近日，CBInsights发布报告《2018人工智能趋势展望》（Top AI Trends To Watch In 2018），提出了13项2018年人工智能值得关注的发展趋势。本文将基于这份报告的内容，根据部分具有前瞻性的洞察和观点进行解读，并配合实际案例以便更好地理解。
一、新型制造业岗位“机器人保姆”
众所周知，发达国家从劳动密集型产业向技术密集型产业转型过程中，会将低端和中端制造业外包给劳动力成本较低的发展中国家。中国正在经历这一过程，例如服装市场中已经出现了“Made in Vietnam”或“Made in Thailand”。然而， 随着工业机器人技术的进步和使用，外包不再是唯一选择，发达国家本地生产的成本变得更低，美国制造业雇员人数正在上升 。
（美国制造业雇员人数年际变化）
中国服装制造商天元服装公司在美国阿肯色州小石头城设立工厂，使用由格鲁吉亚的创业企业SoftWear Automation开发的缝纫机 机器人 ，来为Adidas生产服装。2017年，天元服装公司与阿肯色州签署合作协议，在其工厂雇佣400名员工，负责机器人的操作和维护，每人时薪14美元。 当越来越多繁重的生产工作将由机器人来完成时，人类将从事更高档的工作——机器人保姆 。然而，不断变化的消费者偏好阻碍了全自动化的发展，在亚马逊高度自动化的仓库能够反映这一点。亚马逊的协作型仓库机器人执行大量繁重的工作，而一些微妙的任务仍需要工人完成，比如从货架上挑选物品，并将它们分成单独的订单。
此外，在“非结构化”环境中，机器人在抓取、拾取和处理项目方面仍然不够完美。亚马逊已经在各种仓库中使用了10万多台机器人，但同时也创造了数千个新的工作岗位 。
二、国防的未来取决于AI
世界的战场正在向数据中心转移。早在2014年，亚马逊就为美国中央情报局建立了定制云计算服务，满足其对敏感数据的严格监管要求。在2017年第四季度，亚马逊云计算服务平台AWS向情报机构以外的其他政府机构开放了工具和服务。亚马逊还收购了两家网络安全公司，Harvest.ai和Sqrrl，用于保护云中的敏感数据。 不管是亚马逊，还是为政府客户提供服务的新公司，人工智能将成为政府支持下的网络安全支柱 。
在冷战时期，各国政府都在谈论他们的“导弹差距”，或者他们在核弹头方面相对于对手的劣势。现在，各国政府在网络能力方面的差距越来越大。因此，网络安全与传统防御的世界正在融合。
在过去5年里，共有134家初创AI网络安全公司在获得36.5亿美元的私募股权融资。 去年，约有34家公司首次融资，在Cybereason、CrowdStrike、Cylance和Tanium等大公司主导的市场中竞争，每家公司的估值约为9亿美元。
（AI网络安全创业公司进入由独角兽控制市场的阶段）
甚至像埃森哲这样的传统咨询公司，也一直在扩大其在网络安全领域的技术，以更好地服务于政府客户。一个值得注意的交易是初创公司Endgame，它有像美国空军这样的客户。Endgame将其政府服务部门出售给了埃森哲。
2016年，美国情报界的风投公司In-Q-Tel资助了Anomali、Interset和Cylance 。英国的Darktrace公司声称其网络安全系统在全球超过3000个区域进行了部署，其中包含政府。总部位于美国科罗拉多州的Logrhythm公司与美国空军、美国航空航天局和国防承包商雷神公司合作。
其他国防承包商也在进行投资。洛克希德·马丁公司是Cybereason （目前公司估值超过9亿美元）的早期投资者。在2017年，波音公司投资了德克萨斯的网络安全初创公司SparkCognition。
三、白领岗位自动化加速
AI专业自动化和增强软件平台，正在提升着生产效率，并威胁着越来越多的白领阶层 。下面的企业图谱，突出展示了一些初创公司的专业自动化和增强软件，这些领域包括律师、记者、财富管理人员、交易员和咨询师等多个行业。
（EAAS企业图谱）
例如，人工智能有巨大的潜力来减少时间和提高法律工作的效率。在诉讼方面，自然语言处理可以在几分钟内整理出数千页的法律文件，而这项任务可能需要一名人类工作人员耗费几天时间才能完成。同时，机器也降低了出错的概率。 随着人工智能平台变得更加高效和商业化，这将影响到按小时收费的外部律师事务所的收费结构 。程序员的工作也不能幸免。一些初创公司专注于开发AI系统，用于软件测试、调试和基础前端开发。去年最热门的一款产品是英国的DiffBlue公司，该公司正在开发AI系统完成自动编码任务，包括bug修复、自定义代码开发以及将代码从一种编程语言转换到另一种编程语言等等。
四、胶囊网络：CNNs的“接班人”？
近年，卷积神经网络（CNNs）是深度学习中很流行的一项技术。然而， 一项新算法“胶囊网络”出现，并有望在多个方面胜过CNNs 。CNNs尽管取得了一定的成功，但其缺陷可能导致性能不足甚至安全漏洞。研究人员正在寻找改进人工智能算法和克服这些缺陷的方法。下图展示了一个典型的案例，一个CNNs网络虽然能够识别出人脸特征，但却将第二幅图像误认为也是一张人脸。
（CNNs缺陷）
Geoffrey Hinton于2017年发表了一篇研究论文，介绍了“胶囊网络”的概念，也称为CapsNet。论文正在审查阶段，还需要在实际场景下进行测试，但这一消息已经在媒体和科技界引起了很大反响。胶囊网络能够更容易地识别出当人脸的特征（如位置）被重新排列时，则不再是一张人脸。
（capsule networks优势）
此外，CNNs无法处理不同的输入数据变化 。例如，研究者必须从不同角度或视角对同一对象的图像进行训练，以确定所有的变化。因此，它需要大量的训练数据来涵盖所有可能的变化。Hinton声称，胶囊网络在这方面的表现优于CNNs，它们仅需要较少的训练数据，并且在不需要对各种变化情况进行详尽训练的情况下，考虑对象的相对位置和方向。
