2019年,人工智能(AI)行业彻底告别了“喊口号”“包装概念”的时代,人工智能的技术和应用开始在各个行业落地,人工智能的成果和场景实践层出不穷。在这一年里,人工智能领域的资本也开始涌动起来,大大小小的融资在百起左右。值得一提的是在全球范围内,中国成为人工智能领域最活跃的前沿阵地,据不完全统计,中国目前的人工智能企业已超过2000多家。在人工智能领域逐渐落地的过程中,整个产业的认知也在发生改变,人工智能的三要素:“算力”“算法”和“数据”的分类也在逐步被行业所认同。但相比较来说,目前“算法”类的人工智能企业正处在“行业风口”,“算力”类的从业者正在下沉和垂直化,“数据”类正在成为冉冉升起的下一个“太阳”,本篇文章就为大家通过三家最具代表性的人工智能企业进行行业观察
算法类:商汤
商汤科技是人工智能领域算法类企业中的杰出代表,在今年更是成为了中国科技部指定的“智能视觉”国家新一代人工智能开放创新平台,在过去的一年里可以说是 “风光无两”,不论是技术实力还是落地应用、商业化方面,商汤科技继续了过去几年的势头,勇猛果敢。
从整个行业发展来看,商汤科技是随着整个人工智能视觉领域 “风口”出现所发展起来的企业,整体以技术方向的底层算法见长。视觉是人工智能早期最典型的应用领域,随着发展,视觉会和众多的通用技术一样下沉到各个垂直的行业,进而完成整个传统产业的智能化升级,这是必然的趋势。“商汤们”已具有了初期的优势,但最终如何,还是需要市场和时间来见证。
数据采集和标注类:云测数据
说起AI数据,可能大多数人都不会像了解算法类企业那样耳熟能详,就像所有的企业服务行业一样,AI数据是整个产业链上的“企业服务”,他们站在算法类企业的背后,用技术和服务让算法类企业可以完成各种各样的落地和场景突破,在这当中,云测数据是国内最具实力和代表性的AI数据提供商,也是算法类企业突破算法能力和技术瓶颈最需要的服务提供商。
从行业发展上来说,人工智能已经渡过了最初的“通用数据集”类的数据需求,算法类企业对安全可靠、精准高质的AI数据需求开始快速崛起。云测数据一直通过自建数据标注基地和场景实验室的方式,为各个数据类企业提供重要的生产资料。人工智能最终要走向产业化落地,对于数据的场景化的还原度以及标注质量都有严格的要求。这就决定了AI数据会在接下来人工智能的发展中扮演最重要的角色,也是各大算法类企业最想拉拢和合作的对象。
如果让我们用一句话来描述 2019 年的人工智能现状，那很可能是：“强化学习（Reinforcement Learning ）回归，看起来将永存”。
到目前为止，我们中的大多数人可能已经熟悉了 监督式学习（Supervised Learning）：有些人收集了大量的 训练数据，将它们馈送到 机器学习算法 中，然后得到一个 模型，这个模型可以为我们进行 预测和 分类。我们中的一些人甚至可能有这样的印象：即，人工智能就是监督式学习的同义词。然而，监督式学习只不过是我们今天拥有的 众多类型的机器学习 中的一种罢了。
在强化学习（Reinforcement Learning，RL）中，智能体用 试错 的方法，通过与环境进行交互来学习，这种环境会给它们的 行为 提供 奖励回报。当涉及到多个智能体时，它们被称为 多智能体强化学习系统（Multi-agent Reinforcement Learning System）。
这个领域已经存在几十年，从概念上来讲，它听起来比监督式学习更像是一种合理的创造智能的学习机制。然而，直到 2015 年，DeepMind 才获得了人们的关注，当时 DeepMind 使用深度 Q 学习（Deep Q-learning）创建了 Atari（雅达利） 游戏的智能体，这是一种结合了经典强化学习算法和深度神经网络的算法。2018 年，OpenAI 也通过 解决 Montezuma’s Revenge（一款被认为难度特别高的 Atari 游戏），从而在这一领域确立了自己的地位。
在过去的几个月里，事态升级了：
这些工作重新唤起了学术界对强化学习的信念，在过去，人们曾经认为强化学习效率低下，过于简单，无法解决复杂的问题，甚至连游戏的问题也不能解决。
今年，另一个大受欢迎的应用是 自然语言处理（Natural Language Processing，NLP）。尽管研究人员在这一领域工作了几十年，但近些年的自然语言处理系统生成的文本听起来还是不够自然。自 2018 年底以来，人们的注意力已经从过去的词嵌入转移到 预训练语言模型，这是自然语言处理从计算机视觉中借鉴来的一种技术。这些模型的训练是以非监督的方式进行的，这使得现代系统能够从互联网上的大量文本中进行学习。因此，这些模型变得“博闻强识”，并发展出了理解上下文的能力。然后，可以通过监督式学习进一步提高它们在特定任务上的表现。这种通过在不同任务上训练机器学习模型来改进模型的做法，属于 迁移学习（transfer learning）的范畴，被认为具有巨大的潜力。
