来源：medium 译者：张巨岩 作者：Shivon Zilis

作者简介：Shivon Zilis是Bloomberg Beta的合伙人和创始人之一。她关注对数据和机器学习的早期投资，特别着迷于智能工具和业界应用。她的投资包括了Newsle、Context Relevant、Alation、InfluxDB、以及Tule Technologies。就像每个加拿大人一样，她在业余时间会玩曲棍球和滑雪。她有耶鲁大学经济学和哲学的学位。

一年之前，我发表了我第一次尝试比对整体机器智能生态系统的图景。自从那以后发生了很多事情。我花了一年时间研究每个公司和所有我能找到的信息、与成百上千的与机器智能相关的学术界、企业界和投资商聊天。今年，考虑到活动的大爆发，我的注意力着重突出创新领域，而不是试着综合所有信息。随着我们步入2016年。

图1展示了机器智能的新图景

虽然有杂乱的夸张宣传（这有时会产生误导），机器智能已经在一些有价值的途径中使用。机器智能已经帮助我们更快地得到我们需要的重要业务信息，监视重要的系统，更加有效率地为我们人类服务，减少了健康护理的成本，更早检测疾病等等。

自从我去年开始做这个分析，我注意到的两个最大的改变是：

（1）实际和虚拟世界里的自动系统的出现；

（2）创业公司从构建宽泛的技术平台转型到注重解决特定业务问题。

随着焦点从“机器智能是个黑匣子”转移到立刻输出实际价值上，有很多种方式将一个机器智能创业公司带入市场中。（进入市场的方式和要解决的业务问题一样多。我写过博文展示了很多选择。）大部分机器智能创业公司使用已有的机器学习方法，有些方法超过10年，应用在新的数据集和工作流程中。大公司仍然有其固有的优势，如海量数据，客户信息——虽然创业公司想方设法进入相应领域。

完成自动化

去年的概览中，焦点大部分着重于虚拟世界的机器智能。这一次，我们在现实世界中来看待它，在很多种类的自动化系统中：自动驾驶车、无人机、不通过硬编码（hard code）完成多种任务的机器人。这仍然在早期——大部分系统只是刚刚能用而已，虽然我们期待着那会很快改变。

这些现实世界中的系统正在出现，因为它们融合了很多现在机器智能领域正在成熟的研究方法。电脑视觉，深度学习和强化学习的结合，自然语言交互接口和问答系统都是让一个现实系统自动化和可交互的基石。在今天，在开发这些系统过程中，整合这些方法和开发新方法一样重要。

人机交互中的新进展

虚拟世界也变得越来越自动化。虚拟代理有时也称为机器人（bots），使用谈话界面（想想Her，这部电影，当然没有那么有魅力）。这些虚拟代理中的一部分是全自动化的，其他的则是“人在环中”系统，在这种系统中，算法处理机器能够解决的子任务而人类在这基础上添加创造性或者执行力。（在一些系统中，人类工作时的数据可以用于训练机器人）。用户则通过使用自然语言打字或者说话来和系统交互，而代理也用同样的方式响应。

这些服务有时给了顾客一种困惑的体验经历，就像某天我需要联系手机客服时的一次经历。我不想和任何人说话，所以我打开了在线聊天窗口。这是我人生中“最人类”的一次客服经历，它如此怪异地完美，以至于我很好奇我是在和人还是机器人，或者是两者的结合交流。然后我就在想这种好奇是否有意义，因为我有了一次美妙的体验，并且我的问题也解决了。我对聊天窗口的另一端很感激，不管他是不是机器人。

一方面，这些代理可以表现得很专业，使用客户支持、研究、项目管理、日程安排和电子交易来帮助我们。另一方面，他们可以很个性化，也许我们正在接近Her（电影）——有了微软的浪漫的聊天机器人小冰，自动化情感支持也已经出现了。

50度灰市场

至少我让自己笑了。

许多机器智能技术将会从监管灰色区域开始转变商业世界。这里有一个短名单：健康护理（自动化诊断、依据基因组的早期疾病检测、利用算法的药物发现）；农业（传感器或者视觉为基础的智能系统，自动种植车）；交通和物流（自动驾驶车，无人机系统，基于传感器的车队管理）；金融服务（高级信用决策）。

