论文部分内容阅读
知名创投研究机构CB Insights调研了25种最大的AI趋势，以确定2019年该技术的下一步趋势，他们根据行业采用率和市场优势评估了每种趋势，并将其归类为必要、实驗性、威胁性、暂时的。
开源框架。人工智能的进入门槛比以往任何时候都低，这要归功于开源软件。
胶囊网络。深入学习推动了今天的大多数人工智能应用，而胶囊网络的出现可能会使其改头换面。
生成式对抗网络（GANs）。研究人员用GANs进行“面对面翻译”，还有利用GANs将视频变成漫画形式，或者直接进行绘画创作等。
联合学习。旨在使用越来越丰富的数据集，但同时保护敏感数据。
强化学习。强化学习与当今最流行的人工智能范式监督学习相比，还算不上成功，不过关于申请强化学习的研究越来越多，包括Microsoft、Adobe、FANUC等。
人工智能终端化。人工智能技术快速迭代，正经历从云端到终端的过程，人工智能终端化能够更好更快地帮助我们处理信息，解决问题。
人脸识别。人脸识别的应用范围愈发广泛，各国对于人脸识别的需求逐渐升高。人脸识别中所包含的数据远比我们想象要多，其中的安全问题也应引起我们关注。
语言处理。自然语言处理是人工智能的一个子领域，拥有丰富的市场机会，还有巨大的挑战。机器翻译就是其中一个等待开发的宝库，从后台自动化，客户支持，到新闻媒体，其应用广泛。
车辆自动化驾驶。自动化驾驶成为了科技公司和初创公司互相竞争的新领域，他们为此注入的不仅有新的活力，还有大量的投资。预计2025年其市场利润能达800亿美元，物流等相关行业会成为首批应用全自动驾驶的行业。
AI聊天机器人。尽管许多人把聊天机器人看成是AI的代名词，但两者依然存在差别。如今的AI聊天机器人已经进化得十分完善。但人们担忧这些机器人的行为过于逼真，开始考虑在对话时对其聊天机器人的身份进行确认说明的需要。
医学成像与诊断。美国食品与药物管理局（FDA）正加速推进“AI即医疗设备”趋势。在消费者方面，智能手机的普及和图像识别技术的进步正在把手机变成强大的家庭诊断工具。
下一代假肢。最近，研究人员开始使用机器学习来解码来自人体传感器的信号，并将其转换成移动假肢设备指令。
临床试验患者招募。临床试验的最大瓶颈之一是招募合适的患者。苹果等科技巨头已经成功地为他们的医疗保健计划引入了合作伙伴，改变医疗数据的流动方式，并为AI开辟了新的可能性。
先进医疗生物识别技术。利用神经网络，研究人员开始研究和测量以前难以量化的非典型危险因素，使用神经网络分析视网膜图像和语音模式可能有助于识别心脏病的风险。
药物发现。随着AI生物技术初创企业的兴起，传统制药公司正寻求AI SaaS初创企业为漫长的药物研发周期提供创新解决方案。
预测性维护。实时数据的数量和变化形式使机器学习成为IIoT不可分割的组成部分。算法可以在故障发生之前预测可能出现的隐患。随着工业传感器成本的降低、机器学习算法的进步，以及对边缘计算的推动，预测性维护会更加广泛。
后台自动化。人工智能正在推动管理工作走向自动化，但数据的不同性质和格式使其成为一项具有挑战性的任务。根据行业和应用程序的不同，自动化“后台任务”的挑战可能是独一无二的。
综合训练数据。对于训练人工智能算法来说，访问大型的、标记的数据集是必要的，合成数据集可能会成为解决瓶颈问题的关键。
网络优化。人工智能正在开始改变电信，对于通信服务提供商来说，AI优化可以直接转化为更好的客户体验。
网络威胁狩猎。对网络攻击做出反应已经不够了，使用机器学习主动“搜寻”威胁正在网络安全中获得动力。顾名思义，威胁搜寻是主动寻找恶意活动的做法，而不仅仅是在发生警报或违规后做出反应。
电子商务搜索。对搜索词的上下文理解正在走出“实验阶段”，但要广泛采用搜索词还有很长的路要走。许多用户用自然语言搜索产品，或者不知道如何描述他们在寻找的商品，这使得电子商务搜索的自然语言成为一个挑战。
汽车索赔处理。保险公司和初创公司开始使用人工智能来计算车主的“风险得分”，分析事故现场的图像，并监控驾驶员的行为，进而对驾驶员进行风险分析，从而影响汽车保险的实际定价模型。
防伪。假货越来越难被发现，网购使得购买假货比以往任何时候都容易。现在，建立一个假冒伪劣商品的数据库，提取其特征，并训练人工智能算法来分辨真伪，虽是一个繁琐的过程，但对于奢侈品牌和其他高风险零售商来说非常有必要，下一步的解决方案还可能是在实体商品上识别或添加独特的 “指纹”，并通过供应链对其进行跟踪。
零售。人工智能可以杜绝盗窃行为，并让免结账手续零售变得更加普遍。需要考虑如何利用建筑空间，特别是在拥挤的超市，确保摄像机能布置在最佳的位置。在短期内，问题将归结为部署成本和由潜在技术故障造成的库存损失成本，以及零售商能够承担这些成本和风险的程度。
