知名創(chuàng)投研究機構(gòu)CB Insights調(diào)研了25種最大的AI趨勢，以確定2019年該技術(shù)的下一步趨勢，他們根據(jù)行業(yè)采用率和市場優(yōu)勢評估了每種趨勢，并將其歸類為必要、實驗性、威脅性、暫時的。

膠囊網(wǎng)絡(luò)將挑戰(zhàn)最先進(jìn)的

圖像識別算法

1

開源框架

人工智能的進(jìn)入門檻比以往任何時候都低，這要歸功于開源軟件。2015年谷歌開放了其機器學(xué)習(xí)庫TensorFlow，越來越多的公司，包括Coca-Cola、e Bay等開始使用TensorFlow。2017年Facebook發(fā)布caffe2和 Py Torch（Python的開源機器學(xué)習(xí)平臺），而Theano是蒙特利爾學(xué)習(xí)算法研究所(Mila)的另一個開源庫，隨著這些工具的使用越來越廣泛，Mila公司已經(jīng)停止了對Theano的開發(fā)。

2

膠囊網(wǎng)絡(luò)

眾所周知，深入學(xué)習(xí)（Deep Learning）推動了今天的大多數(shù)人工智能應(yīng)用，而膠囊網(wǎng)絡(luò)（capsule networks）的出現(xiàn)可能會使其改頭換面。深入學(xué)習(xí)界領(lǐng)航人Geoffrey Hinton在其2011年發(fā)布的論文中提到“膠囊”這個概念，于2017年-2018年論文中提出“膠囊網(wǎng)絡(luò)”概念。針對當(dāng)今深度學(xué)習(xí)中最流行的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之一：卷積神經(jīng)網(wǎng)絡(luò)(CNN)，Hinton指出其存在諸多不足，CNN在面對精確的空間關(guān)系方面就會暴露其缺陷。比如將人臉圖像中嘴巴的位置放置在額頭上面，CNN仍會將其辨識為人臉。CNN的另一個主要問題是無法理解新的觀點。黑客可以通過制造一些細(xì)微變化來混淆CNN的判斷。經(jīng)測試，膠囊網(wǎng)絡(luò)可以對抗一些復(fù)雜的對抗性攻擊，比如篡改圖像以混淆算法，且優(yōu)于CNN。膠囊網(wǎng)絡(luò)的研究雖然目前還處于起步階段，但可能會對目前最先進(jìn)的圖像識別方法提出挑戰(zhàn)。

3

生成式對抗網(wǎng)絡(luò)

2014年，谷歌研究員Ian Goodfellow提出“生成式對抗網(wǎng)絡(luò)”（GAN）概念，利用“AI VS AI”概念，提出兩個神經(jīng)網(wǎng)絡(luò)：生成器和鑒別器。谷歌DeepMind實習(xí)生Andrew Brock與其他研究人員一起合作，對Gans進(jìn)行了大規(guī)模數(shù)據(jù)集的培訓(xùn)，以創(chuàng)建“BigGANs”。GANs面對的主要挑戰(zhàn)就是計算能力，對于AI硬件來說必須是并行縮放。研究人員用GANs進(jìn)行“面對面翻譯”，還有利用GANs將視頻變成漫畫形式，或者直接進(jìn)行繪畫創(chuàng)作等，但GANs也被一些不懷好意的人利用，包括制作假的政治錄像和變形的色情制品。

4

聯(lián)合學(xué)習(xí)

我們每天使用手機或平板會產(chǎn)生大量數(shù)據(jù)信息，使用我們的本地數(shù)據(jù)集來訓(xùn)練AI算法可以極大地提高它們的性能，但用戶信息是非常私人和隱秘的。谷歌研發(fā)的聯(lián)合學(xué)習(xí)（Federated Learning）方法旨在使用這個豐富的數(shù)據(jù)集，但同時保護(hù)敏感數(shù)據(jù)。谷歌正在其名為Gboard的Android鍵盤上測試聯(lián)合學(xué)習(xí)。聯(lián)合學(xué)習(xí)方法與其他算法的不同在于考慮了兩個特征：非獨立恒等分布（Non-IID）和不均衡性（Unbalanced）。聯(lián)合學(xué)習(xí)已運用于搜索引擎Firefox、人工智能創(chuàng)業(yè)公司OWKIN等。

