近日，CBInsights宣布申報《2018人工智能趨向瞻望》（Top AI Trends To Watch In 2018），提出了13項2018年人工智能值得存眷的成長趨向。本文將基于這份申報的內容，依據部門具有前瞻性的洞察和不雅點停止解讀，并合營現實案例以便更好地輿解。

1、新型制作業崗亭“機械人保母”

盡人皆知，蓬勃國度從休息密集型家當向技巧密集型家當轉型進程中，會將低端和中端制作業外包給休息力本錢較低的成長中國度。中國正在閱歷這一進程，例如服裝網www.vhao.net市場中曾經涌現了“Made in Vietnam”或“Made in Thailand”。但是，跟著工業機械人技巧的提高和應用，外包不再是獨一選擇，蓬勃國度當地臨盆的本錢變得更低，美國制作業雇員人數正在上升。

（美國制作業雇員人數年際變更）

中國服裝網www.vhao.net制作商天元服裝網www.vhao.net公司在美國阿肯色州小石頭城設立工場，應用由格魯吉亞的創業企業SoftWear Automation開辟的縫紉機機械人，來為Adidas臨盆服裝網www.vhao.net。2017年，天元服裝網www.vhao.net公司與阿肯色州簽訂協作協定，在其工場雇傭400名員工，擔任機械人的操作和保護，每人時薪14美元。當愈來愈多沉重的臨盆任務將由機械人來完成時，人類將從事更高級的任務——機械人保母。

但是，賡續變更的花費者偏好障礙了全主動化的成長，在亞馬遜高度主動化的倉庫可以或許反應這一點。亞馬遜的協作型倉庫機械人履行年夜量沉重的任務，而一些奧妙的義務仍須要工人完成，好比從貨架上遴選物品，并將它們分紅零丁的定單。

另外，在“非構造化”情況中，機械人在抓取、拾取和處置項目方面依然不敷完善。亞馬遜曾經在各類倉庫中應用了10萬多臺機械人，但同時也發明了數千個新的任務崗亭。

2、國防的將來取決于AI

世界的疆場正在向數據中間轉移。早在2014年，亞馬遜就為美國中心諜報局樹立了定制云盤算辦事，知足其對敏感數據的嚴厲監管請求。在2017年第四時度，亞馬遜云盤算辦事平臺AWS向諜報機構之外的其他當局機構開放了對象和辦事。亞馬遜還收買了兩家收集平安公司，Harvest.ai和Sqrrl，用于掩護云中的敏感數據。不論是亞馬遜，照樣為當局客戶供給辦事的新公司，人工智能將成為當局支撐下的收集平安支柱。

在暗斗時代，列國當局都在議論他們的“導彈差距”，或許他們在核彈頭方面絕對于敵手的優勢。如今，列國當局在收集才能方面的差距愈來愈年夜。是以，收集平安與傳統進攻的世界正在融會。

在曩昔5年里，共有134家始創AI收集平安公司在取得36.5億美元的私募股權融資。客歲，約有34家公司初次融資，在Cybereason、CrowdStrike、Cylance和Tanium等年夜公司主導的市場中競爭，每家公司的估值約為9億美元。

（AI收集平安創業公司進入由獨角獸掌握市場的階段）

乃至像埃森哲如許的傳統征詢公司，也一向在擴展其在收集平安范疇的技巧，以更好地辦事于當局客戶。一個值得留意的生意業務是始創公司Endgame，它有像美國空軍如許的客戶。Endgame將其當局辦事部分出售給了埃森哲。

2016年，美國諜報界的風投公司In-Q-Tel贊助了Anomali、Interset和Cylance。英國的Darktrace公司宣稱其收集平安體系在全球跨越3000個區域停止了安排，個中包括當局。總部位于美國科羅拉多州的Logrhythm公司與美國空軍、美國航空航天局和國防承包商雷神公司協作。

其他國防承包商也在停止投資。洛克希德·馬丁公司是Cybereason （今朝公司估值跨越9億美元）的晚期投資者。在2017年，波音公司投資了德克薩斯的收集平安始創公司SparkCognition。

3、白領崗亭主動化加快

AI專業主動化和加強軟件平臺，正在晉升著臨盆效力，并威逼著愈來愈多的白領階級。上面的企業圖譜，凸起展現了一些始創公司的專業主動化和加強軟件，這些范疇包含律師、記者、財富治理人員、生意業務員和征詢師等多個行業。

（EAAS企業圖譜）

例如，人工智能有偉大的潛力來削減時光和進步司法任務的效力。在訴訟方面，天然說話處置可以在幾分鐘內整頓出數千頁的司法文件，而這項義務能夠須要一位人類任務人員消耗幾地利間能力完成。同時，機械也下降了失足的幾率。跟著人工智能平臺變得加倍高效和貿易化，這將影響到按小時免費的內部律師事務所的免費構造。

法式員的任務也不克不及幸免。一些始創公司專注于開辟AI體系，用于軟件測試、調試和基本前端開辟。客歲最熱點的一款產物是英國的DiffBlue公司，該公司正在開辟AI體系完成主動編碼義務，包含bug修復、自界說代碼開辟和將代碼從一種編程說話轉換到另外一種編程說話等等。

4、膠囊收集：CNNs的“交班人”？

最近幾年，卷積神經收集（CNNs）是深度進修中很風行的一項技巧。但是，一項新算法“膠囊收集”涌現，并無望在多個方面勝過CNNs。CNNs雖然獲得了必定的勝利，但其缺點能夠招致機能缺乏乃至平安破綻。研討人員正在尋覓改良人工智能算法和戰勝這些缺點的辦法。下圖展現了一個典范的案例，一個CNNs收集固然可以或許辨認出人臉特點，但卻將第二幅圖象誤以為也是一張人臉。

（CNNs缺點）

Geoffrey Hinton于2017年揭橥了一篇研討論文，引見了“膠囊收集”的概念，也稱為CapsNet。論文正在審查階段，還須要在現實場景下停止測試，但這一新聞曾經在媒體和科技界惹起了很年夜反應。膠囊收集可以或許更輕易地辨認出當人臉的特點（如地位）被從新分列時，則不再是一張人臉。

（capsule networks優勢）

另外，CNNs沒法處置分歧的輸出數據變更。例如，研討者必需從分歧角度或視角對統一對象的圖象停止練習，以肯定一切的變更。是以，它須要年夜量的練習數據來涵蓋一切能夠的變更。Hinton宣稱，膠囊收集在這方面的表示優于CNNs，它們僅須要較少的練習數據，而且在不須要對各類變更情形停止詳實練習的情形下，斟酌對象的絕對地位和偏向。