2019年國外AI人工智慧發展趨勢報告分4個象限對25種熱門AI趨勢進行分析

編者按：關心AI的人一定希望了解這個行業的最新發展趨勢，最近行業分析機構CBInsights最近釋出了2019年AI趨勢報告正好能滿足這個需求。這份84頁的報告識別了25種AI趨勢，運用CBInsights的NExTT分析框架，從行業採用度和市場優勢兩個維度對其進行歸類，可以為不同參與角色提供決策參考。

其關鍵發現是對電子商務搜尋詞的上下文理解正在擺脫“試驗”階段，不過距離廣泛採用還有很長一段路要走；深度學習是當前絕大部分AI應用的引擎。不過因為膠囊網路，這種技術可能需要改進一下了；先進醫療保健與生物測定領域的研究人員正在開始利用神經網路研究和測定此前難以量化的非典型風險因素；能訪問大型標籤化的資料是訓練AI演算法的必需，而逼真的仿造資料也許能解決這一瓶頸。

必需開源框架

AI的進入門檻變得空前的低，這要感謝開源軟體。

以2015年Google開源TensorFlow機器學習庫為開端，現在AI（尤其是深度學習）的開源框架已經形成百花齊放的局面，其中有Facebook的PyTorch、特利爾學習演算法研究所（MILA）的Theano、Keras、Microsoft Cognitive Toolkit以及Apache MXNet等等。

開源AI框架是雙贏的局面：一方面令人人都能用上AI；反過來，貢獻者社群也為加速Google等公司的AI研究提供了幫助。

知名AI專家Yoshua Bengio表示：

支援深度學習研究的軟體生態體系發展得很快，現在已經達到了一種健康的狀態：開源軟體成為規範；各種框架出現，滿足了從探索新穎想法到生產部署的各種需求。而且不同的軟體堆疊也在刺激的競爭氛圍下得到了有力的行業玩家的支援。

邊緣AI

對實時決策的需求正在將AI推向靠近邊緣的地方。

在智慧手機、汽車甚至可穿戴裝置等邊緣裝置上執行AI演算法，而不是跟中心雲平臺或伺服器通訊，使得邊緣裝置具備了在本地處理資訊的能力，並且可以更快速地對情況做出響應。

Nvidia、高通、蘋果及若干初創企業均在開發用於邊緣的AI專用晶片。

邊緣AI對消費者電子、電信、醫療影像等主流行業均有應用意義。比方說監控攝像頭的人臉識別、華為、蘋果等智慧手機的人臉與物件識別、Tesla AI晶片的即時駕駛決策、嬰兒監視器、無人機、機器人視覺能力（無網際網路連線）等。

在2018年各大公司的財報會上，提到邊緣計算的次數已經明顯增多。

不過儘管邊緣AI具有減少延時的優勢，但也存在侷限。那就是儲存和處理能力受到限制。預計會有更多混合模式出現，使得智慧邊緣裝置能夠相互溝通以及與中心伺服器通訊。

臉部識別

從手機解鎖到登機手續，人臉識別正在進入主流。

人臉識別在中國的媒體熱度從2016年開始就不斷升溫。

中國對人臉識別技術的需求也與之同步。在這方面中國已經冒出了商湯科技、Face++、CloudWalk等獨角獸。

美國這方面的的專利申請也呈現相似的趨勢。

人臉識別的早期商業應用正在安保、零售及消費者電子領域出現，並且迅速成為生物特徵識別的主流形式。

儘管人臉識別應用日益廣泛，但這種技術並不是沒有瑕疵。曾有報道稱Amazon將一位國會議員認成了犯罪份子。華爾街日報記者用一張校長照片作為面具就輕易騙過了西雅圖一所學校的智慧攝像頭。

醫療影像與診斷

美國FDA正在給AI即醫療裝置開綠燈。

2018年4月，FDA批准了無需專家補充意見進行篩查糖尿病視網膜病變病人的AI軟體。該軟體叫做IDx-DR，其識別率達到了87.4%，對沒有此病的識別率也達到了89.5%。

此外，FDA批准了初創企業Via.ai的CT掃描與潛在中風症狀通知軟體Viz LVO，以及初創企業Arterys的Oncology AI軟體包，後者可以識別肺部與肝臟損傷。

