人工智能行業(yè)25大趨勢(shì)

1 、 開源框架（ Open-Source Frameworks ）
人工智能的進(jìn)入門檻比以往任何時(shí)候都低，這要?dú)w功于開源軟件。 2015 年谷歌開放了其機(jī)器學(xué)習(xí)庫 TensorFlow ，越來越多的公司，包括 Coca-Cola 、 e Bay 等開始使用 TensorFlow 。 2017 年 Facebook 發(fā)布 caffe2 和 Py Torch （ Python 的開源機(jī)器學(xué)習(xí)平臺(tái)） ， 而 Theano 是蒙特利爾學(xué)習(xí)算法研究所 (Mila) 的另一個(gè)開源庫 ， 隨著這些工具 的使用 越來越廣泛， Mila 公司已經(jīng)停止了對(duì) Theano 的開發(fā)。

2、 膠囊網(wǎng)絡(luò) (Capsule Networks)
眾所周知，深入學(xué)習(xí)（ Deep Learning ）推動(dòng)了今天的大多數(shù)人工智能應(yīng)用，而膠囊網(wǎng)絡(luò)（ capsule networks ）的出現(xiàn)可能會(huì)使其改頭換面。深入學(xué)習(xí)界領(lǐng)航人 Geoffrey Hinton 在其 2011 年發(fā)布的論文中提到“膠囊”這個(gè)概念，于 2017 年 -2018 年論文中提出“膠囊網(wǎng)絡(luò)”概念。針對(duì)當(dāng)今深度學(xué)習(xí)中最流行的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之一：卷積神經(jīng)網(wǎng)絡(luò) (CNN) ， Hinton 指出其存在諸多不足 ， CNN 在面對(duì)精確的空間關(guān)系方面就會(huì)暴露其缺陷。比如將人臉圖像中嘴巴的位置放置在額頭上面， CNN 仍會(huì)將其辨識(shí)為人臉。 CNN 的另一個(gè)主要問題是無法理解新的觀點(diǎn)。黑客可以通過制造一些細(xì)微變化來混淆 CNN 的判斷。經(jīng)測(cè)試，膠囊網(wǎng)絡(luò)可以對(duì)抗一些復(fù)雜的對(duì)抗性攻擊，比如篡改圖像以混淆算法，且優(yōu)于 CNN 。膠囊網(wǎng)絡(luò)的研究雖然目前還處于起步階段，但可能會(huì)對(duì)目前最先進(jìn)的圖像識(shí)別方法提出挑戰(zhàn)。

3、 生成式對(duì)抗網(wǎng)絡(luò) (Generative Adversarial Networks)
2014 年，谷歌研究員 Ian Goodfellow 提出“生成式對(duì)抗網(wǎng)絡(luò)”（ GAN ）概念，利用“ AI VS AI ”概念，提出兩個(gè)神經(jīng)網(wǎng)絡(luò)：生成器和鑒別器。谷歌 DeepMind 實(shí)習(xí)生 Andrew Brock 與其他研究人員一起合作，對(duì) Gans 進(jìn)行了大規(guī)模數(shù)據(jù)集的培訓(xùn)，以創(chuàng)建“ BigGANs ”。 GANs 面對(duì)的主要挑戰(zhàn)就是計(jì)算能力，對(duì)于 AI 硬件來說必須是并行縮放。研究人員用 GANs 進(jìn)行“面對(duì)面翻譯”，還有利用 GANs 將視頻變成漫畫形式，或者直接進(jìn)行繪畫創(chuàng)作等 ， 但 GANs 也被一些不懷好意的人利用，包括制作假的政治錄像和變形的色情制品。


4 、 聯(lián)合學(xué)習(xí) (Federated Learnnig)
我們每天使用手機(jī)或平板會(huì)產(chǎn)生大量數(shù)據(jù)信息，使用我們的本地?cái)?shù)據(jù)集來訓(xùn)練 AI 算法可以極大地提高它們的性能，但用戶信息是非常私人和隱秘的。谷歌研發(fā)的聯(lián)合學(xué)習(xí)（ Federated Learning ）方法旨在使用這個(gè)豐富的數(shù)據(jù)集，但同時(shí)保護(hù)敏感數(shù)據(jù)。谷歌正在其名為 Gboard 的 Android 鍵盤上測(cè)試聯(lián)合學(xué)習(xí)。聯(lián)合學(xué)習(xí)方法與其他算法的不同在于考慮了兩個(gè)特征：非獨(dú)立恒等分布（ Non-IID ）和不均衡性（ Unbalanced ）。聯(lián)合學(xué)習(xí)已運(yùn)用于搜索引擎 Firefox 、人工智能創(chuàng)業(yè)公司 OWKIN 等。

