|
引用自：基于人工智能技术的25个行业发展趋势，张肇聿，王一琳，李 志
一、前言
市场研究机构CB-Insights公司于2019年1月发布了一项有关人工智能应用前景的报告，报告中总结了25个行业发展趋势，并分别以市场活力水平和行业认可程度为横纵坐标，将其划分为四种类型，分别为：
（1）确定前景：该行业拥有稳定的需求，行业内的市场和客户对这一方向的投资和应用是持续增加的；
（2）早期前景：这一方向的应用仍处于早期论证中，产品尚未被广泛使用，但是在科研机构和媒体中已经形成一定成果；
（3）预期前景：此方向的产品与应用已经获得了广泛的投资，这一概念也被早期使用者所接受，预期未来会获得快速发展；
（4）短暂前景：该方向有一定趋势，但是市场存在很强的不确定性，随着人们对该领域的关注度增加，有可能获得更多的机会和市场。
二、确定前景的应用
1.开源框架
由于开源软件的存在，进入人工智能行业的门槛比以往任何时候都要低。开源框架对于人工智能领域的发展是双向的。首先，它使所有人都可以访问该人工智能开源框架。反过来，许多科技公司也从加速人工智能研究发展的论坛或开发者中受益。例如，Google于2015年开放了它的TensorFlow机器学习数据库，在GitHub（一个用户可以协作开发的平台）上，每月有数百名用户参与关于TensorFlow的讨论、研究与开发。包括可口可乐、eBay和Airbnb等知名公司都在使用TensorFlow的开源数据库作为他们的人工智能开发框架。
2.终端人工智能
实时决策的需求将人工智能推向了终端领域。终端人工智能旨在能够在终端设备（如智能手机、汽车或穿戴设备）上运行人工智能算法，而不是借助与中央云或服务器的通信，从而使设备能够在本地处理信息并对情况做出更快的响应。例如在无人驾驶领域，自主车辆必须实时响应道路上发生的情况，并且可能在没有互联网连接的区域工作。在这种环境中，决策时间是极为重要的，任何短时间的延迟都可能导致致命的问题。
3.人脸识别
从解锁手机到航班登机，人脸识别已逐渐成为主流应用。卡内基梅隆大学最近获得了一项关于“幻觉面部特征”的专利，这是一种帮助执法机构识别蒙面嫌疑人的方法，即使只捕获了面部的眼周区域就可以重建一张完整的脸。然后可以使用面部识将“幻觉脸”与实际脸的图像进行比较，以找到相关性强的脸。为提高面部识别的准确性，亚马逊探索了额外的验证方式，包括要求用户执行某些动作，如微笑、眨眼或倾斜头部。然后将这些操作与红外图像信息、热成像数据或其他此类信息结合起来，以获得更可靠的身份验证。
4.医学影像与诊断
2018 年4 月，美国食品药品监督管理局（FDA）批准了一项代号为IDx-DR的医疗相关人工智能软件，该系统能在87.4% 的时间内正确识别出“ 轻度以上糖尿病性视网膜病变”患者，并在89.5% 的时间内识别出没有这一疾病的人群。除此之外，FDA 近期为医用人工智能应用提供了快速监管审批的服务，批准了许多拥有庞大客户群体的医疗项目，如用于CT扫描检测中风的Viz LVO和发现肝肺损伤的Arterys套件。快速监管审批为80 多家人工智能成像和诊断公司开辟了新的商业途径，这些公司自2014 年以来已筹集了股权融资，共有149 宗交易。
5.预测性维护
预测性维护技术的应用帮助制造厂商、设备保险公司和客户在设备维修和故障识别中节约了可观的资金和精力。大数据表明，意外的设备故障是导致工厂生产停机的主要原因之一，而且计划外停机平均使公司损失25 万美元/小时。在预测性维护中，传感器和智能摄像头从机器收集连续的数据流，如温度和压力，而这些实时数据为机器学习算法的迭代和更新提供了丰富的数据支持。随着时间的推移，这些算法可以在故障发生之前对其进行预测。
6.电子商务搜索系统
对搜索词的上下文理解正逐渐完成实验阶段，但距离广泛应用还有很长的路要走。目前为止，零售商仍然没有十分重视与人工智能相关的盈利策略，许多零售公司还没有扩展或优化其电子商务运营。最近，网络零售平台eBay开始强制要求卖家完善产品描述，并使用机器学习来处理这些数据，以在目录中找到类似的产品。除此之外，图片搜索初创公司Visenze与优衣库、Myntra和日本电子商务巨头Rakuten等客户合作。Visenze允许店内客户在商店里对他们喜欢的东西拍照，然后上传图片，在网上找到确切的产品。
