人工智慧目前有哪些比較好的應用？ 購買該鹽選專欄查看完整 9 節內容
有哪些比較好的應用嗎？
說起人工智慧，還是谷歌爸爸最有發言權，AlphaGo太強大了，雖然馬雲前幾天說用它下圍棋沒有什麼意義……
其實他家的人工智慧產品並不只有AlphaGo，只是因為宣傳造勢的比較多大家都知道這一款。他家在人工智慧上的產品還是比較多的，比如很多人知道的，Google Assistant語音助手，融合了搜索的深度學習技術以及Google Now的個人信息學習技術，不同於一般的語音助手，這款語音助手具有很強的語義理解能力，你不需要將你的意思古板生
硬地說出來，只需要像聊天一樣地自然地說出，它就能幫你做事。像訂電影票、訂機票、找照片等，都可以快速精準地實現。這種方式應該會是未來人工智慧語音交流的趨勢。
不止是下棋，他家的人工智慧畫畫也厲害，Deep Dream是他們研發的一個具有神經元網路技術的人工智慧演算法，可以模擬人腦進行藝術創作。而且用它做出了很多作品，還進行了展覽拍賣，一張圖能賣8000美元…….
不過多數都是比較抽象的畫，說明演算法還是有待進化，不過也正好符合抽象派畫風……
另外，因為已經將DeepDream開源，所以其他很多個人或者企業都能進行使用。Ostagram是一個圖片處理網站，你只需要將兩張圖片上傳，它會根據兩張圖片的風格，然後合成一張融合了兩張圖片元素的圖片，比如這些圖片。
簡直牛……，文藝青年必備神器。
人工智慧在國內用的比較多了應該就是在智能硬體上了，比如各種手機和電視等。
人工智慧電視是最近的熱門產品，樂視，小米等品牌都有一些不同層面的應用。暴風人工智慧電視X5 Echo的相對會更先進一些。通過在電視上安置人工智慧演算法語音硬體，它可以實現全程不用遙控器，只需要語音控制電視即可，包括開機和關機這些操作，然後找內容什麼的，也很方便，比如「推薦評分9分以上的電影」。互聯網電視目前最大的問題應該就是交互了，用人工智慧是最好的解決方案。
在手機上，人工智慧也有各式各樣的應用，比如語音助手、生活服務等。但是最有意義的個人覺得是解決安卓手機卡頓問題。愛國為手機使用的EMUI5.1系統，內嵌Machine Learning人工智慧系統，它可以實現智能行為預測、智能資源調度，還可以自動內存回收，進行文件系統優化等功能，保持系統最佳狀態，充分發揮硬體實力，確保手機在運行應用時，可以保持極速流暢。安卓手機卡頓問題就是系統碎片化嚴重，應用亂占硬體和後台資源。通過人工智慧演算法來解決是行之有效的方案。比如應用了EMUI5.1人工智慧演算法系統的榮耀V9，搭載麒麟960晶元，比沒有這種優化的，搭載驍龍835晶元的手機運行速度更快。
可參考視頻：https://v.qq.com/x/page/p0509tmt62o.html
V9因此也敢在官網宣傳用500天不卡。可以預想以後流暢不卡不再是IOS的專利。
AI現階段的創業機會在應用層面
AI的基礎是數學原理——統計學，把信息通過規則和邏輯進行編程，獲得精準結果，進而指導新的決策
（數據來源：公開信息整理）
To B應用是技術驅動，To C應用是產品驅動
To B 應用之 醫療
千億美金市場規模，趨勢是全球化、巨頭壟斷
千億美金市場規模
預計2020年，全球AI應用市場規模$2,000億,醫療約佔50%，即$1,000億。
全球化、巨頭壟斷
僅今年前3個季度，IBM在認知解決方案領域的收入就達$129億,占其整體收入的22%。
（數據來源：CBInsight，COMETLABS，《互聯網迎來AI時代，海外科技巨頭爭先布局》長城證券）
巨頭開源+買買買，創業企業在細分領域深耕
（數據來源：Crunchbase，IT桔子）
案例：「AI+醫療」的先驅和領導者IBM
IBM Watson Health率先從腫瘤輔助診療領域切入
Watson的主要應用在醫療和金融——醫療領域，率先切入腫瘤，通過學習影像和診療信息，成為醫生的智能助手。