5 、 強(qiáng)化學(xué)習(xí) (Reinforcement Learning)
當(dāng)谷歌 DeepMind 研發(fā)的 AlphaGo 在中國圍棋游戲中擊敗世界冠軍后，強(qiáng)化學(xué)習(xí)（ Reinforcement Learning ）獲得了廣泛關(guān)注。基于強(qiáng)化學(xué)習(xí)， DeepMind 接著又研發(fā)了 AlphaGo Zero 。 UC Berkeley 研究人員利用計(jì)算機(jī)視覺和強(qiáng)化學(xué)習(xí)來教授 YouTube 視頻中的算法雜技技能。盡管取得了進(jìn)步，但強(qiáng)化學(xué)習(xí)與當(dāng)今最流行的人工智能范式監(jiān)督學(xué)習(xí)相比，還算不上成功 ， 不過關(guān)于申請(qǐng)強(qiáng)化學(xué)習(xí)的研究越來越多，包括 Microsoft ， Adobe ， FANUC 等。
2025 年自動(dòng)駕駛利潤達(dá) 800 億美元 物流率先應(yīng)用

6 、 人工智能終端化
人工智能技術(shù)快速迭代，正經(jīng)歷從云端到終端的過程 ， 人工智能終端化能夠更好更快地幫助我們處理信息，解決問題 ， 我們舍棄了使用云端控制的方法，而是將 AI 算法加載于終端設(shè)備上（如智能手機(jī)，汽車，甚至 衣服 上）。英偉達(dá)（ NVIDIA ），高通（ Qualcomm ）還有蘋果（ Apple ）等諸多公司加入了對(duì)終端側(cè)人工智能領(lǐng)域的突破和探索， 2017 和 2018 年是眾多科技公司在人工智能終端化進(jìn)入快速發(fā)展期的兩年，同時(shí)他們也在加緊對(duì)人工智能芯片的研發(fā)。但 AI 依然面臨著儲(chǔ)存和開發(fā)上的困境，亟需更豐富的混合模型連接終端設(shè)備與中央服務(wù)器。

7 、 人臉識(shí)別
從手機(jī)解鎖到航班登機(jī)，人臉識(shí)別的應(yīng)用范圍愈發(fā)廣泛 ， 各國對(duì)于人臉識(shí)別的需求逐漸升高，不少創(chuàng)業(yè)公司開始關(guān)注這一領(lǐng)域 ， 利用該技術(shù)， 可以 通過臉部特點(diǎn)從而還原蒙面嫌疑犯完整的人臉。但人臉識(shí)別仍有待改進(jìn) 。 這一技術(shù)仍會(huì)對(duì)人臉真假存在誤判 。 人臉識(shí)別中所包含的數(shù)據(jù)遠(yuǎn)比我們想象要多，其中的安全問題也應(yīng)引起我們關(guān)注。

8 、 語言處理
自然語言處理（ NLP ）是人工智能的一個(gè)子領(lǐng)域，對(duì)于翻譯技術(shù)而言， NLP 就像一個(gè)潘多拉魔盒——除了豐富的市場(chǎng)機(jī)會(huì)，還有巨大的挑戰(zhàn)。機(jī)器翻譯就是其中一個(gè)等待開發(fā)的寶庫，從后臺(tái)自動(dòng)化，客戶支持，到新聞媒體，其應(yīng)用廣泛。人機(jī)共生也是翻譯領(lǐng)域未來的大方向，不少初創(chuàng)公司也期待從中分一杯羹 ， 但要完成基于自然語言處理工作的翻譯系統(tǒng)并不容易，單單中文里的各種方言和書面語就能把眾多科技公司難住 ， 據(jù)相關(guān)數(shù)據(jù)顯示，除了熱門的高資源語言，如中文，阿拉伯語，歐洲語言等，低資源語言和少數(shù)民族語言的開發(fā)和應(yīng)用依然存在缺口。

