一個很大、很難成品的題目，但是自己很喜歡這一塊，并且碩士期間也在從事基于深度學習的目標檢測與識別的研究，所以希望能在總結與思考之后有一定的收獲和一個清晰的脈絡。無法一覽無余，但愿能見微知著。
本篇文章，會先談一下自己對人工智能產品的一個理解和使用體驗(用戶角度)。
接著以【行業應用】和【產品形式】兩個角度，總結一下人工智能產品的應用情況。
最后，通過學習與總結再以一個產品人的角度，展望AI產品的未來。
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【真假】“人工”智能
先從用戶的角度，談一下，現如今已經滿大街都飛揚著的“人工智能”。
總結一下：說自己是AI產品的，大部分都是人工的AI；你感受不到的，卻處處有AI。
我覺得上面的總結形容地應該很貼切了，由于很多普通用戶對技術實現上沒有太大的概念，所以總是被一些帶有迷惑性質的AI宣傳所欺騙，最后自己使用之后，評價基本都是：“什么破人工智能，真笨！”。而真正的人工智能技術，其實已經進入我們的生活，只是我們未曾察覺，而好的技術就是這樣，不需要大張旗鼓的宣揚，卻真真切切的提高了我們生活的效率。
先說說我們能看到的那些“假”人工智能。
智能水杯： 主要功能為，水溫顯示、水溫鬧鐘、高溫預警、飲水提醒、微信互聯、定位尋找等。其實來看一下，這里面的功能，都是需要人為的在對應的智能硬件APP上設定，才能達到智能。當我們有新的想法時，還得去重新設定。是實實在在的【人工手動】智能。可這樣的杯子，可以在某大平臺自營賣到300+、400+的價格。
從智能水杯，再看很多類似的“智能硬件”設備。它們通過人工的一些設定，達到自動的作用，但是如果情況有變， 我們希望更改設置時，就還需要人工的去設定，就非常的不智能了。
但其實，是否需要人工設定，這個界限是有點模糊的，因為很多人工智能系統需要一個冷啟動，但很多這樣的智能硬件設備確實是一點AI的相關技術都沒有用到，靠的是傳感器顯示和人工程序設定。
不過這類產品，可能也沒想往AI上設計，但只是介于智能和普通之間，找不到其他好聽的修飾詞，所以便取了“智能”。就像剛出來的智能手機一樣。這里就再不細談這些產品是否可以算入“假”的人工智能(因為人家也沒有明確自己是AI產品)，但是，確實，會給用戶帶來一定的混淆。
【弱】人工智能產品的前因后果
不過，真正使用了"Machine Learning"的【弱】人工智能產品，才是讓用戶說出“什么破人工智能”的禍首。
智能機器人：現在市面上的機器人基本可以用能動的和不能動的來區分價位。在交互上，有純語音交互的，也有視覺+語音的。這些產品集成了大量的機器學習和深度學習技術，一開始的亮相驚艷無比，但是慢慢的新鮮感就會下降。
其實出現這樣的現象，根本的原因是這些產品無法自學習。雖然對比不同的交互，會有不同的設定，甚至在出現訓練時沒有輸入過的陌生指令，也可以很好地拆解并做出反應。但是，這些算法始終都無法自學習(無監督學習)，所以，某種意義上來講，就是【弱】人工智能。
還有類似的：“智能推薦”、“個人語音助手”等，我們會發現都是在一定程度上的“智能”。這也是監督學習的一個弊端。機器無法自學習，在某種意義上就是【弱】人工智能。雖然，現在也有些“智能推薦”應用，可以根據用戶的使用數據，不斷學習用戶行為迭代更新模型參數，但是，由于還是偏向學習用戶歷史行為數據，所以，這類的產品也會因為無法適應人類多變的興趣和情感需求，而被詬病。
而對于，“聊天機器人”來講，很多用戶在使用過程中很容易跳戲，或者覺得并不智能。
清華大學的黃民烈博士表示，想要讓機器像人一樣與用戶交流，還要需要幾個關鍵點：
1.需要給機器一個固定的人格和屬性。
2.要讓機器知道交談的話題是什么， 并且是在跟誰交談。