农作物监测。无人机可以为农民绘制农田地图，利用热成像技术监测湿度，识别虫害作物并喷洒杀虫剂。初创公司正专注于为第三方无人机捕获的数据添加分析。
开源框架。人工智能的进入门槛比以往任何时候都低，这要归功于开源软件。
胶囊网络。深入学习推动了今天的大多数人工智能应用，而胶囊网络的出现可能会使其改头换面。
生成式对抗网络（GANs）。研究人员用GANs进行“面对面翻译”，还有利用GANs将视频变成漫画形式，或者直接进行绘画创作等。
联合学习。旨在使用越来越丰富的数据集，但同时保护敏感数据。
强化学习。强化学习与当今最流行的人工智能范式监督学习相比，还算不上成功，不过关于申请强化学习的研究越来越多，包括Microsoft、Adobe、FANUC等。
人工智能终端化。人工智能技术快速迭代，正经历从云端到终端的过程，人工智能终端化能够更好更快地帮助我们处理信息，解决问题。
人脸识别。人脸识别的应用范围愈发广泛，各国对于人脸识别的需求逐渐升高。人脸识别中所包含的数据远比我们想象要多，其中的安全问题也应引起我们关注。
语言处理。自然语言处理是人工智能的一个子领域，拥有丰富的市场机会，还有巨大的挑战。机器翻译就是其中一个等待开发的宝库，从后台自动化，客户支持，到新闻媒体，其应用广泛。
车辆自动化驾驶。自动化驾驶成为了科技公司和初创公司互相竞争的新领域，他们为此注入的不仅有新的活力，还有大量的投资。预计2025年其市场利润能达800亿美元，物流等相关行业会成为首批应用全自动驾驶的行业。
AI聊天机器人。尽管许多人把聊天机器人看成是AI的代名词，但两者依然存在差别。如今的AI聊天机器人已经进化得十分完善。但人们担忧这些机器人的行为过于逼真，开始考虑在对话时对其聊天机器人的身份进行确认说明的需要。
医学成像与诊断。美国食品与药物管理局（FDA）正加速推进“AI即医疗设备”趋势。在消费者方面，智能手机的普及和图像识别技术的进步正在把手机变成强大的家庭诊断工具。
下一代假肢。最近，研究人员开始使用机器学习来解码来自人体传感器的信号，并将其转换成移动假肢设备指令。
临床试验患者招募。临床试验的最大瓶颈之一是招募合适的患者。苹果等科技巨头已经成功地为他们的医疗保健计划引入了合作伙伴，改变医疗数据的流动方式，并为AI开辟了新的可能性。
先进医疗生物识别技术。利用神经网络，研究人员开始研究和测量以前难以量化的非典型危险因素，使用神经网络分析视网膜图像和语音模式可能有助于识别心脏病的风险。
药物发现。随着AI生物技术初创企业的兴起，传统制药公司正寻求AI SaaS初创企业为漫长的药物研发周期提供创新解决方案。
预测性维护。实时数据的数量和变化形式使机器学习成为IIoT不可分割的组成部分。算法可以在故障发生之前预测可能出现的隐患。随着工业传感器成本的降低、机器学习算法的进步，以及对边缘计算的推动，预测性维护会更加广泛。
后台自动化。人工智能正在推动管理工作走向自动化，但数据的不同性质和格式使其成为一项具有挑战性的任务。根据行业和应用程序的不同，自动化“后台任务”的挑战可能是独一无二的。
综合训练数据。对于训练人工智能算法来说，访问大型的、标记的数据集是必要的，合成数据集可能会成为解决瓶颈问题的关键。
网络优化。人工智能正在开始改变电信，对于通信服务提供商来说，AI优化可以直接转化为更好的客户体验。
网络威胁狩猎。对网络攻击做出反应已经不够了，使用机器学习主动“搜寻”威胁正在网络安全中获得动力。顾名思义，威胁搜寻是主动寻找恶意活动的做法，而不仅仅是在发生警报或违规后做出反应。
电子商务搜索。对搜索词的上下文理解正在走出“实验阶段”，但要广泛采用搜索词还有很长的路要走。许多用户用自然语言搜索产品，或者不知道如何描述他们在寻找的商品，这使得电子商务搜索的自然语言成为一个挑战。
汽车索赔处理。保险公司和初创公司开始使用人工智能来计算车主的“风险得分”，分析事故现场的图像，并监控驾驶员的行为，进而对驾驶员进行风险分析，从而影响汽车保险的实际定价模型。
防伪。假货越来越难被发现，网购使得购买假货比以往任何时候都容易。现在，建立一个假冒伪劣商品的数据库，提取其特征，并训练人工智能算法来分辨真伪，虽是一个繁琐的过程，但对于奢侈品牌和其他高风险零售商来说非常有必要，下一步的解决方案还可能是在实体商品上识别或添加独特的 “指纹”，并通过供应链对其进行跟踪。
零售。人工智能可以杜绝盗窃行为，并让免结账手续零售变得更加普遍。需要考虑如何利用建筑空间，特别是在拥挤的超市，确保摄像机能布置在最佳的位置。在短期内，问题将归结为部署成本和由潜在技术故障造成的库存损失成本，以及零售商能够承担这些成本和风险的程度。
农作物监测。无人机可以为农民绘制农田地图，利用热成像技术监测湿度，识别虫害作物并喷洒杀虫剂。初创公司正专注于为第三方无人机捕获的数据添加分析。