結合實際案例分析的2018人工智能趨勢展望

近日，CBInsights發(fā)布報告《2018人工智能趨勢展望》（Top AI Trends To Watch In 2018），提出了13項2018年人工智能值得關注的發(fā)展趨勢。本文將基于這份報告的內容，根據(jù)部分具有前瞻性的洞察和觀點進行解讀，并配合實際案例以便更好地理解。

一、新型制造業(yè)崗位“機器人保姆”

眾所周知，發(fā)達國家從勞動密集型產(chǎn)業(yè)，向技術密集型產(chǎn)業(yè)轉型過程中，會將低端和中端制造業(yè)外包給勞動力成本較低的發(fā)展中國家。中國正在經(jīng)歷這一過程，例如服裝市場中已經(jīng)出現(xiàn)了“Made in Vietnam”或“Made in Thailand”。然而，隨著工業(yè)機器人技術的進步和使用，外包不再是唯一選擇，發(fā)達國家本地生產(chǎn)的成本變得更低，美國制造業(yè)雇員人數(shù)正在上升。

中國服裝制造商天元服裝公司在美國阿肯色州小石頭城設立工廠，使用由格魯吉亞的創(chuàng)業(yè)企業(yè)SoftWear Automation開發(fā)的縫紉機機器人，來為Adidas生產(chǎn)服裝。2017年，天元服裝公司與阿肯色州簽署合作協(xié)議，在其工廠雇傭400名員工，負責機器人的操作和維護，每人時薪14美元。當越來越多繁重的生產(chǎn)工作將由機器人來完成時，人類將從事更高檔的工作——機器人保姆。

然而，不斷變化的消費者偏好阻礙了全自動化的發(fā)展，在亞馬遜高度自動化的倉庫能夠反映這一點。亞馬遜的協(xié)作型倉庫機器人執(zhí)行大量繁重的工作，而一些微妙的任務仍需要工人完成，比如從貨架上挑選物品，并將它們分成單獨的訂單。

此外，在“非結構化”環(huán)境中，機器人在抓取、拾取和處理項目方面仍然不夠完美。亞馬遜已經(jīng)在各種倉庫中使用了10萬多臺機器人，但同時也創(chuàng)造了數(shù)千個新的工作崗位。

二、國防的未來取決于AI

世界的戰(zhàn)場正在向數(shù)據(jù)中心轉移。早在2014年，亞馬遜就為美國中央情報局建立了定制云計算服務，滿足其對敏感數(shù)據(jù)的嚴格監(jiān)管要求。在2017年第四季度，亞馬遜云計算服務平臺AWS向情報機構以外的其他政府機構開放了工具和服務。亞馬遜還收購了兩家網(wǎng)絡安全公司，Harvest．a(chǎn)i和Sqrrl，用于保護云中的敏感數(shù)據(jù)。不管是亞馬遜，還是為政府客戶提供服務的新公司，人工智能將成為政府支持下的網(wǎng)絡安全支柱。

在冷戰(zhàn)時期，各國政府都在談論他們的“導彈差距”，或者他們在核彈頭方面相對于對手的劣勢。現(xiàn)在，各國政府在網(wǎng)絡能力方面的差距越來越大。因此，網(wǎng)絡安全與傳統(tǒng)防御的世界正在融合。

在過去5年里，共有134家初創(chuàng)AI網(wǎng)絡安全公司在獲得36．5億美元的私募股權融資。去年，約有34家公司首次融資，在Cybereason、CrowdStrike、Cylance和Tanium等大公司主導的市場中競爭，每家公司的估值約為9億美元。

甚至像埃森哲這樣的傳統(tǒng)咨詢公司，也一直在擴大其在網(wǎng)絡安全領域的技術，以更好地服務于政府客戶。一個值得注意的交易是初創(chuàng)公司Endgame，它有像美國空軍這樣的客戶。Endgame將其政府服務部門出售給了埃森哲。

2016年，美國情報界的風投公司In－Q－Tel資助了Anomali、Interset和Cylance。英國的Darktrace公司聲稱其網(wǎng)絡安全系統(tǒng)在全球超過3000個區(qū)域進行了部署，其中包含政府?？偛课挥诿绹屏_拉多州的Logrhythm公司與美國空軍、美國航空航天局和國防承包商雷神公司合作。

其他國防承包商也在進行投資。洛克希德·馬丁公司是Cybereason （目前公司估值超過9億美元）的早期投資者。在2017年，波音公司投資了德克薩斯的網(wǎng)絡安全初創(chuàng)公司SparkCognition。

三、白領崗位自動化加速

AI專業(yè)自動化和增強軟件平臺，正在提升著生產(chǎn)效率，并威脅著越來越多的白領階層。下面的企業(yè)圖譜，突出展示了一些初創(chuàng)公司的專業(yè)自動化和增強軟件，這些領域包括律師、記者、財富管理人員、交易員和咨詢師等多個行業(yè)。

例如，人工智能有巨大的潛力來減少時間和提高法律工作的效率。在訴訟方面，自然語言處理可以在幾分鐘內整理出數(shù)千頁的法律文件，而這項任務可能需要一名人類工作人員耗費幾天時間才能完成。同時，機器也降低了出錯的概率。隨著人工智能平臺變得更加高效和商業(yè)化，這將影響到按小時收費的外部律師事務所的收費結構。

程序員的工作也不能幸免。一些初創(chuàng)公司專注于開發(fā)AI系統(tǒng)，用于軟件測試、調試和基礎前端開發(fā)。去年最熱門的一款產(chǎn)品是英國的DiffBlue公司，該公司正在開發(fā)AI系統(tǒng)完成自動編碼任務，包括bug修復、自定義代碼開發(fā)以及將代碼從一種編程語言轉換到另一種編程語言等等。

四、膠囊網(wǎng)絡：CNNs的“接班人”？

近年，卷積神經(jīng)網(wǎng)絡（CNNs）是深度學習中很流行的一項技術。然而，一項新算法“膠囊網(wǎng)絡”出現(xiàn)，并有望在多個方面勝過CNNs。CNNs盡管取得了一定的成功，但其缺陷可能導致性能不足甚至安全漏洞。研究人員正在尋找改進人工智能算法和克服這些缺陷的方法。下圖展示了一個典型的案例，一個CNNs網(wǎng)絡雖然能夠識別出人臉特征，但卻將第二幅圖像誤認為也是一張人臉。

Geoffrey Hinton于2017年發(fā)表了一篇研究論文，介紹了“膠囊網(wǎng)絡”的概念，也稱為CapsNet。論文正在審查階段，還需要在實際場景下進行測試，但這一消息已經(jīng)在媒體和科技界引起了很大反響。膠囊網(wǎng)絡能夠更容易地識別出當人臉的特征（如位置）被重新排列時，則不再是一張人臉。

此外，CNNs無法處理不同的輸入數(shù)據(jù)變化。例如，研究者必須從不同角度或視角對同一對象的圖像進行訓練，以確定所有的變化。因此，它需要大量的訓練數(shù)據(jù)來涵蓋所有可能的變化。Hinton聲稱，膠囊網(wǎng)絡在這方面的表現(xiàn)優(yōu)于CNNs，它們僅需要較少的訓練數(shù)據(jù)，并且在不需要對各種變化情況進行詳盡訓練的情況下，考慮對象的相對位置和方向。