1、真假AI——生成式对抗网络

2014年，谷歌研究员Ian Goodfellow提出“生成式对抗网络”（GAN）概念，利用“AI VS AI”概念，提出两个神经网络：生成器和鉴别器。谷歌DeepMind实习生Andrew Brock与其他研究人员一起合作，对Gans进行了大规模数据集的培训，以创建“BigGANs”。

GANs面对的主要挑战就是计算能力，对于AI硬件来说必须是并行缩放。研究人员用GANs进行“面对面翻译”，还有利用GANs将视频变成漫画形式，或者直接进行绘画创作等，但GANs也被一些不怀好意的人利用，包括制作假的政治录像和变形的色情制品。

------

2、人工智能也在终身学习——强化学习

当谷歌DeepMind研发的AlphaGo在中国围棋游戏中击败世界冠军后，强化学习（Reinforcement Learning）获得了广泛关注。基于强化学习，DeepMind接着又研发了AlphaGo Zero。UC Berkeley 研究人员利用计算机视觉和强化学习来教授YouTube视频中的算法杂技技能。

尽管取得了进步，但强化学习与当今最流行的人工智能范式监督学习相比，还算不上成功，不过关于申请强化学习的研究越来越多，包括 Microsoft，Adobe，FANUC等。

------

3、无处不在——人工智能终端化

人工智能技术快速迭代，正经历从云端到终端的过程，人工智能终端化能够更好更快地帮助我们处理信息，解决问题，我们舍弃了使用云端控制的方法，而是将AI算法加载于终端设备上（如智能手机，汽车，甚至衣服上）。

英伟达（NVIDIA），高通（Qualcomm）还有苹果（Apple）等诸多公司加入了对终端侧人工智能领域的突破和探索，2017和2018年是众多科技公司在人工智能终端化进入快速发展期的两年，同时他们也在加紧对人工智能芯片的研发。但AI依然面临着储存和开发上的困境，亟需更丰富的混合模型连接终端设备与中央服务器。

------

4、道路千万条，安全第一条——自动驾驶

尽管自动化驾驶的汽车市场潜力巨大，但实现全自动的未来依然不明朗。自动化驾驶成为了科技公司和初创公司互相竞争的新领域，他们为此注入的不仅有新的活力，还有大量的投资。投资者对他们的决定十分乐观，数个自动驾驶汽车品牌所获得的投资总额已超百亿，预计2025年其市场利润能达800亿美元，物流等相关行业会成为首批应用全自动驾驶的行业，预计可缩减三分之一的成本。

------

5、做自己的医生——医学诊断

美国食品与药物管理局(FDA)正加速推进“AI即医疗设备”趋势。2018年4月，FDA批准了AI软件IDx-DR，它可以在不需要专家干预的情况下筛查糖尿病视网膜病变患者，准确率超过87.4%。FDA还批准了Viz LVO（可用于分析CT扫描结果以预测患者患中风危险）和Oncology AI套件（专注于发现肺部和肝脏病变），监管机构的快速审批为80多家AI成像和诊断公司开辟了新的商业道路。自2014年以来，这些公司共融资149笔。

在消费者方面，智能手机的普及和图像识别技术的进步正在把手机变成强大的家庭诊断工具，名为Dip.Io的应用使用传统尿液检测试纸来监测各种尿路感染。用户可以用智能手机给试纸拍照，计算机视觉算法会根据不同的光照条件和摄像头质量对结果进行校正。除此之外，许多“ML即服务”平台正集成到FDA批准的家庭监控设备中，发现异常时即可向医生发出警报。

------

6、比真的更懂你——下一代假肢

早期的研究正在兴起，结合生物学、物理学和机器学习来解决假肢面临的最困难问题之一，即灵活性。这是个十分复杂的问题，比如要让截肢者能够在假肢手臂上活动单个手指，需要解码其背后的大脑和肌肉信号，并将其转化为机器人控制指令，这些都需要多学科配合。最近，研究人员开始使用机器学习来解码来自人体传感器的信号，并将其转换成移动假肢设备指令。

