淺析2018人工智能曲線五個(gè)階段的關(guān)鍵技術(shù)

工智能被廣為關(guān)注，但是一些想法恐難達(dá)到預(yù)期。本成熟度曲線將追蹤AI基本趨勢和未來創(chuàng)新，以確定人工智能技術(shù)發(fā)展的范圍、狀態(tài)、價(jià)值和風(fēng)險(xiǎn)。

2018曲線五個(gè)階段的關(guān)鍵技術(shù)

（一）上升階段

1人工智能管理

用預(yù)測模型和算法，指導(dǎo)人工智能的應(yīng)用和使用，優(yōu)化決策權(quán)的分配，確保組織對風(fēng)險(xiǎn)的問責(zé)和投資決策過程的掌控。不論是何種人工智能，數(shù)據(jù)源要真實(shí)可信。為了避免片面的信息，要求匯聚新的、不同的，甚至是矛盾的數(shù)據(jù)與您已經(jīng)使用的數(shù)據(jù)相結(jié)合，以盡量減少人工智能帶來的偏見的風(fēng)險(xiǎn)。

2通用人工智能

通用人工智能也被稱為“強(qiáng)人工智能”。目前的人工智能看起來具有人類一樣的學(xué)習(xí)、推理和適應(yīng)能力，但它們?nèi)狈ΤＷR、智能和廣泛的自我維護(hù)和復(fù)制手段。在人工智能方面取得的實(shí)際進(jìn)展僅限于弱人工智能。如今的人工智能技術(shù)無法被證明具有相當(dāng)于人類智能的能力(對于證明此類智能的測試，缺乏共識本身就是一個(gè)問題)。在某種程度上，有可能制造出一臺接近人類認(rèn)知能力的機(jī)器，但我們很可能要等幾十年才能完成必要的研究和工程。

前沿人工智能技術(shù)正在推動目前被認(rèn)為是“驚人的創(chuàng)新”，包括深度學(xué)習(xí)工具和相關(guān)的自然語言處理能力，這些創(chuàng)新正在做我們以前認(rèn)為技術(shù)做不到的事情。然而，它們通常只是剛剛從實(shí)驗(yàn)室出現(xiàn)的研究工具，而且隨著時(shí)間的推移，我們對工程原理沒有完全的理解，反而了解它們的局限性，針對性制定可行的研發(fā)指導(dǎo)策略。隨著這種好奇心熱度逐漸消退，人們會慢慢開始感到厭煩。

特殊用途的人工智能將對商業(yè)和個(gè)人生活產(chǎn)生巨大的破壞性影響。但是在技術(shù)出現(xiàn)重大突破之前，應(yīng)該忽略任何供應(yīng)商關(guān)于他們的產(chǎn)品具有通用人工智能這一說法，往往是程序員制造的幻覺。在未來10年內(nèi)，通用人工智能不太可能出現(xiàn)。當(dāng)它最終出現(xiàn)時(shí)，它很可能是許多特殊用途人工智能技術(shù)結(jié)合在一起的結(jié)果。

3人工智能開發(fā)工具包

人工智能(AI)開發(fā)工具包是指抽象數(shù)據(jù)平臺、框架和分析庫的應(yīng)用程序和軟件開發(fā)工具包(SDK)，能夠交付軟件工程師啟用的人工智能應(yīng)用程序等。它們涵蓋：云為基礎(chǔ)的人工智能的服務(wù)；用于虛擬助理(例如蘋果Siri、AmazonAlexa和Google助手)的工具包，設(shè)備開發(fā)工具包；以及AI服務(wù)SDK。軟件工程師使用它們，并將AI集成到新的或現(xiàn)有的應(yīng)用程序中。

在過去的18到24個(gè)月中，廠商一直在積極地提供面向開發(fā)人員的AI工具包和SDK。有代表性的產(chǎn)品包括：基于云的人工智能云服務(wù)平臺(例如，GoogleAutoml、AwsSagaker和AzureMLstudio)，用于虛擬助手的工具包(例如，AmazonAlexa技能工具包、AppleSirikit、百度Dueros開放平臺、Google對話框流和Cortana設(shè)備Sdk)設(shè)備開發(fā)工具包(例如microsoftvisionAI)、SDK(例如，蘋果的coreml和GoogleML工具包)。

在所有類別中，供應(yīng)商提供的產(chǎn)品都需要不同的部署考慮，并具有不同的特性覆蓋范圍差異，但我們預(yù)計(jì)，與原生PaaS平臺相比，基于云的AIaas平臺將降低數(shù)據(jù)科學(xué)的復(fù)雜性，從而更有利于開發(fā)人員采用。但是在數(shù)據(jù)準(zhǔn)備、特征甄別、模型選擇和培訓(xùn)、超參數(shù)優(yōu)化和模型部署階段各供應(yīng)商之間差異很大。

AIDeveloper工具包支持如圖像識別(包括人臉和地標(biāo))、文本分析和圖像標(biāo)記。開發(fā)人員還可以在模型運(yùn)行時(shí)部署自定義模型并可選擇地更新云服務(wù)中的模型。設(shè)備開發(fā)工具包將定制硬件設(shè)備與API和SDK放在一起，以鼓勵(lì)平臺開發(fā)人員采用。隨著平臺支持被納入更廣泛的市場產(chǎn)品，直接平臺供應(yīng)商工具包產(chǎn)品將減少。

全球?qū)θ斯ぶ悄艿男枨笫蔷薮蟮?，其增長速度遠(yuǎn)遠(yuǎn)超過了有經(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家單打獨(dú)斗的速度。隨著數(shù)據(jù)產(chǎn)品的不斷成熟，通過輕量級運(yùn)行框架的擴(kuò)展，實(shí)現(xiàn)對以邊緣或以設(shè)備為中心的AI模型的支持。軟件工程師和數(shù)據(jù)科學(xué)家的努力提高了用戶對更廣泛的、基于供應(yīng)商的云平臺產(chǎn)品的吸引力和粘性，包括平臺即服務(wù)(PaaS)。

4知識圖譜

知識圖譜由信息知識編碼為由節(jié)點(diǎn)和鏈接邊組成的網(wǎng)絡(luò)圖中的數(shù)據(jù)，而不是由行和列組成的表。專業(yè)供應(yīng)商正在向新市場提供基于圖形的產(chǎn)品，知名供應(yīng)商正在其平臺和產(chǎn)品中提供這種技術(shù)。

使用自然語言處理(NLP)和相關(guān)的文本分析技術(shù)，知識圖譜非常適合存儲從非結(jié)構(gòu)化資源分析中提取的數(shù)據(jù)。它們還能夠存儲結(jié)構(gòu)化數(shù)據(jù)，包括隱式提供結(jié)構(gòu)和內(nèi)容的元數(shù)據(jù)，編碼支持各種用例的處理的信息。

應(yīng)用程序領(lǐng)導(dǎo)者應(yīng)該使用知識圖譜將不同的概念連接起來，用缺失的信息豐富他們的數(shù)據(jù)。通過圖表分析，可以自動發(fā)現(xiàn)和利用數(shù)字資產(chǎn)、數(shù)據(jù)源、過程交互產(chǎn)生的動態(tài)關(guān)系等。

5神經(jīng)形態(tài)硬件

神經(jīng)形態(tài)硬件包括從概念上受神經(jīng)生物學(xué)體系結(jié)構(gòu)啟發(fā)的半導(dǎo)體器件。神經(jīng)形態(tài)處理器采用非von-Neumann體系結(jié)構(gòu)，并實(shí)現(xiàn)與傳統(tǒng)處理器截然不同的執(zhí)行模型。它們的特點(diǎn)是處理元素簡單，但互連性很高。

