发帖
雷达卡
中国人工智能的现状
据艾瑞咨询，该国的人工智能市场估计将从2015年的12亿人民币增长到2020年的91亿人民币。 2015年，中国的人工智能（AI）大约流入了14亿元人民币（同比增长76％）。
在政府政策方面，中国国家发展和改革委员会（国家发展和改革委员会）与其他相关政府机构一起，于2016年5月18日发布了“互联网+人工智能”三年实施方案。实施计划阐述了六个支持人工智能发展的具体领域，包括资本融资，系统标准化，知识产权保护，人力资本开发，国际合作和实施安排。该计划的目标是到2018年在中国建立基础设施和创新平台，行业系统，创新服务体系和人工智能的基本行业标准化。发改委预计，中国人工智能行业将与国际发展同步，引领全球市场人工智能技术的应用。
中国已经采取了重大举措，提及“深度学习”或“深层神经网络”的期刊文章数量，中国在2014年超过了美国（图23）。中国的人工智能研究能力也令人印象深刻（图24），因为具有世界领先的语音和视觉识别技术。2015年11月由百度开发的Deep Speech 2能够达到97％的准确性，被MIT Tech Review评为2016年前十大突破性技术之一。此外，早在2014年，香港中文大学开发的DeepID在LFW（野生标签面孔）中的面部识别准确度达到了99.15％。
图23：提到“深度学习”或“深层神经网络”的期刊论文
图表24：引用“深度学习”或“深层神经网络”至少一次的期刊论文
中国互联网巨头百度、阿里巴巴和腾讯（BAT）是中国人工智能市场中的领先者，而数百家初创企业也在渗透该行业，并在各种AI领域和应用领域建立服务模式。目前，在中国人工智能领域涵盖：
1）基本服务，如数据资源和计算平台；
2）硬件产品，如工业机器人和服务机器人；
3）智能服务，如智能客户服务和商业智能；
4）技术能力，如视觉识别和机器学习。
根据艾瑞咨询，语音和视觉识别目前分别贡献了中国人工智能市场总量的60％和12.5％。 在中国的人工智能相关公司中，71％专注于开发应用程序。 其余的55％正在研究计算机视觉，13％在自然语言处理，9％在基础机器学习。
在我们看来，在人工智能前沿的关键参与者可能继续在美国和中国。
机器人：用户界面的未来
机器人是潜在的范式转移。在以机器人为中心的世界中，用户体验从基于点击的转换到对话（文本或语音），以及从网络或面向消息或面向语音平台的交互转换。换句话说，用户不需要打开三个不同的应用程序来预订旅行，购买衣服和参与客户服务，而是可以同时通过信使参与与提供帮助的机器人的交谈。因此，我们看到电子商务，客户支持，员工工作流程和生产力方受到广泛影响。
过去12-18个月的一个关键驱动因素是大型云和互联网公司创建和开源机器学习框架。2015年下半年，谷歌公司推出了TensorFlow，一个机器学习算法库，亚马逊和微软也一直活跃，发布云服务来支持自己的机器学习项目。我们预计这种趋向民主化的机器学习将继续促进智能机器人的发展，因为主要参与者（亚马逊，谷歌，苹果，微软）期望在他们各自的生态系统整合对话界面（Alexa，谷歌助理，Siri，Cortana）。 继今年三星收购Viv之后，我们预计将在三星的设备和智能手机生态系统中进一步整合基于Viv AI的数字助理。
自然语言处理（NLP）。机器人的承诺是植根于他们的智能和过程自然语言的潜力。因此，机器人兴趣的兴起与机器学习的兴趣和创新的兴起与自然语言处理（NLP）的人工智能领域的技术，或计算机理解，操纵和从语言的意义的推导相关。与类似于基于硬编码规则集构建的CTRL + F函数操作的字处理器相反，NLP利用机器学习算法来基于大量训练数据来学习规则，然后可以将其应用于新的文本集。机器学习的核心原则适用于NLP系统所获取的数据越多，其应用程序就越准确和更广泛。
虽然NLP的早期应用已经用于文本挖掘（例如，法律文件，保险政策和社交媒体的分析）和自动问答应用中，但是神经网络和深度学习模型的进步正在允许NLP系统变得越来越聪明并且管理困扰人类语言的歧义。谷歌在TensorFlow，SyntaxNet中实现的NLP的开源基础利用神经网络来消除左到右处理中的模糊性，只有在发现了其他更高等级的假设时才丢弃潜在的假设。因此，根据谷歌的说法，SyntaxNet模型是一些在TensorFlow框架内曾经训练过的最复杂的模型。
