與此同時, 各國政府也在競相展開先進的人工智慧研究, 將人工智慧視為實現更大經濟影響, 成為經濟強國的一種手段.
我們正處於勞動力市場急劇轉變的早期階段. 機器學習方面的炒作可能開始逐漸消退——這是因為機器學習事實上已經滲透軟體行業的各大主要領域, 從簡單的日程應用到搜索引擎再到銷售管理軟體都可以見到機器學習的身影.
人工智慧現在甚至已經可以擊敗世界冠軍. 類人機器人還能完成完美的後空翻並成功著陸. 儘管如此, 人工智慧演算法在一些對人類來說輕而易舉的基本任務上還遠不能達到完美, 比如理解映像中的場景, 或是識別對話的上下文等.
同時, 通用人工智慧的前景——或者說無監督快速學習新任務的人工智慧——仍然是一片未知. 儘管包含 Vicarious, System 和 Kindred 在內的少數公司還在增加開發通用人工智慧的投入資金, 卻幾乎沒有任何細節或真正的證據.
如今的人工智慧應用只關注於非常狹窄的任務範圍. 但正是這些由人工智慧驅動, 範圍狹小的任務重塑了商業, 市場和行業.
為了幫助人們掌握全球數以千計人工智慧公司的現狀和發展軌跡, 近日, CB Insights 發布 AI 報告, 對 2018 年將會出現的 13 種人工智慧趨勢展開預測, 以期為人工智慧領域內的相關人士帶來啟發.
一, 新型藍領工作的出現——機器人保姆
在美國, 工業機器人和製造業的就業機會都在增加.
製造業崗位由於經常外包給勞動力廉價的發展中國家而為人所詬病. 為了降低工業機器人的成本, 有時也需要讓製造基地更接近產品的需求地點.
近期, 中國 T 恤製造商天源服裝公司與美國阿肯色州政府簽署了諒解備忘錄 (MoU) , 天源公司在阿肯色設立新的服裝廠, 以時薪 14 美元的價格僱傭了約 400 名工人. 該行動計劃於 2017 年底開展.
天源公司在阿肯色州小石城新建立的工廠將會使用由喬治亞人工智慧初創公司 SoftWare Automation 的縫紉機器人, 這款機器人是 SoftWare Automation 為阿迪達斯生產服裝而開發. 許多看起來十分繁重的工作將由機器人完成, 而人類工人則接管包括機器人維護和運行之類的高端工作. 這意味著製造業工作崗位的數量和性質將會與 2008 年截然不同.
勞動統計局對製造業內不同工作進行了定義及分析. 比如, 由於自動化的影響, 統計局並不看好質量控制檢查員, 裝配工和製造員等崗位的前景.
2012 年, 美國國防部高級計劃研究局與 SoftWear Automation 簽署的合約明確表示「最終目標是實現生產服裝直接人工為零的完整生產設施. 」
但消費者不斷變化的喜好和無法適應劇烈過程變化的機器人仍然是完全自動化上的障礙.
即使在亞馬遜高度自動化的倉庫中, 這一點也反應的很明顯.
亞馬遜的協作倉庫機器人承擔了大多數繁重的工作, 人類工人則專註於細緻的工作, 比如從貨架上挑選貨物再插入到單獨的訂單中.
不過, 機器人在非結構化環境中的抓取, 挑選和處理物品方面仍然差強人意. 亞馬遜已經在各種倉庫中使用了超過 10 萬台機器人, 但是同時在新的配送中心也為人類創造了數以千計的新崗位.
二, 人工智慧的應用滲入各行各業
人工智慧的發展趨勢不可阻擋, 從釀造啤酒到大麻產業, 機器學習似乎無所不能.
人工智慧無處不在. 說的具體一點, 機器學習無處不在. 機器學習是指在大規模數據集上訓練演算法, 讓機器學習如何識別並生成所需的模式. 隨著時間推移, 演算法——由人類創造者提供正確的參數——在它們的任務中的表現會更加出色.
只要有能夠訓練軟體的數據並且腦海中有期待的輸出, 這項技術基本上可以被應用到任何事情中.
因此, 你會看到:
英國 IntelligentX 公司想要推出世界上第一款人工智慧釀造的啤酒.
俄羅斯的 DeepFish 則使用神經網路識別各種魚類, 將雷達技術與人工智慧相結合以區分雷達映像中的魚群和雜訊.
