预测｜2019年人工智能行业的25大趋势

本篇文章6660字，读完约17分钟

知名风险投资研究机构Cb insights调查了25个最大的人工智能趋势，以预测这项技术在2019年的下一个趋势。他们根据行业采用率和市场优势评估了每种趋势，并将其分为四类:必要性、试验性、威胁性和暂时性。

开源框架(开源框架)

多亏了开源软件，人工智能的入门门槛比以往任何时候都低。2015年，谷歌开设了机器学习图书馆tensorflow，包括可口可乐和e bay在内的越来越多的公司开始使用tensorflow。2017年，facebook发布了caffe2和py torch(python的开源机器学习平台)，而antano是蒙特利尔学习算法研究所(mila)的另一个开源图书馆。随着这些工具的使用越来越多，mila已经停止开发antao。

2

胶囊网络(胶囊网络)

众所周知，深度学习促进了当今大多数人工智能应用，胶囊网络的出现可能会改变它的面貌。Deepen learning的领导者杰弗里·辛顿(Geoffrey hinton)在2011年发表的论文中提到了“胶囊”的概念，并在2017年至2018年的论文中提出了“胶囊网络”的概念。

卷积神经网络(cnn)是深度学习中最流行的神经网络结构之一，它有很多缺点，面对精确的空.，cnn将暴露出它的缺点例如，如果你把嘴放在脸部图像的额头上，美国有线电视新闻网仍然会把它识别为人脸。有线电视新闻网的另一个主要问题是它不能理解新思想。黑客可以通过做一些微妙的改变来混淆有线电视新闻网的判断。

经过测试，胶囊网络能够抵抗一些复杂的对抗攻击，比如篡改图像来混淆算法，并且比cnn要好。尽管胶囊网络的研究仍处于起步阶段，但它可能会挑战最先进的图像识别方法。

3

生成对抗网络

(生成性对抗网络)

2014年，谷歌研究员伊恩·古德费勒(ian goodfellow)提出了“生成对抗网络”(Generative Agency Network)的概念，使用了“人工智能与人工智能”(ai vs ai)的概念，并提出了两种神经网络:生成器和鉴别器。谷歌深度思维的实习生安德鲁布洛克(Andrew brock)与其他研究人员合作，在大规模数据集上训练甘斯，以创造“大人物”。

gans面临的主要挑战是计算能力，这必须是人工智能硬件的并行扩展。研究人员使用gans进行面对面的翻译，并使用gans将视频转换成喜剧形式，或者直接创作绘画等。然而，gans也被一些恶意的人使用，包括制作虚假的政治视频和畸形的色情作品。

4

联合学习

我们每天使用手机或平板电脑来生成大量的数据信息。如果我们使用这个本地数据集来训练人工智能算法，它们的性能可以大大提高，但是用户信息是非常隐私和秘密的。谷歌开发的联合学习方法旨在使用这一丰富的数据集，同时保护敏感数据。谷歌正在测试其名为gboard的安卓键盘上的联合学习。

联合学习方法与其他算法的区别在于考虑了两个特点:非独立身份分布(非iid)和不平衡。联合学习已经应用到搜索引擎火狐、人工智能初创公司owkin等等。

5

强化学习

谷歌深度思维开发的阿尔法围棋击败中国围棋世界冠军后，强化学习得到了广泛关注。基于强化学习，deepmind开发了alphago zero。加州大学伯克利分校的研究人员利用计算机视觉和强化学习在youtube视频中教授算法技巧。

尽管取得了进展，但与最流行的人工智能范式监督学习相比，强化学习并不成功，但是越来越多的研究应用于强化学习，包括微软、adobe、fanuc等。

人工智能终端

人工智能技术的快速迭代正在经历从云到终端的过程。人工智能的终端应用可以帮助我们更好更快地处理信息和解决问题。我们没有使用云控制方法，而是在终端设备(比如智能手机、汽车甚至衣服)上加载人工智能算法。

英伟达、高通、苹果和许多其他公司都加入了终端人工智能领域的突破和探索。2017年和2018年是许多科技公司进入人工智能终端快速发展期的两年，他们也在加紧人工智能芯片的研发。然而，人工智能在存储和开发方面仍然面临困难，迫切需要更丰富的混合模型来连接终端设备和中央服务器。

