科技巨头和学术界进行的人工智能（AI）和机器学习（ML）研究取得的新进展很快进入企业和商业模式，而更多公司正在引入已建立的AI解决方案，如chatbots和虚拟助理。继AI这个充满活力的世界中发生的一切，对于那些忙于经营自己公司的企业家来说，是非常耗费时间的，所以我编制了一份企业家在未来一年应该关注的最有趣的AI趋势清单。
AI内容创建
随着自然语言生成（NLG）和自然语言处理（NLP）的新发展，2018年大数据和数据分析的人性化趋势将持续下去。通过Automated Insights使用基于规则的系统（如Wordsmith），媒体和公司已经可以将结构化数据转化为基于自然语言的智能叙述。
将数据关系理解为数据科学团队以外的人可以进一步实现人工智能和大数据的民主化，从而导致自动生成见解的时代。相同的技术已经在新闻报道，社交媒体，市场营销，幻想体育，财务报告等中实现了自动内容生成。在即将到来的一年里，自动化内容生成可能会在新闻报道和营销方面获得更多的推动力，帮助企业通过为受众和客户创建相关内容来即时响应新兴趋势，新闻和事件。
分散式AI
直到最近，机器学习模型的培训都集中在远程云群集上。人工智能公司不得不手动收集大量训练数据集，并将它们提供给配备专用硬件（例如GPU）的数据中心中运行的ML算法以进行机器学习。这种集中模式的主要缺点是难以对人工智能软件进行滚动更新，并且使用用户和应用程序产生的持续不断的输入数据流进行持续培训。
然而，在2017年4月，谷歌宣布在Google的Android键盘Gboard中使用新的联合学习方法时，迈出了决定性的一步，解决了这些问题。这种新颖的方法使移动用户能够在Android设备上与他们的用户数据协作训练共享ML模型。联合学习的真正目的是通过在设备上直接提供AI模型，为数百万移动用户提供ML培训。将AI培训移动到移动设备可以帮助解决集中学习中涉及的高延迟和低吞吐量连接问题。
随着边缘计算技术的发展，分散式人工智能还可以获得动力，将大量计算从远程云应用转移到数字设备感知和收集信息的网络边缘。将数据处理和分析移动到“现场”解决了与通过网络发送数据相关的高延迟和低吞吐量的问题。许多边缘设备需要高级学习，预测和分析功能才能高效运行。这是AI和ML有机会闪耀的地方。在无人机和无人驾驶汽车上使用AI对于无需网络连接即可进行实时深度学习的用户来说尤为关键，以避免网络故障造成灾难性甚至致命的后果。
为了弥补AI在边缘方面的差距，Movidius等公司（2016年被英特尔收购）正在开发AI协处理器和边缘神经网络，可用于无人机和智能热像仪的障碍物导航。在未来的一年里，我们很可能在低功耗计算机视觉和图像信令硬件和软件方面看到更多创新，这些硬件和软件专门设计用于在安全摄像头和无人机等边缘设备上启用AI。
AI利用离线数据
在线生成的数据目前是数据分析和基于人工智能解决方案的主要洞察力来源之一。然而，像亚马逊这样的大型零售商已经进入了一个由数字设备（如商店和商场的传感器和执行器）收集的离线数据的未知领域。例如，在亚马逊Go杂货店，这些设备已经跟踪了客户的动向，以了解客户与产品进行交互的时间。亚马逊传感器收集的数据存储在Android应用和亚马逊账户中，这些账户需要在Amazon Go商店中购物。通过这种方式，亚马逊积累了大量有关消费者的数据。使用这些数据，人工智能算法可以获得关于消费者偏好和行为的见解，从而创建自动定价机制并引入更高效的营销，产品布局和销售策略。但是，离线数据的来源并不限于杂货店。使用无人机和物联网，人工智能公司将逐渐将我们生活的整个物理空间转变为ML算法和模型的巨大数据源。
设备上的AI：Core ML的兴起
由于电池功率限制和移动计算能力的限制，在移动设备上运行AI软件或训练ML算法最近已被认为是困难的。然而，在2017年，我们目睹了CoreML推出的设备上和移动设备上的AI，这是苹果为iOS 11设计的ML库。CoreML附带了各种训练好的ML模型（例如用于图像识别，文本检测，图像配准和对象跟踪），这些模型可以轻松集成到iOS应用程序中。所有型号均采用加速和金属等低级Apple技术针对高效的设备性能进行了优化。因此，iOS开发人员现在拥有强大的ML功能，并且有望在2018年使AI / ML应用成为移动设备的主流。
目前的创新步伐使人们几乎不可能站在人工智能的趋势之上，但了解机器学习进步的术语和适用性成为企业所有者在2018年必须掌握的。利用这些知识，创业者可以在景观中真正实现即使它们看起来是增量式的，也可以从改进中受益。
更多人工智能请关注微*信公众号：智德物联科技或者微博@智德物联科技。
本文部分内容根据Artur Kiulian在Entrepreneur网站的文章编译而成。