人工智能越来越火了，人工智能将应用在那些领域呢？行业分析机构CBInsights最近发布了2019年AI趋势报告， 报告识别了25种AI趋势，本文摘选出25种AI趋势，提供你参考。
1.开源框架
AI的进入门槛变得空前的低，这要感谢开源软件。
开源AI框架是双赢的局面：一方面令人人都能用上AI；反过来，贡献者社区也为加速Google等公司的AI研究提供了帮助。
2015年Google开源TensorFlow机器学习库为开端，现在AI（尤其是深度学习）的开源框架已经形成百花齐放的局面，其中有Facebook的PyTorch、特利尔学习算法研究所（MILA）的Theano、Keras、Microsoft Cognitive Toolkit以及Apache MXNet等等。
2.边缘AI
对实时决策的需求正在将AI推向靠近边缘的地方。
在智能手机、汽车甚至可穿戴设备等边缘设备上运行AI算法，而不是跟中心云平台或服务器通信，使得边缘设备具备了在本地处理信息的能力，并且可以更快速地对情况做出响应。
Nvidia、高通、苹果及若干初创企业均在开发用于边缘的AI专用芯片。
3.脸部识别
从手机解锁到登机手续，人脸识别正在进入主流。
人脸识别在中国的媒体热度从2016年开始就不断升温。
4.医疗影像与诊断
美国FDA正在给AI即医疗设备开绿灯。
2018年4月，FDA批准了无需专家补充意见进行筛查糖尿病视网膜病变病人的AI软件。该软件叫做IDx-DR，其识别率达到了87.4%，对没有此病的识别率也达到了89.5%。
5.预测性维护
AI工业物联网可为从制造商到设备保险商的既有者节省数百万美元的意外故障损失。
预测性维护利用传感器及智能摄像头不断采集机器数据（如温度、压力等）。生成的实时数据的规模以及格式的多样使得机器学习成为工业物联网不可或缺的组件。假以时日，算法就能够提前预测故障。
6.电子商务搜索
对搜索词的上下文理解已经走出“试验”阶段，但是大规模采用仍有很长一段路要走。
自2002年以来，Amazon已经申请了35项与“搜索结果”有关的美国专利。其中包括利用卷积神经网络“确定一组图像与查询图像类似的物品”，利用机器学习分析图像的视觉特征，并基于此建立搜索查询等。
7.胶囊网络
深度学习是当今绝大部分AI应用的引擎。但由于胶囊网络，这种技术现在可能需要改进一下了。
胶囊网络（CapsNet）是深度学习先驱Geoffrey Hinton 2017-18年时提出的概念，旨在克服当前图像识别方法（主要是卷积神经网络CNN）的缺陷。
8.下一代修复术
非常早期的研究正在出现，通过生物、物理、机器学习的结合来解决修复术最困难的问题之一：灵敏性。
从2006年开始，DARPA就投入了数百万美元跟约翰霍普金斯大学合作先进修复术计划来帮助受伤的老兵。但是这个问题解决起来并不容易。
9.临床试验登记
临床试验的最大瓶颈在于登记合适的病人库。苹果有可能可以解决这个问题。
互操作性——也就是跨机构和软件系统分享信息的能力——是医疗保健的最大问题之一，尽管有了病历数字化的努力。
10.生成对抗网络（GAN）
两个互相比聪明的神经网络正在变得非常擅长创作出逼真的图像。
你能认出下面哪些图像是假的吗？
答案是全都是。这些全都是GAN创造出来的。
11.联邦学习
这种新方法旨在用敏感用户数据训练AI的同时保护隐私。
我们跟智能设备的日常互动可以产生丰富的数据，这些数据用于训练AI算法的话可以极大地改善其表现，比如可以更加精确地预测你接下来要输入的字是什么。但是这些用户数据也会涉及到个人隐私问题。
12.先进医疗保健生物测定
研究人员正在开始利用神经网络来研究和测定此前难以量化的非典型风险因素。
