明年迎来AI泡沫集体爆发?融资将再创新高但这或许是最后一次狂欢

明年迎来AI泡沫集体爆发?融资将再创新高但这或许是最后一次狂欢

对付泡沫的有效方法,就是用另一个更大的泡沫包住它,这也是常说的「嵌套式泡沫」。

如果要追求可持续繁荣,必须要同时做到两件事:小心地把里面的虚假消掉、认真地把外面的空间做大。

身处人工智能巨轮上的我们,越来越频繁地听人谈论起人工智能过快增长而导致泡沫丛生,独角兽越来越多,但跑出资本怪圈独立生长的却寥寥可数。

对于即将到来的 2020,前景谈不上明朗,巨轮究竟将驶向何方?

几乎所有参与人工智能的玩家都已经意识到,AI 就像加速器。

比如,AI 与「互联网复古风口」RPA (自动化) 结合,成就了 IPA(智能流程自动化)。将 RPA 比作人的双手,AI 比作人的大脑,IPA 就是把 AI 作为大脑去指挥 RPA 这双灵巧的双手来完成工作。

然而,AI 绝不仅仅是一场指挥大脑的游戏。

更重要的是,AI 已经从单一应用集成到企业的方方面面,重塑其在整个产业链中的位置。

最近,全球两家领先的市场研究与咨询机构 IDC 和 Forrester 发布了他们对 2020 年及以后人工智能产业化的预测。

通过 IDC 和 Forrester 的调查和预测,我们可以看到的未来是:

1)是否存在高技能工程师的差异,将在不同公司之间筑起一道「数字鸿沟」。

2)三大公关灾难将让 AI「声名狼藉」:Deepfake 的广泛传播、面部识别技术的不正当使用,以及无节制的个性化。

3)《财富》500 强中有 25% 的企业将投资转向有「明显效率收益」的 IPA 项目,近半的软件与服务公司将在其投资组合中强调 IPA。

4)「数据的可靠性」(digital trustworthiness)将成为一项关键的企业资产,《福布斯》全球上市公司 2000 强中超过 70% 将监控其「数据可靠性」。

5)75% 的企业将投资员工再培训和发展,以满足人工智能应用带来的新技能需求和工作方式。

6)即便每五次 AI 对话中就有四次无法通过图灵测试。但到 2020 年底,对话式 AI 仍将成功支持五分之一的客户服务交互。

7)到 2023 年,近 20% 使用 AI 优化或者协处理器优化的服务器将部署在边缘。

8)到 2025 年,50% 的计算机视觉语音识别模型将在边缘(包括终端) 上运行。

9)至少 90% 的新企业 APP 将包含嵌入式人工智能功能。然而真正由颠覆性人工智能主导的 APP 将只占总数的 10%。

10)2020 年的 AI 融资或将再创新高,但这将是最后一次的狂欢——人工智能创业生态系统将达到饱和。

1 机遇与风险并存,但AI不会迟到

明年迎来AI泡沫集体爆发?融资将再创新高但这或许是最后一次狂欢

Forrester 表示,虽然典型的「资本事件」可能会让企业对人工智能持谨慎态度,但「勇敢的企业」将继续投资 AI 并迈出重要的一步。

据 Forrester 调查显示:

  • 53% 的全球数据和分析决策者表示,他们已经实施、正在实施、或正在扩展或升级人工智能
  • 29% 的全球开发人员 (经理级别或更高级别) 在过去一年里使用人工智能机器学习软件工作。
  • 54% 的全球化使用边缘计算的公司决策者表示,他们期望边缘计算带来的最大好处之一,就是应对当前和未来人工智能计算需求的灵活性。
  • 16%的全球 B2C 市场营销决策者计划,在 2020 增加 10% 的支出,投入在数据和分析技术上,其中包括人工智能

Forrester 预测,到 2020 年,《财富》500 强中有 25% 的企业,将在他们的机器人流程自动化 (RPA,Robotic Process Automation) 项目中加入人工智能构件模块,如文本分析机器学习,以创建数百个新的智能过程自动化 (IPA,Intelligent Process Automation) 用例。

「自动化需要人工智能,而人工智能也需要自动化来扩展。」Forrester 表示。

《财富》500 强中有 25% 的企业,将人工智能投资转向更平凡、更短期以及更有战术意义的 IPA 项目,这些项目具有「非常明显的效率收益」,近半的人工智能平台提供商、全球系统集成商和管理服务提供商将在其投资组合中强调 IPA。

基于这些 IPA 用例的成功经验,IDC 预测,到 2022 年,75% 的企业将把 IPA 嵌入到技术和流程开发中,使用基于人工智能的软件计算出操作和经验上规律,以指导创新。

到 2024 年,人工智能将整合到企业的每一个部分,25% 的人工智能解决方案作为「成果即服务」投入,推动规模创新和卓越的商业价值。

人工智能将通过重新定义用户体验,建立起新的用户界面,超过 50% 的用户操作将被计算机视觉、语音、自然语言和 AR/VR 等技术增强。

未来几年,我们将看到人工智能计算机视觉自然语言处理和手势等新兴用户界面嵌入到每一种产品和设备中。

但是,新兴技术也是把双刃剑,广泛普及的另一面也存在着高风险。

Forrester 警告说,到 2020 年,人工智能滥用和潜在危害将成倍增加,三个方面的公关灾难将备受瞩目,让 AI「声名狼藉」:Deepfake 的广泛传播、面部识别技术的不正当使用,以及无节制的个性化。

