人工智慧搶工作!這5種行業風險高

人工智慧搶工作!這5種行業風險高
▲面對人工智慧的衝擊,哪五種職業影響最大呢?(圖/翻攝自ZDNET)

文/機器人庫

近年來,人工智慧(AI)、深度學習(deep learning)、機器學習(machine learning)、AR、VR等形形色色的創業團隊鯨吞了市場上相當一大部分的投資。所有這一切好像跟我們相關,但好像離商業價值又那麼遠,那麼,接下來的幾年,人工智慧將會給哪些領域帶來變革與機遇,哪些行業又將會被顛覆呢?

由於人工智慧的發展需要資料的訓練,那麼這些人工智慧相關的技術如果按照資料處理和應用的生命週期來劃分,可以歸結成三大類人工智慧技術:基礎類人工智慧技術、分析類人工智慧技術、應用類人工智慧技術。如果將這三類技術作為縱坐標,以行業垂直領域作為橫坐標,可以將現在中國範圍內的人工智慧競爭領域劃分成如下的一個行業結構圖:

在這個行業佈局中,人工智慧企業在縱向上的發展是基於技術的發展來打通的,也可以說是技術供給驅動的;而橫向上的發展是基於需求來進行驅動的。

1)    縱向分析: 目前AI的應用涉及到相應專業化的資料獲取,這就需要底層專用硬體的支援。而根據資料生命週期,在資料的生命歷程的各個環節——收集、連結、準備,認知、分析,預測——都會有不同的企業進行分工。有些企業能夠打通資料上週期的多個環節,形成端到端的交付能力。

2)    橫向分析: AI最容易影響的領域往往是資料準備度高的行業,例如在人工智慧發展上現行一步的金融、醫療等行業。在不同的行業上,人工智慧的應用場景也不盡相同,以下將分行業來進行分析。

a)    醫療 代表情境:輔助診斷;自動診斷;醫療機器人;健康預警系統;虛擬臨床試驗


▲人工智慧可協助醫師管理病患資料,從根本上改變醫療現況。(圖/取自Pixbay,下同)

隨著電腦視覺的不斷發展,自動診斷將會在醫療的最底層得到廣泛應用;個人醫療健康資料系統的建立,可以改變現在從病人口中描述病狀的狀態;大規模的病例和從移動可穿戴設備中採集的個人健康資料,在人工智慧的分析下,可能改變分配給臨床醫師的認知任務,並可能從根本上改變醫療輸送系統。

醫療機器人的出現可以改變臨床手術的順序,一些簡單的傷口縫合,沖洗傷口等工作可以由永遠不知道疲憊的機器人替代;健康預警技術的成熟可以避免很多疾病的出現;老年人和術後病人的看護問題也將得到解決,個性化的情感機器人和按需定制的服務機器人會對健康護理,陪護等行業產生影響。

更加智慧的聽力助手,視覺輔助設備,身體輔助設備,可以讓在身體上有創傷的人得到更好的生活。虛擬臨床試驗系統的出現,可以極大提高臨床醫學的發展速度,讓科學工作者從等待中解放出來。

b)    金融 代表情境:智能投顧;風險監控



 
智慧的投資理財機器人,可能改變人們對理財的理解,金融市場由於資訊不平等產生的風險,可能會在一定程度上面得到規避。有了大量資料登錄的人工智慧,可以對金融市場的走向進行較為準確的預測,並給出合理的建議。銀行業大規模應用的智慧客服,會讓人們得到更好的理財服務;聊天機器人的普及,使得銀行不再需要櫃員。

c)    政府 代表情境:智慧交通系統;公共安全監管;社區升級;宏觀經濟監控和預測


無人車的普及使得車輛的整體調度得以實現,交通線路選擇,停車難,堵車等問題得到解決。更加寬廣的路面監控系統和精准人體身份識別的結合,可以有效識別犯罪行為和可疑路人,讓員警迅速抓捕罪犯,有效降低犯罪率。

智慧社區的出現,可以合理分配社區周邊資源,規劃社區設施配給,豐富社區居民的生活,提高生活幸福度。宏觀經濟的監控和預測也會逐漸成熟,政府對宏觀經濟的調控會依賴人工智慧給出的建議。

d)    製造 代表情境:智能流水線;無人廠房


機器人的迅速發展使得傳統製造業不再需要大量工人,智慧流水線的出現讓工人們從繁重、重複的體力勞動中解脫出來,智慧調節廠房內的各項指標,分配資源,從而實現無人廠房。

e)    商業分析與決策 代表情境:輔助決策系統;預測系統

人工智慧結合各個企業的自有資料和共用資料,可以做到分析行業發展狀況,輔助老闆決策企業的發展方向,預測並規避可能發生的各種風險。

中國企業玩家分類及各自的速贏策略

在行業佈局中,由於不同的人工智慧企業在縱向上打通的程度不同,橫向覆蓋的行業範圍也不同,總體上來說,我們可以將現有市場上的人工智慧企業分為五種類型的玩家:

1)    硬體驅動者:這類企業的速贏關鍵因素是硬體集成性,計算能力;一體化能力。GPU的計算能力是毋庸置疑的,深度學習如果沒有GPU的計算加速就不會發展的這麼快。

