互聯網還沒+好 機器智能+的時代快要到了

      接下來1萬家初創企業的商業計劃很容易預測：做X然后再加上AI。

―Kevin Kelly

      本來阿蘭?圖靈認為到1950年計算機就會思考。1997年，超級計算機深藍擊敗了國際象棋世界冠軍卡斯帕羅夫。2011年，IBM的Watson成了Jeopardy知識比賽的最好選手。2015年，1輛汽車自行橫跨了美國。

      這些成績的獲得均有賴于機器智能，后者是人工智能、機器學習、深度學習等相干領域的統稱。幾何增長的計算能力、更大的數據、更強的算法，這1波完善風暴推動了這些領域在最近幾年獲得了快速增長。不計其數的機器智能初創企業出現（參見機器智能公司總覽），其中很多隨時準備著要在未來的5到10年時間內改變世界。

      在迄今我見過的團隊和公司里面，最有趣的是結合了機器智能專業知識和像計算機視覺、自然語言或語音辨認之類技術的那些。如果計算性能夠思考，然后再賦予其看、讀或寫的能力，就會有使人冷艷的可能性出現。突然之間，計算機就可以完成各種此前只能由人來處理的事情了。有兩類任務值得斟酌：1是“溝通任務”，2是“視覺任務”。

      溝通任務

      即計算機嘗試學習解釋和制作書寫和口語內容。Summly每天利用自然語言處理（NLP）大概要對20萬篇新聞進行摘要，同時還要為用戶提供個性化的內容流。Siri和Google Now將NLP與語音辨認技術結合，用戶可以口頭發問并收到口頭回答。Viv等正在開發的技術更進1步：他們要做的是賦予計算機會話式的記憶，并且允許追問和澄清。換句話說，這樣的對話才是適合的。

      這類科幻小說1直以來假想的交互模式正在變成商業化的現實。這類創新是基礎性的，由于它讓我們能夠跟沒有自然視覺UI的機器，如汽車、可穿著裝備、機器人或乃至你的房子交互。

      更近1些（1到5年）的機會是對所有目前由人類履行的溝通任務類型進行自動化的可能性。怎樣才能辨認出哪1項任務自動化的條件已成熟了呢？所創造的價值又在哪里呢？要想回答這些問題必須審視那些遵守模式的交互，然后再從中尋覓目前很費時的任務。經過分析，以下滿足上述條件：

      醫療診斷：跟醫生的互動大體上包括1系列癥狀描寫，然后推斷最有可能的疾病。對掌握語言技能的智能計算機來講，這是1種理想的案例。很有可能IBM的Watson很快就會成為全球最好的醫生。它已接觸到了最新的醫療知識，精確且始終如1，理論上可以24小時為每個人服務。

      會議安排：傳統上這屬于秘書和行政助理的角色。我的個人助手叫Amy Ingram。“她”是x.ai的成果結晶，幾近沒有人意想到跟他們對話的不是人。從Claralabs等也能夠取得類似的服務。

      語言學習：想學中文？如果有位講著1口流利普通話的對話火伴就行了，如果他永久都不會介意糾正你的毛病，永久都不會感到厭煩則更佳。要不來1位精通萬國語言的全天候實時翻譯怎樣？

      新聞報導：Narrative  Science等正在訓練計算機寫新聞故事。固然，要寫出像大西洋周刊那樣的觀點文章還欠火候，但是機器人寫賽事結果、財經報導已是信手拈來。

      人員招聘：招聘人員在很大程度上算是應征者與雇主之間基于1組定義好的特性（位置、行業、技能、經驗）進行聯系的中介。期待利用機器智能和NLP來自動辨認和推薦候選者的公司早日出現。固然，其第1場面試也1定是有計算機主持的。

      網上旅行社：flightcentre.com上面幫助你找布拉格的酒店的那位“實時助理”究竟是人還是機器人？如果是在2017年，我已有肯定的答案。

      法律任務：訴訟的取證進程需要許多資格淺的律師梳理堆積如山的文檔來尋覓蛛絲馬跡。像Equivio這樣的組織則結合了機器智能與NLP對這1職能進行自動化，結果是，喝了8杯咖啡的那位幫辦忙到清晨2點還沒弄完的事情早已被計算機弄定，結果不但更加精確，而且它既不用喝咖啡也不用睡覺。

      呼喚中心：呼喚中心的家伙都是經過培訓的，其回答都有腳本支持，針對不同情況作出不同的響應。但是未必所有人都能記得，或有的記得也不遵守。這些情況你應當多多少少都經歷過。如果讓智能計算機利用NLP及語音辨認技術來替換的話就行了。做得好的話其市場范圍是巨大的。    

      視覺任務

      2015年2月，計算機視覺獲得了1項突破：機器眼力比人更高了。說得更確切1點，是指計算機查閱1系列圖片并對其進行分類的精確度已比人要高了。把這類水平的計算機視覺（看的能力）與機器智能（思考能力）結合起來的話，就會有使人著迷的可能性出現。

      有很多工作都需要人看圖象然后對內容進行評估。比如機場安保就是明顯的例子，安保要掃描箱子然后看里面是不是有槍枝等背禁品，又比如放射科醫師，經過5年以上的訓練才能準確通過X光片診斷出疾病。

      我相信，用不了多久讓計算機履行這類任務就將變成現實，結果不但更快更精確而且本錢更低。下述的可能性將會顛覆1個個的行業：

      汽車：自動駕駛汽車是結合計算機視覺與機器學習的最早進案例。

      農業：與其花錢請人開車兜1圈查看做物情況，為何不讓能夠根據衛星圖象監控作物的計算機代辦呢？

      軍事：座艙顯示器及無人機偵測對象并用機器智能自動辨認對方是不是構成要挾（我敢打賭CIA的風投機構在該領域已進行了1堆未宣布的投資……）

      基礎設施：Google的Street View是全球大部份地區的街道圖象。市政部門肯定喜歡這個主張：用算法自動從中找出需要保護的道路和建筑，而不是讓巡查員開車到處找。   

      醫療：檢查皮膚癌為何1定要去見醫生？發張雀斑的圖片過去讓計算機分析1下不就出來了？一樣地，像核磁共振、X光等診斷也應當可以這樣。   

      建筑保護：安檢需要檢查石油管道、煉油廠等有無漏油的地方。是否是可讓帶攝像頭的無人機飛行巡檢然后讓計算機實時分析連續鏡頭？

      巡檢工作有不計其數個垂直領域可以自動化，其中有很多還是相當晦澀難掌握的。KeyMe尋求通過照片來自動化1個60億美元的鎖匠市場。Tractable正在幫助管道工確認管道是不是焊接好了。

      所以傳統行業請留意了，互聯網還沒+好，機器智能+的時期也快要到了。

      文章出自DevStore資訊，歡迎瀏覽更多互聯網新聞（www.devstore.cn ）

生活不易，碼農辛苦
如果您覺得本網站對您的學習有所幫助,可以手機掃描二維碼進行捐贈