人工智慧在哪些行業細分領域現在是投資最佳時機?
最近在整理英偉達的相關資料,剛好有一個英偉達PPT,講了一些人工智慧未來的應用場景,或者說潛在市場。裡面給我最大的啟發,就是英偉達認為未來的整個城市都會 AI 化,也就是所謂的 AI CITY。
其實,這一塊雖然概念很龐大,不過最接地氣的場景還是安防設備,以及背後的雲端計算服務。之前參加一個中概會的時候,看見的獵豹的CEO 傅盛倒是分享過一個張 PPT ,講過人工智慧在商業應用環節的產業鏈,印象中記得是 底層技術——定製晶元——硬體製造——服務、應用機器人,大概這麼一個環節(具體真是記不清了),當時判斷認為,人工智慧產業真正能夠大規模商業化的環節,很大可能是要有眾多硬體製造商興起的時候,目前也就是一些小打小鬧的智能音響。
從底層技術來看,現在應用價值比較火的是圖形識別,這一塊在安防、醫療方面好像應用場景挺多的,知道某些做圖形識別的AI公司,從收費上來說,主要是技術授權和應用收費,比如識別一次就收費1、2塊錢。語音和語義識別也是個方向,訊飛、出門問問、還有echo之類的,但是大部分在商業化層面,主要是結合硬體出售,單純的技術授權,最終還是要結合能夠落地的硬體產品,而後者光靠交互體驗並不太好,還需要其他的數據和內容,這也是一個非常頭疼的部分,小公司切入的難度還是很高。另外,就是人工智慧最大的落地場景之一,無人車項目。這一塊按照英偉達自己的測算,能夠在2025年實現 LeveL 5的無人駕駛級別,不過目前大多數汽車廠商還是處於試驗合作階段,大規模投產製造和商業化可能還需要 3-5 年,除了特斯拉這種從基因上來說更互聯網化的汽車廠商。
當然,目前最賺錢的,還是提供算力服務的廠商,按照英偉達的推斷,目前在算力市場上,人工智慧訓練加速的市場在2020年會達到40億美金,訓練市場達到 110億美金,推斷市場達到 150 億美金。雲計算,和供AI訓練的雲計算市場在繼續擴容,從這個方面切入思考的話,提供 AI 人才培訓或許也算是個不錯的細分市場,當然這一塊 N 家也在做。
總的來說,目前的人工智慧行業,大家都還處於模型訓練階段,通俗一點講,就是各位神奇寶貝訓練師還在鍛煉自己寶寶的技能,提高自己的姿勢水平。更準確的應用場景,包括工業機器人和服務機器人,還有金融和生物領域,還需要進一步的等待和判斷。我們也無法得知,人工智慧這項新技術會不會也經歷新技術應用曲線那個過程,我們是否處在第一個狂熱的波峰上。
傳統工業界,包括製造業和過程領域。 @陽林岑 的答案提到了這點。
雖然工業界也有許多年基於數據的建模,分析,優化,診斷等應用,但問題是:1) 應用領域通常比較狹窄,一般屬於某特定行業特定問題,缺乏通用性; 2) 產生的價值很多時候不夠明確,也不夠大,聯合1)一起看就是缺乏足夠大的單一市場引爆技術;3) 演算法相對陳舊,而且也因為1)許多方法具有較強的領域特徵,不具有通用性和擴展性。
Deepmind在去年AlphaGo之後的一篇博文對我觸動很大,他們用AI來做數據中心的能耗優化。這意味著,以後工廠的能耗,庫存,排產,運營等優化可能完全被行業外來者例如谷歌等所替代。現在萬事俱備,就差一個引爆市場的話題了。
https://deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-40/
國內的情況是,顯而易見的那幾個大領域已經被巨頭和有高校背景的公司瓜分的差不多了。這些領域技術門檻很高,數據也不是一般小公司能拿到的。包括生物信息,醫療,智慧城市,無人車等等。個人認為這些方向投資上下游企業比直接投資巨頭好。另外我個人非常看好對進行AI升級有提前布局的傳統工業企業,比如已經開始建立或者已經建成了資料庫用以整合海量生產過程中產生的數據的企業。不過投二級市場的話現在可能還早了一點,感覺還欠一波東風。歡迎批評指正。
軟銀的人工智慧布局邏輯!
