对比2018,Gartner2019 AI技术成熟度曲线揭示了哪些趋势?

近日,世界公认的人工智能风向标,Gartner 2019年人工智能技术成熟度曲线图公布。它由69位Gartner国际分析师定制编写,揭示了人工智能在全球市场的成熟度以及未来发展趋势。

相较2018年,2019曲线表明有更多的人工智能技术处在创新触发阶段,反映出全球人工智能正不断涌现新创意,例如,增强学习、人工智能云服务、边缘人工智能、可解释的人工智能等。

01

2019全球人工智能正不断涌现出更多新创意

2019年人工智能技术成熟度曲线共有36项技术出现,其中成熟度周期包含了很多新技术,但被大众所知晓的有价值或有目标的很少,而被主流应用的则少之又少。

在这36项技术中,有16项技术需要2到5年才能达到成熟期。有15项技术需要5到10年才能达到成熟期,它们基本处于创新萌芽期与期望膨胀的顶峰期。而“稳步爬升的光明期”和“实质生产的高峰期”都比较空,出现的技术寥寥无几。

在曲线的峰值处,可以看到,AI Paas(人工智能平台服务)、Auto ML(自动化机器学习)、智能应用、聊天机器人等14项技术成为顶峰期人们对AI最大的期待。

相比之下,Robitic Process Automation Software(机器人流程自动化软件)、GPU Accelerators(GPU加速器)、Speech Recognition(语音识别)达到高峰期仅需要不到2年,或将成为最快落地的AI项目。

而Artificial General Intelligence(通用人工智能)、Quantum Computing(量子计算)、Autonomous Vehicles(无人驾驶)等技术实现难度仍有待探索,或许还需要超过10年的时间才能实现。

02

对比2018,这些技术发生了什么变化?

为了更直观地与2018年人工智能成熟度曲线进行对比,我们把2019年曲线与2018年曲线中各项技术按照所处的阶段进行了归类,上下顺序也按照曲线中的时间顺序进行了排列。

相较于2018年,2019年的曲线表明有更多的人工智能技术处在创新萌发阶段,反映出全球人工智能正不断涌现新创意。

通过两条曲线的比较,可以发现,集成学习虚拟现实、知识管理工具、商用无人机、预测分析、人环众包等8项技术已从2019年技术成熟度曲线中消失(表中※标注)。

相反,强化学习、决策智能、数据标注和注解服务、可解释人工智能、边缘人工智能、洞察引擎、量子计算等11项新技术则登上了2019人工智能曲线。

聊天机器人、人工智能Paas由2018年的萌芽期开始进入2019的顶峰期。NLP、VPA无线扬声器、机器人流程自动化软件、虚拟助手则从期望膨胀期进入泡沫化低谷期。还有一些技术同时存在于两条曲线上,但是其位置发生了比较大的移动,近两年火爆的Autonomous Vehicles(自动驾驶)则遭遇了期望的下降与实现时间延长的双重冲击。

03

报告得出五大结论

Gartner的这种技术成熟度周期凸显出了人工智能正以多种不同的方式影响企业。

Gartner副总裁分析师Svetlana Sicular认为,今年的成熟度周期包含了很多新技术,但被大众所知晓或应用的很少,这并不代表AI是不可用的,这表示它将会发生改变,为了评估AI的价值和风险,CIO需要为其设定现实的预期。

结论一:部署AI企业的比例翻了近四倍

根据Gartner的年度CIO(首席信息官)调查,部署了人工智能的企业比例已从2018年的4%增长到了2019年的14%,几乎翻了四倍。 

结论二:稳步爬升和实质生产的技术较少

由趋势图可以看出,今年的“技术萌芽期”进入曲线更长,反映出人工智能领域新的和多样化的想法层出不穷;在“期望膨胀期”则比较密集,而“稳步爬升的光明期”和“实质生产的高峰期”都比较空,出现的技术同样寥寥无几。

结论三:建议学习“机器学习”技术

报告指出,“2019年数据科学机器学习技术成熟度曲线”已进入“顶峰期拥挤”,与当前的技术成熟度曲线重叠,因为机器学习是人工智能的核心。因此,建议企业学习机器学习技术,以便在不出现期望膨胀的情况下采用人工智能。

结论四:重点关注趋势

1.自动化机器学习和智能应用的发展势头最强劲,其他方法也颇受欢迎,包括人工智能平台即服务(PaaS)、人工智能云服务、人工智能市场等。

2.人工智能的伦理和治理工作蓄势待发。

3.对于人工智能解决方案的信任是用户接受的关键。增强智能在建立信任方面比自动化更有效。通过为用户说明预测和建议,可解释人工智能也能提供帮助。

4.对话式人工智能。在开发聊天机器人和语音支持的策略时,实施者应注意对话式用户界面、虚拟助理、自然语言处理(NLP)和语音识别等技术达到平稳期所需的实践。

5.计算基础设施推动着人工智能的发展,报告建议在设计计算基础设施策略时平衡使用案例驱动型功能的成本和性能。

6.鼓励开发人员尝试使用人工智能开发人员工具包、人工智能云服务、人工智能PaaS和吸引人的全新强化学习产品。

结论五:关注新技术

报告称,自2018年以来,以下技术在人工智能领域的受关注程度明显提高:人工智能云服务出现得相对较晚,但将产生重大影响;自动化机器学习是热炒最多的人工智能方法之一,它用于人工智能的大众化,并将机器学习交付给数据科学家和商业专家;作为通过人工智能胜出的设计方法,增强智能技术则使人工智能自动化黯然失色。它采用人工智能来弥补人类的局限性,并利用人来扩大人工智能的可能性。

