与此同时, 各国政府也在竞相展开先进的人工智能研究, 将人工智能视为实现更大经济影响, 成为经济强国的一种手段.
我们正处于劳动力市场急剧转变的早期阶段. 机器学习方面的炒作可能开始逐渐消退——这是因为机器学习事实上已经渗透软件行业的各大主要领域, 从简单的日程应用到搜索引擎再到销售管理软件都可以见到机器学习的身影.
人工智能现在甚至已经可以击败世界冠军. 类人机器人还能完成完美的后空翻并成功着陆. 尽管如此, 人工智能算法在一些对人类来说轻而易举的基本任务上还远不能达到完美, 比如理解图像中的场景, 或是识别对话的上下文等.
同时, 通用人工智能的前景——或者说无监督快速学习新任务的人工智能——仍然是一片未知. 尽管包含 Vicarious, System 和 Kindred 在内的少数公司还在增加开发通用人工智能的投入资金, 却几乎没有任何细节或真正的证据.
如今的人工智能应用只关注于非常狭窄的任务范围. 但正是这些由人工智能驱动, 范围狭小的任务重塑了商业, 市场和行业.
为了帮助人们掌握全球数以千计人工智能公司的现状和发展轨迹, 近日, CB Insights 发布 AI 报告, 对 2018 年将会出现的 13 种人工智能趋势展开预测, 以期为人工智能领域内的相关人士带来启发.
一, 新型蓝领工作的出现——机器人保姆
在美国, 工业机器人和制造业的就业机会都在增加.
制造业岗位由于经常外包给劳动力廉价的发展中国家而为人所诟病. 为了降低工业机器人的成本, 有时也需要让制造基地更接近产品的需求地点.
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) , 天源公司在阿肯色设立新的服装厂, 以时薪 14 美元的价格雇佣了约 400 名工人. 该行动计划于 2017 年底开展.
天源公司在阿肯色州小石城新建立的工厂将会使用由佐治亚人工智能初创公司 SoftWare Automation 的缝纫机器人, 这款机器人是 SoftWare Automation 为阿迪达斯生产服装而开发. 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. 这意味着制造业工作岗位的数量和性质将会与 2008 年截然不同.
劳动统计局对制造业内不同工作进行了定义及分析. 比如, 由于自动化的影响, 统计局并不看好质量控制检查员, 装配工和制造员等岗位的前景.
2012 年, 美国国防部高级计划研究局与 SoftWear Automation 签署的合约明确表示「最终目标是实现生产服装直接人工为零的完整生产设施. 」
但消费者不断变化的喜好和无法适应剧烈过程变化的机器人仍然是完全自动化上的障碍.
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.
二, 人工智能的应用渗入各行各业
人工智能的发展趋势不可阻挡, 从酿造啤酒到大麻产业, 机器学习似乎无所不能.
人工智能无处不在. 说的具体一点, 机器学习无处不在. 机器学习是指在大规模数据集上训练算法, 让机器学习如何识别并生成所需的模式. 随着时间推移, 算法——由人类创造者提供正确的参数——在它们的任务中的表现会更加出色.
只要有能够训练软件的数据并且脑海中有期待的输出, 这项技术基本上可以被应用到任何事情中.
因此, 你会看到:
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.
你是素食主义者? 无麸质主义者? 或是你对大豆过敏? 纽约的 Prose 想要在定制的护发产品中使用人工智能. 该公司从 Forerunner Ventures, Lerer Hippeau Ventures 和 Maveron 等著名的风投公司处筹得了 757 万美元的资金.
此外, 人工智能还被用于大麻技术中. DeepGreen 使用计算机视觉辨别大麻类植物的性属和健康状况. Weedguide 则为实现人工智能个性化大麻推荐筹得了 170 万美元的资金.
从业余爱好再到实现创收的想法, 这之间的区别仅仅在于是否从长远来看待一件事情. 2018 年, 我们期望看到更多开箱即用的「AI for X」. 这种趋势的盛行和想法愈发新奇的例子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.
