編者按：關(guān)心AI的人一定希望了解這個(gè)行業(yè)的新發(fā)展趨勢，近行業(yè)分析機(jī)構(gòu)CBInsights近發(fā)布了2019年AI趨勢報(bào)告正好能滿足這個(gè)需求。這份84頁的報(bào)告識(shí)別了25種AI趨勢，運(yùn)用CBInsights的NExTT分析框架，從行業(yè)采用度和市場優(yōu)勢兩個(gè)維度對(duì)其進(jìn)行歸類，可以為不同參與角色提供決策參考。電源管理IC，電源ic，充電ic，肖特基二極管，電源ic廠家，開關(guān)電源芯片

其關(guān)鍵發(fā)現(xiàn)是對(duì)電子商務(wù)搜索詞的上下文理解正在擺脫“試驗(yàn)”階段，不過距離廣泛采用還有很長一段路要走；深度學(xué)習(xí)是當(dāng)前絕大部分AI應(yīng)用的引擎。不過因?yàn)槟z囊網(wǎng)絡(luò)，這種技術(shù)可能需要改進(jìn)一下了；與生物測定領(lǐng)域的研究人員正在開始利用神經(jīng)網(wǎng)絡(luò)研究和測定此前難以量化的非典型風(fēng)險(xiǎn)因素；能訪問大型標(biāo)簽化的數(shù)據(jù)是訓(xùn)練AI算法的必需，而逼真的仿造數(shù)據(jù)也許能解決這一瓶頸。

為了方便各位了解，36氪對(duì)這25種趨勢進(jìn)行摘要編譯介紹。電源管理IC，電源ic，充電ic，肖特基二極管，電源ic廠家，開關(guān)電源芯片

必需

開源框架

AI的進(jìn)入門檻變得的低，這要感謝開源軟件。

以2015年Google開源TensorFlow機(jī)器學(xué)習(xí)庫為開端，現(xiàn)在AI（尤其是深度學(xué)習(xí)）的開源框架已經(jīng)形成百花齊放的局面，其中有Facebook的PyTorch、特利爾學(xué)習(xí)算法研究所（MILA）的Theano、Keras、Microsoft Cognitive Toolkit以及Apache MXNet等等。電源管理IC，電源ic，充電ic，肖特基二極管，電源ic廠家，開關(guān)電源芯片

開源AI框架是雙贏的局面：一方面令人人都能用上AI；反過來，貢獻(xiàn)者社區(qū)也為加速Google等公司的AI研究提供了幫助。

AIYoshua Bengio表示：

支持深度學(xué)習(xí)研究的軟件生態(tài)體系發(fā)展得很快，現(xiàn)在已經(jīng)達(dá)到了一種健康的狀態(tài)：開源軟件成為規(guī)范；各種框架出現(xiàn)，滿足了從探索新穎想法到生產(chǎn)部署的各種需求。而且不同的軟件堆棧也在的競爭氛圍下得到了有力的行業(yè)玩家的支持。

邊緣AI

對(duì)實(shí)時(shí)決策的需求正在將AI推向靠近邊緣的地方。

在智能手機(jī)、汽車甚可穿戴設(shè)備等邊緣設(shè)備上運(yùn)行AI算法，而不是跟云平臺(tái)或服務(wù)器通信，使得邊緣設(shè)備具備了在本地處理信息的能力，并且可以更快速地對(duì)情況做出響應(yīng)。

Nvidia、高通、蘋果及若干初創(chuàng)企業(yè)均在開發(fā)用于邊緣的AI專用芯片。

邊緣AI對(duì)消費(fèi)者電子、電信、影像等主業(yè)均有應(yīng)用意義。比方說監(jiān)控?cái)z像頭的人臉識(shí)別、華為、蘋果等智能手機(jī)的人臉與對(duì)象識(shí)別、Tesla AI芯片的即時(shí)駕駛決策、嬰兒監(jiān)視器、無人機(jī)、機(jī)器人視覺能力（無互聯(lián)網(wǎng)連接）等。

在2018年各大公司的財(cái)報(bào)會(huì)上，提到邊緣計(jì)算的次數(shù)已經(jīng)明顯增多。

不過盡管邊緣AI具有減少延時(shí)的優(yōu)勢，但也存在局限。那就是存儲(chǔ)和處理能力受到限制。預(yù)計(jì)會(huì)有更多混合模式出現(xiàn)，使得智能邊緣設(shè)備能夠相互溝通以及與服務(wù)器通信。

臉部識(shí)別

從手機(jī)解鎖到登機(jī)手續(xù)，人臉識(shí)別正在進(jìn)入主流。

人臉識(shí)別在的媒體熱度從2016年開始就不斷升溫。

對(duì)人臉識(shí)別技術(shù)的需求也與之同步。在這方面已經(jīng)冒出了商湯科技、Face++、CloudWalk等獨(dú)角獸。

美國這方面的的專利申請(qǐng)也呈現(xiàn)相似的趨勢。

人臉識(shí)別的早期商業(yè)應(yīng)用正在安保、零售及消費(fèi)者電子領(lǐng)域出現(xiàn)，并且迅速成為生物特征識(shí)別的主流形式。

盡管人臉識(shí)別應(yīng)用日益廣泛，但這種技術(shù)并不是沒有瑕疵。曾有報(bào)道稱Amazon將一位國會(huì)議員認(rèn)成了犯罪份子。華爾街日?qǐng)?bào)記者用一張校長照片作為面具就輕易騙過了西雅圖一所學(xué)校的智能攝像頭。

影像與診斷

美國FDA正在給AI即設(shè)備開綠燈。

2018年4月，F(xiàn)DA批準(zhǔn)了無需補(bǔ)充意見進(jìn)行篩查糖尿病視網(wǎng)膜病變病人的AI軟件。該軟件叫做IDx-DR，其識(shí)別率達(dá)到了87.4%，對(duì)沒有此病的識(shí)別率也達(dá)到了89.5%。

此外，F(xiàn)DA批準(zhǔn)了初創(chuàng)企業(yè)Via.ai的CT掃描與潛在中風(fēng)癥狀通知軟件Viz LVO，以及初創(chuàng)企業(yè)Arterys的Oncology AI軟件包，后者可以識(shí)別肺部與肝臟損傷。

