2019人工智能发展趋势阅读笔记 (原创：浦东改发院金融研究室主任刘斌)

1.开源

PyTorch 开源python机器学习平台

MILA 蒙特利尔研究所

开源库：Theano by Yoshua Bengio

Keras, Microsoft cognitive Toolkit，Apache MXNET

2. 实时决策 - 边缘AI

边缘设备：手机或汽车或可穿戴设备，实时决策，延时致命

存在局限：存储和处理的限制

混合模式：允许智能边缘设备彼此通讯，和中心服务通讯

3.面部识别

独角兽企业：商汤、旷世、云从科技

卡内基梅隆大学：“幻化面部特征”专利（重构全脸，识别戴面具的嫌疑犯）

Amazon: 增加额外的安全，用户做动作（摇头、眨眼、微笑等）+ "红外线影像信息"，热成像数据或其他类似信息，更稳健的进行验证

4.医疗影像

IDx-DR：筛选糖尿病、视网膜病人准确率 87.4%

VizLVO：来自Viz.ai的产品，可分析CT扫描，中风风险评估

Artergs的肿瘤人工智能套装，初期发现肺部到肝部病变

Healthy.io产品 Dip.io：通过尿液分析试纸拍照，监测尿路感染程度及怀孕情况

5.预测维护-未来可用性备受关注

预测设备零件何时失灵， sensor+智能摄像头，获取连续数据流（温度、压力），工业能源方面的应用

6.电商搜索

搜索术语上下文理解已跨过了”测试阶段“，但广泛应用还有很长的路

NLP、混沌工程、机器学习等

通过电商描述进行搜索还不够灵活，用户用自然语言描述的搜索对象的准确匹配成为问题

7.胶囊网络

深度学习领域Google的Geoffrey Hinton提出“胶囊概念”，新架构的CapsNet(2017-2018论文)优于CNN

目前的方法（神经元网络架构CNN）：1. 认识图像中的物体不够令人满意; 2. 另在推广到新角度时存在困难（paper on Dynamic Routing Between Capsules）

8.假肢灵敏性

强化学习，OpenSim软件刺激人类活动

9.临床试验注册

注册合适的病人，合适的病人匹配合适的试验，向病人建议匹配的研究

互操作性：机构间，软件系统间容易共享信息

苹果公司的两个开源框架：ResearchKit 和CareKit，帮助招募病人并远程监测其健康状况

2018年6月，苹果公司推出了Health Records API, 用户现在可以选择向第三方应用和医疗眼角人员分享其数据，为疾病管理和生活方式监控创造了机会

人工智能用于早起诊断，登记病人数据，促进药物设计决策方面，可能性无限

10.对抗生成网络-GANs-"AI v.s. AI"

创建写实图像，高度仿真图像

Google研究员lan Goodfellow 2014年提出的概念

两个神经网络：创建者，其生成伪造的图像；还有一个鉴别者，可以将结果和现实图像对比并将其复制的图像与现实图像的差距反馈给创建者，在竭力超越彼此的两个神经网络间形成一个持续的反馈回路

Google DeepMind实习生 Andraw Brock 在2018年9月论文：大量数据集训练GANs, 创建了BigGANs

扩大规模的项目是对计算力的考研

华沙理工大学使用GANs开发了ComixGAN框架，将视频转化成动漫

Nvidia的研究人员使用“基于样式的生成器”创造超现实图像

11.联邦学习

使用敏感的用户数据训练人工智能时保护隐私

简单来说就是数据还在你的手机上，不会传送或存储在中心化云端服务器，云端服务器发送最新的算法模型，也称为“全球化”的算法，给随机选择的用户设备。你的手机根据你的本地数据改善性能，并进行审计。这种更新升级发回云端改善“全球化”算法，这个过程不断重复

考虑数据集的两个重要特征：1.Non_ID：每个手机或设备数据独一无二，但是有不服从独立同分布

2. Unbalanced: 某些用户倾向于更多使用某种APP从而产生更多的这个应用的数据

12.高级医疗生物特征识别

使用神经网路，研究并测量此前很难量化的非典型风险因素

《自然》论文：利用视网膜图像训练的神经元网络来发现心血管风险、年龄、性别、和吸引习惯，通过视网膜图像，可达到量化精确度

1.Mayo Clinic 与专门分析声音中的声学特征的以色列创业企业Beyond Verbal合作，冠心病病人中独特声音特征

2.个人皮肤颜色或皮肤以为分析心脏病

13.自助理赔处理

保险公司和创业企业开始使用人工智能计算车主的“风险得分”，分析事故现场图像，监测司机行为

深度学习用于“事故图像处理”