9 、 車輛自動(dòng)化駕駛
盡管自動(dòng)化駕駛的汽車市場(chǎng)潛力巨大，但實(shí)現(xiàn)全自動(dòng)的未來依然不明朗。自動(dòng)化駕駛成為了科技公司和初創(chuàng)公司互相競爭的新領(lǐng)域，他們?yōu)榇俗⑷氲牟粌H有新的活力，還有大量的投資。投資者對(duì)他們的決定十分樂觀，數(shù)個(gè)自動(dòng)駕駛汽車品牌所獲得的投資總額已超百億 ， 預(yù)計(jì) 2025 年其市場(chǎng)利潤能達(dá) 800 億美元，物流等相關(guān)行業(yè)會(huì)成為首批應(yīng)用全自動(dòng)駕駛的行業(yè)，預(yù)計(jì)可縮減三分之一的成本。

10 、 AI 聊天機(jī)器人
盡管許多人把聊天機(jī)器人看成是 AI 的代名詞，但兩者依然存在差別。如今的 AI 聊天機(jī)器人已經(jīng)進(jìn)化得十分完善，與真人對(duì)話時(shí)甚至還會(huì)應(yīng)用“嗯 ... ”這一類口頭語和停頓，但人們擔(dān)憂這些機(jī)器人的行為過于逼真，開始考慮在對(duì)話時(shí)對(duì)其聊天機(jī)器人的身份進(jìn)行確認(rèn)說明的需要。國外的科技巨頭 FAMGA （ Facebook ， Apple ， Microsoft ， Google 與 Amazon ）以及國內(nèi)的 BAT 都把目光投向了這一領(lǐng)域。AI 診斷前景巨大 制藥巨頭押注 AI 算法

11 、醫(yī)學(xué)成像與診斷
美國食品與藥物管理局 (FDA) 正加速推進(jìn)“ AI 即醫(yī)療設(shè)備”趨勢(shì)。 2018 年 4 月， FDA 批準(zhǔn)了 AI 軟件 IDx-DR ，它可以在不需要專家干預(yù)的情況下篩查糖尿病視網(wǎng)膜病變患者，準(zhǔn)確率超過 87.4% 。 FDA 還批準(zhǔn)了 Viz LVO （可用于分析 CT 掃描結(jié)果以預(yù)測(cè)患者患中風(fēng)危險(xiǎn)）和 Oncology AI 套件（專注于發(fā)現(xiàn)肺部和肝臟病變），監(jiān)管機(jī)構(gòu)的快速審批為 80 多家 AI 成像和診斷公司開辟了新的商業(yè)道路。自 2014 年以來，這些公司共融資 149 筆。
在消費(fèi)者方面，智能手機(jī)的普及和圖像識(shí)別技術(shù)的進(jìn)步正在把手機(jī)變成強(qiáng)大的家庭診斷工具，名為 Dip.Io 的應(yīng)用使用傳統(tǒng)尿液檢測(cè)試紙來監(jiān)測(cè)各種尿路感染。用戶可以用智能手機(jī)給試紙拍照，計(jì)算機(jī)視覺算法會(huì)根據(jù)不同的光照條件和攝像頭質(zhì)量對(duì)結(jié)果進(jìn)行校正。除此之外，許多“ ML 即服務(wù)”平臺(tái)正集成到 FDA 批準(zhǔn)的家庭監(jiān)控設(shè)備中，發(fā)現(xiàn)異常時(shí)即可向醫(yī)生發(fā)出警報(bào)。

12 、下一代假肢
早期的研究正在興起，結(jié)合生物學(xué)、物理學(xué)和機(jī)器學(xué)習(xí)來解決假肢面臨的最困難問題之一，即靈活性。這是個(gè)十分復(fù)雜的問題，比如要讓截肢者能夠在假肢手臂上活動(dòng)單個(gè)手指，需要解碼其背后的大腦和肌肉信號(hào)，并將其轉(zhuǎn)化為機(jī)器人控制指令，這些都需要多學(xué)科配合。最近，研究人員開始使用機(jī)器學(xué)習(xí)來解碼來自人體傳感器的信號(hào)，并將其轉(zhuǎn)換成移動(dòng)假肢設(shè)備指令。