Watson包含90台IBM Power750伺服器（每台伺服器含有一個3.5GHz的POWER7八核處理器，每核4個線程），2,880個POWER7處理器線程，數據處理速度500GB/秒，內存16TB。
（數據來源：IBM大會公開）
數據獲取是一大門檻
AI訓練需大量數據，除API開源外，IBM還採取收購+合作+鋪設信息系統的措施，打通病例、影像、醫藥、研究數據。
數據獲取成本高昂，僅對Merge和Truven的兩項收購，耗費就高達$40億。
（數據來源：Crunchbase，公開信息整理）
訓練方式：「輸入」——「學習」——「考試」，發現不足並不斷優化
Watson的實際運用也是訓練的一部分，通過新病例和治療方案不斷指導優化和更新。
已與多家醫院合作，可覆蓋90%的癌症人群
輔助診療：與醫生合作，共同完成診斷和治療。
診斷過程：輸入病患癥狀——Watson輸出數據——醫生診斷、治療。
Watson的輸出數據包括三類四項。
快速發展，拿下多個單子——國外癌症治療領域前三的醫院；國內多個綜合三甲醫院和腫瘤專科。
（數據來源：公開信息整理）
除了腫瘤，也在其他醫療領域小試牛刀
（數據來源：公開信息整理）
除輔助診斷，慢病管理、新葯研發、流程優化也有機會
輔助診斷：
n 降低誤診率，提高效率——治療方面綜合醫院基本都能滿足，差異主要在診斷上，醫生診斷需查閱大量資料
n 首選腫瘤、心血管病，需精準治療、治療費用大
慢病管理：
n 通過用藥提醒+軟體+硬體的身體數據收集，幫助優化醫療服務
n 首選糖尿病、精神健康，治療時間長、治療費用大、治療難度大
新葯研發：
n 通過計算機模擬製藥過程，改善藥品研發周期長、成本高（研發成本占葯企收入5-20%）的弊端
n 首選抗腫瘤葯、心血管葯、孤兒葯、經濟欠發達地區常見傳染病葯
流程優化：
n 通過SaaS進行院內流程優化+效能評估，降低醫療資源浪費——醫院25%的資源是被浪費掉的
n 主要應用：急診、ICU、手術室
（數據來源：參考製藥公司信息，公開信息整理）
To B 應用之 金融
市場巨大，但切入點和方式尚在探索階段
目前創業公司可以嘗試的5個方向：身份識別、風控、個性化電子銀行、保險、投資決策。
身份認證：
n 通過人臉識別等替代人工審核——但市場規模較小，僅￥14億/年
風險控制：
n 降低壞賬：以消費信貸為例，國內市場￥15.4萬億，壞賬率1%-10%
n 防範人工操作帶來的腐敗風險、不合規風險
n 迅速適應監管變化，減少信息跟進、業務檢查的人力成本，￥1.8萬億
個性化電子銀行：
n 縮減營業費：銀行營業費用佔整體收入的40%，其中一半是職工費用
保險：
n 防止過度醫療（健康險）、過度維修（車險）帶來的高額賠付——保險賠付占收入的50-60%，約￥8萬億/年
n 縮減理賠的人員費用，以及人工模糊判斷帶來的腐敗風險
投資決策：
n 市場規模不好估量
n 底層配置還是人工，沒有到「機器配置」——價值只是省略銷售費用
n 「只要能比人工配置收益率高1%，全球所有的資產都會到那裡去」
（數據來源：博思數據研究中心，內部研究-參考工行財務年報 2015，保監會）
AI巨頭、互聯網金融巨頭、創業公司齊上陣
（數據來源：Crunchbase，IT桔子）
案例：身份認證——雲從科技
強調產品層面的優化，以及BD能力
綜合應用場景多、操作方便等因素，人臉識別是比較通用的身份認證方式
n 人臉識別使用方便：可非配合，不需接觸，沒有侵犯性，容易接受
n 人臉識別設備通用：使用通用設備，攝像頭、PC機、手機、平板
技術層面基本達標，且很難再有質的突破
n 目前人臉識別，機器的正確率是99.5%（高於人眼的75%）
n 在遠程開戶、櫃檯對比等業務已經夠了
n 但替代密碼、卡、證件進行存取還有一定難度
可以在產品指標、可用性上做一些優化
同時需要強BD能力——例：雲從科技，銀行業的第一大供應商
（數據來源：公開信息整理）
案例：風險控制——IBM