消息平台。 机器人的兴起与诸如Facebook Messenger，WhatsApp以及企业中的Slack和HipChat等消息应用的快速增长同步。消息应用程序提供了一种媒介，通过它，机器人可以与iOS，Android和网络上的用户进行交互。此外，更大的消息应用正在发展成支持多种交互类型的平台。在Slack上，企业用户可能与团队合作，监控应用程序，创建待办事项列表或从同一接口监控费用。在Facebook Messenger上，用户可以与朋友聊天，提出品牌的支持问题，或从同一界面叫Uber。
最近的聊天机器人收购或亚马逊（Angel.ai CEO）和Google（API.ai）的部分收购，每一个都专注于会话界面技术，突出了公司和投资者在聊天和自然语言过程能力的联合中看到的机会 。根据Pitchbook的数据，自2013年以来，私人消息公司在人工智能/ 机器学习，电子商务，SaaS和网络安全方面投入约120亿美元的累计风险投资资金，而在8年前则约为20亿美元。
图25：跨信息风控基金（百万美元）
在一些受益者正在出现的情况下机器人激增。 第一组受益者是消息平台——脸谱网，Slack，微信等。机器人增加了参与度，并创造了在这些平台上推动商业的机会。第二类是硬件和基础设施提供商，其范围从GPU提供商（NVIDIA）到开源供应商，数据平台供应商和云服务提供商，如亚马逊，谷歌和微软，亚马逊处于一个独特的位置，因为它的能力可以满足电子商务需求。 其他正在利用BOT功能的软件提供商包括Zendesk和Salesforce.com等软件提供商，他们将机器人视为自动化企业客户服务的潜在手段。
图26：Slack，FB Messenger用户的增长
企业和消费者信息平台的兴起
个人数字助理：许多公司已经使用复杂的算法，机器学习和大数据软件来创建基于过去一段时间的行为和客户数据的推荐引擎。这些引擎影响购买行为，但是大部分相同的技术被用于个人数字助理的工程中，或者具有基于语音命令来完成或自动化简单任务的能力的机器人。
使用语音识别软件将推荐引擎的复杂预测和推断功能合并，产生了苹果的Siri，亚马逊的Alexa，谷歌助手和微软的Cortana。利用机器学习和云基础设施，这些应用程序在收集关于用户的更多信息时改进：语音模式，兴趣，人口统计，消费习惯，日程，职业，喜欢和不喜欢。大多数（如果不是全部）这些信息通常可以通过软件监控一个人使用智能手机或连接设备（Amazon Echo，Google Home）来收集。随着这些数字个人助理访问更多的数据，分析应该允许他们区分来自不同用户的类似请求，变得越来越个性化。例如，指令“给我看最好的相机”对不同的消费者可能意味着不同的东西。与用户数据相结合的强大的分析引擎可以帮助确定用户是否喜欢最便宜的摄像机，最高评价的摄像机，或者等于对于该个人“最佳”的特征的某种其他组合。
我们看到数据聚合和分析的持续创新推动了人工智能数字助理的改进。我们还期望像亚马逊和谷歌这样的系列创新者继续消除购买过程中的摩擦点（Echo，Echo Dot），并进一步完善日常任务（谷歌首页）。
用例
农业
到2025年市场值将达到200亿美元
我们认为，机器学习有可能增加作物产量，减少化肥和灌溉成本，同时有助于早期发现作物/牲畜疾病，降低与收获后分拣相关的劳动力成本，提高市场产品和蛋白质的质量。当我们看到用于收集土壤，天气，航空/卫星图像，甚至听觉数据的传感器的扩散，我们认为，从深度学习算法对这些PB级数据集产生的洞察将提前告知（有时）种植时间，灌溉，施肥和家畜护理，并导致在农业范围内增加土地，设备和人类生产力。如果数字农业中使用的所有已识别的技术将被优化或完全由机器学习/人工智能提供，我们假设该价值创造的25％累积到机器学习/人工智能链中的供应商，这意味着TAM为600亿美元，到2050年将会有一个1.2万亿美元的农作物市场。假设在该时间段内TEM线性变化，意味着到2025年大约200亿美元的TAM。
什么是机会？
有的生产和产量损失可以通过在农业中的机器学习应用减少劳动力费用。在美国玉米生产中，我们的研究团队已经确定了从精确肥料到压实减少的技术，他们相信这些技术可以在2050年将玉米产量提高70％。重要的是，他们的研究中确定的每一个创新都是通过机器学习和人工智能实现的（图27）。
