没有合适的资源?快使用搜索试试~ 我知道了~
真想免费,也没个免费的选项。人工智能是信息时代的尖端科技。计算的飞跃建立在人类告知计算机如何表现的基础上,计 算建立在计算机学习如何表现能够对每个行业有意义的基础上。虽然目前可能被视作在下一 个 AI 冬天(图 8)之前的最新承诺和失望循环,这些投资和新技术至少将给我们带来机器 学习产品的实实在在的经济利益。
资源推荐
资源详情
资源评论
1
高盛人工智能报告中文版
目录
高盛人工智能报告中文版 ............................................................................................................... 1
高管概述 ................................................................................................................................... 2
人工智能是什么? ................................................................................................................... 3
什么是神经网络? ................................................................................................................... 3
为什么现在人工智能加速发展? ........................................................................................... 4
价值创造的主要驱动力 ........................................................................................................... 5
主要影响 ................................................................................................................................... 6
AI 和生产力的矛盾:采访 Jan Hatzius ................................................................................... 7
生态系统:云服务,AI 的下一个投资周期开源的关键受益人 ........................................... 9
AI 三个方向:自建,咨询服务和 AI 服务化 ......................................................................... 9
自建:云平台和开源系统正在成为 AI 的左膀右臂 .................................................... 10
咨询服务 ......................................................................................................................... 11
AI 服务化 ........................................................................................................................ 13
中国人工智能现状 ................................................................................................................. 15
机器人:用户界面的未来 ........................................................................................................ 17
行业应用 ................................................................................................................................. 21
农业 ................................................................................................................................. 21
零售 ................................................................................................................................. 27
能源 ................................................................................................................................. 34
人工智能创新:GOOGL(谷歌), AMZN(亚马逊) ......................................................... 40
人工智能创新:AAPL(苹果), MSFT(微软) .................................................................. 41
人工智能创新:FB(Facebook), CRM ................................................................................ 42
人工智能创新:NVDA(英伟达), INTC(英特尔) .......................................................... 43