別鬧!別鬧!都讓開!都讓開!都讓開!當然是我們家:全息人工智慧助手 「小夢!」
我們的目標人人都該擁有一個大長腿,細腰,胸大的貼身助手。除了BAT這些互聯網公司,當然是安防視頻監控領域。不過你問這個問題已經有點晚了,看看最近半年海康威視的漲幅吧。
Venture Scanner對全球1485家人工智慧公司分析後,排名如下:
(人工智慧大躍進:2016年1485家公司融資89億美元)
所以當前的人工智慧熱點無疑是:
① 深度學習/機器學習;
② 自然語言處理;
③ 計算機視覺/圖像識別。
這幾大領域,國外幾大巨頭蘋果、谷歌、微軟、Facebook都在布局,谷歌應該算實力最強勁的一家。國內創業公司可參見下圖:
人工智慧能夠首先產生收益的行業,必然具備以下幾個特點:
1. 開發周期短;
2. 市場切入快:使用簡單(如美圖秀秀,用戶感覺不到人工智慧的存在)或者受眾有充分認知。
3. 市場有迫切的創新需求或者能夠引導出迫切的需求。
基於這三個標準,個人認為以下細分市場的時機較好:
1. 教育型玩具市場:玩具市場已經多年沒有太大創新了,而一些教育企業試圖介入時,卻總是找不準方向;不要忘了學習機曾經造就多大市場,在人工智慧支持下,這個市場只應該更大;
2. 軟體應用市場:將人工智慧軟體賣給軟體廠商;
3. 服飾市場:這個市場高烈度競爭中,有強烈需求,個體能夠提供的資金較小,架不住從業人群巨大,至少美麗說今天還活著呢。
這三個市場的項目簡單創意如下:
1. 數字穿衣鏡,其實很多人做過了,但一個大屏幕就註定了他要失敗,但是換個思路,我認為就能成功:現在家庭中有越來越多的大屏幕電視,用手機拍個人照片,給出身高,就可以根據照片計算其三圍,然後可以識別四肢,將服裝套在其身上,實現穿衣效果,可以WIFI投射到大屏幕電視上,這個產品要做,必須要快速,並且具備一定的市場操作能力,人工智慧只是實現的基礎而已;
投資力度:高
技術難度:低
發展速度:高
市場競爭烈度:高
2. 人工智慧軟體場景:現在很多應用依然都是菜單式的,實際上很多時候用戶在APP上的行為是可以預測的,但一般的應用企業是沒有能力開發這樣的智能場景應用的,可以提出一個人工智慧場景方案,幫助用戶提升應用體驗,以租用的方式來支持現有應用產品升級,由於受眾是IT企業,相信市場切入和發展是比較容易的,而需要使用的人工智慧技術是非常成熟的。
投資力度:中
技術難度:中
發展速度:高
市場競爭烈度:中
3. 人工智慧玩具:現在有各種各樣的機器人,不客氣的說,他們中的全部,包括軟銀那個,都沒有成為獨角獸的機會。但人工智慧在玩具領域卻是非常重要和可行的,關鍵在於,你如何去體現產品的價值,簡單一點:製作一個低幼兒童機器學習平台,能夠在一些主題上與低幼兒童主動進行對話,然後能夠判斷兒童的語言、智力發展水平,通過銷售WIFI語音模塊,讓玩具廠商將玩具打上智能平台商標,根據兒童發展情況,定期對家長推薦不同外在形式的玩具。現在所謂的教育機器人說白了就是個大玩具,還死貴,美國發達如此,玩具都是要拚命壓低價格,死貴的玩具怎麼會有大的發展。這個思路將機器人的機械和智能分開,人工智慧公司就專註於人工智慧本身,將機械、外觀創意這些事交給玩具廠商去做,我相信這樣做的企業,很有可能再造一個孩之寶,甚至是孩之寶X100。
投資力度:中
技術難度:高
發展速度:中
市場競爭烈度:低
醫療有很多機會,IBM說了很多,我就不說了。
還有一些中等周期內能夠實現收益的解決方案,我想不出贏利點或者盈利渠道被壟斷,但是市場也很大,就簡單提提,不做贅述:
1. 人工智慧旅程安排,只要提供履行的時間、目的地、事務,人工智慧就能夠根據行為偏好和各種數據自動給出最佳的酒店、機票等安排,應用應該很頻繁,但是行業下游廠商太少,屬於下游渠道壟斷的類型,對有資源的團隊可以進行投資,如果攜程去哪不做,我認為他們很快(15年內)被淘汰;
2. 人工智慧日程——個人助手:這個市場非常大,但是涉及的技術面是非常廣的,個人認為從日程入手是比較好的,開發思路類似於旅程安排。
3. B2B人工智慧:並不是所有的商務活動都要去阿里巴巴的,實際上,阿里巴巴覆蓋的只是面廣,而價值較低的中小企業B2B業務,不客氣的說,阿里平台上運行的B2B業務,佔了所有B2B業務比例不到30%,而且大多是低附加值企業和產品。對於大多數長期、穩定,有豐富利潤的B2B業務來說,關鍵不是找到適當的供應商,而是對供應商的洽商和控制,這其中涉及到各種龐雜的因素,人很可能會忽略,但是扔給機器,就能夠做到盡善盡美。銷售端有SALESFORCE, 其實採購端也需要一個類似的軟體,而且由於採購智能的輸入是有限的(市場智能的輸入是無限的,因此現在的銷售軟體主要是做程序管理,涉及市場智能其實很少,用戶體驗也很低),阿里沒有做起來,SALESFORCE沒有去做,那麼完全有機會做出來一家和阿里一樣大的B2B人工智慧平台企業。同樣的,做這個產品要有一些先期資源。
現在能想到的就是這些,將來想到別的,陸續更新。
在中國,難道沒有可能是飯店嗎??
沒有服務員了,或者沒有廚師了,難點就一個,解決口味就行
人工智慧現在在汽車行業,製藥汽車可以減少更多人力成本。
不知名的筆者在一家知名機構做AI方向的中早期風險投資,歡迎有強技術背景的同學一起探討切磋。請各位辛苦私信你們的觀點、想法、資料等等,不拘一格。
人工智慧在我看來現在已經是個破筐,破不僅在於相關的項目的技術成色魚龍混雜,更在於很多不相關的項目也被冠以人工智慧的標籤。標籤,果然是人類最偷懶的發明。
人工智慧大體分為類人智能、數據智能。又因其所處的產業鏈位置,會產生強延展,出現所謂的AI+或者叫泛人工智慧,這一泛,是不是就不能聊了呢,且往下看。
人工智慧具體到相關領域,我會這麼念叨:
NLP>CV>智能機器(IM,我完全無法理解「機器人」這個翻譯)>自動駕駛>AI+(知識、數據)
簡單展開吧,不然,會成報告的。
- NLP:機器翻譯>信息智能>知識圖譜>搜索引擎>會話智能;
- CV:機器視覺>場景理解圖像識別>立體視覺(虛擬現實等)>生物識別 || 這裡有個跨學科:醫療影像分析處理;
- IM智能機器:智能硬體(真正的intelligent不是smart)>消費級智能機器>工業機器人>(類)人形機器人;
- 其實自動駕駛可以歸為智能機器對不,但是為什麼把它單獨列出來,是因為我一直強調,技術要有消費品屬性,不然技術就是失格的。而作為汽車,這一人類駕馭了近百年,研發-生產製造-銷售-後市場產業鏈完備的消費品是所有惠民科技、新科技、終極科技的最佳沉澱池。所以自動駕駛無論是各種交互(人機、環境)sensor,還是數據融合演算法,整車製造,泛能源,材料科技……處處都是金礦,值得持續關注。而車聯網、智慧交通帶來的衍生數據、處理需求。
- 最後是AI+:金融>安全>教育>各細分領域的數據/信息智能。
我也注意到答案中很多人羅列了報告排名,其中涉及的分類及背後的邏輯我個人一直持保留態度,大家閱讀這類質量的報告,以獲得差異化信息為主,個體的邏輯架構還要自己構建。
- 創業需謹慎,若動則all in.
