機器學習與人工智能在數(shù)據驅動型商業(yè)項目中發(fā)展迅猛，幾乎遍布每個角落。這里我選了幾個可能還未被大公司吞食的領域。

　　「鋤頭和鏟子」 戲碼

　　即在那次加利福尼亞州淘金熱中，鎬鍬承包商大賺了一筆(然而探礦者的貢獻被忽略了)。機器智能的鎬與鍬就是硬件、數(shù)據輸入端及(有爭議的)算法本身。

　　1.很明顯，機器智能算法的開發(fā)大多數(shù)都是開源的。當然也有例外——去年，哈佛大學申請了一項有效替代 BackProp 算法的專利，即 Feedback Alignment Algorithm ——我想知道，他們打算如何使之商業(yè)化?幫助人們方便利用學習算法的高質量 SaaS 產品，會找到有這方面需要的用戶，而且 MetaMind，正將深度學習技術帶入數(shù)據集，它們就是這樣一家公司。另一個我喜歡的項目叫做自動統(tǒng)計專家(The Automatic Statistician)，它利用貝葉斯推理(Bayesian inference)找出數(shù)據擬合的最佳模型。Curious AI，是一家通用人工智能(General AI)公司，它們的第一個商業(yè)項目就是垃圾分類(中規(guī)中矩的盈利模式范本)，據報道，公司旨在以工具包的形式出售人工智能軟件。

　　2.大公司可以接觸到龐大數(shù)據庫，還能獲取更多的數(shù)據。不過，到目前為止，大公司的關注點都集中在一些唾手可得的成果上，比如社交或商業(yè)數(shù)據，因此，創(chuàng)業(yè)公司仍有機會在某些領域大展拳腳：難以獲得數(shù)據以及(或者)難以標簽化數(shù)據的地方。Affectiva 的臉部表情回應數(shù)據庫就是這個類型，還有 Pallas Ludens(端到端數(shù)據注釋服務)，以及 opensensors.io(為傳感器數(shù)據公共資源附加價值)?；蚝歪t(yī)學圖像數(shù)據——受制于某些棘手的隱私問題——會讓個性化治療、護理以及更好的診斷成為可能。這方面，看 Genomics England 公司是個好例子。

　　3. 硬件前沿，GPUs 已經讓一些巨大進展成為可能。(一張NVIDIA GeForce GTX Titan就能讓我檢測蝙蝠的音頻信號)　

　　蝙蝠信號的聲譜圖(下圖)及ConVnet預測(上圖)。

　　但是，這些只是圖像處理器。高效學習以及推理的 下一個拐點，會來自為機器學習特別設計處理器這一領域。Graphcore 稱之為智能處理器單元(Intelligent Processor Units)。同時，Nervana Systems， Teradeep(Yann LeCun 擔當顧問)以及 Thinci 正在打造他們自己的定制硬件。將一些對教育有幫助的公司(Udacity, Coursera, Kaggle 等)，或管理代碼庫和項目的公司(比如 Atlassian，上市準備中)包括進來，也是很有意義的。

　　情感開發(fā)

　　眾多初創(chuàng)公司在這個領域的表現(xiàn)都差強人意。正如 MIT 的情感計算小組(Affective Computing group)所言：

　　情感對于人類體驗來說至關重要，它影響認知、觀念、以及學習、交流、甚至理性決策等日?；顒?。然而,技術人員卻大大忽略了情感的作用并為用戶創(chuàng)造出一種經常讓人感覺挫敗的體驗...　　

　　用來訓練一個微表情探測器的圖片

　　第一個任務是訓練識別人類情感的模型。Emotient，RealEyes 及 Affectiva，都使用了臉部表情來推理情感，目前(看起來)很大程度上是一種營銷手段。Cogito Corp 及 Beyond Verbal 關注的是從語音中解讀情感線索，進而展開市場調研，提供更好的用戶體驗。

　　接著是模仿情感行為，比如，為了和人類自然互動。那個「友善」的機器人 Jibo，就是只用一只「眼睛」表達情感的絕佳的例子。盡管未能找到其他例子，不過，一定會出現(xiàn)比較便宜的、具有自適性和回應性的機器人玩具(比如Paro，治愈系海豹機器人，不過僅供娛樂)。這些機器人的優(yōu)勢在于，避免了對話性機器人玩具隱私方面的擔憂，比如像 Toy Talk 及 Mattel 的 Hello BarbieTM，至少在聲音的本地化而非云端處理后。

