說到人工智慧領域，如果細分起來那就非常多了，下面我羅列一些比較熱門的吧。

1.AI+金融

在智能金融領域，人工智慧主要應用於四大領域：保險科技、智能風控、智能投顧和智能投研。在這個可以產生大量數據的行業，實在太適合人工智慧了，針對金融風控、營銷等領域的人工智慧產品層出不窮，數據分析師這個職業也在金融領域發光發熱。

2.智能安防

在智能安防領域，人工智慧主要應用於五大領域：身份認證系統、智能攝像機、車輛大數據、視頻分析和家庭安防。在智能安防領域，其中比較關鍵的人工智慧技術是人臉識別，可以直接應用在安防中。

3.AI+大健康（智能醫療）

在AI+大健康領域，人工智慧主要應用於六大領域：智能影像診療、醫學數據挖掘、智能問診、語音電子病歷、健康管理、藥物挖掘。像醫院裡常見的X光、CT、MRI等醫學影像，都會用到AI，像新冠疫苗研發，病毒研究等，那更是疫情大環境下的基本操作了。

4.智能駕駛

在智能駕駛領域，人工智慧主要應用於三大領域：ADAS（高級駕駛輔助）系統、自動駕駛演算法和車載交互系統。這個應該大家都比較熟悉吧，新聞滿天飛的自動駕駛汽車，像特斯拉、小鵬、蔚來、比亞迪等等，裡面的自動駕駛系統，演算法，激光雷達等，都會用到人工智慧。

5.AI+企業服務

在企業服務領域，人工智慧主要應用於五大領域：智能營銷、智能客服、數據標註、商業決策和智能招聘。字面意思都很好理解，數據為王，比較新的就是2020年出來的AI招聘了。

6.機器人

機器人的應用可就多了，像服務機器人、教育機器人、工業機器人、倉儲/物流機器人、家庭機器人、醫療機器人等等，各家各戶，或多或少都會有那麼一些機器人存在，應用範圍也越來越廣泛，而工業機器人更是重點，在智能製造領域可謂是一大助力。

7.AI+互聯網服務

在AI+互聯網服務領域，人工智慧主要應用於七大領域：安全防護、翻譯、語音助手、智能推薦、圖片/視頻處理、旅行規劃和內容生產與審核。從上面的幾個領域，大家應該也能猜到其中的用途，像抖音等短視頻平臺上的內容審核，各種翻譯筆，翻譯軟體等，都是人工智慧來完成。

8.AI基礎元件

AI基礎元件領域，主要有五大類別：AI晶元、毫米波雷達、激光雷達、計算模組和深度攝像頭。AI基礎元件構成了人工智慧產業鏈的基礎層，也就是說，所有領域都需要這些元件作為基礎，不可或缺的存在，例如晶元。

9.AI+教育

在教育領域，人工智慧主要有五大應用：自適應學習、分級閱讀、智能排課、智能評測和語音學習。自適應學習也是2020年才逐漸興起的概念，根據學生的學習情況，智能制定學習計劃，非常受家長追捧。

10.AI+零售

在零售領域，人工智慧主要有四大應用：顧客行為分析、商品識別、物流管理和自助結算。新零售的重要形態之一，就是無人零售，像阿里、京東都在搞無人零售店。

11.AI+家居建築

在家居建築領域，人工智慧主要有四大應用：智能家電、智能音箱、語音網關和建築設計。該領域得益於智能語音技術的發展，其在物聯網角度的想像空間巨大，即人類可以通過語音交互的方式，與周圍的一切進行交互和指揮性動作。

12.AI+工業製造

在工業製造領域，人工智慧主要有三大應用：機器人視覺、缺陷檢測和生產優化。人工智慧的出現，推動了傳統製造業的轉型，不僅能降低了成本，還提高了效率，已經被很多企業認可，工業機器人在中國也得到了非常廣泛的應用。