還有些論文探討了新媒介解決方案，比如使用肌電信號(hào) ( 殘肢附近肌肉的電活動(dòng) ) 來激活攝像頭，以及運(yùn)行計(jì)算機(jī)視覺算法來估計(jì)他們面前物體的抓取方式和大小。年度機(jī)器學(xué)習(xí)大會(huì) NeurIPS ’ 18 已經(jīng)發(fā)起“ AI 假肢挑戰(zhàn)賽”，進(jìn)一步突顯了 AI 社區(qū)對(duì)該領(lǐng)域的興趣， 2018 年的挑戰(zhàn)是使用強(qiáng)化學(xué)習(xí)預(yù)測(cè)假肢的性能，有 442 名參與者試圖教 AI 如何跑步，贊助商包括 AWS 、英偉達(dá)以及豐田等。

13 、臨床試驗(yàn)患者招募
臨床試驗(yàn)的最大瓶頸之一是招募合適的患者，蘋果或許能夠解決這個(gè)問題。盡管人們?cè)谂⑨t(yī)療記錄數(shù)字化，但互操作性（在機(jī)構(gòu)和軟件系統(tǒng)之間共享信息的能力）仍是醫(yī)療保健領(lǐng)域最大的問題之一。理想的 AI 解決方案是從患者的病歷中提取相關(guān)信息，并與正在進(jìn)行的試驗(yàn)進(jìn)行比較，為進(jìn)行匹配研究的 AI 軟件提供建議。
然而，像蘋果這樣的科技巨頭已經(jīng)成功地為他們的醫(yī)療保健計(jì)劃引入了合作伙伴，蘋果正在改變醫(yī)療數(shù)據(jù)的流動(dòng)方式，并為 AI 開辟了新的可能性，尤其是圍繞臨床研究人員招募和監(jiān)測(cè)患者的方式。自 2015 年以來，蘋果推出了兩個(gè)開源框架—— ResearchKit 和 CareKit ，以幫助臨床試驗(yàn)招募患者，并遠(yuǎn)程監(jiān)控他們的健康狀況，消除了地理障礙，蘋果還與 Cerner 和 Epic 等流行的 EHR 供應(yīng)商合作，解決互操作性問題。

14 、先進(jìn)醫(yī)療生物識(shí)別技術(shù)
利用神經(jīng)網(wǎng)絡(luò)，研究人員開始研究和測(cè)量以前難以量化的非典型危險(xiǎn)因素，使用神經(jīng)網(wǎng)絡(luò)分析視網(wǎng)膜圖像和語音模式可能有助于識(shí)別心臟病的風(fēng)險(xiǎn)。比如，谷歌的研究人員使用受過訓(xùn)練的視網(wǎng)膜圖像神經(jīng)網(wǎng)絡(luò)來發(fā)現(xiàn)心血管疾病的危險(xiǎn)因素，如年齡、性別和吸煙等，梅奧診所通過分析聲音中的聲學(xué)特征，可以發(fā)現(xiàn)冠心病患者的不同語音特征。
不久的將來，醫(yī)療生物識(shí)別技術(shù)將被用于被動(dòng)監(jiān)控，比如谷歌的專利希望通過膚色或皮膚位移來分析心血管功能，這些傳感器甚至可能被放置在病人浴室的 “感應(yīng)環(huán)境”中，通過識(shí)別手腕和臉頰的皮膚顏色變化，用來確定心臟健康指標(biāo)，如動(dòng)脈僵硬或血壓。亞馬遜也申請(qǐng)了被動(dòng)監(jiān)測(cè)專利，將面部特征識(shí)別與心率分析結(jié)合起來。 AI 發(fā)現(xiàn)模式的能力將繼續(xù)為新的診斷方法和識(shí)別以前未知的危險(xiǎn)因素鋪平道路。

