AI 初创公司 Cortica 在自动驾驶汽车系统中部署无监督学习
专注图像和视频技术的 AI 初创公司 Cortica 进军自动驾驶汽车领域，将无监督学习技术部署于车辆系统中，进而处理数据并确定车辆周围环境。这家以 AI 驱动的公司成立于 2007 年，总部位于以色列，曾在 2012 年获得 700 万美元融资，投资方包括李嘉诚旗下 Horizons Ventures 。目前，Cortica 的图像识别技术已应用在广告等业务，无监督学习也是该公司研发的重点。相较于有监督学习过程，无监督学习无需赋予标注样本，它可以在无人指导的情况下，针对大量未标注的数据，自主学习出较好的特征描述、完成分类等任务。
Cortica 所研发的系统将帮助相关制造商和开发商从传感器中收集所有数据、处理图像、完成聚类，并根据学习中得到的特征描述将其打上标签。Cortica 公司认为，无监督学习更接近人类看待并处理视觉问题的方法，可以帮助未来的自动驾驶车辆更好地适应路面上的各种情况。
利用深度学习算法的网络安全公司 Deep Instinct 获得 3200 万美元 B 轮融资
近日，网络安全公司 Deep Instinct 宣布获得 3200 万美元 B 轮融资，由 CNTP 领投，英伟达、美国对冲基金 Coatue Management 以及现有投资者跟投。Deep Instinct 位于以色列，利用深度学习技术从多维度对网络上的恶意行为进行自主检测，为提供先进的自适应网络攻击防御保障。基于GPU的人工智能算法，Deep Instict 能够大幅度提升网络安全软件的检测率，解决网络安全问题。公司 CEO 兼创始人 Guy Caspi 表示，Deep Instict 需要筹集大量资金以加速公司在美国和全球市场的布局，同时，公司将利用这笔新资金扩大、优化现有的解决方案，取代那些每天都在面临威胁考验的不成熟方案。
Deep Instinct 这笔融资出现在众网络安全公司寻求先进技术以对抗网络攻击泛滥的关键时间点。本月早些时候，安全软件巨头 Symantec 就曾宣布拟收购以色列安全初创公司 Fireglass ，进而加强其综合网络防御平台。
「货运界的 Uber 」Transfix 初创公司获得 4200 万美元 C 轮融资
近日，面向卡车货运运输市场的网络初创公司 Transfix 宣布获得 4200 万美元 C 轮融资，NEA 为领投方，Canvas Ventures及 Lerer Hippeau Ventures 等风险投资公司跟投，累积融资额达 7850 万美元。这家公司成立于 2013 年，其网站平台和应用程序允许零售商及制造商发布货运信息，同时接受卡车司机的报价。
交易的过程在网上进行，托运人可以在货运过程中追踪他们的货物，并在延误时收到提醒。Transfix 利用机器学习技术以及数据分析工具在货运预定管理市场中脱颖而出，被誉为「货运界的Uber」，目前拥有 110 名员工。
目前，联程货运及相关物流市场仍然非常分散且存在不透明的问题，没有接受到先进技术及创新所带来的益处。不过，随着自动驾驶卡车领域的蓬勃发展，越来越多公司开始将目光转向按需下单的卡车货运领域。亚马逊和 Uber 都已经在积极探索。
应用
自称是「世界上第一个法律机器人」的 DoNotPay 已适配美国 50 个州
「人」如其名，DoNotPay 是一个能帮你省钱的法律聊天机器人。它能够解答你的法律疑问，并帮你自动生成申诉信。你只需打印并签字，即可寄送给相关司法部门。目前，DoNotPay 的业务范围已覆盖包括车辆违章、航空理赔、歧视等 1000 个门类，且全部免费。今天，DoNotPay 宣布已适配美国全境 50 州（因美国各州法律法规不同）。此前，DoNotPay 曾在纽约、西雅图和英国上线两年，共服务约 375,000 位咨询者。
创始人 Joshua Browder 是斯坦福大学在校生，他称 DoNotPay 为「世界上第一个法律机器人」。他表示，DoNotPay 有可能会遭遇政府的法律管控。但更令他担心的是法律界的抵制。「司法行业是一个价值两千亿美金的行业，如果我将法律咨询变成免费服务，很多大型律师事务所会受到影响。」
谷歌发布其使用 AI 管理应用商店的技术细节
