目前有哪些比較成功的人工智慧應用？

11-23

01. Ostagram

基於Google DeepDream演算法，把一張圖的顏色過濾到另一張圖上。

$f(x, y) circ w(x, y) = sum_{s=-a}^{a}sum_{t=-b}^{b}{w(s,t)f(x-s,y-t)}$

DeepDream基於卷積神經網路（Convolutional Neural Network）。

f(x,y)對應圖像的像素點，w(x,y)是卷積核或者叫濾波器模板，卷積計算用以提取圖片特徵。至於是啥特徵取決於卷積核的設計。

CNN分為卷積層（CONV），池化層（POOL）和全連接層（FC），RELU是一種激活函數。

Ostagram功能很強大，就是排隊時間太長了，我國慶之前上傳了兩張圖現在還在pending，不知道是不是因為圖片內容太不適宜公開討論了。

02. 騰訊萬向優圖

唐馬儒職業生涯的勁敵，識別能力比綠壩娘好五倍。當然色情不色情有時不是一個單純地視覺問題，所以判斷上也難免會有偏差。

原理應該還是卷積神經網路，因為CNN特別適合於圖像識別。其實這個「卷積」更符合圖像處理里的「相關」操作，區別在於卷積核轉不轉180度，卷積轉而相關不轉，相關不是中國人。

03.搜狗快速分享

很多人沒發現這個，其實這可能是我們在不知不覺中最常體驗的人工智慧應用了，快速分享指在用戶聊天環境中智能推薦用戶所需內容，方便其分享信息給對方。目前查到的資料顯示它融合了大數據分析， w2v擴展，SVR，NER，MLP，RNN等人工智慧能分類器及深度學習方法。其技術難點就是語義分析，能夠判斷用戶需要什麼內容，而語義分析的核心就是自然語言的處理技術，這也是整個人工智慧技術最關鍵的一部分。

自然語言處理曾經分為兩個流派，一派比較耿直，致力於真正讓程序從語法角度理解，也就是首先把一句話分析出個主謂賓。這種方法固然比較徹底，但後來發現全世界所有文本資料加起來也不夠訓練模型的，而且差著好幾個數量級。

另一派主張統計語言模型，即一段文本序列出現的概率是一系列條件概率的乘積。

$P(S) = P(w_1, w_2, ..., w_T) = prod_{t=1}^{T}p(w_t|w_1, w_2, ..., w_{t-1})$

比如當我一看到「苟」這個字就知道後面要出現什麼，儘管我並不知道這句話是什麼意思，計算機也是這麼想的。快速分享智能喚起功能的原理應該類似，高頻詞會直接觸發相關推薦，「火鍋」推薦餐飲團購，當然也可能是《火鍋英雄》的電影。

兩句話、兩篇文章、兩個大新聞之間的相似性也是基於一系列概率計算之上。而語言不像圖像容易轉換為數字信號（像素通道），關鍵在於創建詞向量，Google之前開源的word2vec就是計算這個的，江湖上從此流傳一句話叫「厲害了word哥」。

w2v也是Google技術把深度學習引入NLP的關鍵一步。將文本參數化為向量，辭彙之間的相似度也就是向量之間的夾角，計算原理大概就是餘弦定理。

$cos heta =frac{sum_{i=1}^{n}{(A_i imes B_i)} }{sqrt{sum_{i=1}^{n}(A_i)^2} imessqrt{sum_{i=1}^{n}(B_i)^2}}$

適用於文本分類的演算法有很多，比如支持向量回歸（SVR），名字里也有個向量但是跟詞向量沒什麼關係，可能是因為詞向量沒有受到支持。

支持向量機的原理就是在高維空間中找一個超平面將不同類的元素儘可能分得遠，就像小美放冰牆怎麼才能把兩波人分得更開。當然有時候開團之後，你中有我我中有你，一道牆分不開，就需要用到核函數（kernel）。