神經(jīng)形態(tài)系統(tǒng)處于非常早期的原型階段。IBM已經(jīng)向勞倫斯·利弗莫爾國家實(shí)驗(yàn)室提供了一個(gè)基于TrueNorth的系統(tǒng)。神經(jīng)芯片的尖峰神經(jīng)元自適應(yīng)處理器技術(shù)和惠普企業(yè)的實(shí)驗(yàn)室產(chǎn)品是一些早期產(chǎn)品，英特爾的“Loihi”芯片憑借更高程度的連接性，解決了更廣泛的人工智能工作負(fù)載。高通(Qualcomm)是神經(jīng)形態(tài)處理器的早期代表。

神經(jīng)形態(tài)硬件的部署主要障礙有：GPU比神經(jīng)形態(tài)芯片更容易訪問和編程；神經(jīng)形態(tài)硬件編程需要新的工具和培訓(xùn)方法；互連的復(fù)雜性對半導(dǎo)體制造商創(chuàng)造可行的神經(jīng)形態(tài)設(shè)備提出了挑戰(zhàn)。目前，神經(jīng)形態(tài)硬件還沒有走上深度神經(jīng)網(wǎng)絡(luò)(DNNs)的主流道路，但隨著編程技術(shù)的突破，這種情況可能會發(fā)生變化。

神經(jīng)形態(tài)計(jì)算體系結(jié)構(gòu)可以為深層神經(jīng)網(wǎng)絡(luò)提供極端的性能，因?yàn)樗鼈兊墓ぷ鞴β史浅５停⑶铱赡鼙冉裉觳渴鸬幕贕PU的DNNs系統(tǒng)可以更快地進(jìn)行訓(xùn)練。此外，神經(jīng)形態(tài)體系結(jié)構(gòu)還可以為圖形分析提供支持。今天的大多數(shù)神經(jīng)形態(tài)體系結(jié)構(gòu)沒有被主流采用。然而，這些體系結(jié)構(gòu)在未來五年內(nèi)將變得成熟，并將融合新的機(jī)會。

設(shè)備還可能在邊緣執(zhí)行較低級別的DNN，從而減少帶寬和中央處理限制。我們正處于一個(gè)極其快速的演化周期中，這是由全新的硬件設(shè)計(jì)、實(shí)用的DNN算法和用于訓(xùn)練的系統(tǒng)的大數(shù)據(jù)支持。神經(jīng)形態(tài)設(shè)備有可能將DNN的觸角進(jìn)一步推向網(wǎng)絡(luò)的邊緣。

6人工智能（AI）相關(guān)咨詢與系統(tǒng)服務(wù)

這是人工智能自動化服務(wù)的一個(gè)值得關(guān)注的方向，用于幫助客戶構(gòu)思用例、設(shè)計(jì)業(yè)務(wù)或優(yōu)化IT流程、選擇技術(shù)、管理數(shù)據(jù)、構(gòu)建和培訓(xùn)模型、部署解決方案、評估和減輕風(fēng)險(xiǎn)以及調(diào)整人才組合以成功地形成智能解決方案，涉及一項(xiàng)或多項(xiàng)先進(jìn)技術(shù)，如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和自然語言處理等。這種服務(wù)可以應(yīng)用在預(yù)測，比如通過使用數(shù)據(jù)挖掘和模式識別的學(xué)習(xí)系統(tǒng)，提供洞察、檢測異常、提供個(gè)性化、預(yù)測可能發(fā)生的事件；還可以應(yīng)用在智能搜索，面向結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，在合同等文本中提取需要注意的相關(guān)關(guān)鍵條款，減少要讀取的文本數(shù)量，并使員工能夠?qū)r(shí)間集中在相關(guān)條款上。

7人環(huán)眾包

人類基于算法的自動化來解決問題或執(zhí)行任務(wù)，其實(shí)人類和智能之間是互補(bǔ)的，因?yàn)槿祟惖臄?shù)據(jù)輸入方面改進(jìn)了數(shù)據(jù)管理解決方案，從而進(jìn)一步推進(jìn)了人工智能。人環(huán)眾包一是在規(guī)模上達(dá)到數(shù)據(jù)的基本要求；二是將群體貢獻(xiàn)集聚為一個(gè)有意義的結(jié)果。谷歌、Facebook、亞馬遜、微軟、IBM、Ebay、百度和許多其他公司經(jīng)常采用這一方法。在過去一年，采用已大大加快，主要是針對機(jī)器學(xué)習(xí)需求的數(shù)據(jù)標(biāo)簽和培訓(xùn)數(shù)據(jù)的質(zhì)量。

盡管市場潛力很大，但人環(huán)眾包還面臨許多障礙，包括對其好處的認(rèn)識不足，以及對質(zhì)量、安全的擔(dān)憂。隨著整個(gè)人工智能市場的成熟，應(yīng)用快速增長。在提高機(jī)器學(xué)習(xí)模型的準(zhǔn)確性方面，人環(huán)眾包是可行的(也可能是最可靠的)解決方案。從事人工智能和機(jī)器學(xué)習(xí)的公司應(yīng)該使用人工循環(huán)眾包作為人工智能解決方案的推動者。與內(nèi)部或傳統(tǒng)外包能力相比，這種方法產(chǎn)生了更多的流動成本和更廣泛的問題解決、模型培訓(xùn)、分類和驗(yàn)證能力。

當(dāng)機(jī)器學(xué)習(xí)算法達(dá)到其精度極限時(shí)，人類可以進(jìn)一步提高輸出(如內(nèi)容調(diào)整、文本中的細(xì)節(jié)檢測驗(yàn)證或信息檢索和搜索結(jié)果的驗(yàn)證)。

人環(huán)眾包是不可缺少的。這種方法將極大地有利于分析團(tuán)隊(duì)將人類智能應(yīng)用于非結(jié)構(gòu)化文本、圖像、音頻和視頻數(shù)據(jù)，用于人工智能、機(jī)器學(xué)習(xí)和信息質(zhì)量，以及那些正在尋找一次解決方案或稀有技能的人，例如數(shù)據(jù)科學(xué)。這些任務(wù)可以包括對算法、元數(shù)據(jù)提取、校對、圖像識別、內(nèi)容創(chuàng)建等方面的培訓(xùn)數(shù)據(jù)的調(diào)整、分類，數(shù)據(jù)收集、產(chǎn)品分類、精煉產(chǎn)品描述、文本翻譯、創(chuàng)建房地產(chǎn)的照片和音頻轉(zhuǎn)錄等。

8自然語言生成

自然語言生成(NLG)自動生成對數(shù)據(jù)洞察力的自然語言描述。在分析語境中，敘事是動態(tài)變化的，用戶與數(shù)據(jù)交互以解釋關(guān)鍵發(fā)現(xiàn)或圖表的含義。NLG將自然語言處理與機(jī)器學(xué)習(xí)和人工智能相結(jié)合，動態(tài)地識別數(shù)據(jù)（趨勢、關(guān)系、相關(guān)性）中最相關(guān)的含義。

文本分析側(cè)重于從文本數(shù)據(jù)中獲得分析結(jié)論，而NLG則通過將分析輸出與動態(tài)選擇的描述相結(jié)合來合成文本內(nèi)容。雖然NLG仍處于初步采用階段，但它正在有效地減少重復(fù)分析的時(shí)間和成本，例如業(yè)務(wù)和監(jiān)管報(bào)告、金融服務(wù)部門的收益報(bào)告、政府部門的福利報(bào)表和天氣預(yù)報(bào)以及廣告部門的個(gè)性化信息。

9聊天機(jī)器人

聊天機(jī)器人是一種獨(dú)立的會話接口，它使用應(yīng)用程序、消息平臺、社交網(wǎng)絡(luò)或聊天解決方案進(jìn)行會話。聊天機(jī)器人的復(fù)雜程度各不相同，從簡單的、基于決策樹的營銷策略，到構(gòu)建功能豐富的平臺作為支撐。聊天機(jī)器人可以是基于文本的，也可以是基于語音的，也可以是兩者的結(jié)合。

