人工智慧有什麼用途？

人們對人工智慧總是有很多顧慮：人工智慧對我們的工作意味著什麼？機器人會不會在工作中取代人類？會不會導致「人機」戰爭的最終爆發？

但目前的研究項目顯示，人工智慧可以在很多領域中造福人類。

1，醫療保健：AI能治病

人工智慧的最大優勢之一，就在於它能夠在極短的時間之內查閱海量的數據。這使得研究者們在進行研究時，能夠精確定位所需關注的領域。

例如，在最近，人們對於肌萎縮側索硬化（ALS，也就是漸凍症）的研究取得了突破性的進展。這一研究就是由巴羅神經學研究所（Barrow Neurological Institute）和IBM的公司人工智慧計算系統「沃森健康（Watson Health）」共同完成的。,IBM公司的「沃森（Watson）」是一個運用了人工智慧的計算系統，能夠查閱數千項研究成果，並找出與ALS有關的基因。

「數據科學家、研究者們想要跟上任何全球問題的腳步，但傳統的研究工具越來越無法滿足他們的需要。而人工智慧可以幫助我們解決難題，並在遍布世界各地的數十億個文檔中找到相關的信息。」IBM公司在新聞稿中如是寫道。

人工智慧在醫療領域另一項極富前景的應用就是預測藥物的療效。比如，癌症患者通常會服用相同的藥物，人們通過檢測病人的反應，了解藥物的效果。而人工智慧可以根據數據，預測哪一種特定的藥物對病人最有效，為病人們提供高度個性化的治療方案，可以節省寶貴的時間與金錢。

2，無人駕駛：AI開車更安全

斯坦福大學的一則報告顯示，自動駕駛汽車不僅能減少因交通事故導致的人員傷亡，還能改變我們的生活方式：在通勤途中，我們可以把更多的時間用於工作、娛樂；關於居住的地點，我們甚至有了更多的選擇。

報告還指出，「自動駕駛汽車愈發舒適，人們的認知負擔越來越少，共享交通的發展——這些因素可能會影響人們對於生活地點的選擇。」

3，高等教育：AI能當助教

有了人工智慧，人們的學習方式會發生改變：速度不同，起點不同。人工智慧將會把人們引入未來，人們會以更個性化的方式學習。世界上沒有任何一個教育體系能為每一個孩子都配備一個家庭教師，而人工智慧可以滿足這一需求。「機器人老師」高度擬人，聲音、外表都十分逼真，它們將成為個性化教育的「領路人」。

如美國喬治亞理工學院（Georgia Tech University） 的助教是一個機器人。儘管在使用初期遇到一些困難，機器助教回答學生們問題的正確率高達97%。

4，能源利用：AI更聰明

人工智慧能夠幫助我們更加合理地利用能源。如谷歌等科技巨頭擁有龐大的數據中心，需要大量的能源來維持伺服器的運轉及冷卻。谷歌使用了一款名為「DeepMind」的人工智慧平台來預測其數據中心何時會過熱。冷卻系統只有在需要時才會激活。人工智慧減少了谷歌伺服器群組40%的能源消耗。

5，保護野生動物：AI愛地球

正如在醫療領域一樣，人工智慧分析大量數據的功能還可以被用於保護野生動物。,例如，人工智慧可以追蹤動物的行動。因此，我們可以得知他們去了哪裡，我們需要保護怎樣的棲息地。這項研究使用了計算技術，找出了在蒙大拿州最適合為狼獾及灰熊建立野生動物保護走廊的地方。野生動物保護走廊是數片彼此相連、受保護的區域，這些區域具有重要的生態意義：野生動物們可以安全地從「走廊」中穿越野生地區。

還有很多領域需要我們去探索，人工智慧可以更好的服務於人類。

歡迎關注【創新工場微信公眾號：chuangxin2009】。這是一個創新工場和創業者的溝通交流平台，您可以學習創業相關的法務、市場、財務、HR等各個業務領域所需的知識乾貨，還有機會參與到創新工場舉辦的創業者培訓、沙龍和其他各類活動中。

人工智慧已經在很多領域嶄露頭角，最新的案例就是Facebook用人工智慧來防止用戶自殺。

每個想要通過社交網路傳達自殺念頭的用戶，其實並不是真的想要自殺，只是在負面情緒無處釋放的時候希望通過自殺這種方式來贏得更多的關注和關心。作為社交網路巨頭，Facebook希望能夠為這些存在自殺念頭的用戶儘可能的提供幫助，藉助人工智慧技術充分利用圖形識別來掃描Facebook帖子和在線視頻，及時聯繫相關人員並與當地緊急熱線組織取得聯繫。

Facebook首席執行官扎克伯格表示：「人類總是畏懼人工智慧在未來會失控而傷害人類，但同時我們也應該看到在另一面人工智慧真的能夠挽救人類的生命。」

扎克伯格表示並非所有人都認為人工智慧是善良有利的，例如馬斯克和霍金。在美國經歷長達9個月的研究之後，Facebook希望將人工智慧進一步擴展到全球，不過受限於通用數據保護管理隱私條例暫時將不會進入歐洲市場。

{!-- PGC_VIDEO:{"thumb_height": 360, "file_sign": "07d374338cbe46ea0fc27831c27a2c91", "vname": "", "vid": "53eb98d574c0477d90886de61ace40c3", "thumb_width": 640, "video_size": {"high": {"h": 480, "subjective_score": 0, "w": 854, "file_size": 2760565}, "ultra": {"h": 720, "subjective_score": 0, "w": 1280, "file_size": 5299195}, "normal": {"h": 360, "subjective_score": 0, "w": 640, "file_size": 1941110}}, "src_thumb_uri": "4955000a6988f44b4e6c", "sp": "toutiao", "update_thumb_type": 1, "vposter": "http://p0.pstatp.com/origin/4955000a6988f44b4e6c", "vu": "53eb98d574c0477d90886de61ace40c3", "duration": 63.24, "thumb_url": "4955000a6988f44b4e6c", "md5": "07d374338cbe46ea0fc27831c27a2c91"} --}

一個好消息是，用人工智慧建立謀殺檔案庫，沒準能依靠演算法揪出真兇。

自1976年以來美國共發生了75萬起的兇殺案，但是破案率卻屢創新低。據估計，每年美國有超過5000名殺人兇手逍遙法外，而在逃的連環殺手數量可能高達2000以上。有沒有辦法找出那些命案的相似之處，建立關聯，從而揪出其中的連環殺手呢？Thomas Hargrove就是這麼乾的。他建立了美國最大的謀殺案檔案庫，開發了一個犯罪手法模式匹配演算法，並且成立了一個非盈利組織專門來研究這件事。《紐約客》報道了他們的故事。