瑞典的 Hoofstep 則籌集了風投資金, 實現了基於深度學習的馬匹行為分析.
你是素食主義者? 無麩質主義者? 或是你對大豆過敏? 紐約的 Prose 想要在定製的護髮產品中使用人工智慧. 該公司從 Forerunner Ventures, Lerer Hippeau Ventures 和 Maveron 等著名的風投公司處籌得了 757 萬美元的資金.
此外, 人工智慧還被用於大麻技術中. DeepGreen 使用計算機視覺辨別大麻類植物的性屬和健康狀況. Weedguide 則為實現人工智慧個性化大麻推薦籌得了 170 萬美元的資金.
從業餘愛好再到實現創收的想法, 這之間的區別僅僅在於是否從長遠來看待一件事情. 2018 年, 我們期望看到更多開箱即用的「AI for X」. 這種趨勢的盛行和想法愈發新奇的例子表明人工智慧不是一項稀有技術. 相反, 它是現代軟體和應用的基石之一.
三, 中國與美國爭奪全球人工智慧領導者
儘管在全球範圍內, 中國人工智慧創業公司僅握有 9 % 的交易份額, 但是在 2017 年, 全球人工智慧初創公司融資資金有近 50% 流向了中國, 首次超越美國.
中國正在積極執行一個精心設計的人工智慧願景. 在人工智慧的部分領域, 中國已經擊敗美國.
中國政府也在推動未來的人工智慧計劃, 計劃涵蓋智能農業, 智能物流到軍事應用, 人工智慧帶來的就業機會等方方面面.
部分資源將用於在各行業中開發人工智慧的創新型中國初創公司, 範圍包括從醫療到媒體等不同領域.
事實上, 中國僅佔全球人工智慧初創公司交易額的 9%. 但是 2017 年, 全球人工智慧初創公司融資流向中國的投資資金總數占 48 %, 首次以美元份額超過美國. 要知道, 2016 年中國僅佔全球資金的 11.3%.
從人工智慧初創企業的數量的資產份額來看, 美國在全球仍佔據著主導地位, 但其全球交易份額正逐漸減少.
此外, 中國企業的專利申請也反映了研發的能力.
在專利申請方面, 中國的企業大有趕超美國之勢. 基於標題和摘要的關鍵詞搜索, 中國與人工智慧相關的專利公布遠遠超過美國專利商標局公布的專利數量.
以深度學習為例, 中國在這方面公布的專利數量是美國的 6 倍. (注: 在專利應用公布之前, 專利備案流程需要很長的時間跨度. )
面部識別和人工智慧晶片也是助推中國人工智慧發展的兩大技術. 前者迎合了政府在全國範圍內實施監控的計劃, 後者對美國製造的晶片產生了直接的挑戰.
中國的獨角獸公司曠視科技 (Face++) , 商湯科技以及初創公司雲從科技是這一領域的三個主要玩家 (後者獲得了廣州市政府 3.01 億美元的資助) .
2017 年, 中國有近 50 個城市都加入了「雪亮工程」. 公共區域以及私人區域安裝的監控攝像頭將進行集中處理用於監控人員以及各種情況. 媒體報道稱, 這一行動將會助力中國的社會信用系統, 對公民的「信用」進行考量.
曠視科技獲得了中國保險公司 (陽光保險集團) , 政府組織 (俄中投資集團) 以及企業巨擘 (富士康, 螞蟻金服) 的支援, 公司已經獲得 13 億中國公民的面部數據.
阿里巴巴 (通過螞蟻金服進行操作) 和富士康作為兩個投資者, 在2016年與杭州達成合作, 共同開展 '城市大腦' 項目, 利用人工智慧分析監控攝攝像頭和社交媒體上的數據.
螞蟻金服在阿里巴巴擁有的零售商店獨立運用面部識別技術進行支付.
美國和中國也在爭奪人工智慧晶片技術的主導地位.
2017年6月, 中國政府表示, 到2020年, 人工智慧水平將趕上美國, 到2030年, 超過美國成為人工智慧的世界領導者. 一個政府支援的項目是為了創造一個在運行和節能方面遠超英偉達GPU20倍的晶片. 中國公司寒武紀承諾未來三年將研發擁有十億處理單位的晶片, 該公司正在研發專門用於深度學習的晶片.
中國的科技巨頭如百度, 京東也在對海外的人工智慧公司進行投資, 包括美國.