15 、藥物發(fā)現(xiàn)
隨著 AI 生物技術(shù)初創(chuàng)企業(yè)的興起，傳統(tǒng)制藥公司正尋求 AI SaaS 初創(chuàng)企業(yè)為漫長的藥物研發(fā)周期提供創(chuàng)新解決方案。 2018 年 5 月，輝瑞與 XtalPi 建立了戰(zhàn)略合作伙伴關(guān)系，預(yù)測(cè)小分子藥物的性質(zhì)，開發(fā)“基于計(jì)算的理性藥物設(shè)計(jì)”。諾華 (Novartis) 、賽諾菲 (Sanofi) 、葛蘭素史克 (GlaxoSmithKline) 、安進(jìn) (Amgen) 和默克 (Merck) 等頂級(jí)制藥公司，最近幾個(gè)月都宣布與 AI 初創(chuàng)企業(yè)建立合作關(guān)系，以發(fā)現(xiàn)腫瘤和心臟病等領(lǐng)域的新藥。

雖然像遞歸制藥 (Recursion Pharmaceuticals) 這樣的生物技術(shù) AI 公司正在投資 AI 和藥物研發(fā)，傳統(tǒng)制藥公司正在與 AI SaaS 初創(chuàng)公司合作。盡管這些初創(chuàng)公司中有許多仍處于融資的早期階段，但它們已經(jīng)擁有自己的制藥客戶。在藥物研發(fā)階段，成功的衡量標(biāo)準(zhǔn)很少，但制藥公司正把數(shù)百萬美元押在 AI 算法上，以發(fā)現(xiàn)新的治療方案，并改變曠日持久的藥物研發(fā)過程。合成數(shù)據(jù)集用以解決 AI 的數(shù)據(jù)依賴

16 、預(yù)測(cè)性維護(hù)
從制造商到設(shè)備保險(xiǎn)公司， AI-IIoT 可以在在故障損害發(fā)生之前，提出防范措施?，F(xiàn)場(chǎng)和工廠設(shè)備會(huì)產(chǎn)生大量的數(shù)據(jù)，然而，未預(yù)料到的設(shè)備故障是制造業(yè)停機(jī)的主要原因之一。預(yù)測(cè)設(shè)備或單個(gè)部件何時(shí)失效將使資產(chǎn)保險(xiǎn)公司和制造商受益。在預(yù)測(cè)性維護(hù)中，傳感器和智能攝像機(jī)收集來自機(jī)器的連續(xù)數(shù)據(jù)，如溫度、壓力等。實(shí)時(shí)數(shù)據(jù)的數(shù)量和變化形式使機(jī)器學(xué)習(xí)成為 IIoT 不可分割的組成部分。隨著時(shí)間的推移，算法可以在故障發(fā)生之前預(yù)測(cè)可能出現(xiàn)的隱患。隨著工業(yè)傳感器成本的降低、機(jī)器學(xué)習(xí)算法的進(jìn)步，以及對(duì)邊緣計(jì)算的推動(dòng)，預(yù)測(cè)性維護(hù)會(huì)更加廣泛。

17 、后臺(tái)自動(dòng)化
人工智能正在推動(dòng)管理工作走向自動(dòng)化，但數(shù)據(jù)的不同性質(zhì)和格式使其成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。根據(jù)行業(yè)和應(yīng)用程序的不同，自動(dòng)化 “后臺(tái)任務(wù)”的挑戰(zhàn)可能是獨(dú)一無二的，例如，手寫的臨床筆記對(duì)自然語言處理算法來說就是一個(gè)獨(dú)特的挑戰(zhàn)。機(jī)器人過程自動(dòng)化（ RPA ）一直是熱門話題，雖然并非所有的機(jī)器人過程自動(dòng)化都基于機(jī)器學(xué)習(xí)，但許多都開始將圖像識(shí)別和語言處理集成到它們的解決方案中。

