人工智慧成矽谷創業熱點 引投資者追捧

國外媒體發表文章稱，一股新的趨勢正風靡矽谷。 看看創業公司們最近的融資情況，就會發現有一已有超過半個世紀歷史的概念備受追捧：人工智慧。

「這是時下的熱門投資領域。 」人工智慧公司CoNtext Relevant的史蒂芬·普爾普拉（Stephen Purpura）指出。 CoNtext Relevant自2012年創立以來已累計融資超過4400萬美元。 據普爾普拉稱，已有超過1700家創業公司加入人工智慧浪潮。

人工智慧的新晉者認為，該技術終於趕上人類對它的期望了，它將給電腦帶來更高的智慧程度。 它們想要給人類帶來新的人機互動方式，想要使得機器能夠以預想不到的方式「入侵」人類世界。

另一家新興人工智慧創業公司Kensho的丹尼爾·納德勒（Daniel Nadler）表示，「從技術上說，從給機器輸入指令到讓電腦自動觀察學習是一種范式轉變。 」Kensho最近獲得了1500萬美元的融資，它正追逐一個雄心勃勃的目標：訓練電腦使得它們能夠取代金融分析師等白領崗位。

「我們並沒有將我們在做的事情稱作人工智慧，而是稱之為‘自動化人為干預型的知識性工作。 ’」納德勒指出。

投資者的羊群效應，一定程度上解釋了為什麼人工智慧在「大資料」口號燃起了千千萬萬創業夢想以後成為了最熱門的創業投資趨勢之一。 那些融資的規模還相對較小，說明那些創業公司大多處於初期階段。 不過，獲得融資的公司之多，投資者背景之廣泛，充分說明瞭投資者對人工智慧的濃厚興趣。

除了矽谷的部分知名風投公司（其中包括Khosla Ventures和Greylock Partners）以及伊隆·馬斯克（Elon Musk）、彼得·泰爾（Peter Thiel）等科技大佬之外， 人工智慧創業公司的部分活躍投資方還包括認為該類技術在其行業大有用處的企業，如高盛。

納德勒說，各家風投公司現在都需要參與投資該領域：有限合夥人們都希望在科技行業最新的「下一個大熱門」分得一杯羹。

價值應用問題

最新的人工智慧熱潮很大程度上得益于針對近乎「智慧」的機器的新程式設計技術。 首當其衝的是機器學習技術，它涉及訓練機器通過挖掘大量的資料來識別模式和作出預測。 但跟其它催生一眾創業公司的新熱門概念一樣，涉足其中的公司很多將面臨著難以給其技術找到有利可圖的應用的風險。

「很多的人工智慧平臺都像是瑞士軍刀，」最近獲投1300萬美元的Expect Labs的CEO蒂姆·塔特爾（Tim Tuttle）說道，「它們能夠做很多的事情，但哪些才是高價值的應用並不明朗。 」

他說，結果是該行業彷如狂熱的西部，創業者們都爭相將人工智慧應用到他們能夠想到的任何一個計算問題。

普爾普拉補充道，「我不認為機器學習作為獨立的技術會造就一項富有價值的業務。 很多的相關公司都將以被收購收場。 」

人們之所以覺得人工智慧將不僅僅是另一股只是一時流行的熱潮，是出於對其廣泛潛力的考慮。 跟「大資料」一樣，人工智慧指代的不僅僅是單一的技術或者用途，而是可能有廣泛用途的一種解決方案。

西雅圖風投公司Madrona合夥人麥特·麥克韋恩（Matt McIlwain）表示，深度學習等技術會有助於企業在客戶情況上獲得更加智慧的推斷。 他補充道，它們將能夠識別客戶的偏好並作出預測，如客戶最想在什麼時候被接洽，哪些客戶最有可能不續約。

湧入該領域的創業公司面臨著巨大的競爭。 人工智慧最大的進展悉數來自谷歌、IBM、Facebook等投入巨大的科技巨頭。 這些公司並沒有透露它們具體投入了多少資源去研發該項技術，倒是進行了一些公開演示來向大眾證明它們處於領先位置：谷歌旨在從YouTube視頻識別出貓的一項測試，Facebook用以識別人臉的Deep Face系統， 以及IBM的沃森（Watson）問答系統。

