2018年最值得商业领袖“开洞脑筋”五大深度学习技术突破

2017年，人工智能技术进入爆炸式增长阶段。没有人会怀疑，2018年人工智能技术将取得更加令人瞠目的进展，而在认知人工智能技术对商业世界的颠覆方面，限制我们想象力的，不是贫穷，而是经验和“智慧”。

以人工智能领域最耀眼的明星——深度学习为例，已经在大量应用领域取得突破性成果，商业价值和市场潜力已经凸显，以下我们整理了其中五个值得商业领袖们密切关注的深度学习研究领域以及相关的商业化应用：

一、图像识别

深度学习图像识别技术已经比较成熟，早在2015年这些（卷积神经网络）算法的识别准确性就已经超过了人类。最新的算法甚至能够通过照片识别人物的性取向！

与最先进的深度学习图像识别技术紧密相关的商业应用有很多，例如医疗诊断和自动驾驶技术。

深度学习在图像识别领域的进展超出了很多人的预期，以医疗诊断为例，2017年人工智能领域最重大的突破来自斯坦福大学，该校的人工智能团队开发的算法在识别皮肤癌方面的准确性能够达到皮肤学专家的水平。有兴趣的读者可以查看这篇发表在《自然》杂志上的论文。斯坦福大学另外一个团队开发的模型能够根据心电图信号诊断心率异常，也就是所谓的心律不齐，准确性超过心脏病学专家。

自动驾驶领域，除了特斯拉、Waymo、Uber、Lyft、百度等公司紧锣密鼓的开发和路试项目外，2017年苹果的入局引起所有人的关注：蒂姆库克同志已经正式确认苹果正在致力于开发自动驾驶汽车的软件，苹果内部的研究者也在arXiv上发布了于地图相关的论文。

二、游戏

2017年，人工智能已经在包括围棋在内的棋牌游戏领域完成了对人类的统治，2018年，人工智能技术有望在多人游戏，例如扑克和星际争霸中战胜人类，DeepMind已经发布了针对星际争霸2的人工智能技术研究环境，OpenAI则演示了在一对一的Dota 2游戏中战胜人类的算法，并且计划不久的未来在5v5的多人对战游戏中也取得胜利。

对于游戏产业来说，人工智能带来的变革显然不会是一股清流，而是洪荒巨流。

三、序列预测

深度学习技术领域的另外个重大突破是对序列数据的理解能力，例如文本（一系列字符），处理这种数据的神经网络结构叫循环神经网络（Recurrent Neural Nets）。在这个学习场景中，研究人员输入大量序列数据，让机器分析其中的模式，并预测性生成未新的序列数据。

序列预测已经被应用到多个领域，例如下面多伦多大学的这个笔记预测算法，已经可以学习人类的笔迹生成真假难辨的笔迹：

另外一个被投入生产环境的序列预测应用案例来自Uber，该公司通过为用户出行数据建模来预测用户需求，因此下次你使用Uber轻松打车的时候不要忘了感谢这个算法。序列预测在商业领域的应用潜力巨大，每个企业管理者都应该“开洞”脑筋开始思考。

四、语言翻译

完美机器翻译是人工智能科学家们的伟大梦想之一，而深度学习技术有望帮助人类首次建成克服语言障碍的巴别塔。机器翻译使用的也是循环神经网络模型，Google的Sequene-to-sequence算法目前遥遥领先业界，从下面的图表可以看到，谷歌的机器翻译在多组语言互译中，已经趋近完美（编者按：中英互译尚需努力，但在谷歌翻译APP的实际使用中已经能取得相当不错的准确性）：

 五、生成模型 Generative models

最后，也可能是最具爆炸威力的深度学习技术莫过于生成模型（Generative models），这是一种基于卷积神经网络的生成对抗网络模型，机器可以生成一个包含复杂数据的模型，例如足可乱真的人脸图像（非真人面孔），例如下面这两张人脸照片，是机器根据大量明星数据合成的两张“明星照”：

生成模型在商业中的应用尚未起步，但是价值潜力巨大 ，例如游戏角色的生成、假货或文物赝品鉴定等等。