2016年09月10日
- 人工智能
- 机器学习
本文作者：Elad Gil，美国基因检测公司Color Genomics联合创始人，其之前成立的公司Mixer Labs在2009年被Twitter以520万美元的价格收购。
编译：王京京
当前，讨论通用人工智能的文章和报道数不胜数，却很少有人谈及未来五年内机器学习和人工智能在垂直领域的应用。在我看来，通用智能至少目前看来还是十几年以后的事情，但是AI驱动的垂直行业却可能在接下来的几年里发生巨变。
在机器学习驱动的垂直领域，有两个成功要素：
1.构建有用数据集来训练模型，并且用反馈闭环递归地测试这些模型；
2.选择一个市场，用机器学习创造满足市场需求的产品。
AI本身只是一项用来解决问题的技术，只做AI技术的公司要么最终失败，要么被诸如谷歌、Facebook、Uber之类的大公司收购。在这一领域接下来会有成千上万的收购，因为越来越多的公司开始在AI技术上加大人才投入。
以下是我认为被企业家和投资人们低估了的领域，我相信这些领域在不久的未来将会诞生几家大公司。
硬件和专用集成电路（ASICs）
自动驾驶汽车的注定兴起、其他机器学习驱动领域的逐渐升温，将会对运行机器学习模型的高效芯片产生巨大需求。然而目前只有很少的初创公司和投资机构在这一领域进行投入。很多公司使用英伟达GPU，但它并没有针对机器学习进行专门优化。
这一领域的硬件创新仍有很大空间（包括专用集成电路和其他方案），诞生一个ARM或者高通不在话下。而驱动因素不仅仅是机器学习在不同垂直领域的广泛应用，还有自动驾驶汽车和其他大规模硬件市场带动的需求。也许AI+领域第一个100亿美元的“十角兽”会是一家芯片公司。
据我了解，美国目前有两家公司正在做机器学习芯片。
一家是Nervana System。该公司成立于2014年，主要致力于将机器学习功能全部引入芯片当中。其最初业务是出售专门为深度学习任务定制的硬件，后来开始利用自己的硬件提供深度学习云服务。除此之外，它还发布了有开源深度学习框架的Neon。目前，这家公司已被Intel收购，收购价格高达3.5亿美元。
另一家是Cerebras System，今年4月刚刚成立。根据官网介绍，这家机构被顶级风投投资，目前正处于“隐身模式”（Stealth Mode），具体进展目前还不得而知。从Linkedin上获取的信息得知，其联合创始人兼CEO Andrew Feldman 曾经创立的公司SeaMicro被AMD以3.5亿美元收购。
金融科技
WealthFront和FutureAdvisor（被BlackRock收购）等智能投顾（robo-advisor）的兴起，反映了金融服务公司开始意识到机器驱动的资产组合管理和交易的重要性。机器学习将对资产组合的构建、交易，以及从不同种类的金融数据中提炼洞见产生巨大影响。
机器学习和大数据在金融科技领域的应用将至少包含三个要素：
a.提高交易员工作效率或者收集独特洞见的工具；
像OmegaPoint这样的公司就在创造一个“下一代彭博”，其建立在交易数据上的机器学习模型可以用来交易。
b. 基于机器学习的资产组合管理和交易；
c. 使用机器学习模型为金融产品合理定价。
诸如保险、贷款以及衍生工具都将从AI的应用中大为受益。初创公司及现有公司都将使用新的统计方法和机器学习技术创造更优定价的贷款，从而成长为一家大型公司。
自动驾驶汽车和卡车
自动驾驶汽车将会颠覆数十亿美元的交通市场，大型汽车和卡车制造商已经意识到了这一危机正在到来。而终将在汽车和无人驾驶市场占据一席之地的Tesla也使得现有行业公司压力山大。除此之外，谷歌、百度等科技巨头也在自动驾驶领域发力，使得传统车企的处境更为艰难。
很多传统车企更倾向于独立迎战，而不是去抱科技公司大腿，所以通用汽车才以10亿美元收购了自动驾驶创业公司Cruise，Uber也以其估值的1%的价格（6.8亿美元）收购了自动驾驶卡车公司Otto。在未来一到三年内，自动驾驶领域的收购还将继续。
自动驾驶技术将会导致上百万人失业，带来整个社会的巨大变革。从历史经验来看，产业革命大概150年爆发一次，如果未来10到20年大量职业消失、人类工作被取代，那将在情理之中。如果这部分人没有获得新的工作机会，政治动荡也将在所难免。
医疗
当大家都在讨论AI和机器人会取代大量蓝领工作时，我的观点是，AI会取代更大规模的白领工作者。其中一个产生颠覆的领域就是医药行业。机器学习将会重新定义疾病、诊断和治疗。
机器学习有望增强或取代医疗行业的诸多领域。想象一下，如果全世界人民通过一部智能手机就能随时随地以最低的成本联系到全球最好的专科医生，那将意味着什么？
A. 诊断
我想大家都有过这样的看病经历：排45分钟的队等医生，花5分钟时间看病，最后得到一个异常简单的解决方案。这种糟糕的用户体验和高昂的成本在其他任何竞争性行业里根本无法容忍。
而未来，在机器学习技术的推动下，从人工诊断到用药都将建立在单一疾病的垂直基础上，比如IBM的Watson在肿瘤方面就取得了很多进展。类似地，抑郁症和其他精神疾病的诊断也有了不少成果。目前主要的限制还是在可用数据方面，另外在诊断和产出方面构建反馈闭环的能力也有待提高。
加快机器学习在医疗领域应用的一种方法是，收购现有放射科中心或门诊部。这样产生的数据可以被用来训练机器学习模型，从而对病人进行诊断和治疗。通过在门诊部启用标准治疗和并行模型，我们就可以为模型建立反馈闭环，从而更便捷地管理患者的治疗流程。
B.治疗
与诊断类似，机器学习也将有助于为患者选择更合适的治疗方案，不过最大的困难可能还是获取数据。
C.持续监测和分析
要为机器学习模型增加有用数据，还有一种方法是通过新的消费者主导技术，获取持续性监测数据。医疗数据的自动监测是一个细分市场，像Cardiogram之类的公司就在消费者脉搏和其他数据监测方面持续投入。自我监测将会改变传统医疗方式，带动公民科学的力量，让更多的人掌握自己的健康数据。
教育
我从来没关注过教育领域，因为从科技角度看，美国教育市场情况非常糟糕。但是我仍然非常悲观地希望教育领域能够诞生一家适应性学习（Adaptive Learning）公司，基于学生定制在线内容和课程，这将会带动发达国家和发展中国家的学习能力快速提高。
其他领域
除了上述领域，机器学习也将变革其他诸多行业，比如制造业、广告业等。对于创业者和投资人来说，需要关心的不仅仅是这些机会，更应该问问自己，如何更好地利用机器学习技术创造满足市场需求的产品，而不是仅仅思考技术本身的价值，这是成就一家AI大公司的关键。
数据限制
从根本上来讲，许多垂直AI领域的限制还是在于对数据集的过分依赖。如果大量数据可用，金融、医疗以及其他领域早应存在一些先进的机器学习应用。包括谷歌、IBM在内的大公司以及其他创业公司都将会产生有用的数据集，无论是通过购买接口还是和方案商合作。
总之，未来5-10年内，依赖于数据的机器学习技术不仅会拓宽关键信息（比如医疗诊断）的入口，改变大多数行业，诞生多家垂直领域大公司，还会取代全球数百万劳动力，带来重大的经济和社会变革。