人工智慧要發展,需要硬體、演算法和數據三方面的配合,硬體最典型的是NVIDIA,演算法比如Tensorflow,數據比如ImageNet。
我們看到的機會是數據這塊,原始數據需要經過人工標註,變成結構化數據,才能用來訓練演算法(感覺5-10內有監督學習還是主流),也就是常說的有多少人工才有多少智能。
我們是專註做數據標註這塊,目前已經在為幾家知名的人工智慧公司提供標註服務,目前看數據標註需求還是挺大的,尤其是圖片這塊。
努力做好人工智慧領域的送水人,^_^
跟養老有關的吧。
現在有太多60歲左右的老人了,加上這些人很多兒女平時不在身邊,有些事情要找人幫忙會很麻煩。
最近我去親戚家幫忙調電腦,因為每次電腦重裝或者修理之後都要重裝一些軟體,而這些軟體都是親戚個人偏好很強的,比如聯眾,比如大智慧。聯眾和大智慧好像都沒有跟騰訊qq賬號關聯,因此每次申請賬號不僅麻煩,而且重複註冊因為實名制的原因,賬號密碼總會忘記,讓人抓狂,聯眾沒辦法,老平台的一些遊戲還是有固定受眾的,所以我給推薦了同花順,設置起來方便簡單,另外因為親戚年紀大了,電腦上的字體需要調的盡量大一些。
就拿上面的例子來說吧,很多老年人其實會用點電腦,但稍微有些複雜的操作是不容易掌握的,而有些東西讓外人來做總感覺不安全放心,如果這方面可以智能一點,我覺得是一個不錯的切入點。
另外我們國家的老齡化其實很明顯了,但養老題材有些敏感性,很多創業者都會避開,我覺得如果我們願意真真切切的了解一下老人們的現實以及未來要面臨的困難,也許很容易能找到一些新需求點和方向,讓城市的生活更高效。
買NVIDIA 股票,該公司完整ai 晶元
或者投資谷歌股票,1 000多一股,美元本文首發公眾號氫媒工場(ID:savemedia)作者:Leo劉尊
先來看AI行業一個大新聞:創新工場聯合創始人、管理合伙人汪華表示,創新工場將與浙報數字文化集團股份有限公司(A股上市公司,簡稱「浙數文化」)共同成立40億元人民幣的人工智慧產業投資基金,這個基金將落戶杭州。
此外,汪華還在接受氫媒工場採訪時候透露,創新工場此後將重點布局AI,而在國內的主要AI投資,都將集中在與浙報數字文化集團合作的AI基金上。
這裡需要強調的是,浙數文化有多年全國範圍孵化投資經驗,和旗下大數據交易中心、互聯網數據中心、大數據產業園的整合資源。這一點下文會再提到,這對本次思想實驗相當重要。
這個思想實驗源於原中共浙江省委常委、杭州市委書記王國平在本次GMIC會上的一句話:「今天我們所面臨的人工智慧的時代,和17年以前我們第一次到阿里巴巴去,杭州中國面臨著互聯網經濟的時代,電子商務的時代是完全一樣的。」
換而言之,在王國平看來,17年前的互聯網經濟造就了阿里巴巴。我們順著這個思路開始思想實驗:17年後的人工智慧經濟,造就將的下一個阿里巴巴在哪?如果你有40億,你怎麼投資?下一個「BAT」會出現在哪個AI領域?