監(jiān)管的放松給商業(yè)化開辟了新的道路。自2014年以來，共有80家AI影像與診斷公司完成了149項(xiàng)融資交易。

初創(chuàng)企業(yè)Healthy.io的款產(chǎn)品Dip.io利用率了傳統(tǒng)的尿液分析試紙來監(jiān)控若干尿路感染：用戶用智能手機(jī)拍攝試紙照片，計(jì)算機(jī)視覺算法就能根據(jù)不同的光照情況和相機(jī)品質(zhì)對(duì)結(jié)果進(jìn)行校正。產(chǎn)品可檢測感染及懷孕相關(guān)的并發(fā)癥。已在歐洲、以色列商用的Dip.io也已獲得FDA放行。

預(yù)測性維護(hù)

AI工業(yè)物聯(lián)網(wǎng)可為從制造商到設(shè)備保險(xiǎn)商的既有者節(jié)省數(shù)百萬美元的意外故障損失。

預(yù)測性維護(hù)利用傳感器及智能攝像頭不斷采集機(jī)器數(shù)據(jù)（如溫度、壓力等）。生成的實(shí)時(shí)數(shù)據(jù)的規(guī)模以及格式的多樣使得機(jī)器學(xué)習(xí)成為工業(yè)物聯(lián)網(wǎng)不可或缺的組件。假以時(shí)日，算法就能夠提前預(yù)測故障。

工業(yè)傳感器成本的下降，機(jī)器學(xué)習(xí)算法的進(jìn)展，以及邊緣計(jì)算的推進(jìn)，這些均使得預(yù)測性維護(hù)的應(yīng)用變得更加廣泛。

從下圖可以看出，對(duì)領(lǐng)域的投資正在逐年遞增。

其中活躍的投資者包括GE Ventures、西門子、SAP等。甚微軟等大公司也對(duì)自己的云與邊緣分析解決方案進(jìn)行擴(kuò)展，提供預(yù)測性維護(hù)能力。

電子商務(wù)搜索

對(duì)搜索詞的上下文理解已經(jīng)走出“試驗(yàn)”階段，但是大規(guī)模采用仍有很長一段路要走。

自2002年以來，Amazon已經(jīng)申請(qǐng)了35項(xiàng)與“搜索結(jié)果”有關(guān)的美國專利。其中包括利用卷積神經(jīng)網(wǎng)絡(luò)“確定一組圖像與查詢圖像類似的物品”，利用機(jī)器學(xué)習(xí)分析圖像的視覺特征，并基于此建立搜索查詢等。

eBay則利用機(jī)器學(xué)習(xí)來分析賣家的產(chǎn)品描述，然后借此尋找同類產(chǎn)品。

但是很多買家都是使用自然語言來進(jìn)行查詢，這對(duì)電子商務(wù)搜索構(gòu)成了挑戰(zhàn)。新興初創(chuàng)企業(yè)于是開始為零售商提供搜索技術(shù)。

圖像搜索初創(chuàng)企業(yè)ViSenze的客戶包括Uniqlo、Myntra、樂天等。它可以讓進(jìn)店客戶拍攝喜歡的東西的照片，然后上傳，在網(wǎng)上找到同樣的產(chǎn)品。

獲得阿里投資的以色列初創(chuàng)企業(yè)Twiggle正在基于電子商務(wù)搜索引擎開發(fā)語義API，對(duì)買家的特定搜索做出響應(yīng)。

試驗(yàn)

膠囊網(wǎng)絡(luò)

深度學(xué)習(xí)是當(dāng)今絕大部分AI應(yīng)用的引擎。但由于膠囊網(wǎng)絡(luò)，這種技術(shù)現(xiàn)在可能需要改進(jìn)一下了。

膠囊網(wǎng)絡(luò)（CapsNet）是深度學(xué)習(xí)先驅(qū)Geoffrey Hinton 2017-18年時(shí)提出的概念，旨在克服當(dāng)前圖像識(shí)別方法（主要是卷積神經(jīng)網(wǎng)絡(luò)CNN）的缺陷。

這種缺陷主要有2個(gè)。一是難以識(shí)別精確空間關(guān)系。比方說右圖中盡管嘴巴的相對(duì)位置發(fā)生了改變，CNN仍會(huì)將其識(shí)別成人臉。

二是無法從新的視角去理解對(duì)象。比方說下圖中膠囊網(wǎng)絡(luò)在識(shí)別1、2行為同一玩具的不同視角中表現(xiàn)要比CNN出色得多。CNN則需要更大的訓(xùn)練數(shù)據(jù)集才能認(rèn)出每個(gè)方向的對(duì)象。已經(jīng)有黑客通過引入少量噪音就能讓CNN把目標(biāo)誤認(rèn)成其他對(duì)象。

盡管目前對(duì)膠囊網(wǎng)絡(luò)的研究仍處在初期階段，但有可能對(duì)目前的圖像識(shí)別方法構(gòu)成挑戰(zhàn)。

下一代修復(fù)術(shù)

非常早期的研究正在出現(xiàn)，通過生物、物理、機(jī)器學(xué)習(xí)的結(jié)合來解決修復(fù)術(shù)困難的問題之一：靈敏性。

從2006年開始，DARPA就投入了數(shù)百萬美元跟約翰霍普金斯大學(xué)合作修復(fù)術(shù)計(jì)劃來幫助受傷的老兵。但是這個(gè)問題解決起來并不容易。

比方說讓截肢者活動(dòng)假肢的手指，對(duì)自發(fā)運(yùn)動(dòng)背后的大腦和肌肉信號(hào)進(jìn)行解析，然后再轉(zhuǎn)換為自動(dòng)控制均需要跨學(xué)科的知識(shí)。

近，研究人員已經(jīng)開始利用機(jī)器學(xué)習(xí)對(duì)植入人體的傳感器的信號(hào)進(jìn)行解碼，然后將之翻譯為移動(dòng)假肢設(shè)備的指令。

約翰霍普金斯大學(xué)的應(yīng)用物理實(shí)驗(yàn)室一個(gè)進(jìn)行中的項(xiàng)目就是利用“神經(jīng)解碼算法通過”神經(jīng)接口來控制假肢的。

去年6月，德國及帝國理工學(xué)院的研究人員利用機(jī)器學(xué)習(xí)解碼截肢者殘肢的信號(hào)，并讓計(jì)算機(jī)來控制機(jī)械臂。

另一個(gè)思路是利用中介解決方案，比如利用肌電信號(hào)來攝像頭，然后再用計(jì)算機(jī)視覺算法估計(jì)抓手類型以及面前物體的大小。

臨床試驗(yàn)登記

臨床試驗(yàn)的大瓶頸在于登記合適的病人庫。蘋果有可能可以解決這個(gè)問題。

互操作性——也就是跨機(jī)構(gòu)和軟件系統(tǒng)分享信息的能力——是的大問題之一，盡管有了病歷數(shù)字化的努力。

臨床試驗(yàn)在這方面問題尤其嚴(yán)重，將合適的試驗(yàn)與適當(dāng)?shù)牟∪诉M(jìn)行匹配是很耗時(shí)且充滿挑戰(zhàn)的過程。而光美國目前就有18000項(xiàng)臨床研究正在招募病人。

