隨著工具和基礎(chǔ)設(shè)施的成熟，應(yīng)用人工智能不斷加速發(fā)展。將這些基礎(chǔ)設(shè)施與強(qiáng)大的人才庫(kù)和熱情、隨時(shí)可獲得的資本以及客戶采用人工智能 / 機(jī)器學(xué)習(xí)的高度意愿結(jié)合起來，你就有了一些特別的東西。我們正在邁向一個(gè)新的十年，在這個(gè)十年里，人工智能 / 機(jī)器學(xué)習(xí)將以更快的速度為消費(fèi)者和企業(yè)創(chuàng)造真正的價(jià)值。
定義術(shù)語(yǔ)
應(yīng)用人工智能 ：任何與將人工智能研究從實(shí)驗(yàn)室?guī)У接美?，以及兩者之間的一切有關(guān)的事情。從基礎(chǔ)設(shè)施和工具，到硬件，到工業(yè)中的部署面，再到模型本身，從人工智能研究的前沿到用例，都需要共同努力才能取得尖端進(jìn)展。在我們這個(gè)領(lǐng)域中，成熟度的一個(gè)很好的檢驗(yàn)標(biāo)準(zhǔn)，就是看一個(gè)新的進(jìn)步從紙上到生產(chǎn)所需的時(shí)間。就在幾年前，你還可以瀏覽該領(lǐng)域的一些主要進(jìn)展，并努力尋找真正的用例；這種情況正迅速開始改變。
一些選擇例子：
神經(jīng)網(wǎng)絡(luò)研究實(shí)現(xiàn)自動(dòng)駕駛汽車（Tesla、Cruise、Waymo 等）。
像 BERT 和 GPT-2/3 這樣的自然語(yǔ)言處理改進(jìn)了搜索和助理（Google Search、Siri、Google Assistant、SoundHound、Clinc）。
強(qiáng)化學(xué)習(xí)幫助許多公司實(shí)現(xiàn)人工智能在工業(yè)機(jī)器人領(lǐng)域許下的崇高承諾（Covariant、FogHorn、Rethink）。
用于欺詐檢測(cè)和消費(fèi)者結(jié)果的機(jī)器學(xué)習(xí)幫助銀行、信用卡和貸款機(jī)構(gòu)限制欺詐和管理風(fēng)險(xiǎn)（銀行、信用卡、Verifi、Ravelin、Stripe 的反欺詐部門）。
生成對(duì)抗網(wǎng)絡(luò)可以生成新鮮的內(nèi)容、逼真的面孔并提高照片質(zhì)量（generated.photos、rosebud.ai、RunwayML）。
從研究到生產(chǎn)，需要的遠(yuǎn)不止是一個(gè)模型。要使這些東西發(fā)揮作用，需要在研究和工程兩方面的努力齊頭并進(jìn)。它需要硬件，需要可擴(kuò)展的主機(jī)，需要 DevOps，需要強(qiáng)大的數(shù)據(jù)科學(xué)，等等。值得慶幸的是，越來越多的初創(chuàng)公司正在為每個(gè)構(gòu)建塊構(gòu)建解決方案，隨著越來越多的工具開源，大公司（如 Uber 和 Netflix）也加入其中。
我們將會(huì)記住那些發(fā)明了新模型的全明星人物們，但是那些將其全部轉(zhuǎn)化為生產(chǎn)代碼的工程師們，那些為你創(chuàng)建下一個(gè)數(shù)據(jù)集的標(biāo)注員們，以及那些聲嘶力竭地反對(duì)違反安全和人權(quán)的抗議民眾，都應(yīng)該記住他們?cè)谶@一領(lǐng)域所做的貢獻(xiàn)。
為什么是現(xiàn)在？
我們看到人工智能用例的巨大機(jī)會(huì)正在各個(gè)行業(yè)涌現(xiàn)。隨著工具和基礎(chǔ)設(shè)施的成熟，任何可以編寫幾行代碼的人，都可以獲得新機(jī)會(huì)。無(wú)論是對(duì)現(xiàn)有市場(chǎng)的破壞，還是對(duì)新市場(chǎng)的創(chuàng)造，都是由采用驅(qū)動(dòng)的。