Google的研究人员利用视网膜图像训练神经网络，然后再用该神经网络去寻找心血管风险因素。其研究发现，通过视网膜不仅可以识别年龄、性别、抽烟习惯等风险因素，还可以对这些因素量化到一定的精确程度。
13.自动索赔处理
保险公司和初创企业正开始用AI计算车主的“风险评分”，对事故场景图片进行分析，并监控司机行为。
蚂蚁金服在“事故处理系统”中利用了深度学习算法来进行图片处理。过去需要理算员现场处理的事情现在可以由先进图像处理承担了。车主只需上传车辆照片给蚂蚁金服，神经网络就会分析图片，自动进行损失评估。
14.防伪/打假
假货越来越难以识别，而在线购物又让卖假货变得空前的便利。为此，品牌商正在开始利用AI来打假。
拼多多在18年Q3财报会上提了11次“假货”，称“打击假货和不诚信商家非常困难。”
15.免收银零售
进店、拿货、出门，这几乎给人感觉就是入店行窃。AI可以让过去被视为盗窃的事情及免收银零售变得更加常见。
Amazon Go就彻底取消了收银流程，让顾客进店取货即走。但是Amazon并没有详细介绍过未来的运营和商业计划，只是说实现利用了传感器、摄像头、计算机视觉及深度学习算法但否认使用了人脸识别技术。
16. 后端办公自动化
AI正在对事务性工作进行自动化，但是数据的不同属性和格式会对这项工作构成挑战。
不同的行业和应用都有其独特的挑战。
17.语言翻译
语言翻译的NLP既是挑战也是有待发掘的市场机遇。大公司正在挑战极限。
机器翻译在后端办公自动化存在着巨大商机，在跨国组织、客户支持、新闻&媒体等领域均有应用机会。
18. 合成训练数据
训练AI算法离不开大规模的标签数据集。而逼真的仿造数据有望解决这个瓶颈问题。
AI算法的表现取决于获得的数据，但是为不同应用获取数据并给数据打上标签却是耗时耗钱的活儿，甚至没有可行性（不妨设想无人车需要的危险情况数据）。
19. 强化学习
从训练算法击败棋类游戏的世界冠军，到教AI耍杂技，研究人员正在用强化学习挑战极限。但对大规模数据集的需求目前限制了实际应用。
强化学习因为DeepMind的AlphaGo而引起了媒体的大量关注。
简而言之，强化学习的要点就是为了实现目标获得最大回报你需要干什么？
20. 网络优化
从促进频谱共享到资产监控乃至于天线的优化设计，AI正在开始改变电信。
电信网络优化是一组改进延时、贷款、设计或者架构的技术，任何以有利的方式增强数据流的东西都算。对通信服务提供商来说，优化会直接转化为更好的客户体验。
21. 无人车
尽管无人车市场商机无限，但何时实现全自动尚不明朗。
大量技术巨头和初创企业正在这个领域拼得头破血流。
22. 作物监控
三种类型的作物监控正在农业领域取得发展：地面、空中及地理空间。
精准农业无人机市场到2021年预计将达到29亿美元。
23.网络威胁追捕
对网络攻击做出反应已经不够了。利用机器学习主动“搜寻”威胁正在网络安全取得良好的发展势头。
计算能力与算法的进步正在把以前只有理论上可行的破解变成了真正的安全问题。2018年全球共有4.5PB的数据被盗用。相比之下，2017年为2.6PB。
24.对话式AI
对于很多企业来说，聊天机器人已成AI的同义词——但是希望跟不上现实。
Google的会话式AI功能Duplex遇到了麻烦。
25. 药物发现
随着AI生物技术初创企业的出现，传统制药公司正在寻求通过AI SaaS初创企业来获得长周期的药物发现的创新性解决方案。
2018年，辉瑞跟AI初创企业XtalPi达成了一项战略合作关系，双方一起合作来预测小分子的制药属性，并开发“基于计算的合理药物设计”。
网友评论