2019将成机器学习关键年：中美AI或有一战

“智能助手”的时代已经来临。机器学习 (ML) 已经成为全球数字转型的关键要素之一——到 2021 年底，累计投资（人工智能和 ML）预计将达到 580 亿美元。仅在美国，深度学习软件的市场规模就将从 2018 年的 1 亿美元跃升至 2025 年的 9.35 亿美元。全球机器学习行业的年平均增长率约为 42%，到 2022 年第三季度，其价值将只会略低于 90 亿美元。

在企业领域，机器学习用例的增长在过去的几年里也很显著。据国际数据公司 (IDC) 的一份报告显示，到本世纪末，整个企业场景对 ML 工具和解决方案的使用率预计将达到 65%，其费用支出将高达 460 亿美元。平均而言，55% 的公司首席信息官认为 ML 是加速业务发展的核心优先事项之一。在这里，我们将重点介绍机器学习在 2019 年将如何继续发展:

今年早些时候，有消息称，美国陆军将使用定制的机器学习软件工具 (由总部位于芝加哥的 Uptake Technologies 公司开发) 对作战车辆进行预测性维修。换句话说，ML 能够预测出车辆在什么时候可能需要修理服务以及服务的类型。这种“智能”功能将由嵌入到汽车引擎中的先进传感器提供支持。ML 的另一个有趣的用例是 基于先期股票收益记录的股票市场波动预测。最近的一项研究表明，ML 的这种股票市场预测有 60% 以上的准确率——这已经足够令人叹为观止了。在医学科学和医疗保健领域，ML 模型被用来预测一个人的死亡概率 (在这种情况下，准确率远远超过 90%)。在零售、营销和销售以及工业、制造业领域，ML 的使用范围也正在一步步扩大。通过“阅读”和“解释”过去的数据来预测未来——这是机器学习的本质——技术无疑正在变得越来越精细。

注意：人工智能应用和 ML 工具的概念不再局限于外部机器人。现在它们已经成为业务工作流和日常应用程序的一部分了。

2019 年很可能是智能硅芯片——具有定制人工智能和 ML 能力——成为主流的一年，至少对企业来说是这样。在可预见的未来，人工智能硬件优化市场将继续快速增长。一系列新的、强大的处理设备将被推出——我们还将看到高端 CPU 和 GPU 的使用。总之，这些工具和平台将大大提高 ML 硬件的可用性。2018 年第一季度，人工智能芯片初创公司 SambaNova Systems 通过 A 轮融资筹集了 5600 万美元的巨额资金。到 2025 年底，人工智能硬件的全球销售额将超过 1200 亿美元。从英伟达 (Nvidia) 和谷歌到 IBM，最大的玩家已经在游戏中了，而机器学习硬件市场将是明年乃至以后的一个值得关注的市场。

到 2020 年，全球云计算市场将以每年 25% 的速度增长，达到 4100 亿美元以上。企业中对 ML 的不断采用是这种激增背后的一个关键驱动因素。为了成功地实现“机器学习文化”，企业必须比以往任何时候都更加注重创新——特别强调改进云托管和基础设施参数。随着时间的推移，越来越多的“AI 专用工具和系统”(除了商业关键信息和大数据) 必须存储在云上，而后者需要有足够的安全性和可用性标准。一个健壮的、可扩展的云支持将帮助企业从机器学习无缝过渡到深度学习，为最终用户提供更大的价值，并提高他们的 ROI。

注：从 2019 年开始，普通用户将开始对人工智能和 ML 过程的工作原理有更清晰的了解——这要归功于详细的“人工智能审计跟踪”。鉴于人工智能领域（比如：医学科学）的关键性质，人们自然想知道这项技术是如何得出结论进行预测的。

尽管神经网络有许多优点，但它们通常不考虑选择对象的相对方向或位置。因此，“信息缺口”可能仍然存在于基于它们的机器学习模型中。为了解决这个问题，胶囊网络已经出现了——而且它们很可能在 2019 年甚至更长时间内取代许多传统的神经网络。就性能而言，这些胶囊网络比传统的神经网络系统高出一截——具有更精确的模式检测能力，而且需要的数据更少，出错概率也大大降低。更重要的是，胶囊网络也不需要反复的训练，便能“理解”变化。到 2024 年，整个神经网络市场的规模将超过 230 亿美元，胶囊网络将正好处于这一增长的中心。