7

面部识别

从解锁手机到登机，人脸识别得到了广泛的应用，各个国家对人脸识别的需求也逐渐增加。许多初创公司已经开始关注这个领域。通过使用这种技术，可以通过面部特征恢复蒙面嫌疑人的完整面部。但是人脸识别仍然需要改进。这项技术仍然会误判真假面孔。人脸识别中包含的数据比我们想象的要多得多，应该注意安全问题。

8

语言处理

自然语言处理是人工智能的一个分支。对于翻译技术来说，自然语言处理就像潘多拉的盒子——除了丰富的市场机会，还有巨大的挑战。机器翻译是有待开发的珍品之一，从后台自动化、客户支持到新闻媒体，机器翻译都得到了广泛的应用。

人机共生也是翻译领域的未来方向，许多初创公司都期待从中分一杯羹。然而，要完成基于自然语言处理的翻译系统并不容易。仅汉语的各种方言和书面语言就能压倒许多科技公司。相关数据显示，除了汉语、阿拉伯语和欧洲语等受欢迎的高资源语言外，低资源语言和少数民族语言的开发和应用仍存在差距。

9

车辆自动驾驶

尽管自动驾驶汽车市场潜力巨大，但实现全自动化的前景仍不明朗。自动驾驶已经成为科技公司和初创企业相互竞争的新领域，它们不仅注入了新的活力，还投入了大量资金。投资者对他们的决定非常乐观。几个自驾汽车品牌的总投资已经超过100亿。据估计，2025年他们的市场利润将达到800亿美元。物流等相关行业将成为第一个应用全自动驾驶的行业，预计将降低三分之一的成本。

10

Ai聊天机器人

虽然很多人认为聊天机器人是人工智能的同义词，但它们之间还是有区别的。今天的人工智能聊天机器人已经发展得非常好，甚至使用口语单词和停顿，如“嗯……”与真人交谈时。然而，人们担心这些机器人的行为过于现实，他们开始考虑在交谈时确认聊天机器人身份的需要。外国科技巨头famga(facebook、苹果、微软、谷歌和亚马逊)和国内英美烟草公司都把目光投向了这个领域。

医学成像和诊断

美国食品和药物管理局(fda)正在加速“人工智能是医疗设备”的趋势。2018年4月，fda批准了ai软件idx-dr，该软件无需专家干预即可筛查糖尿病视网膜病变患者，准确率超过87.4%。美国食品和药物管理局还批准了viz lvo(可用于分析ct扫描结果以预测患者中风风险)和肿瘤ai suite(侧重于发现肺部和肝脏病变)，监管机构的快速批准为80多家ai成像和诊断公司开辟了新的业务途径。自2014年以来，这些公司共募集了149只基金。

在消费者方面，智能手机的普及和图像识别技术的进步正把手机变成强大的家庭诊断工具。名为dip.io的应用程序使用传统的尿液试纸来监测各种尿路感染。用户可以用智能手机给试卷拍照，计算机视觉算法会根据不同的光照条件和相机质量对结果进行修正。此外，许多“ml即服务”平台正被整合到fda批准的家庭监控设备中，当发现异常时，可以提醒医生。

12

下一代假体

早期的研究正在兴起，结合生物学、物理学和机器学习来解决假肢面临的最困难的问题之一，即灵活性。这是一个非常复杂的问题。例如，为了使截肢者能够在假肢上移动单个手指，有必要解码其背后的大脑和肌肉信号，并将它们转换成机器人控制命令，这需要多学科的合作。最近，研究人员开始使用机器学习来解码来自人体传感器的信号，并将它们转换成移动假体装置的指令。

其他论文探索了新的媒体解决方案，例如使用肌电信号(残肢附近肌肉的电活动)来激活摄像机，并运行计算机视觉算法来估计前方物体的抓取模式和大小。一年一度的机器学习会议“神经科学18”发起了“人工智能修复挑战”，这进一步凸显了人工智能社区在这一领域的兴趣。2018年的挑战是使用强化学习来预测假肢的性能，有442名参与者试图教人工智能如何跑。赞助商包括aws、NVIDIA和丰田。

13

临床试验中患者的招募

临床试验的最大瓶颈之一是招募合适的病人，苹果公司也许能够解决这个问题。尽管努力将医疗记录数字化，但互操作性(在机构和软件系统之间共享信息的能力)仍然是医疗保健领域最大的问题之一。理想的人工智能解决方案是从患者的病历中提取相关信息，并与正在进行的实验进行比较，从而为人工智能软件的匹配研究提供建议。