3.要考慮對話時的一些其他環境信息，甚至考慮多方面的綜合感知信息：如語音、語調、姿態和表情。
不過，以上說的這些，都是人工智能呈現一個完整的閉環產品形式在展現， 涉及到的使用場景是非常廣泛開放性的，所以用戶無法真切地感受到AI給我們生活中的細節末梢帶來的巨大變化。
系統化、閉環形式的產品，總是難以打造的。當技術未成熟時，人工智能，很難作為一個獨立的載體，開放式地為人類服務。但是，由于深度學習近幾年的飛速發展，在一些細分領域上，人工智能已經可以勝任人類的工作，例如：人臉識別、智能安防、語音識別等等。
所以接下來，我們就來看看，應用了AI技術的產品都有哪些，如今的AI+ 是如何改變我們生活方式和產品形態的。
? ? ? ? ? ? ? ? ? ? ? ? ?這些年我們遇見的人工智能
這一塊的內容思前想后了半天，寫了又刪，刪了又寫，主要是不知道該如何邏輯清晰地把概況都總結下來。最后還是覺得用【產品形式】和【應用行業】這兩個角度進行總結，雖然有交叉的地方，但是大部分都還是有區別的，盡量全面的了解一下AI的各種應用。
AI應用中的產品形式展現
首先，先上一個導圖。我按照產品的輸入形式分為了4種：文字、語音、圖像、視頻。接下來，按照AI技術如何處理這些輸入或產品的輸出形式進行了舉例。
首先要提一下，由于深度學習大量地應用到這些領域的研究中，所以從12年到現在，在上述的大部分領域中，學術界大幅地提升了算法的精度，這給產品化的應用帶來了前提條件。因為，在學術界，可能提高1%就可以發論文；但是在工業界，需要有一個很高的精度，才能投入使用。并且，值得一提的是，在有些領域里，機器的準確率已經比人類還要高。
這里我們需要感謝硬件的不斷發展，讓我們得到了巨大的計算能力。也要感謝互聯網的不斷發展，讓我們積累了龐大的數據。最后，也得感謝Geoff Hinton、Yann LeCun等學術泰斗，他們的堅持和創造讓學術界重新看到了深度學習的無限潛力。
好了，開始細細說一下這些已經應用在我們生活中的AI產品。
文字
機器翻譯：
這個大家應該都會用到：【百度翻譯】、【google翻譯】。目前的【google翻譯】已經擁有100多種語言之間的互譯功能，十分強大。雖然，對于有歧義的句子等，還是無法很正確的翻譯；但是，對于日常的輔助閱讀，已經十分夠用了。
智能客服：
這個應該也很熟悉了，現在很多行業90%以上的客服回答都是由機器人來完成的。由于很多問題，都是相似的，可以直接對用戶輸入的文字做分詞處理，匹配關鍵詞，然后回答相應的問題，極大地減少了人工客服重復性的工作。
閱讀理解：
讓機器閱讀文章并回答問題。雖然，我們讓機器做閱讀理解并評分意義不大，但是如果作為一個輔助技術是非常重要的：可以幫助人類在大量的文本中找到想要的答案，減少人力付出。
機器人寫稿：
這項應用已經在很多細分領域中開展了。比如地震新聞、體育新聞、財經新聞等。這些領域中的新聞播報都有固定的格式，讓機器學習這些模板，然后給機器輸入相關的數據，可以在極短間內輸出新聞報道。前段時間關于四川九寨溝發生的7.0級地震，中國地震臺網機器人自動編寫稿件僅用25秒出稿，寫了540字并配發4張圖片。
拼寫補全：
我們在日常打字的時候，在我們未拼寫完全的時候，輸入法就會猜我們需要打什么字。這個就是利用大數據讓機器更了解我們。
語音
語音識別：
這個大家就再熟悉不過了，現在手機上的主流輸入法都支持語音輸入，并且自己也會經常使用，自己走在路上給對方發消息，但是對方不方便接受語音消息時，依然可以抬著頭走路，剛需啊！這里值得一提的是，國內的一些相關廠商在安靜的環境下，中文的語音識別準確率達到97%。但是，同樣，未來的技術重點也是要在這個【安靜的環境】。不過語音識別更重要的意義在于，它給我們連接機器提供了一個更方便的接口。
即時翻譯：