三, 中国与美国争夺全球人工智能领导者
尽管在全球范围内, 中国人工智能创业公司仅握有 9 % 的交易份额, 但是在 2017 年, 全球人工智能初创公司融资资金有近 50% 流向了中国, 首次超越美国.
中国正在积极执行一个精心设计的人工智能愿景. 在人工智能的部分领域, 中国已经击败美国.
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.
部分资源将用于在各行业中开发人工智能的创新型中国初创公司, 范围包括从医疗到媒体等不同领域.
事实上, 中国仅占全球人工智能初创公司交易额的 9%. 但是 2017 年, 全球人工智能初创公司融资流向中国的投资资金总数占 48 %, 首次以美元份额超过美国. 要知道, 2016 年中国仅占全球资金的 11.3%.
从人工智能初创企业的数量的资产份额来看, 美国在全球仍占据着主导地位, 但其全球交易份额正逐渐减少.
此外, 中国企业的专利申请也反映了研发的能力.
在专利申请方面, 中国的企业大有赶超美国之势. 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. (注: 在专利应用公布之前, 专利备案流程需要很长的时间跨度. )
面部识别和人工智能芯片也是助推中国人工智能发展的两大技术. 前者迎合了政府在全国范围内实施监控的计划, 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) .
2017 年, 中国有近 50 个城市都加入了「雪亮工程」. 公共区域以及私人区域安装的监控摄像头将进行集中处理用于监控人员以及各种情况. 媒体报道称, 这一行动将会助力中国的社会信用系统, 对公民的「信用」进行考量.
旷视科技获得了中国保险公司 (阳光保险集团) , 政府组织 (俄中投资集团) 以及企业巨擘 (富士康, 蚂蚁金服) 的支持, 公司已经获得 13 亿中国公民的面部数据.
阿里巴巴 (通过蚂蚁金服进行操作) 和富士康作为两个投资者, 在2016年与杭州达成合作, 共同开展 '城市大脑' 项目, 利用人工智能分析监控摄摄像头和社交媒体上的数据.
蚂蚁金服在阿里巴巴拥有的零售商店独立运用面部识别技术进行支付.
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, 到2020年, 人工智能水平将赶上美国, 到2030年, 超过美国成为人工智能的世界领导者. 一个政府支持的项目是为了创造一个在运行和节能方面远超英伟达GPU20倍的芯片. 中国公司寒武纪承诺未来三年将研发拥有十亿处理单位的芯片, 该公司正在研发专门用于深度学习的芯片.
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.
最近, 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.
尽管中国公司正积极在美国寻找合作或者投资, 但相比较来说, 在美国的人工智能初创企业有更多的中国投资, 而在中国的人工智能企业获得的美国投资相对较少.
四, 依赖人工智能防御的未来
人工智能网络安全市场越来越火爆. 一些初创公司甚至拥有政府客户的名册, 希望能比黑客抢先一步.
数据中心正成为新的战场.
2014 年, 亚马逊为 CIA 搭建了一个客户云计算服务, 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 将这些工具向情报机构以外的政府客户开放.
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.
无论亚马逊或者其他一众初创公司是否刻意迎合政府客户, 人工智能正在成为政府支持的维护网络安全的中坚力量.
冷战时期, 政府讨论的是与竞争对手之间的「导弹的差距」或者核弹头的优劣地位. 如今, 政府日益关注的是他们在网络能力方面的差距. 结果导致了网络安全和传统国防的不断融合.
数据泄露所带来的危险令人瞩目: 从美国信用评级机构 Equifax 数百万社会安全码的泄露, 到 WannaCry 勒索病毒再到俄罗斯干预美国大选等事件.
2017 年, SecurityScorecard (一家由因特尔投资和穆迪以及其它公司投资的位于纽约的公司) 的分析报告称, 美国政府组织在网络安全方面获得了最低的评分. 该分析报告包含共「552 个地方, 州和联邦政府机构. 每个机构拥有超过 100 个面向公众的 IP 地址. 」
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, 防护也在不断面临各种前所未闻的恶性软件. 人工智能可以大范围的应用, 在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, 134 家初创公司共获得 36.5 亿美元的融资. 去年, 约 34 家公司是首次获得融资. 目前, 这个市场有更大的公司如, Cybereason, CrowdStrike, Cylance 以及 Tanium 占据, 每个公司的市值都超过了 9 亿美元.
