工智能被廣為關注，但是一些想法恐難達到預期。本成熟度曲線將追蹤AI基本趨勢和未來創新，以確定人工智能技術發展的范圍、狀態、價值和風險。

2018曲線五個階段的關鍵技術

（一）上升階段

1人工智能管理

用預測模型和算法，指導人工智能的應用和使用，優化決策權的分配，確保組織對風險的問責和投資決策過程的掌控。不論是何種人工智能，數據源要真實可信。為了避免片面的信息，要求匯聚新的、不同的，甚至是矛盾的數據與您已經使用的數據相結合，以盡量減少人工智能帶來的偏見的風險。

2通用人工智能

通用人工智能也被稱為“強人工智能”。目前的人工智能看起來具有人類一樣的學習、推理和適應能力，但它們缺乏常識、智能和廣泛的自我維護和復制手段。在人工智能方面取得的實際進展僅限于弱人工智能。如今的人工智能技術無法被證明具有相當于人類智能的能力(對于證明此類智能的測試，缺乏共識本身就是一個問題)。在某種程度上，有可能制造出一臺接近人類認知能力的機器，但我們很可能要等幾十年才能完成必要的研究和工程。

前沿人工智能技術正在推動目前被認為是“驚人的創新”，包括深度學習工具和相關的自然語言處理能力，這些創新正在做我們以前認為技術做不到的事情。然而，它們通常只是剛剛從實驗室出現的研究工具，而且隨著時間的推移，我們對工程原理沒有完全的理解，反而了解它們的局限性，針對性制定可行的研發指導策略。隨著這種好奇心熱度逐漸消退，人們會慢慢開始感到厭煩。

特殊用途的人工智能將對商業和個人生活產生巨大的破壞性影響。但是在技術出現重大突破之前，應該忽略任何供應商關于他們的產品具有通用人工智能這一說法，往往是程序員制造的幻覺。在未來10年內，通用人工智能不太可能出現。當它最終出現時，它很可能是許多特殊用途人工智能技術結合在一起的結果。

3人工智能開發工具包

人工智能(AI)開發工具包是指抽象數據平臺、框架和分析庫的應用程序和軟件開發工具包(SDK)，能夠交付軟件工程師啟用的人工智能應用程序等。它們涵蓋：云為基礎的人工智能的服務；用于虛擬助理(例如蘋果Siri、AmazonAlexa和Google助手)的工具包，設備開發工具包；以及AI服務SDK。軟件工程師使用它們，并將AI集成到新的或現有的應用程序中。

在過去的18到24個月中，廠商一直在積極地提供面向開發人員的AI工具包和SDK。有代表性的產品包括：基于云的人工智能云服務平臺(例如，GoogleAutoml、AwsSagaker和AzureMLstudio)，用于虛擬助手的工具包(例如，AmazonAlexa技能工具包、AppleSirikit、百度Dueros開放平臺、Google對話框流和Cortana設備Sdk)設備開發工具包(例如microsoftvisionAI)、SDK(例如，蘋果的coreml和GoogleML工具包)。

在所有類別中，供應商提供的產品都需要不同的部署考慮，并具有不同的特性覆蓋范圍差異，但我們預計，與原生PaaS平臺相比，基于云的AIaas平臺將降低數據科學的復雜性，從而更有利于開發人員采用。但是在數據準備、特征甄別、模型選擇和培訓、超參數優化和模型部署階段各供應商之間差異很大。

AIDeveloper工具包支持如圖像識別(包括人臉和地標)、文本分析和圖像標記。開發人員還可以在模型運行時部署自定義模型并可選擇地更新云服務中的模型。設備開發工具包將定制硬件設備與API和SDK放在一起，以鼓勵平臺開發人員采用。隨著平臺支持被納入更廣泛的市場產品，直接平臺供應商工具包產品將減少。

全球對人工智能的需求是巨大的，其增長速度遠遠超過了有經驗的數據科學家單打獨斗的速度。隨著數據產品的不斷成熟，通過輕量級運行框架的擴展，實現對以邊緣或以設備為中心的AI模型的支持。軟件工程師和數據科學家的努力提高了用戶對更廣泛的、基于供應商的云平臺產品的吸引力和粘性，包括平臺即服務(PaaS)。

4知識圖譜

知識圖譜由信息知識編碼為由節點和鏈接邊組成的網絡圖中的數據，而不是由行和列組成的表。專業供應商正在向新市場提供基于圖形的產品，知名供應商正在其平臺和產品中提供這種技術。

使用自然語言處理(NLP)和相關的文本分析技術，知識圖譜非常適合存儲從非結構化資源分析中提取的數據。它們還能夠存儲結構化數據，包括隱式提供結構和內容的元數據，編碼支持各種用例的處理的信息。

應用程序領導者應該使用知識圖譜將不同的概念連接起來，用缺失的信息豐富他們的數據。通過圖表分析，可以自動發現和利用數字資產、數據源、過程交互產生的動態關系等。

5神經形態硬件

神經形態硬件包括從概念上受神經生物學體系結構啟發的半導體器件。神經形態處理器采用非von-Neumann體系結構，并實現與傳統處理器截然不同的執行模型。它們的特點是處理元素簡單，但互連性很高。