我們已經(jīng)看到機(jī)器學(xué)習(xí)在搜索引擎、信用卡欺詐檢測(cè)、智能手機(jī)攝像頭以及現(xiàn)代市場(chǎng)的激增。隨著傳統(tǒng)公司投資于使用機(jī)器學(xué)習(xí)來擴(kuò)充他們的產(chǎn)品和流程所需的工具和團(tuán)隊(duì)，我們開始看到越來越多的 企業(yè)采用 這一方法。
在本文中，我們不僅將介紹人工智能是如何使我們喜愛的產(chǎn)品和特性在數(shù)字世界中得以實(shí)現(xiàn)的，還將探索應(yīng)用人工智能是如何改變工作流程、創(chuàng)造新機(jī)會(huì)，以及如何在制造業(yè)、建筑業(yè)、供應(yīng)鏈和商業(yè)領(lǐng)域等解放勞動(dòng)力的。我們將深入探討這一領(lǐng)域的當(dāng)前趨勢(shì)，同時(shí)也會(huì)對(duì)事物的發(fā)展方向持某些立場(chǎng)。
通常，我們可以識(shí)別出由某種新技術(shù)或新事件促成的創(chuàng)新浪潮。在過去的十年里，我們看到了人工智能的拐點(diǎn)，將我們從一堆炒作變成了真正的用例，從而推動(dòng)了整個(gè)行業(yè)的價(jià)值。
那么，為什么現(xiàn)在是人工智能 / 機(jī)器學(xué)習(xí)新一波價(jià)值浪潮的拐點(diǎn)？
●工具和基礎(chǔ)設(shè)施的成熟
●規(guī)?；?xùn)練和服務(wù)的可及性
●作為 API 的大型模型
●繼續(xù)獲得風(fēng)險(xiǎn)資本、研究資助和政府利益
●工具和基礎(chǔ)設(shè)施的成熟
隨著最佳實(shí)踐、工具和基礎(chǔ)設(shè)施開始成熟，可及性也在顯著增加。在基礎(chǔ)設(shè)施和工具方面，高級(jí)團(tuán)隊(duì)或大型開放元嗎工作仍然是常態(tài)。在實(shí)際應(yīng)用中，我們看到了由初級(jí)工程師、初出茅廬的統(tǒng)計(jì)學(xué)家和企業(yè)家創(chuàng)建的成功初創(chuàng)公司，他們?cè)敢庠谀嗌持泻Y選，以使他們的應(yīng)用發(fā)揮作用。同時(shí)，也請(qǐng)向那些有意參與這一波機(jī)會(huì)浪潮的 MBA 們問好。
此外，人才的涌入、更好的課程和培訓(xùn)計(jì)劃，以及整個(gè)運(yùn)動(dòng)背后的大肆宣傳，使得聘請(qǐng)一名優(yōu)秀的數(shù)據(jù)科學(xué)家或機(jī)器學(xué)習(xí)工程師不再是一項(xiàng)外層空間的任務(wù)。正因?yàn)橛辛烁玫墓ぞ撸瑪?shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)工程師才可以做得更專業(yè)、更深入，而且非常高效。而且，大多數(shù) MVP 可以用現(xiàn)成的模型或者使用 Scikit-Learn、Keras 之類的美觀且易于訪問的庫(kù)來構(gòu)建。我們可以開 clf.fit() 的所有玩笑，但事實(shí)上，只需幾行代碼就可以構(gòu)建出真正有價(jià)值的實(shí)際模型，這是一件好事。當(dāng)一個(gè)領(lǐng)域的自身成員開始炮轟所有的“冒牌工程師”和“假數(shù)據(jù)科學(xué)家”時(shí)，他們真正想說的是“ 我很惱火，以前我需要幾周才能完成的工作，現(xiàn)在小菜鳥只用幾個(gè)小時(shí)就能做出來，豈有此理！”