人工智能创新:Uber,IBM .................................................................................................. 44
人工智能创新:百度 ............................................................................................................. 45
2
高管概述
人工智能是信息时代的尖端科技。计算的飞跃建立在人类告知计算机如何表现的基础上,计
算建立在计算机学习如何表现能够对每个行业有意义的基础上。虽然目前可能被视作在下一
个 AI 冬天(图 8)之前的最新承诺和失望循环,这些投资和新技术至少将给我们带来机器
学习产品的实实在在的经济利益。
与此同时,人工智能、机器人和自动驾驶已成为流行文化的前沿,甚至是政治表述。但
是,我们去年的研究让我们相信这不是一个失败的开端,而是一个拐点。我们将在这个报告
里看到,宏观(更多更快的计算和更多数据的爆炸式增长)和更加微观方面(在深度学习方
面的有益进展,智能硬件和开源方面的增长)的拐点的原因。
关于人工智能拐点的更多令人兴奋的方面之一是真实应用案例的增加。例如深度学习促进计
算机视觉的发发展,这些技术做为自然处理语言引人注目地提升了苹果 Siri、亚马逊 Alexa
和谷歌图片识别的质量,人工智能不是为了技术而技术。大数据和强力技术相结合,创造价
值,获得竞争优势。
例如,在医疗领域,图像识别技术可以促进癌症诊断的准确性。在农业领域,农民和制
种者可以利用深度学习促进产量增长。在制药行业,深度学习被用于发现新药。在能源行业,
勘探效率和装备可靠性提升。在金融服务行业,同以前可能的相比,成本降低,新数据应用
于更快速的分析,返回结果。人工智能在应用案例发掘的非常早的阶段使用,同时做为基于
云服务共享的必要的科技,我们相信一波革新将到来,为每个行业创造新的冬天和失业者。
人工智能广泛的适用性也让我们认识到它是全球经济的针移技术、提升效率和结束美国经济
增长停滞的驱动。利用 GS 首席经济学家 Jan Hatzius 的研究,我们设计了当前的深度资本
不景气指数和它对美国生产力的相关影响。我们相信人工智能技术驱动生产力提升的可能,
就像 1990 年一样,驱动更多的资本合作和人力效率提升项目,促进增长,促进盈利,扩大
股票价值。
我们发现人工智能实实地影响着每个公司、行业和经济因素,对投资者有四个方面值得
注意。
生产力。人工智能和机器学习有引发生产力增长的潜力,有益于经济增长,公司盈利,资本
回收和资产估值。根据 GS 首席经济学家 Jan Hatzius“原则上,人工智能看起来的确比上
一波革新在统计学上有表现更好的潜力,人工智能降低成本和人力需求,更高的产品附加值
类型。”例如,同 iPhone 应用的多样性和可靠性相比,统计学家可能更好的建立并获得这些
商业部门的费用节减革新。广义的人工智能对商业部门的费用结构有广泛的基础性影响,我
由衷相信人工智能将被统计学家采纳,并在整体生产力数字中有所展现。”
优质科技。人工智能和机器学习的速度价值有扭转更便宜的数据中心和网络硬件的趋势的潜
力。我们相信这将驱动硬件、软件和服务领域市场费用的大量变化。例如,1 条运行在标准
数据中心上的 AWS 工作量,同在人工智能优化后的 GPU 上运行所需的 0.9 美元相比,每小时
实际计算成本只要 0.0065 美元。
竞争优势。我们看到人工智能和机器学习在改造各行业竞争订单方面的潜力。那些失败于投
资和平衡这些科技风险的管理团队被竞争者超越,这些竞争者受益于他们创建的战略情报、
获得的生产力和资本效率。在 41 页插图中,我们论证了这些竞争优势是如何应用于医疗、
能源、零售、金融和农业。
新公司创建。近 10 年来(图 69~75)在人工智能和机器学习领域,我们已经识别出有超过
150 家私营公司.我们相信人工智能的大部分价值将由拥有资源、数据、投资能力的大公司
获得。我们希望风险投资家、企业家和技术专家继续驱动新公司的创建,反过来,驱动实质
3
性的创新和价值创造,至少是,M&A,我们不能无视谷歌或脸书的人工智能出现的可能。
接下来的内容中,我们深入了解人工智能,它的历史,由机器学习、围绕这些技术应用的一
路领先的行业和公司所构建的应用生态体系。
人工智能是什么?
人工智能是制造智能机器、可学习计算程序和需要人类智慧解决问题的科学和工程。经典地,
这些包括自然语言处理和翻译,视觉感知,模式识别,决策制定等,但应用的数量和复杂性
在快速增长。
在这份报告中,我们将大部分分析聚焦在机器学习、人工智能的一个分支、深度学习、机器
学习的一个分支。我们总结了二个关键点:
1. 简化地,机器学习是从案例和经验(例如数据配置)中习得的算法,而不是依赖于硬件
代码和事先定义的规则。换句话说,不是一个开发者来告诉程序如何区分苹果和橘子,而是
算法本身通过喂养数据(训练),自己学会如何区分苹果和橘子。
2. 深度学习的主要发展是现有人工智能拐点的驱动力量之一。深度学习是机器学习的分集。
大多数传统机器学习方法和特点(例如,可能预测的输入和属性)由人来设计。特征工程是
一个瓶颈,需要有意义的特定技术。在无人管理的深度学习中,重要特征不是由人类来定义,
而是由算法学习和创建。
什么是神经网络?
神经网络在 AI /机器学习的中充当一种模拟人类大脑的计算机体系结构,在其上可以构建
AI /机器学习程序。它由聚合的连接节点组成,如人类大脑中的神经元般可以解决更复杂的
问题并学习。
什么是深度学习?深度学习是一种需要训练大型神经网络的“深层”层次结构,且每层可以
解决问题不同方面的机器学习,从而使系统能解决更复杂问题的。使用上面说到的火车的例
子,深层学习系统包含了识别火车的不同特征的各个层。例如,底层将标识是否具有窗户。
如果答案是肯定的,下一层将寻找是否有轮子,接下来将会识别是否是长方形的车等等。直
到这些层共同地将图片识别为火车或彻底否定。随着技术发展,可以支持大型神经网络的训
练,深度学习作为增强机器学习能力的方法已经越来越普遍。
什么是监督学习?无监督学习?监督和非监督学习是机器学习的两种类型。在监督学习中,
系统给出一系列“正确答案”的例子。基于这些例子,系统将从正确的答案中学习什么是对
的,从而进行正确预测的输出。监督学习的现实应用包括垃圾邮件的检测(例如,系统可能
有一组标记为“垃圾邮件”并且学习正确识别垃圾邮件的电子邮件)和手写识别。
在无监督学习中,系统没有给出正确的答案,而是提供需要自己去发现特征的未标记示例。
一个示例将基于大量客户数据中发现的,包括可以将客户分组的某些特征(例如,购买频率)。
什么是一些类型的机器学习?