神經形態系統處于非常早期的原型階段。IBM已經向勞倫斯·利弗莫爾國家實驗室提供了一個基于TrueNorth的系統。神經芯片的尖峰神經元自適應處理器技術和惠普企業的實驗室產品是一些早期產品，英特爾的“Loihi”芯片憑借更高程度的連接性，解決了更廣泛的人工智能工作負載。高通(Qualcomm)是神經形態處理器的早期代表。

神經形態硬件的部署主要障礙有：GPU比神經形態芯片更容易訪問和編程；神經形態硬件編程需要新的工具和培訓方法；互連的復雜性對半導體制造商創造可行的神經形態設備提出了挑戰。目前，神經形態硬件還沒有走上深度神經網絡(DNNs)的主流道路，但隨著編程技術的突破，這種情況可能會發生變化。

神經形態計算體系結構可以為深層神經網絡提供極端的性能，因為它們的工作功率非常低，并且可能比今天部署的基于GPU的DNNs系統可以更快地進行訓練。此外，神經形態體系結構還可以為圖形分析提供支持。今天的大多數神經形態體系結構沒有被主流采用。然而，這些體系結構在未來五年內將變得成熟，并將融合新的機會。

設備還可能在邊緣執行較低級別的DNN，從而減少帶寬和中央處理限制。我們正處于一個極其快速的演化周期中，這是由全新的硬件設計、實用的DNN算法和用于訓練的系統的大數據支持。神經形態設備有可能將DNN的觸角進一步推向網絡的邊緣。

6人工智能（AI）相關咨詢與系統服務

這是人工智能自動化服務的一個值得關注的方向，用于幫助客戶構思用例、設計業務或優化IT流程、選擇技術、管理數據、構建和培訓模型、部署解決方案、評估和減輕風險以及調整人才組合以成功地形成智能解決方案，涉及一項或多項先進技術，如機器學習、深度學習和自然語言處理等。這種服務可以應用在預測，比如通過使用數據挖掘和模式識別的學習系統，提供洞察、檢測異常、提供個性化、預測可能發生的事件；還可以應用在智能搜索，面向結構化和非結構化數據，在合同等文本中提取需要注意的相關關鍵條款，減少要讀取的文本數量，并使員工能夠將時間集中在相關條款上。

7人環眾包

人類基于算法的自動化來解決問題或執行任務，其實人類和智能之間是互補的，因為人類的數據輸入方面改進了數據管理解決方案，從而進一步推進了人工智能。人環眾包一是在規模上達到數據的基本要求；二是將群體貢獻集聚為一個有意義的結果。谷歌、Facebook、亞馬遜、微軟、IBM、Ebay、百度和許多其他公司經常采用這一方法。在過去一年，采用已大大加快，主要是針對機器學習需求的數據標簽和培訓數據的質量。

盡管市場潛力很大，但人環眾包還面臨許多障礙，包括對其好處的認識不足，以及對質量、安全的擔憂。隨著整個人工智能市場的成熟，應用快速增長。在提高機器學習模型的準確性方面，人環眾包是可行的(也可能是最可靠的)解決方案。從事人工智能和機器學習的公司應該使用人工循環眾包作為人工智能解決方案的推動者。與內部或傳統外包能力相比，這種方法產生了更多的流動成本和更廣泛的問題解決、模型培訓、分類和驗證能力。

當機器學習算法達到其精度極限時，人類可以進一步提高輸出(如內容調整、文本中的細節檢測驗證或信息檢索和搜索結果的驗證)。

人環眾包是不可缺少的。這種方法將極大地有利于分析團隊將人類智能應用于非結構化文本、圖像、音頻和視頻數據，用于人工智能、機器學習和信息質量，以及那些正在尋找一次解決方案或稀有技能的人，例如數據科學。這些任務可以包括對算法、元數據提取、校對、圖像識別、內容創建等方面的培訓數據的調整、分類，數據收集、產品分類、精煉產品描述、文本翻譯、創建房地產的照片和音頻轉錄等。

8自然語言生成

自然語言生成(NLG)自動生成對數據洞察力的自然語言描述。在分析語境中，敘事是動態變化的，用戶與數據交互以解釋關鍵發現或圖表的含義。NLG將自然語言處理與機器學習和人工智能相結合，動態地識別數據（趨勢、關系、相關性）中最相關的含義。

文本分析側重于從文本數據中獲得分析結論，而NLG則通過將分析輸出與動態選擇的描述相結合來合成文本內容。雖然NLG仍處于初步采用階段，但它正在有效地減少重復分析的時間和成本，例如業務和監管報告、金融服務部門的收益報告、政府部門的福利報表和天氣預報以及廣告部門的個性化信息。

9聊天機器人

聊天機器人是一種獨立的會話接口，它使用應用程序、消息平臺、社交網絡或聊天解決方案進行會話。聊天機器人的復雜程度各不相同，從簡單的、基于決策樹的營銷策略，到構建功能豐富的平臺作為支撐。聊天機器人可以是基于文本的，也可以是基于語音的，也可以是兩者的結合。