我们已经确定了农业中的几个具体领域，在这些领域我们特别受益于机器学习和人工智能技术的应用。例如，农民商业网络是一个组织，其汇总关于种子性能，农艺实践，投入品价格，产量基准和其他农民提交的数据的数据，以利用深度分析来提高产量。
利用传感器，天气，土壤，甚至无人机/卫星图像数据，机器学习可以根据当前和预期的天气模式，作物轮作对土壤质量的影响，帮助农民优化施肥，灌溉和其他决定，帮助确定最佳做法。对空间图像的分析可以比人类观察更快更有效地帮助确定作物疾病，例如大豆锈病，早期处理可以防止收成损失。
相同的模式识别技术可以用于在家畜动物中识别疾病和跛足（影响运动性和整体健康的腿/脚/蹄的感染或损伤）。最后，我们看到了使用视觉图像和自动分拣设施来替代人类检查员沿着产品和肉类产品的分级和分类线的应用。
图27：确定用于提高作物产量的所有涉及机器学习和人工智能应用的创新
美国玉米产量驱动因素
什么是难点？
农作物产量受次优施肥，灌溉和农药的抑制。在高盛研究报告《精确农场：用数字农业欺骗马尔萨斯》（2016年7月13日）中，发现了几个问题，可以通过收集适当的数据和执行适当的分析来解决。这是至关重要的，因为在2050年，为预计世界人口提供饲料需要增加70％的作物产量。
增加人工成本。农业历史上转向技术创新以抵消劳动力成本，我们认为机器学习是这一演变的下一步，特别是在收获后/屠宰分拣过程中，其中大多数对产品和肉类产品的目视检查仍然由人类工作者完成。根据劳工统计局的数据，在美国，53k个人被雇用为“分级和分拣机，农产品”，每年的劳动力成本约为13亿美元。根据BLS数据，“农药处理者，喷雾器和施药器”在农业中代表另外13亿美元的劳动力成本。
由于动物疾病造成的损失。我们估计，由于乳牛中可预防的跛足，全球乳品业的年损失超过110亿美元。学术研究表明，在乳汁流失，生育力下降和治疗成本之间，跛足使乳牛场成本每年达到175美元，每年每100头奶牛发生23.5例，这意味着当全球有2.5亿美元的奶牛时，成本将超过110亿美元。
目前的经营方式是什么？
绝大多数农场都很小，但大多数农田是由大型农场控制的。 根据联合国粮农组织的数据，全球72％的农场面积小于1公顷，而只有1％的农场大于50公顷，这些大型农场控制着65％的全球农业用地。超过10公顷的农场绝大多数存在于像美洲和欧洲这样更发达的地区（两者之间的73％），而亚洲占小于10公顷的农场的达85％。 因此，世界上大多数农田都能获得基础设施和经济发展，使得能够使用精确农业技术，只要这些技术在财务上可行的。
图28：小农场是发展中国家的常态
图29：发达国家的农业经营的规模
即使在经济发达国家，精确农业仍处于早期阶段。比如，灌溉仍然通过溢流或其他形式的表面灌溉进行，这是最低效率和最低技术先进的方法之一。在作物种植的主要领域，目前的技术包括：
l 肥料：天气和现场监测和毯子应用。
l 种植：多种子的播种，变率播种和作物轮作种植。
l 农药/除草剂：卫星和无人机图像已在目标区域的一些大规模作业中使用。 使用毛毯应用的小型操作。
l 灌溉：淹没式和其他表面灌溉，中央枢轴喷头，灌滴系统和混合洒水/滴灌系统。
l 收获/分类：玉米和小麦等作物的大部分收获已经实现了大型农场机械化。一些分类已实现自动化（按大小和特色）。
随着美国建立农民商业网络（FBN），我们还看到农业数据民主化的到来。FBN是一个独立的业务，农民可以匿名订阅并提交农场数据。在分析过程中，FBN使用聚合农场数据为单个成员农民利用产量，时间，天气和其他数据生成预测报告。
在畜牧业和乳制品业中，目前的技术包括普遍应用抗生素或其他预防性药物，接种疫苗，扑灭病动物，以及化学平衡的饲料添加剂。此外，黄牛作业也采用足浴预防和治疗蹄疾病及感染。
图30：在美国，近一半的灌溉农田是通过洪水或其他表面灌溉灌溉的——这是最低效的和最低技术的方法之一
人工智能和机器学习如何助力？
机器学习使用大型数据集来优化单个或一组最终目标的能力有利于解决农业中的问题，如作物产量，疾病预防和成本效率。
在收获后分拣和农药应用中，我们认为M机器学习/人工智能可以降低成本，提高效率，在美国境内创造30亿美元的年度劳动力储蓄。根据我们的估计，全球数字可能会超过这一数字的两倍。最后，我们认为，机器学习/人工智能应用可以改善育种和健康状况，单单从影响动物两种常见疾病出发，奶牛养殖价值创造可以达到约110亿美元（在收回失去的潜在收入和绝对成本降低之间），以及20亿美元的家禽生产。