甚至如 Accenture 这样的传统咨询公司也在不断研发人工智能网络安全的技术, 以便更好的服务联邦政府客户. 拥有美国空军等客户的初创公司 Endgame 将其政府服务业务出售给了 Accenture, 这一交易引起了广泛的关注.
2016年, 情报机构的投资部门 In-Q-Tel 投资了 Anomali, Interset 和 Cylance. 英国公司 Darktrace 声称, 它的系统在全世界部署了 3000 份, 包括政府机构. 位于科罗拉多州的 Logrhythm 也与美国空军, NASA 以及国防承包商 Raytheon 达成了合作.
其它顶级的国防承包商也在不断进行投资.
洛克希德·马丁是 Cybereason (目前市值9亿美元) 早期的投资者. 2017 年, 波音公司通过其投资部门 Horizon X 投资了特克萨斯州一家网络安全公司 SparkCognition.
五, 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不周到.
Alexa 开启了一场语音的革命.
在 2018CES 展上, 语音赋能的计算成为了热潮. 没有接入亚马逊 Alexa 或者谷歌 Home 的物联网设备几乎不存在.
三星正在研发自己的语音助手 Bixby. 公司希望到 2020 年, 公司的所有产品全都实现网络连接, 通过 Bixby 实现智能化. 2017 年, LG 实现了其所有应用都能通过 WiFi 连接. 目前, 超过 80 个 LG 的产品实现了对谷歌 Home 的对接.
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 Alexa 赋能的音箱. 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.
谷歌 Home 支持英语, 德语, 法语和日语. 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, 尽管它是实际上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, 中文语音音箱 Tmall Genie 自 2017 年 6 月发售以来卖出了超过 100 万台.
2018 年, 语音助手将继续在非英语语音市场为争夺市场主导地位而展开竞争.
六, 白领工作自动化进程在加速
此处的白领包括律师, 顾问, 金融分析师, 记者, 贸易人员等, 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效果增强软件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效果增强软件 (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, 健康管理人员, 贸易人员还是咨询行业从业者, 都有相应的 AI EAAS 软件可以使用.
例如, 在法律工作中, 人工智能在节约时间, 提升效率方面有很大的潜能可以挖掘. 在诉讼流程中, 自然语言处理和文本分析技术能够在几分钟之内总结上千页的法律文件, 这在曾经需要耗费一个人几天的时间才能完成. 不仅如此, 人工智能的使用也让工作的准确率得到了很大的提升.
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.
程序员也不能幸免于难, 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.
健康及教育行业被认为是受人工智能冲击最小的行业, 因为这两个行业包含大量的动态任务, 且这两个行业的从业者通常需要较高的情商. 不过, 人工智能依然正在这两个行业中渗透, 以教育为例, 初创公司们正致力于提供人工智能辅助服务, 例如阅卷, 语言教学, 作文批改等.
七, 人工智能向端的迁移
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, 将人工智能嵌入至更小的设备以及传感器中, 并且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.
人工智能正越来越分散.
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.
例如, 自动驾驶汽车需要针对路况作出实时反应, 其决策过程对时间非常敏感, 信号延迟将危及生命安全. 又如, 在本地设备中训练私人的人工智能助手, 这类助手将能够识别你特有的口音以及你的个人面部特征.
2017 年, 由于科技巨头们的大力投入, 终端智能已经取得质的飞跃.
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. 苹果称, 这款芯片能够以最多每秒 600B 次计算的速度运行机器学习任务. 它驱动了如 FaceID 等 iPhone 手机的新功能. 在 FaceID 功能的使用过程中, 手机通过向用户面部发射不可见光扫描人脸, 无需向云端上传及存储任何用户数据.