社交媒體、服務臺、人力資源或商業領域的聊天機器人，如企業軟件前端和自助服務，都在快速增長。盡管如此，絕大多數聊天機器人都是簡單的，依賴于決策樹中的腳本響應。與聊天機器人相關的是虛擬代理，它們的范圍和復雜性更廣，需要更多的基礎設施和人員來維護，并且是為與其更長期的關系而設計的。單個交互之外的用戶，將與數百個聊天機器人進行交互，但很少有虛擬代理。聊天機器人是人工智能的代表，它將影響到今天人類交流的所有領域。客戶服務是一個典型的領域，聊天機器人已經在其中產生影響，并潛力巨大。

（二）頂部位置

10人工智能平臺即服務

云人工智能和機器學習平臺服務統稱為AIPlatformasaService(PaaS)，它們提供AI模型構建工具、API和相關中間件，使運行在預先構建的基礎設施上的機器學習模型的構建、培訓、部署和使用成為云服務。這些服務涵蓋視覺、語音和任何類型的通用數據分類和預測模型。

隨著領先的云服務提供商，包括亞馬遜(Amazon)、谷歌(Google)、IBM和微軟(Microsoft)，都在爭取成為客戶選擇的平臺。在過去幾年里，利用云服務的人工智能應用在市場上繼續獲得數據科學家和開發人員的支持和接受。AIPaaS產品主要集中在機器學習、自然語言處理和計算機視覺這三個關鍵領域。

人工智能云方法正開始影響數據科學和機器學習平臺市場，特別是隨著組織試驗和構建AI原型，具有AI優化芯片和大量專用的存儲數據，使云成為組織構建和部署AI應用程序的理想環境，而不需要傳統的現場采購的風險、成本和延遲。此外，云還提供了打包的API和工具，使開發人員更容易將AI功能集成到應用程序中。

AIPAAS產品集中于機器學習、自然語言處理和計算機視覺這三個關鍵的AI組合服務：一是機器學習(ML)，AI云服務提供商提供的打包ML服務統一了端到端ML工作流；二是自然語言處理(NLP)，使用經過預先訓練的NLP系統為各種用例創建基于云的聊天機器人；三是計算機視覺（CV），能夠應用面部檢測、識別和分析來解鎖新的基于圖像的數據來源。上述與云服務的結合，將在短期內加速數字商業技術平臺服務的擴展和衍生。

11深度神經網絡專用芯片

深度神經網絡(DNN)專用芯片是一種特殊用途的處理器，它加速了系統的計算速度。深層神經網絡(DNNs)是指檢測和分類輸入數據中的特征統計模型，如聲音和圖像，或者文本(如句子)。在DNN系統中有兩個階段：在訓練階段，DNN遍歷大型數據集并將其提取為一個小的DNN參數集；在推斷階段，DNN使用此參數集對輸入進行分類，例如圖像、語音或文本。今天，絕大多數訓練和推理任務使用GPU+DNN專用芯片，在加速神經網絡時比CPU或GPU具有更高的性能和更低的功耗。

谷歌已經在規模上部署了DNN專用芯片，稱為張量處理單元（TPU1，TPU2，TPU3），提供語音和圖像識別等業務推斷。TPU2和TPU3還加快了數據培訓過程，這是以前委托給GPU的一項任務。其他專用芯片正在問世，Graphcore開發了一款自定義處理器，為基于DNN的應用程序提供了極高的性能。營銷資料顯示，與GPU相比，它們的性能提高了近一倍。英特爾還在根據2016年從Neurana系統獲得新技術，開發一款名為“Lakecrest”的專用集成電路代碼，名為“LakeCrest”。DNN專用芯片在性能和能源消耗方面的好處是顯著的，DNN專用芯片的廣泛使用還需要神經網絡體系結構的標準化和對不同DNN框架的支持。

12智能機器人

智能機器人是在物理世界中自主工作的機電主體，在短時間內從人工指導的訓練和演示中學習，或通過其在工作上的監督經驗來學習解決問題。智能機器人可以用語音、語言與人類互動，由于先進的感官能力，甚至可能與人類一起工作。

與工業機器人相比，智能機器人迄今被采用的數量要少得多。在過去的12個月里，我們看到一些成熟的機器人供應商擴大了產品線，新公司進入了智能機器人市場(尤其是來自中國)。新技術提供者和新技術開放，進入壁壘略有下降。

過去幾年，由于幾家主要供應商的努力，智能機器人正在備受關注：亞馬遜機器人部門(前稱Kiva系統)在亞馬遜倉庫中部署了智能機器人。谷歌收購了多家機器人技術公司。2018年初，LG推出了一系列用于酒店、機場和超市的智能機器人，這是一系列用于商業用途的智能機器人。美國的多家酒店和新加坡的兩家香格里拉酒店現在都使用智能機器人提供客房服務。

輕型制造、分銷、零售、招待所和醫療保健設施的用戶應將智能機器人視為其人力資源的替代品和補充，啟動旨在評估產品能力和量化效益的試點項目。我們需要檢查當前可部署智能機器人的業務和材料處理流程，同時考慮重新設計流程，為大規模部署提供3至5年的路線圖。智能機器人將對各種以資產為中心、以產品為中心和以服務為中心的工業產生最初的業務影響。它們以更高的可靠性、更低的成本、更高的安全性和更高的生產率替代這些行業中的勞動者。典型和潛在的用例包括：醫用材料處理、處方配藥、病人保健、直接物料處理、庫存補充、制成品搬運、產品采摘包裝、電子商務訂單履行、包裹遞送、購物協助、客戶關懷、保安。