社交媒體、服務(wù)臺、人力資源或商業(yè)領(lǐng)域的聊天機(jī)器人，如企業(yè)軟件前端和自助服務(wù)，都在快速增長。盡管如此，絕大多數(shù)聊天機(jī)器人都是簡單的，依賴于決策樹中的腳本響應(yīng)。與聊天機(jī)器人相關(guān)的是虛擬代理，它們的范圍和復(fù)雜性更廣，需要更多的基礎(chǔ)設(shè)施和人員來維護(hù)，并且是為與其更長期的關(guān)系而設(shè)計(jì)的。單個(gè)交互之外的用戶，將與數(shù)百個(gè)聊天機(jī)器人進(jìn)行交互，但很少有虛擬代理。聊天機(jī)器人是人工智能的代表，它將影響到今天人類交流的所有領(lǐng)域?？蛻舴?wù)是一個(gè)典型的領(lǐng)域，聊天機(jī)器人已經(jīng)在其中產(chǎn)生影響，并潛力巨大。

（二）頂部位置

10人工智能平臺即服務(wù)

云人工智能和機(jī)器學(xué)習(xí)平臺服務(wù)統(tǒng)稱為AIPlatformasaService(PaaS)，它們提供AI模型構(gòu)建工具、API和相關(guān)中間件，使運(yùn)行在預(yù)先構(gòu)建的基礎(chǔ)設(shè)施上的機(jī)器學(xué)習(xí)模型的構(gòu)建、培訓(xùn)、部署和使用成為云服務(wù)。這些服務(wù)涵蓋視覺、語音和任何類型的通用數(shù)據(jù)分類和預(yù)測模型。

隨著領(lǐng)先的云服務(wù)提供商，包括亞馬遜(Amazon)、谷歌(Google)、IBM和微軟(Microsoft)，都在爭取成為客戶選擇的平臺。在過去幾年里，利用云服務(wù)的人工智能應(yīng)用在市場上繼續(xù)獲得數(shù)據(jù)科學(xué)家和開發(fā)人員的支持和接受。AIPaaS產(chǎn)品主要集中在機(jī)器學(xué)習(xí)、自然語言處理和計(jì)算機(jī)視覺這三個(gè)關(guān)鍵領(lǐng)域。

人工智能云方法正開始影響數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)平臺市場，特別是隨著組織試驗(yàn)和構(gòu)建AI原型，具有AI優(yōu)化芯片和大量專用的存儲數(shù)據(jù)，使云成為組織構(gòu)建和部署AI應(yīng)用程序的理想環(huán)境，而不需要傳統(tǒng)的現(xiàn)場采購的風(fēng)險(xiǎn)、成本和延遲。此外，云還提供了打包的API和工具，使開發(fā)人員更容易將AI功能集成到應(yīng)用程序中。

AIPAAS產(chǎn)品集中于機(jī)器學(xué)習(xí)、自然語言處理和計(jì)算機(jī)視覺這三個(gè)關(guān)鍵的AI組合服務(wù)：一是機(jī)器學(xué)習(xí)(ML)，AI云服務(wù)提供商提供的打包ML服務(wù)統(tǒng)一了端到端ML工作流；二是自然語言處理(NLP)，使用經(jīng)過預(yù)先訓(xùn)練的NLP系統(tǒng)為各種用例創(chuàng)建基于云的聊天機(jī)器人；三是計(jì)算機(jī)視覺（CV），能夠應(yīng)用面部檢測、識別和分析來解鎖新的基于圖像的數(shù)據(jù)來源。上述與云服務(wù)的結(jié)合，將在短期內(nèi)加速數(shù)字商業(yè)技術(shù)平臺服務(wù)的擴(kuò)展和衍生。

11深度神經(jīng)網(wǎng)絡(luò)專用芯片

深度神經(jīng)網(wǎng)絡(luò)(DNN)專用芯片是一種特殊用途的處理器，它加速了系統(tǒng)的計(jì)算速度。深層神經(jīng)網(wǎng)絡(luò)(DNNs)是指檢測和分類輸入數(shù)據(jù)中的特征統(tǒng)計(jì)模型，如聲音和圖像，或者文本(如句子)。在DNN系統(tǒng)中有兩個(gè)階段：在訓(xùn)練階段，DNN遍歷大型數(shù)據(jù)集并將其提取為一個(gè)小的DNN參數(shù)集；在推斷階段，DNN使用此參數(shù)集對輸入進(jìn)行分類，例如圖像、語音或文本。今天，絕大多數(shù)訓(xùn)練和推理任務(wù)使用GPU+DNN專用芯片，在加速神經(jīng)網(wǎng)絡(luò)時(shí)比CPU或GPU具有更高的性能和更低的功耗。

谷歌已經(jīng)在規(guī)模上部署了DNN專用芯片，稱為張量處理單元（TPU1，TPU2，TPU3），提供語音和圖像識別等業(yè)務(wù)推斷。TPU2和TPU3還加快了數(shù)據(jù)培訓(xùn)過程，這是以前委托給GPU的一項(xiàng)任務(wù)。其他專用芯片正在問世，Graphcore開發(fā)了一款自定義處理器，為基于DNN的應(yīng)用程序提供了極高的性能。營銷資料顯示，與GPU相比，它們的性能提高了近一倍。英特爾還在根據(jù)2016年從Neurana系統(tǒng)獲得新技術(shù)，開發(fā)一款名為“Lakecrest”的專用集成電路代碼，名為“LakeCrest”。DNN專用芯片在性能和能源消耗方面的好處是顯著的，DNN專用芯片的廣泛使用還需要神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)的標(biāo)準(zhǔn)化和對不同DNN框架的支持。

12智能機(jī)器人

智能機(jī)器人是在物理世界中自主工作的機(jī)電主體，在短時(shí)間內(nèi)從人工指導(dǎo)的訓(xùn)練和演示中學(xué)習(xí)，或通過其在工作上的監(jiān)督經(jīng)驗(yàn)來學(xué)習(xí)解決問題。智能機(jī)器人可以用語音、語言與人類互動，由于先進(jìn)的感官能力，甚至可能與人類一起工作。

與工業(yè)機(jī)器人相比，智能機(jī)器人迄今被采用的數(shù)量要少得多。在過去的12個(gè)月里，我們看到一些成熟的機(jī)器人供應(yīng)商擴(kuò)大了產(chǎn)品線，新公司進(jìn)入了智能機(jī)器人市場(尤其是來自中國)。新技術(shù)提供者和新技術(shù)開放，進(jìn)入壁壘略有下降。

過去幾年，由于幾家主要供應(yīng)商的努力，智能機(jī)器人正在備受關(guān)注：亞馬遜機(jī)器人部門(前稱Kiva系統(tǒng))在亞馬遜倉庫中部署了智能機(jī)器人。谷歌收購了多家機(jī)器人技術(shù)公司。2018年初，LG推出了一系列用于酒店、機(jī)場和超市的智能機(jī)器人，這是一系列用于商業(yè)用途的智能機(jī)器人。美國的多家酒店和新加坡的兩家香格里拉酒店現(xiàn)在都使用智能機(jī)器人提供客房服務(wù)。