还有些论文探讨了新媒介解决方案，比如使用肌电信号(残肢附近肌肉的电活动)来激活摄像头，以及运行计算机视觉算法来估计他们面前物体的抓取方式和大小。年度机器学习大会NeurIPS’18已经发起“AI假肢挑战赛”，进一步突显了AI社区对该领域的兴趣，2018年的挑战是使用强化学习预测假肢的性能，有442名参与者试图教AI如何跑步，赞助商包括AWS、英伟达以及丰田等。

------

7、算法的胜利——药物发现

随着AI生物技术初创企业的兴起，传统制药公司正寻求AI SaaS初创企业为漫长的药物研发周期提供创新解决方案。2018年5月，辉瑞与XtalPi建立了战略合作伙伴关系，预测小分子药物的性质，开发“基于计算的理性药物设计”。诺华(Novartis)、赛诺菲(Sanofi)、葛兰素史克(GlaxoSmithKline)、安进(Amgen)和默克(Merck)等顶级制药公司，最近几个月都宣布与AI初创企业建立合作关系，以发现肿瘤和心脏病等领域的新药。

虽然像递归制药(Recursion Pharmaceuticals)这样的生物技术AI公司正在投资AI和药物研发，传统制药公司正在与AI SaaS初创公司合作。尽管这些初创公司中有许多仍处于融资的早期阶段，但它们已经拥有自己的制药客户。在药物研发阶段，成功的衡量标准很少，但制药公司正把数百万美元押在AI算法上，以发现新的治疗方案，并改变旷日持久的药物研发过程。

------

8、防患于未然——预测性维护

从制造商到设备保险公司，AI-IIoT可以在在故障损害发生之前，提出防范措施。现场和工厂设备会产生大量的数据，然而，未预料到的设备故障是制造业停机的主要原因之一。预测设备或单个部件何时失效将使资产保险公司和制造商受益。

在预测性维护中，传感器和智能摄像机收集来自机器的连续数据，如温度、压力等。实时数据的数量和变化形式使机器学习成为IIoT不可分割的组成部分。随着时间的推移，算法可以在故障发生之前预测可能出现的隐患。随着工业传感器成本的降低、机器学习算法的进步，以及对边缘计算的推动，预测性维护会更加广泛。

------

9、AI让假货消失——智能防伪

假货越来越难被发现，网购使得购买假货比以往任何时候都容易。为了反击，品牌和典当商开始尝试人工智能，在网络世界和现实世界两条战线上与假货作战。不过，网上假冒伪劣产品的范围和规模庞大复杂，造假者使用与原始品牌列表非常相似的关键词和图片，在假冒网站上销售假货，在合法市场上销售假货，在社交媒体网站上推广假货，随着“超级假货”或“aaa假货”的兴起，用肉眼分辨它们几乎变得不可能。

现在，建立一个假冒伪劣商品的数据库，提取其特征，并训练人工智能算法来分辨真伪，虽是一个繁琐的过程，但对于奢侈品牌和其他高风险零售商来说非常有必要，下一步的解决方案还可能是在实体商品上识别或添加独特的“指纹”，并通过供应链对其进行跟踪。

------

10、不再靠天吃饭——农作物监测

无人机可以为农民绘制农田地图，利用热成像技术监测湿度，识别虫害作物并喷洒杀虫剂。初创公司正专注于为第三方无人机捕获的数据添加分析。还有人使用计算机视觉使地面上的农业设备变得更智能，按照需要喷洒个别作物，就会减少对非选择性除草剂的需求，而非选择性除草剂会杀死附近的一切，精确喷洒意味着减少除草剂和杀虫剂的使用量。在实地调查之外，利用计算机视觉分析卫星图像提供了对农业实践的宏观理解，地理空间数据可以提供关于全球作物分布模式和气候变化对农业影响的信息。

更多的行业将被人工智能代替，如何选择取决于你？

本文由威海网络公司半岛科技转载整理2019.02.20