新的一年，人工智能會朝著什么方向發展？CB Insights今天發布的報告，預測了2019年AI行業的25大趨勢。

在基礎研究領域，開源框架、邊緣計算、合成訓練數據是行業大勢。理論算法方面，膠囊網絡、GAN、聯合學習、強化學習仍是重點。

至于AI技術的實際應用，人臉識別、機器翻譯、醫療影像、無人零售、對話機器人等過去的熱點，今年還將會進一步發展。

報告中還特別提到了中國的創業公司、資本力量在人臉識別、無人零售領域的巨大推動作用。

AI技術的25個趨勢

CB Insights提出了2019年AI的25個趨勢，可以分為基礎架構、體系結構和應用場景三個方面。應用場景又可以分為3類：智能預測、自然語言處理與合成、計算機視覺。

這25個趨勢是：

1、開源框架

開源框架讓AI進入門檻更低。

2、邊緣AI

對實時決策的需求推動AI進入“邊緣”。比如人臉識別、自動駕駛讓AI進入手機、汽車進行本地運算，蘋果和英偉達和許多創業公司都在開發人工智能芯片。

3、人臉識別

從解鎖手機到登機航班，面部識別正在成為主流，已用在安全、零售和消費電子領域，面部識別正迅速成為生物認證的主要方式。

4、醫療影像診斷

AI軟件產品的快速監管審批為AI醫療公司開辟了新的商業途徑。在消費者方面，先進的圖像識別技術正在將手機變成功能強大的家用診斷工具。

5、預測性維護

AI加持的IoT可以為企業節省數百萬美元的意外故障費用。預測性維護是指用連續的數據收集來預測設備故障。由于降低了傳感器成本，以及人工智能、邊緣計算的推動，預測性維護已經變得更加廣泛。

6、電子商務搜索

對搜索術語的語境理解正在逐漸走出“實驗階段”。早期的SaaS初創公司正在興起，向第三方零售商銷售搜索技術。

7、膠囊網絡

深度學習推動了如今大多數AI應用，但膠囊網絡（CapsulesNet）很快就會取而代之。與當前的卷積神經網絡（CNN）相比，膠囊網絡具有許多優點。對膠囊網絡的研究還處于起步階段，但可能會挑戰當前最先進的圖像識別方法。

8、下一代假肢

將生物學、物理學和機器學習結合起來。研究人員正在使用機器學習來解碼來自身體傳感器的信號，并將其轉化為移動假肢裝置的命令。今年，該行業將尋求更多發展，包括面向消費者試驗產品。

9、臨床試驗登記

臨床試驗中面臨的困難是如何招募合適的患者。AI可以從醫療記錄中提取信息，與正在進行的研究進行比較，并向醫生和患者提出相關研究建議。

10、生成對抗網絡（GAN）

GAN將改變新聞、媒體、藝術乃至網絡安全的未來。2019年最重要的AI趨勢之一是GAN的進一步發展，和其他應用的溢出效應。

11、聯合學習

使用本地數據集訓練AI可以極大地提高其性能，但用戶數據是私密的。Google的聯合學習方可以在使用這些豐富的數據集的同時保護敏感數據。今年在藥物發現和其他案例中會有更多聯合學習的應用。

12、高級醫療保健生物識別技術

利用神經網絡，研究人員開始研究和測量以前難以量化的非典型風險因素。從視網膜掃描到分析皮膚顏色變化，AI正在解鎖新的診斷方法，并識別以前未知的風險因素。

13、自動索賠處理

保險公司和創業公司正在使用人工智能來計算車主的“風險評分”，分析事故圖像并監控駕駛員行為。人工智能的進步正在改變這項曾經以人為主導的過程，允許更快的索賠結算。

14、反假貨

知名品牌和典當商開始嘗試使用AI。電商和實體店中，AI被用于識別仿冒產品和欺詐性商標侵權。

15、無人零售

到目前為止，亞馬遜Go是唯一一個成功的無人零售商。此外還有防盜、部署成本、庫存損耗等問題需要解決。

16、后臺辦公自動化

AI正在加入自動化管理工作，但不同性質和格式的數據使其成為一項具有挑戰性的任務。不同的部門逐漸采用基于機器學習的工作流程解決方案。

17、語言翻譯

語言翻譯是一個尚未開發的市場機遇。像百度和谷歌這樣的大型科技公司開始在這個領域掀起波瀾。由于大量資源投入到改進翻譯框架，因此機器翻譯的效率和語言能力將得到提高，各行業的采用率也會提高。

18、綜合訓練數據

訪問大型標記數據集是培訓AI算法的必要條件。但對于某些應用程序，訪問足夠的真實數據可能是不可行de 。現實的假數據或合成數據集可以解決這一瓶頸問題。現實世界的數據還可以通過混合AI生成的模擬數據來增強，以創建更大、更多樣化的數據集。

19、強化學習

研究人員正在通過強化學習推動AI的能力界限，但對大量數據集的需求限制了其實際應用。盡管存在挑戰者，但主要參與者正在對該技術進行更多投資，對強化應用的研究正在增加。

20、網絡優化

電信運營商正在準備將基于AI的解決方案集成到5G無線技術中。2019年及以后的AI關鍵趨勢之一是將更多地融入全球電信網絡。

21、自動駕駛汽車

盡管自動駕駛汽車具有巨大的市場機會，但完全實現的時間表仍不明確。例如物流運輸等領域可以看出無人駕駛的早期應用。即使時間表仍不明確，各行各業都在積極投資并采用自動駕駛技術。

22、農作物監測

初創公司和現有企業正在用農作物監測AI來管理殺蟲劑、發現問題，并預測天氣變化如何影響農業。

23、發現網絡威脅

計算能力和算法的進步正在將以前的理論攻擊變成真正的安全問題。對網絡攻擊做出反應已經不夠，機器學習能主動搜尋網絡安全中的潛在威脅。

24、會話AI

對于許多企業來說，聊天機器人成了人工智能的代名詞，但承諾并沒有跟上現實。AI可以改善這些領域的聊天機器人功能，但它仍然是一項特別艱巨的任務。

25、藥物發現

隨著AI生物技術創業公司的興起，傳統制藥公司正在尋求人工智能創業公司減少長期藥物發現周期。雖然這些創業公司中的許多仍處于早期階段，但他們已經擁有一批制藥客戶。

AI技術類別劃分

為了更好的理解AI行業趨勢，CB Insights將AI技術按照工業化程度（Industry Adoption）、市場化程度（Market Strength）兩個維度進行劃分。

工業化程度的衡量標準包括：創業公司的發展速度、媒體關注度、消費者接受度。

市場化程度的衡量標準包括：市場規模、投資者與投資機構的數量和質量、研發投入、收入報告、競爭激烈度、并購與戰略投資等。

按照這兩個維度指數的高低，可以將AI技術分成4類：

實驗性技術（工業化程度低、市場化程度低）、

短暫性技術（工業化程度低、市場化程度高）、

威脅性技術（工業化程度高、市場化程度低）、

成熟性技術（工業化程度高、市場化程度高）。

報告里的中國

CB Insights在報告中多次提到中國，近年來中國在AI的商業應用是全球的風向標。