分类。将电子邮件归类为垃圾邮件,识别欺诈,面部识别,语音识别等。
聚类。对比图像,文本或语音找到相似的项目; 识别异常行为的集群。
预测。基于网络活动和其他元数据预测客户或员工流失的可能性; 基于可穿戴数据预测
健康问题。
什么是通用,强大或真实的人工智能? 通用,强大或真实人工智能是,机器智能算法
完全复制人类智慧,包括人类的独立学习和决策能力。虽然像全脑模拟这样的技术被用于实
4
现通用 AI 的目标,但是其所需的计算能力数量,仍然远远超出了当前的技术,使得通用的
人工智能基本只存在于理论层面。
为什么现在人工智能加速发展?
请记住,我们并不关注于重复独立人类智能且在流行文化中常见的真实、强壮或普遍的人工
智能。必然存在潜在突破点,例如谷歌深度思维 AlphaGo 系统,不仅击败了世界冠军,而且
使用了没有人曾经做过的行为,我们关注人工智能即刻可触达的经济发展领域。
深度学习能力方面的主要飞跃成为当前进行中的 AI 拐点的催化剂。神经网络,深度学习之
后潜在的科技架构,已经存在了几十年,但是过去的 5 到 10 年,三件事发生了改变。
1.数据。通过分布于全球持续增长无所不在的互相联系的设备、机器和系统产生的非结构化
数据的数量呈现巨大的增长。拥有的数据越多,神经网络就变得越有效率,意味着随着数据
量的增长,机器语言可以解决的问题的数量也在增长。移动手机、物联网、低耗数据存储的
成熟和处理技术(通常在云端)已经在数量、大小、可靠数据结构方面创造了大量的成长。
例如,特斯拉至今已经搜集了 780mn 英里的驾驶数据,并且每 10 小时通过它连接的汽车增
加百万公里的数据。Jasper(2016 年 2 月被思科以 14 亿美元收购)拥有一个平台驱动机器
和机器的沟通,服务于多种汽车制造商和电话公司。Verizon 在 8 月进行了一次类似的投资,
宣布收购 Fleetmatics,它通过快速增长的无线网络,连接运输工具上的远程传感器到云端
软件。5G 的首次展示将最适当地加速数据可被获取和转移的机率。根据 IDC 的数字领域报
告,到 2020 年,每年数据量将达到 44ZB(万亿 G),5 年内年复合增长率达到 141%,暗示我
们刚开始看到这些科技可以达到的应用场景。
2. 更快的硬件。GPU 的再次使用、低成本计算能力的普遍化,特别是通过云服务,以及建
立新的神经网络模型,已经极大的增加了神经网络产生结果的速度与准确率。GPU 和并行架
构要比传统的基于数据中心架构的 CPU 能更快的训练机器学习系统。通过使用图像芯片,
网络能更快的迭代,能在短期内进行更准确的训练。同时,特制硅的发展,比如微软和百度
使用的 FPGA,能够用训练出的深度学习系统做更快的推断。另外,从 1993 年开始超级计算
机的原计算能力有了极大发展(图 2)。在 2016 年,单张英伟达游戏显卡就有了类似于 2002
年之前最强大的超级计算机拥有的计算能力。成本也有了极大的降低。英伟达 GPU(GTX 1080)
有 9 TFLOPS 的性能,只要 700 美元,意味着每 GFLOPS 只要 8 美分。在 1961 年,要提供
1GFLOPS,需要足够多的 IBM 1620s 串联在一起,计算下来费用要超过 9 万亿美元(根据通
货膨胀调整)。
3. 更好、更普遍可用的算法。更好的输入(计算和数据)使得更多的研发是面向算法,从
而支持深度学习的使用。例如伯克利的 Caffe、谷歌的 TensorFlow 和 Torch 这样的开源框
架。比如,刚开源一周年的 TensorFlow,已经成为最大的开发人员协作网站 GitHub 上最多
分支(或活动)的框架。虽然不是所有的人工智能都发生于普遍可用的开源框架中,但开源
确实在加速发展,而且也有更多先进的工具正在开源。
方向
虽然本报告的重点是人工智能的发展方向以及公司如何把握这个方向,但是了解人工智
能对我们生活的影响程度也是很重要的。
在线搜索。就在一年多以前,谷歌透露,它们已经开始将大量的搜索工作移植到了 RankBrain
(一个人工智能系统),使其与链接(links)以及内容(content)成为了谷歌搜索算法的
三个最重要的标志。
推荐引擎。Netflix,亚马逊和 Pandora 都在使用人工智能来确定推荐什么样的电影和歌曲,
突出哪些产品。5 月,亚马逊开源了它们的深度可扩展稀疏传感网络引擎(the Deep Scalable
5
Sparse Tensor Network Engine(DSSTNE),简称「Destiny」),它被用于产品推荐,同时可
以被扩展,以实现超越语言和语言理解的目的。