5

強化學(xué)習(xí)

當(dāng)谷歌DeepMind研發(fā)的AlphaGo在中國圍棋游戲中擊敗世界冠軍后，強化學(xué)習(xí)（Reinforcement Learning）獲得了廣泛關(guān)注。基于強化學(xué)習(xí)，DeepMind接著又研發(fā)了AlphaGo Zero。UC Berkeley 研究人員利用計算機視覺和強化學(xué)習(xí)來教授YouTube視頻中的算法雜技技能。盡管取得了進(jìn)步，但強化學(xué)習(xí)與當(dāng)今最流行的人工智能范式監(jiān)督學(xué)習(xí)相比，還算不上成功，不過關(guān)于申請強化學(xué)習(xí)的研究越來越多，包括 Microsoft，Adobe，F(xiàn)ANUC等。

2025年自動駕駛利潤達(dá)800億美元

物流率先應(yīng)用

6

人工智能終端化

人工智能技術(shù)快速迭代，正經(jīng)歷從云端到終端的過程，人工智能終端化能夠更好更快地幫助我們處理信息，解決問題，我們舍棄了使用云端控制的方法，而是將AI算法加載于終端設(shè)備上（如智能手機，汽車，甚至衣服上）。英偉達(dá)（NVIDIA），高通（Qualcomm）還有蘋果（Apple）等諸多公司加入了對終端側(cè)人工智能領(lǐng)域的突破和探索，2017和2018年是眾多科技公司在人工智能終端化進(jìn)入快速發(fā)展期的兩年，同時他們也在加緊對人工智能芯片的研發(fā)。但AI依然面臨著儲存和開發(fā)上的困境，亟需更豐富的混合模型連接終端設(shè)備與中央服務(wù)器。

7

人臉識別

從手機解鎖到航班登機，人臉識別的應(yīng)用范圍愈發(fā)廣泛，各國對于人臉識別的需求逐漸升高，不少創(chuàng)業(yè)公司開始關(guān)注這一領(lǐng)域，利用該技術(shù)，可以通過臉部特點從而還原蒙面嫌疑犯完整的人臉。但人臉識別仍有待改進(jìn)。這一技術(shù)仍會對人臉真假存在誤判。人臉識別中所包含的數(shù)據(jù)遠(yuǎn)比我們想象要多，其中的安全問題也應(yīng)引起我們關(guān)注。

8

語言處理

自然語言處理（NLP）是人工智能的一個子領(lǐng)域，對于翻譯技術(shù)而言，NLP就像一個潘多拉魔盒——除了豐富的市場機會，還有巨大的挑戰(zhàn)。機器翻譯就是其中一個等待開發(fā)的寶庫，從后臺自動化，客戶支持，到新聞媒體，其應(yīng)用廣泛。人機共生也是翻譯領(lǐng)域未來的大方向，不少初創(chuàng)公司也期待從中分一杯羹，但要完成基于自然語言處理工作的翻譯系統(tǒng)并不容易，單單中文里的各種方言和書面語就能把眾多科技公司難住，據(jù)相關(guān)數(shù)據(jù)顯示，除了熱門的高資源語言，如中文，阿拉伯語，歐洲語言等，低資源語言和少數(shù)民族語言的開發(fā)和應(yīng)用依然存在缺口。

9

車輛自動化駕駛

盡管自動化駕駛的汽車市場潛力巨大，但實現(xiàn)全自動的未來依然不明朗。自動化駕駛成為了科技公司和初創(chuàng)公司互相競爭的新領(lǐng)域，他們?yōu)榇俗⑷氲牟粌H有新的活力，還有大量的投資。投資者對他們的決定十分樂觀，數(shù)個自動駕駛汽車品牌所獲得的投資總額已超百億，預(yù)計2025年其市場利潤能達(dá)800億美元，物流等相關(guān)行業(yè)會成為首批應(yīng)用全自動駕駛的行業(yè)，預(yù)計可縮減三分之一的成本。