13會話用戶界面

用戶和機器的會話交互主要發生在用戶的口語或書面自然語言中。通常是非正式的和雙向的，這些交互從簡單的話語到非常復雜的交互，以及隨后的高度復雜的交互。作為設計模型，CUI依賴于通過應用程序及相關服務、會話平臺來實現。

近幾年來，CUI呈爆炸式增長，聊天機器人、消息平臺和虛擬助理，尤其是AmazonEcho和GoogleHome等家用揚聲器，都促成了會話用戶界面的增長。

14智能應用

智能應用是采用嵌入式或集成人工智能技術，以智能自動化和改進的決策支持取代人工活動。人工智能已經成為下一個主要戰場，在未來幾年里，每個應用程序和服務都將在一定程度上整合人工智能。企業應用供應商開始在他們的產品中嵌入人工智能技術，并引入人工智能平臺功能，從ERP到CRM到HCM，再到勞動力生產率應用。AI具有組織變革的潛力，是數字業務的核心。后臺企業應用程序是這種轉換工作的一個重要組成部分，因為它們提供了數字基礎，大多數努力都是在此基礎上進行的。在許多熟悉的應用程序類別的背景下，AI將不引人注目地運行，同時產生全新的應用程序。

15數字倫理

數字倫理包括進行電子互動的價值體系和道德原則，以及人、企業、政府和事物之間數據的使用和共享。數字倫理的范圍很廣，包括安全、網絡犯罪、隱私、社會互動、治理、自由意志等經濟社會的方方面面。由于最近媒體的負面宣傳，公眾討論的上升，人們對數據隱私保護等法規意識的增強，數字倫理躍升到通脹預期的頂峰。當前的主題，如“人工智能”、“假新聞”和“數字社會”，都是引發人們對數字倫理討論爆發的導火索。

16圖形分析

圖形分析是一組分析技術，允許探索組織、人員和事務等感興趣的實體之間的關系。圖形分析由確定跨數據點之間的“連通性”的模型組成，以創建數據節點、集群及其分界點。節點被顯式或隱式連接，指示影響級別、交互頻率或概率。

圖形分析技術正穩步攀升到通脹預期的頂峰，越來越多的人采用圖表分析，主要是因為需要在大量的指數級異構數據中找到洞察力，以及對分析的需求。一旦開發和訓練了高度復雜的模型，由于擴展的能力、計算能力，輸出就更容易存儲,采用了圖形數據庫，為圖形的存儲、操作和分析提供了一個理想的框架。

在許多圖形數據庫中存儲和處理數據的獨特方法，加上對與特定于圖形的知識相關的新技能的需求，可能會限制使用的增長。例如，資源描述框架(RDF)、SPARQL協議和RDF查詢語言(SPARQL)的知識和經驗，以及新出現的語言(如apachetinkerop或最近開源的密碼)。

數據和分析領導者應該評估將圖形分析納入他們的分析組合和策略的機會。這將使他們能夠解決不太適合傳統基于SQL的查詢和可視化的高價值用例(例如計算和可視化最短路徑，或者網絡中兩個節點或實體之間的關系和影響)。他們還應該考慮使用圖表分析來增強模式分析,用戶可以直接與圖形元素交互以發現洞察力，并且分析結果和輸出也可以被存儲以在圖形數據庫中重復使用。

圖分析構成理想分析框架的業務情況包括：路徑優化、市場籃子分析、欺詐檢測、社會網絡分析、CRM優化、位置智能、供應鏈監控、負載均衡等特殊形式的勞動力分析，如企業社會圖和數字工作場所圖、最近、頻度等。

在執法調查、流行病學、基因組研究、洗錢檢測等方面，圖形分析在評估風險以分析欺詐、路徑優化、聚類、孤立點檢測、馬爾可夫鏈、離散事件模擬等方面都是非常有效的。用于揭露欺詐和腐敗的引擎也可用于在組織內識別風險，并以積極主動的方式回答責任問題。最近的一個識別關系網的例子是國際調查記者聯合會。相比之下，圖分析是一種新的“透鏡”，用于探索跨多結構數據的直接關系和間接關系。

圖形分析處理是其他許多先進技術的核心技術，例如虛擬個人助理、智能顧問和其他智能機器。圖形分析可以擴展數據發現功能在現代商業智能和分析平臺中的潛在價值。一旦完成了圖形處理，它就可以擴展數據發現功能在現代商業智能和分析平臺中的潛在價值。可視化-使用大小、顏色、形狀和方向-來表示關系和節點屬性。

17目標分析

目標分析指的是一組分析能力，這些分析能力指定了滿足預先定義的目標的首選行動方針。最常見的說明性分析方法是優化方法(例如線性規劃)，它是預測分析和規則、啟發式和決策分析方法(如影響圖)。規定性分析與描述性分析、診斷分析和預測分析不同，因為輸出是一種推薦的(有時是自動化的)操作。