比如水平方向上人馬廝殺在一處，這時狂鼠shift把對方炸上天，然後美媽橫著放一道冰牆，就隔開了。

更加deep dark fantasy一點的比如循環神經網路，和普通ANN的區別在於隱藏層之間有連接。

即使多種方法結合也難以保證分類完美，比如輸入「郭德綱」會得到一堆王自健和一個岳雲鵬。不過還好，沒有出來曹雲金或者何偉。

04. 圖森科技

自動駕駛技術領先，指明了老司機的未來發展方向。以後開車帶逛是否也會由人工智慧來實現？

尤其這個名字起的特別好，圖就是圖像識別，森就是simple。

05. 微軟小冰

年滿18歲之後在日本出道了，不知何日下海，幾時解禁。看到「年滿十八」四個字，我總覺得下面一行應該是「請按此」。

現在也有圖像識別能力，估計還是卷積神經網路。

06.日本機器人女優

暫時未下海，不知道為什麼坐著輪椅，可能因為畢竟還是弱人工智慧，叫人給忽悠瘸了。

07. 聲控情趣用品

根據呻吟聲調整頻率與力度，如果在「想叫不能叫」系列裡面就不好使了，「公然露出」系列也會受到環境噪音影響。

也有男用的原理差不多，而且不光你叫，她也叫。

為什麼只有男用的會叫，女用的不叫？我感覺這很不平權，電動棒應該也加入呻吟功能：

「乖♂乖♂站♂好」

「♂啊？」

原理也不外乎語音識別與分類器，這方面最領先的是東京大學情報理工學系。除了通過Twitter內容推測竹達彩奈大姨媽周期，他們還開發了利用聲音特徵定位高潮片段的技術，以後看毛片時快進就有根據了。

雖然應用聽起來很淫蕩，但是這個的技術原理好像更簡單。因為判斷高潮的聲音特徵主要就是頻率變化，而不需要計算相關性或理解語義（反正人類也理解不了r,o,o,m之間的區別），採集聲音做頻譜分析就行。

傅里葉變換其實本來不是分析聲學的，而是用在傳熱學當中。由此可見萬物相通，東京大學情報理工學系這麼厲害，大概也是因為東京太熱。

謝邀。
最近的微軟識花做的不錯。
以下是一些親測的圖片。
像這種特徵明顯的，識別精度和可信度都很高。

這種特徵不是很明顯的。。

接下來的厲害咯。。。

總體還是可以的，嗯。挺成功。。

沒有人提Mega voice commander （LINK）嗎？不知道算不算。
官方網站LINKS Artificial Intelligence Software
基本上就是電影《鋼鐵俠》裡面的JARVIS，一個語音助手，相當於電腦中的Siri，但是功能強大不少。
下面這個鏈接是這個軟體的語音介紹
https://soundcloud.com/j-a-r-v-i-s-a-i

是不是很有JARVIS的趕腳？
目前共有兩款，MARK2和MARK3,。MARK3還在開發，所以我下載了MARK2，MARK2也是公測版。

下面是我電腦安裝後打開的樣子

裡面是各種設置。

這個軟體的最基本的功能就是語音控制電腦。如
JARVIS，open Facebook.
JARVIS,play music.
JARVIS,tell me about Donald trump.
.....
JARVIS，news.

還有其他的一下profile需要付費。

作為一個英語口語很渣的人，反正我是用不好的，所以無法詳細介紹。
推薦一個YOUTUBE上一個用戶的視頻，有興趣的人可以看下。
https://www.youtube.com/watch?v=46iJXpDmtvE

成功的人工智慧應用實在是太多了，最好的人工智慧應用就是隱形的服務 - 讓我們意識不到背後有人工智慧的服務。

最常用的就是搜索引擎了，被幾十億人使用，這是人工智慧下面信息檢索（Information Retrieval）的應用，

當然還有推薦系統，也是幾十億人使用：

分領域說一下成功的人工智慧應用：

知識圖譜：

知識圖譜旨在描述真實世界中存在的各種實體或概念，是一系列結構化數據的處理方法。

比如利用谷歌知識圖譜，Google Play Movies TV應用中添加了一項功能，當用戶使用安卓系統暫停播放視頻時，視頻旁邊就會彈出屏幕上人物或者配樂的信息。

（用戶可以點擊人物的臉來查看相關信息）

語音識別：

語音識別就是語音轉文字
最成功的就用在了微信里，被數億人使用，

自然語言處理：

最典型的就是Amazon Echo和蘋果的Siri，被億萬人使用。

IBM的沃森贏得了問答節目《危險邊緣》（Jeopardy!）的冠軍，引起了巨大轟動

(當然更重要的其實還有信息檢索等技術)

翻譯：

谷歌翻譯被億萬人使用

還有微軟推出的即時口譯，簡直一顆賽艇

圖像識別：

Snapchat這些變臉功能，以及faceU的變臉功能

手機/相機中的人臉識別，方便我們調節光線等

深度學慣用於圖像識別領域，

圖片搜索引擎，識圖

連圖片都懂

機器人：

當然最成功的是Boston Dynamics的Big Dog等機器人，每次都搞大新聞

計算機視覺：
計算機視覺是一門研究如何使機器「看」的科學，更進一步的說，就是指用攝影機和計算機代替人眼對目標進行識別、跟蹤和測量等機器視覺，並進一步做圖像處理，用計算機處理成為更適合人眼觀察或傳送給儀器檢測的圖像。（所以圖像識別是計算機視覺一個子集）