監管的放鬆給商業化開闢了新的道路。自2014年以來，共有80家AI影像與診斷公司完成了149項融資交易。

初創企業Healthy.io的第一款產品Dip.io利用率了傳統的尿液分析試紙來監控若干尿路感染：使用者用智慧手機拍攝試紙照片，計算機視覺演算法就能根據不同的光照情況和相機品質對結果進行校正。產品可檢測感染及懷孕相關的併發症。已在歐洲、以色列商用的Dip.io也已獲得FDA放行。

預測性維護

AI工業物聯網可為從製造商到裝置保險商的既有者節省數百萬美元的意外故障損失。

預測性維護利用感測器及智慧攝像頭不斷採集機器資料（如溫度、壓力等）。生成的實時資料的規模以及格式的多樣使得機器學習成為工業物聯網不可或缺的元件。假以時日，演算法就能夠提前預測故障。

工業感測器成本的下降，機器學習演算法的進展，以及邊緣計算的推進，這些均使得預測性維護的應用變得更加廣泛。

從下圖可以看出，對領域的投資正在逐年遞增。

其中活躍的投資者包括GE Ventures、西門子、SAP等。甚至微軟等大公司也對自己的雲與邊緣分析解決方案進行擴充套件，提供預測性維護能力。

電子商務搜尋

對搜尋詞的上下文理解已經走出“試驗”階段，但是大規模採用仍有很長一段路要走。

自2002年以來，Amazon已經申請了35項與“搜尋結果”有關的美國專利。其中包括利用卷積神經網路“確定一組影象與查詢影象類似的物品”，利用機器學習分析影象的視覺特徵，並基於此建立搜尋查詢等。

eBay則利用機器學習來分析賣家的產品描述，然後藉此尋找同類產品。

但是很多買家都是使用自然語言來進行查詢，這對電子商務搜尋構成了挑戰。新興初創企業於是開始為零售商提供搜尋技術。

影象搜尋初創企業ViSenze的客戶包括Uniqlo、Myntra、樂天等。它可以讓進店客戶拍攝喜歡的東西的照片，然後上傳，在網上找到同樣的產品。

獲得阿里投資的以色列初創企業Twiggle正在基於電子商務搜尋引擎開發語義API，對買家的特定搜尋做出響應。

試驗膠囊網路

深度學習是當今絕大部分AI應用的引擎。但由於膠囊網路，這種技術現在可能需要改進一下了。

膠囊網路（CapsNet）是深度學習先驅Geoffrey Hinton 2017-18年時提出的概念，旨在克服當前影象識別方法（主要是卷積神經網路CNN）的缺陷。

這種缺陷主要有2個。一是難以識別精確空間關係。比方說右圖中儘管嘴巴的相對位置發生了改變，CNN仍會將其識別成人臉。

二是無法從新的視角去理解物件。比方說下圖中膠囊網路在識別1、2行為同一玩具的不同視角中表現要比CNN出色得多。CNN則需要更大的訓練資料集才能認出每個方向的物件。已經有黑客通過引入少量噪音就能讓CNN把目標誤認成其他物件。