從細分市場切入——應對監管變化的風險控制
以往計算機只能處理結構化信息，AI能處理非結構化信息。
除了監管條例跟蹤研究，未來還將拓展金融風險建模、監督及反洗錢等業務。
（數據來源：IBM公開會）
案例：個性化電子銀行——IBM
虛擬客服
傳統是機器選擇+人工的方式，只能做到問題分類，用戶需要一級一級的做選擇，然後才能得到答疑，AI無需選擇直接回答，且能替代人工。
個性化產品/服務推薦
傳統電子化僅能完成產品集成和分類，AI幫助實現「推薦」功能。
案例：保險——IBM
除了虛擬客服、產品推薦，還能實現理賠業務的規範化、自動化
理賠是非標的，很難通過電子化實現自動化和效率提升，需要依賴人工進行資料搜尋，以及經驗判斷。
AI可以替代人工進行資料搜尋，並極大程度上形成判斷——以健康險為例。
（數據來源：IBM公開會）
案例：投資決策——Wealthfront
根據用戶資金量和風險承受能力，進行自動化資產配置
資產端僱傭4家ETF基金機構進行產品池設置——底層還是人工（基金經理），不會由機器直接購買股票、債權等產品。
To C 應用
To C天花板較高，但通常更適合大公司來干
天花板較高：可想像空間大
用戶群不局限於某一特定領域。
作為流量入口延展多類業務，多重變現方式。
更適合大公司來干
創業公司的問題：早期很難變現；需要長時間的積累。
大公司的優勢：基於龐大的用戶量和全面的產品線；AI是對現有產品的提升，而不是重新找尋需求、重新佔領用戶群。
巨頭改進原有產品，創業公司深入挖掘需求
（數據來源：Crunchbase，IT桔子）
從出門問問的嘗試，看創業公司可能的難點
（備註：信息參考出門問問CEO演講整理）
小公司的一些挑戰與機會
一早就從可以變現/看得到變現的地方切入
Wish、今日頭條就是好的例子：一個是電商，賣貨；一個是媒體，賣廣告。
理論上本地生活也可以，但缺乏數據源——目前是美團比較有機會，創業公司在數據源多樣化、數據處理方法上做些取巧的創新，利用巨頭間互不合作的小空子，可能是有機會的。
電商還有空間，尤其是從非標品類突破（二手、衣服……）。二手這個領域，目前是閑魚比較有機會；其他領域創業公司也有機會。
媒體也依然有空間，比如視頻媒體——但是要面對強大的對手：今日頭條、Google等未來可能也會涉入。垂直內容推薦有機會做好的，比如稀土掘金，專註互聯網技術內容發現和分享的平台。
產品不單是要好用，還要形成系統性突破
產品層面很難有大的差異化。
n 技術層面：底層是近似無差異化的——都是接入別人的API介面（例：鎚子接入科大訊飛的語音API），而不是自行開發
n 功能層面：
- 實用性高的大眾化產品差異化空間也很小（需求和場景無非就那幾種）；但小眾產品，如果需求夠剛性，價值足夠高，有一些小機會
- 實用性低的產品變現難（例：娛樂功能，目前沒有可見的有效變現模式）
在單一產品上難形成競爭優勢——打組合拳，形成系統性突破。
原發於2016年12月
應用比較好的幾個領域包括：人臉識別、醫療診斷。然後我會分析一下哪些領域適合神經網路應用，再講一講不適合神經網路的領域——自動駕駛。
我是王維嘉，美國斯坦福大學博士畢業，我的導師是人工智慧鼻祖之一、美國國家科學院院士伯納德·威徳羅教授。
接下來，我談一下這幾個領域當前人工智慧的應用狀態。
人臉識別
神經網路可以發現人臉上那些人類不易察覺的細微特徵。我們人看人臉只能看幾個最突出的特徵，比如大眼睛、高鼻樑、國字臉。但機器看得可就細多了，比如兩眼間距、 下巴長度等等，不僅看得細，還能精確測量。這都是我們人類大腦做不到的。
機器能提取的特徵比人類多得多，所以識別準確率可以超過人類。更重要的是識別速度比人類快幾萬倍，一顆晶元可以處理成百上千個攝像頭來的視頻，負責監視一大片地方。同樣看醫療影像、CT 片子、核磁共振片子，也比人類更準確。
醫療診斷