三、早期前景的应用
1.胶囊网络
谷歌深度学习领域研究员Hinton 在2011 年的一篇论文中提出了一个新概念：胶囊网络。他认为目前识别图像的方法表现不佳，包括当今深度学习中最流行的神经网络结构之一，即卷积神经网络（CNN），在图像识别的应用上依然存在许多问题。Hinton 在2018 年发表的论文中，讨论了一种名为胶囊网络（CapsenetNetworks）的替代概念，这种新的体系结构有望在多个方面超越CNN。
2.新一代假肢
通过结合机器学习、生物学和物理学等技术，有望解决假肢使用中最困难的灵巧性问题。从2006 年以来，美国国防部预先研究计划局（DARPA）已经花费了数百万美元在高级假肢项目上，由约翰霍普金斯大学牵头，旨在帮助受伤的退伍军人。在加入了机器学习算法后，从正常人的自主运动中解码大脑和肌肉信号，方便其转化为机器人控制。在2018 年，科学界研究的重点是使用强化学习来预测假肢的性能，研究人员使用一个名为Opensim的开源软件来模拟人的运动。
3.临床试验志愿者。
临床试验中最大的难题之一是招募合适的志愿者。对临床研究团队和志愿者来说，将特定的试验与匹配的患者进行关联是一个耗时且具有挑战性的过程。理想的解决方案是通过人工智能软件，从患者的医疗记录中提取相关信息，与正在进行的试验比较，并进行详细的匹配研究。自2015 年以来，苹果公司推出了两个开源框架：ResearchKit和CareKit，以帮助临床试验团队招募志愿者并远程实时监控他们的健康情况。这些框架允许研究人员和开发人员创建医疗应用程序来监控患者特定的医学指标，从而消除医疗的地理障碍。
4.生成对抗网络
生成对抗网络（GANs）是谷歌的研究人员于2014 年提出的概念，这项技术的基本观点是利用了人工智能对抗人工智能所产生的结果。例如有两个神经网络：其中一个作为生成器生成一个假图像，另外一个作为鉴别器，它将结果与真实世界的图像进行比较，并向生成器反馈与真实图像的相似程度。这就形成了两个神经网络和一个持续的反馈回路，这一过程试图让生成器和鉴别器彼此变得更聪明。
5.联盟学习
联盟学习作为一种新开发的人工智能算法主要用于保护隐私，同时用敏感的用户数据训练学习算法。以移动端设备的应用为例，用户的手机会根据本地的数据对模型进行迭代和更新。这一过程中，只有更新框架被发送回云端，以改善使用环境的全局状态，而具体的隐私数据并不会被导出。谷歌支持的人工智能初创公司Owkin正在使用保护敏感用户数据的联盟学习方法，该系统允许不同的癌症治疗中心在详细的病人隐私数据被隐藏的情况下依然能够进行协作。
6.医疗生物特征识别
利用神经网络，研究人员和医疗人员开始研究和测量以前难以量化的医疗生物特征。2019 年，谷歌公司的研究人员根据视网膜、声音等生物特征和心血管疾病的相关性，并对被测者的年龄、性别和吸烟等影响因素进行精确量化，通过对神经网络的训练，能够对心血管疾病的风险性进行评估。与此同时，许多公司和组织机构正着手于更新人工智能算法，可实现对冠状动脉疾病、糖尿病、动脉硬度和血压的监测与监控。
7.自动索赔系统
保险公司和初创企业逐步开始研发和使用基于人工智能算法的自动索赔系统，用来计算车主的风险评分，分析事故现场的图像，并监控驾驶员的行为。阿里巴巴旗下的蚂蚁金融在其事故处理系统中使用深度学习算法进行图像处理，车主或司机可以把车辆受损信息的图片发送到系统中，然后神经网络分析图像并自动进行损伤评估，并将其发送给汽车保险公司。除此之外阿里巴巴还推出了一种叫做“ 汽车保险积分”的方法，利用机器学习，根据信用记录、消费习惯和驾驶习惯等因素来计算车主的风险评分。
8.防伪
