关于机器学习和人工智能领域创业公司的发展预测

公司

2016-09-27 09:49

原文:Elad Gil  翻译:ONES Piece 翻译计划 徐雪儿

 

译者按:尽管特斯拉最近无人驾驶汽车发生的事故让人们对这项技术有了一丝质疑,但这仍是许多科技巨头公司趋之若鹜的发展方向。可以说,人工智能和机器学习已经从原先电影里的概念性设定跳脱出来,小到监测健康数据的可佩戴式仪器,大到智化的机器人,这些都真实的发生在现实世界。

 

而对于机器发展最大的争议,或许就在于大量劳动力的替代和道德层面的探讨。Twitter 战略总监,同时也是著名投资人的 Elad Gil 就在本文写出了他预测的围绕机器学习和人工智能可能发展起来的领域,以及真正 AI 时代给社会带来的影响和冲击。

在可预期的未来,人工智能科技将在多个商业领域发挥其不可估量的影响。在接下来的 10-20 年里,机器学习也许会渐渐取代白领和蓝领的工作,最终导致全社会范围的大规模动荡。

目前,大多数的主流报道都还停留在讨论人工智能的一般用途上(也就是所谓的 AGI 强人工智能,指能完全胜任人类脑力劳动的人工智能),但很少有人去关注最近五年内,人工智能和机器学习最有可能转变的具体垂直市场。

简单来说,我认为要达到真正的强人工智能水平,我们还有十多年的距离,但是由人工智能驱动的垂直产品在近年就会带来一场巨大的变革。

ai-001

图片来源:a2ua

下面列出的都是企业家和投资者们估值过低的领域,而在这些不被看好的领域里,我相信一大批大型的 AI 公司很快就会成长起来。

在所有围绕机器学习发展的领域里(当然,一旦我们达到了真正的强人工智能,世界将会飞速发展,但那仍是很久以后才能实现的事,具体的时间表也不过是单纯的猜测罢了),一家创业公司想要成功,有两个关键点:

  1. 搭建用来训练模型的有用数据库的能力,以及拥有对模型进行递归性测试和闭环反馈的模拟环境;
  2. 选择一个市场,让机器学习根据市场需要创造产品。为了做 AI 而做 AI 的产品就像一个找不到问题的答案,通常这类创业公司都容易失败(或者是被 Google、Facebook、Uber 等其中一家收购。在这个市场里还会有成千上万的收购案,因为所有公司都削尖了头想要提升自己的在这块领域的能力。)。

下面是我认为在未来五年内能产生大 AI 公司的领域:

1. 硬件和集成电路

无人驾驶汽车不可抵挡的发展势头,以及大量使用机器学习技术的其它市场的发展,将会带动对更高效、为机器学习模型专门优化的硬件需求。

Big-Sur-top-view-without-cover-GPU-removal

图片来源:arstechnica

很少有创业公司或者投资者投入到能更快速运行的机器学习系统基础芯片构架开发上。许多使用专业集群来运行机器学习的公司都会选择 NVIDIA 的 GPU(图形处理器),但其实这款处理器没有进行过特殊优化,并不是机器学习模型的最佳选择。

所以在这方面的硬件上仍然有很大的创新空间(ASIC 或者是其他方式),可能会有 ARM 或者高通这样的大企业诞生。这不仅是机器学习在各个行业的应用发展促成,也是无人驾驶汽车和其他硬件对处理器的大规模需求所驱动的。

说不定,在人工智能领域的第一个百亿美元公司会是做芯片的(你确实可以说 Google 搜索 / 广告是世界上应用机器学习模型最成功的垂直应用,它的市场价值和收益早已经超过 100 亿美金了。所以我的意思是,这是下一个会成功的初创公司 :))。

像 Cerebras(特别感谢 Andrew Feldman 阅读了这篇博文)和主攻深度学习的 Nervana 公司目前就正在这个领域发展。

2. 金融科技

WealthFront 和 FutureAdvisor(被 BlackRock 收购)在 “智能投顾(robo-advisors)” 领域的崛起,表明金融服务公司开始关注由机器驱动的投资组合管理和交易模式。无论是投资组合的组建和交易,还是从不同类型的金融数据中提取分析结果上,机器学习都会产生越来越显著的影响。

BA-BI057_ROBOAD_G_20150521190606

图片来源:barrons

机器学习和大数据在金融科技上的应用至少会有三个方向:

  • 提高交易效率或者收集独到分析的工具。OmegaPoint 公司就专注于打造 “新生代的 Bloomberg”,将机器学习模型建立在数据服务上用于交易。
  • 基于机器学习的投资组合管理和交易运作。
  • 通过机器学习模型来理解金融产品,并为其定出合理的价格。

像保险、房贷和其他衍生产品将会大大受益于人工智能的应用。如果一家创业公司或目前行业内的玩家能用新的统计方法和机器学习为客户计算出更优惠的房屋贷款分期方案,那它肯定会做成一家大公司。

3. 无人驾驶汽车和卡车

无人驾驶汽车的出现,将会扰乱目前价值数十亿美元的交通运输市场。汽车和卡车的生产商已经意识到,一场关乎生存的危机正在悄悄降临。

而特斯拉公司的出现无疑加剧了这些汽车行业公司的危机,因为前者似乎终于有了一款面向大众的汽车,并且正在无人驾驶领域大力推进。更雪上加霜的是,Google 和百度这样的科技巨头也要在无人驾驶技术上掺一脚。

self-driving-truck-ft

图片来源:wired

许多汽车公司更愿意自己发展,避免依赖于这些科技公司——因此美国通用汽车花 10 亿美金并购初创公司 Cruise,Uber 花 1% 的股权收购了无人驾驶卡车公司 Otto。在接下来的 1-3 年,无人驾驶汽车领域的收购合并案还会持续频繁地出现。

