人工智能、机器学习和数据将促进未来生产力的发展
https://blog.csdn.net/wowotuo/article/details/54744833
人工智能是信息时代的先进技术。在最新的创新介绍系列文件中，人工智能服务的发展可能会开拓新的市场，破坏云计算的竞争环境。我们相信，如何更好地利用人工智能将成为公司未来几年竞争优势的决定性因素，并将带来生产力的复苏。
目录
投资组合经理总结………………………………………………3 什么是人工智能？…………………………………………….. 8 价值创造的关键驱动力………………………………………10 促进未来生产力……14 人工智能与生产力的悖论:采访Jan Hatzius…..17 生态\云服务\开源人工智能投资周期的受益者.. 20 农业………………………. 43 金融………………………..53 医疗保健…………………63 能源………………………. 82 推动者…………………….90 附录………………………. 97
投资组合经理总结 人工智能（AI）它是信息时代的先进技术。从人类告诉计算机如何操作到学习如何独立操作是计算机操作领域的一个巨大飞跃，对每个行业都具有重要意义。虽然这些投资和新技术现在可能被视为人工智能冬季前最新一轮的承诺和失望，但它们至少将留下机器学习生产的有形经济效益。 与此同时，人工智能和自动驾驶已经上升到流行文化甚至政治话题的前沿，但我们过去一年的研究让我们相信，这不是一个错误的开始，而是一个拐点。本报告将深入探讨这一拐点，从明显的计算和数据爆炸到更微妙的深度学习，显著提高专业硬件和开源的兴起。 更令人兴奋的人工智能拐点之一是，现实世界的使用案例随处可见。深度学习不断提高计算机视觉和自然语言处理技术，大大提高苹果Siri，亚马逊的Alexa人工智能不仅仅是谷歌图像识别的技术。大数据集与强大技术的结合创造了价值，也获得了竞争优势。 例如，在医疗保健中，图像识别技术可以提高癌症诊断的准确性。在农业中，农民和种子生产者可以使用深度学习技术来提高作物产量。在药物方面，药物发现的深度学习。在能源领域，勘探效率和设备可用性逐渐提高。在金融服务中，通过打开新的数据集，成本降低，收入增加，分析速度比以前更快。人工智能的良好应用正处于一个非常早期的阶段。通过基于云服务的必要技术，我们相信创新浪潮的创新将滚动，在各行各业创造新的赢家和输家。 人工智能的广泛适用性也得出结论，它是针移动技术，为全球经济和生产力提供驱动力，结束美国生产率增长的停滞期。据高盛首席经济学家介绍Jan Hatzius研究表明，我们的框架停滞在资本深化及其对美国生产力的相关影响之中。我们认为，人工智能技术驱动的生产力提高将类似于20世纪90年代，推动企业投资更多的资本和劳动密集型项目，加快发展，提高盈利能力，扩大股权估值。 启示 虽然我们看到人工智能影响了每个公司、行业和细分经济的时间，但对投资者的启示最为明显。 生产力。人工智能和机器学习有可能掀起一个循环的生产率增长从而有利于经济增长，企业盈利，资本回报和资产估值。根据高盛首席经济学家Jan Hatzius原则上，人工智能看起来确实比可能的数据捕获更准确。与人工智能能达到的最后一波创新浪潮相比，它可以降低高附加值生产类型的成本和劳动力投资。例如，在商业部，为了节约成本的创新是统计学家的增加iPhone更好地捕获应用程序的多样性和可用性。在商业部，人工智能对成本结构有着深远的基础。我相信它将被统计学家接受，并将显示在整体生产力数据中。 先进技术。人工智能的速度和机器学习的价值可能会扭转在构建数据中心和网络时更便宜的商品硬件的趋势。我们认为，这可能会大大改变硬件、软件和服务支出的市场份额。例如，在标准数据中心的瞬时计算中运行AWS工作负荷只需0.0065 美元每小时优化人工智能GPU成本为0.每小时900美元。 竞争优势。我们看到了人工智能和机器学习重组各行业竞争秩序的潜力。管理团队未能向受益于战略情报、生产收入和创造资本效率的竞争对手投资和传递这些技术风险。