誕生于科技與學術界的人工智能（AI）和機器學習（ML）已經(jīng)逐漸滲透，并進入企業(yè)和商業(yè)的模式體系中。
越來越多公司正嘗試引入人工智能解決方案，如聊天機器人和虛擬助手。
2016-2021年各大洲依靠AI可實現(xiàn)的年復合增長率：
企業(yè)希望通過AI實現(xiàn)的三大效益：提高員工生產(chǎn)力、升級自動化流程、獲得新的運營洞察
新的一年，Entrepreneur總結了一份企業(yè)家在2018年應當關注的AI趨勢清單：
AI內容創(chuàng)建（AI Content Creation）
隨著自然語言生成（NLG）和自然語言處理（NLP）的新發(fā)展，2018年大數(shù)據(jù)及數(shù)據(jù)分析將變得更人性化。利用Automated Insights、Wordsmith等有內在規(guī)則的系統(tǒng)，媒體和公司可以在將結構化數(shù)據(jù)轉化為基于自然語言的智能敘述。
即便是數(shù)據(jù)科學團隊以外的人，也可以“讀懂”相關數(shù)據(jù)，這將使人工智能和大數(shù)據(jù)進一步更普及，并且新的見解也將更快的速度誕生和傳播。社交媒體、市場營銷、體育競賽、財務報告等方方面面都實現(xiàn)了自動內容生成。在即將到來的一年里，自動化內容生成可能會在新聞報道和營銷方面獲得更多的推動力，幫助企業(yè)通過為受眾和客戶創(chuàng)建相關內容，對新興趨勢、新聞和事件做出即時回應。
“膠囊AI”誕生（The Rise of Capsules AI）
Capsule網(wǎng)絡（CapsNet）是Google首席科學家Geoffrey Hinton在最近一篇論文中提出的一種新的深度神經(jīng)網(wǎng)絡形式。簡而言之，這種方法旨在克服CNN（卷積神經(jīng)網(wǎng)絡）多年來一直是圖像識別事實上的標準的缺陷——當反饋的圖像與訓練期間使用的圖像相似時，CNN很高效；但是，如果要求識別具有旋轉、傾斜或錯位元素的圖像，則CNN的性能較差。
相反，膠囊網(wǎng)絡解釋了圖形元素之間的空間關系，并且理解了人類直觀地掌握的自然幾何圖案。
評論家預測膠囊網(wǎng)絡將成為圖像識別和計算機視覺領域的下一個重大突破。特別是——新的膠囊網(wǎng)絡將大大勝過CNN和其他圖像識別模型，并將能夠抵制旨在欺騙神經(jīng)網(wǎng)絡的白盒敵對攻擊。
離散化AI（Decentralized AI）
直到目前，機器學習模型的訓練大多都是在遠程云集群上集中進行的。人工智能公司不得不手動收集大量的訓練數(shù)據(jù)集，并將它們提供給配備有用于機器學習的專用硬件（例如GPU）的數(shù)據(jù)中心中運行的ML算法。這種集中模式的主要缺點是難以對人工智能軟件進行滾動更新，并使用用戶和應用程序產(chǎn)生的不斷輸入數(shù)據(jù)流來持續(xù)進行培訓。
但是，2017年4月，Google宣布在其Android鍵盤Gboard中使用新的聯(lián)合學習方法時，這些問題將產(chǎn)生決定性的改變。這種新穎的方法使移動用戶能夠與Android設備上的用戶數(shù)據(jù)協(xié)作訓練共享ML模型。聯(lián)合學習的真正目的是通過在設備上直接使用AI模型，為數(shù)百萬移動用戶進行眾包ML培訓。將AI培訓移動到移動設備可以幫助解決集中學習中涉及的高延遲和低吞吐量連接問題。
隨著邊緣計算的發(fā)展，分散式人工智能也可以聚集起來，將遠程云應用的密集計算轉移到數(shù)字設備感知和收集信息的前沿計算中。
將數(shù)據(jù)處理和分析移動到“現(xiàn)場”解決了與通過網(wǎng)絡發(fā)送數(shù)據(jù)相關的高延遲和低吞吐量的問題。
利用AI對無人駕駛汽車及無人機而言十分重要，它們需要在沒有網(wǎng)絡連接的情況下進行實時深度學習，以避免網(wǎng)絡故障帶來的災難性甚至是致命的后果。
為了彌補人工智能領域存在的差距，像Movidius（2016年被英特爾收購）的公司正在開發(fā)AI協(xié)處理器和邊緣神經(jīng)網(wǎng)絡，用于無人機和智能熱像儀的障礙物導航。
未來的一年，我們可能會看到更多的低功耗計算機視覺和圖像信號硬件和軟件的創(chuàng)新，它們可以專門用于AI在安全攝像頭和無人機等前沿設備上的集成。
AI為杠桿的離線數(shù)據(jù) （AI Leveraging Offline Data）
在線生成的數(shù)據(jù)是目前數(shù)據(jù)分析和基于人工智能的解決方案的主要數(shù)據(jù)來源之一。然而，像亞馬遜這樣的大型零售商已經(jīng)進入了一個由數(shù)字設備（例如商店和商場的傳感器和執(zhí)行器）收集的離線數(shù)據(jù)的未知領域。
在亞馬遜Go雜貨店，這些設備會跟蹤了客戶動向，看看客戶與產(chǎn)品交互的時間。亞馬遜傳感器收集的數(shù)據(jù)存儲在Android應用程序和亞馬遜賬戶中，這些賬戶需要在Amazon Go商店中購物。這樣，亞馬遜就積累了大量有關消費者的數(shù)據(jù)。
使用這些數(shù)據(jù)，人工智能算法可以獲得有關消費者偏好和行為的見解，從而創(chuàng)建自動定價機制，并引入更高效的營銷，產(chǎn)品布局和銷售策略。
離線數(shù)據(jù)的來源不限于雜貨店。使用無人機和物聯(lián)網(wǎng)，人工智能公司將逐漸將我們生活的整個物理空間轉變成ML算法和模型的巨大數(shù)據(jù)源。
設備嵌入式AI興起：核心ML（The Rise of On-device AI: Core ML）
由于電池功率的限制和移動計算能力的限制，在移動設備上運行AI軟件或訓練ML算法被視為一大挑戰(zhàn)。
但轉折點是——在2017年，我們目睹了蘋果公司為iOS 11設計的ML文庫CoreML推出的設備和移動AI。
CoreML附帶了各種訓練好的ML模型（例如用于圖像識別，文本檢測，圖像配準和對象跟蹤），可以很容易地集成到iOS應用程序中。技術優(yōu)化后，可以使設備擁有高效的性能。iOS開發(fā)人員正在進一步完善技術，這將使得AI/ML應用程序在2018年成為移動設備的主流。
目前的創(chuàng)新速度使得人們幾乎不可能把握AI的全部趨勢，但理解AI和機器學習適用性，在2018年將對企業(yè)產(chǎn)生重要的影響。
