万字报告：2019年人工智能发展趋势全解析

编者按：关心AI的人一定希望了解这个行业的最新发展趋势，最近行业分析机构CBInsights最近发布了2019年AI趋势报告正好能满足这个需求。这份84页的报告识别了25种AI趋势，运用CBInsights的NExTT分析框架，从行业采用度和市场优势两个维度对其进行归类，可以为不同参与角色提供决策参考。

其关键发现是对电子商务搜索词的上下文理解正在摆脱“试验”阶段，不过距离广泛采用还有很长一段路要走；深度学习是当前绝大部分AI应用的引擎。不过因为胶囊网络，这种技术可能需要改进一下了；先进医疗保健与生物测定领域的研究人员正在开始利用神经网络研究和测定此前难以量化的非典型风险因素；能访问大型标签化的数据是训练AI算法的必需，而逼真的仿造数据也许能解决这一瓶颈。

为了方便各位了解，36氪对这25种趋势进行摘要编译介绍。

必需

开源框架

AI的进入门槛变得空前的低，这要感谢开源软件。

以2015年Google开源TensorFlow机器学习库为开端，现在AI（尤其是深度学习）的开源框架已经形成百花齐放的局面，其中有Facebook的PyTorch、特利尔学习算法研究所（MILA）的Theano、Keras、Microsoft Cognitive Toolkit以及Apache MXNet等等。

开源AI框架是双赢的局面：一方面令人人都能用上AI；反过来，贡献者社区也为加速Google等公司的AI研究提供了帮助。

知名AI专家Yoshua Bengio表示：

支持深度学习研究的软件生态体系发展得很快，现在已经达到了一种健康的状态：开源软件成为规范；各种框架出现，满足了从探索新颖想法到生产部署的各种需求。而且不同的软件堆栈也在刺激的竞争氛围下得到了有力的行业玩家的支持。

边缘AI

对实时决策的需求正在将AI推向靠近边缘的地方。

在智能手机、汽车甚至可穿戴设备等边缘设备上运行AI算法，而不是跟中心云平台或服务器通信，使得边缘设备具备了在本地处理信息的能力，并且可以更快速地对情况做出响应。

Nvidia、高通、苹果及若干初创企业均在开发用于边缘的AI专用芯片。

边缘AI对消费者电子、电信、医疗影像等主流行业均有应用意义。比方说监控摄像头的人脸识别、华为、苹果等智能手机的人脸与对象识别、Tesla AI芯片的即时驾驶决策、婴儿监视器、无人机、机器人视觉能力（无互联网连接）等。

在2018年各大公司的财报会上，提到边缘计算的次数已经明显增多。

不过尽管边缘AI具有减少延时的优势，但也存在局限。那就是存储和处理能力受到限制。预计会有更多混合模式出现，使得智能边缘设备能够相互沟通以及与中心服务器通信。

脸部识别

从手机解锁到登机手续，人脸识别正在进入主流。

人脸识别在中国的媒体热度从2016年开始就不断升温。

中国对人脸识别技术的需求也与之同步。在这方面中国已经冒出了商汤科技、Face++、CloudWalk等独角兽。

美国这方面的的专利申请也呈现相似的趋势。

人脸识别的早期商业应用正在安保、零售及消费者电子领域出现，并且迅速成为生物特征识别的主流形式。

尽管人脸识别应用日益广泛，但这种技术并不是没有瑕疵。曾有报道称Amazon将一位国会议员认成了犯罪份子。华尔街日报记者用一张校长照片作为面具就轻易骗过了西雅图一所学校的智能摄像头。

医疗影像与诊断

美国FDA正在给AI即医疗设备开绿灯。

2018年4月，FDA批准了无需专家补充意见进行筛查糖尿病视网膜病变病人的AI软件。该软件叫做IDx-DR，其识别率达到了87.4%，对没有此病的识别率也达到了89.5%。

此外，FDA批准了初创企业Via.ai的CT扫描与潜在中风症状通知软件Viz LVO，以及初创企业Arterys的Oncology AI软件包，后者可以识别肺部与肝脏损伤。

监管的放松给商业化开辟了新的道路。自2014年以来，共有80家AI影像与诊断公司完成了149项融资交易。

初创企业Healthy.io的第一款产品Dip.io利用率了传统的尿液分析试纸来监控若干尿路感染：用户用智能手机拍摄试纸照片，计算机视觉算法就能根据不同的光照情况和相机品质对结果进行校正。产品可检测感染及怀孕相关的并发症。已在欧洲、以色列商用的Dip.io也已获得FDA放行。

预测性维护

AI工业物联网可为从制造商到设备保险商的既有者节省数百万美元的意外故障损失。

预测性维护利用传感器及智能摄像头不断采集机器数据（如温度、压力等）。生成的实时数据的规模以及格式的多样使得机器学习成为工业物联网不可或缺的组件。假以时日，算法就能够提前预测故障。

工业传感器成本的下降，机器学习算法的进展，以及边缘计算的推进，这些均使得预测性维护的应用变得更加广泛。

从下图可以看出，对领域的投资正在逐年递增。

其中活跃的投资者包括GE Ventures、西门子、SAP等。甚至微软等大公司也对自己的云与边缘分析解决方案进行扩展，提供预测性维护能力。

电子商务搜索

对搜索词的上下文理解已经走出“试验”阶段，但是大规模采用仍有很长一段路要走。

自2002年以来，Amazon已经申请了35项与“搜索结果”有关的美国专利。其中包括利用卷积神经网络“确定一组图像与查询图像类似的物品”，利用机器学习分析图像的视觉特征，并基于此建立搜索查询等。

eBay则利用机器学习来分析卖家的产品描述，然后借此寻找同类产品。

但是很多买家都是使用自然语言来进行查询，这对电子商务搜索构成了挑战。新兴初创企业于是开始为零售商提供搜索技术。

图像搜索初创企业ViSenze的客户包括Uniqlo、Myntra、乐天等。它可以让进店客户拍摄喜欢的东西的照片，然后上传，在网上找到同样的产品。

获得阿里投资的以色列初创企业Twiggle正在基于电子商务搜索引擎开发语义API，对买家的特定搜索做出响应。

试验

胶囊网络

深度学习是当今绝大部分AI应用的引擎。但由于胶囊网络，这种技术现在可能需要改进一下了。

胶囊网络（CapsNet）是深度学习先驱Geoffrey Hinton 2017-18年时提出的概念，旨在克服当前图像识别方法（主要是卷积神经网络CNN）的缺陷。

这种缺陷主要有2个。一是难以识别精确空间关系。比方说右图中尽管嘴巴的相对位置发生了改变，CNN仍会将其识别成人脸。

（编辑：温州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!