在第41页的插曲中，我们将研究如何在医疗保健、能源、零售、金融和农业领域发展这些竞争优势。 创建一家新公司。在过去10年中，我们在人工智能和机器学习领域创立了150多家私营公司（附录69-75）。虽然我们相信人工智能的大部分价值将积累在大公司的资源、数据和投资能力上，但我们希望风险资本家、企业家和技术专家将继续推动新公司的创建，然后，推动实质性创新和价值创造至少是并购，尽管我们当然不会排除人工智能谷歌或Facebook”的出现。 在以下内容中，我们深入探讨了人工智能技术、历史、机器学习生态系统以及这些技术在行业和领先公司的应用。 什么是人工智能？ 人工智能是一种科学和工程，使智能机器和计算机程序能够以通常需要人类智能的方式学习和解决问题。通常，这些包括自然语言处理和翻译、视觉感知、模式识别和决策，但应用程序的数量和复杂性正在迅速扩大。 在本报告中，我们将大部分分析集中在机器学习作为人工智能的一个分支，以及作为机器学习的一个分支的深度学习。我们强调两点： 1.简单地说，机器学习是一种从例子和经验（即数据集）中学习的算法，而不是依赖于硬编码和预定义规则。换句话说，开发人员没有告诉程序如何区分苹果和橙子，算法被数据训练，并学习如何区分苹果和橙子。 2.深度学习的主要进展是目前AI拐点背后的驱动力之一。深度学习是机器学习的子集。在大多数传统的机器学习方法中，特征（即可预测的输入或属性）是由人设计的。特征工程是需要大量专业知识的瓶颈。在无监督的深度学习中，重要的特征不是由人类定义的，而是由算法学习和创建的。 很明显，我们还没有专注于真实、强大或通常的人工智能，以复制独立的人类智能，这通常是人工智能的流行和流行的文化解释。虽然谷歌有一些潜在的突破DeepMind的alphago该系统不仅击败了围棋世界冠军，而且使用了无人下棋的方式。我们专注于经济实体发展领域更直接的人工智能。 为什么人工智能发展在加速？ 在深学习能力的重大飞跃一直是人工智能拐点背后的催化剂之一。神经网络和深度学习背后的技术框架已经存在了几十年，但在过去的五到十年里，有三件事发生了变化。 1.数据。越来越多无处不在的连接设备、机器和系统在世界各地创造了巨大的非结构化数据增长。随着数据量的增加，神经网络变得更加有效，这意味着随着数据量的增加，机器学习可以解决数据的增加。移动、物联网和成熟的低成本数据存储和处理技术（通常在云中）创造了可用数据集的数量、规模和结构的大规模增长。例如，特斯拉收集了7.8万英里的驾驶数据和另一辆每10小时100万英里的汽车，蟑螂合唱团（思科月2016美元14亿美元）有一个平台通信多个汽车制造商和电信公司。Verizon该公司在8月份也有类似的投资，宣布将收购Fleetmatics，车辆远程传感器通过无线网络云软件连接越来越快。G推出只会加快数据的生成和发送。预计2020年前年度数据生成将达到44泽字节(万亿GB），根据IDC五年多的复合增长率达到141%，这表明我们正在应用这些技术。 图1:2020年前年度数据生成有望达到44泽字节(万亿GB）
2.硬件更快。图形处理单元（GPU）低成本计算能力的再利用，特别是通过云服务，建立神经网络模型，大大提高了速度和精度，可以产生神经网络的结果。GPU及其并行体系结构更快地训练了机器学习系统与传统的中央处理单元（CPU）基于数据中心架构。图形芯片网络的再利用可以使迭代速度更快，并在更短的时间内进行更准确的培训。同时，微软和百度等专业硅的发展，正在使用现场可编程门阵列，允许培训的深度学习系统进行更快的推断。更广泛地说，自1993年以来，超级计算机的原始计算能力呈指数级增长（图2）。2016年，高端NVIDIA游戏中显卡PC拥有足够的计算能力已被列为2002年前世界上最强大的超级计算机。 图2:自1993年以来，超级计算机的原始计算能力呈指数级增长
业绩成本也大幅下降。NVIDIA的GPU（GTX 1080）提供9tflops大约700美元，这意味着它的每一个GFLOPS价格在8美分左右。1961年结合足够了IBM 17世纪20年代提供单一服务GFLOPS需要超过9兆美元(通胀调整)。 图3：随着时间的推移，各单位计算的价格急剧下降