然而，像苹果这样的科技巨头已经成功地为他们的医疗保健计划引入了合作伙伴。苹果正在改变医疗数据的流动方式，并为人工智能开辟新的可能性，尤其是围绕临床研究人员招募和监控患者的方式。自2015年以来，苹果推出了两个开源框架，研究工具包和护理工具包，以帮助临床试验招募患者并远程监控他们的健康状况，消除地理障碍。苹果还与cerner和epic等流行的ehr供应商合作解决互操作性问题。

14

先进的医学生物识别技术

利用神经网络，研究人员开始研究和测量以前难以量化的非典型风险因素。使用神经网络分析视网膜图像和语音模式可能有助于识别心脏病的风险。例如，谷歌研究人员使用经过训练的视网膜图像神经网络来寻找心血管疾病的危险因素，如年龄、性别和吸烟。梅奥诊所通过分析声音的声学特征，可以发现冠心病患者不同的语音特征。

在不久的将来，医学生物识别技术将被用于被动监测。例如，谷歌的专利希望通过肤色或皮肤位移来分析心血管功能。这些传感器甚至可以放置在病人浴室的“感应环境”中，并且可以通过识别手腕和脸颊的皮肤颜色变化来确定心脏健康指标，例如动脉僵硬度或血压。亚马逊还申请了一项被动监控专利，该专利将面部特征识别与心率分析相结合。人工智能发现模式的能力将继续为新的诊断方法和识别以前未知的风险因素铺平道路。

15

药物发现

随着人工智能生物技术初创企业的兴起，传统制药公司正在寻求人工智能软件即服务初创企业，为漫长的药物研发周期提供创新解决方案。2018年5月，辉瑞与xtalpi建立了战略合作伙伴关系，以预测小分子药物的特性并开发“基于计算的合理药物设计”。最近几个月，诺华、赛诺菲、葛兰素史克、安进和默克等顶级制药公司宣布与人工智能初创企业建立合作关系，以发现癌症和心脏病领域的新药。

虽然生物技术人工智能公司如递归制药公司正在投资人工智能和药物研发，但传统制药公司正在与人工智能软件即服务初创公司合作。尽管这些初创企业中有许多仍处于融资的早期阶段，但它们已经有了自己的制药客户。在药物研发阶段，很少有衡量成功的标准，但制药公司正把数百万美元押在人工智能算法上，以发现新的治疗方案，并改变旷日持久的药物研发过程。

预测维护

从制造商到设备保险公司，人工智能都不能在故障损害发生前提出预防措施。现场和工厂设备会产生大量的数据，然而，意外的设备故障是制造停机的主要原因之一。预测设备或单个组件何时会出现故障将有利于资产保险公司和制造商。

在预测性维护中，传感器和智能相机从机器上收集连续数据，如温度和压力。实时数据的数量和种类使机器学习成为信息技术不可分割的一部分。随着时间的推移，该算法能够在故障发生前预测出可能存在的隐患。随着工业传感器成本的降低、机器学习算法的进步和边缘计算的推广，预测维护将会更加广泛。

17

后台自动化

人工智能正在将管理推向自动化，但数据的不同性质和格式使其成为一项具有挑战性的任务。根据不同的行业和应用，自动化“后台任务”的挑战可能是独特的。例如，手写临床笔记对自然语言处理算法来说是一个独特的挑战。机器人过程自动化一直是一个热门话题。尽管并非所有的机器人过程自动化都基于机器学习，但许多人开始将图像识别和语言处理集成到他们的解决方案中。

18

综合培训数据

为了训练人工智能算法，有必要访问大型且标记的数据集。合成数据集可能成为解决瓶颈问题的关键。人工智能算法依赖于数据。当某些类型的真实世界数据难以访问时，合成数据集的使用就会得到反映。一个有趣的新兴趋势是使用人工智能本身来帮助生成更“真实”的合成图像来训练人工智能。例如，NVIDIA利用新一代对抗网络(gan)制造脑瘤假货。Gan用于“增强”真实世界的数据，这意味着人工智能可以通过混合真实世界和模拟数据来获得更大和更多样的数据集。此外，机器人是另一个可以从高质量合成数据中获益的领域。

19

网络最佳化

人工智能开始改变电信。电信网络优化是一套改善延迟、带宽、设计或架构的技术，这些技术能够以有利的方式增加数据流。对于通信服务提供商来说，优化可以直接转化为更好的客户体验。除了带宽限制，电信面临的最大挑战之一是网络延迟。对于手机上的ar/vr等应用，只有极低的延迟时间才能实现最佳功能。