輕型制造、分銷、零售、招待所和醫(yī)療保健設(shè)施的用戶應(yīng)將智能機(jī)器人視為其人力資源的替代品和補(bǔ)充，啟動旨在評估產(chǎn)品能力和量化效益的試點(diǎn)項(xiàng)目。我們需要檢查當(dāng)前可部署智能機(jī)器人的業(yè)務(wù)和材料處理流程，同時(shí)考慮重新設(shè)計(jì)流程，為大規(guī)模部署提供3至5年的路線圖。智能機(jī)器人將對各種以資產(chǎn)為中心、以產(chǎn)品為中心和以服務(wù)為中心的工業(yè)產(chǎn)生最初的業(yè)務(wù)影響。它們以更高的可靠性、更低的成本、更高的安全性和更高的生產(chǎn)率替代這些行業(yè)中的勞動者。典型和潛在的用例包括：醫(yī)用材料處理、處方配藥、病人保健、直接物料處理、庫存補(bǔ)充、制成品搬運(yùn)、產(chǎn)品采摘包裝、電子商務(wù)訂單履行、包裹遞送、購物協(xié)助、客戶關(guān)懷、保安。

13會話用戶界面

用戶和機(jī)器的會話交互主要發(fā)生在用戶的口語或書面自然語言中。通常是非正式的和雙向的，這些交互從簡單的話語到非常復(fù)雜的交互，以及隨后的高度復(fù)雜的交互。作為設(shè)計(jì)模型，CUI依賴于通過應(yīng)用程序及相關(guān)服務(wù)、會話平臺來實(shí)現(xiàn)。

近幾年來，CUI呈爆炸式增長，聊天機(jī)器人、消息平臺和虛擬助理，尤其是AmazonEcho和GoogleHome等家用揚(yáng)聲器，都促成了會話用戶界面的增長。

14智能應(yīng)用

智能應(yīng)用是采用嵌入式或集成人工智能技術(shù)，以智能自動化和改進(jìn)的決策支持取代人工活動。人工智能已經(jīng)成為下一個(gè)主要戰(zhàn)場，在未來幾年里，每個(gè)應(yīng)用程序和服務(wù)都將在一定程度上整合人工智能。企業(yè)應(yīng)用供應(yīng)商開始在他們的產(chǎn)品中嵌入人工智能技術(shù)，并引入人工智能平臺功能，從ERP到CRM到HCM，再到勞動力生產(chǎn)率應(yīng)用。AI具有組織變革的潛力，是數(shù)字業(yè)務(wù)的核心。后臺企業(yè)應(yīng)用程序是這種轉(zhuǎn)換工作的一個(gè)重要組成部分，因?yàn)樗鼈兲峁┝藬?shù)字基礎(chǔ)，大多數(shù)努力都是在此基礎(chǔ)上進(jìn)行的。在許多熟悉的應(yīng)用程序類別的背景下，AI將不引人注目地運(yùn)行，同時(shí)產(chǎn)生全新的應(yīng)用程序。

15數(shù)字倫理

數(shù)字倫理包括進(jìn)行電子互動的價(jià)值體系和道德原則，以及人、企業(yè)、政府和事物之間數(shù)據(jù)的使用和共享。數(shù)字倫理的范圍很廣，包括安全、網(wǎng)絡(luò)犯罪、隱私、社會互動、治理、自由意志等經(jīng)濟(jì)社會的方方面面。由于最近媒體的負(fù)面宣傳，公眾討論的上升，人們對數(shù)據(jù)隱私保護(hù)等法規(guī)意識的增強(qiáng)，數(shù)字倫理躍升到通脹預(yù)期的頂峰。當(dāng)前的主題，如“人工智能”、“假新聞”和“數(shù)字社會”，都是引發(fā)人們對數(shù)字倫理討論爆發(fā)的導(dǎo)火索。

16圖形分析

圖形分析是一組分析技術(shù)，允許探索組織、人員和事務(wù)等感興趣的實(shí)體之間的關(guān)系。圖形分析由確定跨數(shù)據(jù)點(diǎn)之間的“連通性”的模型組成，以創(chuàng)建數(shù)據(jù)節(jié)點(diǎn)、集群及其分界點(diǎn)。節(jié)點(diǎn)被顯式或隱式連接，指示影響級別、交互頻率或概率。

圖形分析技術(shù)正穩(wěn)步攀升到通脹預(yù)期的頂峰，越來越多的人采用圖表分析，主要是因?yàn)樾枰诖罅康闹笖?shù)級異構(gòu)數(shù)據(jù)中找到洞察力，以及對分析的需求。一旦開發(fā)和訓(xùn)練了高度復(fù)雜的模型，由于擴(kuò)展的能力、計(jì)算能力，輸出就更容易存儲,采用了圖形數(shù)據(jù)庫，為圖形的存儲、操作和分析提供了一個(gè)理想的框架。

在許多圖形數(shù)據(jù)庫中存儲和處理數(shù)據(jù)的獨(dú)特方法，加上對與特定于圖形的知識相關(guān)的新技能的需求，可能會限制使用的增長。例如，資源描述框架(RDF)、SPARQL協(xié)議和RDF查詢語言(SPARQL)的知識和經(jīng)驗(yàn)，以及新出現(xiàn)的語言(如apachetinkerop或最近開源的密碼)。

數(shù)據(jù)和分析領(lǐng)導(dǎo)者應(yīng)該評估將圖形分析納入他們的分析組合和策略的機(jī)會。這將使他們能夠解決不太適合傳統(tǒng)基于SQL的查詢和可視化的高價(jià)值用例(例如計(jì)算和可視化最短路徑，或者網(wǎng)絡(luò)中兩個(gè)節(jié)點(diǎn)或?qū)嶓w之間的關(guān)系和影響)。他們還應(yīng)該考慮使用圖表分析來增強(qiáng)模式分析,用戶可以直接與圖形元素交互以發(fā)現(xiàn)洞察力，并且分析結(jié)果和輸出也可以被存儲以在圖形數(shù)據(jù)庫中重復(fù)使用。

圖分析構(gòu)成理想分析框架的業(yè)務(wù)情況包括：路徑優(yōu)化、市場籃子分析、欺詐檢測、社會網(wǎng)絡(luò)分析、CRM優(yōu)化、位置智能、供應(yīng)鏈監(jiān)控、負(fù)載均衡等特殊形式的勞動力分析，如企業(yè)社會圖和數(shù)字工作場所圖、最近、頻度等。

在執(zhí)法調(diào)查、流行病學(xué)、基因組研究、洗錢檢測等方面，圖形分析在評估風(fēng)險(xiǎn)以分析欺詐、路徑優(yōu)化、聚類、孤立點(diǎn)檢測、馬爾可夫鏈、離散事件模擬等方面都是非常有效的。用于揭露欺詐和腐敗的引擎也可用于在組織內(nèi)識別風(fēng)險(xiǎn)，并以積極主動的方式回答責(zé)任問題。最近的一個(gè)識別關(guān)系網(wǎng)的例子是國際調(diào)查記者聯(lián)合會。相比之下，圖分析是一種新的“透鏡”，用于探索跨多結(jié)構(gòu)數(shù)據(jù)的直接關(guān)系和間接關(guān)系。

圖形分析處理是其他許多先進(jìn)技術(shù)的核心技術(shù)，例如虛擬個(gè)人助理、智能顧問和其他智能機(jī)器。圖形分析可以擴(kuò)展數(shù)據(jù)發(fā)現(xiàn)功能在現(xiàn)代商業(yè)智能和分析平臺中的潛在價(jià)值。一旦完成了圖形處理，它就可以擴(kuò)展數(shù)據(jù)發(fā)現(xiàn)功能在現(xiàn)代商業(yè)智能和分析平臺中的潛在價(jià)值?？梢暬?使用大小、顏色、形狀和方向-來表示關(guān)系和節(jié)點(diǎn)屬性。

17目標(biāo)分析

目標(biāo)分析指的是一組分析能力，這些分析能力指定了滿足預(yù)先定義的目標(biāo)的首選行動方針。最常見的說明性分析方法是優(yōu)化方法(例如線性規(guī)劃)，它是預(yù)測分析和規(guī)則、啟發(fā)式和決策分析方法(如影響圖)。規(guī)定性分析與描述性分析、診斷分析和預(yù)測分析不同，因?yàn)檩敵鍪且环N推薦的(有時(shí)是自動化的)操作。