儘管目前對膠囊網路的研究仍處在初期階段，但有可能對目前最先進的影象識別方法構成挑戰。

下一代修復術

非常早期的研究正在出現，通過生物、物理、機器學習的結合來解決修復術最困難的問題之一：靈敏性。

從2006年開始，DARPA就投入了數百萬美元跟約翰霍普金斯大學合作先進修復術計劃來幫助受傷的老兵。但是這個問題解決起來並不容易。

比方說讓截肢者活動假肢的手指，對自發運動背後的大腦和肌肉訊號進行解析，然後再轉換為自動控制均需要跨學科的知識。

最近，研究人員已經開始利用機器學習對植入人體的感測器的訊號進行解碼，然後將之翻譯為移動假肢裝置的指令。

約翰霍普金斯大學的應用物理實驗室一個進行中的專案就是利用“神經解碼演算法通過”神經介面來控制假肢的。

去年6月，德國及帝國理工學院的研究人員利用機器學習解碼截肢者殘肢的訊號，並讓計算機來控制機械臂。

另一個思路是利用中介解決方案，比如利用肌電訊號來啟用攝像頭，然後再用計算機視覺演算法估計抓手型別以及面前物體的大小。

臨床試驗登記

臨床試驗的最大瓶頸在於登記合適的病人庫。蘋果有可能可以解決這個問題。

互操作性——也就是跨機構和軟體系統分享資訊的能力——是醫療保健的最大問題之一，儘管有了病歷數字化的努力。

臨床試驗在這方面問題尤其嚴重，將合適的試驗與適當的病人進行匹配是很耗時且充滿挑戰的過程。而光美國目前就有18000項臨床研究正在招募病人。

理想的AI解決方案是由人工智慧軟體析取病人病歷的相關資訊，將之與進行中的試驗進行對比，然後給出匹配的研究建議。

在病人與醫療保健計劃匹配方面，蘋果等技術巨頭已經取得了一定的成功。

從2015年開始，蘋果就推出了2個開源框架——ResearchKit與CareKit——來幫助臨床試驗招募病人，並且遠端監控病人的健康狀況。這些框架使得研究人員和開發者得以建立醫療app來監控人們的日常生活，化解了登記的地理障礙。蘋果還在跟熱門的電子病歷供應商合作解決互操作性問題。

2018年6月，蘋果面向開發者推出了Health Records API。使用者現在可以選擇向第三方應用和醫療研究人員分享資料，為疾病管理與生活方式監控開啟新的機會。

生成對抗網路（GAN）

兩個互相比聰明的神經網路正在變得非常擅長創作出逼真的影象。

你能認出下面哪些影象是假的嗎？

答案是全都是。這些全都是GAN創造出來的。

生成對抗網路是非監督式學習的一種方法，通過讓兩個神經網路相互博弈的方式進行學習。該方法由Google研究人員Ian Goodfellow於2014年提出。生成對抗網路由一個生成網路與一個判別網路組成。生成網路從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要儘量模仿訓練集中的真實樣本。判別網路的輸入則為真實樣本或生成網路的輸出，其目的是將生成網路的輸出從真實樣本中儘可能分辨出來。而生成網路則要儘可能地欺騙判別網路。兩個網路相互對抗、不斷調整引數，最終目的是使判別網路無法判斷生成網路的輸出結果是否真實。

擴充GAN式的大規模專案的主要挑戰是計算能力。Google研究人員在建立“BigGAN”用了512塊TPU來建立512畫素的影象，一次試驗的電耗大概就要2450到4915千瓦時之間。這已經相當於普通美國家庭半年的電耗。

而且GAN要想擴充，AI硬體也的並行擴充。

除了有趣的試驗以外，GAN也有其他嚴肅的用途，比如假冒政治視訊和色情作品的換臉等。隨著GAN研究的擴大，這種技術勢必會對新聞、媒體、藝術及網路安全構成挑戰。GAN已經改變了我們訓練AI演算法的方式。

聯邦學習

這種新方法旨在用敏感使用者資料訓練AI的同時保護隱私。

我們跟智慧裝置的日常互動可以產生豐富的資料，這些資料用於訓練AI演算法的話可以極大地改善其表現，比如可以更加精確地預測你接下來要輸入的字是什麼。但是這些使用者資料也會涉及到個人隱私問題。

Google於是提出了聯邦學習的方案，旨在利用這一豐富資料集的同時保護敏感資料。簡而言之，你的資料依然留在你的手機裡，不會發送或儲存到雲伺服器上。而是由雲伺服器將最新版的演算法（演算法的“全域性狀態”）發往隨機選擇的使用者裝置上。

你的手機做出改進然後基於本地化的資料對模型進行更新。之後只有這種更新（以及來自其他使用者的更新）會回傳給雲伺服器以改善該“全域性狀態”，然後再不斷重複這一過程。

把單個更新聚合起來的做法其實並不新鮮，其他演算法早就這樣做了。聯邦學習的不同在於它考慮了資料集的兩個重要特徵：

Non-IID：其他分散式演算法均假設資料是獨立同分布（Independent and identically distributed，IID）的，但其實每一部手機生成的資料都是獨特的，因為不同的人使用習慣不同，聯邦學習考慮到了這種不同。不平衡：某些使用者使用app更加活躍，自然也會產生更多的資料。因此每一部手機的訓練資料量也不一樣。