1、入口級技術即將井噴
根據《IT桔子人工智慧報告》對中國 467 家AI企業,及 636 起投資事件的統計數據,計算機視覺(CV)與自然語言處理(NLP)是創業者最集中的兩大賽道,分別佔比19%和18%;與這組數據相對應的是,計算機視覺與自然語言處理同時也是獲投企業最多的兩個AI領域,分別佔20%與18%。
具體到投資機構,據氫媒工場觀察,近年來投資AI企業最多的真格基金先後投資了計算機視覺領域的格靈深瞳和依圖科技,在自然語言處理領域也投了出門問問,這三者目前已成各自領域的明星企業;以AI為未來主要投資方向的創新工場,也對計算機視覺、自然語言處理領域情有獨鍾,曠視科技與追一科技都是其高管常提起的典型案例。(數據顯示,真格基金、創新工場是目前國內對AI企業投資最多的兩大投資機構。)
計算機視覺與自然語言處理,為什麼備受青睞呢?
最直接的原因,當然是深度學習演算法在這兩個領域內的突破,讓這兩個領域直接受益;再加上AI開源成為主流,二者的准入門檻進一步降低。
更深層的原因在於,計算機視覺與自然語言處理是AI時代入口級產品最重要的前端技術,是「入口級技術」。
想像一下,你到任何地方去,必須要從第一個入口進去,進了門以後,樓裡面有各個房間,每個進入房間的只有幾個人,但是所有人都要從大樓的門口進入。
可想而知,這個樓里每個房間的重要性,都不及第一個入口。
我們知道,互聯網的三大主要入口搜索、電商、社交造就了BAT,三大次級入口內容、用餐、出行形成TMD。就目前來看,手機、智能家居、汽車甚至是機器人都將是AI時代的入口,而作為人機器交互最重要的前端技術,正是這兩項技術。
而艾媒諮詢最新發布的《2017年中國人工智慧行業白皮書》更是將這兩項技術與機器學習並稱為「AI核心技術」。
可以預見的是,AI入口的爭奪會比以前市場大很多,也激烈很多——上述白皮書顯示,到2020年,AI核心產業規模將超過1500億。正因如此,AI時代的入口將形成至少是超級獨角獸級別的企業,甚至會誕生下一個馬雲、馬化騰。
目前為止,這個思想實驗已有初步的答案:入口級技術。我們將思想實驗深入一層:計算機視覺與自然語言處理領域,做產品還是做服務更有優勢呢?2C還是2B更易崛起超級獨角獸呢?