电信运营商也准备将基于人工智能的解决方案集成到下一代无线技术中，即5g。三星收购了基于人工智能的网络和服务分析初创公司zhilabs，为5g时代做准备。高通公司认为人工智能边缘计算是其5g计划的重要组成部分(边缘计算可以减少带宽限制，并与云频繁通信，这是5g的主要关注点)。

20

网络威胁搜索

仅仅应对网络攻击是不够的。在网络安全领域，利用机器学习来积极“搜索”威胁的势头越来越大。顾名思义，威胁搜索是一种发现恶意活动的举措，而不仅仅是在警报或违规后做出响应。搜寻始于对网络中潜在弱点的假设，以及在连续迭代过程中测试该假设的手动和自动工具。网络安全中的大量数据使得机器学习成为这个过程中不可或缺的一部分。威胁性狩猎可能会获得更多动力，但它也面临一系列挑战，如应对不断变化的动态环境和减少误报。

电子商务搜索

对搜索词的语境理解正走出“实验阶段”，但要广泛使用它们，还有很长的路要走。当使用电子商务搜索来显示相关结果时，使用适当的元数据来描述产品是一个起点。仅仅描述和索引是不够的。许多用户用自然语言搜索产品(如“没有纽扣的洋红色衬衫”)，或者不知道如何描述他们正在寻找的产品，这使得电子商务搜索的自然语言成为一个挑战。

22

汽车索赔处理

保险公司和初创企业开始使用人工智能来计算车主的“风险分数”，分析事故现场的图像，并监控司机的行为。ant financial在其“事故处理系统”中使用深度学习算法进行图像处理。在过去，车主或司机会把他们的车送到“理算员”那里，理算员负责检查车辆的损坏情况，记录细节，然后把信息发送给汽车保险公司。如今，随着图像处理技术的发展，人们可以给这辆车拍照并上传。神经网络可以对图像进行分析，实现损伤评估的自动化。另一种方法是分析司机的风险，从而影响汽车保险的实际定价模型。

23

安全

假冒商品越来越难找到，网上购物使购买假冒商品变得比以往任何时候都容易。为了反击，品牌和典当商开始尝试人工智能，在网络世界和现实世界中打击假冒商品。然而，互联网上假冒伪劣产品的范围和规模是巨大而复杂的，造假者使用与原品牌名单非常相似的关键词和图片，在假冒网站上销售假货，在合法市场上销售假货，在社交媒体网站上推广假货。随着“超级假货”或“aaa假货”的兴起，用肉眼几乎不可能区分它们。

现在，建立假冒伪劣商品数据库、提取它们的特征并训练人工智能算法来辨别真伪是一个繁琐的过程，但对于奢侈品牌和其他高风险零售商来说却是必要的。下一个解决方案可能是识别或添加独特的“指纹”到实物商品上，并通过供应链跟踪它们。

24

零售

走进一家商店，挑选你想要的东西，然后出去，感觉就像是在偷东西。人工智能可以终结真正的盗窃，并使免结账零售更加普遍。盗窃一直是美国零售商的一大痛点。然而，当你掌握进出商店的人并自动对他们收费时，入店行窃的可能性就会降到最低。其他需要考虑的事情是如何利用建筑物/房间，特别是在拥挤的超市中，以确保摄像机被最佳地放置来跟踪人和物。

从短期来看，这些问题将归因于潜在技术故障导致的部署成本和库存损失成本，以及零售商能够承受这些成本和风险的程度。

25

作物监测

无人驾驶飞行器可以为农民绘制农田地图，通过热成像技术监控湿度，识别有害作物并喷洒杀虫剂。

初创公司正专注于对第三方无人机捕捉到的数据进行分析。其他人使用计算机视觉使地面上的农业设备更智能。根据需要喷洒个别作物将减少对非选择性除草剂的需求，而非选择性除草剂将杀死附近的一切。精确喷洒意味着减少除草剂和杀虫剂的使用。除了实地调查之外，利用计算机视觉分析卫星图像可以从宏观上了解农业实践，空地理数据可以提供关于全球作物分布模式和气候变化对农业影响的信息。

注:本文是亿邦专栏作家的独立意见，并不代表亿邦电力网的立场。

来源：搜狐微门户