注：基于 ML 算法的高级医疗模块，用于比较病人和其他病人的医疗图像，已经在使用中。生物制药公司阿斯利康 (AstraZeneca) 计划广泛使用机器人技术和机器学习技术，在中国开发智能诊断系统。

Siri，谷歌 Assistant 和 Alexa 已经成为人们日常生活的一部分，再过五年左右，全球人工智能助手市场的价值将达到 180 亿美元。更重要的是，年复一年，每一位顶尖的“智能助手”都在变得越来越聪明（在 5000 个一般性问题的基础上，Siri 成功回答了 31% 左右的问题，其中近 80% 的回答是正确的：在同一项调查中，谷歌 Assistant 回答了 67% 以上的问题，准确率略低于 88%）。随着机器学习范围的扩大，人工智能助手已经不只是存在于智能家居和手机中了。从明年开始，现代和起亚将开始在新车型中提供内置的、人工智能驱动的虚拟助理系统。这些助理将能够执行无数的任务——从远程家庭控制和汽车控制功能（通过语音），目的地路径规划（基于之前的偏好）和导航指南。在生活的各个方面，具有 ML 能力的“智能助手”将使生活比以往任何时候都更简单。

注意：智能聊天机器人（带有人工智能）正越来越多的被人被使用。然而，我们仍需保持警惕——因为训练数据集中的误差会对用户体验造成严重损害。微软的“Tay”聊天机器人就是这种失败的典型例子。

当涉及到人工智能（多用途无人机、自动监控摄像头和自动驾驶汽车等）等新奇技术时，人们很容易走极端。然而，重要的是要意识到，尽管所有这些事情都可能成为现实，但迈向全面的数据驱动生态系统的步伐必须是循序渐进且系统化的。2019 年，应用程序开发人员和人工智能专家将着眼于利用机器学习成功地 解决实际的、重要的需求（个人和企业），而不是简单地推出深度学习工具的新原型。换句话说，开发人员必须明白 AI 和 ML 不仅仅是几个科技术语——如果应用得当，它们的潜力是无穷的。目前有许多其他的技术正在争夺市场的关注（如 4D 打印技术），除非人工智能的发展能解决实际问题，否则投资者可能会转而开始寻找其他的技术。将“人工智能炒作”与“人工智能事实”区分开来，并在后者的基础上采取行动，将是至关重要的。

注意：最近的一项研究发现，89% 的首席信息官计划在其业务中使用 ML 工具及应用程序。

好吧，听起来太夸张了，不是吗? 事实上，智能机器人在工作场所的作用正在逐渐增加 ——而 ML 的改进是主要原因。到 2025 年，日本四分之三的老年人护理服务将由人工智能机器人提供，取代人类护理人员。总部位于中国的 T 恤公司天圆服饰（Tianyuan garment）计划在阿肯色州的工厂使用“缝纫机器人”。正常发展情况下，在不远的将来，“智能机器人”将执行许多劳动密集型任务（尤其是不需要太多专业技能的重复性工作）。除了让工作流程更智能、提高可用性和可靠性、缩短上市时间外，ML 驱动的机器人还将显著降低运营成本（如果有外包成本的话）。在工作场所全面采用人工智能的直接结果将会使生产力得到更大的提升。

注：机器学习在精密农业中也扮演着重要的角色。用于农业的智能杆子，带有深根传感器和专用的 ML 模块，可以帮助农民做出更多“知情”的决定。

ComScore 预测 2020 年 50% 的搜索活动将由语音完成，这能否成真还有待观察。但没有摆脱这一事实：基于语音的识别和交互已成为机器学习的一个重要元素。与早期的语音技术不同，现在的语音识别的错误率低于 5%——这是非常有用的。交互式语音响应（IVR）系统正变得比以往任何时候都更智能——多亏了迭代学习，基于语音的 ML 系统能够转录各种语言、口音。开发人员开发语音技术驱动的移动应用程序的趋势预计将在 2019 年进一步增强。像 Amazon Alexa 和谷歌 Home 这样的助手已经“理解”了我们的语音指令，他们正在为更多这样的平台进入市场铺平道路。