18 、綜合訓(xùn)練數(shù)據(jù)
對(duì)于訓(xùn)練人工智能算法來說，訪問大型的、標(biāo)記的數(shù)據(jù)集是必要的，合成數(shù)據(jù)集可能會(huì)成為解決瓶頸問題的關(guān)鍵，人工智能算法依賴數(shù)據(jù)，當(dāng)一些類型的現(xiàn)實(shí)世界數(shù)據(jù)不易被訪問時(shí)，合成數(shù)據(jù)集的用武之地就體現(xiàn)出來，一個(gè)有趣的新興趨勢(shì)是使用 AI 本身來幫助生成更“逼真”的合成圖像來訓(xùn)練 AI ，例如，英偉達(dá)使用生成對(duì)抗網(wǎng)絡(luò)（ GAN ）來創(chuàng)建具有腦腫瘤的假 MRI 圖像。 GAN 被用于“增強(qiáng)”現(xiàn)實(shí)世界數(shù)據(jù)，這意味著 AI 可以通過混合現(xiàn)實(shí)世界和模擬數(shù)據(jù)進(jìn)行訓(xùn)練，以獲得更大更多樣化的數(shù)據(jù)集。此外，機(jī)器人技術(shù)是另一個(gè)可以從高質(zhì)量合成數(shù)據(jù)中獲益的領(lǐng)域。

19 、網(wǎng)絡(luò)優(yōu)化
人工智能正在開始改變電信，電信網(wǎng)絡(luò)優(yōu)化是一套改進(jìn)延遲、帶寬、設(shè)計(jì)或架構(gòu)的技術(shù) ——能以有利方式增加數(shù)據(jù)流的技術(shù)，對(duì)于通信服務(wù)提供商來說，優(yōu)化可以直接轉(zhuǎn)化為更好的客戶體驗(yàn)，除了帶寬限制之外，電信面臨的最大挑戰(zhàn)之一是網(wǎng)絡(luò)延遲，像手機(jī)上的 AR / VR 等應(yīng)用，只有極低的延遲時(shí)間才能達(dá)到最佳的功能。電信運(yùn)營商也在準(zhǔn)備將基于 AI 的解決方案集成到下一代無線技術(shù)中，即 5G ，三星收購了基于 AI 的網(wǎng)絡(luò)和服務(wù)分析初創(chuàng)公司 Zhilabs ，為 5G 時(shí)代做準(zhǔn)備，高通認(rèn)為人工智能邊緣計(jì)算是其 5G 計(jì)劃的重要組成部分（邊緣計(jì)算可減少帶寬限制并與云進(jìn)行頻繁通信，這是 5G 的主要關(guān)注領(lǐng)域）。

20 、網(wǎng)絡(luò)威脅狩獵
對(duì)網(wǎng)絡(luò)攻擊做出反應(yīng)已經(jīng)不夠了，使用機(jī)器學(xué)習(xí)主動(dòng) “搜尋”威脅正在網(wǎng)絡(luò)安全中獲得動(dòng)力。顧名思義，威脅搜尋是主動(dòng)尋找惡意活動(dòng)的做法，而不僅僅是在發(fā)生警報(bào)或違規(guī)后做出反應(yīng)，狩獵開始于對(duì)網(wǎng)絡(luò)中潛在弱點(diǎn)的假設(shè)，以及手動(dòng)和自動(dòng)化工具，以在連續(xù)的迭代過程中測(cè)試假設(shè)，網(wǎng)絡(luò)安全中龐大的數(shù)據(jù)量使機(jī)器學(xué)習(xí)成為流程中不可分割的一部分，威脅狩獵很可能會(huì)獲得更多的動(dòng)力，然而它也面臨著自身的一系列挑戰(zhàn)，比如應(yīng)對(duì)不斷變化的動(dòng)態(tài)環(huán)境和減少誤報(bào)。訓(xùn)練算法 指紋追蹤 人工智能防范假貨

21 、電子商務(wù)搜索
對(duì)搜索詞的上下文理解正在走出 “實(shí)驗(yàn)階段”，但要廣泛采用搜索詞還有很長的路要走，當(dāng)使用電子商務(wù)搜索來顯示相關(guān)結(jié)果時(shí)，使用適當(dāng)?shù)脑獢?shù)據(jù)來描述產(chǎn)品是一個(gè)起點(diǎn)。但是僅僅描述和索引是不夠的，許多用戶用自然語言搜索產(chǎn)品 ( 比如“沒有紐扣的洋紅色襯衫” ) ，或者不知道如何描述他們?cè)趯ふ业纳唐?，這使得電子商務(wù)搜索的自然語言成為一個(gè)挑戰(zhàn)。