Firefox自稱是在重要軟體專案中首個實現聯邦學習的用例之一。當用戶在瀏覽器輸入URL時，Firefox會利用聯邦學習進行URL推薦排名。

AI初創企業OWKIN則利用聯邦學習來保護敏感的病人資料。其方案可以讓不同的癌症治療中心在病人資料不離開本地的情況下進行協作。

先進醫療保健生物測定

研究人員正在開始利用神經網路來研究和測定此前難以量化的非典型風險因素。

Google的研究人員利用視網膜影象訓練神經網路，然後再用該神經網路去尋找心血管風險因素。其研究發現，通過視網膜不僅可以識別年齡、性別、抽菸習慣等風險因素，還可以對這些因素量化到一定的精確程度。

類似地，梅奧診所也跟以色列初創企業Beyond Verbal合作，通過分析聲音的聲學特徵來尋找冠心病人獨特的聲音特性。研究發現，當受試者描述一段情感經歷時，有兩個聲音特性跟冠心病存在強關聯。

初創企業Cardiogram最近的研究發現，利用深度學習，糖尿病引起的心率變異性改變可通過現成的可穿戴心率感測器檢測出來。其檢測精確率可達85%。

AI尋找模式的能力將會繼續為新的診斷方法和識別此前未知的風險因素開闢新的道路。

自動索賠處理

保險公司和初創企業正開始用AI計算車主的“風險評分”，對事故場景圖片進行分析，並監控司機行為。

螞蟻金服在“事故處理系統”中利用了深度學習演算法來進行圖片處理。過去需要理算員現場處理的事情現在可以由先進影象處理承擔了。車主只需上傳車輛照片給螞蟻金服，神經網路就會分析圖片，自動進行損失評估。

螞蟻金服還建立了司機的風險檔案來影響車險的定價模型。他們引入了所謂的“車險分”，基於信用記錄、消費習慣、駕駛習慣等利用機器學習計算車主的風險評分。

初創企業Nexar鼓勵司機把自己的智慧手機當成行車記錄儀使用，並且將記錄上傳給Nexar app。車主的好處是可以有車險的折扣。

拿到視訊的app會利用計算機視覺演算法監控路況、司機行為以及事故。App還提供了“事故重現”功能，並與保險客戶合作處理索賠。

初創企業Tractable可以讓保險公司將受損車輛圖片及車損估價上傳到其索賠管理平臺。“AI Review”功能就可以將這些資料與庫中的幾千圖片對比，然後進行相應的定價調整。

防偽/打假

假貨越來越難以識別，而線上購物又讓賣假貨變得空前的便利。為此，品牌商正在開始利用AI來打假。

拼多多在18年Q3財報會上提了11次“假貨”，稱“打擊假貨和不誠信商家非常困難。”

品牌正在兩條戰線上對抗假貨的衝擊：

在線上，需要識別並讓侵權商品下架。線上下，需要識別宰客的假貨（如高階手包）。

阿里巴巴正在利用深度學習持續掃描自家平臺以發現IP侵權的情況。它利用了影象識別來確認圖片的特徵，再加上語義識別，從而監控上架商品圖片中是否有品牌名稱或者口號。

造假者會利用跟品牌十分類似的關鍵字和圖片來銷售假貨。而且他們就像牛皮蘚一樣，一旦假貨下架之後，他們又會換一組關鍵詞重新發布同樣的假貨。

線下打假就更加棘手了，而且需要更大的人力。

賣家賣或者典當二手奢侈品手包時，驗證過程通常需要鑑定專家親自檢查手包的工藝、材料及縫線模式。

但是一些A貨已經逼真到肉眼無法辨別的地步。

初創企業Entrupy 跟鑑定專家合作建立真品、贗品資料庫來訓練演算法已有2年時間。他們利用一種可以連線智慧手機的行動式顯微鏡讓使用者拍照上傳物件圖片，演算法再分析是否具備真品獨有的微觀特徵。不過這種辦法也有侷限性。因為大多數按照標準規定製造的產品都有類似的特徵（造假者也運用了這些工藝）。而且像晶片、奈米材料這樣的東西並不適用。

Cypheme採用的是另一種辦法。基於人工智慧的防偽溯源技術，通過使用特種紙張作為媒介製作標籤，並可進行產品溯源。公司宣稱這種標籤使用了獨家技術，是無法仿造的。而且即便標籤是原件，如果不在資料庫中有記錄，產品也會被識別為假貨。