盡管優(yōu)化和決策分析的概念已經(jīng)存在了幾十年，但隨著人們對數(shù)據(jù)科學(xué)、更好的算法、基于成本效益的云計(jì)算能力和可用數(shù)據(jù)的更多認(rèn)識和研究，更好的方法逐漸得以應(yīng)用，常見案例如客戶處理、貸款審批、索賠分類，以及許多優(yōu)化的問題，如供應(yīng)鏈或網(wǎng)絡(luò)優(yōu)化和調(diào)度。目標(biāo)分析也可以是規(guī)劃過程的業(yè)務(wù)差異因素，無論是財(cái)務(wù)規(guī)劃、生產(chǎn)計(jì)劃還是分銷計(jì)劃，輔助用戶探索多種方案并比較推薦的行動方案。

18深度神經(jīng)網(wǎng)絡(luò)(深度學(xué)習(xí))

深神經(jīng)網(wǎng)絡(luò)是一種大規(guī)模的神經(jīng)網(wǎng)絡(luò)，通常有許多處理層，它們使計(jì)算機(jī)能夠處理比以前復(fù)雜得多的數(shù)據(jù)，如視頻、圖像、語音和文本數(shù)據(jù)，從而支持人工智能的最新進(jìn)展?；ヂ?lián)網(wǎng)巨頭在各自的業(yè)務(wù)范圍內(nèi)部署基于DNN的系統(tǒng)，例如亞馬遜Alexa的語音到文本功能、Google的搜索能力、圖像識別和自動駕駛汽車以及Facebook的臉識別技術(shù)。

建立和培訓(xùn)系統(tǒng)并不容易，甚至是很困難的。要取得持續(xù)的好結(jié)果，你就需要大量的標(biāo)簽數(shù)據(jù)、數(shù)據(jù)科學(xué)方面的專業(yè)知識和專用硬件。大多數(shù)企業(yè)都很難獲得足夠的標(biāo)記數(shù)據(jù)來支持他們的創(chuàng)新。此外，數(shù)據(jù)科學(xué)專家是稀缺的，因?yàn)镮T和互聯(lián)網(wǎng)巨頭積極高薪雇傭，一般企業(yè)很難獲得這方面優(yōu)秀的人才。另外，計(jì)算資源優(yōu)化和升級換代，也需要大量的資本支出。

最廣泛應(yīng)用的是卷積神經(jīng)網(wǎng)絡(luò)(CNNs)和遞歸神經(jīng)網(wǎng)絡(luò)(RNNs),CNN用于圖像分類和文本語音。有關(guān)DNNS的炒作程度與去年沒有太大差別。這些技術(shù)可以幫助他們解決以前難以解決的分類問題，特別是與圖像、視頻和語音有關(guān)的問題。在圖像、語音和面部分類系統(tǒng)以及培訓(xùn)和數(shù)據(jù)方面投入了大量資源。

DNNS對所有行業(yè)都具有變革和破壞的潛力，想利用DNNS首當(dāng)其沖的挑戰(zhàn)是確定要解決的業(yè)務(wù)問題，并確保有足夠的專家和相當(dāng)好的數(shù)據(jù)集。在檢測欺詐、確定質(zhì)量、預(yù)測需求和其他涉及序列的分類問題(例如，使用視頻、音頻或時(shí)間序列分析)方面，DNNS顯示出比以往先進(jìn)的算法更高的準(zhǔn)確性。

19支持VPA的無線揚(yáng)聲器

支持云的遠(yuǎn)場語音捕獲設(shè)備，將用戶連接到虛擬個(gè)人助理(VPA)服務(wù)，如Alexa、Google助理、Siri、Cortana、微信等。隨著2017年啟用屏幕的VPA揚(yáng)聲器的出現(xiàn)，多模式交互被引入VPA體驗(yàn)。盡管VPA提供的對話體驗(yàn)仍遠(yuǎn)不完美，但消費(fèi)者對VPA音箱的采納程度高于預(yù)期。

20機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是利用能夠從數(shù)據(jù)中提取知識和模式的數(shù)學(xué)模型來解決業(yè)務(wù)問題。有三個(gè)主要的子學(xué)科與所提供的觀察類型有關(guān)：有監(jiān)督學(xué)習(xí)，其中觀察包含輸入/輸出對(也稱為“標(biāo)記數(shù)據(jù)”)；無監(jiān)督學(xué)習(xí)(省略標(biāo)簽)；強(qiáng)化學(xué)習(xí)(在某種情況下，評估情況有多好或有多壞)。

機(jī)器學(xué)習(xí)仍然是技術(shù)中最熱門的概念之一，因?yàn)樗鼘ζ髽I(yè)有著廣泛的影響。機(jī)器學(xué)習(xí)持續(xù)大規(guī)模增長和采用的驅(qū)動因素是數(shù)據(jù)量的不斷增長和傳統(tǒng)工程方法無法處理的復(fù)雜性。

越來越多的組織正在探索用于機(jī)器學(xué)習(xí)的用例，許多組織已經(jīng)處于試驗(yàn)學(xué)習(xí)的初始階段。大多數(shù)組織仍然在嘗試他們的機(jī)器學(xué)習(xí)方法，找到執(zhí)行機(jī)器學(xué)習(xí)項(xiàng)目所需的相關(guān)角色和技能是像這樣的組織所面臨的挑戰(zhàn)。數(shù)據(jù)的數(shù)量和來源增加，系統(tǒng)的復(fù)雜性也會增加，在這種情況下，傳統(tǒng)的軟件工程方法會產(chǎn)生較低的效果。在未來，許多行業(yè)的進(jìn)步離不開機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)算法的選擇也受到算法是否能夠解釋的疑問。組建一個(gè)(虛擬)團(tuán)隊(duì)，對機(jī)器學(xué)習(xí)用例進(jìn)行排序，并建立最佳評估模型，將最有價(jià)值的用例推進(jìn)到生產(chǎn)。數(shù)據(jù)是機(jī)器學(xué)習(xí)的“燃料”。數(shù)據(jù)是各個(gè)組織獨(dú)特的競爭優(yōu)勢，高質(zhì)量數(shù)據(jù)是機(jī)器學(xué)習(xí)成功的關(guān)鍵。雖然基本的機(jī)器學(xué)習(xí)算法的選擇是相當(dāng)有限的，但是算法變化的數(shù)量和可用的數(shù)據(jù)源是巨大的。機(jī)器學(xué)習(xí)推動了大量業(yè)務(wù)和相關(guān)問題的改進(jìn)和新解決方案的產(chǎn)生。

21自然語言處理

自然語言處理(NLP)提供了人類和系統(tǒng)之間一種直接的交流形式，即NLP包括旨在解析、解釋(有時(shí)甚至生成)人類語言的計(jì)算語言技術(shù)。NLP技術(shù)處理自然語言的語用(上下文)、語義(意義)、語法(語法)和詞匯(詞)方面。語音部分通常留給語音處理技術(shù)，這些技術(shù)本質(zhì)上是信號處理系統(tǒng)。

隨著功能的提高，以及基于會話代理和自動機(jī)器翻譯的新用例等，企業(yè)NLP的使用也在增加。現(xiàn)有的基于語法和語義的方法越來越多地被深度神經(jīng)網(wǎng)絡(luò)(DNNs)方法所取代。

人類語言是復(fù)雜的，雖然NLP解決方案已經(jīng)取得了進(jìn)展，但仍有許多微妙和細(xì)微之處需要人工干預(yù)才能進(jìn)行適當(dāng)?shù)慕忉?。DNNs是實(shí)驗(yàn)性和脆弱的，理解推理上下文和綜合能力，也不是完全令人滿意的。許多NLP解決方案需要專家來確保語法和模型的持續(xù)準(zhǔn)確性。

