強大的技術需要結合行業產業落地才能實現真正的價值。

那麼深度學習所支撐的AI技術，具體根植於哪些行業當中？又有哪些行業透過AI技術，能夠煥發新的活力？

1、汽車行業從2017年開始”無人車”的概念經常出沒於大眾視野之中。

所謂的“無人車“其實是汽車實現了自動駕駛。根據國際慣例，目前針對汽車自動駕駛級別劃分5個等級(Level) 從L1-L3級別的汽車已經實現量產，仍然需要人類駕駛。而L4以上才是真的實現了高度自動駕駛。目前，國內外科技公司爭相研發L4自動駕駛系統，這其中具體使用到如下方面的人工智慧技術：

語音識別與合成：自動駕駛的車需要針對人類指令做出反應，理解並執行，這個過程中語音識別就非常重要；而在聽到指令後，透過AI合成語音來回復駕駛員，就使用了語音合成技術。

NLP-自然語言處理：但是隻是語音技術還不夠，理解指令才能對應做出操作。而理解指令、控制車輛，包括輸出回覆內容，都是自然語言處理技術的工作範圍。

影象識別：自動駕駛車輛需要透過影象，對於行駛路況進行判別、尋找到合適的路徑，尤其是行人/障礙物的判斷。這其中就需要影象識別技術來支撐，對底層演算法的精準度、反應速度要求是極高的。

如果說AI各項技術是漫威中的無限寶石，那麼自動駕駛系統可以說是滅霸那隻無限手套——集齊各種AI技術於一身！即將帶來翻天覆地的變化！

2、醫療影像

近期AI技術賦能醫療同樣相當火爆。國家政策也明確扶持這個行業方向。目前國內可以實現部分癌症AI篩查系統，而國外則有諸如OsteoDetect骨折檢測輔助軟體系統出現。醫療保健AI技術可以有效解決當前公共醫療資源分配不均的問題，也能提供醫生更精密的判斷依據。這其中影象識別的AI技術至關重要。

影象識別：以骨折檢測系統為例，以往是透過二維X光片定位病患的病變位置，而藉助系統，可以分析二維X射線影象中骨折情況，並且標記骨折位置便於醫生進行進一步的檢測。這就能夠有效提升診斷準確率，提升治療效率。

3、新零售行業新零售也是最近很火的一個概念。新零售中的布貨環節與支付環節都會運用AI技術。前者尤其針對生鮮這種保質期短的貨品，能夠精準控制進貨量；後者則是採用人臉支付技術，讓消費者快捷支付。

智慧預測：透過深度學習技術對生鮮進貨量進行預測，降低商品報損率的同時，節省店鋪訂貨人力與時間成本，有效提升店鋪利潤。PaddlePaddle曾用這個技術幫助大型零售商店每年節省百萬報損。

人臉支付：透過機器檢測人臉並匹配賬戶資訊，聯動付款即可實現“刷臉支付”。這一支付手段進一步節省了使用者的時間，提升了結賬效率。

需要注意的是，整個新零售行業中，支付領域競爭極為激烈，如果想在人臉支付中勝出，如下方面必須強勢：1） 技術能力：技術過硬，演算法精準，以最強大腦中“小度機器人”的雙胞胎照片精準分辨的水平。

2）賬號體系互通能力：如果同一家零售企業內有不同的銷售平臺，使用者賬號固定的情況下，需要彼此之間資訊互通，這樣使用者便利程度最大化，進而促進客單量上升。

3）系統防禦能力：人臉識別技術需要能夠防住各種列印照片、人臉影片攻擊，儘可能控制風險，減少出現資訊被竊財產損失的可能。

4、工業生產現代化工業生產需要依靠實現更精準的分類分揀，以便後續生產環節使用。

日本在此方面先行一步，透過把工程師的經驗轉化為深度學習演算法，進行工程巖體的分類，準確率與人工齊平，效率大幅提升。

同樣，在中國也有開發者成功使用PaddlePaddle幫助平谷桃商進行桃子分揀，極大提升分裝效率，節省分揀成本。這其中運用到了深度學習影象分類模型，輸入樣本圖片，透過訓練產出模型，高效分揀的同時，降低了人工工作可能由於疲憊帶來的錯誤率。

