分析：揭示人工智能真實潛力

【計算機論文】分析：揭示人工智能真實潛力

關(guān)鍵要點：在過去的十年中，AI/ML領(lǐng)域吸引了業(yè)界極大的興趣，相關(guān)應用和商業(yè)整合快速發(fā)展。如今人們普遍認識到的人工智能的概念。然而，這個領(lǐng)域內(nèi)已經(jīng)出現(xiàn)了幾次停滯。所謂的“人工智能冬天”往往是由于技術(shù)，基礎(chǔ)設(shè)施或方法的局限性而產(chǎn)生的。AI/ML的最新突破始于2006年左右，隨著深度學習的發(fā)展，受人腦生物學的啟發(fā)，ML的一個子集以分層神經(jīng)網(wǎng)絡(luò)（NNs）為基礎(chǔ)出現(xiàn)。深度學習技術(shù)是AI/ML（如圖像識別，搜索引擎，藥物發(fā)現(xiàn)，深度強化學習）幾乎所有當前前沿研究和成功應用的背后的技術(shù)。ML問題的新研究方法，計算能力的巨大進步，數(shù)據(jù)數(shù)字化和可用性的急劇增長，使這一進展成為可能。人工智能（AI）屬于計算機科學領(lǐng)域，專注于創(chuàng)建一個能夠感知其環(huán)境并做出決策的智能機器，以最大限度地實現(xiàn)其目標。機器學習（ML）是人工智能和數(shù)據(jù)分析的一個子領(lǐng)域，它使計算機能夠反復學習，改進預測模型，并從數(shù)據(jù)中發(fā)現(xiàn)洞察力，而不需要人類編程。作為個人，我們已經(jīng)每天與語音助理對話，使用面部識別技術(shù)，接收電影或餐廳推薦以及許多其他實例，已經(jīng)與AI/ML應用進行交互。ML可以根據(jù)訓練算法的方法分成三個子類別：1、監(jiān)督學習監(jiān)督學習是方法，通過機器學習算法，在一組標記的數(shù)據(jù)上進行訓練（例如用標記的圖像訓練圖像識別系統(tǒng)以識別狗的圖像）。2、無監(jiān)督學習在無監(jiān)督學習中，算法用未標記的數(shù)據(jù)進行訓練，并且必須確定數(shù)據(jù)集的基本結(jié)構(gòu)以及如何對其進行分組（例如通過將手寫數(shù)字分為10組來進行識別）。3、強化學習強化學習從沒有訓練數(shù)據(jù)開始，這意味著機器必須通過經(jīng)驗和迭代試錯來學習執(zhí)行任務(wù)，同時最大化長期獎勵。在近期內(nèi)，我們認為AI-ML中的監(jiān)督學習應用將繼續(xù)在面向消費者的方法中發(fā)展和完善，專注于任務(wù)自動化，幾乎到了無處不在的地步。在接下來的一年里，這些公司將生產(chǎn)出最具商業(yè)可行性的AI/ML產(chǎn)品，并將發(fā)生許多垂直行業(yè)的收購。然而，我們認為最大的AI/ML市場前景將來自潛在的擴張到大量的企業(yè)應用和新行業(yè)。無監(jiān)督和強化學習的機會在垂直領(lǐng)域出現(xiàn)。雖然這些技術(shù)的擴散仍有相當多的障礙，但是這些技術(shù)的可能性可以解決越來越多的問題提供解決方案。強化學習最重要的早期成就之一是來自Google的DeepMind的AlphaZero。這個算法純粹模擬下圍棋。進一步的潛在強化學習用例可以改善傳統(tǒng)的解決方案，包括資源分配問題，大量的個性化用戶界面（醫(yī)療保健，標題，廣告等內(nèi)容），以及在機器人和自動駕駛汽車中的應用。雖然將這些技術(shù)應用于商業(yè)產(chǎn)品方面存在障礙，但AI/ML最新的概念證明可以吸引大量投資。這已經(jīng)通過流入自動駕駛車輛領(lǐng)域的資金量得到證明。以風險投資支持的企業(yè)和投資人最能適應以人工智能為中心的世界。也就是說，由于問題的復雜性和所需的計算能力，許多應用將需要更多的時間來實現(xiàn)。針對這些問題，硬件：量子/高性能計算和混合計算（GPU/CPU/FPGA/TPU）以及分解技術(shù)將復雜問題分解為可管理的部分正在取得進展。VC趨勢AI/ML領(lǐng)域的風險投資清楚地表明了過去十年來在垂直領(lǐng)域的發(fā)展和不斷增長的熱度。在AI/ML的643次VC投資中，2017年已經(jīng)公布60億美元的投資。美國AI/ML領(lǐng)域投資事件數(shù)量和金額變化情況與當代的技術(shù)突破并駕齊驅(qū)，投資數(shù)量以幾乎呈指數(shù)級增長，比2008年的水平高出12倍。所有輪次的投資都在增加，但絕大多數(shù)的增長都是來自天使和種子的早期階段。盡管最近主流媒體對AI/ML的曝光率已經(jīng)大幅上升，但很明顯，垂直領(lǐng)域仍處于早期階段。