1. 开源框架Open-Source Frameworks人工智能的进入门槛比以往任何时候都低，这要归功于开源软件。2015年谷歌开放了其机器学习库TensorFlow，越来越多的公司，包括Coca-Cola、e Bay等开始使用TensorFlow。2017年Facebook发布caffe2和 Py TorchPython的开源机器学习平台，而Theano是蒙特利尔学习算法研究所Mila的另一个开源库，随着这些工具的使用越来越广泛，Mila公司已经停止了对Theano的开发。2. 胶囊网络Capsule Networks众所周知，深度学习Deep Learning推动了今天的大多数人工智能应用，而胶囊网络capsule networks的出现可能会使其改头换面。深度学习界领航人Geoffrey Hinton在其2011年发布的论文中提到胶囊这个概念，于2017年-2018年论文中提出胶囊网络概念。针对当今深度学习中最流行的神经网络结构之一 卷积神经网络CNN，Hinton指出其存在诸多不足，CNN在面对精确的空间关系方面就会暴露其缺陷。比如将人脸图像中嘴巴的位置放置在额头上面，CNN仍会将其辨识为人脸。CNN的另一个主要问题是无法理解新的观点。黑客可以通过制造一些细微变化来混淆CNN的判断。经测试，胶囊网络可以对抗一些复杂的对抗性攻击，比如篡改图像以混淆算法，且优于CNN。胶囊网络的研究虽然目前还处于起步阶段，但可能会对目前最先进的图像识别方法提出挑战。3. 生成式对抗网络Generative Adversarial Networks2014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。4. 联合学习Federated Learnnig我们每天使用手机或平板会产生大量数据信息，使用我们的本地数据集来训练AI算法可以极大地提高它们的性能，但用户信息是非常私人和隐秘的。谷歌研发的联合学习Federated Learning方法旨在使用这个丰富的数据集，但同时保护敏感数据。谷歌正在其名为Gboard的Android键盘上测试联合学习。联合学习方法与其他算法的不同在于考虑了两个特征 非独立恒等分布Non-IID和不均衡性Unbalanced。联合学习已运用于搜索引擎Firefox、人工智能创业公司OWKIN等。5. 强化学习Reinforcement Learning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。022025年自动驾驶利润达800亿美元，物流率先应用1. 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。2. 人脸识别从手机解锁到航班登机，人脸识别的应用范围愈发广泛，各国对于人脸识别的需求逐渐升高，不少创业公司开始关注这一领域，利用该技术，可以通过脸部特点从而还原蒙面嫌疑犯完整的人脸。但人脸识别仍有待改进。这一技术仍会对人脸真假存在误判。人脸识别中所包含的数据远比我们想象要多，其中的安全问题也应引起我们关注。3. 语言处理自然语言处理NLP是人工智能的一个子领域，对于翻译技术而言，NLP就像一个潘多拉魔盒——除了丰富的市场机会，还有巨大的挑战。机器翻译就是其中一个等待开发的宝库，从后台自动化，客户支持，到新闻媒体，其应用广泛。人机共生也是翻译领域未来的大方向，不少初创公司也期待从中分一杯羹，但要完成基于自然语言处理工作的翻译系统并不容易，单单中文里的各种方言和书面语就能把众多科技公司难住，据相关数据显示，除了热门的高资源语言，如中文，阿拉伯语，欧洲语言等，低资源语言和少数民族语言的开发和应用依然存在缺口。4. 车辆自动化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. AI聊天机器人尽管许多人把聊天机器人看成是AI的代名词，但两者依然存在差别。如今的AI聊天机器人已经进化得十分完善，与真人对话时甚至还会应用嗯...这一类口头语和停顿，但人们担忧这些机器人的行为过于逼真，开始考虑在对话时对其聊天机器人的身份进行确认说明的需要。国外的科技巨头FAMGAFacebook，Apple，Microsoft，Google与Amazon以及国内的BAT都把目光投向了这一领域。03AI诊断前景巨大，制药巨头押注AI算法1. 医学成像与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http://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。2. 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。3. 临床试验患者招募临床试验的最大瓶颈之一是招募合适的患者，苹果或许能够解决这个问题。尽管人们在努力将医疗记录数字化，但互操作性在机构和软件系统之间共享信息的能力仍是医疗保健领域最大的问题之一。理想的AI解决方案是从患者的病历中提取相关信息，并与正在进行的试验进行比较，为进行匹配研究的AI软件提供建议。然而，像苹果这样的科技巨头已经成功地为他们的医疗保健计划引入了合作伙伴，苹果正在改变医疗数据的流动方式，并为AI开辟了新的可能性，尤其是围绕临床研究人员招募和监测患者的方式。自2015年以来，苹果推出了两个开源框架——ResearchKit和CareKit，以帮助临床试验招募患者，并远程监控他们的健康状况，消除了地理障碍，苹果还与Cerner和Epic等流行的EHR供应商合作，解决互操作性问题。4. 先进医疗生物识别技术利用神经网络，研究人员开始研究和测量以前难以量化的非典型危险因素，使用神经网络分析视网膜图像和语音模式可能有助于识别心脏病的风险。比如，谷歌的研究人员使用受过训练的视网膜图像神经网络来发现心血管疾病的危险因素，如年龄、性别和吸烟等，梅奥诊所通过分析声音中的声学特征，可以发现冠心病患者的不同语音特征。不久的将来，医疗生物识别技术将被用于被动监控，比如谷歌的专利希望通过肤色或皮肤位移来分析心血管功能，这些传感器甚至可能被放置在病人浴室的感应环境中，通过识别手腕和脸颊的皮肤颜色变化，用来确定心脏健康指标，如动脉僵硬或血压。亚马逊也申请了被动监测专利，将面部特征识别与心率分析结合起来。AI发现模式的能力将继续为新的诊断方法和识别以前未知的危险因素铺平道路。5. 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。04合成数据集用以解决AI的数据依赖1. 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。2. 后台自动化人工智能正在推动管理工作走向自动化，但数据的不同性质和格式使其成为一项具有挑战性的任务。根据行业和应用程序的不同，自动化后台任务的挑战可能是独一无二的，例如，手写的临床笔记对自然语言处理算法来说就是一个独特的挑战。机器人过程自动化RPA一直是热门话题，虽然并非所有的机器人过程自动化都基于机器学习，但许多都