Hargrove估計美國的連環殺手大概有2000人之多。

Thomas Hargrove是一位連環殺手檔案管理員。過去七年來，他一直在收集謀殺案的地方記錄，現在他已經建起了全美最大的謀殺案檔案庫——自1976年以來發生過的751785起謀殺案，這個數目甚至比FBI的檔案還要多出約二萬七千多份。按規定，各州應該向美國司法部彙報發生的謀殺案，但有些報告不準確或者不全面，Hargrove已經向其中一些州提出訴訟，要求獲取相關檔案。他還自己編寫了計算機代碼，用來搜索裡面的存檔，查找三角戀、搶劫或者鬥毆等引起的略為普通的兇殺案在統計上的反常現象。美國每年犯命案而未被抓獲的人數約為5000人，而且這些人當中一定比例者犯下命案次數不止一次。Hargrove打算揪出這些人，他的工具就是代碼，有時候他稱之為連環殺手偵探。

這個代碼是一個簡單的演算法，Hargrove是在2010年，在現已倒閉的Scripps Howard新聞服務當記者的時候寫的。這個演算法成為了非盈利組織Murder Accountability Project（MAP）的基礎。MAP由現已退休的Hargrove，一個資料庫，一個網站以及九名成員組成，這些人當中有前偵探、研究殺人犯的學者、法醫以及心理醫生。演算法通過數據匯總，收集了在手段、地點、時間，以及受害者性別方面存在相關性的兇殺案。同時它還會考慮某座城市兇殺案的未破案率是否顯著，因為一名在逃的連環殺手會影響警察部門的破案率。從統計上來看，一個潛伏著連環殺手的城鎮看起來簡直就像法外之地。

2010年8月，Hargrove注意到印第安納州萊克縣（Gary市在其管轄範圍內）的兇殺案有一定的模式。1980到2008年間，共有15名女性是被掐死的。而且其中的很多屍體是在空房內被發現的。Hargrove於是寫信給Gary警察局，對這些兇殺案進行了描述，並且附上了相應情況的電子表格。他問道：「這些案子會不會反映出所在地區一或多名連環殺手的活動呢？」

警察局對他的熱心漠不關心；一名探長說Garu這裡沒有未破的連環兇殺案（連環殺手在逃時美國司法部建議警察局要告訴市民，但一些地方對此還是保密）。Hargrove感到很氣憤：「我給他們留言，還給警察局長和市長發挂號信。」後來，他從一名也開始懷疑Gary市有連環殺手的副驗屍官那裡得到了一些消息。她試圖跟警方談話，但也遭到了拒絕。在看了Hargrove的案子之中，她又給他的名單增補了3位受害者。

4年後，毗鄰Gary市的Hammond警察局街道報案，稱一家Motel 6汽車旅館出了狀況，有人在浴缸內發現了一具女屍。她的名字叫做Afrikka Hardy，年紀只有19歲。Hargrove說：「他們逮捕了一個叫做Darren Vann的傢伙，就像這些案例經常發生的情況一樣，他說，『你們抓到我了。』在接下來的幾天時間裡，他領著警察去到被廢棄的建築物，警方又發現了6具女性屍體，全都是被掐死的，就像我們在演算法里看到的手法一樣。」 Vann在1990年代初就殺死了他的第一個女人。2009年，他因為強姦而入獄，殺戮才停了下來。不過在2013年出獄後，Hargrove說：「他又恢復了之前的罪惡勾當。」

研究人員研究連環殺手的方式就好像他們是自然歷史標本一樣。Radford連環殺手資料庫是其中最全面之一，它有來自世界各地的近五千個條目，其中大部分來自美國，是弗吉尼亞州Radford University退休教授Michael Aamodt 25年前開始編撰的。根據這個資料庫，美國的連環殺手為男性的可能性要比女性高10倍。Ray Copeland，在上個世紀末在密蘇里州他的農場里至少殺死了5名流浪漢，被捕時已經75歲的他是資料庫中最老的連環殺手。最年輕的是Robert Dale Segee，他在緬因州的波特蘭長大，被認為在1938年8歲的時候用石頭砸死了一個女孩。他的父親經常抓起他的手指到蠟燭火焰上烤來懲罰他，後來Segee就變成了一個縱火犯。縱火後他有時會產生幻覺，彷彿看到一個張牙舞爪腦袋冒火渾身通紅的人。 1944年6月，Segee 14歲的時候在Ringling兄弟馬戲團找到了一份工作。次月，馬戲團帳篷著火，導致了168人喪生。 1950年，在因為另一起縱火案被捕後，Segee承認是他點著了帳篷，但幾年後，他又翻供說當時自己已經瘋了。

根據資料庫的資料，連環殺手通常都不是特別聰明，平均智商為94.5。他們會分成若干類型。覺得自己必定要擺脫那些被視為不道德或不受歡迎的人——比如癮君子、移民或者私生活混亂的女人的世界——的人被稱為傳教士。黑寡婦殺死男人，通常是為了繼承財產或者騙取保險；殘暴的丈夫殺死女人，要麼是為了錢要麼是為了顯示自己的權力。殺死病人的護士被稱為死亡天使。釣魚的碰巧遇上了個受害者，而設陷阱的要麼觀察到了他的受害者，要麼就是在某個地方，比如醫院工作，而受害者不幸碰見了他。

FBI認為，每年由連環殺手實施的命案不到1%，但Hargrove卻認為這個比例要更高些，而且美國大概有2000名連環殺手在逃。他說：「我是怎麼知道的？幾年前，我讓FBI的人查了有記錄在案的在逃但有DNA關聯的殺手數量。」結果是大約有14000，這個數字略超他們查檔殺手數的2%。Hargrove說：「那些還只是可以通過DNA鎖定的案子數。而殺手未必總會留下DNA的——你能拿到DNA就是天賜的禮物。所以2個百分點是下限，而不是上限。」

Hargrove已經61歲。他身材比較高瘦，長著白鬍子和一幅狐疑的眼神。他跟妻子和兒子住在弗吉尼亞州亞歷山大市，每天都要走8英里的路，去到Mount Vernon，或者沿著波多馬克河行走，一邊聽著電子書，通常是神秘小說的錄音。他出生在曼哈頓，但他的父母在他小時候搬到了威徹斯特縣的約克城。「4歲前我一直住在Riverside Drive。然後有一天我給我媽展示了在操場學會的東西，用Popsicle冰棍做成一把彈簧刀，我記得的下一件事就是我住在約克城了。」