而硬件的獲取，不再是一個(gè)障礙。對(duì)于有進(jìn)取心的個(gè)人來說，有大量的免費(fèi)計(jì)算時(shí)間可用。早期的 MVP 以前可能需要一些引導(dǎo)或天使的幫助，大多數(shù)非研究性的想法都可以起步，主要的障礙因素是數(shù)據(jù)的獲取。這是一件 非常好的事情 。值得慶賀的是，訓(xùn)練模式的主要障礙不再是小眾技能或訪問昂貴的基礎(chǔ)設(shè)施了。
我們目睹了圍繞少數(shù)核心產(chǎn)品的基礎(chǔ)設(shè)施正在全面整合。AWS、GCP 和 Azure 在這一波浪潮中顯然是贏家，NVIDIA 和 Intel 的硬件占據(jù)了數(shù)據(jù)中心的主導(dǎo)地位。我們也看到一些公司涌入這個(gè)領(lǐng)域，采取更多利基方式，比如更清潔的訓(xùn)練 + 部署（參見 Paperspace 和 FloydHub）。
顯然，我們都非常熟悉 TensorFlow、PyTorch、Scikit-Learn 和其他主要建模工具。在整個(gè)行業(yè)中，我們看到了對(duì)于大多數(shù)建模工作流，Jupyter 和各種克隆版本繼續(xù)占據(jù)主導(dǎo)地位。在數(shù)據(jù)科學(xué)家繁重的工作流和機(jī)器學(xué)習(xí)工程師的工作流之間也存在明顯的分歧，機(jī)器學(xué)習(xí)工程師們將時(shí)間花在 IDE 的選擇上，而建模工程師則將更多的時(shí)間花在 Jupyter，以及像 Colab、Deepnote、Count 等具有特定優(yōu)勢(shì)的項(xiàng)目上。
這些工具仍然是生態(tài)系統(tǒng)的核心。但是在過去的五年里，最大的推動(dòng)因素也許是部署和服務(wù)。Docker 和 Kubernetes 仍然是生態(tài)系統(tǒng)的核心，而許多工具也加入了他們自己獨(dú)特的價(jià)值支柱。Kubeflow 正在迅速獲得人氣，而 TensorFlow 服務(wù)、MLFlow、BentoML、Cortex 和其他公司也在爭(zhēng)奪類似的市場(chǎng)份額，他們?cè)噲D通過使所有建模工程師能夠以最小的努力使其模型投入生產(chǎn)。“只需幾行代碼即可部署模型”是許多項(xiàng)目的口號(hào)。易于部署對(duì)于獲得客戶非常重要；可擴(kuò)展性和維護(hù)性是長(zhǎng)期留住客戶的關(guān)鍵因素。
這種創(chuàng)新是意料之中的，因?yàn)橐话愕臄?shù)據(jù)科學(xué)家和不太注重工程的機(jī)器學(xué)習(xí)工程師可能不太愿意在 DevOps、容器編排、擴(kuò)展等方面耗費(fèi)太多的時(shí)間。而且，許多團(tuán)隊(duì)在組建他們最初的核心團(tuán)隊(duì)時(shí)，都沒有雇傭大量的工程人才。因此，里程可能會(huì)有所不同。
我傾向于將機(jī)器學(xué)習(xí)的研究工作大致分為以下幾個(gè)階段來看待。過去，我們被迫自己構(gòu)建許多這樣的階段，或者完全忽略某些步驟（比如混亂的版本控制、不存在的 CI、手動(dòng)擴(kuò)展、只有在模型被明顯破壞時(shí)才進(jìn)行維護(hù)等）。值得慶幸的是，許多團(tuán)隊(duì)正在努力簡(jiǎn)化我們的生活，幾乎每一步都是如此：
●數(shù)據(jù)管理、模式、數(shù)據(jù)集版本控制
●模型定義、訓(xùn)練和評(píng)估
●序列化、服務(wù)化
●部署、CI/CD 和模型版本控制
●監(jiān)控和維護(hù)