10

AI聊天機器人

盡管許多人把聊天機器人看成是AI的代名詞，但兩者依然存在差別。如今的AI聊天機器人已經(jīng)進(jìn)化得十分完善，與真人對話時甚至還會應(yīng)用“嗯...”這一類口頭語和停頓，但人們擔(dān)憂這些機器人的行為過于逼真，開始考慮在對話時對其聊天機器人的身份進(jìn)行確認(rèn)說明的需要。國外的科技巨頭FAMGA（Facebook，Apple，Microsoft，Google與Amazon）以及國內(nèi)的BAT都把目光投向了這一領(lǐng)域。

AI診斷前景巨大

制藥巨頭押注AI算法

11

醫(yī)學(xué)成像與診斷

美國食品與藥物管理局(FDA)正加速推進(jìn)“AI即醫(yī)療設(shè)備”趨勢。2018年4月，F(xiàn)DA批準(zhǔn)了AI軟件IDx-DR，它可以在不需要專家干預(yù)的情況下篩查糖尿病視網(wǎng)膜病變患者，準(zhǔn)確率超過87.4%。FDA還批準(zhǔn)了Viz LVO（可用于分析CT掃描結(jié)果以預(yù)測患者患中風(fēng)危險）和Oncology AI套件（專注于發(fā)現(xiàn)肺部和肝臟病變），監(jiān)管機構(gòu)的快速審批為80多家AI成像和診斷公司開辟了新的商業(yè)道路。自2014年以來，這些公司共融資149筆。

在消費者方面，智能手機的普及和圖像識別技術(shù)的進(jìn)步正在把手機變成強大的家庭診斷工具，名為Dip.Io的應(yīng)用使用傳統(tǒng)尿液檢測試紙來監(jiān)測各種尿路感染。用戶可以用智能手機給試紙拍照，計算機視覺算法會根據(jù)不同的光照條件和攝像頭質(zhì)量對結(jié)果進(jìn)行校正。除此之外，許多“ML即服務(wù)”平臺正集成到FDA批準(zhǔn)的家庭監(jiān)控設(shè)備中，發(fā)現(xiàn)異常時即可向醫(yī)生發(fā)出警報。

12

下一代假肢

早期的研究正在興起，結(jié)合生物學(xué)、物理學(xué)和機器學(xué)習(xí)來解決假肢面臨的最困難問題之一，即靈活性。這是個十分復(fù)雜的問題，比如要讓截肢者能夠在假肢手臂上活動單個手指，需要解碼其背后的大腦和肌肉信號，并將其轉(zhuǎn)化為機器人控制指令，這些都需要多學(xué)科配合。最近，研究人員開始使用機器學(xué)習(xí)來解碼來自人體傳感器的信號，并將其轉(zhuǎn)換成移動假肢設(shè)備指令。

還有些論文探討了新媒介解決方案，比如使用肌電信號(殘肢附近肌肉的電活動)來激活攝像頭，以及運行計算機視覺算法來估計他們面前物體的抓取方式和大小。年度機器學(xué)習(xí)大會NeurIPS’18已經(jīng)發(fā)起“AI假肢挑戰(zhàn)賽”，進(jìn)一步突顯了AI社區(qū)對該領(lǐng)域的興趣，2018年的挑戰(zhàn)是使用強化學(xué)習(xí)預(yù)測假肢的性能，有442名參與者試圖教AI如何跑步，贊助商包括AWS、英偉達(dá)以及豐田等。

13

臨床試驗患者招募

臨床試驗的最大瓶頸之一是招募合適的患者，蘋果或許能夠解決這個問題。盡管人們在努力將醫(yī)療記錄數(shù)字化，但互操作性（在機構(gòu)和軟件系統(tǒng)之間共享信息的能力）仍是醫(yī)療保健領(lǐng)域最大的問題之一。理想的AI解決方案是從患者的病歷中提取相關(guān)信息，并與正在進(jìn)行的試驗進(jìn)行比較，為進(jìn)行匹配研究的AI軟件提供建議。

然而，像蘋果這樣的科技巨頭已經(jīng)成功地為他們的醫(yī)療保健計劃引入了合作伙伴，蘋果正在改變醫(yī)療數(shù)據(jù)的流動方式，并為AI開辟了新的可能性，尤其是圍繞臨床研究人員招募和監(jiān)測患者的方式。自2015年以來，蘋果推出了兩個開源框架——ResearchKit和CareKit，以幫助臨床試驗招募患者，并遠(yuǎn)程監(jiān)控他們的健康狀況，消除了地理障礙，蘋果還與Cerner和Epic等流行的EHR供應(yīng)商合作，解決互操作性問題。