Hargrove的父親編寫如何使用機械計算器的技術手冊，Hargrove在密蘇里大學上學時，學的是計算新聞學和公眾輿論。他學會了用來進行民意調查的隨機數字撥號理論等做法，並受到Philip Meyer的《精確新聞》鼓勵記者從社會科學中學習調查方法的影響。 1977年畢業後，他被阿拉巴馬州《伯明翰郵報》聘用，他的理解是自己會進行民意調查，並做報紙需要他做的其他任何事情。結果表明，該報需要的是一名犯罪記者。 1978年，Hargrove目睹了第一名男性死者，一名便利店老闆在搶劫中被槍殺了。他還報道過一起騷亂，是在警方開槍打死一名十六歲的非洲裔美國女孩後爆發的。有一次，在到達一個對峙現場之後，他被水塔上的一個醉鬼用來複槍射擊。子彈擊中了他腳邊的碎石。他還報道過一名叫做John Lewis Evans的男子的行刑，這是美國最高法院在1960、70年代廢除死刑以來阿拉巴馬州第一個被處決的囚犯。Hargrove說：「在阿拉巴馬州，他們會把處極刑的犯人放到一張電椅上，那電椅還有個名字，叫做Yellow Mama，因為被塗上了亮黃色。由於距離上一次行刑的時間已經相去甚久，以至於已經沒人記得怎麼用了。第一次的時候，由於把過大的電流載入到太細的導線上，所以所有地方都著火了。每個人都在大叫，我好幾天都睡不著覺。」

1990年，Hargrove搬到了華盛頓特區替Scripps Howard工作。他說在那裡「我的主要目的是用數字震撼大家。」在研究美國社會保障管理局的死亡主檔案（Death Master File，Hargrove說大家總有一天都會在上面）時，Hargrove注意到有些人某一年被列進去之後又在幾年後被剔除出去了：也就是說某人被錯誤地宣布死亡了。從採訪中他發現這些人的銀行記錄往往會被突然凍結，沒法申請信用卡或者抵押貸款，並且工作申請往往會被拒絕因為通不過背景調查。在比較了不同郵編下的平民區危險兒童聯邦補助金清單後，他發現有2/3的資金都是撥往郊區方向的。曾經坐在Hargrove鄰桌的前記者Isaac Wolf說：「他做所有事情都是通過非常聰明的邏輯和編程來實現的，是足智多謀和創新思維的結合，通過耗時耗力的工作來收集和分析數據。」

2004年，Hargrove被派去調查一樁賣淫案的故事。為了了解哪些城市允許哪些不允許賣淫，他申請獲取了一份聯邦犯罪報告，FBI每年都會編撰這樣的一份報告，隨後他收到了一張包含從2002年以來的所有報告的CD。他說：「裡面還附帶有一份叫做『S.H.R. 2002』的報告。」這是FBI的補充兇殺報告（Supplementary Homicide Report），裡面列有所有向聯邦調查局報備的兇殺案資料，包括年齡、種族、性別，以及受害者的種族，還列舉了殺人的手段和情況介紹。Hargrove在查看的時候，「首先想到的是有沒有可能教計算機認出連環受害者。」 Hargrove說6年來他一直在跟Scripps Howard的每一位編輯說自己想用計算機找出連環殺手，而得到的回應總是，「你在玩笑，對吧？」

根據美國疾控中心的嬰兒死亡率記錄，佛羅里達州嬰兒意外窒息的死亡人數要比加州高很多，儘管加州的嬰兒數量更多。為了了解這背後的原因，2007年，Hargrove開始對嬰兒猝死綜合征（SIDS）進行調查。次年，Hargrove採訪了美國全國各地的驗屍官和病理學家。他說：「越來越多的人開始說，『說實話，這麼說可能會有麻煩，但SIDS其實並不存在。』」 Hargrove於是推斷認為SIDS不屬於一種診斷或者神秘疾病，而是因為嬰兒放進嬰兒床的方式導致嬰兒睡覺時被窒息。佛羅里達州往往把這些死亡歸因為意外窒息，而加州則歸因為SIDS。在他的故事報道出去之後，疾控中心建立了突然意外嬰兒死亡病例登記檔案來評估每一起死亡。新澤西州參議員Frank Lautenberg跟Hargrove會面後出台了突然死亡數據增強和意識法案（Sudden Death Data Enhancement and Awareness Act），2014年，這項法案由奧巴馬總統簽署生效。經過SIDS的故事之後，Hargrove在「新聞編輯部的地位高得出奇。」他告訴老闆說他還是想教計算機偵查連環殺手，這次老闆告訴他：「你有1年的時間。」

Hargrove開始申請調閱從1980年到2008的命案報告；其中包括了超過50萬份熊山。他說，從一開始一就知道「計算機不知道的東西。我可以從數據中看到受害者。」他開始嘗試編寫演算法來返回被定罪的兇手的受害者。他選擇了Gary Ridgway作為測試用例，此人被稱為Green River Killer（格林河殺手），從1980年代開始，他陸續在西雅圖謀殺了48名女性，並將屍體拋棄在格林河邊。Hargrove在辦公桌上貼了一張Ridgway的照片，相片里的他看起來很疲倦，一臉的不高興。在照片下面，他寫道：「那些連環謀殺案的受害者在統計學上有何相似之處呢？」

建立演算法是件累活。Isaac Wolf說：「他會寫一些代碼，然後用一堆看似沒完沒了的記錄來進行測試。我們當時又沒有昂貴的計算機設備，所以有時候會跑好幾天。整個過程都是磕磕碰碰，他總是在修修補補。」

Ridgway最終被通過DNA比對識別出來，並在2001年被逮到了，當時他正要辭掉在Kenworth的一家載貨卡車廠的工作，此前他已經在這家工廠當了32年的油漆工。但它告訴警察說掐女性脖子才是他的實際工作。他說：「我乾的是掐脖子的工作，而且相當擅長。」 Ridgway的妻子——第三任妻子對他的所為感到震驚。兩人在Parents Without Partners（離異父母協會）聚會上相識，結婚已經有17個年頭。她說他對自己一直都像新婚妻子那樣。Ridgway曾經想過要殺死他的前兩任妻子，但是考慮到太容易被抓到而作罷。基本上他殺掉的都是妓女，如果被殺掉的人身上正好帶有錢的話，他會把那些錢當作是殺死她的酬勞而據為己有。

Hargrove每天都以前一天為什麼失敗的反省作為開始。他按照類型把兇殺案進行分類，因為有人告訴他連環殺手往往採用勒死或者棒擊的手法，顯然是因為他們更願意讓受害者沒那麼快死去。他選擇的受害者對象是女性，因為FBI稱70%的連環殺手受害者都是女性。每一次測試都要一天的時間。他都不知道有沒有效。好一段時間內，唯一有希望的變數似乎是「無法解決」。Hargrove抬起手把右手拇指和食指並在一起說：「在嘗試了100件不起作用的事情之後，然後才有了點見效的東西。我開始定得更具體，尋找一系列的因素——女性、武器、年齡以及位置等。」

