2018年如何制勝AI？這里有五個(gè)值得企業(yè)家關(guān)注的人工智能大趨勢(shì)
誕生于科技與學(xué)術(shù)界的人工智能（AI）和機(jī)器學(xué)習(xí)（ML）已經(jīng)逐漸滲透，m.twshmhelmet.com，并進(jìn)入企業(yè)和商業(yè)的模式體系中。
越來(lái)越多公司正嘗試引入人工智能解決方案，如聊天機(jī)器人和虛擬助手。
2016-2021年各大洲依靠AI可實(shí)現(xiàn)的年復(fù)合增長(zhǎng)率：
企業(yè)希望通過(guò)AI實(shí)現(xiàn)的三大效益：提高員工生產(chǎn)力、升級(jí)自動(dòng)化流程、獲得新的運(yùn)營(yíng)洞察
新的一年，Entrepreneur總結(jié)了一份企業(yè)家在2018年應(yīng)當(dāng)關(guān)注的AI趨勢(shì)清單：
AI內(nèi)容創(chuàng)建（AIContentCreation）
隨著自然語(yǔ)言生成（NLG）和自然語(yǔ)言處理（NLP）的新發(fā)展，2018年大數(shù)據(jù)及數(shù)據(jù)分析將變得更人性化。利用AutomatedInsights、Wordsmith等有內(nèi)在規(guī)則的系統(tǒng)，媒體和公司可以在將結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為基于自然語(yǔ)言的智能敘述。
即便是數(shù)據(jù)科學(xué)團(tuán)隊(duì)以外的人，也可以讀懂相關(guān)數(shù)據(jù)，這將使人工智能和大數(shù)據(jù)進(jìn)一步更普及，并且新的見(jiàn)解也將更快的速度誕生和傳播。社交媒體、市場(chǎng)營(yíng)銷、體育競(jìng)賽、財(cái)務(wù)報(bào)告等方方面面都實(shí)現(xiàn)了自動(dòng)內(nèi)容生成。在即將到來(lái)的一年里，自動(dòng)化內(nèi)容生成可能會(huì)在新聞報(bào)道和營(yíng)銷方面獲得更多的推動(dòng)力，幫助企業(yè)通過(guò)為受眾和客戶創(chuàng)建相關(guān)內(nèi)容，對(duì)新興趨勢(shì)、新聞和事件做出即時(shí)回應(yīng)。
膠囊AI誕生（TheRiseofCapsulesAI）
Capsule網(wǎng)絡(luò)（CapsNet）是Google首席科學(xué)家GeoffreyHinton在最近一篇論文中提出的一種新的深度神經(jīng)網(wǎng)絡(luò)形式。簡(jiǎn)而言之，這種方法旨在克服CNN（卷積神經(jīng)網(wǎng)絡(luò)）多年來(lái)一直是圖像識(shí)別事實(shí)上的標(biāo)準(zhǔn)的缺陷當(dāng)反饋的圖像與訓(xùn)練期間使用的圖像相似時(shí)，CNN很高效；但是，如果要求識(shí)別具有旋轉(zhuǎn)、傾斜或錯(cuò)位元素的圖像，則CNN的性能較差。
相反，膠囊網(wǎng)絡(luò)解釋了圖形元素之間的空間關(guān)系，并且理解了人類直觀地掌握的自然幾何圖案。
評(píng)論家預(yù)測(cè)膠囊網(wǎng)絡(luò)將成為圖像識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域的下一個(gè)重大突破。特別是新的膠囊網(wǎng)絡(luò)將大大勝過(guò)CNN和其他圖像識(shí)別模型，并將能夠抵制旨在欺騙神經(jīng)網(wǎng)絡(luò)的白盒敵對(duì)攻擊。
離散化AI（DecentralizedAI）
直到目前，機(jī)器學(xué)習(xí)模型的訓(xùn)練大多都是在遠(yuǎn)程云集群上集中進(jìn)行的。人工智能公司不得不手動(dòng)收集大量的訓(xùn)練數(shù)據(jù)集，并將它們提供給配備有用于機(jī)器學(xué)習(xí)的專用硬件（例如GPU）的數(shù)據(jù)中心中運(yùn)行的ML算法。這種集中模式的主要缺點(diǎn)是難以對(duì)人工智能軟件進(jìn)行滾動(dòng)更新，并使用用戶和應(yīng)用程序產(chǎn)生的不斷輸入數(shù)據(jù)流來(lái)持續(xù)進(jìn)行培訓(xùn)。
