发帖
雷达卡
转载自：高盛报告
人工智能是信息时代的尖端技术。在最新的“创新简介”系列文件中，我们研究机器学习和深度学习的进步如何与更强大的计算和不断扩大的数据库相结合，为跨行业的公司带来人工智能变革。人工智能服务的发展有可能开辟新的市场，破坏云计算的竞争环境。 我们相信，如何更好地利用人工智能将成为未来几年公司竞争优势的决定因素，并将带来生产力的复苏。
目录
投资组合经理总结………………………………………………3
什么是人工智能？…………………………………………….. 8
价值创造的关键驱动力………………………………………10
推动生产力的未来……14
人工智能和生产力的悖论：专访Jan Hatzius…..17
生态\云服务\开源人工智能投资周期的受益者.. 20
农业………………………. 43
金融………………………..53
医疗保健…………………63
能源………………………. 82
推动者…………………….90
附录………………………. 97
投资组合经理总结
人工智能（AI）是信息时代的尖端技术。从人类告诉计算机如何操作到计算机学着如何自主操作是计算机运作领域一次巨大的飞跃，对每一个行业都有着重要的意义。虽然现在可能被视为人工智能寒冬前最新一轮的承诺和失望，这些投资和新技术将至少留给我们机器学习所生产的有形的经济效益。
与此同时，人工智能和自动驾驶已经上升到了流行文化的前沿，甚至是政治话题，但是我们过去一年以来的研究让我们相信，这不是一个错误的开始，而是一个拐点。本报告将深入探讨这个拐点，从明显的更多更快的计算以及数据爆炸到更微妙的深度学习、显著进步专业硬件和开源的兴起。
其中一个更令人兴奋的人工智能方面的拐点是，“现实世界”的使用案例比比皆是。而深度学习使得计算机视觉和自然语言处理等技术不断进步，大幅提升了苹果的Siri，亚马逊的Alexa的质量和谷歌的图片识别，人工智能不仅仅是技术的技术。大数据集与强大的技术相结合创造了价值，也获得了竞争优势。
例如，在医疗保健中，图像识别技术可以提高癌症诊断的准确性。在农业中，农民和种子生产者可以利用深度学习技术来提高作物产量。在药物方面，深度学习用于药物发现。在能源领域，勘探效率和设备可用性逐步提高。在金融服务中，通过打开了新的数据集，成本降低收益增加，分析比以前更快。人工智能的运用善且处于非常早期的阶段，必要的技术通过基于云的服务，我们相信创新的浪潮的创新将滚滚而来，创造出各行各业新的赢家和输家。
人工智能的广泛适用性也让我们得出这样的结论：它是一个针移动技术，为全球经济和生产力提供驱动力，并结束美国生产率增长的停滞期。根据高盛首席经济学家Jan Hatzius的研究，我们的框架目前停滞在资本深化及其对美国生产力的相关影响。我们认为，人工智能技术驱动对生产力的改进将与20世纪90年代相似，带动企业投入更多的资本和劳动密集型项目，来加快发展，提高盈利能力和扩大股权估值。
启示
虽然我们看到人工智能影响每一个公司，行业和细分经济的时间，其中有四个最为显著的对投资者的启示。
生产力。人工智能和机器学习有可能掀起一个循环的生产率增长从而有利于经济增长，企业盈利，资本回报和资产估值。根据高盛首席经济学家Jan Hatzius“原则上，人工智能看起来确实像可能用数据捕获得更为准确，相较于人工智能所能达到的最后一拨创新浪潮去降低高附加值生产类型的成本和劳动力投入。例如在商业部门的为了节约成本的创新是统计学家比起增加iPhone应用程序的多样性和可用性而言更好地去捕获。在商业部门里，人工智能对成本结构有深远基础的影响，我相信它将被统计学家所接受，并且会显示在整体生产力数据中。
高级技术。人工智能的速度和机器学习的价值有可能扭转在构建数据中心和网络时更便宜的商品硬件的趋势。我们认为这可能推动硬件，软件和服务支出的市场份额大幅度转变。例如，在标准数据中心瞬时计算上运行的AWS工作负载只需要0.0065 美元每小时，而对于为人工智能优化的GPU成本为0.900美元每小时。
竞争优势。我们看到了人工智能和机器学习重新整理每个行业的竞争秩序的潜力。管理团队未能投资和传递这些技术风险给受益于战略情报、生产所得以及创造的资本效率的竞争者。在第41页开始的小插曲中，我们将研究如何在医疗保健，能源，零售，金融和农业领域发展这些竞争优势。