“汽车保险评分”：Ali，机器学习方法，根据信用历史、支出习惯、驾驶习惯等计算车主的风险评分

14.打击假冒伪劣产品

深度学习或者机器学习扫描网站发现潜在侵权产品，Logo和宣传语侵权产品

Entrapty：便携显微镜，手机摄像头和神经网路用于模式识别，产品装有溯源图案

15.无人售货

Amazon Go， tech-as-a-service 取消一切付款流程，进店购物拿东西就走

计算机视觉

16.后台自动化

自动完成行政工作，应用NLP，机器人流程自动化RPA(伞式术语，包括一系列工作，从数据录入到合规到交易处理再到客户引导等)，基于ML、集成图形识别和语言处理

RPA领域独角兽：NorkFusion，企业Uipath提供的服务，Automation Anywhere

17.语言翻译

NLP

百度翻译耳塞 40+语言类似谷歌的Pixel Buds

Unbabel：人机回圈机器翻译系统，目标反馈回路会训练算法不断优化

Yoshua Bengio 知名Deep Learning 研究员，神经网路方法代替传统统计方法升级谷歌算法

google: PBMT-基于语句的机器翻译算法，GNMT-骨骼神经元机器翻译系统

FaceBook最新突破：多语种的NLP的很多研究专注于资源丰富的语言像汉语、阿拉伯语或主要的欧洲语言，并且通常局限于几个语言上，相比之下，我们知道93种不同语言的联合句子表示，包括资源不多的少数族裔的语言

18.合成训练数据

逼真的伪造数据或许可以解决大规模标注后数据集的需求

2018.3Nvidia 云端用于无人驾驶的逼真模拟训练，Drive Constellation, 无人驾驶算法上路前的训练和优化

Nvidia GANs生成假的患有脑瘤的MRI图像（Magnetic Resonance Imaging核磁共振图像）

模拟-有成千上百次虚拟机器人在虚拟环境中操作-能够大大简化经验积累学习

----------------------------------------------------------------------------------------------------------------

1.强化学习，大规模数据集的需求限制了实际应用

强化学习的意义在于，你采取什么样的行动实现你的目标，最大化奖励

在游戏和机器人模拟领域获得爆发式发展

DeepMind AlphaGo 最初是用监督学习（使用来自其他人类参赛者数据训练算法）+强化学习（人工智能和自己玩）来训练

AlphaZero 完全的强化学习进行训练（只有数条规则，自己训练自己）

加州伯克利：计算机视觉+强化学习，从YouTube视频上学会杂技

相比监督学习，强化学习需要更多数据

领先的专利申请机构:Google， IBM, Alphaics, Mobileye（被Intel收购）， Microsoft, Adobe, FANUC

2.网络优化：从促进频谱共享到监控资源到再到为无线提出最优设计，人工智能改变电信

联邦无线：运用ML, SAS安全频谱访问

边缘设备降低带宽限制，减少与云端的频繁通讯是5G关注的重点

无人驾驶汽车物流，特别是完成最后一公里配送，将可能是出现完全无人驾驶应用的第一个领域

3.农作物的监测：地面、天空、地理空间

无人机：绘制现场地图，使用热成像监测湿度，发现感染虫害的作物并喷洒杀虫剂

专注于为第三方无人机获取数据增加一个分析层

实现除草剂和农药的精确喷洒（当农业设备具备计算机视觉更加智能的时候），还可以分析卫星云图

----------------------------------------------------------------------------------------------------------------

1.网络威胁搜寻- 机器学习主动搜索网络威胁

“威胁搜索者” 称为新需求

2.对话AI

Google's Duplex 可以打电话，代表用户进行预定，可以像真人一样进行对话

道德上的担忧：Duplex是否和人类对话时标识自己是对话机器人

专利：Gonversational Agent Response Detemined Using A Sentiment

最广泛领域是客户服务，对于医疗和保险领域而言，挑战在于对紧急情况分类很复杂，另外心理保健方面也具有很大挑战

3.药物发现：预测小分子药物特性，开发“基于计算的合理药物设计”，发现全新指标，全新药物

辉瑞， Xtalpi, Novartis，Sanofi, GlaxoSmithKline， Amgen， Merck