13.AI+法律

目前法律領域的人工智慧應用還相對較少，獲投較多的應用方向是法律諮詢，其本質是法律領域的智能客服。

差不多就是這些了，我們可以看到，人工智慧其實已經滲透到我們的方方面面，只要你用心，就能發現！

發佈於 02-25繼續瀏覽內容知乎發現更大的世界打開Chrome繼續愛分析愛分析中國領先的產業數字化研究與諮詢機構

本回答摘自：《2020愛分析·中國人工智慧廠商全景報告》

1、人工智慧應用新趨勢

現階段，國內人工智慧應用已經由技術嘗試轉入規模化應用，主要受到兩方面因素驅動：一方面在宏觀經濟下行的背景下，面對利潤下滑和經營成本增加的壓力，企業已經普遍意識到數字化轉型作為驅動業務增長的新引擎的價值，催生海量智能化應用場景。 另一方面，新基建從數據、演算法和算力三個方面推動人工智慧基礎設施的完善，並進一步拓展人工智慧應用場景。新基建包括5G基站建設、特高壓、城際高速鐵路和城際軌道交通、新能源汽車充電樁、大數據中心、人工智慧和工業互聯網七大領域。基於邊緣計算、5G等新技術的融合應用將成為下一個人工智慧產業機會點。 以5G的應用為例。5G可以支撐大量設備實時在線和海量數據的傳輸，提升數據實時性。以往大量的工業生產現場不具備建設高帶寬有線網路的條件，傳統的Wi-Fi等無線網路也不滿足帶寬要求，無法通過高清視頻監控實現對產線故障、人員違規操作等異常狀況的實時監控和識別預警，而5G網路提供了新解決方案，基於5G，可結合AR/VR技術，對設備故障進行遠程專家診斷和運維。 展望未來，企業人工智慧應用發展趨勢集中體現在以下三方面：

1）知識圖譜技術應用場景爆發，助力企業實現認知智能

企業非結構化數據佔比已達到80%，知識圖譜技術為企業提供了一種從海量非結構化數據中抽取結構化知識，並利用圖分析進行關聯關係挖掘的技術手段，洞察「肉眼」無法發現的關係和邏輯，為決策提供支持。 知識圖譜是實現認知智能的關鍵技術。一方面，知識圖譜能夠增強自然語言理解能力：知識圖譜包含的實體規模大（如在公安場景，知識圖譜即有16億實體）且具備多種常見語義關係，RDF三元組的表達方式能夠幫助機器有效處理的語義結構，且知識圖譜能夠利用大數據的多源特性進行交叉驗證，為自然語言理解提供知識背景，提升模型精準性；此外，知識圖譜可增加人工智慧模型的可解釋性：知識圖譜涵蓋概念、屬性和關係的表達，能夠利用屬性對於實體進行準確歸類，對人工智慧模型進行解釋；最後，知識圖譜能夠提升機器學習的能力：與通過大樣本訓練進行機器學習模型訓練不同，知識圖譜能夠結合專業領域、通用領域的知識庫，降低機器學習模型對於大樣本的依賴和對先驗知識的利用率，提高機器學習模型訓練效率。

2）AI+RPA的實現端到端的業務流程自動化

RPA和AI本質上是兩種截然不同的技術。RPA負責執行，即利用代碼編寫規則，通過軟體機器人模擬人與計算機的交互過程，自動完成重複性工作。AI則負責發布指令，即利用代碼編寫模型，模型經過海量數據的訓練後可進行輸出，完成特定任務。此外，AI具備自我學習、糾錯和優化能力，能夠幫企業挖掘哪些流程適合自動化、創建自動化流程讓RPA機器人執行。 在傳統與RPA技術相關的業務流程中，AI+RPA更多涉及非結構化數據的處理。隨著企業業務的發展，非結構化數據增長迅速，但傳統RPA機器人不具備處理非結構化數據的能力。AI+RPA能夠將RPA與NLP和機器學習等演算法結合，將非結構化的圖片、文檔轉化為結構化數據，拓展RPA應用邊界。例如，在電商場景，用戶下完後需要修改地址時，可利用AI技術通過多輪對話確認用戶要修改的訂單和地址，使用 RPA機器人操作訂單系統完成地址更改，全流程無需人工客服參與，有效提升了服務效率。