创建新公司。我们在过去10年人工智能和机器学习领域创立的企业中确定了150多家私人公司（附录69-75）。虽然我们相信，人工智能大部分的价值将会积累于大公司的资源，数据和投资能力，我们期望风险资本家，企业家和技术专家将继续推动创建新的公司，反过来，驱动实质创新和价值创造至少是并购虽然我们当然不会排除人工智能中的“谷歌或Facebook”的出现。
在下面的内容中，我们深入探讨了人工智能的技术，历史，机器学习的生态系统，以及这些技术在行业和领先公司的应用。
什么是人工智能？
人工智能是使智能机器和计算机程序能够以通常需要人类智能的方式学习和解决问题的科学和工程。通常，这些包括自然语言处理和翻译，视觉感知和模式识别以及决策，但应用程序的数量和复杂性正在迅速扩大。
在本报告中，我们将大部分分析集中在作为人工智能一个分支的机器学习，以及作为机器学习的一个分支的深度学习。我们强调两个要点：
1.简单来说，机器学习是从例子和经验（即数据集）学习而不是依赖于硬编码和预定义规则的算法。换句话说，不是开发者告诉程序如何区分苹果和橙子，算法被数据“训练”并且自己学习如何区分苹果和橙子。
2.深度学习的主要进展是当前AI拐点背后的驱动力之一。深度学习是机器学习的一个子集。在大多数传统的机器学习方法中，特征（即可以预测的输入或属性）由人设计。特征工程是一个瓶颈，需要大量的专业知识。在无监督深度学习中，重要特征不是由人类预定义的，而是由算法学习和创建的。
要明确的是，我们还没有专注于那种真正的，强大的，或通常的人工智能，那种为了复制独立的人类智力，这往往是人工智能通俗和流行的文化释义。虽然有一定的潜在的突破，如谷歌DeepMind的alphago系统，不仅击败了围棋世界冠军，也用了没有人用的下棋方式，我们专注于更直接的经济实体的发展领域中的人工智能。
为何人工智能发展在加速？
在深入学习能力的重大飞跃一直是目前人工智能拐点的背后催化剂之一。神经网络，深层学习背后的技术框架，已经存在了几十年，但在过去的五到十年中，有三件事情发生了变化。
1.数据。越来越多无处不在的连接设备、机器和系统在全球范围内创造了非结构化数据量的巨大增长。神经网络变得更加有效随着他们有了更多的数据，这意味着随着数据量增加的问题，机器学习可以解决使用的数据增加。移动，物联网，和成熟的低成本数据存储和处理技术（通常在云中）创造了可用数据集的数量，规模和结构的大规模增长。例如，特斯拉已经聚集78，000万英里的驾驶数据，加上另一个每十小时百万英里通过其连接的汽车，而蟑螂合唱团（由思科月2016美元14亿收购）有一个平台供电的机器对多个汽车制造商和电信公司进行通信。Verizon公司在八月也有类似的投资，宣布将收购Fleetmatics，通过无线网络云软件连接在车辆远程传感器越来越快。5G的推出只会加快数据生成和发送的速度。年度数据生成有望在2020年前达到44泽字节（万亿GB），根据IDC的数字宇宙报告，超过五年的复合增长率达到了141%，这表明我们正开始将这些技术应用。
图1：年度数据生成有望在2020年前达到44泽字节（万亿GB）
2.更快的硬件。图形处理单元（GPU）的再利用，低成本的计算能力的通用性，特别是通过云服务，并建立神经网络模型大大提高了速度和精度可以产生神经网络的结果。GPU及其并行体系结构更快地训练了机器学习系统与传统的中央处理单元（CPU）为基础的数据中心架构。再利用图形芯片的网络可以让迭代速度更快，在更短的时间内进行更准确的培训。在同一时间，专业硅的发展，如正在使用现场可编程门阵列的微软和百度，受过训练的深度学习系统允许更快的推论。更广泛地说，超级计算机的原始计算能力自1993以来呈指数级增长（图2）。2016，一个高端的NVIDIA显卡，对于游戏PC具有足够的计算能力已列为2002年前世界上最强大的超级计算机。
图2：超级计算机的原始计算能力自1993以来呈指数级增长
业绩成本也大幅下降。NVIDIA的GPU（GTX 1080）提供9tflops表现为大约700美元，这意味着它的每一个GFLOPS价格大约8美分。1961年结合足够的IBM 17世纪20年代到提供一个单一的GFLOPS需要超过9兆美元（经通胀调整）。
图3：每单位计算的价格随着时间的推移急剧下降
3.更好和更广泛的可用算法。更好的输入（计算和数据）驱动更多的算法研发，以支持深度学习用例。开源框架，如伯克利的咖啡，谷歌的tensorflow，和火炬（用于脸谱网）允许开发者通过依靠测试的基础库复合个人的贡献度。拿TensorFlow举例，在不到一年的时间里，已成为GitHub上最大最活跃的开发商合作网站。虽然不是所有的人工智能都发生在一个广泛可用的开源框架下，（苹果在这一领域的秘密是众所周知的），他们的可用性肯定加快了更先进的开源工具的发展。