NLP為企業(yè)提供了改善運(yùn)營和服務(wù)的重要機(jī)會。對于許多企業(yè)來說，NLP最強(qiáng)大和最直接的用例與改進(jìn)的客戶服務(wù)(影響成本、服務(wù)水平、客戶滿意和銷售)和員工支持(包括使他們在工作中更聰明、更有效)有關(guān)。企業(yè)想加速其NLP實(shí)現(xiàn)，應(yīng)開發(fā)新的功能模塊來實(shí)現(xiàn)一些特定的技能?？紤]到數(shù)據(jù)科學(xué)技術(shù)在NLP應(yīng)用中的越來越多地使用，提高數(shù)據(jù)科學(xué)家人才的技能可能也是必要的。

最后，NLP解決方案提供基于知識的整合、內(nèi)容映射、搜索增強(qiáng)和文本摘要的能力將有所不同。因此，企業(yè)研發(fā)者在做出重大決定之前，應(yīng)該測試和驗(yàn)證這些解決方案的有效性。如果企業(yè)投資于專門的語法，則應(yīng)該注意這些解決方案在供應(yīng)商之間是兼容的。

22機(jī)器人應(yīng)用自動化軟件

機(jī)器人應(yīng)用自動化軟件是用戶界面識別技術(shù)和工作流執(zhí)行技術(shù)的結(jié)合，它可以模擬人類使用屏幕和鍵盤來驅(qū)動應(yīng)用程序和執(zhí)行基于系統(tǒng)的工作，也是為了使應(yīng)用程序自動化而設(shè)計(jì)的。

機(jī)器人應(yīng)用自動化軟件是一種“膠水”類型的技術(shù)，它允許您將系統(tǒng)粘合在一起。為了完成比自動化工作更復(fù)雜的活動，您需要能夠讀取手寫或結(jié)構(gòu)、非結(jié)構(gòu)化數(shù)據(jù)或由聊天機(jī)器人或機(jī)器學(xué)習(xí)活動執(zhí)行的處理活動。

23虛擬助理

虛擬助理(VAS)幫助用戶或企業(yè)完成一組以前只能由人類完成的任務(wù)。VAS使用人工智能和機(jī)器學(xué)習(xí)(如自然語言處理、預(yù)測模型、個(gè)性化服務(wù))來幫助人們并自動完成任務(wù)。VAS傾聽和觀察行為，構(gòu)建和維護(hù)數(shù)據(jù)模型，并預(yù)測和推薦操作?？梢栽诙鄠€(gè)用例中部署操作，包括虛擬個(gè)人助理、虛擬客戶助理和虛擬員工助理。VAS應(yīng)用領(lǐng)域越來越多地被會話接口所主導(dǎo)，如蘋果的Siri、谷歌助理、微軟的Cortana、IPsoft的Ameliia、Amazon的Alexa和IBM的沃森助手等。

24認(rèn)知計(jì)算

認(rèn)知計(jì)算是一種技術(shù)，能夠提高人類在廣泛的認(rèn)知任務(wù)中的性能。這些系統(tǒng)具有交互性、迭代性，能夠回憶起以前的交互；它們也是上下文相關(guān)的，能夠適應(yīng)信息和目標(biāo)的變化。我們認(rèn)識到“認(rèn)知計(jì)算”是當(dāng)今市場上供應(yīng)商過度使用的一個(gè)推廣術(shù)語，我們不相信這些系統(tǒng)是真正的認(rèn)知能力，他們只是模仿、擴(kuò)展人類的認(rèn)知能力而已。認(rèn)知計(jì)算迅速攀升至膨脹預(yù)期的頂峰，這是因?yàn)樵谧钚乱淮斯ぶ悄苁袌錾?，主要銷售商普遍推廣和炒作這一術(shù)語。

（三）下滑階段

25FPGA加速器

FPGA加速器是一種基于服務(wù)器的可重構(gòu)計(jì)算加速器，通過使可編程硬件級應(yīng)用處理加速，可以提供極高的性能。FPGA加速器具有大量的可編程邏輯塊、可重構(gòu)互連和存儲子系統(tǒng)，可以配置這些子系統(tǒng)來加速特定的算法功能。FPGA處理器可以從主系統(tǒng)處理器中卸載任務(wù)。FPGA不是用常見的應(yīng)用語言編程的，而是配置了一種與典型程序員不同的電路設(shè)計(jì)語言“VHDL”，“VHDL”是大多數(shù)軟件工程師難以學(xué)習(xí)的語言，這使FPGA編程的難度加大。在數(shù)據(jù)中心，F(xiàn)PGA可以用于對大量數(shù)據(jù)應(yīng)用一致處理操作，例如高頻交易(HFT)等。微軟正在利用FPGAs進(jìn)行搜索分析，而Edico基因組公司基于FPGA的Dragen生物IT平臺可以實(shí)現(xiàn)高性能的基因組測序工作流程。

FPGA通常使用硬件編程語言(如RTL和VHDL)進(jìn)行配置，使用起來非常復(fù)雜，這阻礙了廣泛的采用。然而，主要的FPGA供應(yīng)商(英特爾和Xilinx)正致力于通過庫和工具集來解決這一問題，從而使FPGA能夠使用以軟件為中心的編程模型進(jìn)行配置。在新的框架(如OpenCL)的幫助下，采用FPGA也變得更容易了。OpenCL降低了使用FPGA所需的時(shí)間和技能。新興的工作負(fù)載，如深度學(xué)習(xí)(推理)正在激發(fā)人們對FPGAs的興趣。英特爾將FPGAs與主流服務(wù)器CPU集成在一起，以AmazonWeb服務(wù)(AWS)的FPGA為代表的開發(fā)平臺變得更容易訪問，也推動了FPGAs被數(shù)據(jù)中心的采用。

今天，數(shù)據(jù)中心的FPGA最大的增長機(jī)會是應(yīng)用在深度學(xué)習(xí)的推理部分?？紤]到軟件生態(tài)系統(tǒng)的進(jìn)化性質(zhì)，F(xiàn)PGA加速器可以在相當(dāng)小的能量消耗軌跡中實(shí)現(xiàn)戲劇性的性能改進(jìn)，確定使用FPGA可以產(chǎn)生有影響意義的應(yīng)用程序，評估用于數(shù)據(jù)中心服務(wù)器部署(基于FPGA的PCIe外接程序)的硬件的可用性，或者使用與處理器集成FPGA的服務(wù)器。利用基于云的FPGA服務(wù)加速開發(fā)。FPGA非常適合于人工智能工作負(fù)載，因?yàn)樗鼈冊诘途?8位和16位)處理能力方面非常出色。但是可編程性仍然是一項(xiàng)重大挑戰(zhàn)，限制了FPGA的廣泛應(yīng)用。企業(yè)應(yīng)該評估基于FPGA的解決方案，用于基因組測序、實(shí)時(shí)交易、視頻處理和深度學(xué)習(xí)(推理)。領(lǐng)導(dǎo)者可以通過使用基于云的基礎(chǔ)設(shè)施來提供FPGA。

26計(jì)算機(jī)視覺

計(jì)算機(jī)視覺(ComputerVision，簡稱CV)是一種涉及到采集、處理和分析真實(shí)世界中的圖像和視頻，使機(jī)器能夠從物理世界中提取有意義的上下文信息的過程，包括機(jī)器視覺、光學(xué)字符識別、圖像識別、模式識別、人臉識別、邊緣檢測和運(yùn)動檢測等許多不同而重要的CV技術(shù)領(lǐng)域。