在某些情況下，上述工作是相互獨(dú)立的。但在其他情況下，同一個(gè)工具也可以處理流程中的多個(gè)步驟。例如，我們可能會(huì)看到一個(gè)用于服務(wù)的工具也可以輕松地處理序列化。在其他情況下，用于訓(xùn)練的庫(kù)可能與序列化（pickle、joblib、dill、onnx 等）緊密集成。生態(tài)系統(tǒng)中有趣的部分是，工具是如何成熟到這樣一個(gè)程度的，以至于你可以擁有像 BentoML 這樣的全套服務(wù)工具，但如果需要的話，你也可以有很多其他選項(xiàng)，進(jìn)行額外的定制。更多偏重于工程的團(tuán)隊(duì)可能不會(huì)花時(shí)間去使用 Bento、Cortex 或其他服務(wù)，這些服務(wù)是為技術(shù)含量較低的用戶準(zhǔn)備的。而我個(gè)人喜歡 BentoML 和 Cortex 這樣的工具，因?yàn)樗鼈優(yōu)槲覀兊男F(tuán)隊(duì)節(jié)省了大量的時(shí)間。MLOps 還有很長(zhǎng)的路要走。
看起來我們最缺的就是監(jiān)控和維護(hù)這一塊。
Christopher Samiullah 很好地總結(jié)了 這一點(diǎn)。
很明顯，這份列表非常偏向于我過去曾使用過的工具，或者我正在積極使用的工具。一些不是機(jī)器學(xué)習(xí)專用的工具被排除在外。例如，雖然 Airflow 是許多工作流的關(guān)鍵部分，但在這種情況下被排除在外。此外，你還將看到對(duì) Python 生態(tài)系統(tǒng)的明顯偏見，這可能會(huì)讓一些人對(duì)此感到懊惱。我們還排除了數(shù)據(jù)庫(kù)、版本控制等。顯然，數(shù)據(jù)收集和清理是我們工作流的核心，但這個(gè)過程的大部分對(duì)軟件工程來說并不新鮮，況且在別處的介紹比我在本文所講的要深入得多。我們主要討論建模工程師和機(jī)器學(xué)習(xí)工程師之外的工具，而不是數(shù)據(jù)工程師、分析師或商業(yè)智能重?cái)?shù)據(jù)科學(xué)工作流。
作為 API 的大規(guī)模通用模型
讓我們來談?wù)?GPT-3 的操作。比起 GPT-3 的成果，我可能并沒有那么多興致，但對(duì)這個(gè)方法作為其他行業(yè)的典范，我卻更感興趣。
我們似乎正在為最大和最佳（通用）模型的軍備競(jìng)賽做準(zhǔn)備。這種規(guī)模的計(jì)算，對(duì)于較小的公司和初創(chuàng)公司來說是不現(xiàn)實(shí)的。更小的努力將有利于聰明的優(yōu)化和研究，推翻越來越多的計(jì)算問題。兩者的結(jié)合在這里似乎是明顯的贏家，我預(yù)計(jì)，領(lǐng)先的建模工作將圍繞著一小批擁有巨額資金的公司進(jìn)行全面整合，這些公司負(fù)擔(dān)得起所需的算力和研究資金。然后，我們將看到一些占主導(dǎo)地位的公司為這些模型提供服務(wù)，這些模型是空開的，無(wú)需高度專業(yè)化的數(shù)據(jù)即可工作。這些用例可以在全球范圍內(nèi)被各種產(chǎn)品使用。讓我們想象一下。
智能對(duì)關(guān)鍵參與者的潛在整合。
GPT-3 就是這種趨勢(shì)可能走向的一個(gè)很好的例子。在短短的幾周內(nèi)，已經(jīng)有幾十個(gè)出色的用例使用了 Open AI API。
在整個(gè)生態(tài)系統(tǒng)中，我們也看到了類似的努力。這種開發(fā)模式并不僅限于自然語(yǔ)言處理領(lǐng)域。從長(zhǎng)遠(yuǎn)來看，少數(shù)專注于軟件 / 硬件的自動(dòng)駕駛初創(chuàng)公司可能會(huì)讓那些不想自己研發(fā)的公司趕上那些想自己研發(fā)的公司。一個(gè)公司能夠在不進(jìn)行研發(fā)的情況下利用這些巨大的努力，這是一個(gè)重大的勝利。預(yù)計(jì)將會(huì)看到以服務(wù)形式提供的各種模型。大規(guī)模的模型將會(huì)推動(dòng)大部分創(chuàng)新，越來越小的蛋糕將被越來越多的小眾玩家瓜分。隨著模型在泛化方面越來越出色，預(yù)計(jì)對(duì)定制建模工作的依賴程度將會(huì)越來越低。而且，這些特定于業(yè)務(wù)的用例與其說是在優(yōu)化模型，不如說是在收集特定于應(yīng)用程序的數(shù)據(jù)集。數(shù)據(jù)主宰著我們身邊的一切。
