美国专利商标局(USPTO)于10月27日发布的一份新报告显示,在2018年所有新的技术发明中,有42%的发明涉及到了人工智能。
这些发明大部分都来自于知识处理和计划/控制领域,即分析信息以获取新见解以及利用这些见解来管理业务流程。
首席信息官们仍然在谈论人工智能技术的重要性,但是这份新的报告则表明,如果企业还没有将这些言谈付诸实践,他们就将落后于潮流。因为这些统计数据只到2018年的年底,所以对于那些还没有开始采用这种技术的公司来说,落后的风险只会比报告里显示的更大。毫无疑问,在过去的18个月中,包括人工智能在内的技术的使用率一直在增加。
这份报告还证实企业高层对这种技术的兴趣正在增长,而且也更愿意考虑包含这些技术的新应用。该领域之内绝大部分的发明都可以被视为软件,一直到最近,申请人都很难获得这类创新的专利。可是,情况似乎已经发生了改变。
在这份报告中,美国专利商标局(USPTO)定义了八种组成人工智能技术的组件技术。首席信息官们应仔细研究其中的每一项,并决定如何将它们纳入现有或未来工作流程之中。下面列出的六个领域对于首席信息官们来说至关重要,他们应该对这些领域认真考虑。这些领域是按照美国人工智能专利申请数量从高到低的顺序排列的:
1.规划/控制——这类技术涵盖了工作流分析和检测可能发生的问题的方法。这个领域的例子是通过视觉、声音或者其他环境条件在生产工厂里检测潜在问题,然后用一个专家系统来识别并解决出现的问题。涉及到供应链优化的企业应该对这种人工智能的形式特别感兴趣,因为它们可以提高其系统的效率。
2.知识处理——这可能是首席信息官们在考虑使用人工智能技术时首先想到的事情,这个领域的例子通常是大数据的概念和数据科学学科。该技术涉及大量数据的分析,以获取可用于自动化系统的见解。该技术的实际用途包括大型银行或保险系统中用于自动检测的欺诈或会计错误的软件。使用计算方法来帮助实现大型数据收集的组织需要使用此技术进一步使其系统自动化。
3.人工智能硬件——《福布斯》杂志上最近的一篇文章就涉及了这个主题。尽管绝大多数的首席信息官们所服务的企业并不创建人工智能硬件,但是他们在考虑资本计算预算的时候,肯定会考虑到这方面的问题。
4.视觉——目前,受到这类技术影响最大的是医学领域,在这个领域中,图像处理技术可以帮助诊断并发现异常。该技术还可以被用于实现供应链优化,以保障装配和包装生产线的质量控制。
5.机器学习——这是另一个广为人知的名词,也是一个引起了人们极大兴趣的领域。它与知识处理存在着一些重叠,但是美国专利商标局(USPTO)将机器学习定义为可以从数据中学习的计算模型,这是很宽泛的一类模型。所有的技术公司都应该研究机器学习的方法,以提高其数据分析的能力并且提升其从数据中获取见解的能力。
6.语音——在语音识别方面,人们会想到Alexa、Cortana和Siri。尽管如此,该领域的人工智能还经常被用于自动响应系统中,该系统可帮助将客户转接到适当的客户代表那里,以帮助他们解决可能遇到了的问题。它还可以被用于帮助了解呼叫者的脾性,并为客户代表提供建议,帮助他们更好地位客户解决问题。
进化计算和自然语言处理是这八大技术领域的基础,这是当前技术进步的基础,但是对于首席信息官们和基于技术的组织来说,现在已经对这些基础没多大兴趣了。
通过了解这些技术组件的列表,首席信息官们可以看到很多领域,这些领域可能会因为将人工智能技术纳入到企业的标准操作程序之中而为企业带来竞争优势。考虑到专利授予率已经出现了上升,现在就是为人工智能创新寻求专利保护的最佳时机。首席信息官们需要继续考虑人工智能组件技术,并与他们的团队合作,以确保在公司中实施它们。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
Feedzai团队首次系统评估了AI模型理解散点图的能力,创建了包含18,000张图表的大规模数据集。测试十个先进AI模型发现,在简单计数任务中部分模型准确率超90%,但精确定位任务表现不佳,准确率多在50%以下。研究还发现图表设计对AI性能有轻微影响,为AI辅助数据分析提供了重要参考。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
KAIST研究团队开发出MG-Select系统,首次让视觉语言机器人具备"货比三家"的决策能力。该系统通过生成多个行动候选方案并利用内部评估机制选择最优解,无需额外外部验证系统。在真实世界测试中,机器人精确操作成功率提升28%-35%,某些任务改进达168%,为机器人在医疗、制造等高精度应用领域的发展奠定重要基础。