語音識別+機器翻譯，就出現了現在很多即時翻譯軟件，出國旅游的利器。
語音合成：
這里，想要強調的是，語音合成技術是TTS系統中最基本而重要的模塊。而TTS是text-to-speech.作者本人一開始居然還傻傻地以為是將兩段語音合成。所以，我們在使用siri時，就是語音合成技術讓她開的口。很多，閱讀軟件中的機器讀文功能，也是通過語音合成技術模仿人聲。說白了， 就是通過訓練，讓機器可以學習人的聲音說話。
語音喚醒：
很多電影，主角一聲吼，各種機器小弟來相見，這就是用到了語音喚醒。語音喚醒有兩種基本方式，一種就是通過語音識別，然后匹配喚醒詞。第二種，利用聲學模型(音調、頻率等)，匹配喚醒庫里發音詞的發音特征，從而喚醒。
語音分離：
之前在講語音識別時是不是提到，在嘈雜的環境下識別率會降低。這里就有語音分離的用武之地了，可以將非人聲或其他噪聲分離出來，只將我們想要的聲音輸入。
圖像
人臉識別：
已經大量應用，iphone X刷臉解鎖；刷臉支付也已進入試用階段；甚至還可以通過兒童時候的照片找出長大之后的人臉；在一些安檢點會通過照相匹配身份證上的人臉信息，以查看是否是本人。這都是人臉識別的應用。
目標檢測&目標識別：
大多數情況下這兩個技術都是同時應用的。這項技術也是整個計算機視覺的基礎，很多應用的核心技術也是基于此。效果就是可以檢測出一張圖片中你想要檢測的目標并識別出它是什么(人、動物、手機、汽車等等)。現在學術界的Yolo9000可以檢測并識別9000種類別的物體，并且可以達到實時的速度。而且，目前機器識別目標的準確率早已高于人類(在一些標準數據集上的測試結果)。所以整個技術的成熟度已經很高，可以作為基礎技術應用到各種復雜系統中去：例如，智能駕駛中需要檢測并識別周圍的物體；智能安防領域中需要檢測攝像頭中的感興趣目標，等等。
最后，用一句話概括，就是可以讓機器認識物體。
場景識別：
一張圖片我們分為前景和背景。當人站在足球場上時，我們就可以利用目標檢測和識別技術將人檢測并識別出來，而場景識別呢，就可以告訴我們，這是足球場。一個是檢測前景物體的，一個是檢測背景的。而場景識別，要更加復雜一點。
OCR：
Optical Character Recognition——光學字符識別。是指對文本資料的圖像文件進行分析識別處理，獲取文字及版面信息的過程。
這個應用就十分廣泛了，而且也已深入我們的生活：比如，你在手機上添加銀行卡時，很多軟件會讓你直接把卡放在攝像頭的中央位置，然后就會自動識別出卡號。還有一些軟件需要添加身份證或者是個人證件時，也可以使用相似的操作；以及你在停車場進出的時候，車牌識別，其實也算這個領域。也有很多軟件應用在直接把PDF的內容轉換成可編輯的文檔。可謂十分廣泛。也是非常基礎的一個應用。
圖像處理：
其實在這個領域內，有些方法并沒有用到機器學習的內容，但是也有用到的。應用也是十分廣泛的。現在的很多美圖軟件，都可以按照用戶想要的效果輸出處理后的圖片。當然還有一些更有意義的：比如，圖像去霧、圖像去燥、暗光增強、失焦修復。當然還有各種濾鏡啊等等。應用十分廣泛。
還有值得一提的是，圖像超分辨率：就是可以用深度學習模型將原始低分辨率的圖像經過處理后變成高分辨率的圖像。并且，效果就是，你會認為處理過后的圖像就是原始圖像。再多說一句，這項技術更進一步，可以達到，你給機器輸入一個文字：“貓”，它就可以幫你生成一張貓的圖片。
圖像融合：
其實圖像融合也可以算是一種圖像處理的方式。目前已經有很多圖像融合的APP了，并且這些圖像融合不是簡單的兩個圖像相疊加，是在風格上的融合，并保持一定的內容特征。在學術上，叫做圖像風格遷移，可以讓人人都成為梵高風、畢加索風的圖片創造者。大家可以下一個【prisma】體驗一下。