理想的AI解決方案是由人工智能軟件析取病人病歷的相關(guān)信息，將之與進(jìn)行中的試驗(yàn)進(jìn)行對(duì)比，然后給出匹配的研究建議。

在病人與計(jì)劃匹配方面，蘋果等技術(shù)巨頭已經(jīng)取得了一定的成功。

從2015年開始，蘋果就推出了2個(gè)開源框架——ResearchKit與CareKit——來幫助臨床試驗(yàn)招募病人，并且遠(yuǎn)程監(jiān)控病人的健康狀況。這些框架使得研究人員和開發(fā)者得以創(chuàng)建app來監(jiān)控人們的日常生活，了登記的地理障礙。蘋果還在跟熱門的電子病歷供應(yīng)商合作解決互操作性問題。

2018年6月，蘋果面向開發(fā)者推出了Health Records API。用戶現(xiàn)在可以選擇向第三方應(yīng)用和研究人員分享數(shù)據(jù)，為管理與生活方式監(jiān)控打開新的機(jī)會(huì)。

生成對(duì)抗網(wǎng)絡(luò)（GAN）

兩個(gè)互相比聰明的神經(jīng)網(wǎng)絡(luò)正在變得非常擅長創(chuàng)作出逼真的圖像。

你能認(rèn)出下面哪些圖像是假的嗎？

答案是全都是。這些全都是GAN創(chuàng)造出來的。

生成對(duì)抗網(wǎng)絡(luò)是非監(jiān)督式學(xué)習(xí)的一種方法，通過讓兩個(gè)神經(jīng)網(wǎng)絡(luò)相互博弈的方式進(jìn)行學(xué)習(xí)。該方法由Google研究人員Ian Goodfellow于2014年提出。生成對(duì)抗網(wǎng)絡(luò)由一個(gè)生成網(wǎng)絡(luò)與一個(gè)判別網(wǎng)絡(luò)組成。生成網(wǎng)絡(luò)從潛在空間（latent space）中隨機(jī)采樣作為輸入，其輸出結(jié)果需要盡量模仿訓(xùn)練集中的真實(shí)樣本。判別網(wǎng)絡(luò)的輸入則為真實(shí)樣本或生成網(wǎng)絡(luò)的輸出，其目的是將生成網(wǎng)絡(luò)的輸出從真實(shí)樣本中盡可能分辨出來。而生成網(wǎng)絡(luò)則要盡可能地欺騙判別網(wǎng)絡(luò)。兩個(gè)網(wǎng)絡(luò)相互對(duì)抗、不斷調(diào)整參數(shù)，終目的是使判別網(wǎng)絡(luò)無法判斷生成網(wǎng)絡(luò)的輸出結(jié)果是否真實(shí)。

擴(kuò)充GAN式的大規(guī)模項(xiàng)目的主要挑戰(zhàn)是計(jì)算能力。Google研究人員在創(chuàng)建“BigGAN”用了512塊TPU來創(chuàng)建512像素的圖像，一次試驗(yàn)的電耗大概就要2450到4915千瓦時(shí)之間。這已經(jīng)相當(dāng)于普通美國家庭半年的電耗。

而且GAN要想擴(kuò)充，AI硬件也的并行擴(kuò)充。

除了有趣的試驗(yàn)以外，GAN也有其他嚴(yán)肅的用途，比如假冒政治視頻和色情作品的換臉等。隨著GAN研究的擴(kuò)大，這種技術(shù)勢必會(huì)對(duì)新聞、媒體、藝術(shù)及網(wǎng)絡(luò)構(gòu)成挑戰(zhàn)。GAN已經(jīng)改變了我們訓(xùn)練AI算法的方式。

聯(lián)邦學(xué)習(xí)

這種新方法旨在用敏感用戶數(shù)據(jù)訓(xùn)練AI的同時(shí)保護(hù)隱私。

我們跟智能設(shè)備的日?；?dòng)可以產(chǎn)生豐富的數(shù)據(jù)，這些數(shù)據(jù)用于訓(xùn)練AI算法的話可以極大地其表現(xiàn)，比如可以更加精確地預(yù)測你接下來要輸入的字是什么。但是這些用戶數(shù)據(jù)也會(huì)涉及到個(gè)人隱私問題。

Google于是提出了聯(lián)邦學(xué)習(xí)的方案，旨在利用這一豐富數(shù)據(jù)集的同時(shí)保護(hù)敏感數(shù)據(jù)。簡而言之，你的數(shù)據(jù)依然留在你的手機(jī)里，不會(huì)發(fā)送或存儲(chǔ)到云服務(wù)器上。而是由云服務(wù)器將新版的算法（算法的“全局狀態(tài)”）發(fā)往隨機(jī)選擇的用戶設(shè)備上。

你的手機(jī)做出改進(jìn)然后基于本地化的數(shù)據(jù)對(duì)模型進(jìn)行更新。之后只有這種更新（以及來自其他用戶的更新）會(huì)回傳給云服務(wù)器以該“全局狀態(tài)”，然后再不斷重復(fù)這一過程。

把單個(gè)更新聚合起來的做法其實(shí)并不新鮮，其他算法早就這樣做了。聯(lián)邦學(xué)習(xí)的不同在于它考慮了數(shù)據(jù)集的兩個(gè)重要特征：

Non-IID：其他分布式算法均假設(shè)數(shù)據(jù)是獨(dú)立同分布（Independent and identically distributed，IID）的，但其實(shí)每一部手機(jī)生成的數(shù)據(jù)都是的，因?yàn)椴煌娜耸褂昧?xí)慣不同，聯(lián)邦學(xué)習(xí)考慮到了這種不同。不平衡：某些用戶使用app更加活躍，自然也會(huì)產(chǎn)生更多的數(shù)據(jù)。因此每一部手機(jī)的訓(xùn)練數(shù)據(jù)量也不一樣。Firefox自稱是在重要軟件項(xiàng)目中首個(gè)實(shí)現(xiàn)聯(lián)邦學(xué)習(xí)的用例之一。當(dāng)用戶在瀏覽器輸入U(xiǎn)RL時(shí)，F(xiàn)irefox會(huì)利用聯(lián)邦學(xué)習(xí)進(jìn)行URL推薦排名。

