今天汽車互聯(lián)網(wǎng)為大家?guī)韮|歐智庫的《人工智能產(chǎn)業(yè)綜述報告》。報告主要分為四大版塊：回顧人工智能發(fā)展的路線圖、冷靜審視技術(shù)的本質(zhì)、挖掘技術(shù)落地具體市場的機遇和挑戰(zhàn)、以及附錄了218位主要中國企業(yè)核心AI人才的圖譜。
1 回顧人工智能發(fā)展的路線圖
2016年是人工智能發(fā)展的一個重要拐點，是更快更強的計算力和爆炸式增長的數(shù)據(jù)庫將深度學習推到了鎂光燈之下。不夸張的說，人工智能已經(jīng)成為了流行文化甚至是政治話語的前沿，但我們也推測，很有可能人工智能在下一個路口就步入了輿論的冬季。
2 冷靜審視人工智能技術(shù)的本質(zhì)
2.1 總覽人工智能技術(shù)圖譜；
基礎(chǔ)支撐層的算法創(chuàng)新發(fā)生在上世紀80年代末，是大數(shù)據(jù)和計算力將人工智能推到鎂光燈之下，而建立在這之上的基礎(chǔ)技術(shù)便是計算機視覺、語音識別和自然語言理解，機器試圖看懂、聽懂人類的世界、用人類的語言和人類進行交流，研究人類智能活動的規(guī)律。
2.2 計算機視覺技術(shù)模式圖和對應(yīng)企業(yè)圖；
計算機視覺是一門研究如何讓機器“看”的科學，更進一步的說，是指用計算機代替人眼對目標進行識別、跟蹤和測量的機器視覺，并進一步做圖形處理，使計算機處理成為更適合人眼觀察或傳送給儀器檢測的圖像。目前世界上圖像識別最大的數(shù)據(jù)庫，是斯坦福大學人工智能實驗室提供的ImageNet，而針對諸如醫(yī)療等細分領(lǐng)域還需要收集相應(yīng)的訓(xùn)練數(shù)據(jù)；Google、Microsoft此類科技巨頭會面向市場提供開源算法框架，為初創(chuàng)視覺識別公司提供初級算法。
2.3 語音識別技術(shù)模式圖和對應(yīng)企業(yè)圖；
語音識別是以語音為研究對象，通過信號處理和識別技術(shù)讓機器自動識別和理解人類口述的語言后，將語音信號轉(zhuǎn)換為相應(yīng)的文本或命令的一門技術(shù)。由語音識別和語音合成、自然語言理解、語義網(wǎng)絡(luò)等技術(shù)相結(jié)合的語音交互正在逐步成為當前多通道、多媒體智能人機交互的主要方式。
2.4 自然語言理解的應(yīng)用：搜索引擎和機器翻譯；
自然語言理解即文本理解，和語音圖像的模式識別技術(shù)有著本質(zhì)的區(qū)別，語言作為知識的載體，承載了復(fù)雜的信息量，具有高度的抽象性，對語言的理解屬于認知層面，不能僅靠模式匹配的方式完成。
得益于互聯(lián)網(wǎng)將線下信息在線化還衍生出UGC模式為自然語言理解技術(shù)的發(fā)展充實了語料庫，但鑒于深度學習采用的層次結(jié)構(gòu)從大規(guī)模數(shù)據(jù)中自發(fā)學習的黑盒子模式是不可解釋的，而以語言為媒介的人與人之間的溝通應(yīng)該要建立在相互理解的基礎(chǔ)上的，所以深度學習在搜索引擎和機器翻譯上的效用沒有語音圖像識別來得顯著。
3 人工智能技術(shù)落地具體市場的機遇和挑戰(zhàn)
追溯本質(zhì)來講，人工智能是一項降本增效、賦能產(chǎn)業(yè)升級的工具，不同的是它在各行各業(yè)所受到的關(guān)注度——或過度的追捧，或悄無聲息?？傮w來看，億歐智庫在“醫(yī)療”、“金融”和“出行”這三個領(lǐng)域都看到了降本增效的可能性，看到了這些市場的變革關(guān)乎著普羅大眾的迫切需求，也看到這些變革的背后所帶來的潛力效應(yīng)。
3.1 智能醫(yī)療
基層的訴求是“加工資、快下班”、“看病貴、看病難”，從長期來看訴求得不到滿足的原因出在“大數(shù)據(jù)沒能共享”、“醫(yī)療信息未能標準化”，但要解決醫(yī)療的根本問題，便會牽扯出其背后龐雜的利益網(wǎng)等棘手問題，醫(yī)療智能化依然崎嶇。
3.2 智能投顧
投資者需要投資顧問幫忙做“情緒管理”和給予一定的“投資策略/建議”。AI在“數(shù)據(jù)搜索”和“自動生成報告”的具體應(yīng)用中輔助投顧做到量化交易?？傮w來看，AI輔助智能投顧降低了投資的門檻，吸納了更大規(guī)模的投資群體。但在智能投顧領(lǐng)域計算機也還無法完全替代人類，在一些關(guān)鍵時刻還是需要依靠專業(yè)經(jīng)驗來做決策。而從AI涉略的投資策略/建議環(huán)節(jié)來看，人工智能所能替代的只是初級的信息收集與處理等基礎(chǔ)工作，運用大數(shù)據(jù)獨立做投資決策更多是一個概念，成熟市場很少這樣操作。在許多金融科技從業(yè)者看來，重視AI但遠未到委以重任的地步。
3.3 無人駕駛
無人駕駛的演進，是一個人類逐步交出操控權(quán)、提高安全系數(shù)的過程。算法給無人駕駛技術(shù)的感知和決策層做底層支撐，應(yīng)對動態(tài)障礙物的跟蹤檢測。
在感知層面，深度學習主要對攝像頭和雷達收集到的局部數(shù)據(jù)（結(jié)合全局數(shù)據(jù)）做處理，基于動態(tài)圖像極大的豐富信息以及難以手工建模的特性，深度學習能最大限度發(fā)揮其優(yōu)勢。
在決策層面，為了在行駛過程中避免與動態(tài)障礙物發(fā)生碰撞，無人駕駛系統(tǒng)需要算法的輔助來做到：
1、檢測出對行駛有影響的動態(tài)障礙物并對其位置變化進行跟蹤；
2、預(yù)測出其動態(tài)障礙物的運動路徑；
3、識別動態(tài)障礙物的種類。
但即使最好的汽車安全科技也不能確保挽救每一條性命。對于安全科技效用的限制在于人們使用（或不使用它）的方式。
在輔助駕駛?cè)祟惡蜋C器共同控制的模式之下，存在共同過失判斷難的問題。其實從輔助駕駛向部分無人駕駛、完全無人駕駛過渡過程中，交通事故責任出現(xiàn)一種由人類轉(zhuǎn)向汽車制造商的趨勢，那么出于對龐大法律責任的考慮，無人駕駛汽車制造商可能因為安全隱患而考慮限制汽車能力，最后導(dǎo)致高新科技無法充分地投入社會中。歸根結(jié)底無人駕駛汽車最后能否順利進入社會與否，并非取決于技術(shù)成熟度，而是同時由下而上的社會接受度與由上而下的政策、立法管制考慮。
——編者按
】
聯(lián)系客服