22 、汽車索賠處理
保險(xiǎn)公司和初創(chuàng)公司開始使用人工智能來計(jì)算車主的 “風(fēng)險(xiǎn)得分”，分析事故現(xiàn)場(chǎng)的圖像，并監(jiān)控駕駛員的行為， Ant Financial 在其“事故處理系統(tǒng)”中使用深度學(xué)習(xí)算法進(jìn)行圖像處理，過去，車主或司機(jī)會(huì)把他們的車送到“理算師”那里，理算師負(fù)責(zé)檢查車輛的損壞情況，并記錄下詳細(xì)情況，然后將這些信息發(fā)送給汽車保險(xiǎn)公司。如今，圖像處理技術(shù)的進(jìn)步使得人們可以拍下這輛車的照片并將其上傳，神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分析，實(shí)現(xiàn)損傷評(píng)估的自動(dòng)化，另一種方法是對(duì)駕駛員進(jìn)行風(fēng)險(xiǎn)分析，從而影響汽車保險(xiǎn)的實(shí)際定價(jià)模型。

23 、防偽
假貨越來越難被發(fā)現(xiàn)，網(wǎng)購使得購買假貨比以往任何時(shí)候都容易。為了反擊，品牌和典當(dāng)商開始嘗試人工智能，在網(wǎng)絡(luò)世界和現(xiàn)實(shí)世界兩條戰(zhàn)線上與假貨作戰(zhàn)。不過，網(wǎng)上假冒偽劣產(chǎn)品的范圍和規(guī)模龐大復(fù)雜，造假者使用與原始品牌列表非常相似的關(guān)鍵詞和圖片，在假冒網(wǎng)站上銷售假貨，在合法市場(chǎng)上銷售假貨，在社交媒體網(wǎng)站上推廣假貨，隨著 “超級(jí)假貨”或“ aaa 假貨”的興起，用肉眼分辨它們幾乎變得不可能。現(xiàn)在，建立一個(gè)假冒偽劣商品的數(shù)據(jù)庫，提取其特征，并訓(xùn)練人工智能算法來分辨真?zhèn)?，雖是一個(gè)繁瑣的過程，但對(duì)于奢侈品牌和其他高風(fēng)險(xiǎn)零售商來說非常有必要，下一步的解決方案還可能是在實(shí)體商品上識(shí)別或添加獨(dú)特的“指紋”，并通過供應(yīng)鏈對(duì)其進(jìn)行跟蹤。

24 、零售
走進(jìn)一家商店，挑選你想要的東西，然后走出去，這幾乎 “感覺”就像在行竊，人工智能可以杜絕真正的盜竊行為，并讓免結(jié)賬手續(xù)零售變得更加普遍。盜竊一直是美國零售商的一大痛點(diǎn)，然而，當(dāng)你掌握進(jìn)出商店的人，并自動(dòng)向他們收費(fèi)時(shí)，有人入店行竊的可能性就會(huì)降到最低。其余一些需要考慮的事情是如何利用建筑空間，特別是在擁擠的超市，確保攝像機(jī)被最佳地放置來追蹤人和物品。在短期內(nèi)，問題將歸結(jié)為部署成本和由潛在技術(shù)故障造成的庫存損失成本，以及零售商能夠承擔(dān)這些成本和風(fēng)險(xiǎn)的程度。

25 、農(nóng)作物監(jiān)測(cè)
無人機(jī)可以為農(nóng)民繪制農(nóng)田地圖，利用熱成像技術(shù)監(jiān)測(cè)濕度，識(shí)別蟲害作物并噴灑殺蟲劑。

初創(chuàng)公司正專注于為第三方無人機(jī)捕獲的數(shù)據(jù)添加分析。還有人使用計(jì)算機(jī)視覺使地面上的農(nóng)業(yè)設(shè)備變得更智能，按照需要噴灑個(gè)別作物，就會(huì)減少對(duì)非選擇性除草劑的需求，而非選擇性除草劑會(huì)殺死附近的一切，精確噴灑意味著減少除草劑和殺蟲劑的使用量。在實(shí)地調(diào)查之外，利用計(jì)算機(jī)視覺分析衛(wèi)星圖像提供了對(duì)農(nóng)業(yè)實(shí)踐的宏觀理解，地理空間數(shù)據(jù)可以提供關(guān)于全球作物分布模式和氣候變化對(duì)農(nóng)業(yè)影響的信息。