14

先進(jìn)醫(yī)療生物識別技術(shù)

利用神經(jīng)網(wǎng)絡(luò)，研究人員開始研究和測量以前難以量化的非典型危險因素，使用神經(jīng)網(wǎng)絡(luò)分析視網(wǎng)膜圖像和語音模式可能有助于識別心臟病的風(fēng)險。比如，谷歌的研究人員使用受過訓(xùn)練的視網(wǎng)膜圖像神經(jīng)網(wǎng)絡(luò)來發(fā)現(xiàn)心血管疾病的危險因素，如年齡、性別和吸煙等，梅奧診所通過分析聲音中的聲學(xué)特征，可以發(fā)現(xiàn)冠心病患者的不同語音特征。

不久的將來，醫(yī)療生物識別技術(shù)將被用于被動監(jiān)控，比如谷歌的專利希望通過膚色或皮膚位移來分析心血管功能，這些傳感器甚至可能被放置在病人浴室的“感應(yīng)環(huán)境”中，通過識別手腕和臉頰的皮膚顏色變化，用來確定心臟健康指標(biāo)，如動脈僵硬或血壓。亞馬遜也申請了被動監(jiān)測專利，將面部特征識別與心率分析結(jié)合起來。AI發(fā)現(xiàn)模式的能力將繼續(xù)為新的診斷方法和識別以前未知的危險因素鋪平道路。

15

藥物發(fā)現(xiàn)

隨著AI生物技術(shù)初創(chuàng)企業(yè)的興起，傳統(tǒng)制藥公司正尋求AI SaaS初創(chuàng)企業(yè)為漫長的藥物研發(fā)周期提供創(chuàng)新解決方案。2018年5月，輝瑞與XtalPi建立了戰(zhàn)略合作伙伴關(guān)系，預(yù)測小分子藥物的性質(zhì)，開發(fā)“基于計算的理性藥物設(shè)計”。諾華(Novartis)、賽諾菲(Sanofi)、葛蘭素史克(GlaxoSmithKline)、安進(jìn)(Amgen)和默克(Merck)等頂級制藥公司，最近幾個月都宣布與AI初創(chuàng)企業(yè)建立合作關(guān)系，以發(fā)現(xiàn)腫瘤和心臟病等領(lǐng)域的新藥。

雖然像遞歸制藥(Recursion Pharmaceuticals)這樣的生物技術(shù)AI公司正在投資AI和藥物研發(fā)，傳統(tǒng)制藥公司正在與AI SaaS初創(chuàng)公司合作。盡管這些初創(chuàng)公司中有許多仍處于融資的早期階段，但它們已經(jīng)擁有自己的制藥客戶。在藥物研發(fā)階段，成功的衡量標(biāo)準(zhǔn)很少，但制藥公司正把數(shù)百萬美元押在AI算法上，以發(fā)現(xiàn)新的治療方案，并改變曠日持久的藥物研發(fā)過程。

合成數(shù)據(jù)集用以解決AI的數(shù)據(jù)依賴

16

預(yù)測性維護(hù)

從制造商到設(shè)備保險公司，AI-IIoT可以在在故障損害發(fā)生之前，提出防范措施?，F(xiàn)場和工廠設(shè)備會產(chǎn)生大量的數(shù)據(jù)，然而，未預(yù)料到的設(shè)備故障是制造業(yè)停機的主要原因之一。預(yù)測設(shè)備或單個部件何時失效將使資產(chǎn)保險公司和制造商受益。在預(yù)測性維護(hù)中，傳感器和智能攝像機收集來自機器的連續(xù)數(shù)據(jù)，如溫度、壓力等。實時數(shù)據(jù)的數(shù)量和變化形式使機器學(xué)習(xí)成為IIoT不可分割的組成部分。隨著時間的推移，算法可以在故障發(fā)生之前預(yù)測可能出現(xiàn)的隱患。隨著工業(yè)傳感器成本的降低、機器學(xué)習(xí)算法的進(jìn)步，以及對邊緣計算的推動，預(yù)測性維護(hù)會更加廣泛。

