 ==>> 点击下载文档 |
人工智能立夏将至，渐渐渗透到我们生活上的各种细节。在金融、医疗、
广告、安防、教育、能源等方面具有颠覆性的潜力。我们看好语音识别在
生活上跟互联网生态圈的无缝衔接。而自动驾驶对于交通运输和汽车制造
业的革新，更具有无法估量的经济价值
2017年人工智能5大趋势预测：强化学习蓄势待发，过度炒作揠苗助长
MIT Technology Review最近发布了2017年人工智能的五大趋势预测，包
括了两种介乎监督学习和无监督学习的算法：1、正向强化学习 (Positive
reinforcement)和2、对抗性神经网络 (Dueling neural networks)。AlphaGo
可说是深度强化学习技术的一个里程碑。强化学习的灵感则来自于动物学
习，而计算机可通过试错法(trial and error)来学会某些特定行为所导致的正
面或负面结果，从而解决问题。生成式对抗神经网络(GAN)是由两个神经网
络组成：一个网络从训练数据中学习后生成新数据，另一个网络则试图区
分真实和虚假数据。这可以为计算机提供一种从未标记数据中学习的有效
方法。我们认为GAN很有可能会在无监督学习还没能普及之前让计算机变
得更加智能的关键所在
第三个趋势是语言学习。我们认为语音识别和语音接口，在技术和应用场
景方面已经算是AI里面较为成熟的，像谷歌Home、亚马逊Echo、苹果
Siri等系统。计算机通过语言与我们交流和互动，理解语言的上下文含义，
将使AI系统获得全方位的实用性提升，这也是AI步入夏天的第一步
第四个趋势带我们回到国内。2017年将可能是中国开始成为人工智能主要
参与者的一年。我们看到BAT在AI的布局，加上国内投资者对于AI创业
公司的投资热情高涨。政府方面也在积极推动政策扶持，预计在2018年前
投资约150亿美元。但我们也发现关于AI的夸张报道铺天盖地，而AI的
炒作也达到了令业界人士不安的程度。我们认为这样对AI可能会造成揠苗
助长的负面效果，继而导致创业公司因估值过高而步向失败及遇到投资枯
竭的情况。第五个趋势就是，面对炒作我们应该深呼吸一口，冷静的看待
AI行业的下一步发展
AI终极目标为模仿大脑操作，但三大难题仍需解决
人工智能的最终目标是模仿人类大脑的思考和操作。现在较成熟的监督学
习却不是走这个模式，而无监督学习才是人类大脑最自然的学习方式。我
们认为在过去的5-10年，人工智能得以商业化和普及，主要鉴于：1）硬
件价格加速下降，计算能力快速增加；2）云计算的普及，以及3）GPU的
使用让多维计算能力提升。机器学习目前仍存在三大难题：1、需要依靠大
量数据去学习；2、局限学习领域；3、数据表达方式的优化。2017年会是
AI最好的时代，还是最坏的时代？不经一番寒彻骨，焉得梅花扑鼻香
风险提示：计算机能力达到瓶颈、应用场景不合适、市场过分炒作等
海外行业报告 | 行业专题研究
请务必阅读正文之后的信息披露和免责申明 2
内容目录
1.AI驱动，立夏将至 .. 4
2.MIT Tech Review 2017年人工智能5大趋势预测 ... 5
2.1. 趋势一：正向强化学习 (Positive reinforcement) ... 5
2.1.1. AlphaGo：真正的围棋大师Master ....... 5
2.1.2. 游戏中的人机互动 .. 7
2.1.2.1. DeepMind之Deep Q-Network (DQN) ........ 7
2.1.2.2. OpenAI Universe：通用 vs 具体 ....... 8
2.1.3. 更瘦、更绿的云计算数据中心 ... 9
2.2. 趋势二：对抗性神经网络 (Dueling neural networks) ....... 9
2.3. 趋势三：中国的人工智能热潮 (China's AI boom) ........... 11
2.3.1. BAT的AI布局 ......... 11
2.3.2. 腾讯、阿里纷纷赶上 ....... 12
2.4. 趋势四：语言学习 (Language learning) ...... 13
2.4.1. Google Home：与亚马逊Echo的正面交锋13
2.4.2. 谷歌的Allo智能回复 ....... 16
2.4.3. 神经机器翻译系统18
2.5. 趋势五：反对人工智能过度炒作 (Backlash to the hype) .......... 20
2.6. 全球AI标的一览 ... 21
图表目录
图1：全球AI标的公司一览4
图1：国内AI标的公司一览5
图3：AlphaGo的神经网络 . 6
图4：AlphaGo系统原理图解.......... 6
图5：DeepMind打造的3D训练虚拟世界 ........ 7
图6：Minecraft训练界面 ..... 7
图7：DQN中卷积神经网络从游戏图形输入到动作控制的示意图 .......... 7
图8：DeepMind开发的3D迷宫游戏Labyrinth界面 ........... 8
图9：Universe游戏环境范例 .......... 9
图10：Universe环境下的GTA 5自动驾驶测试界面 . 9
图11：数据中心PUE的机器学习测试结果 ....... 9
图12：深度学习的三类学习模式10
图13：生成式对抗网络(GAN)的原理示意 ........ 10
图14：Deep Speech与苹果Dictation、微软Bing Speech、Facebook wit.ai、谷歌API的语
音识别错误率比较...... 11
图15：Deep Speech 2用于英文和中文的深度RNN结构 . 11
图16：百度展示人脸识别错误率已经降到2.3% ........ 11
图17：百度深度学习研究员主攻方向 ... 11
海外行业报告 | 行业专题研究
请务必阅读正文之后的信息披露和免责申明 3
图18：百度的AR技术交互模式展示 .... 12
图19：神经网络在人脸识别上超过人眼 .......... 12
图20：蚂蚁金服漆远介绍金融领域AI元素 .... 13
图21：蚂蚁金服漆远介绍金融领域AI应用 .... 13
图22：Google Home在大会里的展示 .. 14
图23：Google Home有7种颜色底座可供选择 ....... 14
图24：Google Home产品宣传图 ........... 14
图25：Google Home将和亚马逊Echo一争高下 ..... 14
图26：Google Home 2个麦克风设计 ... 15
图27：Echo的7个麦克风矩阵：远程语音识别 ....... 15
图28：Google Home多房间支持 ........... 15
图29：亚马逊Echo及无线遥控器 .......... 15
图30：Siri、Allo中的谷歌助理、百度度秘提问测试对比 . 16
图31：神经网络将问句三个单词生成3个口令 ........ 17
图32：谷歌语音识别神经网络的输出示意图 . 17
图33：神经网络将问句三个单词生成3个口令 ........ 18
图34：谷歌语音识别神经网络的输出示意图 . 18
图35：谷歌翻译、有道翻译、百度翻译实例对比 .... 18
图36：谷歌神经机器翻译系统(GNMT)翻译机制 ....... 19
图37：满分6分记，人类翻译、谷歌神经翻译与PBMT的得分对比 ... 19
图38：全球AI标的 .. 21
图39：全球AI标的（续）21
图40：国内AI标的 .. 22
图41：国内AI标的（续）23