如上所述，我們已經瞭解到最近比較火的AI技術方向了：1）影象識別：利用計算機對影象進行處理、分析和理解，識別不同模式的目標和對像的技術。2）人臉識別：基於人的臉部特徵資訊進行身份識別的一種生物識別技術。3）語音識別：讓機器透過識別和理解過程把語音訊號轉變為相應的文字或命令的高技術。4）語音合成：是透過機械的、電子的方法產生人造語音。5）NLP自然語言理解：一種本體輔助的自然語言句子程式設計方式。

這些方向需要哪種深度學習工程師呢？集中在如下幾類

1）演算法工程師：需要對於數理模型理解深入，在此基礎上研發。比如以NLP機器學習演算法工程師為例，需要負責意圖理解、槽位解析、多輪查詢理解等核心演算法進行研發，需要熟悉機器學習基礎理論和常用演算法，有2年以上相關專案經驗、有深度學習經驗。2）後端工程師：負責讓演算法模型工程化，更緊密的結合產品，發揮作用。3）前端工程師：負責 Web端功能設計、開發和實現，與一般的前端不同，深度學習的前端也需要了解AI領域，技能點要求更多。

特別要注意的是，對於演算法工程師，不同的AI技術方向會做不同的演算法能力要求。具體而言，語音識別、語音合成和NLP自然語言處理、影象處理等方向，都需要對各自領域進行專、精、深的學習和挖掘。

瞭解深度學習在AI技術中的應用，又瞭解了AI技術以及落地的行業，對於具體要選擇哪個方向，根據目前每個技術方向的發展程度，參考如下：

1）人臉識別：配合新零售，未來人臉識別也將覆蓋到更多場景。與此同時，人臉識別技術雖然早在上個世紀就已經出現，但是仍然有不小的想象空間，可預見的應用場景會越來越廣泛，技術也會精益求精！

2）NLP自然語言理解：當前AI技術在識別人類話語後，如何可以實現有效的人機互動，並且機器如何能夠高度還原人類語言狀態，還是處於不斷探索和試驗階段。什麼時候AI能夠真的寫出一本節奏緊湊感情豐富的小說呢？非常值得加入一起探索！

3）語音合成：語音合成目前已經進入引數技術時代，但是訓練一個模型需要的資料量仍然很大，對於個人的個性化語音合成，錄音、資料處理、運算等方面要求還是很高。未來是否能做到真的任意一手機，三句話就可以合成自己的聲音，用自己的聲音給自己讀小說？也是個值得想象的領域呢！

從古至今，人們對人類大腦的探索孜孜不倦。人類是如何去認識事物，如何感知到情緒，大腦如何工作……種種問題一直沒離開過人類的視線，人類大腦好比“黑盒子”，似乎很神秘而又重要。人類大腦有著龐大神經網路，負責人類認知、思考、判斷……當一個小孩子從不認識小汽車，透過家人指導，學習現有的汽車，到認識馬路上開來的汽車可以一眼認出來，這個過程中，大腦神經網路不斷工作的結果。而對於近些年來，人類用機器模仿這個工作原理，人工智慧得以有了長足的發展。深度學習對於人工智慧來說，必不可少。

什麼是深度學習呢？深度學習領域一位領袖名叫楊·樂昆，將深度學習定義為有多層神經網路，類似人類神經網路的一種特定技術。我們知道人類神經的數以億計的神經元，透過突觸連結，突觸之間以生物電相連線，在學習的過程中，這些突觸連線會發生不同變化。藉以這個結論，深度學習就此誕生。例如小孩學習汽車，機器學習識別汽車也是同樣道理。只不過機器學習需要藉助一項重要“學習資料”——大資料。機器需要不斷學習百萬計的被標記的汽車圖片，每看一張圖片便給出一個答案，如果不符合標記結果，便會自己調整“神經網路”內部引數，即最佳化模型，直到調整到輸入的圖片和輸出的結果一致為止（因技術有限，目前還未能達到100%準確率）。

人工智慧近些年發展如此迅猛，與深度學習技術密不可分。人類歷史上的三盤棋，黑白棋人機大戰、國際象棋人機大戰到2016年圍棋人機大戰，一步步見證了深度學習的發展歷程，也見證著人工智慧的發展。

而對於現在專門深度學習的培訓，少之又少。深度學習涉及科學門類較多，而且人工智慧頂端人才本來稀缺，在培訓方面比較困難。目前一些高校開展了人工智慧的相關專業和大資料專業，還有一些企業在於高校合作，培養這類人才，如李開復老師創辦的創新工場。