盡管優化和決策分析的概念已經存在了幾十年，但隨著人們對數據科學、更好的算法、基于成本效益的云計算能力和可用數據的更多認識和研究，更好的方法逐漸得以應用，常見案例如客戶處理、貸款審批、索賠分類，以及許多優化的問題，如供應鏈或網絡優化和調度。目標分析也可以是規劃過程的業務差異因素，無論是財務規劃、生產計劃還是分銷計劃，輔助用戶探索多種方案并比較推薦的行動方案。

18深度神經網絡(深度學習)

深神經網絡是一種大規模的神經網絡，通常有許多處理層，它們使計算機能夠處理比以前復雜得多的數據，如視頻、圖像、語音和文本數據，從而支持人工智能的最新進展。互聯網巨頭在各自的業務范圍內部署基于DNN的系統，例如亞馬遜Alexa的語音到文本功能、Google的搜索能力、圖像識別和自動駕駛汽車以及Facebook的臉識別技術。

建立和培訓系統并不容易，甚至是很困難的。要取得持續的好結果，你就需要大量的標簽數據、數據科學方面的專業知識和專用硬件。大多數企業都很難獲得足夠的標記數據來支持他們的創新。此外，數據科學專家是稀缺的，因為IT和互聯網巨頭積極高薪雇傭，一般企業很難獲得這方面優秀的人才。另外，計算資源優化和升級換代，也需要大量的資本支出。

最廣泛應用的是卷積神經網絡(CNNs)和遞歸神經網絡(RNNs),CNN用于圖像分類和文本語音。有關DNNS的炒作程度與去年沒有太大差別。這些技術可以幫助他們解決以前難以解決的分類問題，特別是與圖像、視頻和語音有關的問題。在圖像、語音和面部分類系統以及培訓和數據方面投入了大量資源。

DNNS對所有行業都具有變革和破壞的潛力，想利用DNNS首當其沖的挑戰是確定要解決的業務問題，并確保有足夠的專家和相當好的數據集。在檢測欺詐、確定質量、預測需求和其他涉及序列的分類問題(例如，使用視頻、音頻或時間序列分析)方面，DNNS顯示出比以往先進的算法更高的準確性。

19支持VPA的無線揚聲器

支持云的遠場語音捕獲設備，將用戶連接到虛擬個人助理(VPA)服務，如Alexa、Google助理、Siri、Cortana、微信等。隨著2017年啟用屏幕的VPA揚聲器的出現，多模式交互被引入VPA體驗。盡管VPA提供的對話體驗仍遠不完美，但消費者對VPA音箱的采納程度高于預期。

20機器學習

機器學習是利用能夠從數據中提取知識和模式的數學模型來解決業務問題。有三個主要的子學科與所提供的觀察類型有關：有監督學習，其中觀察包含輸入/輸出對(也稱為“標記數據”)；無監督學習(省略標簽)；強化學習(在某種情況下，評估情況有多好或有多壞)。

機器學習仍然是技術中最熱門的概念之一，因為它對企業有著廣泛的影響。機器學習持續大規模增長和采用的驅動因素是數據量的不斷增長和傳統工程方法無法處理的復雜性。

越來越多的組織正在探索用于機器學習的用例，許多組織已經處于試驗學習的初始階段。大多數組織仍然在嘗試他們的機器學習方法，找到執行機器學習項目所需的相關角色和技能是像這樣的組織所面臨的挑戰。數據的數量和來源增加，系統的復雜性也會增加，在這種情況下，傳統的軟件工程方法會產生較低的效果。在未來，許多行業的進步離不開機器學習。

機器學習算法的選擇也受到算法是否能夠解釋的疑問。組建一個(虛擬)團隊，對機器學習用例進行排序，并建立最佳評估模型，將最有價值的用例推進到生產。數據是機器學習的“燃料”。數據是各個組織獨特的競爭優勢，高質量數據是機器學習成功的關鍵。雖然基本的機器學習算法的選擇是相當有限的，但是算法變化的數量和可用的數據源是巨大的。機器學習推動了大量業務和相關問題的改進和新解決方案的產生。

21自然語言處理

自然語言處理(NLP)提供了人類和系統之間一種直接的交流形式，即NLP包括旨在解析、解釋(有時甚至生成)人類語言的計算語言技術。NLP技術處理自然語言的語用(上下文)、語義(意義)、語法(語法)和詞匯(詞)方面。語音部分通常留給語音處理技術，這些技術本質上是信號處理系統。

隨著功能的提高，以及基于會話代理和自動機器翻譯的新用例等，企業NLP的使用也在增加。現有的基于語法和語義的方法越來越多地被深度神經網絡(DNNs)方法所取代。

人類語言是復雜的，雖然NLP解決方案已經取得了進展，但仍有許多微妙和細微之處需要人工干預才能進行適當的解釋。DNNs是實驗性和脆弱的，理解推理上下文和綜合能力，也不是完全令人滿意的。許多NLP解決方案需要專家來確保語法和模型的持續準確性。

NLP為企業提供了改善運營和服務的重要機會。對于許多企業來說，NLP最強大和最直接的用例與改進的客戶服務(影響成本、服務水平、客戶滿意和銷售)和員工支持(包括使他們在工作中更聰明、更有效)有關。企業想加速其NLP實現，應開發新的功能模塊來實現一些特定的技能。考慮到數據科學技術在NLP應用中的越來越多地使用，提高數據科學家人才的技能可能也是必要的。