為了在市場上佔有一席之地,各大硬體廠商爭相推出適合機器學習硬體設備,在GPU晶片方面,Nvida很早就開始佈局,推出了很多款不同配置的GPU晶片,佔領低中高端市場,並專門為深度學習推出了GeForce 1080P和Tesla K40和K80,尤其是GeForce 1080P因為其極高的性價比,一經推出,一卡難求;Intel不甘人後,推出了適合深度學習的大規模參數伺服器;Google有深度學習的一體機,並計畫開放雲端的計算資源;Amazon在AWS上面推出了擁有GPU資源的機器。

2)    入口佔有者:也就是把握住資料供給和需求的埠的企業。這類企業的速贏關鍵因素是資料和需求的察覺和採集。每個行業都生產不同的類型的資料,但是資料類型單一,資料缺乏系統的治理,無法形成資料資產,在企業應用資料的過程中,不可避免的需要各種外部資料,就產生了資料需求。

一些公司針對這種情況,著眼於對資料的治理,彙集,針對每一個行業的資料需求的理解和採集,構建資料市場,並且針對外部資料進行彙集,治理,分析,產生更具價值的資料,累積屬於自己的資料資產。當這部分資料資產積累到一定程度,會形成資料壁壘,掌握上下遊玩家的資料流程向。


3)    演算法服務提供者:指擁有巨量的演算法並提供服務的企業。這類企業的速贏關鍵因素是演算法的可複製性、可擴展性;演算法開發的速度。由於開源社區的活躍,演算法本身已經無法形成較高的競爭壁壘。

很多開源演算法包已經能夠滿足使用者的需求,例如,如果在資料量很大的情況下,可以用TalkingData推出的大規模機器學習演算法包,fregata;否則可以用python中的sklearn、java的weka等。在深度學習方面,開源的深度學習框架caffe,google推出的開源框架tensorflow,還有Torch,百度的Paddle等等,都能夠很快搭建深度學習模型。

但是開源的演算法在某些場景下並不能很好的發揮作用,所以有些公司仍然提供更加專業的演算法模型訓練的服務,以説明企業規避模型訓練帶來的風險和成本,比如Explosion,如果客戶對模型結果不滿意,就不收費;這類公司擁有專業的數學、工程方面的人才,通常對某些問題有自己的解決方案,在演算法的優化,模型的訓練上面積累了大量的經驗,從而能夠提供高效優質的服務。由於演算法科學方面人才的緊缺,有些平臺可以讓演算法科學家把自己研究的演算法代碼放上去,使用者按照調用次數付費。

4)    垂直領域玩家:垂直領域玩家指代在探索資料在行業的智慧化應用的垂直行業的公司或服務於垂直行業的科技服務公司。這類企業的速贏關鍵因素是對於該垂直領域需求的深耕和閉環的運營。

在探尋智慧行業應用的過程中,通常以自身行業應用場景和需求為出發點,圍繞新興資料的生命全週期,快速構建“資料平臺層、資料分析層、資料應用層”的智慧化應用建設體系,挖掘出契合、提升自身傳統業務體系效率或模式的資料智慧化應用,實現行業產能的提升。

以醫療科技公司Lifegraph開發的移動健康產品為例,智慧可穿透設備為即時採集使用者健康資訊的資料提供了可能(基礎層),其圍繞醫療專家智庫建立智慧化情感與健康識別模型(分析層),即時醫師與病患家屬提供病患健康資訊(應用層),保障病患異常資訊被有效監測,從而降低病患事故。

感測器技術的發展,為Lifegraph拓展了資料來源的豐富度;通過與專業醫療機構合作夥伴的合作,快速定位移動醫療健康產業需求,並獲取專家知識能力,開發垂直領域資料產品,形成行業競爭優勢。其他垂直領域案例還包括:Tele-Lauguage的醫療智慧代理語音治療;Mapquest的智慧交通規劃;K-12的教育輔助機器人;螞蟻金服的芝麻信用等等。


5)    生態領域玩家:生態領域玩家是指能夠建立起跨行業、跨業態,貫穿資料生命週期的資料平臺、分析平臺以及應用平臺的智慧資料科技公司。這類公司通常具備極強的平臺技術能力,通過平臺向合作夥伴提供資料整合能力、資料分析的演算法能力;並最終在平臺上實現橫向差異化、縱向專業一體化的資料應用服務能力。

生態領域玩家快速建立行業壁壘,形成競爭優勢的核心是:一是具備較強的資料平臺與自有資料優勢,支撐生態合作夥伴的資料整合,説明生態上的合作夥伴的資料交換與整合,加速完整的資料視圖的構建,實現各場景化資料的有效支撐。

二是具備較強自有資料科學優勢,與合作夥伴進行能力互補,依託合作夥伴垂直領域的專業性,快速構建行業智慧資料分析能力,實現對多維度數據的鑽取,加速從資料到資料價值挖掘的進程。

三是具備較強的客戶管道優勢或品牌優勢,以合作夥伴為應用驗證場景,加速垂直領域智慧資料應用的形成,快速複製並輸出。

以Google為例,Google生態中的Niantic Labs與任天堂的資料與技術合作推出了風靡全球的Pokemon go;百度生態中的百度聯盟以平臺為支撐,與廣告生態商的資料合作,形成國內最大的網盟之一;蘋果移動設備的功能生態與IBM達成合作,通過IBM的集客資源與大資料能力,打造更加垂直的商業應功能等等。

【本文經機器人庫同意授權刊出】

留言

延伸閱讀