免收銀零售

進店、拿貨、出門，這幾乎給人感覺就是入店行竊。AI可以讓過去被視為盜竊的事情及免收銀零售變得更加常見。

Amazon Go就徹底取消了收銀流程，讓顧客進店取貨即走。但是Amazon並沒有詳細介紹過未來的運營和商業計劃，只是說實現利用了感測器、攝像頭、計算機視覺及深度學習演算法但否認使用了人臉識別技術。

像Standard Cognition和AiFi這樣的初創企業則抓住了機會，將Amazon Go的方案普及到零售商。免收銀商店的一大挑戰是如何向適當的顧客收取正確的費用。

迄今為止Amazon Go是唯一成功的商業案例，但是這個案例有很多因素是受控的。只有Prime會員才能進店。其他人要想效仿，必須先建立起自己的會員制。

AiFi的方案是如果下載其app就可以拿貨走人，不願意下載的可以單獨開闢收銀臺。但是商店的基礎設施應如何支援這兩種方案尚不清楚。

另一大問題是銷售點存貨損耗問題，比如算錯錢或者偷盜。依圖與東芝的智慧收銀攝像頭是其中一些解決方案。但是防偷盜問題與運營範圍和規模相關。Amazon Go只有1800到3000平方英尺，但使用的攝像頭就達到了數百個。幾乎把每一寸地方都覆蓋到了。但傳統的超市一般都有40000平方英尺或以上，需要解決攝像頭如何佈局才能高效的問題。

此外，由於商品種類繁多，如何才能識別哪位購物者取走了哪件商品呢？這些需要重量感測器、攝像頭以及計算機視覺演算法足夠強大。

Standard Cognition跟日本最大的CPG批發商百陸達合作，宣稱要在2020年東京奧運會前改造3000家店鋪。AiFi據報道已有20個零售商客戶。

近期而言，這項技術的發展要取決於部署成本及存貨損失成本，以及零售商能否承擔這些成本和風險。

後端辦公自動化

AI正在對事務性工作進行自動化，但是資料的不同屬性和格式會對這項工作構成挑戰。

不同的行業和應用都有其獨特的挑戰。

比方說臨床試驗裡面很多試驗都是手寫記錄然後數字化的。但是這種格式往往難以搜尋，而手寫的臨床記錄又會對自然語言處理構成獨特挑戰。車險索賠自動處理中評估損傷和追溯事故根源時也會遇到麻煩。

不過不同的板塊都在開始不同程度地採用基於機器學習的工作流解決方案。

機器人流程自動化（Robotic Process Automation ，RPA）泛指任何重複性的後端事務性工作的自動化，最近是炒作的主題之一。但就像AI一樣，這個詞涉及內容也是包羅永珍，從資料錄入到合規性檢查、交易處理、客戶培訓不等。

很多ML解決方案已經開始將影象識別與語言處理整合到一起。

比如WorkFusion就把了解客戶與反洗錢這樣的後端運營工作自動化了。

獨角獸UiPath的服務已擁有700多家企業客戶，包括DHL、NASA、HP等。

Automation Anywhere是另一家獨角獸。該公司有一個案例是跟一家全球銀行合作，用機器學習進行自動化人力資源管理。“IQ機器人”會從多個國家多種語言提交的表格中提取資訊、清洗資料，然後自動錄入到人力資源管理系統內。

不過RPA在很多行業尚處在起步階段，有的在疊加預測性分析曾之前還得閒解決數字化的問題。

語言翻譯

語言翻譯的NLP既是挑戰也是有待發掘的市場機遇。大公司正在挑戰極限。

機器翻譯在後端辦公自動化存在著巨大商機，在跨國組織、客戶支援、新聞&媒體等領域均有應用機會。

百度的耳機翻譯器跟Google Pixel buds類似，據稱能完成40種語言的實時互譯。

有的初創企業比如Unbabel則引入了人蔘與到記憶翻譯系統當中，目標是用反饋迴環來訓練演算法改進。

1年前，Yoshua Bengio提出了用神經網路架構來取代傳統統計法的翻譯方案，後來Google就升級了Google Translate Tool的演算法。Google原先採用的是基於短語的機器翻譯（PBMT），其新的工具採用了神經機器翻譯（GNMT）方案，並且提出了解決訓練模型時遇到的時間和計算資源問題的解決方案。

