万字报告：2019年人工智能发展趋势全解析

Automation Anywhere是另一家独角兽。该公司有一个案例是跟一家全球银行合作，用机器学习进行自动化人力资源管理。“IQ机器人”会从多个国家多种语言提交的表格中提取信息、清洗数据，然后自动录入到人力资源管理系统内。

不过RPA在很多行业尚处在起步阶段，有的在叠加预测性分析曾之前还得闲解决数字化的问题。

语言翻译

语言翻译的NLP既是挑战也是有待发掘的市场机遇。大公司正在挑战极限。

机器翻译在后端办公自动化存在着巨大商机，在跨国组织、客户支持、新闻&媒体等领域均有应用机会。

百度的耳机翻译器跟Google Pixel buds类似，据称能完成40种语言的实时互译。

有的初创企业比如Unbabel则引入了人参与到记忆翻译系统当中，目标是用反馈回环来训练算法改进。

1年前，Yoshua Bengio提出了用神经网络架构来取代传统统计法的翻译方案，后来Google就升级了Google Translate Tool的算法。Google原先采用的是基于短语的机器翻译（PBMT），其新的工具采用了神经机器翻译（GNMT）方案，并且提出了解决训练模型时遇到的时间和计算资源问题的解决方案。

不过最近的突破却是来自Facebook的。据称其突破在于过去的方法只有在资源丰富的语种互译时比较有效，但对少数语种的翻译就比较有局限性。Facebook提出了一种可学习 93 种语言的联合多语言句子表征架构。该架构仅使用一个编码器，且可在不做任何修改的情况下实现跨语言迁移。

随着大公司不断投入资源到改进翻译框架之中，翻译效率和语言能力也将得到改善，预计机器翻译将会在更多行业得到采用。

合成训练数据

训练AI算法离不开大规模的标签数据集。而逼真的仿造数据有望解决这个瓶颈问题。

AI算法的表现取决于获得的数据，但是为不同应用获取数据并给数据打上标签却是耗时耗钱的活儿，甚至没有可行性（不妨设想无人车需要的危险情况数据）。

合成数据集可以解决这个问题。

2018年3月，英伟达推出了NVIDIA推出DRIVE Constellation仿真系统，称可以在虚拟现实环境中测试自动驾驶汽车安全行驶数十亿英里。

比方说设想无人车行驶过程中遇到雷暴。英伟达的解决方案会模拟这种情况下车载传感器（摄像头或LiDAR）会生成什么样的数据。合成的传感器数据再提供给计算机进行决策，就好像自己真的在开车一样，然后把命令回传给虚拟汽车。

一个有趣的新兴趋势是利用AI本身帮助生成更“逼真”的合成图像来训练AI。比方说英伟达就用GAN来生成假的脑瘤MRI图像。

GAN可用来“增强”现实世界数据，意味着AI可以用混合现实世界和模拟数据来进行训练，从而形成更大规模更多样化的数据集。

机器人是另一个极大受益于高精度合成数据的领域之一。

类似AI.Reverie这样的早期阶段初创企业正在开发仿真平台为不同行业和场景生成数据集。

随着技术的发展以及合成数据能够更精确地模拟现实场景，预计这会成为无法获取大规模数据集的小公司的催化剂。

威胁

强化学习

从训练算法击败棋类游戏的世界冠军，到教AI耍杂技，研究人员正在用强化学习挑战极限。但对大规模数据集的需求目前限制了实际应用。

强化学习因为DeepMind的AlphaGo而引起了媒体的大量关注。

简而言之，强化学习的要点就是为了实现目标获得最大回报你需要干什么？

也正因为此，强化学习在游戏和机器人仿真方面的发展最好。

DeepMind的AlphaGo一开始是利用率有监督学习（用其他人类玩家数据训练算法）和强化学习（AI跟自己下）的。

不过后来的AlphaGo Zero就完全是用强化学习来实现超人的表现了。

最近加州大学伯克利分校的研究人员开始用计算机视觉和强化学习教算法学习YouTube视频上的杂耍视频。在无需人工标记姿势的情况下，计算机仿真角色就能重复视频里面的动作。而且还能在新环境中应用学到的技能。

不过强化学习的采用情况跟目前最普遍的有监督学习完全不能同日而语。但强化学习的专利申请情况却是在不断增长的。

网络优化

从促进频谱共享到资产监控乃至于天线的优化设计，AI正在开始改变电信。

电信网络优化是一组改进延时、贷款、设计或者架构的技术，任何以有利的方式增强数据流的东西都算。对通信服务提供商来说，优化会直接转化为更好的客户体验。

除了带宽限制之外，通信面临的最大挑战之一是网络时延。类似手机AR/VR这样的应用只有在时延极低的情况下才好用。

苹果最近被授予了一项专利，就是用机器学习来组建“预期网络”，预计像智能手机这样的无线设备在未来可能会执行什么样的操作，从而提前下载数据包以降低时延。

机器学习的另一项新兴应用是频谱共享。

频谱共享是解决频率资源短缺的必然之道。FCC（美国联邦通信委员会）要求，3.5到3.7GHz频段必须由不同用户共享。也就是说运营商可基于可用性动态访问共享的频谱，从而可以根据网络需求对带宽进行调整。而没有获得专用频谱许可的较小商业用户也可以访问。

像Federated Wireless这样的公司提供了Secure Spectrum Access（SAS，安全频谱访问）来动态分配频谱给不同等级的用户，确保不会造成干扰。

2018年，Federated Wireless被授予了一项专利，该专利运用了机器学习技术来对无线信号进行分类，同时又隐藏了联邦信号的特征，从而避免被黑客利用。

DARPA则希望最终能从SAS转到完全基于ML的自动化系统。为此它在2016年推出了鼓励参赛者想出自主协作动态分配频谱办法的Spectrum Collaboration Challenge。并在2017年推出了Radio Frequency Machine Learning Systems，跟Federated Wireless的方案类似，DARPA也是希望用ML区分不同类型的信号。

电信玩家也准备将基于AI的解决方案整合进下一代无线通信技术，也就是5G当中。

三星为了应对5G时代的到来而收购了基于AI的网络与服务分析初创企业Zhilabs，称其软件将用于分析用户流量，对应用进行分类，改善整体服务质量。

高通则把AI边缘计算看作其5G计划的关键部分。

还有一些研究论文开始探索用神经网络来设计最优化的天线。

无人车

尽管无人车市场商机无限，但何时实现全自动尚不明朗。

大量技术巨头和初创企业正在这个领域拼得头破血流。

这个领域最富盛名的是Google。其Waymo已经在率先部署了无人车商业车队。

投资者的投资热度依然没有消退。去年GM的Cruise Automation就拿到了10多亿美元的融资，Zoox也融了5亿美元。其他的初创企业还包括Drive.ai、Pony.ai与Nuro等。

（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!