通過這些要素，演算法把兇殺案組織成了大概1萬組。比方說：波士頓，女性，15到19歲，手槍就是其中一組。而新奧爾良、女性、20到50歲，窒息可能是另一組。既然「未能解決」已經產生出結果，哪怕是很無力的結果，Hargrove告訴計算機要通知他哪些地方的未破案率是特別低的。這方面西雅圖排行第三，其中大多數受害女性都屬於死因不明——不明是因為屍體都被拋棄在外面時間太長了，久到驗屍官已經無法確定她們是怎麼死的。Hargrove知道，計算機終於看到Ridgway的受害者了。

通過解讀受害者與殺手的地理位置，Hargrove無意間已經運用了一門叫做犯罪空間情報分析（geographic profiling）的學科，前警察，現為德州州立大學刑事司法學院教授的Kim Rossmo是這方面的典範。1991年，Rossmo坐在日本的一趟列車上時想出了一個方程式，根據實施犯罪的地點以及屍體被發現的場所等因素，這個方程式可以用來預測連環殺手住在哪裡。紐約市的一位兇殺案偵探說：「連環殺手的實施地點往往比較固定，會在集中的地區尋找犧牲品，這樣的放是可以定義和檢查的。」通常他們的獵場會遠離他們居住地，但又不會是他們不熟悉的地方。犯罪分子跑得越遠，其行動的可能性就越低，犯罪學家把這種現象稱為是隨距衰減。

Rossmo還利用犯罪空間情報分析來跟蹤恐怖分子——他研究這些人住在哪裡，武器藏在什麼地方，以及用來打電話的公用電話亭的位置——還識別流行病是在什麼地方開始的。他還跟動物學家一起協作，研究大白鯊的狩獵模式。最近，Rossmo研究了街頭藝術家Banksy留下來的早期作品，找到了支撐英國《每日郵報》在2008年所做未獲證實的論斷的證據，當時該報紙稱Banksy是一位來自布里斯托爾的中年男子，真名叫做Robin Gunningham。

Rossmo說：「說到謀殺調查，如果你避開好萊塢那一套的話，剩下的就是跟信息打交道。任何一樁連環謀殺案，警方需要調查的嫌疑人往往都有好幾千，甚至好幾萬。」在格林河那件案子中，警方的名單就有1.8萬人。「那麼你該從何開始呢？關於犯罪的行程我們了解很多，通過留意謀殺發生地或者屍體被發現的地方，其實你可以建立概率分布。」 Rossmo在他的《犯罪空間情報分析》一書中指出，研究發現，慣有右手的犯罪分子往往在逃跑的時候往左轉，但是會把證據留到右邊，而且大多數犯罪分子在躲藏進建築物中的時候，會呆在靠近外牆的地方。

用計算機尋找兇手是由歷史先例的。MAP成員之一，退休的兇殺案偵探，前FBI情報分析師Eric Witzig曾經參與了FBI的暴力犯罪逮捕計劃（Violent Criminal Apprehension Program，ViCAP）。這個計劃由是洛杉磯兇案偵探Pierce Brooks發起的。Brooks在50多歲的時候經辦了Harvey Glatman的案子，此人就是後來臭名卓著的Lonely Hearts Killer。Glatman是一位廣播電視維修工，也是一位業餘攝影師，平時會邀請年輕女性給他當模特，說照片是給偵探雜誌拍攝的。所以他會把受害者捆綁起來進行拍攝，可一旦受害者這被綁起來之後就再也不鬆綁了。Witzig說：「其中一位年輕女性受害者，不僅被綁起來，而且捆綁物的轉角還非常的尖銳且精確，這表明罪犯從中享受到了極大的愉悅。」

Brooks開始研究一些殺手反覆實施相同犯罪的方式。他把所有的兇案記錄放到到3乘5英寸的卡片上，1950年代末，在對計算機感興趣後，他向洛杉磯警察局提出請求，問能不能給他買一台。上面告訴他說太貴了。1983年，在FBI給他在Quantico提供了一份工作並且替他購買設備啟動ViCAP之後，Brooks把製作命案跟蹤計算機資料庫的想法提交給了國會。這項計劃的本意是給調查提供配套，但是偵探對此並不感冒。Witzig說：「首要原因也許是原先的ViCAP報告表格。」 Brooks希望記錄命案的每一個要素，因此要問答的問題超過了150個。Witzig說，這種情況下「用戶當然會有抵觸情緒了。沒人喜歡太多的文書工作。」他還補充說該計劃「得到了全世界執法方面最聰明的深度思考者的參與，但我們的MAP之所以存在是因為他們失敗了。」

MAP也有自身的局限。由於演算法依賴地點作為搜索選項，那些活動範圍不局限在周邊縣市的兇手它就看不見了。此外MAP換回出現一種假陽性，Hargrove稱之為Flint效應：在一些城市，比如Flint、密歇根，由於對命案的偵破太不上心了，以至於這些地方看起來就像受到了連環殺手的特別關照一樣。

演算法被放到了MAP的網站上，精通統計的人可以跑這個演算法。其他不懂演算法的人，可能也想知道有多少兇手尚未抓捕歸案什麼的，則可以使用網站的「搜索案件」功能。住在新奧爾良的Deborah Smith是一名MAP的搜索愛好者，同時也是業餘偵探網上吹水論壇Websleuths的論壇管理員。她說：「我保留了全國被謀殺或失蹤女性的名單及相關統計數據，同時還重點標註了那些我認為存在關聯的命案。我把每個州的數據都保留下來，這些都是從MAP獲取的，如果我關注了一名兇手，比如說Israel Keys，這個人15年前住在西雅圖，我就會尋找西雅圖以及阿拉斯加部分地區的命案，因為他也曾在那裡住過，然後看看有沒有被警方忽視的東西。」她還補充說：「這方面MAP特別特別有用。其他地方都找不到這樣的工具。」

不過，MAP的小組尚未決定用演算法的發現來做什麼，而且這個問題還會給Hargrove造成道德和實踐上的困難。他說：「我們必須確定我們的參與規則。在什麼情況下我們才可以找警察？」一個月前，Hargrove通知克利夫蘭警方，稱似乎大概有60樁命案，受害者全都是女性，可能跟一位連環殺手有關，或者按照實施手段來看，也許是3名連環殺手所為。其中12名女性犯有賣淫罪，屍體在兩個不同的地理分布區被發現。Hargrove不願透露跟克利夫蘭警方的交談細節，因為MAP的規則要求此類溝通必須是私密的。警方給我寫信稱，在看到Hargrove的分析後，「考慮派一小組人翻查幾單未決的命案。」該局特別調查小組的負責人是James McPike，他告訴MAP的人說：「我們準備跟你們一起合作，看看可以做些什麼。」