最后，NLP解決方案提供基于知識的整合、內容映射、搜索增強和文本摘要的能力將有所不同。因此，企業研發者在做出重大決定之前，應該測試和驗證這些解決方案的有效性。如果企業投資于專門的語法，則應該注意這些解決方案在供應商之間是兼容的。

22機器人應用自動化軟件

機器人應用自動化軟件是用戶界面識別技術和工作流執行技術的結合，它可以模擬人類使用屏幕和鍵盤來驅動應用程序和執行基于系統的工作，也是為了使應用程序自動化而設計的。

機器人應用自動化軟件是一種“膠水”類型的技術，它允許您將系統粘合在一起。為了完成比自動化工作更復雜的活動，您需要能夠讀取手寫或結構、非結構化數據或由聊天機器人或機器學習活動執行的處理活動。

23虛擬助理

虛擬助理(VAS)幫助用戶或企業完成一組以前只能由人類完成的任務。VAS使用人工智能和機器學習(如自然語言處理、預測模型、個性化服務)來幫助人們并自動完成任務。VAS傾聽和觀察行為，構建和維護數據模型，并預測和推薦操作。可以在多個用例中部署操作，包括虛擬個人助理、虛擬客戶助理和虛擬員工助理。VAS應用領域越來越多地被會話接口所主導，如蘋果的Siri、谷歌助理、微軟的Cortana、IPsoft的Ameliia、Amazon的Alexa和IBM的沃森助手等。

24認知計算

認知計算是一種技術，能夠提高人類在廣泛的認知任務中的性能。這些系統具有交互性、迭代性，能夠回憶起以前的交互；它們也是上下文相關的，能夠適應信息和目標的變化。我們認識到“認知計算”是當今市場上供應商過度使用的一個推廣術語，我們不相信這些系統是真正的認知能力，他們只是模仿、擴展人類的認知能力而已。認知計算迅速攀升至膨脹預期的頂峰，這是因為在最新一代人工智能市場上，主要銷售商普遍推廣和炒作這一術語。

（三）下滑階段

25FPGA加速器

FPGA加速器是一種基于服務器的可重構計算加速器，通過使可編程硬件級應用處理加速，可以提供極高的性能。FPGA加速器具有大量的可編程邏輯塊、可重構互連和存儲子系統，可以配置這些子系統來加速特定的算法功能。FPGA處理器可以從主系統處理器中卸載任務。FPGA不是用常見的應用語言編程的，而是配置了一種與典型程序員不同的電路設計語言“VHDL”，“VHDL”是大多數軟件工程師難以學習的語言，這使FPGA編程的難度加大。在數據中心，FPGA可以用于對大量數據應用一致處理操作，例如高頻交易(HFT)等。微軟正在利用FPGAs進行搜索分析，而Edico基因組公司基于FPGA的Dragen生物IT平臺可以實現高性能的基因組測序工作流程。

FPGA通常使用硬件編程語言(如RTL和VHDL)進行配置，使用起來非常復雜，這阻礙了廣泛的采用。然而，主要的FPGA供應商(英特爾和Xilinx)正致力于通過庫和工具集來解決這一問題，從而使FPGA能夠使用以軟件為中心的編程模型進行配置。在新的框架(如OpenCL)的幫助下，采用FPGA也變得更容易了。OpenCL降低了使用FPGA所需的時間和技能。新興的工作負載，如深度學習(推理)正在激發人們對FPGAs的興趣。英特爾將FPGAs與主流服務器CPU集成在一起，以AmazonWeb服務(AWS)的FPGA為代表的開發平臺變得更容易訪問，也推動了FPGAs被數據中心的采用。

今天，數據中心的FPGA最大的增長機會是應用在深度學習的推理部分。考慮到軟件生態系統的進化性質，FPGA加速器可以在相當小的能量消耗軌跡中實現戲劇性的性能改進，確定使用FPGA可以產生有影響意義的應用程序，評估用于數據中心服務器部署(基于FPGA的PCIe外接程序)的硬件的可用性，或者使用與處理器集成FPGA的服務器。利用基于云的FPGA服務加速開發。FPGA非常適合于人工智能工作負載，因為它們在低精度(8位和16位)處理能力方面非常出色。但是可編程性仍然是一項重大挑戰，限制了FPGA的廣泛應用。企業應該評估基于FPGA的解決方案，用于基因組測序、實時交易、視頻處理和深度學習(推理)。領導者可以通過使用基于云的基礎設施來提供FPGA。

26計算機視覺

計算機視覺(ComputerVision，簡稱CV)是一種涉及到采集、處理和分析真實世界中的圖像和視頻，使機器能夠從物理世界中提取有意義的上下文信息的過程，包括機器視覺、光學字符識別、圖像識別、模式識別、人臉識別、邊緣檢測和運動檢測等許多不同而重要的CV技術領域。

