本篇文章3598字，读完约9分钟

作为一项通用技术，人工智能(ai)和机器学习(ml)在几乎每个行业都有潜在的使用案例，可以重塑人们的生活和商业方式。随着近十年来深度学习的突破，人工智能已经广泛应用于日常生活中，为该领域的进一步发展铺平了道路。

这篇文章来自古藤风险投资公司，文章的内容来自pitchbook发布的报告，pitch book是一家位于硅谷的全球数据研究机构:人工智能的真正潜力。由古藤风险投资公司编辑。

要点

1.作为一项通用技术，人工智能(ai)和机器学习(ml)在几乎每个行业都有潜在的使用案例，可以重塑人们的生活和商业方式。随着近十年来深度学习的突破，人工智能已经广泛应用于日常生活中，为该领域的进一步发展铺平了道路。

2.vc在垂直行业的投资呈现持续增长趋势，比2008年增长了12倍。2017年，ai/ml领域643个风险投资活动的总投资达到60亿美元。与此同时，在经历了多年的企业退出缺失后，流动性在过去两年中大幅上升，进入了ai/ml退出环境的新阶段。

3.目前，几乎所有商业上成功的ml应用程序都使用监督学习，包括大量的应用程序，但仅在数据标记清晰的领域使用。初创企业将面临来自技术巨头通过云提供的低成本产品和服务的激烈竞争，但它们可以专注于更细分的领域或细分的数据集。

导言

在过去的十年里，ai/ml引起了业界的极大兴趣，相关的应用和业务集成也得到了迅速发展。如今，人们普遍认可人工智能的概念。然而，这一领域出现了几次停滞。所谓的“人工智能冬天”往往是由技术、基础设施或方法的限制造成的。ai/ml的最新突破始于2006年左右。随着深度学习的发展，在人脑生物学的启发下，基于层次神经网络(nns)的ml子集出现了。深度学习技术是目前几乎所有前沿研究和ai/ml成功应用(如图像识别、搜索引擎、药物发现和深度强化学习)背后的技术。最大似然问题的新研究方法、计算能力的巨大进步、数据数字化和可用性的快速增长使这一进步成为可能。

人工智能(ai)属于计算机科学领域，致力于创造一种能够感知环境并做出决策的智能机器，从而使其目标最大化。机器学习(ml)是人工智能和数据分析的一个子领域，它使计算机能够重复学习，改进预测模型，并从数据中发现见解，而无需人工编程。作为个人，我们每天都与语音助理交谈，使用面部识别技术，接收电影或餐馆推荐和许多其他例子，并与ai/ml应用程序互动。根据训练算法的方法，Ml可以分为三个子类:

1.监督学习

监督学习是通过机器学习算法对一组标记数据进行训练的方法(例如，用标记图像训练图像识别系统以识别狗的图像)。

2.无监督学习

在无监督学习中，该算法使用未标记的数据进行训练，并且必须确定数据集的基本结构以及如何对它们进行分组(例如，通过将手写数字分成10组进行识别)。

3.加强学习

强化学习在没有训练数据的情况下开始，这意味着机器必须通过经验和反复试验和错误来学习执行任务，同时最大化长期回报。

在不久的将来，我们相信在ai-ml中监督学习的应用将在面向消费者的方法中继续发展和改进，关注任务自动化，几乎无处不在。明年，这些公司将生产商业上最可行的ai/ml产品，许多垂直行业收购将会发生。然而，我们相信ai/ml的最大市场前景将来自于向大量企业应用和新行业的潜在扩张。

无监督的强化学习机会出现在垂直领域。尽管这些技术的推广仍有许多障碍，但这些技术有可能解决越来越多的问题并提供解决方案。强化学习最重要的早期成果之一是来自谷歌深层思维的阿尔法零。这个算法只是模拟玩围棋。进一步的潜在强化学习用例可以改进传统解决方案，包括资源分配问题、大量个性化用户界面(医疗保健、标题、广告等)。)，以及在机器人和自动车辆中的应用。尽管将这些技术应用到商业产品中存在障碍，但ai/ml的最新概念已经证明它可以吸引大量投资。流入自动驾驶汽车领域的资金数量已经证明了这一点。风险投资支持的企业和投资者最能适应以人工智能为中心的世界。