這里其實，想說，看很多文章說這樣機械化的創造，會不會消滅藝術；但，我覺得，雖然機器在融合的過程中并不會加入情感和思考，但是，背后操作的人，依然有著溫度。所以，作為一個工具，可以讓我們人人都成為一個“假”的藝術家，可這也是藝術希望的啊。我們需要做的，就是更好地了解這些工具，并讓他們成為生產力。
圖像分割：
其實圖像分割，就是摳圖，并且是完全按照物體的輪廓扣出來的圖。現在很多軟件也可以做到，把你想要的前景目標按照其邊界輪廓扣出來，然后，你就可以任意妄為的讓它去你想去的地方了。
最后看一下兩篇在各自領域內較頂級的論文中的實驗截圖，感受一下目標檢測與識別 和 圖像分割的區別。其中，左圖上面的數字就是機器認為是該物體的概率(最大為1.0)。真正的技術上原始的輸出是這樣子的，在此基礎上，到產品端給用戶的展示方式和形態可以有更多的想象力。
真正的技術上原始的輸出是這樣子的，在此基礎上，到產品端給用戶的展示方式和形態可以有更多的想象力。
視頻
其實視頻中的很多應用基礎是上一節講過的圖像技術，因為視頻都是由一張又一張的圖片組成的。在處理視頻時也會將其作為圖片進行處理，隨后再將其連貫起來看。但是需要注意的是，視頻，比圖片多了一個時間序列信息。而利用這個信息，也是很多視頻應用中，最關鍵的一步。
行為分析：
當我們將視頻中出現的目標按照先后關系連續去看每一個動作時，其中就蘊含著行為的特征。技術上實現的原理也是這樣的，先通過把每一幀里 人的動作給識別出來，然后再放到另一個模型中連貫的去處理這些動作特征，最后得到預測的行為結果。
這個，在人機交互中有十分大的潛在應用價值。而在實際投入使用中，很多城市都安裝了預警攝像頭，如果在其監控范圍內有潛在的犯罪行為，就會自動報警。
視頻分割：
這個就是做連續的圖像分割。把視頻中的一些前景或背景分割出來，有利用更好的研究視頻的內容信息。也可以作為一種輔助工具，用于無人機導航和智能駕駛中去。
視頻語義理解：
視頻語義的理解其實是一個多特征的融合。利用之前提到過的：行為分析、人臉識別、語音識別等技術，對視頻的相應內容進行識別，并綜合這些特征，理解視頻內容。
SLAM：
Simultaneous Localization and mapping，同步定位與地圖構建。是近幾年很火的一項研究。我所知道的，有兩個應用：
1.無人機在室內環境下無法利用GPS導航飛行，這個時候就需要SLAM技術，在陌生的室內環境中進行視覺導航。大致的原理就是，通過攝像頭拍下室內的場景，然后進行地圖的構建，隨后用戶就可以操作無人機飛行室內的一些指定位置了。這樣就解決了之前無人機無法在室內定位導航飛行的難題。
2.在陸地上走的機器人，進入一個陌生的環境也需要進行導航。通過在運動過程中拍下的室內場景，構建室內地形地圖特征，并定位自身位置和姿態。這個在一些災難救援場景中，就顯得尤為關鍵和重要。
目標跟蹤：
目標跟蹤就是將目標在視頻中的行動軌跡給畫出來，從而就能定位一個人。目標跟蹤其實是在目標檢測的基礎之上做的一個算法跟蹤。因為，因為目標檢測無法區分檢測到的兩個人，并且，在目標被遮擋的情況下，也是無法檢測到目標的。而應用目標跟蹤技術，即使在遮擋的情況下，根據目標移動的軌跡也可以預測出他的位置，并且，如果同時檢測到多個目標，還可以區分出這些目標的軌跡。
智能安防：
以前，我們安防預警需要靠人盯著，或者說在事發之后，需要人為地去翻看錄像。而，將以上目標檢測與識別、人臉識別、目標跟蹤、行為分析等技術整合之后，就可以依靠機器查出犯罪嫌疑人分的移動方向，甚至在城市的其他攝像頭中找到犯罪嫌疑人。也可以，讓機器全天候24小時的情況下監控一些關鍵區域，預警是否有危險情況的出現。
智能安防是一個領域，其中需要應用到的技術是依據場景和需求而定，但其中肯定少不了AI的應用。
AR/VR：