不過最近的突破卻是來自Facebook的。據稱其突破在於過去的方法只有在資源豐富的語種互譯時比較有效，但對少數語種的翻譯就比較有侷限性。Facebook提出了一種可學習 93 種語言的聯合多語言句子表徵架構。該架構僅使用一個編碼器，且可在不做任何修改的情況下實現跨語言遷移。

隨著大公司不斷投入資源到改進翻譯框架之中，翻譯效率和語言能力也將得到改善，預計機器翻譯將會在更多行業得到採用。

合成訓練資料

訓練AI演算法離不開大規模的標籤資料集。而逼真的仿造資料有望解決這個瓶頸問題。

AI演算法的表現取決於獲得的資料，但是為不同應用獲取資料並給資料打上標籤卻是耗時耗錢的活兒，甚至沒有可行性（不妨設想無人車需要的危險情況資料）。

合成數據集可以解決這個問題。

2018年3月，英偉達推出了NVIDIA推出DRIVE Constellation模擬系統，稱可以在虛擬現實環境中測試自動駕駛汽車安全行駛數十億英里。

比方說設想無人車行駛過程中遇到雷暴。英偉達的解決方案會模擬這種情況下車載感測器（攝像頭或LiDAR）會生成什麼樣的資料。合成的感測器資料再提供給計算機進行決策，就好像自己真的在開車一樣，然後把命令回傳給虛擬汽車。

一個有趣的新興趨勢是利用AI本身幫助生成更“逼真”的合成影象來訓練AI。比方說英偉達就用GAN來生成假的腦瘤MRI影象。

GAN可用來“增強”現實世界資料，意味著AI可以用混合現實世界和模擬資料來進行訓練，從而形成更大規模更多樣化的資料集。

機器人是另一個極大受益於高精度合成數據的領域之一。

類似AI.Reverie這樣的早期階段初創企業正在開發模擬平臺為不同行業和場景生成資料集。

隨著技術的發展以及合成數據能夠更精確地模擬現實場景，預計這會成為無法獲取大規模資料集的小公司的催化劑。

威脅強化學習

從訓練演算法擊敗棋類遊戲的世界冠軍，到教AI耍雜技，研究人員正在用強化學習挑戰極限。但對大規模資料集的需求目前限制了實際應用。

強化學習因為DeepMind的AlphaGo而引起了媒體的大量關注。

簡而言之，強化學習的要點就是為了實現目標獲得最大回報你需要幹什麼？

也正因為此，強化學習在遊戲和機器人模擬方面的發展最好。

DeepMind的AlphaGo一開始是利用率有監督學習（用其他人類玩家資料訓練演算法）和強化學習（AI跟自己下）的。

不過後來的AlphaGo Zero就完全是用強化學習來實現超人的表現了。

最近加州大學伯克利分校的研究人員開始用計算機視覺和強化學習教演算法學習YouTube視訊上的雜耍視訊。在無需人工標記姿勢的情況下，計算機模擬角色就能重複視訊裡面的動作。而且還能在新環境中應用學到的技能。

不過強化學習的採用情況跟目前最普遍的有監督學習完全不能同日而語。但強化學習的專利申請情況卻是在不斷增長的。

網路優化

從促進頻譜共享到資產監控乃至於天線的優化設計，AI正在開始改變電信。

電信網路優化是一組改進延時、貸款、設計或者架構的技術，任何以有利的方式增強資料流的東西都算。對通訊服務提供商來說，優化會直接轉化為更好的客戶體驗。

除了頻寬限制之外，通訊面臨的最大挑戰之一是網路時延。類似手機AR/VR這樣的應用只有在時延極低的情況下才好用。

蘋果最近被授予了一項專利，就是用機器學習來組建“預期網路”，預計像智慧手機這樣的無線裝置在未來可能會執行什麼樣的操作，從而提前下載資料包以降低時延。

機器學習的另一項新興應用是頻譜共享。

頻譜共享是解決頻率資源短缺的必然之道。FCC（美國聯邦通訊委員會）要求，3.5到3.7GHz頻段必須由不同使用者共享。也就是說運營商可基於可用性動態訪問共享的頻譜，從而可以根據網路需求對頻寬進行調整。而沒有獲得專用頻譜許可的較小商業使用者也可以訪問。

像Federated Wireless這樣的公司提供了Secure Spectrum Access（SAS，安全頻譜訪問）來動態分配頻譜給不同等級的使用者，確保不會造成干擾。