为了克服进入市场灰色区域的困难，我们将会见到一些不同寻常的策略：

创业公司正在创造一个全球套汇（如，健康护理公司在新兴市场上买卖，无人机公司在监管最不严格的国家中进行实验）

“雷达下飞行”策略。一些创业公司非常谨慎地在灰色区域的安全地带运营，低调并尽可能地躲避监管讨论。

如谷歌、苹果、IBM这样的大公司正在寻找机会，他们很耐心因为他们有足够的资源，并且最有可能影响监管机制的改变—他们影响监管制度是他们的一个优势。

创业公司正在考虑增加早期资金，来抵抗不可避免的法律纠纷并更早地面对监管障碍。

你的（业务）问题是什么？

一年以前，企业挣扎着试图理解机器智能服务（一些最令人困惑的部分是在这个图景（landscape）中的“平台”部分）。当我和一个潜在的企业客户聊天时，我经常听到这样的东西，“这些公司试图卖给我骗人的万灵油”或者“他们都不能给我解释他们做了什么。”

这些公司想要知道这些技术能够解决当前什么业务问题。他们不在乎这个技术本身。机器智能公司，另一方面，就想要聊他们的算法和他们的平台可以解决成百上千的问题（这通常是真的，但是这不是关键点！）。

两件事的发生能够帮助创造一个更有生产力的中间地带：

1.企业在成为“机器智能专家”方面投入重金。我在大约100家公司内调查，获得他们对于如何看待机器智能这一问题的观点。他们的答案很有见解，他们正在持续地改变机构来利用这些新技术，并且整个机构很多不同角色的人都很关心这个话题（从CEO到技术主管再到产品经理）。

2. 许多机器智能公司终于明白他们需要说出“解决业务问题”语言。他们将特定业务问题的解决方案打包为一个个产品并以此推销他们自己。他们经常与一家公司合作来创造一个独特的解决方案而不是只是出卖技术本身，兼教育者和执行者于一身。一旦商业界了解了新的问题可以用机器智能来解决，这些创业公司就有可能做一笔传统方式的技术交易。

伟大的垂直化

我记得读过《谁说大象不会跳舞》（Who Says Elephants Can’t Dance）并且被如IBM之类的标志性技术企业孤注一掷的冒险精神所震惊。（这是我离开大学为他们工作的原因之一）现在IBM看起来准备打算试着做另一次孤注一掷的转型——从一个横向技术供应商直接转型为纵向。而且为什么Watson不能成为一个医生或者一个看门人？这是一次大胆的尝试。

不仅仅是IBM：你很有可能只用谷歌的项目就能做出整个机器智能图景（landscape）。（如果有人进一步尝试了，我很想看看）

你的钱很好，但是多说说你的数据

在机器智能世界，创立者正在推销他们的公司，正如我去年所建议的一样——但是这不仅仅是钱的问题。我听一个创立者说，他们仅仅对一种收购方式感兴趣，也即收购方有正确的数据集来使他们的产品运作起来。我们也会听到这样的说法，“我不会谈这些，但是，考虑到我们的产品，如果X打电话来，那恐怕就很难拒绝了。”在这样的谈话中，X通常会是Slack，谷歌，Facebook，twitter等——有数据的公司。

直到近期，在机器智能人才方面有一个秘密：加拿大！在“AI冬季”，也就是这个技术在80年代和90年代淡出人们视线时，加拿大政府是为数不多的投资AI研究的实体机构之一。这种支持促成了深度学习之父“Geoffrey Hinton”、“Yoshua Bengio”和“Yann LeCun”的出现。

加拿大继续成为机器智能前沿的中心。作为一个坦率又自豪的加拿大人，和如AICML小组共事来商业化高级研究、和“Machine Learning Creative Destruction Lab”实验室共事来支持创业公司，并举办活动将机器智能世界名人聚在一起，我感到很荣幸。

机器智能相比去年更火，不管在大公司还是创业公司中。明年，这些技术的实际应用将会兴盛起来。大部分新加入此行业的人会避免研究通用技术解决方案，取而代之的是，在特定业务目标中应用机器智能。

我迫不及待的想看到更多实际但以特定业务为重心的技术的结合。几年之前，一个叫做Orbital Insight公司的目标看起来不切实际——等等，你想要用卫星和电脑视觉算法来告诉我中国的建筑业的增长速度？——现在听起来很熟悉了。

相似地，研究人员正在做一些让我们惊讶的事情。他们正在解决一些我们从未想过会有可能的问题，像创造“仙女教母”无人机来帮助老人，能够侦测创伤后应激障碍（PTSD）微妙迹象的电脑视觉，能够移除癌症病变组织的自动化手术机器人和解决飞机WiFi问题（开玩笑的，没有机器智能可以做到这点）。

总体来说，代理会变得逼真，自动化系统会更加普遍。机器智能更加……智能。我期望来年会有更多的“魔法”出现。