Hargrove對調查感到滿意，但他也擔心搞錯了。他問道：「如果題目抓錯了人然後被對方告了該怎麼辦？2010年還是記者的時候我聯絡了一批警察局，因為我想看看演算法是不是有效。現在我知道它有效了——我腦子裡的疑惑已經解開了。在特定城市我們有信心說『這些受害者有共同殺手的可能性更高。』但2010年的時候我背後有一家大的媒體公司，還有律師和媒體保險做後盾。但現在我是一個人，經營的這家非盈利組織在銀行只有1400美元，董事會有9位董事，還沒有保險。」

MAP的最大公益在於它讓大家意識到了美國的命案破獲率之低。1965年的時候，一起命案的破案率超過了92%。2016年的時候這個數字還不到60%，是有記錄以來的最低點。洛杉磯的破案率最高，為73%，底特律最低，只有14%。就像MAP董事會成員，東北大學非典型謀殺研究小組（Atypical Homicide Research Group）主任Enzo Yaksic所說那樣，該項目「說明了外面還有一大批沒有被抓獲的殺人犯。」

MAP的另一位董事會成員Michael Arntfield是西安大略大學的一位教授，他管理著一個鐵證懸案社團。該社團關注的是這一演算法的最大發現，也就是過去40年在亞特蘭大地區總共100樁未破案的女性被殺案。這些受害者大部分都是非洲裔美國人，而且全都是被掐死的。Arntfield從亞特蘭大警方那裡弄到了44位女性的名字，現在一直在了解她們更多的信息。（研究敏感受害者的背景，希望能夠發現他們是怎麼遇到殺手的，這屬於一門學科，叫做被害人學。）Arntfield和他的同事把受害者分成了兩組：一組規模略小，是年紀稍大的女性，都是在家中遇害的。另一組年輕女性規模較大，其中很多都是妓女。Arntfield從報紙報道中發現，有兩名男性實施犯罪的手法非常類似，現在都已經入獄。亞特蘭大重案組負責人Adam Lee說警方尚未將這些命案跟特定殺人犯關聯，但他說他認為MAP是一個有用的工具，並且對「跟Arntfield坐下來一起談談很感興趣。」

Hargrove說他希望偵探最終會開始用這樣演算法來建立案件之間的關聯，而MAP將會幫助找出兇犯。與此同時，他正在考慮建立一個比較網站，希望用這個網站來跟蹤縱火案，並且他已經在開始編譯著火方面的數據，只是現在還沒有時間發布出去。他說：「連續縱火案跟連環謀殺案之間存在著關聯。很多傢伙都是從燒東西開始的。」

我們沿著亞歷山大市河邊在走路，這是Hargrove平時經常走的一條路線，他說：「我們的主要目的是收集儘可能多的記錄。但這些記錄是非常強大，非常誘人的。只需要查看這些記錄就能識別出連環殺手。在不同的地方不同的年份，你會看到類似恐怖的事情的發生。」

• 微信
• QQ空間
• 微博
• 更多

國內對於人工智慧的討論大多是不成體系的碎片式，很難從中深入了解人工智慧的發展脈絡和技術體系，也很難有實際借鑒意義。德勤DUP近期發布了一份報告，對人工智慧的歷史、核心技術和應用情況進行了詳細說明，尤其是其中重要的認知技術。這份報告將有助於我們對人工智慧和認知技術進行深入了解，也有助於各行業的公司考量人工智慧應用的實際價值。

本報告由 機器之心 翻譯，歡迎關注微信號：機器之心（ID：almosthuman2014）。

一、概述

近幾年各界對人工智慧的興趣激增，自2011年以來，開發與人工智慧相關的產品和技術並使之商業化的公司已獲得超過總計20億美元的風險投資，而科技巨頭更是投資數十億美元收購那些人工智慧初創公司。相關報道鋪天蓋地，而巨額投資、計算機導致失業等問題也開始浮現，計算機比人更加聰明並有可能威脅到人類生存這類論斷更是被媒體四處引用並引發廣泛關注。

IBM承諾撥出10億美元來使他們的認知計算平台Watson商業化。

谷歌在最近幾年裡的投資主要集中在人工智慧領域，比如收購了8個機器人公司和1個機器學習公司。

Facebook聘用了人工智慧學界泰斗Yann LeCun 來創建自己的人工智慧實驗室，期望在該領域獲得重大突破。

牛津大學的研究人員發表了一篇報告表明，美國大約47%的工作因為機器認知技術自動化而變得岌岌可危。

紐約時報暢銷書《The Second Machine Age》論斷，數字科技和人工智慧帶來巨大積極改變的時代已經到來，但是隨之而來的也有引發大量失業等負面效應。

矽谷創業家Elon Musk 則通過不斷投資的方式來保持對人工智慧的關注。他甚至認為人工智慧的危險性超過核武器。

著名理論物理學家Stephen Hawking認為，如果成功創造出人工智慧則意味著人類歷史的終結，「除非我們知道如何規避風險。」

即便有如此多炒作，但人工智慧領域卻也不乏顯著的商業行為，這些活動已經或者即將對各個行業和組織產生影響。商業領袖需要透徹理解人工智慧的含義以及發展趨勢。

二、人工智慧與認知科技

揭秘人工智慧的首要步驟就是定義專業術語，勾勒歷史，同時描述基礎性的核心技術。

1、人工智慧的定義

人工智慧領域苦於存在多種概念和定義，有的太過有的則不夠。作為該領域創始人之一的Nils Nilsson先生寫到：「人工智慧缺乏通用的定義。」 一本如今已經修訂三版的權威性人工智慧教科書給出了八項定義，但書中並沒有透露其作者究竟傾向於哪種定義。對於我們來說，一種實用的定義即為——人工智慧是對計算機系統如何能夠履行那些只有依靠人類智慧才能完成的任務的理論研究。例如，視覺感知、語音識別、在不確定條件下做出決策、學習、還有語言翻譯等。比起研究人類如何進行思維活動，從人類能夠完成的任務角度對人工智慧進行定義，而非人類如何思考，在當今時代能夠讓我們繞開神經機制層面對智慧進行確切定義從而直接探討它的實際應用。值得一提的是，隨著計算機為解決新任務挑戰而升級換代並推而廣之，人們對那些所謂需要依靠人類智慧才能解決的任務的定義門檻也越來越高。所以，人工智慧的定義隨著時間而演變，這一現象稱之為「人工智慧效應」，概括起來就是「人工智慧就是要實現所有目前還無法不藉助人類智慧才能實現的任務的集合。」

