2017年，人工智能技術進入爆炸式增長階段。沒有人會懷疑，2018年人工智能技術將取得更加令人瞠目的進展，而在認知人工智能技術對商業世界的顛覆方面，限制我們想象力的，不是貧窮，而是經驗和“智慧”。

以人工智能領域最耀眼的明星——深度學習為例，已經在大量應用領域取得突破性成果，商業價值和市場潛力已經凸顯，以下我們整理了其中五個值得商業領袖們密切關注的深度學習研究領域以及相關的商業化應用：

一、圖像識別

深度學習圖像識別技術已經比較成熟，早在2015年這些（卷積神經網絡）算法的識別準確性就已經超過了人類。最新的算法甚至能夠通過照片識別人物的性取向！

與最先進的深度學習圖像識別技術緊密相關的商業應用有很多，例如醫療診斷和自動駕駛技術。

深度學習在圖像識別領域的進展超出了很多人的預期，以醫療診斷為例，2017年人工智能領域最重大的突破來自斯坦福大學，該校的人工智能團隊開發的算法在識別皮膚癌方面的準確性能夠達到皮膚學專家的水平。有興趣的讀者可以查看這篇發表在《自然》雜志上的論文。斯坦福大學另外一個團隊開發的模型能夠根據心電圖信號診斷心率異常，也就是所謂的心律不齊，準確性超過心臟病學專家。

自動駕駛領域，除了特斯拉、Waymo、Uber、Lyft、百度等公司緊鑼密鼓的開發和路試項目外，2017年蘋果的入局引起所有人的關注：蒂姆庫克同志已經正式確認蘋果正在致力于開發自動駕駛汽車的軟件，蘋果內部的研究者也在arXiv上發布了于地圖相關的論文。

二、游戲

2017年，人工智能已經在包括圍棋在內的棋牌游戲領域完成了對人類的統治，2018年，人工智能技術有望在多人游戲，例如撲克和星際爭霸中戰勝人類，DeepMind已經發布了針對星際爭霸2的人工智能技術研究環境，OpenAI則演示了在一對一的Dota 2游戲中戰勝人類的算法，并且計劃不久的未來在5v5的多人對戰游戲中也取得勝利。

對于游戲產業來說，人工智能帶來的變革顯然不會是一股清流，而是洪荒巨流。

三、序列預測

深度學習技術領域的另外個重大突破是對序列數據的理解能力，例如文本（一系列字符），處理這種數據的神經網絡結構叫循環神經網絡（Recurrent Neural Nets）。在這個學習場景中，研究人員輸入大量序列數據，讓機器分析其中的模式，并預測性生成未新的序列數據。

序列預測已經被應用到多個領域，例如下面多倫多大學的這個筆記預測算法，已經可以學習人類的筆跡生成真假難辨的筆跡：

另外一個被投入生產環境的序列預測應用案例來自Uber，該公司通過為用戶出行數據建模來預測用戶需求，因此下次你使用Uber輕松打車的時候不要忘了感謝這個算法。序列預測在商業領域的應用潛力巨大，每個企業管理者都應該“開洞”腦筋開始思考。

四、語言翻譯

完美機器翻譯是人工智能科學家們的偉大夢想之一，而深度學習技術有望幫助人類首次建成克服語言障礙的巴別塔。機器翻譯使用的也是循環神經網絡模型，Google的Sequene-to-sequence算法目前遙遙領先業界，從下面的圖表可以看到，谷歌的機器翻譯在多組語言互譯中，已經趨近完美（編者按：中英互譯尚需努力，但在谷歌翻譯APP的實際使用中已經能取得相當不錯的準確性）：

　　五、生成模型 Generative models

最后，也可能是最具爆炸威力的深度學習技術莫過于生成模型（Generative models），這是一種基于卷積神經網絡的生成對抗網絡模型，機器可以生成一個包含復雜數據的模型，例如足可亂真的人臉圖像（非真人面孔），例如下面這兩張人臉照片，是機器根據大量明星數據合成的兩張“明星照”：

生成模型在商業中的應用尚未起步，但是價值潛力巨大 ，例如游戲角色的生成、假貨或文物贗品鑒定等等。