)也會涉及到個(gè)人隱私問題。
Google于是提出了聯(lián)邦學(xué)習(xí)的方案，旨在利用這一豐富數(shù)據(jù)集的同時(shí)保護(hù)敏感數(shù)據(jù)。簡而言之，你的數(shù)據(jù)依然留在你的手機(jī)里，不會發(fā)送或存儲到云服務(wù)器上。而是由云服務(wù)器將最新版的算法（算法的“全局狀態(tài)”）發(fā)往隨機(jī)選擇的用戶設(shè)備上。
你的手機(jī)做出改進(jìn)然后基于本地化的數(shù)據(jù)對模型進(jìn)行更新。之后只有這種更新（以及來自其他用戶的更新）會回傳給云服務(wù)器以改善該“全局狀態(tài)”，然后再不斷重復(fù)這一過程。
把單個(gè)更新聚合起來的做法其實(shí)并不新鮮，其他算法早就這樣做了。聯(lián)邦學(xué)習(xí)的不同在于它考慮了數(shù)據(jù)集的兩個(gè)重要特征：
Non-IID：其他分布式算法均假設(shè)數(shù)據(jù)是獨(dú)立同分布（Independent and identically distributed，IID）的，但其實(shí)每一部手機(jī)生成的數(shù)據(jù)都是獨(dú)特的，因?yàn)椴煌娜耸褂昧?xí)慣不同，聯(lián)邦學(xué)習(xí)考慮到了這種不同。
不平衡：某些用戶使用app更加活躍，自然也會產(chǎn)生更多的數(shù)據(jù)。因此每一部手機(jī)的訓(xùn)練數(shù)據(jù)量也不一樣。
Firefox自稱是在重要軟件項(xiàng)目中首個(gè)實(shí)現(xiàn)聯(lián)邦學(xué)習(xí)的用例之一。當(dāng)用戶在瀏覽器輸入U(xiǎn)RL時(shí)，F(xiàn)irefox會利用聯(lián)邦學(xué)習(xí)進(jìn)行URL推薦排名。
AI初創(chuàng)企業(yè)OWKIN則利用聯(lián)邦學(xué)習(xí)來保護(hù)敏感的病人數(shù)據(jù)。其方案可以讓不同的癌癥治療中心在病人數(shù)據(jù)不離開本地的情況下進(jìn)行協(xié)作。
先進(jìn)醫(yī)療保健生物測定
研究人員正在開始利用神經(jīng)網(wǎng)絡(luò)來研究和測定此前難以量化的非典型風(fēng)險(xiǎn)因素。
Google的研究人員利用視網(wǎng)膜圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后再用該神經(jīng)網(wǎng)絡(luò)去尋找心血管風(fēng)險(xiǎn)因素。其研究發(fā)現(xiàn)，通過視網(wǎng)膜不僅可以識別年齡、性別、抽煙習(xí)慣等風(fēng)險(xiǎn)因素，還可以對這些因素量化到一定的精確程度。
類似地，梅奧診所也跟以色列初創(chuàng)企業(yè)Beyond Verbal合作，通過分析聲音的聲學(xué)特征來尋找冠心病人獨(dú)特的聲音特性。研究發(fā)現(xiàn)，當(dāng)受試者描述一段情感經(jīng)歷時(shí)，有兩個(gè)聲音特性跟冠心病存在強(qiáng)關(guān)聯(lián)。
初創(chuàng)企業(yè)Cardiogram最近的研究發(fā)現(xiàn)，利用深度學(xué)習(xí)，糖尿病引起的心率變異性改變可通過現(xiàn)成的可穿戴心率傳感器檢測出來。其檢測精確率可達(dá)85%。
AI尋找模式的能力將會繼續(xù)為新的診斷方法和識別此前未知的風(fēng)險(xiǎn)因素開辟新的道路。
自動索賠處理
保險(xiǎn)公司和初創(chuàng)企業(yè)正開始用AI計(jì)算車主的“風(fēng)險(xiǎn)評分”，對事故場景圖片進(jìn)行分析，并監(jiān)控司機(jī)行為。
螞蟻金服在“事故處理系統(tǒng)”中利用了深度學(xué)習(xí)算法來進(jìn)行圖片處理。過去需要理算員現(xiàn)場處理的事情現(xiàn)在可以由先進(jìn)圖像處理承擔(dān)了。車主只需上傳車輛照片給螞蟻金服，神經(jīng)網(wǎng)絡(luò)就會分析圖片，自動進(jìn)行損失評估。
螞蟻金服還建立了司機(jī)的風(fēng)險(xiǎn)檔案來影響車險(xiǎn)的定價(jià)模型。他們引入了所謂的“車險(xiǎn)分”，基于信用記錄、消費(fèi)習(xí)慣、駕駛習(xí)慣等利用機(jī)器學(xué)習(xí)計(jì)算車主的風(fēng)險(xiǎn)評分。
初創(chuàng)企業(yè)Nexar鼓勵(lì)司機(jī)把自己的智能手機(jī)當(dāng)成行車記錄儀使用，并且將記錄上傳給Nexar app。車主的好處是可以有車險(xiǎn)的折扣。
拿到視頻的app會利用計(jì)算機(jī)視覺算法監(jiān)控路況、司機(jī)行為以及事故。App還提供了“事故重現(xiàn)”功能，并與保險(xiǎn)客戶合作處理索賠。
初創(chuàng)企業(yè)Tractable可以讓保險(xiǎn)公司將受損車輛圖片及車損估價(jià)上傳到其索賠管理平臺。“AI Review”功能就可以將這些資料與庫中的幾千圖片對比，然后進(jìn)行相應(yīng)的定價(jià)調(diào)整。
共2 [2] 下一頁 第1頁 第2頁
搜索更多: 人工智能