人脸识别。Google(FaceNet)和 Facebook(DeepFace)都投入了大量的技术,来确定照片
中的脸和真实的脸是不是完全吻合。1 月,苹果采取了进一步措施,购买了 Emotient(一
个致力于通过读取人的面部表情来确定其情绪状态的 AI 创业公司)显然,这些技术远远不
止于对照片进行标记。
虽然个人助理应用产品有无数的用户,比如苹果的 Siri,信用贷,保险风险评估,甚至天
气预测。在接下来的篇幅中,我们探讨企业该如何使用这些技术来加速增长,降低成本和控
制风险。从这些技术及其使用这些技术的应用的发展速度来看,它们充其量不过可以为公司
和投资者提供一些方向,以保持他们的竞争力。
价值创造的主要驱动力
经过深入分析,我们认为与 AI 主题相关的利润创造(和损失)可以分解为四个关键输入:
人才,数据,基础设施和硅。这些投入也同时也是进入的壁垒。
人才
AI(特别是深度学习)难度很大。根据我们与领域中的风险投资公司和公司的对话,这
种困难造成了人才短缺,以及大型互联网和云计算供应商对这类人才的竞争(见图 5)。 对
于 AI 人才的高度需求意味着获取必要的 AI 人才。随着技术和工具的成熟,人才可能变得不
再是瓶颈。然而,我们相信人才会迁移到有趣的,差异化的数据集。因此,我们认为,当我
们进入一个以 AI 为中心的世界时,大的差异化数据集是最可能的提高和增加利润的驱动力。
数据:数据是 AI 的关键输入。深度学习效果与大数据集紧密相关,因为更大的数据集会阻
碍模型过度拟合。例如,来自马萨诸塞州总医院和哈佛医学院放射科的研究人员使用卷积神
经网络来识别 CT 图像,基于训练数据大小来评估神经网络的准确性。随着训练规模的增大,
精度将被提高(图 6)。
今天的大多数深度学习是监督的或半监督的,意味着用于训练模型的所有或一些数据必
须由人标记。无监督的机器学习是 AI 中当前的“圣杯”,因为可以利用原始未标记的数据来
训练模型。广泛采用深度学习可能与大数据集(这是由于移动互联网和物联网产生)的增长
以及无人监督的机器学习的发展有关。然而,我们认为大型差异化数据集(电子健康记录,
组学数据,地质数据,天气数据等)可能是未来十年企业利润创造的核心驱动力。
参考 IDC 报告,全世界创造的信息量预计到 2020 年将以 36%的复合年增长率增长,达
到 44 泽字节(440 亿 GB)。连接的设备(消费者和工业领域),机器到机器通信和远程传感
器的增加和组合可以创建大型数据集,然后可以挖掘洞察和训练自适应算法。在过去十年中,
数据的可用性也大大增加,人口普查,劳动力,天气,甚至基因组数据可大量的免费在线查
询。
我们还留意到卫星图像的可用性增加,这需要大量的计算来支撑全方位的分析。美国地
质调查局的 Landsat 7 和 Landsat 8 卫星每 8 天对整个地球进行成像,USGS 使这些图像可
以免费使用 - 即使是在压缩时,超高清图像的文件大小也各为 1GB 左右。其他公司,如
Orbital Insights,正在汇总图像数据并在多个行业创建商业解决方案。
基础设施:硬件和基础设施软件是开展 AI 工作所必需的。我们认为支持 AI 的基础设施将被
迅速商品化。这个观点基于两个现象观察:1)云计算供应商能够将他们的产品扩展到 AI
基础设施中,2)开源(TensorFlow,Caffe,Spark 等)已经成为 AI 中软件创新的主要驱
动力。为了促进 AI 技术的应用,我们认为大型云供应商将继续开放基础架构资源,这将限
制利润创造的潜力。
剩余44页未读,继续阅读
资源评论
AdvKiller
- 粉丝: 2
- 资源: 5
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- NetOps-py通过sftp替换网络设备启动文件
- STM32单片机FPGA毕设电路原理论文报告任务驱动教学法在单片机课程教学中的应用
- STM32单片机FPGA毕设电路原理论文报告任务驱动法在单片机教学中的应用
- STM32单片机FPGA毕设电路原理论文报告人造金刚石压机智能化压力测控系统设计
- 以某列为依据匹配多项(Excel版)
- STM32单片机FPGA毕设电路原理论文报告人体短臂离心机实验台的显示控制系统
- STM32单片机FPGA毕设电路原理论文报告人工气候室监控系统的环境控制器研究
- STM32单片机FPGA毕设电路原理论文报告染整自动线张力控制系统的设计
- 数据挖掘与机器学习-实验
- 基于Linux系统Nginx的动态网站的LNMP环境源码包
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功