提高作物产量。人们已经在利用几乎所有行星可用的农业用地，联合国预计到2050年全球人口将达到97亿。因此，有必要提高作物产量，以满足未来全球对粮食的需求。机器学习可用于分析来自无人机和卫星图像，天气模式，土壤样品和湿度传感器的数据，以帮助确定种子种植，受精，灌溉，喷洒和收获的最佳方法。
图31：机器学习几乎在每一个精准农业报告（2016年7月13日出版）提到的创新中都起着重要的作用
玉米产量通过技术的潜在改善
家禽群疾病检测：在一项学术研究中，研究人员收集和分析了鸡的声音文件，假设他们的声音会因生病或痛苦而改变。在收集数据和训练神经网络模式识别算法后，研究人员能够正确识别感染了两种最常见的致死性疾病之一的鸡，在疾病2天后精确度为66％，8天后精确度为100％ 的疾病（图32）。在损失发生之前尽早正确诊断动物并治疗可以减少行业专家估计的由疾病导致的20亿美元的损失。
图32：实验表明，机器学习可以通过听觉数据分析正确识别其他不可检测的疾病，减少由于某些可治愈疾病造成的损失
量化机会
基于产量，作物投入成本节省，乳品/畜牧成本节约，分拣和劳动力节约的潜在增长，我们认为机器学习可产生超过1万亿美元的价值。
在农业中，我们认为机器学习/人工智能可以帮助提高作物产量的70％的增长。在Jerry Revich的精确农业（《精确农业：数字农业欺诈马尔萨斯》，2016年7月13日发布）中，数字农业的TAM被确定为2,400亿美元，假设各种技术供应商的价值增长为30％。考虑到数字农业中使用的所有已识别的技术将被优化或完全由机器学习/人工智能提供，我们假设该价值创造的25％累积到机器学习/人工智能链中的供应商，这意味着在作物种植应用中TAM达600亿美元。在蛋白质农业中，我们认为机器学习（精确育种机制，疾病预防/治疗）的应用可以产生另外一个200亿美元。
图33：来自先进技术的全球作物产量的潜在增长可以在作物农业中产生超过8000亿美元的增值
美国东部时间，通过技术提高全球农作物价值（单位，百万美元）美东时间
图34：人工智能和机器学习可以减少潜在的超过110亿美元的亏损
美国东部时间，奶牛跛足的损失（单位：百万美元）
谁会占下风？
我们相信，这种影响大部分是长期的（5年以上），因为这些技术大部分仍然处于早期发展阶段，早期采用者的成本相对于其他潜在的改进机制有时候让人望而却步。
农民经营网络
我们与联合创始人兼首席执行官Amol Deshpande以及FBN工程团队的成员进行了交谈。 FBN是一个由2,800多名成员农民组成的网络，覆盖1000万英亩的农田，汇总从农民和农场设备上传的数据，使农场数据民主化，并使成员农民能够利用它进行定价，种子选择和产量优化 。
问题
农业中的不对称信息导致农民做出关于种子选择，肥料选择/应用和其他业务的重要方面的决定，而没有广泛了解哪些选择在近年来在其所在地区产生了最高产量，或者甚至价格是否与其他农民看到的一致。农民也受到供应商的偏见。
FBN解决办法
数据的汇总和分析：农民每年支付500美元（多年折扣），以获得FBN会员资格。 农民可以从他们的设备和系统上传数据，包括种子类型数据，土壤数据，收获/产量数据，以及地理位置和海拔数据等。FBN还聚合来自其他公共来源的数据，包括政府和天气数据。FBN使用机器学习来分析，清理和分析数据，以便为个体农民提供参考，为个体农场量身定制，帮助他们选择最佳投入和农场管理策略，以实现产量和生产力的最大化。
融资：FBN也开始了对自助金融服务的试验，利用来自实际农场的历史和预测数据来确定信用度。没有运行信用检查，FBN是否能够达到97%以上的回报率。
采购：从化学品开始，FBN开始为网络农民提供采购服务。鉴于FBN获得大量投入定价数据集，可以代表数千名农民以更大规模进行采购，该公司相信它可以更好地定价和降低投入成本，同时在每次交易中获得9%的佣金。早几个月的平均票面规模为45000美元。
连载（共7篇）
人工智能与金融行业——高盛报告:人工智能、机器学习和数据……（四）
[/url]
京公网安备 11010802022788号
