自从1956年计算机专家约翰麦卡锡提出“人工智能”一词后，短短几十年时间，便取得了令人惊讶的进展，从纸上蓝图迅速进入应用落地阶段。2019年，在人工智能中占主导地位的技术都有哪些?今天就来盘点一下。

  一个完整的自然语言处理系统包含语音识别、语义识别、语音合成三部分。近二十年来，自然语言处理技术进步明显，开始从实验室走向市场。人们预计，未来10年内，语音识别、语义识别和语音合成技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子科技类产品等各个领域。

  我国在语音识别技术方面优势显著，出现了以科大讯飞、百度等为代表的优秀AI企业。近两年，科大讯飞除了在To B赛道上广泛布局外，还推出了一系列主打C端的AI产品，如讯飞翻译机、讯飞录音笔、讯飞智能办公本、讯飞超脑学习机和讯飞智能鼠标、阿尔法系列智能机器人等，涵盖了日常生活，办公、学习的方方面面。

  2019年618和双11期间，凭借良好的性能，高达98%的语音识别准确率及便捷的操控性，讯飞翻译机力压群雄，分别登上了天猫、京东两大电商累计销量和销售额冠军席位，意味着这家企业在自然语言处理和应用方面方面，已找到了很好的落地点。

  根据实际解决的问题，计算机视觉技术可分为人脸识别、图像检测、图像检索、目标跟踪、风格迁移等几大板块。其中，人脸识别、图像分类等功能计算机视觉技术已比人类视觉更精准、更迅速。在医院，一般早期食管癌检出率低于10%而腾讯觅影通过扫描上消化道内镜图片筛查食管癌，检出率高达90%，用时不到4秒。商汤科技宣称，利用其计算机视觉技术，视频内容审核能节约99%的人工。

  虽然在解决识别、检测、聚类等问题上，计算机视觉已能超越人类，但其发展仍面临挑战。

  首先，缺乏可用于人工智能模型训练的大规模数据集。其次，缺乏从技术到产品到规模化应用的工程化经验。计算机视觉技术的应用已不再是单一的软件应用，涉及到新型基础架构，涉及到新的数据分析流程，还涉及到智能硬件如摄像头的安装等等。每一个环节都可能会影响识别效果。将这一技术从实验室扩展到工业化应用的过程本身就是很大的挑战。

  知识图谱最初是由Google公司在2012年提出来的一个新的概念。从学术的角度，我们大家可以对知识图谱给一个这样的定义：“知识图谱本质上是语义网络(Semantic Network)的知识库”。但这有点抽象，所以换个角度，从实际应用的方面出发其实可以简单地把知识图谱理解成多关系图(Multi-relational Graph)。如果说以往的智能分析专注在每一个个体，知识图谱则专注于这些个体之间的“关系”。知识图谱用“图”的表达形式，最有效、最直观地表达出实体间的关系，是最接近真实世界、符合人类思维模式的数据组织结构。

  相较于传统的智能分析，知识图谱是基于图的数据结构，即知识图谱需要从海量信息中抽去多重维度的特征信息，并在这些特征信息素材的基础上，通过智能推理实现从数据到可视化图像深加工，从而能够直观易懂的展现给用户，并与用户交互。

  目前，知识图谱主要使用在于面向互联网的搜索、推荐、问答等业务场景，成为以商业搜索引擎公司为首的网络公司重兵布局的人工智能技术之一。同时，也开始在金融、医疗、电商及公共安全保障等领域得到普遍的探索。

  机器学习指的是计算机系统无须遵照显式的程序指令，而只依靠数据来提升自身性能的能力。其核心在于，机器学习是从数据中自动发现模式，模式一旦被发现便可用于预测。比如，给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库，系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多，预测就会越准确。

  机器学习的应用场景范围十分普遍，针对那些产生庞大数据的活动，它几乎拥有改进一切性能的潜力。除了欺诈甄别之外，这些活动还包括销售预测、库存管理、石油和天然气勘探，以及公共卫生等。机器学习技术在其他的认知技术领域也扮演着重要角色，比如计算机视觉，它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。

  将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、制动器以及设计巧妙的硬件中，这就催生了新一代的机器人，它有能力与人类一起工作，能在各种未知环境中灵活处理不同的任务。例如，无人机、可以在车间为人类分担工作的“cobots”等。

  虚拟助理是一种能与人类进行交互的计算机代理或程序，其中以聊天机器人最为著名，如我们熟知的苹果产品中的Siri、微软Cortana以及Google Assistant、Amazon Alexa等。虚拟助理多用于客户服务和支持，并可当作智能家居的管理者。

  Google Assistant 在回答商业类别查询时表现最为突出，92% 正确回答了有关产品和服务信息及在何处购买某些商品的更多问题，相比之下Siri只有68%和Alexa的71%。

  一种特殊类型的机器学习，包括拥有多个抽象层的人工神经网络。目前主要使用在于由很庞大的数据集支持的模式识别和分类应用领域。代表性厂商包括：Deep Instinct、Ersatz Labs、Fluid AI、MathWorks、Peltarion、 Saffron Technology和Sentient Technologies。国内如百度、科大讯飞和腾讯等，也均推出有着自家技术特色的深度学习平台。

  引擎将规则和逻辑嵌入到AI系统，并用于初始的设置/训练和日常的维护和调优。这是一项成熟的技术，应用于一系列广泛的企业应用领域，协助或执行自动决策。代表性厂商包括:Advanced Systems Concepts、Informatica、Maana、Pegasystems和UiPat。

  能够支持人类与机器之间更自然的交互，包括但不限于图像和触摸识别、语音和身体语言。目前主要使用在于市场研究。代表性厂商包括:3VR、Affectiva、Agnitio、FaceFirst、Sensory、Synqera和Tahzoo。