建立解決視覺問題的算法和模型已經存在了半個多世紀，深層次神經網絡、大量數據的可用性和大規模并行處理器的出現為計算機視覺領域的發展注入了新的活力，支持有監督和無監督的學習、識別、分類、預測和操作。在30年前，對象分類是一項困難的手工任務。過去八年來，ImageNet挑戰的結果最好地證明了這一領域目前的進展。誤算率下降了30%。計算機視覺的發展得益于：(1)DNNS的技術成熟，和相關的人工智能技術的成熟；(2)CVS廣泛適用于機器人、自動車輛、無人駕駛飛機、增強現實和虛擬現實等眾多領域；(3)大多數企業在如何處理所收集的所有圖像、視頻數據以及如何自動處理這些圖像數據方面面臨挑戰，人們積極克服這些困難和挑戰；(4)計算機視覺是物聯網(物聯網)的一個特殊的用例和自然擴展，它是擴展和擴展物聯網(物聯網)范圍的外部傳感器。

視覺是對其他傳感器數據的極好補充，例如地理定位、慣性和音頻。因此，它也增強了人類與數字和物理世界互動的能力。這激發了人們對這一學科的廣泛興趣，如自動車輛、機器人、無人駕駛飛機、增強混合和虛擬現實-安全、生物識別等等。

27預測分析

預測分析是一種高級分析方法，它通過檢驗數據或內容來回答以下問題：“將發生什么？”或者更準確地說，“什么可能發生？”，作為人工智能的應用，預測分析多數采用回歸分析、多元統計、模式匹配、預測建模等技術。

28自動駕駛

自主或自動駕駛車輛可以在不受人為干預的情況下，利用激光雷達、相機、GPS和地圖數據等多種車載傳感和定位技術，結合基于人工智能的決策能力，對某一特定地點或某一特定地點進行導航和駕駛。目前，無人駕駛汽車正成為人們關注的焦點。

過去一年，出現了一些進入幻滅低谷的跡象。2018年初，發生了幾起與自動車輛有關的事故，包括一個行人的死亡。一些機構之前宣稱的無人駕駛里程碑在沒有兌現承諾的情況下悄然而逝，實際上當初是不切實際和夸大其詞。

人工智能(AI)是實現自動車輛的關鍵技術，自動車輛機器學習算法的發展也在加快。實現自動車輛的主要挑戰仍然集中在降低技術和工業化成本上，但也越來越多地包括監管、法律和社會考慮，例如操作許可、責任、保險和人與人之間的相互作用的影響。

自主車輛技術不僅在智能移動和物流領域，而且在航運、采礦、農業、工業、安全和軍事行動方面都具有破壞性潛力。傳感、定位、成像、制導、測繪和通信技術的不斷進步，再加上人工智能算法和高性能計算能力，使自動駕駛汽車更加接近現實。然而，2018年，復雜性和成本挑戰仍然很大，這影響了可靠性和可負擔性要求。

自動駕駛技術的采用仍將在三個不同階段發展：輔助駕駛、半自主和完全無人駕駛車輛。每一階段都需要越來越多的技術成熟度和可靠性，這些技術成熟度和可靠性依賴于企業的干預，汽車公司、服務提供商、政府和技術供應商（例如，軟件、硬件、傳感器、地圖數據和網絡提供商）應在聯合研究和投資方面進行合作，以推進所需的技術，并就自動駕駛的立法框架開展工作。

此外，教育公眾了解自動駕駛汽車的好處是至關重要的。自動駕駛汽車將對一些工作產生破壞性影響，如公共汽車、出租車和卡車司機。自動駕駛汽車進入移動計算系統，為消費和創建數字內容提供了理想的平臺，包括基于位置的服務、以車輛為中心的信息和通信技術。自動駕駛汽車也是移動創新和新的運輸服務的一部分，有可能破壞既定的商業模式。例如，自動駕駛汽車最終將帶來新的產品，通過讓無人駕駛汽車在需要時接送乘客，從而突出按需提供的服務。自動駕駛汽車將帶來重大的社會效益，包括減少事故、受傷和死亡，以及改善交通管理，這可能會影響其他社會經濟趨勢。例如，如果人們可以在駕駛自動駕駛汽車時利用旅行時間工作或娛樂，住在市中心附近接近工作地點就不那么關鍵了，這可能會減緩城市化進程。

29商用無人機

商用無人駕駛飛行器是指小型直升機、固定翼飛機、多旋翼機和混合飛機，在飛機上沒有人類飛行員。它們要么由地面上的人類飛行員遠程控制，要么裝備用于自主導航。與軍事同行不同，它們被用于商業目的。

2018年，商業無人機進入幻滅的低谷。在技術意義上，這種無人機是相對成熟的并且能夠進行越來越復雜的任務。然而，它們的采用往往受到限制阻礙，特別是在無人駕駛飛機超視距、人員上方或在限制空域，例如靠近機場的情況下，這些都是在大多數國家受到嚴格管制的行動類型。此外，垂直專業化的端到端無人機解決方案(包括設備、支持軟件和飛行操作)的高昂成本阻礙了終端用戶的大規模使用。高德納預計，商業無人機將在兩年內接近萎縮極限，前提是監管條件和某些技術要素不按預期改善的話。特別是，自主飛行將對市場起到提振作用，但它們的啟用既需要監管改革，也需要技術進步。總的來說，企業無人機計劃應該有短期和長期目標。美國的低空授權和通知能力(LAANC)倡議加速在限制空域飛行的豁免批準，就是這樣的例子之一。今天，領先用戶包括航空攝影，測繪和測量，體積測量，和遠程檢查。采用者還應該考慮到如何以最好的方式利用捕獲的數據。