3）AI中臺助力企業智能化落地

隨著人工智慧應用場景大規模增長，企業技術能力不足、資源重複建設、業務敏捷響應慢和投入產出低的問題進一步凸顯。尤其是新場景下應用開發效率低，阻礙了企業內部AI應用場景的拓展。大多數企業在AI工程能力建設方面存在不足，Gartner的研究表明，只有53%的項目能夠將AI原型轉化為生產。 有鑒於此，越來越多的企業將以中臺思維取代過去的「煙囪式」單點項目模式，通過構建統一的AI中臺對智能應用提供人工智慧能力支撐。AI中臺以平臺化開發模式替代「煙囪式」開發架構，在數據接入和數據清洗環節實現智能化，在模型建立和模型迭代等環節結合自動化、低門檻的建模，提升投入產出比，為AI應用開發提供快速構建能力支持。 目前，頭部企業已率先佈局，自上而下建立AI中臺。以金融行業為例，某國有銀行搭建的機器學習平臺已上線精準營銷、風險防範/預測舒心等場景，將項目研發落地速度提升了一倍，新場景的開發部署僅需1個月。

2、人工智慧全景地圖

愛分析基於對金融、消費品與零售、政府與公共服務等行業企業和人工智慧廠商的調研，梳理了21個人工智慧重點應用場景，涵蓋特定行業及通用職能部門。同時根據調研，愛分析遴選出在這些應用場景中具備成熟解決方案和落地能力的代表廠商，如下圖所示。 （註：以下所有場景中的廠商均按音序排序）

本回答摘自：《2020愛分析·中國人工智慧廠商全景報告》

1、人工智慧應用新趨勢

現階段，國內人工智慧應用已經由技術嘗試轉入規模化應用，主要受到兩方面因素驅動：一方面在宏觀經濟下行的背景下，面對利潤下滑和經營成本增加的壓力，企業已經普遍意識到數字化轉型作為驅動業務增長的新引擎的價值，催生海量智能化應用場景。 另一方面，新基建從數據、演算法和算力三個方面推動人工智慧基礎設施的完善，並進一步拓展人工智慧應用場景。新基建包括5G基站建設、特高壓、城際高速鐵路和城際軌道交通、新能源汽車充電樁、大數據中心、人工智慧和工業互聯網七大領域。基於邊緣計算、5G等新技術的融合應用將成為下一個人工智慧產業機會點。 以5G的應用為例。5G可以支撐大量設備實時在線和海量數據的傳輸，提升數據實時性。以往大量的工業生產現場不具備建設高帶寬有線網路的條件，傳統的Wi-Fi等無線網路也不滿足帶寬要求，無法通過高清視頻監控實現對產線故障、人員違規操作等異常狀況的實時監控和識別預警，而5G網路提供了新解決方案，基於5G，可結合AR/VR技術，對設備故障進行遠程專家診斷和運維。 展望未來，企業人工智慧應用發展趨勢集中體現在以下三方面：

1）知識圖譜技術應用場景爆發，助力企業實現認知智能

企業非結構化數據佔比已達到80%，知識圖譜技術為企業提供了一種從海量非結構化數據中抽取結構化知識，並利用圖分析進行關聯關係挖掘的技術手段，洞察「肉眼」無法發現的關係和邏輯，為決策提供支持。 知識圖譜是實現認知智能的關鍵技術。一方面，知識圖譜能夠增強自然語言理解能力：知識圖譜包含的實體規模大（如在公安場景，知識圖譜即有16億實體）且具備多種常見語義關係，RDF三元組的表達方式能夠幫助機器有效處理的語義結構，且知識圖譜能夠利用大數據的多源特性進行交叉驗證，為自然語言理解提供知識背景，提升模型精準性；此外，知識圖譜可增加人工智慧模型的可解釋性：知識圖譜涵蓋概念、屬性和關係的表達，能夠利用屬性對於實體進行準確歸類，對人工智慧模型進行解釋；最後，知識圖譜能夠提升機器學習的能力：與通過大樣本訓練進行機器學習模型訓練不同，知識圖譜能夠結合專業領域、通用領域的知識庫，降低機器學習模型對於大樣本的依賴和對先驗知識的利用率，提高機器學習模型訓練效率。