增強現實領域(AR)大量應用計算機視覺，典型的就是微軟的Hololens

如果Magic Leap能成功出貨，也要算一個。

機器學習

機器學習的應用更是廣，最簡單的一個例子，比如將機器學習演算法用於反垃圾郵件系統中

數據處理的新進展，帶來應用層面的新機會

新進展：數據融合、非結構數據處理能力

AI的底層是特徵標記，革新意義就在於能處理文本、圖片、聲音等非結構數據，從而將研報、政策、輿情、行為、情緒等更多維度的信息納入可供分析的範疇。

數據融合則是將不同來源、不同結構、不同模態的數據放在同一個模型里分析。

新機會：風控、檢索、安全、營銷

國內基礎設施和需求與國外不同，機會更多來自可以直接降低損失、帶來收益的方向。

風控

從Palantir、Anaplan看國外大數據風控應用

（數據來源：Crunchbase，公開信息整理）

1.風險輔助識別——海量樣本中快速發現異常

國外公司：Palantir的工作原理——反恐（找出恐怖分子）為例

國內公司：氪信的工作原理——金融為例

功能：優化現有風控效率，但不具備完全風控定價能力

有機會從「第三方」做到「直接借貸」

通常情況，「直接借貸」的收益，顯著優於「第三方」數據服務提供方。

數據獲取+數據分析——具備風控定價能力，即可做「直接借貸」。

路徑一：接入豐富的借貸方數據源

- 典型代表：第三方徵信公司。

路徑二：累積足夠的異常數據，具備通過「舊風險」推知「新風險」的能力

- 典型代表：基於AI的數據分析公司

- 一些難點：

? 所累計的數據，只有結果，沒有推導過程

? 基於AI的分析，不具備遷移學習能力，拓展性有限

2.輿情監測——增加風控維度

輿情監測的價值——快人一步、真假判定、「In control」

典型應用領域：金融、公關、媒體、企業安全、政府……

Dataminr：發現「小道消息」里的真消息，「大新聞」里的假消息

- 案例一：「小道消息」 里的真消息

? 獨立記者Brian在Twitter上發消息稱家得寶「可能會是信用卡違約的新受害者」

? Dataminr系統立刻識別出此消息的價值

? Dataminr將此消息傳達給客戶，包括60家銀行和對沖基金

? Dataminr的速度比財經新聞快了15分鐘，且趕在家得寶股價下降2%前

- 案例二：「大新聞」 里的假消息

? 有推文發送白宮有炸彈的假消息，造成道金斯工業指數數分鐘內下滑145點

? Dataminr連續進行2次假消息預警：第1次，指出信息是從被黑賬號發出；第2次，分析白宮附近的實時推文，判定稱該消息可能是假的

（數據來源：公開信息整理）

3.經營規劃——打通多維數據，精準解析

Anaplan：跨部門收集數據，簡易關聯，指導未來決策

接入企業內部運營數據，進行數據關聯，並通過模型，指導未來決策

- 優勢：

? 簡易的數據關聯——將財務、銷售、人力等獨立的數據融合在一起

ü 無需IT人員，即可完成模型的搭建、挖掘、維護、分享

ü 雲端電子表格：Excel功能+多組共同操作

? 預測模型——搭建運營數據與未來規劃的橋樑

- 用戶覆蓋：16個國家設立辦公室，660家公司，100,000+個用戶

（數據來源：Anaplan官網）

檢索

從Kensho、Watson看國外大數據檢索應用

（數據來源：Crunchbase）

1.投研——提升信息量、效率、便捷性

基於海量信息，模擬分析師分析過程

基於海量信息——以Kensho為例

模擬分析師分析過程

- 根據資料庫中某資產價格的變動歷史，提取出影響該資產價格的所有可能變數

- 通過特徵選擇演算法，選擇出和當期資產價格波動較為相關的變數

- 通過機器掃描所有和這些變數相關的數據源

- 將變數值輸入模型，從而得出資產價格的波動區間，以及變數的影響因子

（數據來源：公開信息整理）

Kensho的傻瓜式應用：「事件——結果」直接呈現

功能：

- 追因：什麼因素影響了股價變動？

- 預測：某一因素會對股價造成什麼影響？

- 程度：呈現眾多因素下，股價/指數變動的幅度