自去年 Google BERT、ELMo 和 ulmfit 等系统在 2018 年底推出以来，自然语言处理一直风头正茂，但今年的聚光灯被 OpenAI 的 GPT-2 给“夺走了”，它的表现引发了人们对 自然语言处理系统的道德使用的大讨论。
实践走向成熟
今年，人们也见证了最近一些深度学习技术走向成熟。应用监督式学习，特别是 计算机视觉 技术，已经催生了现实生活中成功的产品和系统。
生成对抗网络（Generative Adversarial Networks，GAN）是一对神经网络，其中，生成器网络试图通过学习生成模仿训练数据的图像来欺骗判别器网络，现在已经达到了近乎完美的水平。对人工智能来说，创造虚假但又逼真的人物和物体的图像，已经不再是前沿领域了。从 2014 年生成对抗网络的引入 到 2019 年 NVDIA 开源的 StyleGAN，一图胜千言，我们用下面的图片来说明，这可能是理解该领域进展情况的最佳方式：
2019 年，人工智能创造的艺术品甚至脱离了过去几年的假设性讨论，成为了今天 博物馆装置和拍卖 的一部分。
计算机视觉还被应用于一些具有重大商业和社会意义的领域，包括自动驾驶车辆和医学。但是，人工智能算法在这些领域中的应用自然是缓慢的，因为它们直接与人类生活直接互动。至少到目前为止，这些系统还 不是完全自主的，它们的目的，在于支持和 增强 人类操作员的能力。
研究团队正与医院密切合作，开发用于疾病早期预测的人工智能系统，并整理大量的健康数据档案，其中一个值得注意的例子，是 DeepMind Health 和 UCLH 之间正在进行的合作。然而，这些工作中的大部分仍处于试验阶段，迄今为止，唯一获得 FDA 批准的人工智能系统是 SubtlePet，这是一款使用深度学习增强医学图像的软件。
沉睡的巨人
AutoML 是机器学习的子领域之一，自 20 世纪 90 年代以来就一直存在，在 2016 年引起了人们的极大兴趣，但不知何故从未登上头条新闻，至少不像其他人工智能趋势那样。也许这是因为它并不那么花哨的性质：AutoML 的目的是通过自动化决策来使机器学习的实践更有效，而今天数据科学家是通过手动、蛮力调优做出的决策。
在过去三年中，我们对这一领域的理解已经发生了变化，今天，大多数大公司都提供了 AutoML 工具，包括 Google Cloud AutoML、Microsoft Azure、Amazon Web Service 和 DataRobot 等。今年，随着 学习进化人工智能框架（Learning Evolutionary AI Framework，LEAF）成为最先进的人工智能技术，人们的兴趣转向了“进化”（Evolutionary）方法。然而，AutoML 还没有达到可以让一个完全自动化的人工智能系统比人工智能专家团队执行更好的成熟水平。
对人工智能的担忧
尽管取得了压倒性的成功，但今年人工智能领域也给我们带来了一些令人沮丧的故事。其中主要问题之一是 机器学习模型中的偏见，这一问题直到 2018 年才显现出来，当时 Amazon 发现他们的 自动招聘系统中存在性别偏见，而美国法院广泛使用的判决工具 COMPAS 也被发现存在性别和种族的偏见。
算力类:英伟达(NVIDIA)
算力对于人工智能而言,更类似于基础设施,但随着互联网和移动互联网的发展,算力已经有了初步的积累和规模,这是人工智能得以发展起来最重要的基础。AI围棋、AI象棋可以战胜人类棋手,正是得益于这庞大的算力支持,只不过平时我们只是应用各种科技产品,而并不会直接看到产品背后的算力。在人工智能算力方面,传统硬件厂商“英伟达”是当中最典型的代表,和互联网的逻辑一样,硬件厂商生产多少服务器,都会被算力厂商拿走,而下游应用市场对算力的需求永无止境,又进一步刺激的硬件厂商的大量生产,今年的英伟达正在超级算力的道路上越走越快。
算力的拉力战随着互联网时期就已经开启,在整个人工智能的进程中,智慧、算力是行业发展的基石,也是人工智能的“初心”。
人工智能告别喧闹,投融资市场渐趋冷静,底层技术研发持续推进,从衣食住行到教育医疗,人工智能全方位改变着我们生活的样貌。我们管中窥豹从人工智能的三种类型的企业了解这个行业,我们可以发现当万事万物都离不开人工智能时,一个崭新的人工智能时代正在到来,而现在,我们恰逢“拐点”。
评论