最近, 百度和京東投資了美國金融科技公司ZestFinance, 騰訊投資了位於紐約的人工智慧公司ObEN. 明碼生物科技和Pony.ai等初創公司在中美兩國都開展了業務, 進一步拉近了兩國之間的競爭差距.
儘管中國公司正積極在美國尋找合作或者投資, 但相比較來說, 在美國的人工智慧初創企業有更多的中國投資, 而在中國的人工智慧企業獲得的美國投資相對較少.
四, 依賴人工智慧防禦的未來
人工智慧網路安全市場越來越火爆. 一些初創公司甚至擁有政府客戶的名冊, 希望能比黑客搶先一步.
數據中心正成為新的戰場.
2014 年, 亞馬遜為 CIA 搭建了一個客戶雲計算服務, 滿足了敏感數據嚴格的合規和監管要求.
在 2017 年第四季度, AWS 將這些工具向情報機構以外的政府客戶開放.
亞馬遜也收購了兩家人工智慧網路安全公司——Harvest.ai 和 Sqrrl, 保證雲端敏感數據的安全.
無論亞馬遜或者其他一眾初創公司是否刻意迎合政府客戶, 人工智慧正在成為政府支援的維護網路安全的中堅力量.
冷戰時期, 政府討論的是與競爭對手之間的「飛彈的差距」或者核彈頭的優劣地位. 如今, 政府日益關注的是他們在網路能力方面的差距. 結果導致了網路安全和傳統國防的不斷融合.
數據泄露所帶來的危險令人矚目: 從美國信用評級機構 Equifax 數百萬社會安全碼的泄露, 到 WannaCry 勒索病毒再到俄羅斯幹預美國大選等事件.
2017 年, SecurityScorecard (一家由因特爾投資和穆迪以及其它公司投資的位於紐約的公司) 的分析報告稱, 美國政府組織在網路安全方面獲得了最低的評分. 該分析報告包含共「552 個地方, 州和聯邦政府機構. 每個機構擁有超過 100 個面向公眾的 IP 地址. 」
網路安全為人工智慧演算法提供了一個真實的應用機會, 因為網路攻擊會不斷演化, 防護也在不斷面臨各種前所未聞的惡性軟體. 人工智慧可以大範圍的應用, 在對數百萬事件進行篩選後識別異常, 危險以及可能產生威脅的訊號.
目前, 該市場擁有大量新興的網路安全公司, 都在試圖將機器學習推到下一個高度.
過去 5 年, 134 家初創公司共獲得 36.5 億美元的融資. 去年, 約 34 家公司是首次獲得融資. 目前, 這個市場有更大的公司如, Cybereason, CrowdStrike, Cylance 以及 Tanium 佔據, 每個公司的市值都超過了 9 億美元.
甚至如 Accenture 這樣的傳統諮詢公司也在不斷研發人工智慧網路安全的技術, 以便更好的服務聯邦政府客戶. 擁有美國空軍等客戶的初創公司 Endgame 將其政府服務業務出售給了 Accenture, 這一交易引起了廣泛的關注.
2016年, 情報機構的投資部門 In-Q-Tel 投資了 Anomali, Interset 和 Cylance. 英國公司 Darktrace 聲稱, 它的系統在全世界部署了 3000 份, 包括政府機構. 位於科羅拉多州的 Logrhythm 也與美國空軍, NASA 以及國防承包商 Raytheon 達成了合作.
其它頂級的國防承包商也在不斷進行投資.
洛克希德·馬丁是 Cybereason (目前市值9億美元) 早期的投資者. 2017 年, 波音公司通過其投資部門 Horizon X 投資了特克薩斯州一家網路安全公司 SparkCognition.
五, 你好嗎, Alexa?
亞馬遜 Echo 和穀歌 Home 主宰了智能家居音箱市場, 但巨頭對非英語市場的服務卻並不周到.
Alexa 開啟了一場語音的革命.
在 2018CES 展上, 語音賦能的計算成為了熱潮. 沒有接入亞馬遜 Alexa 或者穀歌 Home 的物聯網設備幾乎不存在.
三星正在研發自己的語音助手 Bixby. 公司希望到 2020 年, 公司的所有產品全都實現網路連接, 通過 Bixby 實現智能化. 2017 年, LG 實現了其所有應用都能通過 WiFi 連接. 目前, 超過 80 個 LG 的產品實現了對穀歌 Home 的對接.