3.更好更广泛的可用算法。更好的输入(计算和数据)驱动更多的算法研发，以支持深度学习用例。开源框架，如伯克利咖啡和谷歌tensorflow，和火炬(用于脸谱网)允许开发者通过测试基础库复合个人贡献。TensorFlow例如，不到一年就成了GitHub最大、最活跃的开发商合作网站。虽然并非所有的人工智能都发生在广泛可用的开源框架下（苹果在这一领域的秘密是众所周知的），但它们的可用性肯定加速了更先进的开源工具的发展。 看看周围的 虽然本报告的重点是人工智能，以及公司如何发展这条路，但重要的是要意识到人工智能已经影响了我们的生活。 在线搜索。就在一年前，谷歌透露，它已经开始了大量的搜索rankbrain，谷歌搜索算法中最重要的三个信号之一是人工智能系统，它与链接和内容一起。 推荐引擎。Netflix、Amazon潘多拉利用人工智能推荐电影、优秀产品和歌曲播放。5月，亚马逊开放源代码DSSTNE，稀疏的张力网络引擎，简称命运，采用生产产品的建议，使其超越语言理解和目标识别。 面部识别（facenet）和脸谱网（DeepFace）投入巨资发展是必要的技术确定接近百分之百的准确度来识别照片中的面孔。一月，苹果进一步收购Emotient，人工智能启动读取面部表情来判断情绪状态。显然，这些技术远远超过标记照片。 虽然有无数的个人助理的消费者例子，比如苹果的Siri，信贷和保险风险评分，甚至天气预报，在接下来的内容中我们考察企业利用这些技术来加速增长，降低成本以及控制风险。这些技术和应用的速度本身也在发展，充其量是一个快照的时间，为公司和投资者在他们的竞争者中一路领先提供了方向。
什么是人工智能？ 人工智能是描述计算机模拟智能行为的科学。它需要使计算机表现出人的行为特征，包括知识，推理，常识，学习和决策。 什么是机器学习？机器学习是人工智能的一个分支，它使计算机能够从数据中学习而不需要显式编程。为了提供简单的背景，一台计算机可以以编程来识别照片中的火车，但如果它看到只有一个对象的照片，类似火车（如博物馆内建一个旧火车，玩具火车），一台机器可能会错误地识别它作为一列火车。在这种情况下，机器学习将使计算机学习一大组火车的例子和对象，使其能够更好地识别实际列车（从而实现人工智能水平）。 机器学习有许多现实世界的应用。例如，Netflix使用机器学习算法来生成个性化的建议，为用户提供基于其海量用户行为数据，Zendesk使用客户交互数据来预测客户可能满意的倾向。 什么是神经网络？人工智能/机器学习的背景下的神经网络描述了一种类型的计算机体系结构，人工智能/机器学习程序可以建立在模拟人类大脑的结构上。它由连接在一起的节点组成，可以解决更复杂的问题并学习，就像人脑中的神经元一样。 图4：神经网络 多个隐藏层将是深度学习的特点
什么是深度学习？深度学习是一种机器学习，需要训练一个层次结构的“深层”的大型神经网络，每个层解决问题的不同方面，使系统能够解决更复杂的问题。使用上面给出的火车例子，深学习系统将包含不同层级，每一层标识不同的列车特性。例如，底层将识别对象是否有窗口。如果答案是肯定的，下一层将寻找轮子。下一步将寻找矩形车，等等，直到层集体确定图片作为火车或拒绝假设。深度学习作为一种提高机器学习能力的方法已经越来越受欢迎，技术的进步开始允许大神经网络的训练。 什么是监督学习？什么是无监督学习？监督和无监督学习是机器学习的两种类型。在监督学习中，系统给出了一组“正确答案”的例子，根据这些例子，系统将根据正确的答案学习并正确地预测输出。监督学习的实际应用包括垃圾邮件检测（例如，系统可能有一堆标记为“垃圾邮件”的电子邮件，学会正确地识别垃圾邮件）和手写识别。在无监督学习中系统没有给出正确的答案，但有未标记的例子，留在自己的发现模式。一个例子包括将客户按一定的特征（例如购买频率）进行分组基于从一组大客户数据发现的模式。 机器学习有哪几种？ l 分类。将电子邮件分类为垃圾邮件，识别欺诈，面部识别，语音识别等。 l 聚类。比较图像，文本或语音找到类似的项目，确定集群的异常行为。 l 预测。基于Web活动和其他元数据预测客户或员工流失的可能性；基于可穿戴数据预测健康问题。 什么是一般的，强大的或真正的人工智能？一般的，强大的，或真正的人工智能的术语用于机器智能，充分复制人类的智慧，包括自主学习和决策。虽然全脑仿真技术服务于通常意义的人工智能目标，所需的计算能力的金额仍然远远超出了目前的技术，这使一般的人工智能在很大程度上仍然停留在理论阶段。