看看周边
虽然本报告的重点是人工智能，以及公司如何往这条路发展，重要的是要意识到人工智能已经影响我们的生活的程度。
在线搜索。就在一年前，谷歌透露，它已经开始相当数量的搜索rankbrain，一个人工智能系统，与链接和内容一起成为谷歌搜索算法中三个最重要的信号之一。
推荐引擎。Netflix、Amazon和潘多拉都利用人工智能来推荐电影、产品突出和歌曲播放。5月，亚马逊的开放源码DSSTNE，深度可伸缩的稀疏张量网络引擎，简称“命运”，它使用生产产品的建议，以便它可以超越语言理解和目标识别。
面部识别。谷歌（facenet）和脸谱网（DeepFace）已投入巨资来发展必需的技术确定接近百分之百的准确度来识别照片中的面孔。一月，苹果进一步收购Emotient，人工智能启动读取面部表情来判断情绪状态。显然，这些技术远远超过标记照片。
虽然有无数的个人助理的消费者例子，比如苹果的Siri，信贷和保险风险评分，甚至天气预报，在接下来的内容中我们考察企业利用这些技术来加速增长，降低成本以及控制风险。这些技术和应用的速度本身也在发展，充其量是一个快照的时间，为公司和投资者在他们的竞争者中一路领先提供了方向。
什么是人工智能？
人工智能是描述计算机模拟智能行为的科学。它需要使计算机表现出人的行为特征，包括知识，推理，常识，学习和决策。
什么是机器学习？机器学习是人工智能的一个分支，它使计算机能够从数据中学习而不需要显式编程。为了提供简单的背景，一台计算机可以以编程来识别照片中的火车，但如果它看到只有一个对象的照片，类似火车（如博物馆内建一个旧火车，玩具火车），一台机器可能会错误地识别它作为一列火车。在这种情况下，机器学习将使计算机学习一大组火车的例子和对象，使其能够更好地识别实际列车（从而实现人工智能水平）。
机器学习有许多现实世界的应用。例如，Netflix使用机器学习算法来生成个性化的建议，为用户提供基于其海量用户行为数据，Zendesk使用客户交互数据来预测客户可能满意的倾向。
什么是神经网络？人工智能/机器学习的背景下的神经网络描述了一种类型的计算机体系结构，人工智能/机器学习程序可以建立在模拟人类大脑的结构上。它由连接在一起的节点组成，可以解决更复杂的问题并学习，就像人脑中的神经元一样。
图4：神经网络
多个隐藏层将是深度学习的特点
什么是深度学习？深度学习是一种机器学习，需要训练一个层次结构的“深层”的大型神经网络，每个层解决问题的不同方面，使系统能够解决更复杂的问题。使用上面给出的火车例子，深学习系统将包含不同层级，每一层标识不同的列车特性。例如，底层将识别对象是否有窗口。如果答案是肯定的，下一层将寻找轮子。下一步将寻找矩形车，等等，直到层集体确定图片作为火车或拒绝假设。深度学习作为一种提高机器学习能力的方法已经越来越受欢迎，技术的进步开始允许大神经网络的训练。
什么是监督学习？什么是无监督学习？监督和无监督学习是机器学习的两种类型。在监督学习中，系统给出了一组“正确答案”的例子，根据这些例子，系统将根据正确的答案学习并正确地预测输出。监督学习的实际应用包括垃圾邮件检测（例如，系统可能有一堆标记为“垃圾邮件”的电子邮件，学会正确地识别垃圾邮件）和手写识别。在无监督学习中系统没有给出正确的答案，但有未标记的例子，留在自己的发现模式。一个例子包括将客户按一定的特征（例如购买频率）进行分组基于从一组大客户数据发现的模式。
机器学习有哪几种？
l 分类。将电子邮件分类为垃圾邮件，识别欺诈，面部识别，语音识别等。
l 聚类。比较图像，文本或语音找到类似的项目，确定集群的异常行为。
l 预测。基于Web活动和其他元数据预测客户或员工流失的可能性；基于可穿戴数据预测健康问题。
什么是一般的，强大的或真正的人工智能？一般的，强大的，或真正的人工智能的术语用于机器智能，充分复制人类的智慧，包括自主学习和决策。虽然全脑仿真技术服务于通常意义的人工智能目标，所需的计算能力的金额仍然远远超出了目前的技术，这使一般的人工智能在很大程度上仍然停留在理论阶段。
连载（共7篇）下一篇：
人工智能推动生产力的未来——高盛报告:人工智能、机器学习和数据……（二）
[/url]
京公网安备 11010802022788号