亞馬遜雖然在初期是語音計算的領導者, 但目前在語言支援上卻落後一步.
上個季度, 亞馬遜宣布它將在大約 80 個國家發售 Alexa 賦能的音箱. 但不利的方面是, 它希望全球的用戶能通過英語, 德語或者日語與音箱進行互動.
穀歌 Home 支援英語, 德語, 法語和日語. 蘋果的 HomePod 目前僅支援英語. 但它計劃不久將可以支援德語和法語.
在這方面, 穀歌比亞馬遜擁有更大的優勢. 安卓手機上的穀歌助手支援英語, 法語, 德語, 意大利語, 韓語, 西班牙語以及葡萄牙語. 它的語音識別能力——用於進行語音-文本轉換以及語音搜索, 可以支援 119 種語言.
目前, 西班牙語智能家居市場並沒有被科技巨頭們給予足夠的關注, 儘管它是實際上僅次於漢語的應用範圍最廣的語言之一.
在中國, 阿里巴巴稱, 中文語音音箱 Tmall Genie 自 2017 年 6 月發售以來賣出了超過 100 萬台.
2018 年, 語音助手將繼續在非英語語音市場為爭奪市場主導地位而展開競爭.
六, 白領工作自動化進程在加速
此處的白領包括律師, 顧問, 金融分析師, 記者, 貿易人員等, 人工智慧對這些人帶來的衝擊和給藍領帶來的衝擊一樣大.
越來越多由人工智慧加持的專家級自動化及效果增強軟體正將人類帶入人工智慧輔助生產或人工智慧優化生產的新紀元. 這些能夠優化生產的人工智慧工具正在威脅白領工作中的案頭部分.
下圖展示了專家級自動化及效果增強軟體 (EAAS) 市場的情況. 從圖中你能夠看到, AI EAAS 初創公司的足跡遍布各行各業. 具體說來, 不論是律師, 記者, 健康管理人員, 貿易人員還是諮詢行業從業者, 都有相應的 AI EAAS 軟體可以使用.
例如, 在法律工作中, 人工智慧在節約時間, 提升效率方面有很大的潛能可以挖掘. 在訴訟流程中, 自然語言處理和文本分析技術能夠在幾分鐘之內總結上千頁的法律檔案, 這在曾經需要耗費一個人幾天的時間才能完成. 不僅如此, 人工智慧的使用也讓工作的準確率得到了很大的提升.
由於人工智慧平台正變得越來越高效和商業化, 曾經按小時收費的第三方律所的收費模式也將受到衝擊.
程序員也不能倖免於難, 很多早期的人工智慧項目正著眼於基於 AI 的軟體測試, Debug, 以及基礎的前端開發等工作. 位於英國的 DiffBlue 去年得到了大額融資, 這家公司的業務就是將 AI 技術用於日常編碼工作中的錯誤修複, 客戶端代碼編寫, 將某一編程語言編寫的代碼翻譯至另一種語言等任務.
健康及教育行業被認為是受人工智慧衝擊最小的行業, 因為這兩個行業包含大量的動態任務, 且這兩個行業的從業者通常需要較高的情商. 不過, 人工智慧依然正在這兩個行業中滲透, 以教育為例, 初創公司們正致力於提供人工智慧輔助服務, 例如閱卷, 語言教學, 作文批改等.
七, 人工智慧向端的遷移
2017 這一年, 人工智慧行業表現出了很明顯的向終端遷移的趨勢. 例如, 將人工智慧嵌入至更小的設備以及感測器中, 並且在計算網路的邊緣運行. 換句話說, 人工智慧將離開雲端, 甚至離開手機, 轉而存在於你的耳機中.
人工智慧正越來越分散.
設備智能, 例如智能手機, 汽車, 甚至無線設備上的智能, 由於無需與雲端或伺服器通信, 因此能夠實現更迅速, 本地化, 場景化的資訊處理.
例如, 自動駕駛汽車需要針對路況作出即時反應, 其決策過程對時間非常敏感, 訊號延遲將危及生命安全. 又如, 在本地設備中訓練私人的人工智慧助手, 這類助手將能夠識別你特有的口音以及你的個人面部特徵.
2017 年, 由於科技巨頭們的大力投入, 終端智能已經取得質的飛躍.