AI初創(chuàng)企業(yè)OWKIN則利用聯(lián)邦學(xué)習(xí)來保護(hù)敏感的病人數(shù)據(jù)。其方案可以讓不同的癌癥在病人數(shù)據(jù)不離開本地的情況下進(jìn)行協(xié)作。

生物測定

研究人員正在開始利用神經(jīng)網(wǎng)絡(luò)來研究和測定此前難以量化的非典型風(fēng)險(xiǎn)因素。

Google的研究人員利用視網(wǎng)膜圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后再用該神經(jīng)網(wǎng)絡(luò)去尋找心血管風(fēng)險(xiǎn)因素。其研究發(fā)現(xiàn)，通過視網(wǎng)膜不僅可以識(shí)別年齡、性別、抽煙習(xí)慣等風(fēng)險(xiǎn)因素，還可以對(duì)這些因素量化到一定的精確程度。

類似地，梅奧診所也跟以色列初創(chuàng)企業(yè)Beyond Verbal合作，通過分析聲音的聲學(xué)特征來尋找冠心病人的聲音特性。研究發(fā)現(xiàn)，當(dāng)受試者描述一段情感經(jīng)歷時(shí)，有兩個(gè)聲音特性跟冠心病存在強(qiáng)關(guān)聯(lián)。

初創(chuàng)企業(yè)Cardiogram近的研究發(fā)現(xiàn)，利用深度學(xué)習(xí)，糖尿病引起的心率變異性改變可通過現(xiàn)成的可穿戴心率傳感器檢測出來。其檢測精確率可達(dá)85%。

AI尋找模式的能力將會(huì)繼續(xù)為新的診斷方法和識(shí)別此前未知的風(fēng)險(xiǎn)因素開辟新的道路。

自動(dòng)索賠處理

保險(xiǎn)公司和初創(chuàng)企業(yè)正開始用AI計(jì)算車主的“風(fēng)險(xiǎn)評(píng)分”，對(duì)事故場景圖片進(jìn)行分析，并監(jiān)控司機(jī)行為。

螞蟻金服在“事故處理系統(tǒng)”中利用了深度學(xué)習(xí)算法來進(jìn)行圖片處理。過去需要理算員現(xiàn)場處理的事情現(xiàn)在可以由圖像處理承擔(dān)了。車主只需上傳車輛照片給螞蟻金服，神經(jīng)網(wǎng)絡(luò)就會(huì)分析圖片，自動(dòng)進(jìn)行損失評(píng)估。

螞蟻金服還建立了司機(jī)的風(fēng)險(xiǎn)檔案來影響車險(xiǎn)的定價(jià)模型。他們引入了所謂的“車險(xiǎn)分”，基于信用記錄、消費(fèi)習(xí)慣、駕駛習(xí)慣等利用機(jī)器學(xué)習(xí)計(jì)算車主的風(fēng)險(xiǎn)評(píng)分。

初創(chuàng)企業(yè)Nexar鼓勵(lì)司機(jī)把自己的智能手機(jī)當(dāng)成行車記錄儀使用，并且將記錄上傳給Nexar app。車主的好處是可以有車險(xiǎn)的折扣。

拿到視頻的app會(huì)利用計(jì)算機(jī)視覺算法監(jiān)控路況、司機(jī)行為以及事故。App還提供了“事故重現(xiàn)”功能，并與保險(xiǎn)客戶合作處理索賠。

初創(chuàng)企業(yè)Tractable可以讓保險(xiǎn)公司將受損車輛圖片及車損估價(jià)上傳到其索賠管理平臺(tái)。“AI Review”功能就可以將這些資料與庫中的幾千圖片對(duì)比，然后進(jìn)行相應(yīng)的定價(jià)調(diào)整。

防偽/打假

假貨越來越難以識(shí)別，而在線購物又讓賣假貨變得的便利。為此，品牌商正在開始利用AI來打假。

拼多多在18年Q3財(cái)報(bào)會(huì)上提了11次“假貨”，稱“打擊假貨和不誠信商家非常困難。”

品牌正在兩條戰(zhàn)線上對(duì)抗假貨的沖擊：

在線上，需要識(shí)別并讓侵權(quán)商品下架。在線下，需要識(shí)別宰客的假貨（如手包）。阿里巴巴正在利用深度學(xué)習(xí)持續(xù)掃描自家平臺(tái)以發(fā)現(xiàn)IP侵權(quán)的情況。它利用了圖像識(shí)別來確認(rèn)圖片的特征，再加上語義識(shí)別，從而監(jiān)控上架商品圖片中是否有品牌名稱或者口號(hào)。

造假者會(huì)利用跟品牌十分類似的關(guān)鍵字和圖片來銷售假貨。而且他們就像牛皮蘚一樣，一旦假貨下架之后，他們又會(huì)換一組關(guān)鍵詞重新發(fā)布同樣的假貨。

初創(chuàng)企業(yè)Red Points正在利用機(jī)器學(xué)習(xí)掃描網(wǎng)站潛在的侵權(quán)情況，并且找出造假者使用的關(guān)鍵字選擇模式。

線下打假就更加棘手了，而且需要更大的人力。

賣家賣或者典當(dāng)二手奢侈品手包時(shí)，驗(yàn)證過程通常需要鑒定親自檢查手包的工藝、材料及縫線模式。

但是一些A貨已經(jīng)逼真到肉眼無法辨別的地步。

初創(chuàng)企業(yè)Entrupy 跟鑒定合作建立真品、贗品數(shù)據(jù)庫來訓(xùn)練算法已有2年時(shí)間。他們利用一種可以連接智能手機(jī)的便攜式顯微鏡讓用戶拍照上傳物件圖片，算法再分析是否具備真品獨(dú)有的微觀特征。不過這種辦法也有局限性。因?yàn)榇蠖鄶?shù)按照標(biāo)準(zhǔn)規(guī)定制造的產(chǎn)品都有類似的特征（造假者也運(yùn)用了這些工藝）。而且像芯片、納米材料這樣的東西并不適用。

Cypheme采用的是另一種辦法?；谌斯ぶ悄艿姆纻嗡菰醇夹g(shù)，通過使用特種紙張作為媒介制作標(biāo)簽，并可進(jìn)行產(chǎn)品溯源。公司宣稱這種標(biāo)簽使用了技術(shù)，是無法仿造的。而且即便標(biāo)簽是原件，如果不在數(shù)據(jù)庫中有記錄，產(chǎn)品也會(huì)被識(shí)別為假貨。

