诞生于科技与学术界的人工智能（AI）和机器学习（ML）已经逐渐渗透，并进入企业和商业的模式体系中。

越来越多公司正尝试引入人工智能解决方案，如聊天机器人和虚拟助手。

2016－2021年各大洲依靠AI可实现的年复合增长率：

企业希望通过AI实现的三大效益：提高员工生产力、升级自动化流程、获得新的运营洞察

新的一年，Entrepreneur总结了一份企业家在2018年应当关注的AI趋势清单：

AI内容创建（AI Content Creation）

随着自然语言生成（NLG）和自然语言处理（NLP）的新发展，2018年大数据及数据分析将变得更人性化。利用Automated Insights、Wordsmith等有内在规则的系统，媒体和公司可以在将结构化数据转化为基于自然语言的智能叙述。

即便是数据科学团队以外的人，也可以“读懂”相关数据，这将使人工智能和大数据进一步更普及，并且新的见解也将更快的速度诞生和传播。社交媒体、市场营销、体育竞赛、财务报告等方方面面都实现了自动内容生成。在即将到来的一年里，自动化内容生成可能会在新闻报道和营销方面获得更多的推动力，帮助企业通过为受众和客户创建相关内容，对新兴趋势、新闻和事件做出即时回应。

“胶囊AI”诞生（The Rise of Capsules AI）

Capsule网络（CapsNet）是Google首席科学家Geoffrey Hinton在最近一篇论文中提出的一种新的深度神经网络形式。简而言之，这种方法旨在克服CNN（卷积神经网络）多年来一直是图像识别事实上的标准的缺陷——当反馈的图像与训练期间使用的图像相似时，CNN很高效；但是，如果要求识别具有旋转、倾斜或错位元素的图像，则CNN的性能较差。

相反，胶囊网络解释了图形元素之间的空间关系，并且理解了人类直观地掌握的自然几何图案。

评论家预测胶囊网络将成为图像识别和计算机视觉领域的下一个重大突破。特别是——新的胶囊网络将大大胜过CNN和其他图像识别模型，并将能够抵制旨在欺骗神经网络的白盒敌对攻击。

离散化AI（Decentralized AI）

直到目前，机器学习模型的训练大多都是在远程云集群上集中进行的。人工智能公司不得不手动收集大量的训练数据集，并将它们提供给配备有用于机器学习的专用硬件（例如GPU）的数据中心中运行的ML算法。这种集中模式的主要缺点是难以对人工智能软件进行滚动更新，并使用用户和应用程序产生的不断输入数据流来持续进行培训。

但是，2017年4月，Google宣布在其Android键盘Gboard中使用新的联合学习方法时，这些问题将产生决定性的改变。这种新颖的方法使移动用户能够与Android设备上的用户数据协作训练共享ML模型。联合学习的真正目的是通过在设备上直接使用AI模型，为数百万移动用户进行众包ML培训。将AI培训移动到移动设备可以帮助解决集中学习中涉及的高延迟和低吞吐量连接问题。

随着边缘计算的发展，分散式人工智能也可以聚集起来，将远程云应用的密集计算转移到数字设备感知和收集信息的前沿计算中。

将数据处理和分析移动到“现场”解决了与通过网络发送数据相关的高延迟和低吞吐量的问题。

利用AI对无人驾驶汽车及无人机而言十分重要，它们需要在没有网络连接的情况下进行实时深度学习，以避免网络故障带来的灾难性甚至是致命的后果。

为了弥补人工智能领域存在的差距，像Movidius（2016年被英特尔收购）的公司正在开发AI协处理器和边缘神经网络，用于无人机和智能热像仪的障碍物导航。

未来的一年，我们可能会看到更多的低功耗计算机视觉和图像信号硬件和软件的创新，它们可以专门用于AI在安全摄像头和无人机等前沿设备上的集成。

AI为杠杆的离线数据 （AI Leveraging Offline Data）

在线生成的数据是目前数据分析和基于人工智能的解决方案的主要数据来源之一。然而，像亚马逊这样的大型零售商已经进入了一个由数字设备（例如商店和商场的传感器和执行器）收集的离线数据的未知领域。

在亚马逊Go杂货店，这些设备会跟踪了客户动向，看看客户与产品交互的时间。亚马逊传感器收集的数据存储在Android应用程序和亚马逊账户中，这些账户需要在Amazon Go商店中购物。这样，亚马逊就积累了大量有关消费者的数据。

使用这些数据，人工智能算法可以获得有关消费者偏好和行为的见解，从而创建自动定价机制，并引入更高效的营销，产品布局和销售策略。

离线数据的来源不限于杂货店。使用无人机和物联网，人工智能公司将逐渐将我们生活的整个物理空间转变成ML算法和模型的巨大数据源。

设备嵌入式AI兴起：核心ML（The Rise of On－device AI： Core ML）

由于电池功率的限制和移动计算能力的限制，在移动设备上运行AI软件或训练ML算法被视为一大挑战。

但转折点是——在2017年，我们目睹了苹果公司为iOS 11设计的ML文库CoreML推出的设备和移动AI。

CoreML附带了各种训练好的ML模型（例如用于图像识别，文本检测，图像配准和对象跟踪），可以很容易地集成到iOS应用程序中。技术优化后，可以使设备拥有高效的性能。iOS开发人员正在进一步完善技术，这将使得AI／ML应用程序在2018年成为移动设备的主流。

目前的创新速度使得人们几乎不可能把握AI的全部趋势，但理解AI和机器学习适用性，在2018年将对企业产生重要的影响。