2）AI+RPA的實現端到端的業務流程自動化

RPA和AI本質上是兩種截然不同的技術。RPA負責執行，即利用代碼編寫規則，通過軟體機器人模擬人與計算機的交互過程，自動完成重複性工作。AI則負責發布指令，即利用代碼編寫模型，模型經過海量數據的訓練後可進行輸出，完成特定任務。此外，AI具備自我學習、糾錯和優化能力，能夠幫企業挖掘哪些流程適合自動化、創建自動化流程讓RPA機器人執行。 在傳統與RPA技術相關的業務流程中，AI+RPA更多涉及非結構化數據的處理。隨著企業業務的發展，非結構化數據增長迅速，但傳統RPA機器人不具備處理非結構化數據的能力。AI+RPA能夠將RPA與NLP和機器學習等演算法結合，將非結構化的圖片、文檔轉化為結構化數據，拓展RPA應用邊界。例如，在電商場景，用戶下完後需要修改地址時，可利用AI技術通過多輪對話確認用戶要修改的訂單和地址，使用 RPA機器人操作訂單系統完成地址更改，全流程無需人工客服參與，有效提升了服務效率。

3）AI中臺助力企業智能化落地

隨著人工智慧應用場景大規模增長，企業技術能力不足、資源重複建設、業務敏捷響應慢和投入產出低的問題進一步凸顯。尤其是新場景下應用開發效率低，阻礙了企業內部AI應用場景的拓展。大多數企業在AI工程能力建設方面存在不足，Gartner的研究表明，只有53%的項目能夠將AI原型轉化為生產。 有鑒於此，越來越多的企業將以中臺思維取代過去的「煙囪式」單點項目模式，通過構建統一的AI中臺對智能應用提供人工智慧能力支撐。AI中臺以平臺化開發模式替代「煙囪式」開發架構，在數據接入和數據清洗環節實現智能化，在模型建立和模型迭代等環節結合自動化、低門檻的建模，提升投入產出比，為AI應用開發提供快速構建能力支持。 目前，頭部企業已率先佈局，自上而下建立AI中臺。以金融行業為例，某國有銀行搭建的機器學習平臺已上線精準營銷、風險防範/預測舒心等場景，將項目研發落地速度提升了一倍，新場景的開發部署僅需1個月。

2、人工智慧全景地圖

愛分析基於對金融、消費品與零售、政府與公共服務等行業企業和人工智慧廠商的調研，梳理了21個人工智慧重點應用場景，涵蓋特定行業及通用職能部門。同時根據調研，愛分析遴選出在這些應用場景中具備成熟解決方案和落地能力的代表廠商，如下圖所示。 （註：以下所有場景中的廠商均按音序排序）

一個笑話，

以前的數學系學生：開口上同調，閉口纖維叢。

現在的數學系學生：開口大數據，閉口區塊鏈。

哈哈哈，圖像識別、圖像模擬、深度學習都算人工智慧吧。

人工智慧（AI）是一門仍然不斷發展的學科，從1956年達特茅斯會議正式採用這個名詞作為學科名字以來，陸陸續續出現了多個子領域，並且隨著學科發展，也有更多的問題納入到這個學科中來。目前，廣義的人工智慧學科大概包括的領域有：