无人驾驶技术的发展,必将掀起数百万人的失业浪潮和不可小觑的社会变革(很大程度上会是经济上的通货紧缩)。尽管产业革命已经在 150 年前发生过了,但随着多种职业的消失,人工被取代,在接下来 10-20 年中爆发更大型的失业潮也不足为奇。

如果政府没有为这些失业者提供另谋生路的机会,政治上的动荡不可避免。

4. 药物

人们一讨论到人工智能或者机器人,就会举例说蓝领工人要面临失业了,然而我倒觉得大部分的白领们会被人工智能所取代(以后的文章中会有更多这个话题的探讨)。

医药领域将会迎来一次大颠覆——从疾病的定义、诊断到治疗方案,机器学习将改变整个医疗系统。“技术领域” 投资之王 VinodKhosla 在这方面就有不少的高见。

在医疗护理方面,机器学习也有很大的发展潜力,能替换掉原有的大部分构架。想象一下在未来,只要有一部智能手机,每个人就相当于拥有了世界上最好的医生,不仅成本低,而且随叫随到。

baymax-big-hero

图片来源:extremetech

a. 诊断

记得之前看医生的糟糕经历吗?排队等了 45 分钟,轮到你却只看了 5 分钟就草草了事,给点无关痛痒的治疗建议。糟糕的客户服务和高昂的医药费用,在任何有竞争力的行业都是存活不下去的。

从医生诊断到机器诊断的转变,将会促进每种疾病单独的产业发展——比如 IBM 的 Watson 认知计算项目就宣布了自己在肿瘤学的进步。类似的还有,在抑郁症诊断方面的惊人进展和通过计算机深度学习对其他精神疾病的研究。

机器诊断的限制往往在于可利用的数据量,以及是否能对诊断和结果进行闭环反馈。

想要加速机器学习技术在医学上的应用发展,一个方案是收购一座现有的放射治疗中心或诊所。这座放射治疗中心将会被连上网络,优化数据生成环节,用已生成数据训练机器学习模型去诊断和治疗病人。

通过在诊所推行机器模型与传统的标准诊所服务齐头并进的做法,在获得机器闭环反馈的同时,还能减少监管和病人护理的问题。

同时,机器学习模型的推行会提升诊断测试的准确性。比如,用机器学习模型来决定 DNA 测序仪上的变体识别是否正确,或者在荧光激活细胞分离器上观察到了哪种细胞类型。我的公司 Color Genomics 已经开始用不同的方式,将机器学习应用到基因学研究上了。

bigstock-medicine-doctor-working-with-m-43167979

图片来源:medicalfuturist

b. 治疗

和诊断方法相似,机器学习将能帮助病人选择正确的治疗方案。而最大的限制可能 (又) 在于数据的访问。

c. 持续的监测和分析

为机器学习模型增加可利用数据的一个方法,就是采用以消费者为主导的新型技术进行持续的监测。健康数据的自我监管背后,有一小簇忠实的拥护者(许多改变世界的产品,在最初看起来就像是一个玩具幼稚,健康数据的自我监测产品也许就会顺应这样的发展趋势)。

像 Cardiogram 公司就通过持续的脉搏检测和其他数据监管方式,让消费者掌握更多的自主权。硅谷的一批居民都用上了 The FreestyleLibre 血糖监测仪,自己来检测血糖水平。

推动 “全民科学” 的发展,并激发人们积极关注自己医疗保健和健康状况的意识,可能会改变现有的医疗实践。

5. 教育

从科技角度来看,美国的教育市场挺糟糕的,所以我从未投资过任何的教育类创业公司。即便如此,我还是抱着一丝悲观的期望,会有开发智适应教育系统的公司出现,能因材施教地划分学生的线上学习内容和线下课堂教学内容。这种教育科技能大幅提升发达国家和第三世界学生的学习能力。

AI-MachineLearning

图片来源:forbes

6. 其他领域

还有许多已经、或者即将被机器学习颠覆的领域(制造业,广告业等等),本文没有涉及到。

作为一个企业家和投资者,我个人最感兴趣的就是上述几个领域,以及围绕这些领域的许多发展机会。企业家们应该思考,机器学习是如何做到让一个市场里的某产品变强十倍的,而不是仅仅关注机器学习本身的价值。这也是围绕人工智能发展一家大公司的关键所在。

数据限制

从根本上来说,AI 产业发展的限制大多来自对数据量的依赖。如果金融、医疗和其他领域的数据能大量利用的话,不少的先进机器学习应用也许能保留下来。

大公司(Google,IBM 等)和创业公司建立有用数据库的方法有两种,购买数据接入途径或者合作找解决方案。数据将会改变许多产业,成为科技廉价化和民主化的一股力量(比如贫富国家之间的医疗护理标准日趋相同),但同时也会取代发达国家相当一部分的劳动力。

在未来 5-10 年间,机器学习的终极影响将体现在拓宽关键信息的接入渠道(如医疗诊断),还有替代掉数百万人的劳动力。接下来还会有更多相关文章。

本文原载于 Elad Blog,作者 Elad Gil,由 ONES Piece 翻译计划 徐雪儿编译。

题图来源:ibtimes

登录,参与讨论前请先登录

评论在审核通过后将对所有人可见

正在加载中

星辰大海之下有太多被埋没的宝藏,让我们好好擦亮了给你看……ONES Piece 是一个由 ONES Ventures 发起的非营利翻译计划,聚焦科技、创投和商业。如有优质内容推荐或想要加入计划,请发邮件至 [email protected]

累计已发布 115 篇文章

本篇来自栏目

解锁订阅模式,获得更多专属优质内容