免收銀零售

進(jìn)店、拿貨、出門，這幾乎給人感覺就是入店行竊。AI可以讓過去被視為盜竊的事情及免收銀零售變得更加常見。

Amazon Go就徹底取消了收銀流程，讓顧客進(jìn)店取貨即走。但是Amazon并沒有詳細(xì)介紹過未來的運(yùn)營和商業(yè)計(jì)劃，只是說實(shí)現(xiàn)利用了傳感器、攝像頭、計(jì)算機(jī)視覺及深度學(xué)習(xí)算法但否認(rèn)使用了人臉識(shí)別技術(shù)。

像Standard Cognition和AiFi這樣的初創(chuàng)企業(yè)則抓住了機(jī)會(huì)，將Amazon Go的方案普及到零售商。免收銀商店的一大挑戰(zhàn)是如何向適當(dāng)?shù)念櫩褪杖≌_的費(fèi)用。

迄今為止Amazon Go是成功的商業(yè)案例，但是這個(gè)案例有很多因素是受控的。只有Prime會(huì)員才能進(jìn)店。其他人要想效仿，先建立起自己的會(huì)員制。

AiFi的方案是如果下載其app就可以拿貨走人，不愿意下載的可以單獨(dú)開辟收銀臺(tái)。但是商店的基礎(chǔ)設(shè)施應(yīng)如何支持這兩種方案尚不清楚。

另一大問題是銷售點(diǎn)存貨損耗問題，比如算錯(cuò)錢或者偷盜。依圖與東芝的智能收銀攝像頭是其中一些解決方案。但是防偷盜問題與運(yùn)營范圍和規(guī)模相關(guān)。Amazon Go只有1800到3000平方英尺，但使用的攝像頭就達(dá)到了數(shù)百個(gè)。幾乎把每一寸地方都覆蓋到了。但傳統(tǒng)的超市一般都有40000平方英尺或以上，需要解決攝像頭如何布局才能的問題。

此外，由于商品種類繁多，如何才能識(shí)別哪位購物者取走了哪件商品呢？這些需要重量傳感器、攝像頭以及計(jì)算機(jī)視覺算法足夠強(qiáng)大。

Standard Cognition跟日本大的CPG批發(fā)商百陸達(dá)合作，宣稱要在2020年東京奧運(yùn)會(huì)前改造3000家店鋪。AiFi據(jù)報(bào)道已有20個(gè)零售商客戶。

近期而言，這項(xiàng)技術(shù)的發(fā)展要取決于部署成本及存貨損失成本，以及零售商能否承擔(dān)這些成本和風(fēng)險(xiǎn)。

后端辦公自動(dòng)化

AI正在對(duì)事務(wù)性工作進(jìn)行自動(dòng)化，但是數(shù)據(jù)的不同屬性和格式會(huì)對(duì)這項(xiàng)工作構(gòu)成挑戰(zhàn)。

不同的行業(yè)和應(yīng)用都有其的挑戰(zhàn)。

比方說臨床試驗(yàn)里面很多試驗(yàn)都是手寫記錄然后數(shù)字化的。但是這種格式往往難以搜索，而手寫的臨床記錄又會(huì)對(duì)自然語言處理構(gòu)成挑戰(zhàn)。車險(xiǎn)索賠自動(dòng)處理中評(píng)估損傷和追溯事故根源時(shí)也會(huì)遇到麻煩。

不過不同的板塊都在開始不同程度地采用基于機(jī)器學(xué)習(xí)的工作流解決方案。

機(jī)器人流程自動(dòng)化（Robotic Process Automation ，RPA）泛指任何重復(fù)性的后端事務(wù)性工作的自動(dòng)化，近是炒作的主題之一。但就像AI一樣，這個(gè)詞涉及內(nèi)容也是包羅萬象，從數(shù)據(jù)錄入到合規(guī)性檢查、交易處理、客戶培訓(xùn)不等。

很多ML解決方案已經(jīng)開始將圖像識(shí)別與語言處理整合到一起。電源管理IC，電源ic，充電ic，肖特基二極管，電源ic廠家，開關(guān)電源芯片

比如WorkFusion就把了解客戶與反洗錢這樣的后端運(yùn)營工作自動(dòng)化了。

獨(dú)角獸UiPath的服務(wù)已擁有700多家企業(yè)客戶，包括DHL、NASA、HP等。

Automation Anywhere是另一家獨(dú)角獸。該公司有一個(gè)案例是跟一家全球銀行合作，用機(jī)器學(xué)習(xí)進(jìn)行自動(dòng)化人力資源管理。“IQ機(jī)器人”會(huì)從多個(gè)國家多種語言提交的表格中提取信息、清洗數(shù)據(jù)，然后自動(dòng)錄入到人力資源管理系統(tǒng)內(nèi)。

不過RPA在很多行業(yè)尚處在起步階段，有的在疊加預(yù)測性分析曾之前還得閑解決數(shù)字化的問題。

語言翻譯

語言翻譯的NLP既是挑戰(zhàn)也是有待發(fā)掘的市場機(jī)遇。大公司正在挑戰(zhàn)極限。

機(jī)器翻譯在后端辦公自動(dòng)化存在著巨大商機(jī)，在跨國組織、客戶支持、新聞&媒體等領(lǐng)域均有應(yīng)用機(jī)會(huì)。

百度的耳機(jī)翻譯器跟Google Pixel buds類似，據(jù)稱能完成40種語言的實(shí)時(shí)互譯。

有的初創(chuàng)企業(yè)比如Unbabel則引入了人參與到記憶翻譯系統(tǒng)當(dāng)中，目標(biāo)是用反饋回環(huán)來訓(xùn)練算法改進(jìn)。

1年前，Yoshua Bengio提出了用神經(jīng)網(wǎng)絡(luò)架構(gòu)來取代傳統(tǒng)統(tǒng)計(jì)法的翻譯方案，后來Google就升級(jí)了Google Translate Tool的算法。Google原先采用的是基于短語的機(jī)器翻譯（PBMT），其新的工具采用了神經(jīng)機(jī)器翻譯（GNMT）方案，并且提出了解決訓(xùn)練模型時(shí)遇到的時(shí)間和計(jì)算資源問題的解決方案。

不過近的突破卻是來自Facebook的。據(jù)稱其突破在于過去的方法只有在資源豐富的語種互譯時(shí)比較有效，但對(duì)少數(shù)語種的翻譯就比較有局限性。Facebook提出了一種可學(xué)習(xí) 93 種語言的聯(lián)合多語言句子表征架構(gòu)。該架構(gòu)僅使用一個(gè)編碼器，且可在不做任何修改的情況下實(shí)現(xiàn)跨語言遷移。