我在矽谷投資了一家公司做精準醫療診斷。一個疾病的成因非常複雜，比如你血糖高，這可能和你的飲食習慣、胰臟功能、遺傳基因、血壓、血脂、心臟功能，甚至腎功能都有關係。要把可能的相關因素羅列出來可能有幾百個。而人的腦袋根本處理不了這麼複雜的關係，即使一個有經驗的醫生也只能看幾個重要指標，做個大概判斷。
而機器就非常擅長處理這類海量的變數和複雜的關係。所以可以比有經驗的醫生判斷準確得多。更神奇的是，一台機器把歷史上所有的病曆數據都學習一邊，就相當於一個醫生看了幾百萬個病人，一下子成為地球上最有經驗的醫生。
再舉個例子，我在矽谷還投了一家新葯發現公司。大家看過《葯神》電影，覺得藥廠好黑。但大家不知道的是現在一款新葯的研發成本平均是 30 億美元。為什麼這麼貴，因為研發時間很長，其中光找到合適的化學分子就得 3-4 年。
新葯發現，簡單講有兩個步驟。
第一是生物學家找到造成疾病的那種蛋白質，比如肝癌是由某種蛋白質造成的。
有了這個目標蛋白質，第二步是化學家要去找到一個化合物和這個蛋白質發生反應，比如能抑制這個蛋白質的活性。化學家根據自己經驗，針對這個目標蛋白質，從已知的化合物資料庫里找匹配的化合物。
這個過程就像愛迪生髮明電燈絲，一個一個材料去試。問題是化合物資料庫里有 10 億個以上化合物，找到一個對的就像大海撈針，比愛迪生找到鎢絲難多了。
我投的這家公司就是讓機器先把歷史上所有的蛋白質和化合物匹配的信息學習一遍，然後對於一個新的蛋白質，機器心裡就有數了，什麼樣的化合物合適。
找這個化合物有點像媒婆的工作，你給我個姑娘，我給你選個合適的小夥子。媒婆根據什麼？經驗和直覺。雖然身高、長相、職業、愛好這些指標有用，人和人之間還有化學反應，日子能不能過到一起，這些都是默知識，都是說不清、道不明的東西。機器就像一個成功配對了幾百萬對的媒婆一樣有經驗。
最低 0.3 元/天開通會員，查看完整內容購買該鹽選專欄查看完整 9 節內容
鹽選專欄
人工智慧商業密碼：AI 領域的投資趨勢
王維嘉 全球移動互聯網最早的佈道者和踐行者
9 小節 | 1 小時
￥39.00 會員免費
我覺得是一些幫忙做家務的機器人，想掃地機器人，許多小康及小康以上家庭都比較接受，確實為人們的生活提供便利。
另外就是一些VR技術的應用，像遊戲上和指路導航方面的應用，都挺不錯，
Author：杭州電子科技大學 2016級管理學院 工商管理 唐濤 [email protected]
CreateTime： 2019-9-30 13:32:36
UpdateTime： 2019-9-30 13:56:28
Copyright: 唐濤 2019 ? HOME
Email：[email protected]
Link： 知乎 GitHub
營銷
營銷是一種通過偽裝，宣傳產品來吸引更多客戶的方法。我們的人非常擅長偽裝產品，但是如果僅出於營銷品牌或公司的目的而構建演算法或機器人，該怎麼辦？它將做的非常棒！
如果我們在不知道其確切名稱的情況下搜索了在線商店以找到產品，那麼找到該產品將成為一場噩夢。但是現在，當我們在任何電子商務商店中搜索商品時，我們都會獲得與該商品相關的所有可能結果。就像這些搜索引擎讀了我們的思想！在幾秒鐘內，我們將獲得所有相關項目的列表。例如，在Netflix上找到合適的電影。
我們都對Netflix著迷的原因之一是，它能夠根據客戶對電影的反應提供了高度準確的預測技術。它會檢查數百萬條記錄，根據您以前的動作和電影選擇來建議您可能喜歡的表演和電影。隨著數據集的增長，該技術每天變得越來越智能。
隨著AI的不斷發展，在不久的將來，網路上的消費者可能會通過拍張照片來購買產品。像CamFind這樣的公司及其競爭對手也已經在嘗試這種方法。
銀行業
銀行業的AI增長速度超乎您的想??象！許多銀行已經採用基於AI的系統來提供客戶支持並檢測異常情況和信用卡欺詐。HDFC銀行就是一個例子。
HDFC銀行已開發了一個基於EVA的聊天機器人，稱為EVA（電子虛擬助手），由位於班加羅爾的Senseforth AI Research構建。