由于开源，安卓系统的安全性一直是谷歌面临的一大问题。近几年，谷歌一直在与其应用商店内的恶意软件做斗争。有了人工智能的加持，谷歌能够在用户安装并举报之前发现恶意软件的存在。近日，谷歌披露了具体的技术细节。
其实，谷歌的实现方式很简单。使用 Peer Grouping 的方式，将功能类似的应用聚合成一个集群，并通过分析集群中各应用所申请的手机权限的方式，找出其中的异类。比如，在计算器软件集群中，需要获得手机通讯录、相机、照片等授权的应用多半是恶意应用。应用商店的世界日新月异，简单的人工分类与排查已不能覆盖商店内应用的类别以及数目的增长。谷歌通过人工智能自动学习应用分类及异类查找，节省成本的同时准确率也有大幅提高。
在 2015 年到 2016 年这一年时间内，谷歌官方应用商店的恶意软件比例从 0.15% 下降至 0.05% 。但值得一提的是，由于其开源性质，在以中国为代表的很多国家及地区，安卓用户习惯从其他途径下载软件，这使得安全性难以控制。据悉，同样是 2015 至 2016 这一年，整个安卓环境下的恶意软件数量从 0.5%上升到 0.7%。
观点
微软 Seeing AI 应用程序有待完善，训练数据与算法迭代必不可少
近日，微软推出一款名为 Seeing AI 的应用，可以将用户扫描到的信息以语音的形式进行传递，旨在帮助视力存在障碍的人们了解周围环境。然而，在实践以及各方评测结果中可以发现，Seeing AI 还许多亟待完善的地方。
首先，识别文字与条形码的应用程序已经屡见不鲜，Seeing AI 可以读出扫描的文字，并完成对大多数条形码的识别任务，同时还能帮助用户将摄像头与期待扫描的内容对齐。例如，在靠近条形码的时候，应用程序会发出哔哔声并指导你将摄像头与相关文本对齐。除此之外，Seeing AI 还使用了大量的微软人工智能算法来完成周围物体及人物的识别。然而，这项功能在实测中结果差强人意，有时所识别出的物品并非是用户真正想了解的内容，在识别人物时也存在一些偏差情况。Seeing AI 还需要大量的训练数据以及算法迭代来加以完善，微软在这个应用方向上还有很长的路要走。
AI 或许是一场强者恒强的游戏
科技评论员 Tom Simonite 13 日于 WIRED 发文，以谷歌研究院联合卡耐基梅隆大学在本周发布的一篇论文为例（论文链接：https://arxiv.org/pdf/1707.02968.pdf ），声称 AI 和海量数据会让科技巨头更难被颠覆。该论文项目组占用 50 个顶级图像处理器，耗时两个月整，用了 3 亿张带标签的图片（通常图像识别问题的数据集规模在 100 万张左右），证明了一个观点：如果不对算法做出任何调整，只是提供给模型更多的图像，可以得到更优质的图像识别模型，数据的体量和模型的准确率有明显正相关关系。
Simonite 认为，这项研究说明谷歌、脸书、微软等数据丰富的科技巨头在 AI 时代的优势可能比想象中更大。这些公司近年纷纷开源自己的软件乃至硬件设计，却并未对其使用这些工具所需的数据做同等程度的公开，换言之，数据囤积已经成为了大公司的一种防御性策略。
同时，数据并不丰富的小公司想要在夹缝中生存可能需要采取更多创意性举措。DataRobot 首席执行官 Jeremy Archin 猜测，小公司可能会联合起来，将数据汇总，以期获得可以与大公司抗衡的算法。而另一种做法可能是避开科技巨头的常规数据优势领域，寻找一些独辟蹊径的应用场景，例如农业。Fast.ai 联合创始人 Rachel Thomas说，「大公司并不会在所有领域都拥有巨大优势，在很多专门化领域里，没有任何人在做数据采集工作。」
改变世界之前，AI 还需要跨越四大障碍
科技作家 Bernard Marr 认为，尽管大家都认同 AI 能够改变世界，但它在这条路上仍然面临着诸多重大障碍，其中最大的四个障碍是，缺乏计算资源、缺乏人力资源、建立信任以及通用化。
首先是计算资源，这可能是随着时间推移最容易跨越的障碍之一，但它对于 AI 的发展极为重要。人工智能的理论出现可以追溯到 20 年前甚至更早，但直到2年前，我们才有足够的计算能力实现它们。现阶段的解决方案是云计算和大规模并行处理系统，但是随着数据量的进一步增长，计算能力仍然会成为阻碍进步的瓶颈。下一代计算架构，如量子计算，可能是这个问题的答案。「但我们至少需要 5 到 10 年才能理清量子编码模型。」 Teradata CTO Stephen Brobst 如是说。