然而，塔特爾等創業者將希望更多地寄託在將現有技術打包應用於針對性很強的用途，而不是寄託在新技術的前沿開發上。 例如，Expect Labs致力於打造聲控服務，使得企業能夠通過其服務讓客戶可以進行線上對話檢索等操作。

塔特爾表示，「大公司在試圖開發這種技術來解決一切問題，而我們則是嘗試解決不同的問題。 」塔特爾說。

三大熱門用途

該技術的基本用途可分成幾個不同的領域。 得益于模式識別功能的進步，圖像識別變得比以往容易了。 涉足這一領域的創業公司Vicarious最近完成融資7200萬美元。 它能夠解決驗證碼問題。

同樣的技術也用於説明電腦「理解」語言——自然語言識別問題。 這是IBM沃森等系統背後的技術之一。 人工智慧的第三個熱門用途是找出關聯性——用於個人化線上內容和其它的推薦服務，或者提高廣告定向效率。

跟前景可期的新概念一樣，人工智慧的部分早期應用也是用於金融市場，不過考慮到所涉的利益問題，參與者並不敢公開宣講它們的技術。

「如果你的金融應用可行的話，為什麼要將它公諸于眾呢？ 」Sentient Technologies首席科學家巴巴克·霍賈特（Babak Hodjat）指出。 他的公司致力於從資料中心獲得大量的運算能力來對金融市場進行全面的類比：通過運用嘗試學習市場對不同情況的反應的「進化演算法」，它希望能夠開發出模型來預測市場未來的演變。

將像這樣的想法在各個領域付諸實踐，需要作出巨大的投入來開發人工智慧技術。 例如，Sentient最近融資超過1億美元來將它的技術應用於更多的領域，說明招攬「訓練」人工智慧系統應用於多個不同領域所需的行業專家等事項的成本相當高昂。

Sentient認為，最有吸引力的行業是那些需要挖掘海量資料來解決高價值問題的行業，如醫療保健、保險和電商。 電腦安全性和詐騙檢測也屬於諸多人工智慧公司最想涉足的那部分領域。

CoNtext Relevant的普爾普拉說，讓人工智慧技術能夠真正用於現實用途也需要付出其它的成本。 「關鍵的爭奪跟底層的機器學習技術無關，而是關乎建造支撐系統讓它變得可用。 」他稱，這些輔助技術包括傳輸大量資訊所需的資料「管道」，以及用以確保人工智慧技術在可接受的業務參數內運行的控制系統。

鑒於諸多創業公司面臨著證明其技術不僅僅是令人驚豔的展品的壓力，能否從投資者那裡搶得融資，可能會決定它們在無可避免的人工智慧行業洗牌中的生死存亡。

機器學習

金融時報專欄作家理查·沃特斯（Richard Waters）寫道，人工智慧、機器學習、深度學習和神經網路，關乎開發機器來解決之前被認為只有人腦才能解決的問題，它們催生了一系列的技術和專門術語。

跟其它技術分支一樣，公司在最佳方案上的差異有時候就像是宗教信仰上的差異。 「你所使用的名稱表示你所屬的部族。 」普爾普拉說道。

人工智慧承載著實現完全人類式的電腦「思維」的夢想。 但以電腦邏輯解碼人類思維的嘗試並不順利。

業界對人工智慧重燃興趣，很大程度上是因為機器學習——一種有意跟人類思維類比劃清界限的方案。 機器學習是資訊處理成本下降的產物，涉及海量如今能夠進行收集並傳輸到網上的數位資料。

作為機器學習的子集，深度學習是人工智慧趨勢出現的重要原因。 深度學習基於人工智慧歷史的另一個概念：神經網路，即尋求類比人腦運作加快「學習」的軟體。

Nara Logics的CEO亞娜·艾格斯（Jana Eggers）表示，神經科學的進步為這種生物類比帶來了新思路。 她補充道，類比的目的是「看看人腦是如何進行決策的，如何使得電腦能夠做得更好。 」

(責任編輯：mengyishan)