金融機構願意買單：又買產品又投錢

以Kensho為例：高盛、JP摩根、美林、摩根史丹利、花旗、標普——既是它的用戶，也是它的投資方

2.理賠——比對理賠要求和賠償標準

價值：提高理賠效率，減少錯誤，降低風險

案例——IBM的Watson服務日本富國生命保險進行健康險理賠

- 成本：系統引入$170萬+維持費用$12.8萬/年

- 效益：預期節省開支$110萬/年；擬減少員工30%

（數據來源：公開信息整理）

3.審計——比對財務信息和審計標準

Sway Finance——財務信息快速檢索工具

- 直接把經營活動轉化為財務信息，並可隨時檢索信息、比對合規性

4.內控——比對員工行為和法律/公司規範

Behavox：發現高風險或違規活動

價值：及時、高效發現高風險或違規活動

- 及時——防患於未然

- 高效——極大減少合規檢查需耗費的時間、人力成本

方法：從交易員與客戶、交易員之間的溝通中，捕捉偏離常規的細節

（數據來源：Behavox官網）

合規性檢測的原理是比對驗證

知識庫比對要盡量應用在高ROI的領域

比較好的應用領域：

另，樣本的可獲取性以及獲取成本也是一個附加條件，醫療輔診領域就需要攻克這個難點。

國外，理賠、內控領域的應用已快速鋪開，審計尚不明朗；國內，目前集中在理賠。

安全

從Splunk、Datto看國外大數據安全應用

（數據來源：雪球2017.4.實時數據，Splunk annual report 2017，Crunchbase，公開信息整理）

1.日誌分析——跨越不連續性的根本性分析

Splunk：機器數據的引擎——聚合、搜索、可視化

面向細分市場——Machine Log（日誌數據為主）分析，並在上面集成了完整的專用模塊

所有應用都是相對專門的領域，因此可以進行專門優化

機器數據的特點——跨越不連續性、快速增長、基礎根本

特點一：跨越不連續性

- 跨越系統的不連續性：可收集、索引、利用所有應用程序、伺服器、設備等在物理、虛擬、雲中生成的數據

- 跨越時間的不連續性：分析所有實時、歷史數據

特點二：快速增長

- 以Splunk為例，其營收已達到$9億,仍有望保持50%的增速

特點三：基礎根本——基於端對端基礎結構，從複雜事件中獲取新層次的運營可見性

（數據來源：Splunk財務年報2017）

Splunk的應用：瞬時解決安全問題、優化服務性能

核心能力：抽象數據、應用領域之間的理解處理能力

典型用戶

解決安全問題：一站式搜索、分析——快速、全面發現問題

優化服務性能：檢測端對端基礎結構——優化服務性能、業務流程

2.容災——快速備份，一鍵還原到特定時期

Datto：給予小型企業「防彈」級別的數據備份服務

容災：將應用產生的數據進行存儲+災備——應對數據丟失和意外災害（被黑）

面向：中小企業

費用：初裝 + 按流量計的月費

多項技術優勢

（數據來源：公開信息整理）

機遇與挑戰並存：替換成本高、國內市場空白，但技術門檻高

替換成本高——構建競爭壁壘

國內市場空白

通過技術實現以下功能

（數據來源：初裝費/月費借鑒Datto收費標準，公開信息整理）

3.反作弊——排除欺詐、垃圾產生的干擾

國外案例：Signifyd

功能：幫助客戶避免因欺詐、退款、操作失誤產生的損失及資源浪費

應用：電商

價值：讓客戶夠安心的快速擴張

國內案例：數美科技

產品：

應用：文娛、電商、金融

營銷

從Sprinklr、Hubspot看國內外大數據營銷應用

（數據來源：雪球2017.4.實時數據，Crunchbase，公開信息整理）

1.社交營銷——跨平台整合式營銷

Sprinklr：社交媒體跨平台整合管理工具和服務

在一個平台上同時進行多個社交媒體上的營銷管理——分析數據，開展營銷活動，了解用戶體驗

- 19個社交媒體管理模塊

- 20+個社交渠道：Facebook、Twitter、LinkedIn、YouTube、人人網、微博等

用戶：

- 《財富》Top 50中一半的公司

- 1,200多個品牌商

（數據來源：Sprinklr官網，公開信息整理）