最重要的是，商用無人機可以提高諸如測量員、檢查員、司機和攝影師等角色的能力，這些人傳統上是在可能不安全的情況下執行勞動密集型任務的。因此，無人機通過減少或重新部署人員數量來提高生產率，同時能夠實時獲取數據并提高雇員的安全。例如，商業無人機可以特別增加農業、建筑、應急服務、采掘業等行業的價值。在大多數垂直領域，商用無人機的價值在于減少運營開支和提高安全性，但在電影攝影等行業也有創收的機會。

30增強現實

增強現實(AR)是以文本、圖形、音頻和其他虛擬增強的形式實時使用信息，與現實世界的對象集成在一起，并使用頭掛式顯示或投影圖形覆蓋來呈現。正是這種“真實世界”元素將AR與虛擬現實區分開來。AR旨在增強用戶與環境的交互，而不是將它們與環境分離開來。

31知識管理工具

使用知識管理(KM)工具創建、修改和訪問IT知識庫。KM工具通常鏈接到支持自助服務的門戶，以便最終用戶能夠自己訪問相關的知識資產。這些產品由他們聯合、存儲和訪問有關IT和非IT服務的信息的能力來定義。KM工具可以作為獨立的選項或更廣泛的IT服務管理工具的集成組件。KM為許多IT組織在IT體系中優化、驅動效率和實現規模經濟提供了未開發的強大潛力。

（四）爬坡階段

32虛擬現實

虛擬現實（VR）提供了一種計算機生成的3D環境，環繞用戶并以自然方式響應個人的動作，通常通過沉浸式頭盔顯示器（HMDS）。手勢識別或手持式控制器提供手和身體跟蹤，觸覺（或觸敏）反饋可以被合并。基于房間的系統在大范圍內移動時可以提供3D體驗，或者可以與多個參與者一起使用。身臨其境的虛擬現實應用比其他圖形模擬更先進。

（五）進入佳境

33GPU加速器

GPU是為圖形和可視化工作而設計的高度并行浮點處理器。在過去的十年中，NVIDIA和其他企業一起努力為GPU增加了可編程能力，使應用程序能夠訪問深度的、快速的浮點資源。GPU還有非常高帶寬的存儲子系統。對于許多高度并行、重復、計算密集型的應用程序來說，這些功能提供了顯著的性能改進。

GPU密集型應用，包括應用到分子動力學、計算流體力學、金融建模和地理空間技術。編程GPU可能是很有挑戰性的，因為執行順序和代碼優化是至關重要的。我們預計Dnn技術將在來自大型云提供商的開放框架的支持下迅速成熟，這些框架包括TensorFlow、TORCH、Caffe、apachemxnet和microsoft認知工具。GPU加速計算可以為高性能計算(HPC)和DNN培訓中高度并行的計算密集型工作提供極端性能。完成的速度很高。云GPU將圖形計算處理從現場轉移到云上。高性能計算和深度學習對于許多數字業務策略是必不可少的，由于工作量的快速增長，基于CPU的傳統企業生態系統是不夠的。利用成熟的GPU技術來選擇HPC應用程序和深入學習基礎設施。可編程性的挑戰已經通過Cuda.I這樣的架構支撐，在GPU中得到了很大程度的解決。

34集成學習

集成學習技術是一種機器學習算法，其中建立了一組預測模型，并將其輸出組合成整個群體的單一輸出。這種方法在很大程度上借鑒了“群體智慧”原則，其中意見或模型輸出的多樣化是關鍵。集成技術的采用繼續穩步增長。所有主要的數據科學供應商都提供這種技術作為其組合的一部分。集成學習已經成為數據科學家和公民數據科學家廣泛使用的一種方法。

幾乎所有的預測分析用例和機器學習任務都能從集成技術的應用中獲益，應用技術的成功案例繼續提高了集成學習提高預測精度的聲譽，集成方法經常被應用于分析比賽，如KDD杯和Kaggle競賽，并且表現得很好。

35語音識別

語音識別技術是將人類語音轉換為文本進行進一步的處理。過去三年里，語音識別的性能迅速提高。IBM、微軟(Microsoft)、谷歌(Google)、亞馬遜(Amazon)和百度(Baidu)等在2016-2017年間都表現出了快速的技術進步，聲稱自己的表現與人類的轉錄能力相當。

2018年，谷歌通過提供多種機器學習模型來適應不同的用例環境(例如電話、語音命令、視頻)，并改進標點符號以提高轉錄的可讀性，從而改進了云語音到文本API的性能。

伴隨著算法的進步，語音到文本的應用受到硬件進步的推動，對話代理(如聊天機器人和虛擬助手)的采用，使得企業和消費者在智能手機、游戲機等虛擬個人助理揚聲器上采用語音交互。語音對文本技術的應用也在不斷增長，用于連接智能家居和汽車領域，以及在邊緣設備上運行的嵌入式解決方案，而無需云支撐新的使用場景。