IDC 预测,到 2021 年,结合各种数据和更新的强化学习算法,将有 15%的客户体验应用程序将持续超个性化。

尽管如此,Forrester 强调了积极的一面,他仍然相信「这些举措不会延缓明年人工智能的实施计划」。

相反,他们将强调设计、测试和部署负责任的人工智能系统的重要性——通过考虑偏见、公平、透明、可解释性和可问责性,以健全人工智能治理。

2 新的数字鸿沟

明年迎来AI泡沫集体爆发?融资将再创新高但这或许是最后一次狂欢

IDC 预计,到 2022 年,可能由于几次备受关注的公关灾难,「数据的可靠性」(digital trustworthiness)将成为一项关键的企业资产,《福布斯》全球上市公司 2000 强中超过 70% 将通过正式的计划来监控其「数据可靠性」。

Forrester 表示,领导力很重要,拥有首席数据官(CDO)的公司使用人工智能机器学习/或深度学习的可能性是没有 CDO 的公司的 1.5 倍。

到 2020 年,认真对待 AI 的首席数据和分析官(CDAO)和 CIO 等高级管理人员将看到,数据科学团队拥有他们所需要的数据。

Forrester 表示,真正的问题是「从复杂的应用程序组合中获取数据,并取得各个数据部门负责人的认可」。

IDC 认为,「有效地使用智能自动化需要付出大量努力,尤其在数据清理、集成和管理方面,并且需要 IT 部门的大力支持。对于大型企业而言,要解决数据中心的「陈年旧账」是非常大的挑战。

人工智能在所有公司的应用并不一致,我们看到一个新的数字鸿沟,即有或没有高技能工程师的公司之间的鸿沟。

3 劳动力被重新定义

明年迎来AI泡沫集体爆发?融资将再创新高但这或许是最后一次狂欢

Forrester 认为,到 2020 年,「技术精英」将提升人工智能和设计技能,而其他人将「笨手笨脚」。以人为本的设计技能和人工智能开发能力将是关键。

IDC 预计,到 2024 年,75% 的企业将投资员工再培训和发展,包括第三方服务,以满足人工智能应用带来的新技能需求和工作方式。

「劳动力」的构成和定义不断被丰富。

IDC 预测,随着智能自动化扩展到整个企业,IT 组织将管理和支持越来越多支持 IPA(智能过程自动化,即 AI+RPA)。

劳动力的另一大增量将是聊天机器人大军,协助企业的各种任务。

Forrester 预测,每五次 AI 对话中就有四次无法通过图灵测试

尽管这样,到 2020 年底,对话式 AI 仍将成功地支持五分之一的客户服务交互。

AI 影响的工作区域也将继续扩大。

IDC 表示,随着计算能力从数据中心向边缘转移,管理和控制边缘处理设备将面临挑战。

到 2023 年,近 20% 使用 AI 优化或者协处理器优化的服务器将部署在边缘。

到 2025 年,50% 的计算机视觉语音识别模型将在边缘(包括终端) 上运行。

4 泡沫爆发前兆

明年迎来AI泡沫集体爆发?融资将再创新高但这或许是最后一次狂欢

人工智能将无处不在。

IDC 估计,到 2025 年,至少 90% 的新企业 APP 将包含嵌入式人工智能功能。然而,IDC 补充,真正由颠覆性人工智能主导的 APP 将只占总数的 10%。

因此,我们还需要等待五年才能看到 AI 的「摧毁式」的潜力爆发。

另一份 Forrester 的预测报告表示,「到 2020 年,随着预期回归现实,人工智能的繁荣将逐渐增强。」

Forrester 预测,到 2020 年的 AI 融资将再创新高,但这将是最后一次狂欢——「全球有 2600 多家公司,人工智能创业生态系统达到市场饱和」。

Forrester 称,未来经济放缓最重要的信号是,在过去 12 个月里,已有 20 家人工智能公司进行了一轮又一轮的融资,规模堪比独角兽。

「这是不可持续的。」Forrester 说。

这让我想起了查尔斯·麦凯 (Charles Mackay) 在《非同寻常的大众妄想与人群的疯狂》里所描写的:「The bubble was then full-blown and began to quiver and shake preparatory to its bursting.」

(「泡沫正全面爆发,并开始颤抖,为破裂做准备」)

产业计算机视觉数据管理RPA智能产业
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

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。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

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。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

数据清理技术

数据清理(data cleansing)指删除、更正数据库中错误、不完整、格式有误或多余的数据。数据清理不仅仅更正错误,同样加强来自各个单独信息系统不同数据间的一致性。专门的数据清理软件能够自动检测数据文件,更正错误数据,并用全企业一致的格式整合数据。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

文本分析技术

文本分析是指对文本的表示及其特征项的选取;文本分析是文本挖掘、信息检索的一个基本问题,它把从文本中抽取出的特征词进行量化来表示文本信息。

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。

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。

图灵测试技术

图灵测试(英语:Turing test,又译图灵试验)是图灵于1950年提出的一个关于判断机器是否能够思考的著名试验,测试某机器是否能表现出与人等价或无法区分的智能。测试的谈话仅限于使用唯一的文本管道,例如计算机键盘和屏幕,这样的结果是不依赖于计算机把单词转换为音频的能力。

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。

暂无评论
暂无评论~