在（傳統(tǒng)）公司的部署
許多“有圍墻的花園”將會(huì)因?yàn)榘胨接?API 提供安全保障的缺乏而反對(duì)。對(duì)于那些能夠優(yōu)化大型模型、壓縮模型并使不斷增長(zhǎng)的數(shù)據(jù)湖易于管理的公司來說，這是一個(gè)巨大的機(jī)遇。很難相信，傳統(tǒng)公司都會(huì)要求部署超過 1750 億個(gè)參數(shù)的新一代模型。但是，請(qǐng)不要將他們遺忘。
當(dāng)我們將 PII 引入到這個(gè)混合體中，事情就開始變得特別有趣。當(dāng)你提出讓公司將他們的數(shù)據(jù)從其內(nèi)部網(wǎng)絡(luò)發(fā)送到某個(gè)新的、時(shí)髦的 API，卻遭到那幫人指著你的臉嘲笑，千萬(wàn)不要對(duì)此感到驚訝。只要計(jì)算和存儲(chǔ)仍然是一項(xiàng)開支，那些能夠壓縮模型并從較小的模型中得到類似結(jié)果的公司，將會(huì)保持自己存在的價(jià)值。訓(xùn)練和服務(wù)的成本將持續(xù)大幅削減，但部署成本可能仍然相當(dāng)高。人工智能公司的利潤(rùn)率仍然低于傳統(tǒng)的 SaaS 公司，這在很大程度上是由于這個(gè)原因。
“有趣的是，我們?cè)谌斯ぶ悄芄镜呢?cái)務(wù)數(shù)據(jù)看到了一個(gè)出乎意料的一致模式，毛利潤(rùn)率往往在 50%~60% 的范圍內(nèi)，遠(yuǎn)低于類似 SaaS 企業(yè)的 60%~80% 以上的基準(zhǔn)。”
—— a16z
不要低估小數(shù)據(jù)
擁有數(shù)十億個(gè)參數(shù)的大型模型將繼續(xù)受到熱棒。而海量的數(shù)據(jù)集將繼續(xù)推動(dòng)這些被炒作的模型。在現(xiàn)實(shí)的工業(yè)中，較小的模型在很多用例是必不可少的。在構(gòu)建邊緣場(chǎng)景時(shí)，你將面臨兩個(gè)核心決策：
較小或壓縮的模型（即 TensorFlow Lite）
遠(yuǎn)程連接以進(jìn)行計(jì)算
我們可以使用 TensorFlow Lite 等解決方案部署到邊緣設(shè)備。Hailo、Kneron 和 Perceive 等公司正在為邊緣和消費(fèi)設(shè)備提供更好的硬件。硬件創(chuàng)新的步伐可能會(huì)超過小型模型的需求。
當(dāng)遠(yuǎn)程連接是一項(xiàng)選擇時(shí)，我們總是可以考慮執(zhí)行芯片外計(jì)算，盡管存在很多障礙和常見的限制，如連接問題和計(jì)算時(shí)間。在像制造業(yè)這樣的環(huán)境中，這可能是可取的，因?yàn)橛捎谶^程的穩(wěn)定性，連接性可能具有更高的保證。我們已經(jīng)目睹，在安裝遠(yuǎn)程控制系統(tǒng)的地方，5G 工廠如雨后春筍般涌現(xiàn)。無(wú)線傳感器以無(wú)線方式與控制系統(tǒng)通信。不言而喻，遠(yuǎn)程推理將是這一轉(zhuǎn)變的一部分。還有很多用例，我們可以在這些用例中提交數(shù)據(jù)、完成其他任務(wù)，并在下游任務(wù)使用我們的計(jì)算結(jié)果。讓我們想一下制造業(yè)，你可以在上游拍攝產(chǎn)品照片，執(zhí)行轉(zhuǎn)換，然后在下游對(duì)產(chǎn)品進(jìn)行質(zhì)檢。這顯然不是自動(dòng)駕駛這樣的實(shí)時(shí)場(chǎng)景中的選項(xiàng)。