隨著大公司不斷投入資源到改進(jìn)翻譯框架之中，翻譯效率和語言能力也將得到，預(yù)計(jì)機(jī)器翻譯將會(huì)在更多行業(yè)得到采用。

合成訓(xùn)練數(shù)據(jù)

訓(xùn)練AI算法離不開大規(guī)模的標(biāo)簽數(shù)據(jù)集。而逼真的仿造數(shù)據(jù)有望解決這個(gè)瓶頸問題。

AI算法的表現(xiàn)取決于獲得的數(shù)據(jù)，但是為不同應(yīng)用獲取數(shù)據(jù)并給數(shù)據(jù)打上標(biāo)簽卻是耗時(shí)耗錢的活兒，甚沒有可行性（不妨設(shè)想無人車需要的危險(xiǎn)情況數(shù)據(jù)）。

合成數(shù)據(jù)集可以解決這個(gè)問題。

2018年3月，英偉達(dá)推出了NVIDIA推出DRIVE Constellation仿真系統(tǒng)，稱可以在虛擬現(xiàn)實(shí)環(huán)境中測試自動(dòng)駕駛汽車行駛數(shù)十億英里。

比方說設(shè)想無人車行駛過程中遇到雷暴。英偉達(dá)的解決方案會(huì)模擬這種情況下車載傳感器（攝像頭或LiDAR）會(huì)生成什么樣的數(shù)據(jù)。合成的傳感器數(shù)據(jù)再提供給計(jì)算機(jī)進(jìn)行決策，就好像自己真的在開車一樣，然后把命令回傳給虛擬汽車。

一個(gè)有趣的新興趨勢是利用AI本身幫助生成更“逼真”的合成圖像來訓(xùn)練AI。比方說英偉達(dá)就用GAN來生成假的腦瘤MRI圖像。

GAN可用來“增強(qiáng)”現(xiàn)實(shí)世界數(shù)據(jù)，意味著AI可以用混合現(xiàn)實(shí)世界和模擬數(shù)據(jù)來進(jìn)行訓(xùn)練，從而形成更大規(guī)模更多樣化的數(shù)據(jù)集。

機(jī)器人是另一個(gè)極大受益于高精度合成數(shù)據(jù)的領(lǐng)域之一。

類似AI.Reverie這樣的早期階段初創(chuàng)企業(yè)正在開發(fā)仿真平臺(tái)為不同行業(yè)和場景生成數(shù)據(jù)集。

隨著技術(shù)的發(fā)展以及合成數(shù)據(jù)能夠更精確地模擬現(xiàn)實(shí)場景，預(yù)計(jì)這會(huì)成為無法獲取大規(guī)模數(shù)據(jù)集的小公司的催化劑。

威脅

強(qiáng)化學(xué)習(xí)

從訓(xùn)練算法擊敗棋類游戲的世界，到教AI耍雜技，研究人員正在用強(qiáng)化學(xué)習(xí)挑戰(zhàn)極限。但對(duì)大規(guī)模數(shù)據(jù)集的需求目前限制了實(shí)際應(yīng)用。

強(qiáng)化學(xué)習(xí)因?yàn)镈eepMind的AlphaGo而引起了媒體的大量關(guān)注。

簡而言之，強(qiáng)化學(xué)習(xí)的要點(diǎn)就是為了實(shí)現(xiàn)目標(biāo)獲得大回報(bào)你需要干什么？

也正因?yàn)榇?，?qiáng)化學(xué)習(xí)在游戲和機(jī)器人仿真方面的發(fā)展好。

DeepMind的AlphaGo一開始是利用率有監(jiān)督學(xué)習(xí)（用其他人類玩家數(shù)據(jù)訓(xùn)練算法）和強(qiáng)化學(xué)習(xí)（AI跟自己下）的。

不過后來的AlphaGo Zero就完全是用強(qiáng)化學(xué)習(xí)來實(shí)現(xiàn)超人的表現(xiàn)了。

近加州大學(xué)伯克利分校的研究人員開始用計(jì)算機(jī)視覺和強(qiáng)化學(xué)習(xí)教算法學(xué)習(xí)YouTube視頻上的雜耍視頻。在無需人工標(biāo)記姿勢的情況下，計(jì)算機(jī)仿真角色就能重復(fù)視頻里面的動(dòng)作。而且還能在新環(huán)境中應(yīng)用學(xué)到的技能。

不過強(qiáng)化學(xué)習(xí)的采用情況跟目前普遍的有監(jiān)督學(xué)習(xí)完全不能同日而語。但強(qiáng)化學(xué)習(xí)的專利申請(qǐng)情況卻是在不斷增長的。

網(wǎng)絡(luò)優(yōu)化

從頻譜共享到資產(chǎn)監(jiān)控乃于天線的優(yōu)化設(shè)計(jì)，AI正在開始改變電信。

電信網(wǎng)絡(luò)優(yōu)化是一組改進(jìn)延時(shí)、貸款、設(shè)計(jì)或者架構(gòu)的技術(shù)，任何以有利的方式增強(qiáng)數(shù)據(jù)流的東西都算。對(duì)通信服務(wù)提供商來說，優(yōu)化會(huì)直接轉(zhuǎn)化為更好的客戶體驗(yàn)。

除了帶寬限制之外，通信面臨的大挑戰(zhàn)之一是網(wǎng)絡(luò)時(shí)延。類似手機(jī)AR/VR這樣的應(yīng)用只有在時(shí)延極低的情況下才好用。

蘋果近被授予了一項(xiàng)專利，就是用機(jī)器學(xué)習(xí)來組建“預(yù)期網(wǎng)絡(luò)”，預(yù)計(jì)像智能手機(jī)這樣的無線設(shè)備在未來可能會(huì)執(zhí)行什么樣的操作，從而提前下載數(shù)據(jù)包以降低時(shí)延。

機(jī)器學(xué)習(xí)的另一項(xiàng)新興應(yīng)用是頻譜共享。

頻譜共享是解決頻率資源短缺的必然之道。FCC（美國聯(lián)邦通信委員會(huì)）要求，3.5到3.7GHz頻段由不同用戶共享。也就是說運(yùn)營商可基于可用性動(dòng)態(tài)訪問共享的頻譜，從而可以根據(jù)網(wǎng)絡(luò)需求對(duì)帶寬進(jìn)行調(diào)整。而沒有獲得專用頻譜許可的較小商業(yè)用戶也可以訪問。