随着电子商务的蓬勃发展，假货越来越难被发现，为了应对这种情况，品牌厂家和零售商开始尝试利用人工智能来辨别产品真伪。造假者往往使用与原始品牌非常相似的关键词和图像，不仅在假冒网站上销售假冒商品，也在合法市场或平台上销售假冒商品，还通过社交媒体促销假冒商品。阿里巴巴报告称，他们正在利用深度学习不断监测其平台的知识产权侵权行为。它使用图像识别来尝试判别商品图像中的字符，再加上相关的语义识别，从而完成防伪监视。除以上几项应用方向外，基于人工智能算法的无人零售、自动化后台、同声翻译和数据合成训练也都是符合早期前景特征的应用方向。在结合了更为智能的算法后，整个行业可能会出现颠覆性的变化。
四、预期前景的应用
1.强化学习
自从谷歌公司开发的AlphaGo在围棋比赛中击败世界排名第一的中国选手后，在经过了海量的数据学习后，它所应用的强化学习算法引起了广泛的关注，并在游戏和机器人仿真中得到了极大的发展。简单来说，强化学习算法的基本原理是为了达到目标的最大化回报，系统所需要采取的行为的集合。最近，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从YouTube视频中学习人体动作和姿势，使计算机模拟的角色能够复制和识别视频中的动作，而无需手动标注姿势。
2.网络优化
从促进频谱共享到监控资产，再到提出天线的优化设计，人工智能正在开始改变电信技术。电信网络优化是用于改善延迟、带宽和设计架构的一项新兴技术。对于通信服务提供商而言，优化意味着更好的客户体验。除了带宽限制外，电信业面临的最大挑战之一是网络延迟。最近，苹果公司获得了一项专利，利用机器学习来形成预测网络，用来预估无线设备可能会采取的操作，并提前下载数据包以减少延迟。
3.自动驾驶
尽管自动驾驶车辆有着巨大的市场机遇，但实现完全无人自主的时间表仍然不可预估。2017 年4 月，百度宣布推出了一个关于自主驾驶解决方案的开放平台：阿波罗（Apollo），这一技术平台吸引了来自全球各地的合作伙伴。与其他开放源代码的平台一样，其理念是通过开放人工智能和自动驾驶的研究，使之能够受益于科研生态系统中其他参与者的研究成果。让每个人都可以使用源代码，使公司和研究团队可以在现有研究的基础上进行构建，而不是从头开始。
4.农作物监测
新型农业正在开展三种类型的作物监测：地面、空中和立体地理空间。植保无人机作为农作物监测的主要应用产品，预计2021 年全球精准农业无人机市场将达到29 亿美元。无人机可以为农民绘制农田地图，利用热成像监测水分含量，还可以识别虫害作物和喷洒杀虫剂。有许多初创公司正致力于利用人工智能算法，为第三方无人机捕获的数据做出精准的分析和判断。基于人工智能算法的软件平台与无人机搭载平台的结合正在逐渐成为农作物监测发展的主流。
五、短暂前景
1.网络漏洞搜索
随着网络技术的快速迭代，对网络攻击的反应速度与操作水平已经明显不足，利用机器学习主动搜索威胁的技术正在网络安全中获得优势。威胁搜索是一种主动寻找恶意活动的行为，而不是仅仅对警报或发生后的漏洞作出反应。根据全球公共数据泄露数据库中的泄露水平指数，18 年上半年全球共有45 亿条数据记录遭到泄露。与人工智能所参与的其他工业应用不同，网络防御是黑客和安全人员之间的一种矛和盾的关系，两者都利用机器学习的进步来提高自身的技术水平并保持领先。
2.智能语聊
对于许多企业的应用场景来说，聊天机器人已经成为人工智能的代名词。最近，谷歌开发了一项人工智能对话功能，它可以代替用户进行电话呼叫和预订，并且可以像真实的人一样聊天。在某些应用程序中，基于语音和文本的智能语聊系统所表达的信息比其他应用程序更可靠。聊天机器人最广泛的应用之一是客户服务，机器人程序构成与用户交互的最外端接触层，并根据复杂程度将查询结果传递给人类。
3.药物研发
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系统为长周期的药物研发过程提供创新解决方案。2018 年5 月，辉瑞与Xtalpi公司建立了战略合作伙伴关系，以预测小分子的药物特性，并开发基于计算的合理药物设计。但辉瑞并不是唯一一家与人工智能算法结合的药物公司。诺华、赛诺菲、葛兰素史克、安进和默克等顶级制药公司最近几个月都宣布与人工智能公司建立合作关系，研发用于肿瘤和心脏病等一系列疾病的新药。
`
|
