人工智能哪些领域公司值得关注？投资人告诉你6大方向

4. 针对小数据集的学习，构建更小的模型

大家都知道，基于大量数据集可以构建出色表现的深度学习模型，比如著名的 ImageNet，作为最早的图片数据集，它目前已有超过 1400 万张被分类的图片。如果没有大数据集，深度学习模型可能就难以有良好的表现，在诸如机器翻译和语音识别上也难执行复杂任务。这种数据需求在使用单个神经网络处理端到端问题时会增长，即把语音的原始音频记录作为“输入→输出”语音的文本转录。如果想要 AI 系统用来解决更多具有挑战性，敏感或耗时的任务，那么开发出能够从较小的数据集学习的模型非常重要。在对小数据集进行培训时，也存在一些挑战，比如处理异常值以及培训和测试之间数据分布的差异。此外，还有一种方法是通过迁移学习来完成。

应用范围：通过模拟基于大数据集的深层神经网络的表现，训练浅层网络具备同等性能，使用较少的参数，但却有深度神经网络同等性能的模型架构（如 SqueezeNet），机器翻译等。

公司：Geometric Intelligence/Uber，DeepScale.ai，微软研究院， Curious AI 公司，Google，Bloomsbury AI

主要研究人员：Zoubin Ghahramani （剑桥），Yoshua Bengio（蒙特利尔大学）， Josh Tenenbaum（麻省理工学院），Brendan Lake （纽约大学），Oriol Vinyals（Google DeepMind） ， Sebastian Riedel （UCL） 等。

5. 用于推理和训练的硬件

人工智能的发展依仗多项技术的推荐，而我们常说的 GPU 就是促进 AI 进步的主要催化剂之一。与 CPU 不同，GPU 提供了一个大规模并行架构，可以同时处理多个任务。考虑到神经网络必须处理大量（通常是高维的） 数据，在 GPU 上的训练比 CPU 快得多。这就是为什么 GPU 最近很受各个科技大佬追捧的原因，其中包括众人熟知的 NVIDIA 、英特尔、高通、AMD 以及谷歌。

然而，GPU 并不是专门用于培训或者推理的，它们在创建之始是为了渲染视频游戏中的图形。GPU 具有超高的计算精度，但这也带来了存储器带宽和数据吞吐量问题。这为包括谷歌在内的一些大公司开辟了竞竞争环境，专门为高维机器学习应用设计和生产的芯片顺势而生。通过设计出新的芯片可以改善内存带宽等问题，或许也能具备更高的计算密度，效率和性能。人工智能系统给其所有者提供了更快速有效的模型，从而形成“更快，更有效的模型培训→更好的用户体验→更多用户参与产品→创建更大的数据集→通过优化提高模型性能”这样的良性循环。

应用范围：快速训练模型（尤其是在图像上），物联网，云领域的 IaaS，自动驾驶汽车，无人机，机器人等。

公司：Graphcore， Cerebras，Isocline Engineering，Google ( TPU )，NVIDIA ( DGX-1 )，Nervana Systems (Intel)，Movidius ( Intel )， Scortex 等。

6.仿真环境

为人工智能生成训练数据通常具有挑战性，但是为了让这项技术可以运用在现实世界中，必须要将它在多样化环境中进行普及。而如果在仿真环境中训练机器学习，随后就能把知识迁移到真实环境中。这无疑会帮助我们理解 AI 系统是怎么学习的，以及怎样才能提升 AI 系统，还会大大加速机器人的学习速度。仿真环境下的训练能帮助人们将这些模型运用到现实环境中。

应用范围：学习驾驶，制造业，工业设计，游戏开发，智能城市等。

公司：Improbable，Unity 3D，微软，Google DeepMind/Blizzard，OpenAI，Comma.ai，Unreal Engine，Amazon Lumberyard 等。

主要研究人员： Andrea Vedaldi （牛津大学）等。