人工智能目前有哪些突破？

AI子領域包括：機器學習（ML），自然語言處理（NLP），深度學習（DL），機器人流程自動化（RPA），回歸等等。

過去的一年里人工之智能取得了許多突破，特別是在深度學習方面。例如，AlphaGo Zero能夠自學圍棋、國際象棋，并且可在沒有人工干預的情況下與人類進行游戲。Taco Tron 和百度的DeepVoice生成的語音幾乎與人類語言完全相同。此外，計算機視覺、目標檢測和圖像分割也變得更加精準，甚至在醫(yī)學診斷和生物學研究中可與人類媲美。但是，自然語言處理、聊天機器人以及文本摘要等技術都沒達到預期目標。

·人工智能已經存在很長時間了，新舊事物都在進步，重要的是不能低估公眾意識的力量。當深藍打敗加里·卡斯帕羅夫時，情況就不同了。之前只在電影中看到人類被機器打敗，而現在真實發(fā)生了，這很大程度改變了人們的看法。而我們還有很多應用程序通過人工智能提供商業(yè)價值。

·人工智能不再被視為僅存在于科幻小說中了。大多數科技公司已經了解人工智能對企業(yè)的益處。這使得該技術在過去幾個月里取得了快速發(fā)展，具有了更好的收益能力，以及機器實時改進其學習過程的能力也得到了提高。

·在過去的一年里，我們將重點放在了構建真正的會話型AI上。目前的各種助手不具有處理更復雜和有價值的任務的能力，要想實現則需要人工智能技術。它能夠基于知識進行推理，通過上下文和個性化理解不完整或模糊的語言，人工智能利用并超越了模式匹配，從而實現真正的動態(tài)對話。就像人類還會通過手勢、凝視和以及其他因素進行交流，我們也開始在系統(tǒng)中連接其他服務以及虛擬助手。這就是為什么我們推出了cognitive arbitrator，它通過一個跨越汽車、智能家居和物聯網（IoT）生態(tài)系統(tǒng)的單一接口，無縫地連接和集成了不同的虛擬助理、第三方服務和內容，以完成復雜的任務并增強用戶體驗。因此我們能夠最大限度的為用戶提供獨特的和具有個體差異性地體驗，同時實現了各助手之間各種服務的交互性。這對物聯網生態(tài)系統(tǒng)中的每個個體都是雙贏的，特別是購買使用產品和服務的人。

·AI和ML已經走出實驗室，轉向更主流的應用程序了。人工智能正進入新的章程，而且才剛剛開始。六年前數據科學家的頭銜還不存在，如今已經變得非常專業(yè)化，數據科學家和開發(fā)人員實現了使用人工智能更快更好地完成任務。

·從2000年到2003年，所有的貿易公司都逐步采用了算法交易。在過去的幾年里，由于應用程序需求的增加，機器學習獲得了快速發(fā)展。在一些需要創(chuàng)造性的情境中，人工智能正在取代人類，因為機器可以根據新的信號來源和大量數據自行做出決定。

·從技術上講，過去一年里，由于開發(fā)人員開始利用處理能力加速應用程序的發(fā)展，使得基于GPU的服務器變得司空見慣。像谷歌的TPU這樣的專業(yè)處理器開始出現，而它的競爭對手云服務提供商正在合作開發(fā)一個開源的深度學習庫。此外，也從大數據和點工具（如Hadoop和Spark）開始穩(wěn)步過渡到使用人工智能和神經網絡的更廣泛的數據分析類。ML通過使用大型不同的數據集，以及將算法智能應用到分析中來縮小這些方法之間的差距。而學習算法的自學能力還處于初級狀態(tài)，人工智能在我們的生活中的地位日益增加，產品和服務推薦引擎和圖像處理系統(tǒng)得到了顯著改善，人工智能產生了許多新職業(yè)。該領域的創(chuàng)新步伐正在迅速加快。

·AI和ML的概念是云計算的關鍵要素，但這只有在用戶掌握數據的情況下才行得通。通過ML實現的自動化程序提高了企業(yè)員工的工作效率，而且隨著員工對人工智能工具越來越熟悉，這種自動化程度還會越來越高。此外，簡化數據集成的工作正在興起，尤其是企業(yè)希望能夠從數據中獲取更多有用信息，對預測分析的日益關注使企業(yè)能夠將實時數據轉化為行動指南。

·人工智能并不是新鮮事物，但它的復興是由于能夠處理所需數據以及數據速度和類型。信息是大量且雜亂的，需要使用人工智能從中獲取有用信息與數據。但問題是，他們無法完全掌控周圍的數據。

·人工智能在過去一年里發(fā)生了戲劇性的演變，主要原因有兩個：1）所有的企業(yè)都在迅速進行數字化轉型。2）新業(yè)務和操作數據集的引入速度，以及它們提升了對人工智能自動化業(yè)務和操作活動的需求。人工智能的需求已經從“最好具備”發(fā)展到“必須擁有”。決策者認識到實施人工智能才能使業(yè)務取得更大成功，所以人工智能現在是每個公司首席信息官和首席財務官議程上的一個關鍵項目。

·各種大肆的宣傳傳遞了一個內容，那就是人工智能的趨勢還會繼續(xù)。機器學習的民主化在于普通工程師就能使用它。跟一年前相比，現在軟件工程師可以更簡單的做出有趣的ML。由于有更低成本的硬件、可用的數據、遷移學習的技術，使你不必成為超級專業(yè)博士，就可以成為了解自己的數據，控制數據的主題專家，從而將所學內容實現商業(yè)化價值。

·拐點：之前人們逐漸意識到生產問題的嚴重性，例如數據科學家的短缺問題。為了解決這個問題，現在有大量的在線教育，以及大學開設了數據科學課程。所以實現了全民數據科學家，而且有了自動化ML的趨勢：機器自動輔助算法做出選擇。

·他們在沒有云計算的技能集，也沒有數據科學家的情況下。多年來一直研究如何在邊緣設備上實現更智能的計算。通過語義智能ML，可以使邊緣設備變得更加智能。我們能讓這些邊緣設備系統(tǒng)做一些記憶任務嗎？當然可以，這需要更多樣化的設備部署，以及將實例化數字角色和應用程序融合到組分模型中。從而使語義更加豐富。