蘋果發布了搭載神經引擎的 A11 晶片, 這款晶片將被用在 iPhone 8 和 iPhone X 上. 蘋果稱, 這款晶片能夠以最多每秒 600B 次計算的速度運行機器學習任務. 它驅動了如 FaceID 等 iPhone 手機的新功能. 在 FaceID 功能的使用過程中, 手機通過向用戶面部發射不可見光掃描人臉, 無需向雲端上傳及存儲任何用戶數據.
作為大部分數據中心的主流處理器製造商, 英特爾不得不通過收購的方式追趕終端智能的潮流. 最近, 英特爾推出設備端的視覺計算晶片 Myriad X, 這是一款最初由英特爾在 2016 年收購的名為 Movidius 的公司所研發的晶片.
英特爾表示, Myriad X 能夠勝任從智能手機到孩童監控設備到無人機等各種終端設備上運行的深度學習任務.
穀歌提出了一個與其 Federated Learning 相似的概念. 不同的是, 其中部分的機器學習任務能夠在終端設備上運行. 目前, 這一概念正在穀歌鍵盤 Gboard 上進行測試.
儘管終端人工智慧減弱了資訊延遲問題, 但與雲端相比, 終端智能存在存儲空間及計算能力方面的限制.
此外, 為了讓不同的終端之間以及終端與雲端之間更好地合作, 更多的混合深度學習模型將會湧現.
八, 膠囊網路的興起
深度學習是當前大多數人工智慧應用程序的驅動因子, 多虧了膠囊網路, 現在深度學習得以改頭換面了.
不同的神經網路具有不同的結構. 當今深度學習領域最著名的網路結構為卷積神經網路 (CNN) . 現在, 一個新的網路結構——膠囊網路——流行了起來, 並且在多方面擁有趕超 CNN 的能力.
儘管 CNN 在近年來取得了成功, 我們仍舊不能忽視它存在的短板, 在很多時候, CNN 表現不佳並且可能存在安全漏洞. 一直以來, 研究人員都在努力提升人工智慧演算法, 試圖克服這些問題.
下面我們舉一個最常見的例子. 在人臉識別的過程中, CNN 通過學習了解到人臉上的各個要素 (眼睛鼻子嘴巴) , 但卻記不住每一個要素的具體位置, 導致以下兩張圖都能夠被認作一張人臉.
深度學習領域的領先研究者之一 Geoffrey Hinton 在 2017 年發布了一篇研究論文, 介紹了膠囊網路, 也就是 CapsNet 的概念.
這篇論文尚處評審階段, 且缺乏在實際場景中的充分測驗, 但其擁有的強大能力在媒體以及科技圈內引起了不小的反響.
具體技術細節我們在此不多贅述, 簡而言之, 膠囊網路從更高維度的特徵識別事物, 所需訓練數據更少, 且錯誤率更小. 比如上面的例子中, 嘴巴長在眉毛上面的臉將被輕鬆鑒別出來, 而 CNN 卻沒有辦法做到這一點.
CNN 的另一個問題在於, 它不能處理輸入數據的多種變換形式. 比如, 你需要用同一個物體不同角度的很多張照片作為輸入數據, 才能訓練一個卷積神經網路識別該物體. 因此, 要識別很多種物體, 就需要龐大的訓練數據.
在這一點上, 膠囊網路被認為比 CNN 表現更佳. 膠囊網路需要更少的訓練數據, 並且能夠通過一個物體的幾種狀態推斷出另外的狀態, 在訓練中不需要輸入每一種狀態的數據.
Hinton 在他的論文中還提到, 膠囊網路已經經曆過一些複雜的對抗攻擊測試 (用一些不合格的照片迷惑演算法) , 且得出了性能超越卷積神經網路的結論.
僅需一些簡單的處理, 黑客便能愚弄卷積神經網路. 來自穀歌和 OpenAI 的研究人員已經用一些例子充分證明了這一點.
其中最著名的例子要數在 2015 年的一篇論文中, 研究人員對一張大熊貓照片進行了人眼不可見的處理, 系統便將其識別為長臂猿, 且置信度為 99.3%.
九, 六位數薪水的人工智慧人才大戰
人工智慧人才供不應求, 領域內的頂尖研究員的薪水可以達到數百萬.
中國正在招募人工智慧領域的專家.
寶馬中國列出的一些高級機器學習研究員的薪水大約為 56.7 到 62.4 萬美元, 其他不同公司也對機器學習專家一職給出了 31.5 到 41 萬美元. 這些職位招聘資訊來源於中國的招聘平台獵聘網站.