其次是人力资源，迄今为止，大多数 AI 还停留在科研机构的实验室里，而没有大规模市场使用案例意味着没有钱。没有钱意味着没有以行业应用为重点的教育和培训。近年来这一情况有所改观，以数学和计算机科学为基础的数字科学课程如同雨后春笋般涌现，然而行业应用场景仍然乏人探索。两股力量在逐渐解决这一问题，一是虽然没有接受过特定教育，但是在自己的岗位上有丰富数据处理和分析经验的领域专家，二是提供 AI 即服务的平台和工具，提供「给数据、拿结果」式的解决方案。
第三是建立信任。Brobst 认为，到 2020 年，将会出现「喧哗的 10%」来反对 AI 占领我们的生活。因为不像银行等线性的算法，可以直接向用户解释做出决策的原因（我拒绝你的贷款申请，因为你没有工作，等等），但是神经网络不会对自己做出的决定做出解释，这会让人很不舒服。这一问题的解决方案可能是向大众展示科技的有效性，展示信任AI 的预测有什么好处。迄今为止进展十分缓慢的立法也会在其中扮演重要角色，立法机构需要站在大众角度对应用个人数据的技术进行限制和约束。
最后是通用化问题。目前的 AI 都针对一项具体任务开发，如同谷歌科学家 Raja Hadsell 所言，「没有任何一个神经网络能同时辨认物体，玩太空侵略者并听懂音乐。」问题在于像人类这样「天然」的智能生物能够利用那些与当期任务无明显联系的知识和技能来解决问题，而机器则无法完成这一点。
图说
建筑业的科技图谱
建筑业，一个重资产的传统行业，现今也受到数字化和人工智能浪潮的影响。2017 年至今，至少有 25 笔、总量约 170 万美元的资金投入了与建筑业相关的科技公司。CB Insights 整理了 100 多家影响建筑领域的初创公司，将其分为了 8 个大类、13 个小类，完成了这张建筑业科技图谱。
1、协作软件：这是最大的一个类别，包括项目管理、电子日程及时间点跟踪、投标管理等
- 项目与任务管理：这个子类的典型公司有获得了 1 亿 8000 万美金融资的云建设管理平台 Procore Technologies 等；
- 其他协作工具：包括时间点跟踪与投标管理等，典型公司是 ALICE Technologies。这家公司开发了建筑信息模型（ BIM ）来优化建筑工程实践表。
2、市场：这个类别的公司帮助匹配客户与需要特定工具、材料与服务的房主
- 建筑设备分享：获得最多投资的一家公司是 EquipmentShare，他们得到由 Y Combinator 领投的近 3400 万美金；
- 其他市场：除了设备外，还有建材以及承建商资源匹配。
3、前沿科技与机器人：
- 无人机：无人机主要被用于地形勘测、地图绘制等工作；
- 增强现实/虚拟现实：这类工具主要面向建筑设计领域，用于模型构建。代表公司有 IrisVR 等；
- 建造用机器人：机器人正在取代人完成危险以及重复的工作。典型公司有印度的 Endless Robotics，他们的机器人十分善于刷墙。
4、设计科技：
该类别公司主要利用计算机辅助设计（ CAD ）和建筑信息建模（ BIM ）来创建建筑特征的数字表达。Onshape 是一家 3D CAD 平台，它们获得了 1.69 亿投资。
5、库存和供应链管理：
这个类别中有知名的建筑技术界独角兽 Katerra，它们精简了从设计到投标到建设这一系列过程。
6、风险管理：
- 监理与安全：这是风险管理大类里最大的子类，其中的著名公司有 Human Condition Safety，他们利用可穿戴设备、AI 和 BIM 来创造更安全的工作环境；
- 合规与安保：建筑业有庞杂的规范体系，Express Lien 主要处理留置权管理业务；
- 数据与数据分析：这个类别的公司业务包括数据管理、预测分析和其他针对建筑过程的建模。获得最多投资的是芝加哥公司 Uptake Technologies，他们的主要数据源是传感器；
- 财务管理：这是相对而言较小的一个分类，代表性公司有帮助客户估价、报销的 Joist。