2018年，Federated Wireless被授予了一項專利，該專利運用了機器學習技術來對無線訊號進行分類，同時又隱藏了聯邦訊號的特徵，從而避免被黑客利用。

DARPA則希望最終能從SAS轉到完全基於ML的自動化系統。為此它在2016年推出了鼓勵參賽者想出自主協作動態分配頻譜辦法的Spectrum Collaboration Challenge。並在2017年推出了Radio Frequency Machine Learning Systems，跟Federated Wireless的方案類似，DARPA也是希望用ML區分不同型別的訊號。

電信玩家也準備將基於AI的解決方案整合進下一代無線通訊技術，也就是5G當中。

三星為了應對5G時代的到來而收購了基於AI的網路與服務分析初創企業Zhilabs，稱其軟體將用於分析使用者流量，對應用進行分類，改善整體服務品質。

高通則把AI邊緣計算看作其5G計劃的關鍵部分。

還有一些研究論文開始探索用神經網路來設計最優化的天線。

無人車

儘管無人車市場商機無限，但何時實現全自動尚不明朗。

大量技術巨頭和初創企業正在這個領域拼得頭破血流。

這個領域最富盛名的是Google。其Waymo已經在率先部署了無人車商業車隊。

投資者的投資熱度依然沒有消退。去年GM的Cruise Automation就拿到了10多億美元的融資，Zoox也融了5億美元。其他的初創企業還包括Drive.ai、Pony.ai與Nuro等。

中國在無人車方面尤其加大了投入。2017年，百度釋出了無人駕駛開放平臺阿波羅，旨在將全球合作伙伴捆綁到一起，通過生態體系其他玩家的貢獻來加速AI和無人駕駛的研究。阿里巴巴也改變了懷疑態度，最近也對其無人車進行了試駕。

而儘管對這項技術的未來仍有懷疑，車企還是開足了馬力。預計到2025年該市場將達到800億美元。

一些行業有望成為無人車的第一個吃螃蟹者，比如物流和履約中心。

自動化物流——尤其是最後一公里的送貨——是零售商和履約公司的頭號關切，也是有望率先實現全自動的領域。無人車可以幫助應對費錢費力的最後一公里送貨問題（成本將近配送成本的1/3）。

像美國亞利桑那州這樣的地方對無人車部署比較友好，從而成為了熱門的試驗場。2018年6月，機器人初創企業Nuro開始跟美國最大百貨商Kroger合作配送百貨。跟其他配送機器人不同，它的配送機器不僅在人行道行走，而且還會在社群道路行駛。

在飯店業，Domino’s和必勝客是試驗無人車的先驅。福特正在邁阿密試驗配送比薩、百貨等商品。包括Domino’s在內，其合作伙伴已經超過了70家企業。

作物監控

三種類型的作物監控正在農業領域取得發展：地面、空中及地理空間。

精準農業無人機市場到2021年預計將達到29億美元。

無人機可以進行土地對映、利用熱成像監控含水量，識別蟲患以及噴灑農藥。

初創企業則關注於在第三方無人機捕捉到的資料之上增加一個分析層。

比方說Taranis就用第三方的Cessna飛機來做這件事情。去年aranis還收購了農業AI技術初創企業Mavrx Imaging，後者開發了超高清影像技術來巡視和監控土地。Taranis還利用AI技術來拼接土地成像，並且來幫助識別潛在的作物問題。

農機裝置製造商John Deere也在利用AI來重塑自己。它收購了農機裝置公司Blue River Technology。後者有利用計算機視覺來進行智慧除草與噴灑解決方案。

此類個體作物監控有望成為精準農業的主要顛覆者。如果地面農機裝置靠計算機視覺而變得更加智慧，並且只噴灑有需求的作物的話，就可以減少對消滅附近一切的除草劑的需求。精準噴灑也意味著除草劑、殺蟲劑使用量的減少。

除了田地以外，計算機視覺還可以對衛星影像進行分析，從而為農業耕作提供巨集觀層面的理解。比如嘉吉公司就投資了Descartes Labs，後者利用衛星資料為大豆、玉米等作物建立了一個預測模型。DARPA也在跟Descartes合作來預測作物安全。

