至顶网CIO与应用频道 03月15日 北京消息:人工智能是一个模糊的大概念,越来越多的企业开始使用人工智能来推动数字化转型,伴随着人工智能的逐渐成熟,将催生新的数字业态以及商业模式。当然在这个过程中企业还需要重新思考文化、思维模式和商业模式,而不是孤立的技术项目。
人工智能投融资的那些重点
目前可以将中国主流AI企业分为语音识别与自然语言处理、计算机视觉、服务机器人、机器学习平台、AI综合性企业、专用芯片、智能驾驶、金融、教育、医疗、交通等11个大类,其中包含了4类重点技术产品领域、6类重点应用领域,以及AI综合性企业。
各领域已经产生了一些代表企业
语音识别与自然语言处理:科大讯飞、思必驰、出门问问、今日头条、图灵机器人、三角兽科技等
计算机视觉:旷视科技、海康威视、商汤科技、格灵深瞳、依图科技、云从科技等
服务机器人:新松计算器人、科沃斯、优必选、未来伙伴机器人、小i机器人等
机器学习平台:第四范式、达闼科技、KunlunAI
AI综合性企业:百度、阿里、腾讯、京东、搜狗等
专用芯片:寒武纪科技、中星微电子、深鉴科技、西井科技、华米等
智能驾驶:驭势科技、蔚来科技、图森互联、Minieye、纵目科技等
金融:蚂蚁金服、益盟股份、鹏元征信、腾讯征信、量化派、数联铭品等
教育:英语流利说、一起作业、学霸君、作业帮等
医疗:华大基因、卫宁健康、碳云智能、翼展科技、明码生物科技等
交通:四维图新、高德地图、超图软件、滴滴出行、千方科技等
就像资本市场几年前对云计算厂商的青睐一样,人工智能成了新一代投融资的风向标,刚才列举的这些企业在融资上都有着不错的表现,基本都已经实现B轮或C轮的融资,金额也都在数亿到数十亿美元不等。
2017年,全球5起融资最高的事件中,中国企业就占4家,分别为蔚来汽车16亿美元、旷世科技4.6亿美元、商汤科技4.1亿美元、明码生物科技2.4亿。
据创投分析机构CB Insights统计2017年间全球AI新创企业共1100家,在数量占比上美国依旧领先于中国,但在全球AI资金方面,国内新创企业拿到了48%,而美国则为38%。
目前在人工智能的投资上有四个重点关注领域,第一、计算机视觉,这是目前应用较多的一个领域,也有着很高的回报率,其成熟度低于自然语言处理;第二、深度学习,很多互联网企业和硬件设备厂商已经开始做深度学习一体化的产品和服务;第三、服务机器人,还属新兴领域市场空间广阔,在工业和服务领域将有很好的应用前景;第四、智能无人设备,其在家庭、教育、医疗等多个领域拥有应用场景。
是时候该有一个人工智能规划了
根据Gartner的调查结果,有意义的人工智能(AI)部署才刚刚开始。Gartner “2018年CIO议程调查”显示,4%的CIO实施了人工智能,46%的CIO制定了相关计划。
现在很少有企业大规模的部署人工智能,因为与大多数新兴或不熟悉的技术一样,早期采用者在其企业组织中部署人工智能仍然面临许多障碍。
企业应该投入一些时间和资源去了解人工智能技术,标准化的业务流程、简单单一的问题、辅助决策是现在企业最先考虑的应用领域。许多企业都已经可以实现一些不太复杂的人工智能应用来提高效率以及提升服务体验。
另外人才短缺同样是当前人工智能领域的一个大问题,全球AI人才估算约为30万,市场整体需求则在百万以上,再加上人才分布不均,对于人才的争抢也日益激烈。
中国人工智能人才缺口也超过500万,现状上看人工智能创业企业多且迅速,不仅需要具备专业技术,还需要拥有toB经验,这也是人才问题难解的重要因素。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。