像Federated Wireless這樣的公司提供了Secure Spectrum Access（SAS，頻譜訪問）來動(dòng)態(tài)分配頻譜給不同等級(jí)的用戶，確保不會(huì)造成干擾。

2018年，F(xiàn)ederated Wireless被授予了一項(xiàng)專利，該專利運(yùn)用了機(jī)器學(xué)習(xí)技術(shù)來對(duì)無線信號(hào)進(jìn)行分類，同時(shí)又隱藏了聯(lián)邦信號(hào)的特征，從而避免被黑客利用。

DARPA則希望終能從SAS轉(zhuǎn)到完全基于ML的自動(dòng)化系統(tǒng)。為此它在2016年推出了鼓勵(lì)參賽者想出自主協(xié)作動(dòng)態(tài)分配頻譜辦法的Spectrum Collaboration Challenge。并在2017年推出了Radio Frequency Machine Learning Systems，跟Federated Wireless的方案類似，DARPA也是希望用ML區(qū)分不同類型的信號(hào)。

電信玩家也準(zhǔn)備將基于AI的解決方案整合進(jìn)下一代無線通信技術(shù)，也就是5G當(dāng)中。

三星為了應(yīng)對(duì)5G時(shí)代的到來而收購了基于AI的網(wǎng)絡(luò)與服務(wù)分析初創(chuàng)企業(yè)Zhilabs，稱其軟件將用于分析用戶流量，對(duì)應(yīng)用進(jìn)行分類，整體服務(wù)質(zhì)量。

高通則把AI邊緣計(jì)算看作其5G計(jì)劃的關(guān)鍵部分。

還有一些研究論文開始探索用神經(jīng)網(wǎng)絡(luò)來設(shè)計(jì)優(yōu)化的天線。

無人車

盡管無人車市場商機(jī)無限，但何時(shí)實(shí)現(xiàn)全自動(dòng)尚不明朗。

大量技術(shù)巨頭和初創(chuàng)企業(yè)正在這個(gè)領(lǐng)域拼得頭破血流。

這個(gè)領(lǐng)域富盛名的是Google。其Waymo已經(jīng)在率先部署了無人車商業(yè)車隊(duì)。

投資者的投資熱度依然沒有消退。去年GM的Cruise Automation就拿到了10多億美元的融資，Zoox也融了5億美元。其他的初創(chuàng)企業(yè)還包括Drive.ai、Pony.ai與Nuro等。

在無人車方面尤其加大了投入。2017年，百度發(fā)布了無人駕駛開放平臺(tái)阿波羅，旨在將全球合作伙伴捆綁到一起，通過生態(tài)體系其他玩家的貢獻(xiàn)來加速AI和無人駕駛的研究。阿里巴巴也改變了懷疑態(tài)度，近也對(duì)其無人車進(jìn)行了試駕。

而盡管對(duì)這項(xiàng)技術(shù)的未來仍有懷疑，車企還是開足了馬力。預(yù)計(jì)到2025年該市場將達(dá)到800億美元。

一些行業(yè)有望成為無人車的個(gè)吃螃蟹者，比如物流和履約。

自動(dòng)化物流——尤其是后一公里的送貨——是零售商和履約公司的頭號(hào)關(guān)切，也是有望率先實(shí)現(xiàn)全自動(dòng)的領(lǐng)域。無人車可以幫助應(yīng)對(duì)費(fèi)錢費(fèi)力的后一公里送貨問題（成本將近配送成本的1/3）。

像美國亞利桑那州這樣的地方對(duì)無人車部署比較友好，從而成為了熱門的試驗(yàn)場。2018年6月，機(jī)器人初創(chuàng)企業(yè)Nuro開始跟美國大百貨商Kroger合作配送百貨。跟其他配送機(jī)器人不同，它的配送機(jī)器不僅在人行道行走，而且還會(huì)在社區(qū)道路行駛。

在飯店業(yè)，Domino’s和必勝客是試驗(yàn)無人車的先驅(qū)。福特正在邁阿密試驗(yàn)配送比薩、百貨等商品。包括Domino’s在內(nèi)，其合作伙伴已經(jīng)超過了70家企業(yè)。

作物監(jiān)控

三種類型的作物監(jiān)控正在農(nóng)業(yè)領(lǐng)域取得發(fā)展：地面、空中及地理空間。

農(nóng)業(yè)無人機(jī)市場到2021年預(yù)計(jì)將達(dá)到29億美元。

無人機(jī)可以進(jìn)行土地映射、利用熱成像監(jiān)控含水量，識(shí)別蟲患以及噴灑農(nóng)藥。

初創(chuàng)企業(yè)則關(guān)注于在第三方無人機(jī)捕捉到的數(shù)據(jù)之上增加一個(gè)分析層。

比方說Taranis就用第三方的Cessna飛機(jī)來做這件事情。去年aranis還收購了農(nóng)業(yè)AI技術(shù)初創(chuàng)企業(yè)Mavrx Imaging，后者開發(fā)了超高清影像技術(shù)來巡視和監(jiān)控土地。Taranis還利用AI技術(shù)來拼接土地成像，并且來幫助識(shí)別潛在的作物問題。

農(nóng)機(jī)設(shè)備制造商John Deere也在利用AI來重塑自己。它收購了農(nóng)機(jī)設(shè)備公司Blue River Technology。后者有利用計(jì)算機(jī)視覺來進(jìn)行智能除草與噴灑解決方案。

此類個(gè)體作物監(jiān)控有望成為農(nóng)業(yè)的主要顛覆者。如果地面農(nóng)機(jī)設(shè)備靠計(jì)算機(jī)視覺而變得更加智能，并且只噴灑有需求的作物的話，就可以減少對(duì)消滅附近一切的除草劑的需求。噴灑也意味著除草劑、殺蟲劑使用量的減少。

除了田地以外，計(jì)算機(jī)視覺還可以對(duì)衛(wèi)星影像進(jìn)行分析，從而為農(nóng)業(yè)耕作提供宏觀層面的理解。比如嘉吉公司就投資了Descartes Labs，后者利用衛(wèi)星數(shù)據(jù)為大豆、玉米等作物建立了一個(gè)預(yù)測模型。DARPA也在跟Descartes合作來預(yù)測作物。

暫時(shí)

網(wǎng)絡(luò)威脅追捕

對(duì)網(wǎng)絡(luò)攻擊做出反應(yīng)已經(jīng)不夠了。利用機(jī)器學(xué)習(xí)主動(dòng)“搜尋”威脅正在網(wǎng)絡(luò)取得良好的發(fā)展勢頭。