但是，2017年4月，Google宣布在其Android鍵盤(pán)Gboard中使用新的聯(lián)合學(xué)習(xí)方法時(shí)，這些問(wèn)題將產(chǎn)生決定性的改變。這種新穎的方法使移動(dòng)用戶能夠與Android設(shè)備上的用戶數(shù)據(jù)協(xié)作訓(xùn)練共享ML模型。聯(lián)合學(xué)習(xí)的真正目的是通過(guò)在設(shè)備上直接使用AI模型，為數(shù)百萬(wàn)移動(dòng)用戶進(jìn)行眾包ML培訓(xùn)。將AI培訓(xùn)移動(dòng)到移動(dòng)設(shè)備可以幫助解決集中學(xué)習(xí)中涉及的高延遲和低吞吐量連接問(wèn)題。
隨著邊緣計(jì)算的發(fā)展，分散式人工智能也可以聚集起來(lái)，將遠(yuǎn)程云應(yīng)用的密集計(jì)算轉(zhuǎn)移到數(shù)字設(shè)備感知和收集信息的前沿計(jì)算中。
將數(shù)據(jù)處理和分析移動(dòng)到現(xiàn)場(chǎng)解決了與通過(guò)網(wǎng)絡(luò)發(fā)送數(shù)據(jù)相關(guān)的高延遲和低吞吐量的問(wèn)題。
利用AI對(duì)無(wú)人駕駛汽車(chē)及無(wú)人機(jī)而言十分重要，它們需要在沒(méi)有網(wǎng)絡(luò)連接的情況下進(jìn)行實(shí)時(shí)深度學(xué)習(xí)，以避免網(wǎng)絡(luò)故障帶來(lái)的災(zāi)難性甚至是致命的后果。
為了彌補(bǔ)人工智能領(lǐng)域存在的差距，像Movidius（2016年被英特爾收購(gòu)）的公司正在開(kāi)發(fā)AI協(xié)處理器和邊緣神經(jīng)網(wǎng)絡(luò)，用于無(wú)人機(jī)和智能熱像儀的障礙物導(dǎo)航。
未來(lái)的一年，我們可能會(huì)看到更多的低功耗計(jì)算機(jī)視覺(jué)和圖像信號(hào)硬件和軟件的創(chuàng)新，它們可以專門(mén)用于AI在安全攝像頭和無(wú)人機(jī)等前沿設(shè)備上的集成。
AI為杠桿的離線數(shù)據(jù)（AILeveragingOfflineData）
在線生成的數(shù)據(jù)是目前數(shù)據(jù)分析和基于人工智能的解決方案的主要數(shù)據(jù)來(lái)源之一。然而，像亞馬遜這樣的大型零售商已經(jīng)進(jìn)入了一個(gè)由數(shù)字設(shè)備（例如商店和商場(chǎng)的傳感器和執(zhí)行器）收集的離線數(shù)據(jù)的未知領(lǐng)域。
在亞馬遜Go雜貨店，這些設(shè)備會(huì)跟蹤了客戶動(dòng)向，看看客戶與產(chǎn)品交互的時(shí)間。亞馬遜傳感器收集的數(shù)據(jù)存儲(chǔ)在Android應(yīng)用程序和亞馬遜賬戶中，這些賬戶需要在AmazonGo商店中購(gòu)物。這樣，亞馬遜就積累了大量有關(guān)消費(fèi)者的數(shù)據(jù)。
使用這些數(shù)據(jù)，人工智能算法可以獲得有關(guān)消費(fèi)者偏好和行為的見(jiàn)解，從而創(chuàng)建自動(dòng)定價(jià)機(jī)制，并引入更高效的營(yíng)銷，m.twshmhelmet.com，產(chǎn)品布局和銷售策略。
離線數(shù)據(jù)的來(lái)源不限于雜貨店。使用無(wú)人機(jī)和物聯(lián)網(wǎng)，人工智能公司將逐漸將我們生活的整個(gè)物理空間轉(zhuǎn)變成ML算法和模型的巨大數(shù)據(jù)源。
設(shè)備嵌入式AI興起：核心ML（TheRiseofOn-deviceAI:CoreML）
由于電池功率的限制和移動(dòng)計(jì)算能力的限制，m.twshmhelmet.com，在移動(dòng)設(shè)備上運(yùn)行AI軟件或訓(xùn)練ML算法被視為一大挑戰(zhàn)。
但轉(zhuǎn)折點(diǎn)是在2017年，我們目睹了蘋(píng)果公司為iOS11設(shè)計(jì)的ML文庫(kù)CoreML推出的設(shè)備和移動(dòng)AI。
CoreML附帶了各種訓(xùn)練好的ML模型（例如用于圖像識(shí)別，文本檢測(cè)，圖像配準(zhǔn)和對(duì)象跟蹤），可以很容易地集成到iOS應(yīng)用程序中。技術(shù)優(yōu)化后，可以使設(shè)備擁有高效的性能。iOS開(kāi)發(fā)人員正在進(jìn)一步完善技術(shù)，這將使得AI/ML應(yīng)用程序在2018年成為移動(dòng)設(shè)備的主流。
目前的創(chuàng)新速度使得人們幾乎不可能把握AI的全部趨勢(shì)，但理解AI和機(jī)器學(xué)習(xí)適用性，在2018年將對(duì)企業(yè)產(chǎn)生重要的影響。