　　另一些應用包括個性化保健與教育、沖突解決方案、協(xié)商訓練，以及自適應游戲。這些領域看起來很適合運用機器學習，因為情感體驗是主觀和多變的。

　　行業(yè)滲透

　　機器智能是否會讓人類勞動力顯得多余，對此，我持觀望態(tài)度，不過我會指出，它當然會有望幫助人類完成許多專業(yè)任務(而且在這一過程中，能為消費者在金錢方面提供更好的選擇和價值)。

　　這些技術能做什么?拿法律行業(yè)為例，Ravn Systems 實現(xiàn)了法律工作中(重復而單調的)文件審查自動化;Bitproof’s Peter 是一個人工智能法律助手，能請求簽名，生成合同以及證明文件;Premonition.ai 使用數(shù)據來搜索司法審判中的無意識偏見。

　　在招聘，保險，財務管理等領域，類似工具能讓專業(yè)人士將更多的時間花在工作上更加讓人滿意的方面，諸如鍛煉判斷力，進行決策以及娛樂客戶。

　　醫(yī)療改革

　　藥物發(fā)現(xiàn)總是昂貴而有風險的，需要相當?shù)闹腔?。但是，加入你能用?shù)據減少風險，找到更好的藥物研發(fā)目標，會怎樣?這是 Stratified Medical 的假設，運用深度學習進行藥物發(fā)現(xiàn)。

　　另外，Enlitic 和 Zebra Medical 尋求運用深度學習來開發(fā)精確的診斷/決策支持工具，而 Your.MD 已經與英國國家衛(wèi)生服務組織合作，開發(fā)提供個性化健康援助的 app。

　　搜索優(yōu)化

　　「什么電影來著，有個我妹妹喜歡的德國演員...和外星人有關...很朋克的那部?」

　　搜索軟件需要處理不準確、主觀和個人的信息，就像人類做的那樣。它需要幫助我們從一堆龐雜信息中，發(fā)現(xiàn)與之相關的內容。這一過程包括學習文本和內容特征。事實上，這需要一篇博文的篇幅來講清楚，不過，這里有些例子：

　　Clarify 通過API使得音頻和視頻變得可檢索。它就是掃描文本，找關鍵詞來確定相關性，一個很贊的省時應用。

　　Lumi 根據瀏覽歷史來推測你的品味，提供相關流行內容。

　　Youssarian Lives 是一個能夠進行側面連接的搜索引擎。

　　EyeEm 已經將機器學習用于圖片市場，這樣，無需便簽就能進行搜索特征，比如「愉快的」和「多雨倫敦」，而 Cortexica 及 Sentient Technologies / Shoes.com 也以類似的方式重新定義產品搜索。

　　搜索相關性的一個必要方面，當然是「值得信任(trustworthiness)」，這樣，社交媒體及新聞網站的內容和主張的就能進行驗證或根據真實性評分。有人在做這個嗎?

　　網絡安全

　　網絡安全領域的機器學習已經吸引了大批風險資本(例如，Lookout 的 2.82 億注資， Vectra Networks 獲得了 7800 萬，Darktrace 的 4000 萬，以及 Cybereason 的 8900 萬)，但是，一系列壞消息(比如最近 TalkTalk 用戶數(shù)據被黑)表明市場仍有相當大的缺口。

　　雖然就像任一片紅海一樣，但是，還是難以區(qū)分許多擁有表明相似產品的初創(chuàng)公司。在這方面我無疑有著更多的工作，也會密切留意網絡安全初創(chuàng)公司方面的加速器 Cyber London。

　　有太多應用領域了，很難去僅僅關注一兩個。

　　對新數(shù)據集的研發(fā)和應用的步伐正使得機器智能成為一個如此令人興奮的領域。尤其是，此刻的倫敦蘊藏著真正意義上的動力，靠近世界級學術機構的東道主(倫敦帝國學院，英國倫敦大學，哈佛和劍橋)，擁有一個已經建立起來的創(chuàng)業(yè)生態(tài)系統(tǒng)(例如，Entrepreneur First加速器積極擁抱機器學習型人才)，還有成為目標客戶中心——金融，法律及政治——的地理位置。