2、2B比2C更具優勢
在氫媒工場看來,互聯網時代產生的BAT和TMD,都是以「需求驅動為主,以技術驅動為輔」對商業進行改造而成功的。如阿里巴巴最初,是大量中小企業對高效交易的需求激發了電子商務;百度則最初是因門戶內容極速膨脹,所帶來了用戶對於高效獲取精準信息的需求。
換而言之,BAT的出現,本質是「提升效率的需求倒逼技術進步」,是從「不能忍」到「高效率」的過程,是0到1。
而AI時代若能崛起一批巨型企業,邏輯則完全相反,應該是「以技術驅動為主,以需求驅動為輔」的。它應該是從「高效率」到「更高效率」的過程,(短期看來)是1到2的進程,(長期看來)是1到N的進程。
舉個例子,想像一下這個情景:你想用手機搜索「氫媒工場」四個字,用了一下Siri後發現搜索結果總是「青梅工場」,於是你會幹脆放棄語音搜索,改用更精準高效的手機打字。
發現了嗎?AI的技術是從「高效率」到「更高效率」,因此並非剛需,你可以選擇不用;但若把整個搜索引擎給你取消了,你肯定受不了,它可是剛需,沒了它你肯定「不能忍」。
所以說,AI時代的崛起的超級獨角獸,是「以技術驅動為主,以需求驅動為輔」的,是與BAT崛起的邏輯剛好相反的。
明白了這一層邏輯後,我們把這個思想實驗再深入一層:哪些企業將會在AI時代崛起?沒錯,技術驅動型企業。哪些技術驅動型企業呢?應該是那些暫時不做產品,專註優化技術的企業。簡單來說,就是2B型技術企業。
原因:一方面,在於剛剛所說的,AI時代崛起的新巨頭必然以技術驅動為主的底層邏輯;另一方面,2C企業離用戶更近以獲取數據的優勢,目前在BAT面前幾乎微不足道。根據2016年「互聯網女皇」瑪麗·米克爾發布的《2016年的互聯網趨勢報告》顯示,BAT佔據了中國用戶71%的移動消費時長。
我們知道,深度學習技術建立在大量實例基礎上,就像小孩收集現實世界的信息一樣。而且,「喂」的數據越多,它就越聰明,並且不會「消化不良」。因為大數據的不可或缺,所以目前深度學習做得最好的基本是擁有大量數據的IT巨頭,如谷歌、微軟、BAT等。可以說,深度學習得到大數據的助力,就像火箭有了燃料。
當然也有例外,如前文提到的創新工場與浙數文化曾在今年6月達成戰略合作,雙方合作的內容就包括人工智慧和大數據。
而數據來源問題則大可交給浙數文化集團旗下的浙江大數據交易中心——這是浙江省內唯一獲得批複的大數據交易平台,通過交易中心可以鏈接到國內大部分數據資源,並以合規方式通過數據應用與產品提供整體服務。同時數據的存儲與計算則可以通過浙數文化集團旗下的、華東地區單體規模最大的第三方數據中心——富春雲互聯網數據中心來提供基礎支撐。
再如真格基金和IDG之類密切關注AI的投資機構,也一直以來對大數據應用平台做了投資布局。但這都是避免與BAT直接正面進行數據競爭的方式。
除了上述兩點原因外,產業鏈不成熟,花費較高也都是2C企業的難題。
所以,從宏觀而言,大數據仍在BAT手中,2C企業優勢較小。
相反,和2C相比,2B業務更值得深入挖掘。金融服務、生命科學、醫療保健、能源、交通、重工業、農業和材料等領域,有清晰的產業邊界,也有專有數據,這些創業公司可以利用專有數據和機器學習模型解決高層次的專業問題。
前述《IT桔子人工智慧報告》的統計也顯示,目前AI創業公司主要以2B的企業服務類業務為主,汽車、交通、安防、醫療等行業應用相對較為廣泛。
到此為止,我們得出的結論是:未來5到10年,在計算機視覺或自然語言處理領域裡的、技術驅動型的、2B業務的企業,在大概率上將迅速崛起超級獨角獸。
我們把這個思想實驗繼續深入:還能不能將下一個BAT出現的範圍,再進一步縮小呢?