根據騰訊最近的報告顯示, 目前在人工智慧領域具備相應資質的研究人員預估有 30 萬人, 其中包括相關研究領域的學生. 與此同時, 各家公司可能需要一百萬或更多的人工智慧專家來滿足他們的工程需要.
在美國, 如果在職場社區 Glassdoor 上搜索「人工智慧」則會顯示出超過 32000 個就業機會, 其中不少職位的工資達到六位數.
大型公司為了挖到最優秀的人工智慧人才, 自然會給出最具競爭力的薪資待遇.
2014 年被穀歌收購的 DeepMind 在其財務報告中表示, 去年的「員工成本及其他相關費用」為 1.048 億英鎊. 在 LinkedIn 上快速搜索到的公司員工人數為 415 人. 假設這是 2016 年團隊的規模, 扣除其他費用, 那麼團隊員工的平均工資為 25.2 萬英鎊 (約 35 萬美元) .
此外, 大型科技公司的人工智慧研究人員也紛紛離開, 並著手創辦自己的公司.
吳恩達離開百度後就成立了人工智慧基金, 並募資到了 1.75 億美元. 人工智慧晶片創業公司 Groq 的首席技術官就曾在穀歌硬體工程部門研發 TPU, 後來在 Google X 部門工作.
國內創業公司地平線機器人的首席技術官兼聯合創始人餘凱也曾在百度工作, 任百度深度學習研究院負責人, 領導映像識別團隊.
無疑, 隨著優秀人才不斷流向初創公司, 人才爭奪戰將變得更加激烈.
十, 機器學習的炒作將平息
機器學習將很快「走下神壇」. 2016 年之後出現的 1100 多家新型 AI 初創公司需要穩健的商業模式來保持活力.
先是大數據, 然後是雲, 現在是機器學習, 技術熱潮一波接著一波來襲.
2017 年, 機器學習的熱度迎來了波峰.
這一年, 孵化器孕育了超過 300 家人工智慧初創公司, 是 2016 年的三倍. 這一年, 投資者在各領域人工智慧初創公司上共計投資超過 15.2 億美元資金, 是 2016 年籌集資金的 141%.
自 2016 以來, 有超過 1100 家的新興人工智慧公司完成了第一輪融資. 從這個角度來看, 這是超過一半的曆史上曾經有過股權融資的人工智慧初創公司. 從這個角度出發, 有一半以上的曆史上的人工智慧初創公司完成過融資.
不過, 這波炒作很快就壞平息.
機器學習的常規化會使投資者對他們資助的人工智慧公司變得吹毛求疵.
正如著名風投公司 a16z 的 Frank Chen 所言, 「幾年後將沒有投資者會去找人工智慧創業公司. 」初創公司使用必要的人工智慧演算法為他們的產品提供動力一種「假設」.
事實上, 我們已經在許多行業裡看到了這種情況.
機器學習離不開 IIoT. 我們需要人工智慧理解機器和感測器中採集收集到的大量數據, 並對它們進行即時處理. 幾乎所有的網路安全公司都在某種程度上使用了機器學習技術. 除此之外, 大型科技公司還會為企業提供一套機器學習解決方案.
頂級投資者正在認真評估使用人工智慧技術的初創公司. 例如, 液體活檢診斷公司 freenome 就在獲得 a16z 投資意向之前, 收到了 5 份未標記的血液樣本, 並用人工智慧演算法展開分析.
十一, 亞馬遜, 穀歌, 微軟主導了企業 AI
五年內, 投資者在專註於企業 AI 服務的創業公司上累積投入 1.8 億美元, 現在, 亞馬遜, 穀歌, 微軟可能會讓小公司面臨淘汰.
越來越多的公司致力於將機器學習融入他們的產品中的同時, 初創企業也開始提供 ML-as-a-service.
目前, 穀歌, 亞馬遜, 微軟和 Salesforce 等大型科技企業都在努力改善企業的人工智慧產品, 讓小公司和基金空間淘汰.
穀歌推出 Cloud AutoML, 用戶可以用他們自己的數據來訓練演算法進而滿足特定的需求.