2、人工智慧的歷史

人工智慧並不是一個新名詞。實際上，這個領域在20世紀50年代就已經開始啟動，這段探索的歷史被稱為「喧囂與渴望、挫折與失望交替出現的時代」——最近給出的一個較為恰當的評價。

20世紀50年代明確了人工智慧要模擬人類智慧這一大膽目標，從此研究人員開展了一系列貫穿20世紀60年代並延續到70年代的研究項目，這些項目表明，計算機能夠完成一系列所本只屬於人類能力範疇之內的任務，例如證明定理、求解微積分、通過規劃來響應命令、履行物理動作，甚至是模擬心理學家、譜曲這樣的活動。

但是，過分簡單的演算法、匱乏的難以應對不確定環境（這種情形在生活中無處不在）的理論，以及計算能力的限制嚴重阻礙了我們使用人工智慧來解決更加困難和多樣的問題。伴隨著對缺乏繼續努力的失望，人工智慧於20世紀70年代中期逐漸淡出公眾視野。

20世紀80年代早期，日本發起了一個項目，旨在開發一種在人工智慧領域處於領先的計算機結構。西方開始擔心會在這個領域輸給日本，這種焦慮促使他們決定重新開始對人工智慧的投資。20世紀80年代已經出現了人工智慧技術產品的商業供應商，其中一些已經上市，例如Intellicorp、Symbolics、和Teknowledge。

20世紀80年代末，幾乎一半的「財富500強」都在開發或使用「專家系統」，這是一項通過對人類專家的問題求解能力進行建模，來模擬人類專家解決該領域問題的人工智慧技術。

對於專家系統潛力的過高希望徹底掩蓋了它本身的局限性，包括明顯缺乏常識、難以捕捉專家的隱性知識、建造和維護大型系統這項工作的複雜性和成本，當這一點被越來越多的人所認識到時，人工智慧研究再一次脫離軌道。

20世紀90年代在人工智慧領域的技術成果始終處於低潮，成果寥寥。反而是神經網路、遺傳演算法等科技得到了新的關注，這一方面是因為這些技術避免了專家系統的若干限制，另一方面是因為新演算法讓它們運行起來更加高效。

神經網路的設計受到了大腦結構的啟發。遺傳演算法的機制是，首先迭代生成備選解決方案，然後剔除最差方案，最後通過引入隨機變數來產生新的解決方案，從而「進化」出解決問題的最佳方案。

3、人工智慧進步的催化劑

截止到21世紀前10年的後期，出現了一系列復興人工智慧研究進程的要素，尤其是一些核心技術。下面將對這些重要的因素和技術進行詳細說明。

1）摩爾定律

在價格、體積不變的條件下，計算機的計算能力可以不斷增長。這就是被人們所熟知的摩爾定律，它以Intel共同創辦人Gordon Moore命名。Gordon Moore從各種形式的計算中獲利，包括人工智慧研究人員使用的計算類型。數年以前，先進的系統設計只能在理論上成立但無法實現，因為它所需要的計算機資源過於昂貴或者計算機無法勝任。今天，我們已經擁有了實現這些設計所需要的計算資源。舉個夢幻般的例子，現在最新一代微處理器的性能是1971年第一代單片機的400萬倍。

2）大數據

得益於互聯網、社交媒體、移動設備和廉價的感測器，這個世界產生的數據量急劇增加。隨著對這些數據的價值的不斷認識，用來管理和分析數據的新技術也得到了發展。大數據是人工智慧發展的助推劑，這是因為有些人工智慧技術使用統計模型來進行數據的概率推算，比如圖像、文本或者語音，通過把這些模型暴露在數據的海洋中，使它們得到不斷優化，或者稱之為「訓練」——現在這樣的條件隨處可得。

3）互聯網和雲計算

和大數據現象緊密相關，互聯網和雲計算可以被認為是人工智慧基石有兩個原因，第一，它們可以讓所有聯網的計算機設備都能獲得海量數據。這些數據是人們推進人工智慧研發所需要的，因此它可以促進人工智慧的發展。第二，它們為人們提供了一種可行的合作方式——有時顯式有時隱式——來幫助人工智慧系統進行訓練。比如，有些研究人員使用類似Mechanical Turk這樣基於雲計算的眾包服務來僱傭成千上萬的人來描繪數字圖像。這就使得圖像識別演算法可以從這些描繪中進行學習。谷歌翻譯通過分析用戶的反饋以及使用者的無償貢獻來提高它自動翻譯的質量。

4）新演算法

演算法是解決一個設計程序或完成任務的路徑方法。最近幾年，新演算法的發展極大提高了機器學習的能力，這些演算法本身很重要，同時也是其他技術的推動者，比如計算機視覺（這項科技將會在後文描述）。機器學習演算法目前被開源使用，這種情形將促成更大進步，因為在開源環境下開發人員可以補足和增強彼此的工作。

4、認知技術

我們將區分人工智慧領域和由此延伸的各項技術。大眾媒體將人工智慧刻畫為跟人一樣聰明的或比人更聰明的計算機的來臨。而各項技術則在以往只有人能做到的特定任務上面表現得越來越好。我們稱這些技術為認知技術（下圖），認知技術是人工智慧領域的產物，它們能完成以往只有人能夠完成的任務。而它們正是商業和公共部門的領導者應該關注的。下面我們將介紹幾個最重要的認知技術，它們正被廣泛採納並進展迅速，也獲得大量投資。

1）計算機視覺

是指計算機從圖像中識別出物體、場景和活動的能力。計算機視覺技術運用由圖像處理操作及其他技術所組成的序列來將圖像分析任務分解為便於管理的小塊任務。比如，一些技術能夠從圖像中檢測到物體的邊緣及紋理。分類技術可被用作確定識別到的特徵是否能夠代表系統已知的一類物體。

計算機視覺有著廣泛應用。其中包括，醫療成像分析被用來提高疾病的預測、診斷和治療；人臉識別被Facebook用來自動識別照片里的人物；在安防及監控領域被用來指認嫌疑人；在購物方面，消費者現在可以用智能手機拍攝下產品以獲得更多購買選擇。

機器視覺作為一個相關學科，泛指在工業自動化領域的視覺應用。在這些應用里，計算機在高度受限的工廠環境里識別諸如生產零件一類的物體，因此相對於尋求在非受限環境里操作的計算機視覺來說目標更為簡單。計算機視覺是一個正在進行中的研究，而機器視覺則是「已經解決的問題」，是系統工程方面的課題而非研究層面的課題。因為應用範圍的持續擴大，計算機視覺領域的初創公司自2011年起已經吸引了數億美元的風投資本。

2）機器學習

指的是計算機系統無需遵照顯式的程序指令而只是依靠暴露在數據中來提升自身性能的能力。其核心在於，機器學習是從數據中自動發現模式，模式一旦被發現便可用於做預測。比如，給予機器學習系統一個關於交易時間、商家、地點、價格及交易是否正當等信用卡交易信息的資料庫，系統就會學習到可用來預測信用卡欺詐的模式。處理的交易數據越多，預測就會越好。