自推出以來，Eva已處理了超過300萬個客戶查詢，與超過半百萬的唯一用戶進行了互動，並進行了超過一百萬次的對話。Eva可以從數千個來源中收集知識，並在不到0.4秒的時間內提供簡單的答案。
使用AI預防欺詐並不是一個新概念。實際上，人工智慧解決方案可用於增強零售和金融等多個業務部門的安全性。
通過跟蹤卡的使用情況和端點訪問，安全專家可以更有效地防止欺詐。組織依靠AI通過分析交易行為來追蹤這些步驟。
萬事達卡和RBS WorldPay等公司多年來一直依靠AI和深度學習來檢測欺詐性交易模式並防止卡欺詐。
金融
風險投資一直依靠計算機和數據科學家來確定市場的未來模式。交易主要取決於準確預測未來的能力。
機器之所以出色，是因為它們可以在短時間內處理大量數據。機器還可以學習觀察過去數據中的模式，並預測這些模式將來可能會重複。
在超高頻交易時代，金融機構正在轉向使用AI來改善其股票交易性能並提高利潤。
日本領先的經紀公司野村證券就是這樣的組織，該公司一直不斷追求一個目標，即藉助計算機來分析經驗豐富的股票交易員的見解。經過多年的研究，野村證券將推出一種新的股票交易系統。
新系統在其計算機中存儲了大量的價格和交易數據，通過利用此信息庫，它將進行評估。例如，它可以確定當前市場狀況與兩周前的狀況相似，並預測股價在幾分鐘內將如何變化。這將有助於根據預測的市場價格做出更好的交易決策。
農業
這是一個令人震驚的事實，到2050年，世界將需要增加50％的糧食生產，因為我們實際上已經吃光了一切！唯一可行的方法是，如果我們更加謹慎地使用我們的資源。話雖如此，人工智慧可以幫助農民從土地上獲得更多收益，同時更可持續地使用資源。
氣候變化，人口增長和糧食安全等問題促使該行業尋求更多創新方法來提高農作物產量。
世界上許多組織正在使用自動化和機器人技術來幫助農民找到更有效的方法來保護農作物免受雜草侵害。
藍河技術公司開發了一種名為See＆Spray的機器人，該機器人使用諸如對象檢測之類的計算機視覺技術來監控除草劑並將其精確噴洒到棉花上，精確噴霧可以幫助防止對除草劑的抵抗。
除此之外，位於柏林的農業科技初創企業PEAT開發了一個名為Plantix的應用程序，該應用程序可通過圖像識別土壤中潛在的缺陷和營養缺乏症。
圖像識別應用通過用戶的智能手機相機捕獲的圖像識別可能的缺陷。然後為用戶提供土壤修復技術，技巧和其他可能的解決方案。該公司聲稱其軟體可以實現模式檢測，估計精度高達95％。
衛生保健
在挽救生命方面，許多組織和醫療中心都依賴AI。醫療保健中的AI如何幫助世界各地的患者有很多例子。
一家名為Cambio Health Care的組織開發了用於預防中風的臨床決策支持系統，該系統可以在有患者患中暑的風險時向醫生髮出警告。
另一個此類示例是Coala Life，該公司擁有可以查找心臟病的數字化設備。
同樣，Aifloo正在開發一個系統來跟蹤人們在養老院，家庭護理等方面的表現。醫療保健中AI的最好之處在於，您甚至不需要開發新葯。通過正確使用現有藥物，您還可以挽救生命。
賭博
在過去的幾年中，人工智慧已成為遊戲行業不可或缺的一部分。實際上，人工智慧的最大成就之一就是在遊戲行業。
DeepMind基於AI的AlphaGo軟體以擊敗GO遊戲的世界冠軍Lee Sedol而聞名，被認為是AI領域最重要的成就之一。
勝利後不久，DeepMind創建了一個稱為AlphaGo Zero的高級版本AlphaGo ，它在一次AI-AI 對抗中擊敗了前身。DeepMind通過使用大量數據和監督隨時間推移對原始AlphaGo進行了培訓，而先進的系統則與之不同，該先進系統自學成才。
遊戲中人工智慧的其他示例包括First Encounter Assault Recon，它通常被稱為FEAR，它是第一人稱射擊遊戲。
但是，什麼讓這款遊戲如此特別？