亞馬遜則在 AWS 旗幟下打出 Amazon AI 口號, 開始銷售 AI-as-a-service. Amazon AI 的目標是為那些需要人工智慧技術的大型或小型開發者提供服務, 而無需預付費用或是捲入更多的麻煩. 亞馬遜推出的產品類似 API, 允許開發者訪問 Amazon Lex (亞馬遜的 NLP 能力) , Amazon Polly (亞馬遜的語音合成能力) 以及 Amazon Rekognition (亞馬遜的映像分析能力)
在 2017 年的第四季度, 亞馬遜擴展其業務範圍, 包括視頻識別, 音頻轉錄以及情感分析. AWS 的前進曆程留下了深刻的足跡, 僅第四季度的收入為 50 億美元, 同比增長 44%.
此外, 微軟與亞馬遜的競爭也十分激烈, Salesforces 和 Oracle 等公司也緊跟其後.
十二, 人工智慧診斷得到監管機構的首肯
機器學習將很快成為醫療影像和診斷領域中的一個常規操作.
美國的監管機構正在考慮批准讓人工智慧技術應用於臨床.
人工智慧在診斷中的價值主要體現在及早發現病情以及提高準確性的方面.
機器學習演算法可以通過對數百萬其他患者的醫療映像進行比較, 從而獲取人類肉眼可能忽略的細微差別. 演算法完成這件事情只需幾秒鐘, 但人類卻可能需要花上幾個小時的時間.
針對消費者的人工智慧監測工具也不在少數, 例如使用計算機視覺技術監測可疑皮膚病的 SkinVision. 而新一波人工智慧醫療應用也將入駐醫院和診所.
近日, 全球生物製藥企業 AstraZeneca 就宣布與阿里巴巴旗下阿里健康展開合作, 在中國攜手開發人工智慧輔助診斷及篩查等應用程序.
在此之前, 通用電氣聯手英偉達嘗試把深度學習技術帶入醫療領域, 穀歌 DeepMind 也嘗試利用人工智慧技術發現眼部疾病.
穀歌 DeepMind, IBM, 通用電氣以及阿里巴巴等巨頭的進入使得初創企業瓜分這塊市場蛋糕的腳步愈發艱難. 但這並沒有阻止新興公司冒險的腳步.
醫療依舊是人工智慧創投最熱門的領域之一, 許多專註於醫療影像及診斷的公司的不斷成長促成了這一結果.
醫療影像初創公司 Arterys 獲得了 FDA 的首批. 據報道, 經過一系列準確性及診斷速度的測試之後, 該公司的雲計算平台被批准用於分析心臟映像. 目前, Arterys 正在申請 FDA 批准 AI 在腫瘤學中的應用.
另一家名為 MedyMatch 的以色列初創公司則是利用深度學習技術分析 CT 掃描結果檢測顱內出血情況. 最近, FDA 給予其突破性設備資格, 進而加速產品推向市場的進程.
在醫療這類高風險產業中, 存在最大爭議的地方在於, 誰來承擔人工智慧系統誤診的責任. 目前的應用程序都是在輔助放射科醫生和內科醫生, 而不會成為診斷的最終裁決者.
十三, 人工智慧走向 DIY
讓你的語音助手聽起來像影視劇人物, 或者自己打造 AI 相機.
無需擁有計算機科學或是數學專業的博士學位, 你就可以自己打造出一套人工智慧系統.
目前市面上存在的大量開源軟體, 海量 API 和 SDK 以及極易上手裝配的亞馬遜或穀歌套件, 都大幅度降低了人們進入人工智慧領域的門檻.
穀歌曾推出 AIY (artificial intelligence yourself) 計劃, 旨在讓每一個年齡層的用戶都可以 DIY 自己的人工智慧產品.
基於 AIY 項目誕生的首個產品名為 AIY Voice Kit, 是一款結合樹莓派的語音識別工具包. 為了讓語音助手可以像 BBC 科幻電視劇《神秘博士》中的人物一樣, 要用 80 年代的交流方式與智能助手進行交互. (劇中, 自稱為「博士」的時間領主用他偽裝成 20 世紀 50 年代英國警亭的時間機器塔迪斯與其搭檔在時間, 空間探索悠遊, 懲惡揚善, 拯救文明, 幫助弱小. ) 不難發現, 用戶們正在基於人工智慧技術創造出更多的新發明.
此外, 穀歌還推出了 AIY Vision Kit, 它支援神經網路模型, 可以利用演算法識別出貓和狗, 還能匹配出人物的面部表情與心情.
亞馬遜也曾推出 DeepLense, 這是一款價值 249 美元的深度學習相機. 亞馬遜為首屆 DeepLense 黑客馬拉松的獲勝者提供 7500 美元的獎金.