暫時網路威脅追捕

對網路攻擊做出反應已經不夠了。利用機器學習主動“搜尋”威脅正在網路安全取得良好的發展勢頭。

計算能力與演算法的進步正在把以前只有理論上可行的破解變成了真正的安全問題。2018年全球共有4.5PB的資料被盜用。相比之下，2017年為2.6PB。

跟AI的其他行業應用不一樣，網路防禦是黑客與安全人士之間的一場貓捉老鼠的遊戲，雙方均利用機器學習的進步來獲取優勢。

威脅搜尋是主動尋找惡意活動而不是對告警或者破壞情況發生後再被動反應。

搜尋從假設網路存在潛在缺陷開始，然後利用手工或者自動化工具來測試該假設，這是一個持續的、不斷迭代的過程。不過網路安全所涉及的資料量使得機器學習成為該過程不可或缺的一部分。

不過儘管不同業務對威脅捕捉均有需求，但目前仍屬於較為小眾化的方向。擁有大量資料資源的大型企業會更加關切這個東西。

比方說，Amazon就收購了威脅追捕初創企業Sqrrl來開發產品，抓捕AWS客戶賬號上的黑客。

另一家AI初創企業Cylance的關注點也是威脅追捕，去年也已被黑莓收購。

網路的覆蓋面越廣就越容易受到攻擊。威脅追捕有可能會有更大的發展勢頭，但是這個東西本身也有挑戰性，比如如何應對不斷變化的動態環境以及減少誤報問題。

對話式AI

對於很多企業來說，聊天機器人已成AI的同義詞——但是希望跟不上現實。

Google的會話式AI功能Duplex遇到了麻煩。

Duplex可以替使用者打電話和進行預訂，而且溝通方式就像人一樣。但是這引發了道德擔憂，大家質疑Duplex跟人對話時是否應該表明自己的身份。

Google還把Duplex整合到了自己的新手機Pixel 3裡面。這讓這部智慧手機成為了AI的動力室，裡面還有一個“來電篩選”的選項，可以讓Google Assistant篩選掉垃圾來電。

美國的FAMGA和中國的BAT均在該領域投入了大量資源，但會話式AI暫時只在某些應用領域具備一定的可行性。

其中最廣泛的應用之一是客戶服務。聊天機器人（注：並非所有機器人都採用自然語言處理）形成了跟使用者互動的第一層，然後根據複雜性程度再把查詢交給人處理。

但是醫療保健和保險的應用就比較有挑戰性，因為這些領域的分類（測定情況的緊急程度）很複雜。

類似地，基於語音的對話式購物者沒有視覺線索的情況下也很有挑戰。

儘管分析師和CPG品牌均談到了語音購物可能是零售的下一個大事物，但這個東西還是沒有做起來。除了記錄特別物品外，它未能提供可帶動線上貿易的關鍵客戶體驗。

心理保健是聊天機器人有望成為顛覆性力量的另一個領域。

心理保健的高成本與全天候服務的吸引力導致了基於AI的心理保健機器人新時代的崛起。

早期階段初創企業的關注點是利用認知行為療法來作為許多情緒跟蹤和數字健康日記app的會話式擴充套件。

但是心理健康的範圍也很大，不同心理疾病在症狀、分析主觀性上各異，而且需要高階的情緒認知和人際互動。

所以儘管會話式AI具備成本和便利性的優勢，但在像心理保健這樣的領域應用會面臨很大的困難。

藥物發現

隨著AI生物技術初創企業的出現，傳統制藥公司正在尋求通過AI SaaS初創企業來獲得長週期的藥物發現的創新性解決方案。

2018年，輝瑞跟AI初創企業XtalPi達成了一項戰略合作關係，雙方一起合作來預測小分子的製藥屬性，並開發“基於計算的合理藥物設計”。

頂級製藥公司像諾華、賽諾菲、葛蘭素史克、安進以及默克等均在最近宣佈了跟AI初創企業的合作關係，以便為從腫瘤到心臟病等疾病發現新的候選藥物。

對本領域的興趣也推動了AI藥物發現初創企業股權交易的發展，2018年Q2的交易數達到了20樁，相當於2017年全年。

像Recursion Pharmaceuticals這樣的生物技術AI公司在AI與藥物研發方面均有投入，而傳統制藥公司主要是跟AI SaaS初創企業合作。

儘管許多這樣的初創企業仍然處在融資的早期階段，但是均聲稱已有製藥公司客戶。