价值创造的关键驱动力 我们相信，人工智能主题相关的利润池创建（和销毁）分析最好首先通过四个关键输入：人才，数据，基础设施和硅。这些投入也有双重障碍。 人才 人工智能（特别是深度学习）很难。我们与风投和公司在空间里的对话，造成了大型互联网和云计算厂商中的人才短缺和人才之间的竞争，如图5。人工智能人才有极大的需求，并购化仍然获得必需的人才的一种常用手段。随着技术和工具的成熟，人才可能成为一个瓶颈。然而，我们相信人才将迁移到有趣的，差异化的数据集。由于这一点，我们相信大差异化的数据集是最有可能的驱动增长和利润提高，我们迈入了以人工智能为中心的世界。 图5：并购推动人工智能人才稀缺化
数据 数据是人工智能的关键输入。深入学习的有效性与较大的数据集特别相关，较大的数据集防止模型变得过度拟合。例如，麻省医院放射科和哈佛医学院的研究人员使用卷积神经网络来识别CT图像，根据训练数据大小评估神经网络的准确性。随着训练规模越来越大，精度提高（图6）。 图6：医学成像（部分身体图像识别） 培训规模与精度相关：0=最不准确，100=最准确
现在大多数学习是监督或半监督，这意味着所有或一些用于训练模型的数据必须被人所标记。无监督机器学习是目前人工智能的“圣杯”，因为原始的未标记数据可以用来训练模型。广泛采用深度学习可能会与大数据集的增长（这是发生在移动和物联网）和无监督机器学习的进展相挂钩。然而，我们相信大分化的数据集（电子健康记录，组学数据、地质数据、气象数据等）将有可能成为下一个十年的利润池创建的一个核心驱动力。 信息量在全球范围内预计将以36%的年复合成长率增长，根据IDC的预测到2020将达到44泽字节（440亿GB）。越来越多的连接设备（消费者和工业），机到机通信和远程传感器的结合，用来创建大数据集，从而理解和训练自适应算法。数据的可用性在过去十年也急剧增加，普查，劳动，天气，甚至基因组等大量数据在线免费。 我们也看到卫星图像的可用性，这需要大量的计算和充分分析。美国地质调查局Landsat 7卫星和Landsat 8卫星每8天勘测整个地球图像，美国地质调查局让这些图像免费，即使压缩后超高清晰度的图像也大约有1GB那么大。其他公司，如轨道洞察在聚合图像数据，并在多个行业创造商业解决方案。 基础配件 硬件和基础软件对人工智能而言是必要的。我们认为支持人工智能的基础配件将迅速商品化。这种观点是基于以下两点提出的：1）云计算供应商很好地拓展他们的产品，以进入人工智能基础配件领域，2）开源（TensorFlow、、火花，等等）已经成为人工智能软件创新的主要驱动力。为了鼓励人工智能，我们相信大型云厂商将继续增强开放源代码基础配件的能力，限制潜在的利润池创建。 图7：互联网巨头（如谷歌）正在通过开源技术推动人工智能（如Tensorflow）
硅 深度学习的GPU再利用已经成为我们当前的“人工智能的春天”的关键驱动因素。在人工智能/机器学习生态系统，有两个主要的应用程序，确定每个需要不同资源设置的神经网络的性能。首先是一个训练算法的构造和使用。训练算法利用一个大的（通常是更大的，更好的）数据集发现相关性，并建立一个模型，给定一个新的输入就可以确定输出的概率。培训是资源密集型的，最现代化的培训是基于GPU的供电系统的。 训练的模型和算法的使用称为推理。推理需要极少的计算能力，通常通过更小的，增量的数据输入集。而一些GPU优化推理（例如NVIDIA的P4系列和M4系列）给出推理的单一目的性，专业的硅因专门的应用程