近日，CBInsights發布報告《2018人工智能趨勢展望》（TopAITrendsToWatchIn2018），提出了13項2018年人工智能值得關注的發展趨勢。本文將基于這份報告的內容，根據部分具有前瞻性的洞察和觀點進行解讀，并配合實際案例以便更好地理解。

一、新型制造業崗位“機器人保姆”

眾所周知，發達國家從勞動密集型產業向技術密集型產業轉型過程中，會將低端和中端制造業外包給勞動力成本較低的發展中國家。中國正在經歷這一過程，例如服裝市場中已經出現了“MadeinVietnam”或“MadeinThailand”。然而，隨著工業機器人技術的進步和使用，外包不再是唯一選擇，發達國家本地生產的成本變得更低，美國制造業雇員人數正在上升。

（美國制造業雇員人數年際變化）

中國服裝制造商天元服裝公司在美國阿肯色州小石頭城設立工廠，使用由格魯吉亞的創業企業SoftWearAutomation開發的縫紉機機器人，來為Adidas生產服裝。2017年，天元服裝公司與阿肯色州簽署合作協議，在其工廠雇傭400名員工，負責機器人的操作和維護，每人時薪14美元。當越來越多繁重的生產工作將由機器人來完成時，人類將從事更高檔的工作——機器人保姆。

然而，不斷變化的消費者偏好阻礙了全自動化的發展，在亞馬遜高度自動化的倉庫能夠反映這一點。亞馬遜的協作型倉庫機器人執行大量繁重的工作，而一些微妙的任務仍需要工人完成，比如從貨架上挑選物品，并將它們分成單獨的訂單。

此外，在“非結構化”環境中，機器人在抓取、拾取和處理項目方面仍然不夠完美。亞馬遜已經在各種倉庫中使用了10萬多臺機器人，但同時也創造了數千個新的工作崗位。

二、國防的未來取決于AI

世界的戰場正在向數據中心轉移。早在2014年，亞馬遜就為美國中央情報局建立了定制云計算服務，滿足其對敏感數據的嚴格監管要求。在2017年第四季度，亞馬遜云計算服務平臺AWS向情報機構以外的其他政府機構開放了工具和服務。亞馬遜還收購了兩家網絡安全公司，Harvest.ai和Sqrrl，用于保護云中的敏感數據。不管是亞馬遜，還是為政府客戶提供服務的新公司，人工智能將成為政府支持下的網絡安全支柱。

在冷戰時期，各國政府都在談論他們的“導彈差距”，或者他們在核彈頭方面相對于對手的劣勢。現在，各國政府在網絡能力方面的差距越來越大。因此，網絡安全與傳統防御的世界正在融合。

在過去5年里，共有134家初創AI網絡安全公司在獲得36.5億美元的私募股權融資。去年，約有34家公司首次融資，在Cybereason、CrowdStrike、Cylance和Tanium等大公司主導的市場中競爭，每家公司的估值約為9億美元。

（AI網絡安全創業公司進入由獨角獸控制市場的階段）

甚至像埃森哲這樣的傳統咨詢公司，也一直在擴大其在網絡安全領域的技術，以更好地服務于政府客戶。一個值得注意的交易是初創公司Endgame，它有像美國空軍這樣的客戶。Endgame將其政府服務部門出售給了埃森哲。

2016年，美國情報界的風投公司In-Q-Tel資助了Anomali、Interset和Cylance。英國的Darktrace公司聲稱其網絡安全系統在全球超過3000個區域進行了部署，其中包含政府。總部位于美國科羅拉多州的Logrhythm公司與美國空軍、美國航空航天局和國防承包商雷神公司合作。

其他國防承包商也在進行投資。洛克希德·馬丁公司是Cybereason（目前公司估值超過9億美元）的早期投資者。在2017年，波音公司投資了德克薩斯的網絡安全初創公司SparkCognition。

三、白領崗位自動化加速

AI專業自動化和增強軟件平臺，正在提升著生產效率，并威脅著越來越多的白領階層。下面的企業圖譜，突出展示了一些初創公司的專業自動化和增強軟件，這些領域包括律師、記者、財富管理人員、交易員和咨詢師等多個行業。

（EAAS企業圖譜）

例如，人工智能有巨大的潛力來減少時間和提高法律工作的效率。在訴訟方面，自然語言處理可以在幾分鐘內整理出數千頁的法律文件，而這項任務可能需要一名人類工作人員耗費幾天時間才能完成。同時，機器也降低了出錯的概率。隨著人工智能平臺變得更加高效和商業化，這將影響到按小時收費的外部律師事務所的收費結構。

程序員的工作也不能幸免。一些初創公司專注于開發AI系統，用于軟件測試、調試和基礎前端開發。去年最熱門的一款產品是英國的DiffBlue公司，該公司正在開發AI系統完成自動編碼任務，包括bug修復、自定義代碼開發以及將代碼從一種編程語言轉換到另一種編程語言等等。

四、膠囊網絡：CNNs的“接班人”？

近年，卷積神經網絡（CNNs）是深度學習中很流行的一項技術。然而，一項新算法“膠囊網絡”出現，并有望在多個方面勝過CNNs。CNNs盡管取得了一定的成功，但其缺陷可能導致性能不足甚至安全漏洞。研究人員正在尋找改進人工智能算法和克服這些缺陷的方法。下圖展示了一個典型的案例，一個CNNs網絡雖然能夠識別出人臉特征，但卻將第二幅圖像誤認為也是一張人臉。

（CNNs缺陷）

GeoffreyHinton于2017年發表了一篇研究論文，介紹了“膠囊網絡”的概念，也稱為CapsNet。論文正在審查階段，還需要在實際場景下進行測試，但這一消息已經在媒體和科技界引起了很大反響。膠囊網絡能夠更容易地識別出當人臉的特征（如位置）被重新排列時，則不再是一張人臉。

（capsulenetworks優勢）

此外，CNNs無法處理不同的輸入數據變化。例如，研究者必須從不同角度或視角對同一對象的圖像進行訓練，以確定所有的變化。因此，它需要大量的訓練數據來涵蓋所有可能的變化。Hinton聲稱，膠囊網絡在這方面的表現優于CNNs，它們僅需要較少的訓練數據，并且在不需要對各種變化情況進行詳盡訓練的情況下，考慮對象的相對位置和方向。