機器學習的應用範圍非常廣泛，針對那些產生龐大數據的活動，它幾乎擁有改進一切性能的潛力。除了欺詐甄別之外，這些活動還包括銷售預測、庫存管理、石油和天然氣勘探、以及公共衛生。機器學習技術在其他的認知技術領域也扮演著重要角色，比如計算機視覺，它能在海量圖像中通過不斷訓練和改進視覺模型來提高其識別對象的能力。現如今，機器學習已經成為認知技術中最炙手可熱的研究領域之一，在2011-2014年中這段時間內就已吸引了近十億美元的風險投資。谷歌也在2014年斥資4億美金收購Deepmind這家研究機器學習技術的公司。

3）自然語言處理

是指計算機擁有的人類般文本處理的能力，比如，從文本中提取意義，甚至從那些可讀的、風格自然、語法正確的文本中自主解讀出含義。一個自然語言處理系統並不了解人類處理文本的方式，但是它卻可以用非常複雜與成熟的手段巧妙處理文本，例如自動識別一份文檔中所有被提及的人與地點；識別文檔的核心議題；或者在一堆僅人類可讀的合同中，將各種條款與條件提取出來並製作成表。以上這些任務通過傳統的文本處理軟體根本不可能完成，後者僅能針對簡單的文本匹配與模式進行操作。請思考一個老生常談的例子，它可以體現自然語言處理面臨的一個挑戰。在句子「光陰似箭（Time flies like an arrow）」中每一個單詞的意義看起來都很清晰，直到系統遇到這樣的句子「果蠅喜歡香蕉（Fruit flies like a banana）」，用「水果（fruit）」替代了「時間（time）」，並用「香蕉（banana）」替代「箭（arrow）」，就改變了「飛逝／飛著的（like）」與「像／喜歡（like）」這兩個單詞的意思。

自然語言處理，像計算機視覺技術一樣，將各種有助於實現目標的多種技術進行了融合。建立語言模型來預測語言表達的概率分布，舉例來說，就是某一串給定字元或單詞表達某一特定語義的最大可能性。選定的特徵可以和文中的某些元素結合來識別一段文字，通過識別這些元素可以把某類文字同其他文字區別開來，比如垃圾郵件同正常郵件。以機器學習為驅動的分類方法將成為篩選的標準，用來決定一封郵件是否屬於垃圾郵件。

因為語境對於理解「time flies（時光飛逝）」和「fruit flies（果蠅）」的區別是如此重要，所以自然語言處理技術的實際應用領域相對較窄，這些領域包括分析顧客對某項特定產品和服務的反饋、自動發現民事訴訟或政府調查中的某些含義、以及自動書寫諸如企業營收和體育運動的公式化範文等。

4）機器人技術

將機器視覺、自動規劃等認知技術整合至極小卻高性能的感測器、致動器、以及設計巧妙的硬體中，這就催生了新一代的機器人，它有能力與人類一起工作，能在各種未知環境中靈活處理不同的任務。例如無人機，還有可以在車間為人類分擔工作的「cobots」，還包括那些從玩具到家務助手的消費類產品。

5）語音識別技術

主要是關注自動且準確的轉錄人類的語音。該技術必須面對一些與自然語言處理類似的問題，在不同口音的處理 、背景噪音、區分同音異形異義詞(「buy」和「by」聽起來是一樣的)方面存在一些困難，同時還需要具有跟上正常語速的工作速度。語音識別系統使用一些與自然語言處理系統相同的技術，再輔以其他技術，比如描述聲音和其出現在特定序列和語言中概率的聲學模型等。語音識別的主要應用包括醫療聽寫、語音書寫、電腦系統聲控、電話客服等。比如Domino』s Pizza最近推出了一個允許用戶通過語音下單的移動APP。

上面提到的認知技術進步飛快並吸引了大量投資，其他相對成熟的認知技術仍然是企業軟體系統的重要組成部分。這些日漸成熟的認知技術包括決策最優化——自動完成對複雜決策或者在資源有限的前提下做出最佳權衡；規劃和調度——使設計一系列行動流程來滿足目標和觀察約束；規則導向系統——為專家系統提供基礎的技術，使用知識和規則的資料庫來自動完成從信息中進行推論的處理過程。

三、認知技術的廣泛使用

各種經濟部門已經把認知技術運用到了多種商業職能中。

1）銀行業

自動欺詐探測系統使用機器學習可以識別出預示著欺詐性付款行動的行為模式；藉助語音識別技術能夠自動完成電話客服；聲音識別可以核實來電者的身份

2）醫療健康領域

美國有一半的醫院採用自動語音識別來幫助醫生自動完成醫囑抄錄，而且使用率還在迅速增長；機器視覺系統自動完成乳房X光檢查和其他醫學影響的分析；IBM 的Watson藉助自然語言處理技術來閱讀和理解大量醫學文獻，通過假設自動生成來完成自動診斷，藉助機器學習可以提高準確率。

3）生命科學領域

機器學習系統被用來預測生物數據和化合物活動的因果關係，從而幫助製藥公司識別出最有前景的藥物。

4）媒體與娛樂行業

許多公司正在使用數據分析和自然語言生成技術，自動起草基於數據的的公文材料，比如公司營收狀況、體育賽事綜述等。

5）石油與天然氣

廠商將機器學習廣泛運用在礦藏資源定位、鑽井設備故障診斷等眾多方面。

6）公共部門

出於監控、合規和欺詐檢測等特定目的，公共部門也已經開始使用認知技術。比如，喬治亞州正在通過眾包的形式來進行財政披露和競選捐助表格的數字化，在這個過程中他們就採用了一套自動手寫識別系統。

7）零售商

零售商利用機器學習來自動發現有吸引力的交叉銷售定價和有效的促銷活動。

8）科技公司

它們正利用機器視覺、機器學習等認知技術來改進產品或者開發全新產品，比如 Roomba機器人吸塵器，Nest智能恆溫器。

上述例子表明，認識技術的潛在商業收益遠大於自動化帶來的成本節約，這主要體現在：

更快的行動與決策（比如，自動欺詐檢測，計劃和調度）

更好的結果（比如，醫學診斷、石油探測、需求預測）

更高的效率（亦即，更好的利用高技能人才和昂貴設備），

更低的成本（比如，自動電話客服減少了勞動成本）

更大的規模（亦即，開展人力無法執行的大規模任務）

產品與服務創新（從增加新功能到創造新產品）

四、認知技術影響力與日俱增的原因

在未來五年，認知技術在商業領域的影響力將顯著增長。原因有二，首先，近些年來，技術性能有了實質進步，並處於持續研髮狀態。其次，數億美元已經投入到技術商業化中，許多公司正致力於為各商業部門的廣泛需求提供定製化開發和打包方案，以使這些技術更易購買和配置。雖然並非所有的技術提供商都能倖存，但他們的努力將共同推動市場前進。技術性能的改善和商業化正在共同擴大著認知技術的應用範圍，這種情況在未來幾年都將持續下去。