除此之外,可解释人工智能也颇受关注。边缘人工智能则可克服与延迟隐私和安全相关的挑战,并改善客户体验;作为赢得日益复杂的游戏的一种手段,强化学习技术也取得了重大进展。

04

2019年,哪些技术将迎来商业化?

对于困扰人工智能企业久矣的商业化问题,Gartner认为,Custom-developed AI Solutions、AI cloud services and APIs、Search and insight engines、AI embedded in ERP, CRM, HR applications、Automated ML将最先进入企业,成为最有可能实现商业化的技术。

但是,要实现上述技术,以及曲线中提到的其他稍显遥远的技术,道德和伦理的建立至关重要。特别是在人工智能面前,我们可能会面临一场前所未有的认知革命。(综合整理自:全球AI艺术大赛、动脉网等)

AMiner学术头条
AMiner学术头条

AMiner平台由清华大学计算机系研发,拥有我国完全自主知识产权。系统2006年上线,吸引了全球220个国家/地区800多万独立IP访问,数据下载量230万次,年度访问量1000万,成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

https://www.aminer.cn/
专栏二维码
产业报告Gartner
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

集成学习技术

集成学习是指使用多种兼容的学习算法/模型来执行单个任务的技术,目的是为了得到更佳的预测表现。集成学习的主要方法可归类为三大类: 堆叠(Stacking)、提升(Boosting) 和 装袋(Bagging/bootstrapaggregating)。其中最流行的方法包括随机森林、梯度提升、AdaBoost、梯度提升决策树(GBDT)和XGBoost。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

虚拟现实技术

虚拟现实,简称虚拟技术,也称虚拟环境,是利用电脑模拟产生一个三维空间的虚拟世界,提供用户关于视觉等感官的模拟,让用户感觉仿佛身历其境,可以及时、没有限制地观察三维空间内的事物。用户进行位置移动时,电脑可以立即进行复杂的运算,将精确的三维世界视频传回产生临场感。

聊天机器人技术

聊天机器人是经由对话或文字进行交谈的计算机程序。能够模拟人类对话,通过图灵测试。 聊天机器人可用于实用的目的,如客户服务或资讯获取。有些聊天机器人会搭载自然语言处理系统,但大多简单的系统只会撷取输入的关键字,再从数据库中找寻最合适的应答句。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

自动化机器学习技术

机器学习最近在许多应用领域取得了长足的进步,这促成了对机器学习系统的不断增长的需求,并希望机器学习系统可以被新手快速地熟悉并使用。相应地,越来越多的商业企业推出产品旨在满足这种需求。这些服务需要解决的核心问题是:在给定数据集上使用哪种机器学习算法、是否以及如何预处理其特征以及如何设置所有超参数。这即是自动化学习(AutoML)企图解决的问题。

通用人工智能技术

通用人工智能(AGI)是具有一般人类智慧,可以执行人类能够执行的任何智力任务的机器智能。通用人工智能是一些人工智能研究的主要目标,也是科幻小说和未来研究中的共同话题。一些研究人员将通用人工智能称为强AI(strong AI)或者完全AI(full AI),或称机器具有执行通用智能行为(general intelligent action)的能力。与弱AI(weak AI)相比,强AI可以尝试执行全方位的人类认知能力。

可解释的人工智能技术

一个可以解释的AI(Explainable AI, 简称XAI)或透明的AI(Transparent AI),其行为可以被人类容易理解。它与机器学习中“ 黑匣子 ” 的概念形成鲜明对比,这意味着复杂算法运作的“可解释性”,即使他们的设计者也无法解释人工智能为什么会做出具体决定。 XAI可用于实现社会解释的权利。有些人声称透明度很少是免费提供的,并且在人工智能的“智能”和透明度之间经常存在权衡; 随着AI系统内部复杂性的增加,这些权衡预计会变得更大。解释AI决策的技术挑战有时被称为可解释性问题。另一个考虑因素是信息(信息过载),因此,完全透明可能并不总是可行或甚至不需要。提供的信息量应根据利益相关者与智能系统的交互情况而有所不同。

量子计算技术

量子计算结合了过去半个世纪以来两个最大的技术变革:信息技术和量子力学。如果我们使用量子力学的规则替换二进制逻辑来计算,某些难以攻克的计算任务将得到解决。追求通用量子计算机的一个重要目标是确定当前经典计算机无法承载的最小复杂度的计算任务。该交叉点被称为「量子霸权」边界,是在通向更强大和有用的计算技术的关键一步。

推荐文章
暂无评论
暂无评论~