計(jì)算能力與算法的進(jìn)步正在把以前只有理論上可行的破解變成了真正的問題。2018年全球共有4.5PB的數(shù)據(jù)被盜用。相比之下，2017年為2.6PB。

跟AI的其他行業(yè)應(yīng)用不一樣，網(wǎng)絡(luò)防御是黑客與人士之間的一場貓捉老鼠的游戲，雙方均利用機(jī)器學(xué)習(xí)的進(jìn)步來獲取優(yōu)勢。

威脅搜尋是主動(dòng)尋找惡意活動(dòng)而不是對(duì)告警或者破壞情況發(fā)生后再被動(dòng)反應(yīng)。

搜尋從假設(shè)網(wǎng)絡(luò)存在潛在缺陷開始，然后利用手工或者自動(dòng)化工具來測試該假設(shè)，這是一個(gè)持續(xù)的、不斷迭代的過程。不過網(wǎng)絡(luò)所涉及的數(shù)據(jù)量使得機(jī)器學(xué)習(xí)成為該過程不可或缺的一部分。

不過盡管不同業(yè)務(wù)對(duì)威脅捕捉均有需求，但目前仍屬于較為小眾化的方向。擁有大量數(shù)據(jù)資源的大型企業(yè)會(huì)更加關(guān)切這個(gè)東西。

比方說，Amazon就收購了威脅追捕初創(chuàng)企業(yè)Sqrrl來開發(fā)產(chǎn)品，抓捕AWS客戶賬號(hào)上的黑客。

另一家AI初創(chuàng)企業(yè)Cylance的關(guān)注點(diǎn)也是威脅追捕，去年也已被黑莓收購。

網(wǎng)絡(luò)的覆蓋面越廣就越容易受到攻擊。威脅追捕有可能會(huì)有更大的發(fā)展勢頭，但是這個(gè)東西本身也有挑戰(zhàn)性，比如如何應(yīng)對(duì)不斷變化的動(dòng)態(tài)環(huán)境以及減少誤報(bào)問題。

對(duì)話式AI

對(duì)于很多企業(yè)來說，聊天機(jī)器人已成AI的同義詞——但是希望跟不上現(xiàn)實(shí)。

Google的會(huì)話式AI功能Duplex遇到了麻煩。

Duplex可以替用戶打電話和進(jìn)行預(yù)訂，而且溝通方式就像人一樣。但是這引發(fā)了道德?lián)鷳n，大家質(zhì)疑Duplex跟人對(duì)話時(shí)是否應(yīng)該表明自己的身份。

Google還把Duplex集成到了自己的新手機(jī)Pixel 3里面。這讓這部智能手機(jī)成為了AI的動(dòng)力室，里面還有一個(gè)“來電篩選”的選項(xiàng)，可以讓Google Assistant篩選掉垃圾來電。

美國的FAMGA和的BAT均在該領(lǐng)域投入了大量資源，但會(huì)話式AI暫時(shí)只在某些應(yīng)用領(lǐng)域具備一定的可行性。

其中廣泛的應(yīng)用之一是客戶服務(wù)。聊天機(jī)器人（注：并非所有機(jī)器人都采用自然語言處理）形成了跟用戶交互的層，然后根據(jù)復(fù)雜性程度再把查詢交給人處理。

但是和保險(xiǎn)的應(yīng)用就比較有挑戰(zhàn)性，因?yàn)檫@些領(lǐng)域的分類（測定情況的緊急程度）很復(fù)雜。

類似地，基于語音的對(duì)話式購物者沒有視覺線索的情況下也很有挑戰(zhàn)。

盡管分析師和CPG品牌均談到了語音購物可能是零售的下一個(gè)大事物，但這個(gè)東西還是沒有做起來。除了記錄特別物品外，它未能提供可帶動(dòng)在線貿(mào)易的關(guān)鍵客戶體驗(yàn)。

心理是聊天機(jī)器人有望成為顛覆性力量的另一個(gè)領(lǐng)域。

心理的高成本與全天候服務(wù)的吸引力導(dǎo)致了基于AI的心理機(jī)器人新時(shí)代的崛起。

早期階段初創(chuàng)企業(yè)的關(guān)注點(diǎn)是利用認(rèn)知行為療法來作為許多情緒跟蹤和數(shù)字健康日記app的會(huì)話式擴(kuò)展。

但是心理健康的范圍也很大，不同心理在癥狀、分析主觀性上各異，而且需要的情緒認(rèn)知和人際互動(dòng)。

所以盡管會(huì)話式AI具備成本和便利性的優(yōu)勢，但在像心理這樣的領(lǐng)域應(yīng)用會(huì)面臨很大的困難。

藥物發(fā)現(xiàn)

隨著AI生物技術(shù)初創(chuàng)企業(yè)的出現(xiàn)，傳統(tǒng)制藥公司正在尋求通過AI SaaS初創(chuàng)企業(yè)來獲得長周期的藥物發(fā)現(xiàn)的創(chuàng)新性解決方案。

2018年，輝瑞跟AI初創(chuàng)企業(yè)XtalPi達(dá)成了一項(xiàng)戰(zhàn)略合作關(guān)系，雙方一起合作來預(yù)測小分子的制藥屬性，并開發(fā)“基于計(jì)算的合理藥物設(shè)計(jì)”。

頂級(jí)制藥公司像諾華、賽諾菲、葛蘭素史克、安進(jìn)以及默克等均在近宣布了跟AI初創(chuàng)企業(yè)的合作關(guān)系，以便為從腫瘤到心臟病等發(fā)現(xiàn)新的候選藥物。

對(duì)本領(lǐng)域的興趣也推動(dòng)了AI藥物發(fā)現(xiàn)初創(chuàng)企業(yè)股權(quán)交易的發(fā)展，2018年Q2的交易數(shù)達(dá)到了20樁，相當(dāng)于2017年全年。

像Recursion Pharmaceuticals這樣的生物技術(shù)AI公司在AI與藥物研發(fā)方面均有投入，而傳統(tǒng)制藥公司主要是跟AI SaaS初創(chuàng)企業(yè)合作。

盡管許多這樣的初創(chuàng)企業(yè)仍然處在融資的早期階段，但是均聲稱已有制藥公司客戶。

雖然藥物配方階段的成功指標(biāo)寥寥無幾，但制藥公司正在押注數(shù)百萬美元到AI算法身上，希望能發(fā)現(xiàn)新穎的候選方案，并且改變?nèi)唛L的藥物發(fā)現(xiàn)流程。