這一塊的技術應用筆者不是很了解，但是，其中肯定集成了深度學習的一些基礎應用技術，例如：人臉識別、目標檢測、場景識別等。而VR/AR未來可能會隨著硬件的普及，重新定義一些我們的生活方式。不過，在此之前，應該先很好地解決長時間佩戴眩暈問題。
好了，到這就先告一段落了，仔細回顧一下上面所介紹的，在產品的形式上，AI幾乎已經是包攬了所有的計算機軟件形態(不知道這樣說準確不)了。而一些基礎應用，已經滲入到各行各業中，有的作為工具、有的作為零件，被集成到了行業中的系統中，為用戶或使用人員帶來了便利。
而其中，有一個特點，就是應用最為廣泛的，是一些基礎技術。它們作為工具，加快了傳統的人工處理或一些傳統技術處理的速度。
AI產品在各行業中的應用展現
這一章節，先上圖，隨后我們對這些行業進行一些簡單的介紹和分析，如果有對某項應用感興趣的，可以直接在網上搜索下面的關鍵詞，都可以得到很多的資料和介紹。
以上，我挑了幾個公認的AI改變巨大的行業進行了細分。
生活服務：
如今的智能手機就是集各種AI技術的產品。未來的手機，可能都是人工智能+概念，成為最懂你的生活助手。在本地收集你的信息，然后訓練模型，為你進行個性化推薦。并且，手機上可以集成更多的深度學習技術。
1.當你游玩時看到一束花，然后打開手機的攝像頭，手機就會告訴你這個花的一些信息。
2.當你在朋友圈看到別人發的風景照，再也不用在下面評論這是哪呀，直接點擊圖片搜索，就會告訴你這個游玩地點，和一些景點基本信息。
當然在生活服務方面，還有更多的事可以做。
1.夏天，在下班前的20分鐘，將家里的空調打開。調節到事宜的溫度。
2.出去買東西，孩子自己一個人在家里，一哭鬧，手機立馬報警，可能同時還有一個家庭機器人開始唱歌陪伴孩子。
其實這些事，很多已經可以做到了，就等待未來這樣的生活普及到千家萬戶。很多智能硬件廠商，也都在積極部署自己的智能家居生態，這里，【智能音箱】成為了行業內的兵家必爭之地，作為連接各個智能家居的中樞入口。
這里，看一下在國慶期間谷歌的2017秋季新品發布會，就能感受到，AI+在生活服務中的方方面面。
零售：
AI在對整個電商零售行業的改變可謂是巨大的。我們能感受到的最深刻的就是個性化推薦。
1.你在某平臺上看羽毛球拍，基本上在其推薦區域可能就會有很多同價位的羽毛球拍的推薦。
2.當你買完羽毛球拍，推薦更多的可能是羽毛球或球鞋等等。
個性化推薦其實已經應用到各行各業中了，很多面對消費者的企業都將"千人千面"掛在嘴邊，成了下一個戰略目標。其實，真正去看實現的原理，發現確實是"千人千面"，但是由于用戶畫像的標簽數量級很難達到另一個量級，發展到最后就依然還是“億人千面”。
對于傳統的零售行業，通過大數據+機器學習可以對未來的貨品需求進行預測，大大減少了商品壓倉的概率。
2017 TechWorld大會上，劉強東表示，在明年雙十一之前，會將建立第一個無人倉庫，沒有一個操作員。京東在昆山已經有一個無人分揀中心，分揀能力可以達到9000件/小時，每個場地可以節省180人力，可以實現整個分揀大環節的全流程無人操作。
而今年7月份亮相的阿里巴巴無人超市，也讓我們看到了零售實體店的未來。配合刷臉支付，試想一下，未來，你去一家這樣的超市，刷一下臉，然后挑選商品，出門、抬頭、支付、走人。現在看來這樣可能是一件很裝X的事情，但是未來，有沒有可能大家都習以為常。
用馬老師的話說，未來，中國每天的物流量可能都能到達現在雙十一的流量。所以，人工智能的應用已經是大勢所趨，可以減少大量的人工重復性工作，并且還能幫助人類完成優化決策。
教育：
我們都知道，大班教育沒有小班教育好，而小班教育沒有私教好。而，當人工智能應用到教育行業時，我們將較容易得體驗到這些昂貴的私教服務。為用戶構建私人的知識圖譜，讓用戶更容易地、更準確地發現適合自己的內容。