  • Searching. 這是Ai學科比較早關注的問題，主要研究如何使用搜索演算法解決問題，比較著名的有廣度優先搜索、深度優先搜索、A*搜索、Dijkstra搜索等。該部分的方法較為成熟，目前新的技術出現較少。
  • Reasoning. 這是以前比較關注的問題，現在有重新熱門的趨勢，主要研究如何進行推理。上個世紀主要依託知識的表徵和邏輯進行，所以像語義網、本體論、一階謂詞邏輯、貝葉斯推理網路等都屬於該領域。現在一些結合深度學習的推斷模型開始出現，比如認知圖譜等。
  • Planning. 該領域也是比較早關注的問題，主要研究如何制定規劃和策略，比如著名的旅行商問題、飛機航線規劃、機器人行進路線規劃等。現在隨著無人機和掃地機器人的火熱，這個領域的應用應用也越來越多。
  • Learning. 這是上世紀80年代隨著AI2.0變為一個主流領域，也就是機器學習領域，主要研究如何從數據中學習出知識或者規律。現在可進一步分為監督學習、無監督學習、強化學習等子領域。當然，深度學習現在有些人也稱為機器學習的子領域，目前是機器學習的主要範式。
  • Gaming. 遊戲是最早的AI應用領域，主要研究如何像人類一樣玩遊戲。最早從下棋開始，基於Searching和Planning的方法應用該領域，在象棋、跳棋、圍棋等棋類遊戲中戰勝了人類玩家。最近隨著深度強化學習的流行，在其他遊戲領域，比如Angry Bird、Dota等電子遊戲中，也已經達到專業賽手的水平了。
  • Speech signal processing (SSP). 語音作為人類感知外部世界的一種方式，也是AI研究的一個重要應用領域，主要研究如何感知和處理語音信號，比較出名的子領域包括聲學模型、語音統計特性提取、語音識別、語音合成等。隨著小米小愛、天貓精靈等音箱的普及，SSP技術已經成功應用於家庭、車載等智能系統中。
  • Computer Vision (CV). 圖像作為人類感知外部世界最主要的方式，已成為AI研究最多和最重要的應用流域，主要研究如何感知和理解圖像，涉及的子領域非常廣泛，例如圖像去噪、圖像增強、目標檢測與識別、圖像分類、圖像檢索、視覺問答、圖像風格轉換等。目前也是AI中應用最為成熟的領域，在搜索引擎、安全防護、無人駕駛系統等智能系統中成功應用。
  • Natural language processing (NLP). 新世紀以來該領域成為AI3.0時代的主流，主要研究如何處理和理解自然語言，比較出名的子領域包括詞幹抽取、詞嵌套、命名實體識別、機器翻譯、文本摘要、情感分析、智能問答系統等。現在隨著智能系統的演化，NLP相關技術的應用將越來越多。
  • Robotics. 機器人是一門交叉學科，主要研究如何實現類人系統，主要是應用上述一些技術，比如利用CV技術來感知（SLAM），利用Planning技術進行行進路線規劃，利用控制技術進行操作等，涉及的領域比如舞蹈機器人、軟體機器人、工業機器人等。目前像波士頓機器人，已經取得了非常類人的外部行為，將來也是強人工智慧的硬體載體。
  • Neural network hardware. 近些年隨著算力開始遇到瓶頸，該領域逐漸也成為熱門，主要研究如何為深度學習（深度神經網路）模型設計底層的專有晶元與電路，實現一些軟體運算元的硬體化，比較有名的前沿問題包括神經網路晶元（比如TPU、Dadiannao等）、FPGA實現、GPU加速卡等。目前手機廠商們在旗艦手機上攜帶專門的智能晶元，該領域的研究朝著功耗更低、計算力更強的道路快速發展。

這些是人工智慧學術界的大致劃分，其實隨著智能時代的逐漸推進，各個工業領域會像信息化一樣，逐漸進行智能化，利用各種AI技術進行賦能。到那個時代，也就是絕大部分領域都會涉及AI了。

比如AI會製作音頻課程，實現語音變現

例如，AI＋設備監測信號=智能故障診斷，可以參考[1][2]。

參考

  1. ^基於深度殘差收縮網路的故障診斷 https://blog.csdn.net/Jordanisxu/article/details/105007339
  2. ^Deep Residual Shrinkage Networks for Fault Diagnosis http://ieeexplore.ieee.org/document/8850096

推薦閱讀：
相關文章