建立解決視覺問題的算法和模型已經(jīng)存在了半個(gè)多世紀(jì)，深層次神經(jīng)網(wǎng)絡(luò)、大量數(shù)據(jù)的可用性和大規(guī)模并行處理器的出現(xiàn)為計(jì)算機(jī)視覺領(lǐng)域的發(fā)展注入了新的活力，支持有監(jiān)督和無監(jiān)督的學(xué)習(xí)、識別、分類、預(yù)測和操作。在30年前，對象分類是一項(xiàng)困難的手工任務(wù)。過去八年來，ImageNet挑戰(zhàn)的結(jié)果最好地證明了這一領(lǐng)域目前的進(jìn)展。誤算率下降了30%。計(jì)算機(jī)視覺的發(fā)展得益于：(1)DNNS的技術(shù)成熟，和相關(guān)的人工智能技術(shù)的成熟；(2)CVS廣泛適用于機(jī)器人、自動車輛、無人駕駛飛機(jī)、增強(qiáng)現(xiàn)實(shí)和虛擬現(xiàn)實(shí)等眾多領(lǐng)域；(3)大多數(shù)企業(yè)在如何處理所收集的所有圖像、視頻數(shù)據(jù)以及如何自動處理這些圖像數(shù)據(jù)方面面臨挑戰(zhàn)，人們積極克服這些困難和挑戰(zhàn)；(4)計(jì)算機(jī)視覺是物聯(lián)網(wǎng)(物聯(lián)網(wǎng))的一個(gè)特殊的用例和自然擴(kuò)展，它是擴(kuò)展和擴(kuò)展物聯(lián)網(wǎng)(物聯(lián)網(wǎng))范圍的外部傳感器。

視覺是對其他傳感器數(shù)據(jù)的極好補(bǔ)充，例如地理定位、慣性和音頻。因此，它也增強(qiáng)了人類與數(shù)字和物理世界互動的能力。這激發(fā)了人們對這一學(xué)科的廣泛興趣，如自動車輛、機(jī)器人、無人駕駛飛機(jī)、增強(qiáng)混合和虛擬現(xiàn)實(shí)-安全、生物識別等等。

27預(yù)測分析

預(yù)測分析是一種高級分析方法，它通過檢驗(yàn)數(shù)據(jù)或內(nèi)容來回答以下問題：“將發(fā)生什么？”或者更準(zhǔn)確地說，“什么可能發(fā)生？”，作為人工智能的應(yīng)用，預(yù)測分析多數(shù)采用回歸分析、多元統(tǒng)計(jì)、模式匹配、預(yù)測建模等技術(shù)。

28自動駕駛

自主或自動駕駛車輛可以在不受人為干預(yù)的情況下，利用激光雷達(dá)、相機(jī)、GPS和地圖數(shù)據(jù)等多種車載傳感和定位技術(shù)，結(jié)合基于人工智能的決策能力，對某一特定地點(diǎn)或某一特定地點(diǎn)進(jìn)行導(dǎo)航和駕駛。目前，無人駕駛汽車正成為人們關(guān)注的焦點(diǎn)。

過去一年，出現(xiàn)了一些進(jìn)入幻滅低谷的跡象。2018年初，發(fā)生了幾起與自動車輛有關(guān)的事故，包括一個(gè)行人的死亡。一些機(jī)構(gòu)之前宣稱的無人駕駛里程碑在沒有兌現(xiàn)承諾的情況下悄然而逝，實(shí)際上當(dāng)初是不切實(shí)際和夸大其詞。

人工智能(AI)是實(shí)現(xiàn)自動車輛的關(guān)鍵技術(shù)，自動車輛機(jī)器學(xué)習(xí)算法的發(fā)展也在加快。實(shí)現(xiàn)自動車輛的主要挑戰(zhàn)仍然集中在降低技術(shù)和工業(yè)化成本上，但也越來越多地包括監(jiān)管、法律和社會考慮，例如操作許可、責(zé)任、保險(xiǎn)和人與人之間的相互作用的影響。

自主車輛技術(shù)不僅在智能移動和物流領(lǐng)域，而且在航運(yùn)、采礦、農(nóng)業(yè)、工業(yè)、安全和軍事行動方面都具有破壞性潛力。傳感、定位、成像、制導(dǎo)、測繪和通信技術(shù)的不斷進(jìn)步，再加上人工智能算法和高性能計(jì)算能力，使自動駕駛汽車更加接近現(xiàn)實(shí)。然而，2018年，復(fù)雜性和成本挑戰(zhàn)仍然很大，這影響了可靠性和可負(fù)擔(dān)性要求。

自動駕駛技術(shù)的采用仍將在三個(gè)不同階段發(fā)展：輔助駕駛、半自主和完全無人駕駛車輛。每一階段都需要越來越多的技術(shù)成熟度和可靠性，這些技術(shù)成熟度和可靠性依賴于企業(yè)的干預(yù)，汽車公司、服務(wù)提供商、政府和技術(shù)供應(yīng)商（例如，軟件、硬件、傳感器、地圖數(shù)據(jù)和網(wǎng)絡(luò)提供商）應(yīng)在聯(lián)合研究和投資方面進(jìn)行合作，以推進(jìn)所需的技術(shù)，并就自動駕駛的立法框架開展工作。

此外，教育公眾了解自動駕駛汽車的好處是至關(guān)重要的。自動駕駛汽車將對一些工作產(chǎn)生破壞性影響，如公共汽車、出租車和卡車司機(jī)。自動駕駛汽車進(jìn)入移動計(jì)算系統(tǒng)，為消費(fèi)和創(chuàng)建數(shù)字內(nèi)容提供了理想的平臺，包括基于位置的服務(wù)、以車輛為中心的信息和通信技術(shù)。自動駕駛汽車也是移動創(chuàng)新和新的運(yùn)輸服務(wù)的一部分，有可能破壞既定的商業(yè)模式。例如，自動駕駛汽車最終將帶來新的產(chǎn)品，通過讓無人駕駛汽車在需要時(shí)接送乘客，從而突出按需提供的服務(wù)。自動駕駛汽車將帶來重大的社會效益，包括減少事故、受傷和死亡，以及改善交通管理，這可能會影響其他社會經(jīng)濟(jì)趨勢。例如，如果人們可以在駕駛自動駕駛汽車時(shí)利用旅行時(shí)間工作或娛樂，住在市中心附近接近工作地點(diǎn)就不那么關(guān)鍵了，這可能會減緩城市化進(jìn)程。

29商用無人機(jī)

商用無人駕駛飛行器是指小型直升機(jī)、固定翼飛機(jī)、多旋翼機(jī)和混合飛機(jī)，在飛機(jī)上沒有人類飛行員。它們要么由地面上的人類飛行員遠(yuǎn)程控制，要么裝備用于自主導(dǎo)航。與軍事同行不同，它們被用于商業(yè)目的。

2018年，商業(yè)無人機(jī)進(jìn)入幻滅的低谷。在技術(shù)意義上，這種無人機(jī)是相對成熟的并且能夠進(jìn)行越來越復(fù)雜的任務(wù)。然而，它們的采用往往受到限制阻礙，特別是在無人駕駛飛機(jī)超視距、人員上方或在限制空域，例如靠近機(jī)場的情況下，這些都是在大多數(shù)國家受到嚴(yán)格管制的行動類型。此外，垂直專業(yè)化的端到端無人機(jī)解決方案(包括設(shè)備、支持軟件和飛行操作)的高昂成本阻礙了終端用戶的大規(guī)模使用。高德納預(yù)計(jì)，商業(yè)無人機(jī)將在兩年內(nèi)接近萎縮極限，前提是監(jiān)管條件和某些技術(shù)要素不按預(yù)期改善的話。特別是，自主飛行將對市場起到提振作用，但它們的啟用既需要監(jiān)管改革，也需要技術(shù)進(jìn)步?？偟膩碚f，企業(yè)無人機(jī)計(jì)劃應(yīng)該有短期和長期目標(biāo)。美國的低空授權(quán)和通知能力(LAANC)倡議加速在限制空域飛行的豁免批準(zhǔn)，就是這樣的例子之一。今天，領(lǐng)先用戶包括航空攝影，測繪和測量，體積測量，和遠(yuǎn)程檢查。采用者還應(yīng)該考慮到如何以最好的方式利用捕獲的數(shù)據(jù)。