美國紅雀模擬器公司推出的紅雀FMX型全動飛行訓練裝置經過了美國美國航空管理局（FAA）認證，價值幾千萬美金的模擬機。 中航國際曾采用這款飛行器訓練我國飛行員。
而，模擬機和真機的飛行感覺沒有差別， 并且，模擬機的訓練更為便捷。
通過大數據+人工智能，機器人可以幫助我們更好地報考志愿，現在已經有很多這樣的收費產品。輸入文理專業、分數、生源地，就可以幫你推薦合適的學校和專業。并且，我覺得，通過往年的數據，不摻雜感情地預測，可能更加準確客觀。并且，最大的優點是：可以更快、更準確、更全面地得到所有的選擇可能。
安防：
安防領域之前已經說過很多了。想想，以前是需要人在那里盯著屏幕一直看，而人還需要休息，有時也會走神。但是，機器只要運行程序就行，只要程序沒有問題，機器就可以一直工作。所以，AI在安防領域的應用也確實大大解放了很多勞動力。
上面的應用可以是實時的，作為預警作用；也可以是在刑偵辦案時，幫助警方更快速地找到可疑目標。
金融：
金融行業對人工智能的青睞其實很早就開始了。
1969年，愛德華·索普利利用他發明的"科學股票市場系統"（實際上是一種股票權證定價模型），和里根合伙成立了第一個量化投資基金——可轉換對沖合伙基金。
而，近幾年，從海外到國內，智能投顧也開始興起。2016年也被稱為中國智能投顧的元年。
通過大數據+人工智能的技術，可以讓用戶最大概率的獲得收益，這和金融的本質，控制分險是一致的。并且，機器在面對金融時，是不會有貪婪之意的，有非常大的優勢。所以，人工智能未來還是會成為金融從業者最有力的決策工具。
除了，投資方面，人工智能技術也開始深入到了金融中的方方面面。
1.刷臉支付已經慢慢地開始進入到商用時代。
2.在后臺的每一筆支付中，人工智能都在計算操作的安全性，保障我們的賬戶安全。(我們在外地、或新換手機支付時，有時會需要短信驗證碼。而在常住地，大部分時間都不需要。)
個性化推薦，也在金融獲客中起到了重要的作用。如今的很多信貸產品，你只需要輸入一些個人信息，金融機構就可以迅速地計算出一個合理的信貸額度。
保險產品琳瑯滿目，而現在的產品，也可以根據你購買行為，資產配置情況等，進行個性化推薦保險。
交通：
自動駕駛，大家可能覺得就是自動駕駛小轎車，而如今，自動駕駛所應用的程度更加廣泛：
目前、包括Google、蘋果、百度、樂視、Nvidia、Uber、福特、通用、特斯拉、奧迪、豐田、日產、本田、現代、奔馳、寶馬、奧迪、Faraday Future、BOSCH、沃爾沃等眾多科技或汽車廠商都已經在研究和測試自動駕駛。
2017年8月中旬，中國中車研發的全球首款12米“無人駕駛”智能客車初次上路，在3公里的運行測試中表現出色。
在深圳市2017年“公交出行宣傳周及無車日”活動啟動儀式上，深圳巴士集團董事長余鋼透露，他們正在與國家智能運輸技術中心、華為公司等合作，共同研發無人駕駛技術，2017年年底將在深圳市南科大等處試驗推出2條無人駕駛路線。、
近日，Rio Tinto公司宣布其生產的火車已經完成了首個無人駕駛任務，它實現近100公里無人駕駛。Rio Tinto希望在2018年年底之前擁有一個完全自主的列車網絡。
看看以上的一些咨詢和新聞，現在自動駕駛確實是百家爭鳴，應用廣泛。不出意外，未來，自助駕駛就會進入我們的生活了。大膽設想，如果自動駕駛非常成熟，成為了主要駕駛方式，未來的車禍率是不是會減少很多，而且也完美的解決了酒駕問題。
其他的，智能交通燈系統，根據對路上車流量的檢測和整個城市交通的情況分析，自動控制并調節交通信號燈的轉變。
還有無人機的應用，除了無人機航拍之外，我們還可以利用無人機送貨，也可以進行特殊環境下的災難救援等等。
醫療健康：