能。
3、CV+NLP融合技術或造就AI時代的BAT
氫媒工場觀察到了一個趨勢:計算機視覺與自然語言處理的融合。
我們此前介紹這兩個領域似乎都是將其獨立的,而事實卻是,近年來不少科學研究已經將二者融合。
首先,計算機視覺與自然語言處理的技術基礎都是深度學習,這是二者融合的基礎。MIT在讀博士、深度學習和機器學習專家周博磊告訴氫媒工場,計算機視覺和自然語言處理並不是隔閡的兩個研究方向。兩者的未來發展會藉助各自的優勢齊頭並進,融合到General AI的框架之下。
其次,這種融合目前已經有了理論基礎且得以應用。在2014年斯坦福大學人工智慧實驗室主任李飛飛教授與其得意門生Andrej Karpathy曾發表論文探討了這種「跨界」。傳統CNN(卷積神經網路)訓練數據中每幅圖像都有單一的一個標記,這篇論文描述的模型則是每幅圖像都帶有一圖注。
周博磊認為,對圖片數據的語義化和結構化,可以說是自然語言處理在計算機視覺里的一個首要應用。他告訴氫媒工場,自然語言中一個「詞」代表某個概念或者類,比如說「貓」和「動物」。通過語義關係,利用這些詞可以很容易建立一個語義結構關係網。
為了防止燒腦,你可以簡單將這個技術理解成讓AI學會「看圖說話」(我們以下簡稱「看圖說話技術」)。這項技術簡單解釋起來是這樣的:
我們以前訓練深度學習都是一個網路只有一個功能,並且需要大量樣本數據作為訓練支撐。但是我們人類的學習是可以遷移的,比如你可能沒見過馬,但是假如有人告訴你馬的特徵,比如平直的長臉、堅硬的蹄、棕色的毛等等,你就可以遇到馬的時候推斷它是馬。
「看圖說話技術」就讓能AI「看大量馬的照片,形成自己對於馬的語言定義形成特徵,然後將這個定義和特徵進行遷移,比如把「馬有棕色的毛」這一點遷移成「斑馬有黑白相間的毛」。那麼AI就能在沒看過斑馬照片的情況下,認出斑馬來。
可以說它本質是「對圖片的語義標定」,它最大的優勢在於:用小樣本來學習,並進行遷移。即讓AI「舉一反三」。
所以,這裡要強調的最後一點,也是最最最重要的一點是:「看圖說話技術」對於數據量並不十分依賴。這就意味著,企業可以通過這項技術,避開與BAT的數據之爭!這對於中小AI企業可謂天大的優勢。要知道,過分依賴海量標註數據,是目前主流深度學習方法所面臨的最大困境。
因此,這類技術的進一步發展,很有可能造就AI時代的BAT(當然,前提是中途沒被收割)。
4、總結
在氫媒工場看來,未來5到10年,AI仍存在入口之爭,且將會出現超級獨角獸企業甚至AI時代的BAT。這個機會,大概率上,將出現在計算機視覺或自然語言處理領域裡的、技術驅動型的、2B業務的企業。
同時,計算機視覺與自然語言處理的技術的融合,擺脫了過分依賴海量數據的困境,或許能為未來超級獨角獸的繞開BAT,迅速崛起,提供強有力的技術支持。
現在人工智慧還在發展中,哪項人工智慧技術能真正落到,真正得到實際應用,就是投資的最佳時機
金融領域
橫向從技術側重點來看計算機視覺、語音識別、自然語言處理、機器人等領域都在不斷發展演進,縱向看AI和行業結合的切入點有很多,金融、醫療、自動駕駛、安防等等。現階段的人工智慧更多地是在需求滿足的提升層面,而不是去滿足特定剛需。當前個人更看好自動駕駛,一方面因為自動駕駛是非AI而無法實現的,是AI很切實的應用場景,另外,其市場規模、發展空間以及貫穿的產業鏈足夠龐大。雖然巨頭已頻繁布局發力,不過若有獨特技術優勢或切入點,創業企業也不乏機會。
我認為現在人工智慧剛剛從概念轉嚮應用,還真沒到細分的時候。大家都在探索中。
推薦閱讀:
※有監督和無監督學習都各有哪些有名的演算法和深度學習?
※必須要在正規的人工智慧專業學習並獲得博士學位才能真正學會深度學習嗎?
※人工智慧會給人帶來危險嗎?
※霍金再次對人工智慧發出警告,可能導致人類滅亡,你怎麼看?
※為什麼我們需要智能?