Please enable JavaScript.

Coggle requires JavaScript to display documents.

人工智能行业 Artificial Intelligence Industry (宏观环境分析 (Technology技术…

- - - - 基础层：美国17900,占22% ; 中国1300，3.3%
        技术层：美国29400，37.3%；中国12000，33%
        应用层：31400，39.89%；中国24300，61.8%
      - 自然语言处理: 美国20200人,中国6600人;
        处理器/芯片,美国17900人,中国1300人;
        机器学习应用,美国17600人,中国9800人;
        智能无人机,美国从9220人,中国4660人;
        计算机视觉,美国4335人,中国1510人;
        智能机器人，美国2130人, 中国6400人
- - - - 进化策略（Evolution Strategies, ES）：
        可以线性扩展扩展到数千台机器，非常快的平行训练。
        例子：Uber内部的遗传算法和新颖性搜索
      - 自我对局x蒙特卡洛树搜索
      - 优缺点：数据通常不是lid（独立同分布），错误信号更加稀疏，而且需要探索，不依赖梯度的算法表现很好。
    - - 谷歌Tacotron2文本转语音系统：基于WaveNet，自动回归模型。这种注意力机制摆脱了循环和卷积，使用一个更为复杂的注意力机制，只用很小的训练成本，就达到目前最先进的水平
    - - 十大瓶颈：
        https://mp.weixin.qq.com/s/ZqHejwqzBuJ2txZH_Tsvcg
        
        截至目前，深度学习依然对数据很饥渴
        
        截至目前，深度学习还很肤浅，迁移能力有限
        
        截至目前，深度学习还不能自然处理层级结构
        
        要用深度学习搞定开放式推理，仍需努力
        
        截至目前，深度学习还不够透明
        
        深度学习还未与先验知识结合
        
        截至目前，深度学习还不能区分因果和相关关系
        
        深度学习假定世界大体稳定，但实际上并不是这样
        
        截至目前，深度学习只是一种近似，不能完全相信其答案
        
        截至目前，深度学习难以工程化
    - - 深度学习
        
        Facebook的PyTorch，深受自然语言处理的研究人员喜爱
        
        Google的TensorFlow，依然最受欢迎
        
        苹果的CoreML移动机器学习库
        
        Uber的Pyro，深度概率编程语言
        
        亚马逊的MXNet，提供更高级别的API Gluon
        
        Uber的米开朗琪罗机器学习基础设施平台
      - 强化学习
        
        OpenAI Roboschool,用于机器人仿真
        
        OpenAI Baselines,一套强化学习算法的高质量实现
        
        TensorFlow Agents，用TensorFlow来训练RL智能体
        
        Unity ML Agents，研究人员可用Unitiy Editor来创建游戏，展开强化学习
        
        Nervana Coach, 用最先进的强化学习算法进行试验
- - - - 新智元
    - - 工业界与学术界研究的区别： 学术界追求精度和极限，而工业界会从商业模式角度出发，综合考虑经济成本，盈利模式，用户体验，技术成熟度，技术壁垒
- - - - 深度学习
      - 自然语言处理
      - 语音语义处理
    - - 药物研发筛选
      - 终身护理
      - 治疗方面：连心医疗，IBM沃森
      - 健康管理
      - 早期分析
    - - 创业公司
        
        病患数据和风险分析（HOT）：
        最大瓶颈：数据结构化不高，医疗数据的合法性问题
        Players: 连心医疗、趣医网、腾龙数据
        
        基因测序：
        门槛高，机会不大
        Players:华大基因
        
        基于基因数据的应用：
        1）基因数据的图谱加工：碳云科技（50亿估值）
        基础设施进入空间很少了，但是后续的针对基因数据的分析、编辑及癌症的治疗，机会还很大。
        
        医疗影像：#image#
        这个切入关键在于打标后面的算法与建模，需要有医疗人员参与。中国人口基数大，医疗影像资源非常丰富，关键是要把图像采集工作做好
        切入领域：医疗影像（X光、CT、病理切片etc）通过眼底图像对糖尿病进行早期筛查；解决皮肤科疾病特异性不大导致的诊断困难, 还有内窥镜、心电图等也可以做定量化的分析。
        
        辅助医疗:
        
        药物发掘：
        大幅减低药物开发的投入，基本每一个药物的研发都需要”十年十亿美元“的投入。包括药库、化学库可以大幅降低前端的投入；但是后期临床试验及后期的时间是节省不了的
        
        医疗健康管理：
        利用AI做组学数据分析。通过可穿戴设备和移动互联实现健康管理。基于发病信息等，用大数据预测流行病的发现趋势
        
        其他创业公司：
        深睿医疗、推想科技、汇医慧影、依图科技、图玛深维等新贵
        
        手术机器人：
        利用AI帮助搜狐书机器人寻找更优的手术方案
      - 互联网巨头
        
        Google:
        天价收购13万张眼底数据，打磨糖网筛查产品
        
        微软亚洲研究院：
        在专供基础AI算法之际，已经默默研究医学影像8年
        
        IBM Watson：
        走在最前列
        
        阿里健康：
        成立医学人工智能浙江省实验室
        
        腾讯觅影：
        推出6大病种影像AI辅助诊断方案
      - 机械行业巨头
        
        GE、飞利浦、西门子纷纷联合AI初创公司切入更下游的市场
      - 场景方
        
        各大医院影像科、信息中心、科研实验室推进医疗人工智能的落地，联合高校与企业进行深入探索
    - - Luke Oakden-Rayner的人类医生终结系列博客
  - - - GAN2017年的Cycle-GAN, DiscoGAN, StarGAN等新模型在生成人脸方面令人印象深刻，尤其是pix2pixHD打破了难以的生成高逼真的高分辨率图像的难题
    - - 谷歌的QuikDraw
  - - - Uber
      - Lyft
      - Waymo
      - Tesla
      - 百度
      - 腾讯
      - 苹果
    - - 亦庄，首条无人驾驶试测路
  - - - 用深度学习创建动漫角色
      - 用深度网络给黑白照着色
      - 神经网络玩《马里奥赛车》
      - 深度学习鉴别赝品
      - 随手画猫
      - 深度学习去除背景
    - - 无监督情绪神经元 - 一个可以学习情绪的系统，尽管只被亚马逊训练用于预测评论的下一个字符
      - 学会沟通 - 智能体“开发”了自己的语言
      - 习得索引结构 - 用神经网络优化告诉缓存 B - Tree
      - Attention is All You Need - Google推出的翻译架构Transformer，完全舍弃了RNN、CNN结构
      - Mask - R-CNN
      - Deep Image Prior，图像去噪，超分辨率和修补