小數(shù)據(jù)也極具吸引力。為了成功進(jìn)行概念驗(yàn)證，我們可能會(huì)容忍大量的 Type 1 錯(cuò)誤，這取決于行業(yè)和用例。傳感器通常也可能具有侵入性，因此，我們收集數(shù)據(jù)的時(shí)間越短越好。以 Instrumental 公司為例，該公司希望通過最少的例子來解決制造質(zhì)量問題。
所以，不要低估小數(shù)據(jù)！
獲得資金
風(fēng)險(xiǎn)資本，尤其是風(fēng)險(xiǎn)投資，仍然是未來創(chuàng)新的主要把關(guān)者。值得慶幸的是， 在資助人工智能企業(yè)的方面，渠道是敞開的。附帶提一句，企業(yè)數(shù)據(jù)業(yè)務(wù)也得到了健康的發(fā)展，無(wú)論從輪數(shù)規(guī)模還是看純輪數(shù)的量都是如此。
對(duì)于普通的構(gòu)建者來說，啟動(dòng)機(jī)器學(xué)習(xí)業(yè)務(wù)變得越來越容易。一個(gè)粗略的登錄頁(yè)面，訪問 GPT-3（或任何其他預(yù)訓(xùn)練模型），一些云計(jì)算積分，以及一兩條聰明的推文，將讓你得到構(gòu)建和測(cè)試概念驗(yàn)證所需的一切。
話雖如此，任何一個(gè)還算不錯(cuò)的 PoC 都能很快得到風(fēng)險(xiǎn)投資的資金，因此，大多數(shù)人很快喪失自我創(chuàng)業(yè)并實(shí)現(xiàn)盈利的雄心。這樣說是有充分理由的。融資的輪次結(jié)束得更快，越來越多的天使基金和微基金使種子前輪和種子輪的資金流動(dòng)更快。
企業(yè)風(fēng)投（Google Ventures、Salesforce Ventures、Samsung Ventures、Intel Cpital 等）在應(yīng)用人工智能和一般數(shù)據(jù)科學(xué)領(lǐng)域也非?；钴S。這也說得通，因?yàn)樵谄髽I(yè)內(nèi)部開發(fā)這些東西很困難。但風(fēng)投公司可以幫助母公司找到與他們投資的人工智能初創(chuàng)公司的協(xié)同效應(yīng)。一些高管仍然認(rèn)為人工智能是一個(gè)高風(fēng)險(xiǎn)的賭注，不值得為此專門建立一個(gè)組織。如果他們改變主意的話，這些對(duì)人工智能初創(chuàng)公司的投資不僅為他們提供了一種潛在方式，使他們可以利用自己錯(cuò)過的新技術(shù)，而且也可以作為一個(gè)健康的人才來源，要知道，在這一行業(yè)中，人才的獲取并不總是那么容易。請(qǐng)看看 Intel Capital 等企業(yè)風(fēng)險(xiǎn)投資公司最近的投資， 你會(huì)發(fā)現(xiàn)，人工智能和一般的企業(yè)數(shù)據(jù)公司的交易流起伏不定。
跨技術(shù)的機(jī)遇
計(jì)算機(jī)視覺的進(jìn)步促成了自動(dòng)駕駛革命、制造業(yè)的突破，以及更多。自然語(yǔ)言處理的進(jìn)步改善了搜索、翻譯、知識(shí)理解等。我們最近才開始意識(shí)到強(qiáng)化學(xué)習(xí)的可能性、生成對(duì)抗網(wǎng)絡(luò)的潛力，等等。
讓我們來探討一下特定技術(shù)方法中的一些機(jī)會(huì)。之后，我們將以特定行業(yè)的方式來探討機(jī)會(huì)。觀察初創(chuàng)公司可能會(huì)做出的選擇，即創(chuàng)建一個(gè)廣泛的技術(shù)解決方案與將他們的技術(shù)解決方案應(yīng)用于特定行業(yè)，這是一件很有意思的事情。
