來源：medium 譯者：張巨巖 作者：Shivon Zilis
作者簡介：Shivon Zilis是Bloomberg Beta的合伙人和創始人之一。她關注對數據和機器學習的早期投資，特別著迷于智能工具和業界應用。她的投資包括了Newsle、Context Relevant、Alation、InfluxDB、以及Tule Technologies。就像每個加拿大人一樣，她在業余時間會玩曲棍球和滑雪。她有耶魯大學經濟學和哲學的學位。
一年之前，我發表了我第一次嘗試比對整體機器智能生態系統的圖景。自從那以后發生了很多事情。我花了一年時間研究每個公司和所有我能找到的信息、與成百上千的與機器智能相關的學術界、企業界和投資商聊天。今年，考慮到活動的大爆發，我的注意力著重突出創新領域，而不是試著綜合所有信息。隨著我們步入2016年。
圖1展示了機器智能的新圖景
雖然有雜亂的夸張宣傳（這有時會產生誤導），機器智能已經在一些有價值的途徑中使用。機器智能已經幫助我們更快地得到我們需要的重要業務信息，監視重要的系統，更加有效率地為我們人類服務，減少了健康護理的成本，更早檢測疾病等等。
自從我去年開始做這個分析，我注意到的兩個最大的改變是：
（1）實際和虛擬世界里的自動系統的出現；
（2）創業公司從構建寬泛的技術平臺轉型到注重解決特定業務問題。
對整體景觀的思考
隨著焦點從“機器智能是個黑匣子”轉移到立刻輸出實際價值上，有很多種方式將一個機器智能創業公司帶入市場中。（進入市場的方式和要解決的業務問題一樣多。我寫過博文展示了很多選擇。）大部分機器智能創業公司使用已有的機器學習方法，有些方法超過10年，應用在新的數據集和工作流程中。大公司仍然有其固有的優勢，如海量數據，客戶信息——雖然創業公司想方設法進入相應領域。
完成自動化
去年的概覽中，焦點大部分著重于虛擬世界的機器智能。這一次，我們在現實世界中來看待它，在很多種類的自動化系統中：自動駕駛車、無人機、不通過硬編碼（hard code）完成多種任務的機器人。這仍然在早期——大部分系統只是剛剛能用而已，雖然我們期待著那會很快改變。
這些現實世界中的系統正在出現，因為它們融合了很多現在機器智能領域正在成熟的研究方法。電腦視覺，深度學習和強化學習的結合，自然語言交互接口和問答系統都是讓一個現實系統自動化和可交互的基石。在今天，在開發這些系統過程中，整合這些方法和開發新方法一樣重要。
人機交互中的新進展
虛擬世界也變得越來越自動化。虛擬代理有時也稱為機器人（bots），使用談話界面（想想Her，這部電影，當然沒有那么有魅力）。這些虛擬代理中的一部分是全自動化的，其他的則是“人在環中”系統，在這種系統中，算法處理機器能夠解決的子任務而人類在這基礎上添加創造性或者執行力。（在一些系統中，人類工作時的數據可以用于訓練機器人）。用戶則通過使用自然語言打字或者說話來和系統交互，而代理也用同樣的方式響應。
這些服務有時給了顧客一種困惑的體驗經歷，就像某天我需要聯系手機客服時的一次經歷。我不想和任何人說話，所以我打開了在線聊天窗口。這是我人生中“最人類”的一次客服經歷，它如此怪異地完美，以至于我很好奇我是在和人還是機器人，或者是兩者的結合交流。然后我就在想這種好奇是否有意義，因為我有了一次美妙的體驗，并且我的問題也解決了。我對聊天窗口的另一端很感激，不管他是不是機器人。
一方面，這些代理可以表現得很專業，使用客戶支持、研究、項目管理、日程安排和電子交易來幫助我們。另一方面，他們可以很個性化，也許我們正在接近Her（電影）——有了微軟的浪漫的聊天機器人小冰，自動化情感支持也已經出現了。
50度灰市場
至少我讓自己笑了。
許多機器智能技術將會從監管灰色區域開始轉變商業世界。這里有一個短名單：健康護理（自動化診斷、依據基因組的早期疾病檢測、利用算法的藥物發現）；農業（傳感器或者視覺為基礎的智能系統，自動種植車）；交通和物流（自動駕駛車，無人機系統，基于傳感器的車隊管理）；金融服務（高級信用決策）。
為了克服進入市場灰色區域的困難，我們將會見到一些不同尋常的策略：
創業公司正在創造一個全球套匯（如，健康護理公司在新興市場上買賣，無人機公司在監管最不嚴格的國家中進行實驗）
“雷達下飛行”策略。一些創業公司非常謹慎地在灰色區域的安全地帶運營，低調并盡可能地躲避監管討論。