也就是说，由于问题的复杂性和所需的计算能力，许多应用程序将需要更多的时间来实现。为了解决这些问题，硬件:量子/高性能计算和混合计算(gpu/cpu/fpga/tpu)和分解技术在将复杂问题分解成可管理的部分方面取得了进展。

vc趋势

ai/ml中的风险投资清楚地表明了在过去的十年中垂直领域的发展和日益普及。在ai/ml的643项风险投资中，2017年宣布了60亿美元的投资。

美国人工智能领域投资事件数量和金额的变化

随着当代技术的突破，投资额几乎呈指数级增长，比2008年的水平高出12倍。各轮投资都在增加，但大部分增加来自天使和种子的早期阶段。尽管最近主流媒体对ai/ml的暴露率有了很大的提高，但很明显垂直场仍处于初级阶段。即使在市场上，仍然有细分市场。一些较大的公司已经在实施商业产品，如在线贷款公司avant和旧商品交易市场，而许多其他公司正在努力改进工具，扩大应用和产品供应。理论和实践研究提供了基础，但许多企业仍处于确定可行性和用例的初始阶段。此外，由于每个数据集的唯一性，ai和ml技术在企业中的实现通常需要高度定制，这阻碍了早期的广泛采用。

美国不同投资阶段的投资事件

人工智能企业的估值增长率与风险资本市场相似。区别在于后期阶段。这种异常现象的一个原因是，大量ai/ml公司在2013年和2014年获得了投资，包括palantir的多轮融资和大量后续融资。此外，垂直市场仍由早期公司主导。

美国人工智能/人工智能公司在不同阶段的估值中值

退出

在经历了多年罕见的退出事件后，过去的两年代表了ai/ml退出环境的新时代。直到最近，ai/ml的退出已经成为典型风险资本循环的一部分，因为风险资本通常在增长开始时流入垂直市场，然后企业需要几年时间才能获得战略性收购。这是至关重要的，因为ai/ml目前几乎完全通过战略收购退出。我们预计这一趋势将会继续，因为目前的技术巨头正在努力支持他们内部的人工智能产品。随着软件/互联网领域以外的公司认识到将人工智能整合到其业务中的潜力，收购活动将得到进一步推动。

美国人工智能市场退出事件

2016年和2017年最大的退出事件发生在自动驾驶领域。通用汽车公司以10亿美元收购了巡航自动化公司，aptiv公司收购了nut经济公司。还需要指出的是，2016年，克鲁斯的收购占ai/ml提款金额的近40%。

美国收购了最大数量的人工智能公司

限制

在垂直领域，主导情绪是积极的；然而，有一些限制可能会减缓ai/ml在所有行业的进一步发展。人工智能/人工智能对我们生活的影响常常伴随着宏大的争论，即过分强调短期影响，意味着失败是不可能的。这种思维方式可能是危险的，因为现实的预期时间和有效的故障管理应该是实现企业ai/ml技术的一个组成部分。例如，涉及自动驾驶车辆或 的事故

其他算法错误可能会损害公众对该技术的认知，并导致一系列其他问题，包括执行延迟。

ai/ml的另一个常见问题是人类不知道机器在想什么。例如，我们无法解释为什么深度学习网络会做出任何驾驶决策，即使是设计它的工程师也不能。如果有一天，自动驾驶汽车突然撞到一棵树上，或者在绿灯亮的时候犹豫是否前进，那么我们甚至没有办法找出原因并做出解释。这被称为“黑盒”问题，它隐藏了审计和机器行为的责任。

Ai/ml可以减轻人类处理困难任务的负担，但是这种方法的广泛采用可能会带来更广泛的社会影响。其中之一是人工智能将剥夺人类的工作。尽管这可能最终会发生在某些职业中，但人工智能的进步可能会改变而不是消除工作的本质。正如在互联网应用普及之前，没有人拥有“社交媒体经理”或“主播”的职位一样，人工智能/多媒体语言的出现将会带来以前未知的行业和职业。

展望未来

作为一项通用技术，ai/ml在几乎每个行业都有潜在的用例，并且有能力重塑人们的生活和商业方法。因此，人工智能被深度学习的先驱吴恩达称为“新力量”，因为它具有创新商业和日常生活的潜力，类似于互联网和数据库技术。尽管ai/ml公司和投资激增，但许多大市场仍有待开发。

目前，几乎所有商业上成功的ml应用程序都使用监督学习，这有很大的市场，但仅限于数据标记清晰的领域。初创企业正面临来自谷歌、亚马逊、微软、百度和salesforce等庞大且高度发达的分销渠道以及数据成本较低的云计算巨头的巨大竞争。对于语音/对象/面部/图像识别和翻译等暴力应用，拥有大数据集的公司有明显的优势。因此，专注于边缘或特定领域和数据集的ai/ml初创公司可能是竞争和发展的最佳选择。例如，最近在许多医疗记录和扫描数据的数字化方面取得的进展，使得医疗保健在ai/ml应用的进一步渗透方面处于特别有利的地位。然而，即使有了现有的资源，ai/ml的许多潜在应用仍然受到缺乏可操作的学习数据的阻碍。(资料来源:古藤风险投资公司)