人工智能在醫療領域的應用意義十分重大。目前，很多疾病都是由于發現不及時，而導致死亡等等。而，我們在體檢的時候，一些細小的指標或者醫學影像醫生很難發現。此時，人工智能便可以替代人力做這樣一件繁瑣、重復，但十分有意義的工作。這可以輔助醫生做診斷，減少誤診率，漏診率。
在老年看護方面，我們可以在老年人身上放置一些傳感器，通過對數據的實時監測，來完成對老年人的看護。
目前很多公司都開始提供基因檢測服務，基本的檢測在1000元以內，通過人工智能技術，我們可以在基因檢測之后做進一步的診斷。
還有智能診斷，醫療機器人、康復機器人等應用產品。
不過目前，這些應用都處在初期階段。很多產品都無法大規模的商用，而有的還處在實驗室階段。但是，未來，人工智能作為醫生最好的決策助手，指日可待。
其他：
Alpha Go 已經火得不要不要的。
Camera Effects：
facebook在2017年F8大會上發布的AR平臺。讓相機成為變成一個AR平臺，可以給人臉添加配飾，通過AR換裝，在實物上涂鴉等等。并且它的意義在于，這將是一個開放式的平臺，全球的發布者都可以講自己創造的素材發布到平臺里，讓傳統的AR添加素材更加多元化。
LipNet：
由牛津大學人工智能實驗室，谷歌DeepMind和CIFAR聯合發布的一篇論文。該文介紹了利用機器學習實現語句層面的自動唇讀技術。結論顯示，在GIRID預料庫上，LipNet實現了93.4%的準確度，超過了經驗豐富的人類唇讀者和之前的79.6%的最佳準確度；并且，這一文本轉換的速度幾乎是實時的。
雖然這篇論文在學術界投稿上磕磕絆絆，但對于工業界是一個很好的應用方向和工具。
百度尋人：
平臺致力于運用百度的人臉識別技術更加快捷方便地幫助走失人員回歸家庭， 現已對接民政部全國救助尋親網中近3萬條走失人口信息，用戶可以上傳走失親人的照片進行快速比對。并且，現已有成功尋人的案例，個人認為十分有意義。
好了，終于通過【產品形式】和【行業應用】這兩個角度介紹完了大部分的人工智能產品，不知道大家看到這里，是否覺得未來，就像蒸汽機帶來工業革命一樣， 深度學習的這波潮流即將要帶來人工智能時代？
我個人認為，此言差矣，欲問為何，還看最后一節的總結分析。
在這一章節的最后，貼上目前AI領域的四大天王以示敬意，目前已有3人在工業界任職。
再次膜拜...
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?AI的今天和明天
首先總結一下AI產品的特點：
1.目前成熟的AI技術偏向于基礎應用，呈現工具化、零件化的形態。
2.在一些領域中，由于AI程序化的設計，使得機器可以完全勝任一些重復性、繁雜的工作。解放人力，打破了傳統人力在自然、人體機能前的限制。
3.由于大數據的發展，在很多方面，人工智能通過大量地學習以往經驗，在掌握大量信息的情況下，可以做出準確率十分高的決策。而，與此同時，人類可能無法像機器一樣考慮得全面。
4.想要應用AI的行業，必須要有大量的數據積累。也就是必須要有基礎業務，而人工智能作為其中的一環或者工具依附在上，作為一種支持系統。
5.大的AI系統必須細分化，不斷拆解其技術問題，通過結合大量的、成熟的基礎AI應用來完成整個AI系統任務。
個人認為，以上總結的5條，體現了目前絕大多數AI產品的設計邏輯。
而我們從一些使用體驗比較失敗的產品身上，得到的一些結論，會發現跟前面的一些特點會恰恰相反：
1.AI所應用的領域在之前沒有傳統的基礎業務做積淀，AI系統封閉性太強，形成了單獨的閉環系統。
2.由于監督學習的算法特點無法自學習，AI系統不夠“聰明”，導致無法面對非常廣泛的、開放式的環境中產生的所有情況。
3.性價比低，由于AI算法的應用，需要更高的硬件資源，而實際達到的效果與增長的價格不符合預期，價值低。