注：传统的、适合的客服主管也逐渐被虚拟角色所取代。后者提供了更及时的回应——而且由于对话是智能的（虚拟代理从以前的对话中学习），能够掌握个人更详细的信息。

就人工智能研究和市场而言，北美传统上一直是领跑者。然而，这种优势正变得越来越弱——中国市场正成为一股强大的力量。2017 年，中国的人工智能初创企业的股权融资份额高于美国 (48% 比 38%)。中国的人工智能初创企业是整体的 (不像北美市场上的小碎片)，重点是物流、智慧城市项目、零售、医疗、智慧农业和其他领域。当涉及到深度学习时，中国显然正在慢慢接近美国的水平——医疗领域中国的市场量级是美国的 6 倍，具有更大的数据优势。据报道，到 2020 年，中国有望与美国的人工智能领域并驾齐驱，并在 10 年内成为 ML 技术无可争议的领导者。看看美国和中国在未来几年争夺全球人工智能、ML 霸主地位的竞赛如何进行，将是一件令人不好预测的事情。

注意：开发人员不再依赖第三方 API，而是越来越多地转向为 ML 应用程序开发自己的 API。有许多对开发人员来讲友好的组装套件和移动 SDK 来帮助他们实现功能。

TensorFlow、H2O、ai-one 和 Torch 等平台已经对如何在不同的场景中部署 ML 功能产生了深远影响。在即将到来的一年里，我们可以满怀希望的期待更强大的 ML 平台出现——拥有尖端的分析、分类和预测能力。这些平台与其他 API 和大数据协同工作的能力也将继续提高。机器学习的不断发展为计算机和移动设备提供了更好地“学习”和“解释、分析”数据的机会。在 2018 年 2 月的高德纳 (Gartner) 报告中，本世纪末机器学习的总可用市场 (TAM) 价值近 260 亿美元。

注意：AI、ML 应用程序也促进了自动化决策管理实践。Informatica 和 UiPath 就是一个很好的例子。

它们可能目前只出现在少数几个地点 (<10)——但“无卡式亚马逊 Go”商店正在彻底改变购物的概念。事实上，到 2021 年，仅在美国就可能有 2000 多家“亚马逊 Go”门店。我们与智能事物，尤其是和科技打交道、互动、生活的方式，正受到人工智能和 ML 革命的影响。无论是为了商业，还是为了社会（如监控摄像头，智慧城市应用），还是为了智能家居——深度学习必将出现在我们生活的方方面面，提升我们生活的质量。只有在科幻电影和我们的想象中才会出现的东西，在人工智能的帮助下变成可能。这里的关键是：该技术对于不同类型的用例的适应性。ML 正在解决问题并提供价值——这正是它越来越受欢迎的原因。

注：用于战争的“杀手机器人”的开发可能是令人担忧的。最近的一份报告预测，人工智能在军事应用方面的投资不断增加，很可能导致 2040-2050 年间爆发一场核战争。

作为人工智能的子领域，自然语言处理（NLP）的重要性在过去几年显著提高。到 2020 年底，全球 NLP 市场的估值将远远超过 130 亿美元，行业 CAGR 徘徊在 19% 左右。NLP 主要用于将数据转换为文本，自然语言生成是许多深度学习系统的一个关键特性，NLP 可以帮助方便的获得详细的市场摘要或报告。自然语言处理技术能力正变得更加精确，使得对自动化系统的理解控制能力更加方便可行。Cambridge Semantics 和 Attivio 是提供 NLP 服务的著名公司之一。

注意：NLP 模块通常需要分析三件事情：语法、语义和上下文。

随着机器学习领域的进一步发展和对新的应用领域的探索，对人工智能专家（而非技术通才）的需求将继续上升。可以想到的是，这必然导致他们平均工资的增加。当然，还有一些负面的影响，比如大规模失业的可能性，对个人隐私数据侵入性的监控等。但可以肯定的是，2019 年将是机器学习关键的一年。AI-as-a-Service 已经到来！

英文原文：

http://teks.co.in/site/blog/machine-learning-in-2019-tracing-the-artificial-intelligence-growth-path/