作为大部分数据中心的主流处理器制造商, 英特尔不得不通过收购的方式追赶终端智能的潮流. 最近, 英特尔推出设备端的视觉计算芯片 Myriad X, 这是一款最初由英特尔在 2016 年收购的名为 Movidius 的公司所研发的芯片.
英特尔表示, Myriad X 能够胜任从智能手机到孩童监控设备到无人机等各种终端设备上运行的深度学习任务.
谷歌提出了一个与其 Federated Learning 相似的概念. 不同的是, 其中部分的机器学习任务能够在终端设备上运行. 目前, 这一概念正在谷歌键盘 Gboard 上进行测试.
尽管终端人工智能减弱了信息延迟问题, 但与云端相比, 终端智能存在存储空间及计算能力方面的限制.
此外, 为了让不同的终端之间以及终端与云端之间更好地合作, 更多的混合深度学习模型将会涌现.
八, 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的驱动因子, 多亏了胶囊网络, 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——流行了起来, 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.
下面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 年发布了一篇研究论文, 介绍了胶囊网络, 也就是 CapsNet 的概念.
这篇论文尚处评审阶段, 且缺乏在实际场景中的充分测验, 但其拥有的强大能力在媒体以及科技圈内引起了不小的反响.
具体技术细节我们在此不多赘述, 简而言之, 胶囊网络从更高维度的特征识别事物, 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.
Hinton 在他的论文中还提到, 胶囊网络已经经历过一些复杂的对抗攻击测试 (用一些不合格的照片迷惑算法) , 且得出了性能超越卷积神经网络的结论.
仅需一些简单的处理, 黑客便能愚弄卷积神经网络. 来自谷歌和 OpenAI 的研究人员已经用一些例子充分证明了这一点.
其中最著名的例子要数在 2015 年的一篇论文中, 研究人员对一张大熊猫照片进行了人眼不可见的处理, 系统便将其识别为长臂猿, 且置信度为 99.3%.
九, 六位数薪水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.
中国正在招募人工智能领域的专家.
宝马中国列出的一些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. 这些职位招聘信息来源于中国的招聘平台猎聘网站.
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, 各家公司可能需要一百万或更多的人工智能专家来满足他们的工程需要.
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 32000 个就业机会, 其中不少职位的工资达到六位数.
大型公司为了挖到最优秀的人工智能人才, 自然会给出最具竞争力的薪资待遇.
2014 年被谷歌收购的 DeepMind 在其财务报告中表示, 去年的「员工成本及其他相关费用」为 1.048 亿英镑. 在 LinkedIn 上快速搜索到的公司员工人数为 415 人. 假设这是 2016 年团队的规模, 扣除其他费用, 那么团队员工的平均工资为 25.2 万英镑 (约 35 万美元) .
此外, 大型科技公司的人工智能研究人员也纷纷离开, 并着手创办自己的公司.
吴恩达离开百度后就成立了人工智能基金, 并募资到了 1.75 亿美元. 人工智能芯片创业公司 Groq 的首席技术官就曾在谷歌硬件工程部门研发 TPU, 后来在 Google X 部门工作.
国内创业公司地平线机器人的首席技术官兼联合创始人余凯也曾在百度工作, 任百度深度学习研究院负责人, 领导图像识别团队.
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.
十, 机器学习的炒作将平息
机器学习将很快「走下神坛」. 2016 年之后出现的 1100 多家新型 AI 初创公司需要稳健的商业模式来保持活力.
先是大数据, 然后是云, 现在是机器学习, 技术热潮一波接着一波来袭.
2017 年, 机器学习的热度迎来了波峰.
这一年, 孵化器孕育了超过 300 家人工智能初创公司, 是 2016 年的三倍. 这一年, 投资者在各领域人工智能初创公司上共计投资超过 15.2 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第一轮融资. 从这个角度来看, 这是超过一半的历史上曾经有过股权融资的人工智能初创公司. 从这个角度出发, 有一半以上的历史上的人工智能初创公司完成过融资.