1、技術提升擴展了應用範圍

認知技術大踏步前進的例子非常多。比如Google的語音識別系統，一份報告顯示，Google用了不到兩年時間就將語音識別的精準度從2012年的84%提升到如今的98%。計算機視覺技術也取得了突飛猛進的發展。如果以計算機視覺技術研究者設置的技術標準來看，自2010年到2014年，圖像分類識別的精準度提高了4倍。Facebook的DeepFace技術在同行評審報告（譯者註：同行評審，是一種學術成果審查程序，即一位作者的學術著作或計劃被同一領域的其他專家學者評審。）被高度肯定，其臉部識別率的準確度達到97%。2011年，IBM 為了讓Watson在智力節目《危險邊緣》中獲勝，曾對Watson進行優化，提升兩倍的答案精確度。現在，IBM又宣稱如今的Watson比當時「智能」了2400%。

隨著技術的改進和提高，技術應用的範圍也在不斷擴大。比如，在語音識別方面，機器曾經需要大量訓練才能在有限詞庫里勉強識別出來，由語音識別技術延伸出的醫療應用程序也很難得到真正普及。而現在，每個月互聯網上都會有數以百萬次的語音搜索。另外，計算機視覺技術過去被狹隘的理解為部署在工業自動化方面，但現在，我們早已看到這一技術被廣泛運用到監控、安全以及各種各樣的消費應用里。IBM如今正拓展Watson在競賽遊戲之外的應用，從醫療診斷到醫學研究再到財務建議以及自動化的呼叫中心。

並不是所有的認知技術都有如此令人矚目的發展。機器翻譯有了一定發展，但幅度很小。一份調查發現，從2009年到2012年，將阿拉伯語翻譯到英語的精確度僅僅提升了13%。儘管這些技術還不完美，但他們已經可以影響到專業機構的工作方式。很多專業翻譯人員依靠機器翻譯提升翻譯精準度，並把一些常規翻譯交給機器，自己專註在更具挑戰性的任務上。

很多公司正努力將認知技術做進一步研發，並逐步將其融入到更多產品尤其是企業級產品里，以方便企業用戶購買和部署。

2、對商業化進行的大規模投資

從2011年到2014年5月，超過20億美元的風險投資流入到基於認知技術研究的產品和服務里。與此同時，超過100家的相關公司被兼并或收購，其中一些被互聯網巨頭如亞馬遜、蘋果、Google、IBM或Facebook收購。所有這些投資都在培育一個多樣化的公司圖譜，這些公司正在加速認知技術的商業化進程。

在這裡，我們並不會提供關於某公司在認知技術商業化方面的細節，我們希望說明，認知技術產品擁有豐富的多樣性。下面就是致力於認知技術商業化的公司名單，這個名單既不是完整無缺也非固定不變，而是一個動態的，用於推動和培育市場的指標。

數據管理和分析工具主要使用自然語言處理、機器學習等認知技術。這些工具利用自然語言處理來從非結構化的文本中提取出意思，或者藉助機器學習幫助分析人員從大規模數據集中發現深層含義。這個領域的公司包括Context Relevant（譯者註：美國的一家大數據挖掘和分析公司）、Palantir Technologies（譯者註：這家公司稱要將數據、技術、人類和環境連接起來）、以及Skytree（譯者註：一家藉助機器學習進行市場分析並提供決策依據的大數據公司）。

認知技術的各個部分可以被整合到各種應用和商業決策中，分別起到增加功能和提高效率的作用。例如，Wise.io公司提供一套模塊來促進商業決策，比如客戶支持、營銷和銷售，這裡面會用到機器學習模型來預測哪些客戶比較容易流失，以及哪些潛在客戶更加容易轉化。Nuance公司通過提供一種語音識別技術來幫助開發者進行需要語音控制的移動APP的開發。

單點解決方案。眾多認知技術成熟的標誌是它們正在被不斷的嵌入到特定商業問題的解決方案中。這些解決方案的設計初衷是要比公司原有的解決方案更加有效，並且幾乎不需要認知技術方面的專業人員。普及度比較高的應用領域包括廣告、營銷和銷售自動化、預測以及規劃。

技術平台。平台的目的是為建立高度定製化的商業解決方案提供基礎。它們會提供一系列功能，包括數據管理、機器學習工具、自然語言處理、知識表示和推理、以及將這些定製化軟體整合在一起的統一框架。

3、新興應用

如果這些技術的表現和商業化趨勢繼續發展，我們就能夠大膽預測認知技術的應用將更加廣泛，被接受程度也會大大增加。數億美金的投資湧入這些基於機器學習、自然語言處理、機器視覺或者機器人技術的公司，這預示著許多新應用即將投入市場。在商業機構依託認知技術構建自動化業務流程、增強產品和服務方面，我們也看到了巨大空間。

五、認知技術在企業的應用路徑

認知技術將在接下來幾年裡變得流行。在未來2-5年，技術層面的進步和商業化將擴大認知技術對企業的影響。越來越多的企業會找到一些創新性應用來顯著改善他們自身的表現或者創造新功能，以增強他們的競爭地位。企業的IT部門現在可以行動起來，增加對這些技術的了解，評估出適用這些技術的機會，將這些技術可能帶來的價值向領導進行彙報。高級商務和公共部門的領導應該思考認知技術將對他們的部門以及整個公司產生何種影響，這些技術將如何激發創新並提升經營表現。

人工智慧具體說的應用可涉及一起領域，所以一一道來沒什麼意義，你能想到的任何進步都可以關聯。現在我們從另一個角度說，以往的進步幫助人省了體力和時間，人工智慧不僅進一步省這些，更重要的是省了你的腦力。現代科技還有什麼互聯網模式讓人身體變懶，人工智慧還讓人腦子變懶，很多決策都聽智多星的了，比如吃啥好？有推薦，根據身體狀況和口味及最近數據,餐廳實時用餐情況綜合推薦。人活著的意義也許要挑戰腦洞，天天折磨下腦子，就像現在吃飽沒事幹了去天天長跑消磨身體一樣 。本來讓你吃好喝好舒舒服服坐空調房看電影的，你卻沒勁要長跑。本來讓你每天都得到最佳享受的，你也會沒勁要挑戰最差享受。你說人是進步了還是毛病了？