17

后臺自動化

人工智能正在推動管理工作走向自動化，但數(shù)據(jù)的不同性質(zhì)和格式使其成為一項具有挑戰(zhàn)性的任務(wù)。根據(jù)行業(yè)和應(yīng)用程序的不同，自動化“后臺任務(wù)”的挑戰(zhàn)可能是獨一無二的，例如，手寫的臨床筆記對自然語言處理算法來說就是一個獨特的挑戰(zhàn)。機器人過程自動化（RPA）一直是熱門話題，雖然并非所有的機器人過程自動化都基于機器學(xué)習(xí)，但許多都開始將圖像識別和語言處理集成到它們的解決方案中。

18

綜合訓(xùn)練數(shù)據(jù)

對于訓(xùn)練人工智能算法來說，訪問大型的、標(biāo)記的數(shù)據(jù)集是必要的，合成數(shù)據(jù)集可能會成為解決瓶頸問題的關(guān)鍵，人工智能算法依賴數(shù)據(jù)，當(dāng)一些類型的現(xiàn)實世界數(shù)據(jù)不易被訪問時，合成數(shù)據(jù)集的用武之地就體現(xiàn)出來，一個有趣的新興趨勢是使用AI本身來幫助生成更“逼真”的合成圖像來訓(xùn)練AI，例如，英偉達(dá)使用生成對抗網(wǎng)絡(luò)（GAN）來創(chuàng)建具有腦腫瘤的假MRI圖像。GAN被用于“增強”現(xiàn)實世界數(shù)據(jù)，這意味著AI可以通過混合現(xiàn)實世界和模擬數(shù)據(jù)進(jìn)行訓(xùn)練，以獲得更大更多樣化的數(shù)據(jù)集。此外，機器人技術(shù)是另一個可以從高質(zhì)量合成數(shù)據(jù)中獲益的領(lǐng)域。

19

網(wǎng)絡(luò)優(yōu)化

人工智能正在開始改變電信，電信網(wǎng)絡(luò)優(yōu)化是一套改進(jìn)延遲、帶寬、設(shè)計或架構(gòu)的技術(shù)——能以有利方式增加數(shù)據(jù)流的技術(shù)，對于通信服務(wù)提供商來說，優(yōu)化可以直接轉(zhuǎn)化為更好的客戶體驗，除了帶寬限制之外，電信面臨的最大挑戰(zhàn)之一是網(wǎng)絡(luò)延遲，像手機上的AR / VR等應(yīng)用，只有極低的延遲時間才能達(dá)到最佳的功能。電信運營商也在準(zhǔn)備將基于AI的解決方案集成到下一代無線技術(shù)中，即5G，三星收購了基于AI的網(wǎng)絡(luò)和服務(wù)分析初創(chuàng)公司Zhilabs，為5G時代做準(zhǔn)備，高通認(rèn)為人工智能邊緣計算是其5G計劃的重要組成部分（邊緣計算可減少帶寬限制并與云進(jìn)行頻繁通信，這是5G的主要關(guān)注領(lǐng)域）。

20

網(wǎng)絡(luò)威脅狩獵

對網(wǎng)絡(luò)攻擊做出反應(yīng)已經(jīng)不夠了，使用機器學(xué)習(xí)主動“搜尋”威脅正在網(wǎng)絡(luò)安全中獲得動力。顧名思義，威脅搜尋是主動尋找惡意活動的做法，而不僅僅是在發(fā)生警報或違規(guī)后做出反應(yīng)，狩獵開始于對網(wǎng)絡(luò)中潛在弱點的假設(shè)，以及手動和自動化工具，以在連續(xù)的迭代過程中測試假設(shè)，網(wǎng)絡(luò)安全中龐大的數(shù)據(jù)量使機器學(xué)習(xí)成為流程中不可分割的一部分，威脅狩獵很可能會獲得更多的動力，然而它也面臨著自身的一系列挑戰(zhàn)，比如應(yīng)對不斷變化的動態(tài)環(huán)境和減少誤報。