這些絕不是詳盡無(wú)遺的清單，甚至都不敢說已經(jīng)觸及了表面。然而，它們應(yīng)該能夠起到啟發(fā)的作用，讓你有一個(gè)更高層次的全景觀。為簡(jiǎn)潔起見，我們有意跳過了遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）、自動(dòng)編碼器和某些其他模型。
計(jì)算機(jī)視覺
關(guān)鍵技術(shù)和流行語(yǔ) ：卷積神經(jīng)網(wǎng)絡(luò)（CNN）、Dropout、目標(biāo)檢測(cè)（分類 + 定位）。
前沿用途 ：分類、場(chǎng)景理解、跟蹤、運(yùn)動(dòng)、估計(jì)、重建。
優(yōu)勢(shì)產(chǎn)業(yè) ：汽車、醫(yī)藥、軍事、攝影。
樣本公司 ：Cruise、Cognex。
自然語(yǔ)言處理
關(guān)鍵技術(shù)和流行語(yǔ) ：GPT、BERT、DistilBERT、XLNet、RoBERTa、Transformer-XL。
前沿用途 ：語(yǔ)音識(shí)別、文本生成、語(yǔ)言理解、翻譯、問答系統(tǒng)。
優(yōu)勢(shì)產(chǎn)業(yè) ：很難想象還會(huì)有自然語(yǔ)言處理不能發(fā)揮某種作用的企業(yè)。（雖然我不是自然語(yǔ)言處理主義者?。?/p>
樣本公司 ：Open AI、HuggingFace。
強(qiáng)化學(xué)習(xí)
關(guān)鍵技術(shù)和流行語(yǔ) ：馬爾科夫（Markov）決策過程、時(shí)序差分學(xué)習(xí)、蒙特卡洛（Monte Carlo）、深度強(qiáng)化學(xué)習(xí)、Q- 學(xué)習(xí)。
前沿用途 ：游戲、市場(chǎng)、控制、日程安排劃。
優(yōu)勢(shì)產(chǎn)業(yè)（相對(duì)未使用） ：機(jī)器人技術(shù)、市場(chǎng)與經(jīng)濟(jì)、工業(yè)自動(dòng)化（機(jī)器人技術(shù)的主要用例）。
樣本公司 ：DeepMind、Open AI、Covariant。
生成式網(wǎng)絡(luò)
關(guān)鍵技術(shù)和流行語(yǔ) ：變自編碼器（Variational Autoencoders，VAE）、生成對(duì)抗網(wǎng)絡(luò)、CycleGAN、DCGAN、cGAN、StyleGAN、生成器、鑒別器、博弈論。
優(yōu)勢(shì)產(chǎn)業(yè) ：創(chuàng)意與媒體、建模、攝影、視頻。
樣本公司 ：RunwayML、Rosebud.ai、Generative.photos。
跨行業(yè)的機(jī)遇
每個(gè)行業(yè)都會(huì)從應(yīng)用機(jī)器學(xué)習(xí)中獲益。金融業(yè)在很大程度上解決了欺詐問題，制造業(yè)解決了一些傳統(tǒng)控制無(wú)法解決的自動(dòng)化領(lǐng)域迫在眉睫的問題，電子商務(wù)繼續(xù)從推薦系統(tǒng)發(fā)展而來。所有領(lǐng)域的顛覆時(shí)機(jī)已成熟。下面是樣本行業(yè)中一些有趣的用例和公司。
制造業(yè)
關(guān)鍵技術(shù) ：計(jì)算機(jī)視覺、強(qiáng)化學(xué)習(xí)、過程優(yōu)化。
用例 ：質(zhì)量保證、工業(yè)自動(dòng)化、流程改進(jìn)、預(yù)測(cè)性維護(hù)。