對手AI採取的行動是不可預測的，因為遊戲的設計方式使對手在整個遊戲中都得到訓練，並且絕不會重複相同的錯誤。隨著遊戲變得越來越困難，他們會變得更好。這使遊戲非常具有挑戰性，並提示玩家不斷切換策略，永遠不要坐在同一位置。
太空探索
太空探險和發現總是需要分析大量數據，人工智慧和機器學習是處理和處理這種規模數據的最佳方法。經過嚴格的研究，天文學家使用人工智慧篩選開普勒望遠鏡獲得的多年數據，以識別遙遠的八行星太陽系。
人工智慧還用於NASA的下一個火星探測器火星2020火星探測器。AEGIS是基於AI的火星探測器，已經在紅色星球上。流動站負責對攝像機進行自主瞄準，以便對火星進行調查。
自動駕駛汽車
在最長的時間內，自動駕駛汽車一直是AI行業的流行語。自動駕駛汽車的發展必將徹底改變交通運輸系統。
諸如Waymo之類的公司在部署其首個基於AI的公共乘車服務之前，已在Phoenix進行了幾次試駕。AI系統從車輛的雷達，攝像機，GPS和雲服務收集數據，以產生操作車輛的控制信號。
先進的深度學習演算法可以準確預測車輛附近可能發生的物體。這使Waymo的汽車更有效，更安全。
自動駕駛汽車的另一個??著名例子是特斯拉的自動駕駛汽車，人工智慧實現計算機視覺，圖像檢測和深度學習，以製造能夠自動檢測物體並在無人干預的情況下行駛的汽車。
埃隆·馬斯克（Elon Musk）談到了如何在特斯拉的自動駕駛汽車和自動駕駛功能中實現AI。他引用了
「特斯拉將在今年年底之前準備好全自動駕駛汽車，而「 robotaxi」版本將在明年上街準備就緒，「 robotaxi」版本可以在無人駕駛的情況下運送乘客。
聊天機器人
如今，虛擬助手是一種非常普遍的技術。幾乎每個家庭都有一個虛擬助手來在家中控制其電器。一些例子包括Siri，Cortana和Alexa，它們由於提供的用戶體驗而越來越受歡迎。
亞馬遜的Echo是如何使用人工智慧將人類語言轉化為可取動作的一個例子。該設備使用語音識別和NLP來執行命令中的各種任務。它不僅可以播放您喜歡的歌曲，還可以做更多的事情。它可用於控制房屋中的設備，預定計程車，打電話，訂購您喜歡的食物，檢查天氣狀況等等。
另一個例子是新發布的Google虛擬助手Google Duplex，它使數百萬人震驚。它不僅可以為您響應電話和預訂約會，而且還增加了人性化的感覺。
該設備使用自然語言處理和機器學習演算法來處理人類語言並執行諸如管理日程安排，控制智能家居，進行預訂等任務。
社交媒體
自從社交媒體成為我們的身份以來，我們一直在通過聊天，推文，帖子等生成大量數據。在任何有大量數據的地方，總是會涉及到AI和機器學習。
在諸如Facebook之類的社交媒體平台中，人工智慧用於面部驗證，其中，機器學習和深度學習概念用於檢測面部特徵並標記您的朋友。深度學慣用於通過使用一堆深度神經網路從圖像中提取每一個細節。另一方面，機器學習演算法可用於根據您的興趣來設計Feed。
另一個此類示例是Twitter的AI，該AI被用於識別推文中的仇恨言論和恐怖分子語言。它利用機器學習，深度學習和自然語言處理來過濾令人反感的內容。該公司發現並禁止了30萬個與恐怖分子有關的帳戶，其中95％是由非人類的人工智慧機器發現的。
人工創造力
您是否曾經想過如果人工智慧機器嘗試創作音樂和藝術會發生什麼？
基於AI的系統MuseNet現在可以撰寫古典音樂，呼應古典傳奇人物巴赫和莫扎特。
MuseNet是一個深度神經網路，能夠用10種不同的樂器生成4分鐘的音樂作品，並且可以將鄉村，莫扎特，甲殼蟲的風格進行組合。
MuseNet並不是通過對音樂的理解進行明確編程的，而是通過自行學習發現了和諧，節奏和風格的模式。
人工智慧的另一個創新產品是稱為Wordsmith的內容自動化工具。Wordsmith是一種自然語言生成平台，可以將您的數據轉換為有見地的敘述。
雅虎，微軟，Tableau等技術巨頭每年都使用WordSmith生成約15億條內容。
最後，我想問您一個問題，您認為AI將來如何使我們受益？
推薦閱讀：