不过, 这波炒作很快就坏平息.
机器学习的常规化会使投资者对他们资助的人工智能公司变得吹毛求疵.
正如著名风投公司 a16z 的 Frank Chen 所言, 「几年后将没有投资者会去找人工智能创业公司. 」初创公司使用必要的人工智能算法为他们的产品提供动力一种「假设」.
事实上, 我们已经在许多行业里看到了这种情况.
机器学习离不开 IIoT. 我们需要人工智能理解机器和传感器中采集收集到的大量数据, 并对它们进行实时处理. 几乎所有的网络安全公司都在某种程度上使用了机器学习技术. 除此之外, 大型科技公司还会为企业提供一套机器学习解决方案.
顶级投资者正在认真评估使用人工智能技术的初创公司. 例如, 液体活检诊断公司 freenome 就在获得 a16z 投资意向之前, 收到了 5 份未标记的血液样本, 并用人工智能算法展开分析.
十一, 亚马逊, 谷歌, 微软主导了企业 AI
五年内, 投资者在专注于企业 AI 服务的创业公司上累积投入 1.8 亿美元, 现在, 亚马逊, 谷歌, 微软可能会让小公司面临淘汰.
越来越多的公司致力于将机器学习融入他们的产品中的同时, 初创企业也开始提供 ML-as-a-service.
目前, 谷歌, 亚马逊, 微软和 Salesforce 等大型科技企业都在努力改善企业的人工智能产品, 让小公司和基金空间淘汰.
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 旗帜下打出 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, 而无需预付费用或是卷入更多的麻烦. 亚马逊推出的产品类似 API, 允许开发者访问 Amazon Lex (亚马逊的 NLP 能力) , Amazon Polly (亚马逊的语音合成能力) 以及 Amazon Rekognition (亚马逊的图像分析能力)
在 2017 年的第四季度, 亚马逊扩展其业务范围, 包括视频识别, 音频转录以及情感分析. AWS 的前进历程留下了深刻的足迹, 仅第四季度的收入为 50 亿美元, 同比增长 44%.
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.
十二, 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的方面.
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.
在此之前, 通用电气联手英伟达尝试把深度学习技术带入医疗领域, 谷歌 DeepMind 也尝试利用人工智能技术发现眼部疾病.
谷歌 DeepMind, IBM, 通用电气以及阿里巴巴等巨头的进入使得初创企业瓜分这块市场蛋糕的脚步愈发艰难. 但这并没有阻止新兴公司冒险的脚步.
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的公司的不断成长促成了这一结果.
医疗影像初创公司 Arterys 获得了 FDA 的首批. 据报道, 经过一系列准确性及诊断速度的测试之后, 该公司的云计算平台被批准用于分析心脏图像. 目前, Arterys 正在申请 FDA 批准 AI 在肿瘤学中的应用.
另一家名为 MedyMatch 的以色列初创公司则是利用深度学习技术分析 CT 扫描结果检测颅内出血情况. 最近, FDA 给予其突破性设备资格, 进而加速产品推向市场的进程.
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.
十三, 人工智能走向 DIY
让你的语音助手听起来像影视剧人物, 或者自己打造 AI 相机.
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 以及极易上手装配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. 为了让语音助手可以像 BBC 科幻电视剧《神秘博士》中的人物一样, 要用 80 年代的交流方式与智能助手进行交互. (剧中, 自称为「博士」的时间领主用他伪装成 20 世纪 50 年代英国警亭的时间机器塔迪斯与其搭档在时间, 空间探索悠游, 惩恶扬善, 拯救文明, 帮助弱小. ) 不难发现, 用户们正在基于人工智能技术创造出更多的新发明.
此外, 谷歌还推出了 AIY Vision Kit, 它支持神经网络模型, 可以利用算法识别出猫和狗, 还能匹配出人物的面部表情与心情.
亚马逊也曾推出 DeepLense, 这是一款价值 249 美元的深度学习相机. 亚马逊为首届 DeepLense 黑客马拉松的获胜者提供 7500 美元的奖金.