樣本公司 ：Covariant、Instrumental、FogHorn Systems（此外，Siemens、Rockwell、Cognex 等老牌公司也在積極投資并進(jìn)行自己的研發(fā)，以起到防御作用。
商業(yè)
關(guān)鍵技術(shù) ：推薦系統(tǒng)、欺詐檢測(cè)、訂單匹配、個(gè)性化。
用例 ：質(zhì)量保證、工業(yè)自動(dòng)化、流程改進(jìn)。
樣本公司 ：Amazon 的推薦王國(guó)是最明顯的例子，像 Uber 這樣的大型實(shí)時(shí)市場(chǎng)通過動(dòng)態(tài)定價(jià)和路由優(yōu)化實(shí)時(shí)匹配，像 Stripe 和 Square 這樣的支付平臺(tái)依賴于欺詐檢測(cè)。
醫(yī)學(xué)
關(guān)鍵技術(shù) ：計(jì)算機(jī)視覺、排序、遞歸神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)。
用例 ：X 射線和其他成像的分類、藥物發(fā)現(xiàn)、基因組學(xué)、大腦圖譜（還有更多?。?/p>
樣本公司 ：Insitro、Sophia Genetics、Flatiron Health、Allen Institute（非營(yíng)利組織）。
自動(dòng)駕駛
關(guān)鍵技術(shù) ：計(jì)算機(jī)視覺、目標(biāo)檢測(cè)、語(yǔ)義分割 / 場(chǎng)景理解。
用例 ：自動(dòng)駕駛。
樣本公司 ：Tesla、Waymo、Cruise，還有很多公司。
建筑業(yè)
關(guān)鍵技術(shù) ：計(jì)算機(jī)視覺。
用例 ：機(jī)械的安全、制圖、可視化、自主性。
樣本公司 ：Intsite、Kwant、Buildot。
創(chuàng)意與媒體
關(guān)鍵技術(shù) ：自然語(yǔ)言處理、生成對(duì)抗網(wǎng)絡(luò)、計(jì)算機(jī)視覺。
用例 ：文本生成、視頻生成、歌曲和故事寫作、助理、語(yǔ)音生成、建模、Deepfake。
樣本公司 ：RunwayML、Rosebud、Persado。
軍事和國(guó)家監(jiān)控
關(guān)鍵技術(shù) ：我們不應(yīng)鼓勵(lì)人工智能軍備競(jìng)賽。
用例 ：我們不應(yīng)鼓勵(lì)人工智能軍備競(jìng)賽。
樣本公司 ：我們不應(yīng)鼓勵(lì)人工智能軍備競(jìng)賽。
能源
關(guān)鍵技術(shù) ：計(jì)算機(jī)視覺、強(qiáng)化學(xué)習(xí)、流程優(yōu)化。
用例 ：預(yù)測(cè)性維護(hù)、網(wǎng)格優(yōu)化。
樣本公司 ：Stem、Origami、Infinite Uptime。
金融
關(guān)鍵技術(shù) ：自然語(yǔ)言處理、異常檢測(cè)、傳統(tǒng)機(jī)器學(xué)習(xí)。
用例 ：自動(dòng)化銀行體驗(yàn)、欺詐檢測(cè)、個(gè)性化、風(fēng)險(xiǎn)管理、財(cái)富管理、交易。
樣本公司 ：Ravelin、Tala、Verifi、Suplari、各大銀行及其服務(wù)提供商 Quantopian。
作者介紹 ：
Luke Posey，Spawner.ai 的創(chuàng)始人。寶潔公司前人工智能總監(jiān)。現(xiàn)為 Dataset Daily 的專欄作者，撰寫關(guān)于人工智能 / 機(jī)器學(xué)習(xí)、數(shù)據(jù)和其他主題的文章。
原文鏈接 ：
https://towardsdatascience.com/the-state-of-applied-ai-41393faad013