**
這里，如果再做進一步的現象總結的話， 我們可以發現：用戶體驗不好的產品，都是屬于全新的產品鏈，并面向C端用戶的。這樣的產品幾乎占了上面的3條特點。而與行業內數據儲備龐大、業務經驗豐厚、2C端產品成熟的B端廠商相結合，提供底層的AI技術支持，是目前最成功的商業模式。
**
以上3條是目前一些真的人工智能產品出現的一些問題，注意，這里說的是真正的人工智能產品。這里我們可以看兩則消息：
康奈爾大學的研究人員對Siri、Google Assistant、度秘等人工智能語音助手進行了智商測試。這項研究仍在進行之中，但最新公布的結果顯示：Google Assistant的IQ為47.28，略低于6歲兒童的智商。而Siri則是23.9，大幅落后于后者。
Geoffrey Hinton對人工智能的未來非常擔憂，在最近的一次人工智能會議上，Hinton表示自己對于反向傳播[非常懷疑]，并提出【應該拋棄它并重新開始】。
然而目前，反向傳播是監督學習的核心，也是深度學習不可或缺的一部分，但是，就像之前提到的，利用反向傳播調整模型，可能AI永遠無法達到【強】人工智能。
接下來，想說，其實AI到目前為止最主要的就兩個作用：
1.將人類從繁雜的、重復的工作中解脫出來。
2.通過目前已知的情況，幫助人類做出決策。
如果說大部分成功的產品都講究一個社會階段和環境養分的話，那么，現在的AI產品在設計時，應該本著這兩條去考慮。而那些我們感覺到不盡如人意的AI產品，大都是沒有按照這兩條的意圖去設計的。
對于“AI會讓很多人失業”，“有可能威脅到人類”等反AI的觀點， 我還是持相反意見的。我們的老祖先很早就說過：【以史為鑒】。只是當時沒有存儲數據的機制，沒有相應的計算算法，更沒有計算的機器。否則人工智能可能會更早的出現。而現在，這些條件都已具備，我們為什么不大膽地擁抱呢。
想想，我們可以利用多年積累的數據和經驗，代替很多重復性的工作。我們可以利用存儲量大于常人的機器，幫助我們記住很多信息并作出決策建議。這，并不是機器威脅人類的方式，而是人類利用機器，解放自己，從而走向更加快速發展的道路。
好了，最后了。我們聊聊未來。
其實就是一句話：理智、客觀地看待人工智能的潮起潮落。
人工智能已經經歷過了兩次寒冬，這里，有資本過熱地毒害，也有學術無法繼續前進的問題，可能最冷的Winter is coming. 當監督學習無法滿足一些任務，而，新的學術方法還未能出現解決時，可能最后一次寒冬就來了。
不過，可能大家會拋棄現在的算法和網絡，但是，人工智能時代終究會到來，因為人類終將會用工具代替現在的自己，并開始從事其他更有意義的工作。科技永遠會向前走的，人類也需要更多的人力去轉動歷史的車輪，去完成更有意義的事情。（這里套用一下我本科高數謝老師的一句課上名言）
人類的出現就是為了揭上帝的底牌。
雖然，可能前景一片美好，但是路漫漫，高低坑洼還有迷霧。資本需要和市場一樣理智；創業者也需要在做人工智能時，牢牢依附著傳統行業，少一些【強】人工智能的夢想，多一點細分化場景的創造。人工智能的基礎技術已經十分成熟，在各行各業中都有應用的條件，可能，現在只需要一個靠譜、新穎的idea.
而，目前，我們需要做的，了解人工智能技術的邊界，深入行業研究具體業務，最后，架起一座又一座橋梁。
當然，這里我們不可能一番風順，可能會在數據獲取、數據清洗、制作數據標簽時等等環節中遇到困難。但是，歷史的責任，需要無數的AI從業者去理智地推動這件事。
作為一個還沒有怎么經歷社會歷練的小鮮肉，居然在最后一章節，說了這么多裝X、預測、總結的話。還望，各位看官大佬包涵。不過，希望自己能夠從事到這樣的一件事情中去。
文中如果有錯誤，希望批評指出，也歡迎與您一起討論。
原文鏈接：http://www.lxweimin.com/p/c492e2b6d892