功能例舉：基於傳播屬性的數據分析

廣告分析工具：記錄提及、點贊、分享、評論信息——效果評估

功能例舉：有計劃的開展內容營銷

內容規劃和發布工具：內容製作——找尋目標並發布——資源管理——效果監測

功能例舉：互動式用戶體驗管理

用戶體驗管理工具：持續地創建、管理、優化有價值的用戶體驗

Sprinklr通過多起收購，補全營銷能力

2.集客營銷——吸引、轉化、提升的全周期

Hubspot：幫助提供有價值的內容，提高流量轉化率，促進交易達成

豐富全面的產品功能

典型應用：中小渠道商、服務商

不過，國內的渠道流量都集中在幾個大的電商平台（阿里、京東、美團），傳統服務領域品牌化、線上化、流程化不足，目前能用到集客營銷工具的公司比較少

3.精準營銷——找到對的人、產品、方式

第四範式：通過數據學習精準定位潛在用戶、適合產品、成本投入

案例一：精準定位潛在用戶

案例二：精準定位適合產品

案例三：精準定位成本投入

（數據來源：第四範式官網）

尾聲：大數據、AI類企業服務公司的特點

業務綜合：數據分析的底層工作原理類似，一個公司會同時切到多個不相關的領域

諮詢服務VS產品：數據類企業服務，雖然也涉及產品，但很多更傾向於賣諮詢服務，與傳統企業服務（CRM、OA、HR…）賣產品、賣維護服務的特點不一樣。

伴隨而來的新現象：Palantir也是面向大B，但公司沒有銷售、BD團隊

高富帥行業：

- 技術背景豪華：MIT、前FB工程師

- 需要對業務有更深的理解：Behavox的創始人是前高盛分析師；Palantir的創始人廣泛遊走於律師、金融，還是《從0到1》的作者

原發於2017年5月

說一個大家每天都在用的

百度外賣

雖然被黑的慘不得不說當你手機里同時裝了外賣界三大天王的時候你就知道百度外賣的好了

據說：

百度外賣設計開發了物流界第一套智能調度系統，申請了30項專利，實現了業界至今唯一的全自動化智能調度，可以實現訂單最優的自動化分配，當有新訂單產生時，系統會獲取同一配送範圍內的訂單路線，並對配送線路中相似度較高的訂單進行拼單，綜合計算後，派發給最恰當的外賣騎士。

又據說：

系統根據大數據計算，會為騎士選擇最佳的配送路線。

在人工智慧技術的支撐下，目前百度外賣已經實施了業界最嚴格的物流配送標準，平均每一單的配送時長降至32分鐘，配送準時率為98.78%。

還據說：

在餐廳出餐時長預估中，百度外賣採用了DNN模型，並與百度深度學習研究院一起進行了大量特徵和模型的優化，最終模型預測的出餐時間誤差在7分鐘之內，這個誤差比餐廳服務員人為預估更加準確。

參考李彥宏：百度外賣涉及機器學習非常有技術含量

@vczh 你以為他真的不是機器人？

1.智能客流統計系統

通過視頻智能分析人流，年齡，性別，密度等統計分析人流量情況，優化運營。

2.淘寶以圖搜圖

3.智能眼鏡

4.VR+AR

5.智能廣告機，可以統計廣告牌面前的人流量及停留時間以分析廣告效果

順便推薦一個專門分享人工智慧應用的live

知乎 Live - 全新的實時問答

沒人提Alpha Go嗎？他在今年與世界冠軍李世乭的對弈簡直厲害了，看得大家小心臟都撲通撲通的。聽說最近研發Alpha Go的這個團隊又研發了一個被稱為WaveNet的AI，可以通過對人類語音進行實時採樣形成原始音頻波形，從而最終創造一些機器所能達到的，最接近於真人的語音。外媒稱，在英文和中文進行的盲測中，聽者普遍認為，相比谷歌任何現存的運用不同科技手段的文字-語音轉換程序，WaveNet生成的語音都更加自然。

雖然目前還沒具體見識過這個神器，但是有著Alpha Go背書，相信也是一個牛逼哄哄的大殺器。

百度研發的無人駕駛汽車已經可以上路了，蘋果的最新發布的iphone x可以實現臉支付，微軟的深度學習軟體將語音識別的錯誤率降低到了5.1%，他們在人工智慧領域應該是比較先進的。

從無人超市的自助收銀員到外科手術機器人，AI給我們帶來了太多的生活便捷，更給我們帶來了無線的激情與遐想。10大腦洞打開的AI新技能中：

可以自主射擊的AK-47：