最重要的是，商用無人機(jī)可以提高諸如測量員、檢查員、司機(jī)和攝影師等角色的能力，這些人傳統(tǒng)上是在可能不安全的情況下執(zhí)行勞動密集型任務(wù)的。因此，無人機(jī)通過減少或重新部署人員數(shù)量來提高生產(chǎn)率，同時(shí)能夠?qū)崟r(shí)獲取數(shù)據(jù)并提高雇員的安全。例如，商業(yè)無人機(jī)可以特別增加農(nóng)業(yè)、建筑、應(yīng)急服務(wù)、采掘業(yè)等行業(yè)的價(jià)值。在大多數(shù)垂直領(lǐng)域，商用無人機(jī)的價(jià)值在于減少運(yùn)營開支和提高安全性，但在電影攝影等行業(yè)也有創(chuàng)收的機(jī)會。

30增強(qiáng)現(xiàn)實(shí)

增強(qiáng)現(xiàn)實(shí)(AR)是以文本、圖形、音頻和其他虛擬增強(qiáng)的形式實(shí)時(shí)使用信息，與現(xiàn)實(shí)世界的對象集成在一起，并使用頭掛式顯示或投影圖形覆蓋來呈現(xiàn)。正是這種“真實(shí)世界”元素將AR與虛擬現(xiàn)實(shí)區(qū)分開來。AR旨在增強(qiáng)用戶與環(huán)境的交互，而不是將它們與環(huán)境分離開來。

31知識管理工具

使用知識管理(KM)工具創(chuàng)建、修改和訪問IT知識庫。KM工具通常鏈接到支持自助服務(wù)的門戶，以便最終用戶能夠自己訪問相關(guān)的知識資產(chǎn)。這些產(chǎn)品由他們聯(lián)合、存儲和訪問有關(guān)IT和非IT服務(wù)的信息的能力來定義。KM工具可以作為獨(dú)立的選項(xiàng)或更廣泛的IT服務(wù)管理工具的集成組件。KM為許多IT組織在IT體系中優(yōu)化、驅(qū)動效率和實(shí)現(xiàn)規(guī)模經(jīng)濟(jì)提供了未開發(fā)的強(qiáng)大潛力。

（四）爬坡階段

32虛擬現(xiàn)實(shí)

虛擬現(xiàn)實(shí)（VR）提供了一種計(jì)算機(jī)生成的3D環(huán)境，環(huán)繞用戶并以自然方式響應(yīng)個(gè)人的動作，通常通過沉浸式頭盔顯示器（HMDS）。手勢識別或手持式控制器提供手和身體跟蹤，觸覺（或觸敏）反饋可以被合并?；诜块g的系統(tǒng)在大范圍內(nèi)移動時(shí)可以提供3D體驗(yàn)，或者可以與多個(gè)參與者一起使用。身臨其境的虛擬現(xiàn)實(shí)應(yīng)用比其他圖形模擬更先進(jìn)。

（五）進(jìn)入佳境

33GPU加速器

GPU是為圖形和可視化工作而設(shè)計(jì)的高度并行浮點(diǎn)處理器。在過去的十年中，NVIDIA和其他企業(yè)一起努力為GPU增加了可編程能力，使應(yīng)用程序能夠訪問深度的、快速的浮點(diǎn)資源。GPU還有非常高帶寬的存儲子系統(tǒng)。對于許多高度并行、重復(fù)、計(jì)算密集型的應(yīng)用程序來說，這些功能提供了顯著的性能改進(jìn)。

GPU密集型應(yīng)用，包括應(yīng)用到分子動力學(xué)、計(jì)算流體力學(xué)、金融建模和地理空間技術(shù)。編程GPU可能是很有挑戰(zhàn)性的，因?yàn)閳?zhí)行順序和代碼優(yōu)化是至關(guān)重要的。我們預(yù)計(jì)Dnn技術(shù)將在來自大型云提供商的開放框架的支持下迅速成熟，這些框架包括TensorFlow、TORCH、Caffe、apachemxnet和microsoft認(rèn)知工具。GPU加速計(jì)算可以為高性能計(jì)算(HPC)和DNN培訓(xùn)中高度并行的計(jì)算密集型工作提供極端性能。完成的速度很高。云GPU將圖形計(jì)算處理從現(xiàn)場轉(zhuǎn)移到云上。高性能計(jì)算和深度學(xué)習(xí)對于許多數(shù)字業(yè)務(wù)策略是必不可少的，由于工作量的快速增長，基于CPU的傳統(tǒng)企業(yè)生態(tài)系統(tǒng)是不夠的。利用成熟的GPU技術(shù)來選擇HPC應(yīng)用程序和深入學(xué)習(xí)基礎(chǔ)設(shè)施。可編程性的挑戰(zhàn)已經(jīng)通過Cuda.I這樣的架構(gòu)支撐，在GPU中得到了很大程度的解決。

34集成學(xué)習(xí)

集成學(xué)習(xí)技術(shù)是一種機(jī)器學(xué)習(xí)算法，其中建立了一組預(yù)測模型，并將其輸出組合成整個(gè)群體的單一輸出。這種方法在很大程度上借鑒了“群體智慧”原則，其中意見或模型輸出的多樣化是關(guān)鍵。集成技術(shù)的采用繼續(xù)穩(wěn)步增長。所有主要的數(shù)據(jù)科學(xué)供應(yīng)商都提供這種技術(shù)作為其組合的一部分。集成學(xué)習(xí)已經(jīng)成為數(shù)據(jù)科學(xué)家和公民數(shù)據(jù)科學(xué)家廣泛使用的一種方法。

幾乎所有的預(yù)測分析用例和機(jī)器學(xué)習(xí)任務(wù)都能從集成技術(shù)的應(yīng)用中獲益，應(yīng)用技術(shù)的成功案例繼續(xù)提高了集成學(xué)習(xí)提高預(yù)測精度的聲譽(yù)，集成方法經(jīng)常被應(yīng)用于分析比賽，如KDD杯和Kaggle競賽，并且表現(xiàn)得很好。

35語音識別

語音識別技術(shù)是將人類語音轉(zhuǎn)換為文本進(jìn)行進(jìn)一步的處理。過去三年里，語音識別的性能迅速提高。IBM、微軟(Microsoft)、谷歌(Google)、亞馬遜(Amazon)和百度(Baidu)等在2016-2017年間都表現(xiàn)出了快速的技術(shù)進(jìn)步，聲稱自己的表現(xiàn)與人類的轉(zhuǎn)錄能力相當(dāng)。

2018年，谷歌通過提供多種機(jī)器學(xué)習(xí)模型來適應(yīng)不同的用例環(huán)境(例如電話、語音命令、視頻)，并改進(jìn)標(biāo)點(diǎn)符號以提高轉(zhuǎn)錄的可讀性，從而改進(jìn)了云語音到文本API的性能。

伴隨著算法的進(jìn)步，語音到文本的應(yīng)用受到硬件進(jìn)步的推動，對話代理(如聊天機(jī)器人和虛擬助手)的采用，使得企業(yè)和消費(fèi)者在智能手機(jī)、游戲機(jī)等虛擬個(gè)人助理揚(yáng)聲器上采用語音交互。語音對文本技術(shù)的應(yīng)用也在不斷增長，用于連接智能家居和汽車領(lǐng)域，以及在邊緣設(shè)備上運(yùn)行的嵌入式解決方案，而無需云支撐新的使用場景。