即使在市場上仍然存在細分市場。一些較大的公司已經(jīng)在執(zhí)行商業(yè)產(chǎn)品，例如在線貸款商Avant和舊商品交易市場，而其他許多公司正在努力改進工具，擴大其應用和產(chǎn)品供應。理論和實踐研究已經(jīng)提供了基礎(chǔ)，但是許多企業(yè)還處于確定可行性和用例的初始階段。此外，由于每個數(shù)據(jù)集的獨特性，AI和ML技術(shù)在企業(yè)中的執(zhí)行通常需要高度的定制化，這阻礙了早期的廣泛采用。美國不同投資階段AI/ML投資事件人工智能企業(yè)的估值增長速度與風險投資市場相似。不同之處在于后期階段。造成這種異常的一個原因是2013年和2014年有大批AI/ML公司獲得投資，其中包括Palantir多個輪次的融資，并且還有大量的后續(xù)輪次的跟進。此外，垂直市場仍然受到早期階段公司的支配。不同階段美國AI/ML公司的估值中位數(shù)退出經(jīng)過多年稀少的退出事件，過去兩年代表了AI/ML退出環(huán)境的新時期。直到最近，AI/ML的退出才成為典型的風險投資周期的一部分，因為風險投資通常會在開始增長的時候流入垂直市場，隨后企業(yè)需要花費數(shù)年的時間才能獲得戰(zhàn)略收購方。這是關(guān)鍵的，因為AI/ML退出目前幾乎完全是通過戰(zhàn)略收購來實現(xiàn)退出的。我們預計這一趨勢將持續(xù)下去，因為目前的科技巨頭正在努力支持他們內(nèi)部人工智能產(chǎn)品。隨著在軟件/互聯(lián)網(wǎng)領(lǐng)域以外的公司意識到將AI整合到其業(yè)務(wù)中的潛力，將進一步推動收購事件。美國AI/ML市場退出事件2016年和2017年的最大的退出事件都發(fā)生在自動駕駛領(lǐng)域，通用汽車以10億美元的價格收購了CruiseAutomation，Aptiv收購了NuTonomy。同樣重要的是要指出，Cruise被收購占到了2016年AI/ML退出金額的近40％。美國收購AI/ML公司最多的企業(yè)局限性在垂直領(lǐng)域，主導的情緒是積極的;但是，有一些限制可能會減緩AI/ML在所有行業(yè)的進一步發(fā)展。AI/ML對我們生活的影響往往伴隨著宏偉論調(diào)，即過度地強調(diào)短期影響力，暗示著失敗是不可能的。這種思維方式可能是危險的，因為現(xiàn)實的預期時間和有效的失敗管理應該成為實施企業(yè)AI/ML技術(shù)的一個組成部分。例如，涉及自動駕駛車輛的事故或其他算法錯誤可能會損害公眾對該技術(shù)的認知并導致一系列其他問題，包括延遲執(zhí)行。AI/ML的另一個常見問題是人類不知道機器在想什么，例如我們無法解釋深度學習網(wǎng)絡(luò)做出任何一個駕駛決策的原因，即使是設(shè)計它的工程師也不能。假如有一天，自動行駛中的汽車突然撞向一棵樹，或者在綠燈亮起時猶豫不決，不肯前進，那我們連找出原因，進行解釋的手段都沒有。這被稱為“黑匣子”問題的情況，這掩蓋了審計和機器行為的責任。AI/ML能夠減輕人類處理艱巨任務(wù)的負擔，但是廣泛采用這種做法可能會帶來更廣泛的社會影響。其中之一就是人工智能將搶走人類工作。雖然這可能最終發(fā)生在一些職業(yè)上，但人工智能的進步很可能會改變工作的性質(zhì)，而不是消除工作。就像在互聯(lián)網(wǎng)應用泛濫之前沒有人擁有“社交媒體經(jīng)理”或“主播”這樣的職位，AI/ML的出現(xiàn)將會產(chǎn)生以前不為人知的行業(yè)和職業(yè)。展望未來作為一種通用技術(shù)，AI/ML幾乎在每個行業(yè)都有潛在的使用案例，并有能力重塑人們的生活和經(jīng)營方式。因此，人工智能被深度學習的先驅(qū)吳恩達稱為“新的電力”，因為它有可能革新商業(yè)和日常生活，類似于互聯(lián)網(wǎng)和數(shù)據(jù)庫技術(shù)。盡管AI/ML公司和投資激增，但許多大型市場仍有待探索。目前，幾乎所有商業(yè)上成功的ML應用都使用監(jiān)督式學習，市場很大，但僅限于具有清晰標記數(shù)據(jù)的領(lǐng)域。創(chuàng)業(yè)公司面臨來自谷歌，亞馬遜，微軟，百度和Salesforce等龐大規(guī)模和高度發(fā)展的分銷渠道、數(shù)據(jù)低成本云計算巨頭的巨大競爭。對于暴力破解應用（例如語音/對象/面部/圖像識別和翻譯）來說，擁有大型數(shù)據(jù)集的公司優(yōu)勢明顯。因此，專注于邊緣或特