如谷歌、蘋果、IBM這樣的大公司正在尋找機會，他們很耐心因為他們有足夠的資源，并且最有可能影響監管機制的改變—他們影響監管制度是他們的一個優勢。
創業公司正在考慮增加早期資金，來抵抗不可避免的法律糾紛并更早地面對監管障礙。
你的（業務）問題是什么？
一年以前，企業掙扎著試圖理解機器智能服務（一些最令人困惑的部分是在這個圖景（landscape）中的“平臺”部分）。當我和一個潛在的企業客戶聊天時，我經常聽到這樣的東西，“這些公司試圖賣給我騙人的萬靈油”或者“他們都不能給我解釋他們做了什么。”
這些公司想要知道這些技術能夠解決當前什么業務問題。他們不在乎這個技術本身。機器智能公司，另一方面，就想要聊他們的算法和他們的平臺可以解決成百上千的問題（這通常是真的，但是這不是關鍵點！）。
兩件事的發生能夠幫助創造一個更有生產力的中間地帶：
1.企業在成為“機器智能專家”方面投入重金。我在大約100家公司內調查，獲得他們對于如何看待機器智能這一問題的觀點。他們的答案很有見解，他們正在持續地改變機構來利用這些新技術，并且整個機構很多不同角色的人都很關心這個話題（從CEO到技術主管再到產品經理）。
2. 許多機器智能公司終于明白他們需要說出“解決業務問題”語言。他們將特定業務問題的解決方案打包為一個個產品并以此推銷他們自己。他們經常與一家公司合作來創造一個獨特的解決方案而不是只是出賣技術本身，兼教育者和執行者于一身。一旦商業界了解了新的問題可以用機器智能來解決，這些創業公司就有可能做一筆傳統方式的技術交易。
偉大的垂直化
我記得讀過《誰說大象不會跳舞》（Who Says Elephants Can’t Dance）并且被如IBM之類的標志性技術企業孤注一擲的冒險精神所震驚。（這是我離開大學為他們工作的原因之一）現在IBM看起來準備打算試著做另一次孤注一擲的轉型——從一個橫向技術供應商直接轉型為縱向。而且為什么Watson不能成為一個醫生或者一個看門人？這是一次大膽的嘗試。
不僅僅是IBM：你很有可能只用谷歌的項目就能做出整個機器智能圖景（landscape）。（如果有人進一步嘗試了，我很想看看）
你的錢很好，但是多說說你的數據
在機器智能世界，創立者正在推銷他們的公司，正如我去年所建議的一樣——但是這不僅僅是錢的問題。我聽一個創立者說，他們僅僅對一種收購方式感興趣，也即收購方有正確的數據集來使他們的產品運作起來。我們也會聽到這樣的說法，“我不會談這些，但是，考慮到我們的產品，如果X打電話來，那恐怕就很難拒絕了。”在這樣的談話中，X通常會是Slack，谷歌，Facebook，twitter等——有數據的公司。
直到近期，在機器智能人才方面有一個秘密：加拿大！在“AI冬季”，也就是這個技術在80年代和90年代淡出人們視線時，加拿大政府是為數不多的投資AI研究的實體機構之一。這種支持促成了深度學習之父“Geoffrey Hinton”、“Yoshua Bengio”和“Yann LeCun”的出現。
加拿大繼續成為機器智能前沿的中心。作為一個坦率又自豪的加拿大人，和如AICML小組共事來商業化高級研究、和“Machine Learning Creative Destruction Lab”實驗室共事來支持創業公司，并舉辦活動將機器智能世界名人聚在一起，我感到很榮幸。
機器智能相比去年更火，不管在大公司還是創業公司中。明年，這些技術的實際應用將會興盛起來。大部分新加入此行業的人會避免研究通用技術解決方案，取而代之的是，在特定業務目標中應用機器智能。
我迫不及待的想看到更多實際但以特定業務為重心的技術的結合。幾年之前，一個叫做Orbital Insight公司的目標看起來不切實際——等等，你想要用衛星和電腦視覺算法來告訴我中國的建筑業的增長速度？——現在聽起來很熟悉了。
相似地，研究人員正在做一些讓我們驚訝的事情。他們正在解決一些我們從未想過會有可能的問題，像創造“仙女教母”無人機來幫助老人，能夠偵測創傷后應激障礙（PTSD）微妙跡象的電腦視覺，能夠移除癌癥病變組織的自動化手術機器人和解決飛機WiFi問題（開玩笑的，沒有機器智能可以做到這點）。
總體來說，代理會變得逼真，自動化系統會更加普遍。機器智能更加……智能。我期望來年會有更多的“魔法”出現。