訓(xùn)練算法 指紋追蹤

人工智能防范假貨

21

電子商務(wù)搜索

對搜索詞的上下文理解正在走出“實驗階段”，但要廣泛采用搜索詞還有很長的路要走，當(dāng)使用電子商務(wù)搜索來顯示相關(guān)結(jié)果時，使用適當(dāng)?shù)脑獢?shù)據(jù)來描述產(chǎn)品是一個起點。但是僅僅描述和索引是不夠的，許多用戶用自然語言搜索產(chǎn)品(比如“沒有紐扣的洋紅色襯衫”)，或者不知道如何描述他們在尋找的商品，這使得電子商務(wù)搜索的自然語言成為一個挑戰(zhàn)。

22

汽車索賠處理

保險公司和初創(chuàng)公司開始使用人工智能來計算車主的“風(fēng)險得分”，分析事故現(xiàn)場的圖像，并監(jiān)控駕駛員的行為，Ant Financial在其“事故處理系統(tǒng)”中使用深度學(xué)習(xí)算法進(jìn)行圖像處理，過去，車主或司機會把他們的車送到“理算師”那里，理算師負(fù)責(zé)檢查車輛的損壞情況，并記錄下詳細(xì)情況，然后將這些信息發(fā)送給汽車保險公司。如今，圖像處理技術(shù)的進(jìn)步使得人們可以拍下這輛車的照片并將其上傳，神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行分析，實現(xiàn)損傷評估的自動化，另一種方法是對駕駛員進(jìn)行風(fēng)險分析，從而影響汽車保險的實際定價模型。

23

防偽

假貨越來越難被發(fā)現(xiàn)，網(wǎng)購使得購買假貨比以往任何時候都容易。為了反擊，品牌和典當(dāng)商開始嘗試人工智能，在網(wǎng)絡(luò)世界和現(xiàn)實世界兩條戰(zhàn)線上與假貨作戰(zhàn)。不過，網(wǎng)上假冒偽劣產(chǎn)品的范圍和規(guī)模龐大復(fù)雜，造假者使用與原始品牌列表非常相似的關(guān)鍵詞和圖片，在假冒網(wǎng)站上銷售假貨，在合法市場上銷售假貨，在社交媒體網(wǎng)站上推廣假貨，隨著“超級假貨”或“aaa假貨”的興起，用肉眼分辨它們幾乎變得不可能?，F(xiàn)在，建立一個假冒偽劣商品的數(shù)據(jù)庫，提取其特征，并訓(xùn)練人工智能算法來分辨真?zhèn)危m是一個繁瑣的過程，但對于奢侈品牌和其他高風(fēng)險零售商來說非常有必要，下一步的解決方案還可能是在實體商品上識別或添加獨特的“指紋”，并通過供應(yīng)鏈對其進(jìn)行跟蹤。

24

零售

走進(jìn)一家商店，挑選你想要的東西，然后走出去，這幾乎“感覺”就像在行竊，人工智能可以杜絕真正的盜竊行為，并讓免結(jié)賬手續(xù)零售變得更加普遍。盜竊一直是美國零售商的一大痛點，然而，當(dāng)你掌握進(jìn)出商店的人，并自動向他們收費時，有人入店行竊的可能性就會降到最低。其余一些需要考慮的事情是如何利用建筑空間，特別是在擁擠的超市，確保攝像機被最佳地放置來追蹤人和物品。在短期內(nèi)，問題將歸結(jié)為部署成本和由潛在技術(shù)故障造成的庫存損失成本，以及零售商能夠承擔(dān)這些成本和風(fēng)險的程度。

25

農(nóng)作物監(jiān)測

無人機可以為農(nóng)民繪制農(nóng)田地圖，利用熱成像技術(shù)監(jiān)測濕度，識別蟲害作物并噴灑殺蟲劑。

初創(chuàng)公司正專注于為第三方無人機捕獲的數(shù)據(jù)添加分析。還有人使用計算機視覺使地面上的農(nóng)業(yè)設(shè)備變得更智能，按照需要噴灑個別作物，就會減少對非選擇性除草劑的需求，而非選擇性除草劑會殺死附近的一切，精確噴灑意味著減少除草劑和殺蟲劑的使用量。在實地調(diào)查之外，利用計算機視覺分析衛(wèi)星圖像提供了對農(nóng)業(yè)實踐的宏觀理解，地理空間數(shù)據(jù)可以提供關(guān)于全球作物分布模式和氣候變化對農(nóng)業(yè)影響的信息。