近日，CBInsights宣布申报《2018人工智能趋向瞻望》（Top AI Trends To Watch In 2018），提出了13项2018年人工智能值得存眷的成长趋向。本文将基于这份申报的内容，依据部门具有前瞻性的洞察和不雅点停止解读，并合营现实案例以便更好地舆解。
1、新型制作业岗亭“机械人保母”
尽人皆知，蓬勃国度从休息密集型家当向技巧密集型家当转型进程中，会将低端和中端制作业外包给休息力本钱较低的成长中国度。中国正在阅历这一进程，例如服装网www.vhao.net市场中曾经涌现了“Made in Vietnam”或“Made in Thailand”。但是，跟着工业机械人技巧的提高和应用，外包不再是独一选择，蓬勃国度当地临盆的本钱变得更低，美国制作业雇员人数正在上升。
（美国制作业雇员人数年际变更）
中国服装网www.vhao.net制作商天元服装网www.vhao.net公司在美国阿肯色州小石头城设立工场，应用由格鲁吉亚的创业企业SoftWear Automation开辟的缝纫机机械人，来为Adidas临盆服装网www.vhao.net。2017年，天元服装网www.vhao.net公司与阿肯色州签订协作协定，在其工场雇佣400名员工，担任机械人的操作和保护，每人时薪14美元。当愈来愈多沉重的临盆任务将由机械人来完成时，人类将从事更高级的任务——机械人保母。
但是，赓续变更的花费者偏好障碍了全主动化的成长，在亚马逊高度主动化的仓库可以或许反应这一点。亚马逊的协作型仓库机械人履行年夜量沉重的任务，而一些奥妙的义务仍须要工人完成，好比从货架上遴选物品，并将它们分红零丁的定单。
另外，在“非构造化”情况中，机械人在抓取、拾取和处置项目方面依然不敷完善。亚马逊曾经在各类仓库中应用了10万多台机械人，但同时也发明了数千个新的任务岗亭。
2、国防的将来取决于AI
世界的疆场正在向数据中间转移。早在2014年，亚马逊就为美国中心谍报局树立了定制云盘算办事，知足其对敏感数据的严厉监管请求。在2017年第四时度，亚马逊云盘算办事平台AWS向谍报机构之外的其他当局机构开放了对象和办事。亚马逊还收买了两家收集平安公司，Harvest.ai和Sqrrl，用于掩护云中的敏感数据。不论是亚马逊，照样为当局客户供给办事的新公司，人工智能将成为当局支撑下的收集平安支柱。
在暗斗时代，列国当局都在议论他们的“导弹差距”，或许他们在核弹头方面绝对于敌手的优势。如今，列国当局在收集才能方面的差距愈来愈年夜。是以，收集平安与传统进攻的世界正在融会。
在曩昔5年里，共有134家始创AI收集平安公司在取得36.5亿美元的私募股权融资。客岁，约有34家公司初次融资，在Cybereason、CrowdStrike、Cylance和Tanium等年夜公司主导的市场中竞争，每家公司的估值约为9亿美元。
（AI收集平安创业公司进入由独角兽掌握市场的阶段）
乃至像埃森哲如许的传统征询公司，也一向在扩展其在收集平安范畴的技巧，以更好地办事于当局客户。一个值得留意的生意业务是始创公司Endgame，它有像美国空军如许的客户。Endgame将其当局办事部分出售给了埃森哲。
2016年，美国谍报界的风投公司In-Q-Tel赞助了Anomali、Interset和Cylance。英国的Darktrace公司宣称其收集平安体系在全球跨越3000个区域停止了安排，个中包括当局。总部位于美国科罗拉多州的Logrhythm公司与美国空军、美国航空航天局和国防承包商雷神公司协作。
其他国防承包商也在停止投资。洛克希德·马丁公司是Cybereason （今朝公司估值跨越9亿美元）的晚期投资者。在2017年，波音公司投资了德克萨斯的收集平安始创公司SparkCognition。
3、白领岗亭主动化加快
AI专业主动化和加强软件平台，正在晋升着临盆效力，并威逼着愈来愈多的白领阶级。上面的企业图谱，凸起展现了一些始创公司的专业主动化和加强软件，这些范畴包含律师、记者、财富治理人员、生意业务员和征询师等多个行业。
（EAAS企业图谱）
例如，人工智能有伟大的潜力来削减时光和进步司法任务的效力。在诉讼方面，天然说话处置可以在几分钟内整顿出数千页的司法文件，而这项义务能够须要一位人类任务人员消耗几地利间能力完成。同时，机械也下降了失足的几率。跟着人工智能平台变得加倍高效和贸易化，这将影响到按小时免费的内部律师事务所的免费构造。
法式员的任务也不克不及幸免。一些始创公司专注于开辟AI体系，用于软件测试、调试和基本前端开辟。客岁最热点的一款产物是英国的DiffBlue公司，该公司正在开辟AI体系完成主动编码义务，包含bug修复、自界说代码开辟和将代码从一种编程说话转换到另外一种编程说话等等。
4、胶囊收集：CNNs的“交班人”？
最近几年，卷积神经收集（CNNs）是深度进修中很风行的一项技巧。但是，一项新算法“胶囊收集”涌现，并无望在多个方面胜过CNNs。CNNs虽然获得了必定的胜利，但其缺点能够招致机能缺乏乃至平安破绽。研讨人员正在寻觅改良人工智能算法和战胜这些缺点的办法。下图展现了一个典范的案例，一个CNNs收集固然可以或许辨认出人脸特点，但却将第二幅图象误以为也是一张人脸。
（CNNs缺点）
Geoffrey Hinton于2017年揭橥了一篇研讨论文，引见了“胶囊收集”的概念，也称为CapsNet。论文正在审查阶段，还须要在现实场景下停止测试，但这一新闻曾经在媒体和科技界惹起了很年夜反应。胶囊收集可以或许更轻易地辨认出当人脸的特点（如地位）被从新分列时，则不再是一张人脸。
（capsule networks优势）
另外，CNNs没法处置分歧的输出数据变更。例如，研讨者必需从分歧角度或视角对统一对象的图象停止练习，以肯定一切的变更。是以，它须要年夜量的练习数据来涵盖一切能够的变更。Hinton宣称，胶囊收集在这方面的表示优于CNNs，它们仅须要较少的练习数据，而且在不须要对各类变更情形停止详实练习的情形下，斟酌对象的绝对地位和偏向。
