远望智库：与智者同行，为创新加速专家库 |
人才库 |
企业库 |
项目库 |
投资机构库 |
招商信息库来源： 和米资本
近日，由斯坦福大学的顶级学术研究团队、美国国防部高级研究计划局、硅谷最具创新力和影响力的创业公司以及和米资本一起精心策划，共同探讨技术将如何重新塑造行业和社会等问题，分析预测了2018年全球十大前沿科技的未来趋势。
预测1
揭秘人工智能的黑匣子
早期的人工智能阶段，我们只是通过数据集模型的训练来抓取表面信息。模型可以经过训练以建立基础信息和上下文之前的联系，并能从过去的数据中自我学习。
但随着我们能获得更多高质量的数据后，模型输出的数据也变得更加丰富。因此，我们还需要深入了解模型是如何进行决策、如何提供建议以及如何能快速自我触发等行为。
美国国防部高级研究计划局（DARPA）作为国防部的一部分，主要负责开发供军队使用的新兴技术。
去年，美国国防部高级研究计划局创建了一个名为“可破解的人工智能（XAI）”的新程序，皆在创建一套机器学习技术，其中包括：
1.提供更多可破译的模型，同时保持高水平的机器自我学习（预测准确性）；
2.使用户能够理解、信任和有效管理新一代人工智能。
在很长一段时间里，人工智能都被认为是一个无法被破解的黑匣子，没有人能解释算法是如何自我做出决定并提供建议的。
因此，这也为人工智能黑匣子的评估和信任带来了一个全新层次的理解和挑战。组织机构和个人都相信算法和人工智能是可记录且真实性的一个智能系统，因此，人工智能自然也有责任和义务让决策过程变得更透明和可信任。
预测2
人类与自动驾驶汽车的无缝体验
在一个自动驾驶汽车的世界里，如果安全性不是隐患，那么他们的实现将会更早地发生，然而需要被优先考虑的问题是自动驾驶汽车如何与人类交互的？人类在利用自动驾驶技术，与之的关系以及行为在这个过程中将如何改变？
例如，在人行横道上了解、预测和设计的新方法使得行人与自动驾驶汽车之间能有效沟通，以及在十字交叉路口自动驾驶汽车与其他司机如何交流等都是至关重要的问题。
因为，绝大部分在人与交通的相互作用中包括了社交互动。如果要大规模推广自动驾驶汽车，必须实现他们与乘客、行人、司机和其他利益相关者之间的无缝体验。
人们倾向于与技术进行互动的，司机仍然愿意成为自动驾驶车的一部分，在不完全脱离自动驾驶的情况下，与行人通过目光交流和控制自动驾驶汽车。
人们对待自动驾驶汽车作出的不同反应，能帮助我们理解他们就自动驾驶汽车的接受程度，以及如何通过多种形式相互沟通的。随着对自动驾驶汽车的备受瞩目，人类将迎来一个无缝连接地自动驾驶汽车未来。
预测3
打造自动驾驶汽车的通用安全标准
普遍预计自动驾驶汽车将在未来数10年内产生数万亿的经济效益，这个由汽车制造商、供应商、科技巨头和创业公司推动的大规模研发项目已经逐渐开始带来收益。在美国、欧洲和亚洲的主要城市人们开始纷纷进行试验，希望打造一个无人驾驶的未来。
就目前的平台和机器整体而言，消费者总是期望他们购买的产品能够一直工作并持续工作。当与这个期望产生偏差时，消费者对结果是不会满意。
然而为了确保安全，自动驾驶汽车需要经过数千亿英里的驾驶测试。而为了缩小这个测试差距，公司正在利用新的仿真技术来增加实时行驶里程的演习，投资新的传感器系统并采用ISO标准来大规模部署自动驾驶汽车。
随着行业的发展以及政府监管机构也在逐渐更全面地了解安全标准和流程，各地区将制定通用的安全标准，只有对软件、硬件和开发流程等多方面进行严格的验证和审查，人们才能确信自动驾驶汽车是安全的。
预测4
从概念到实践 - 企业如何最大化人工智能
对于企业来说，人工智能和深度学习的规则已经发生了巨大的变化。在过去，假定一个经过历史数据反复训练出来的复杂算法可能能取代员工、角色扮演或手动工作。
但是经过更深入和现实地思考后，人工智能越来越成为一种难以赚钱的商品，而更多是人们所寄予的期望。但是，我们相信未来的趋势将发生改变。
目前该技术尚未被优化，人工智能还没有准备好完全取代整个劳动力。但是，有一些任务是人工智能的上好选择，他们能帮助改善大多数公司的一些基本效率问题。人工智能的完整解决方案被称为“纯AI”，其包括计算机视觉、自然语言识别和语音/感官识别等各种技术的组合。
今天，增强现实在工作流程对企业的影响最大，它能提高整体劳动力的生产效率。而随着人力成本逐渐成为有限的资源，如何最大化资源成为企业的挑战，企业纷纷在探索如何通过人工智能结合现有资源让其发挥最大的作用？我们看到，大型科技公司已经投入了数十亿美元来开发自己的开源技术，而仅有少数几家初创公司能借此抓住机会为企业客户服务。
预测5
多尺度数据为疾病建模
未来患者将会越来越感兴趣并关注他们的健康问题，因此，帮助揭示医疗数据背后的含义以及如何定制化治疗方案将是至关重要的，因为它能为个性化的治疗方案提供合理和有力的数据参照，以满足大众对个性化的医疗保健的需求。但是，只有一种数据模式是远远不足以为患者提供全面地医疗方案的。
我们通常基于医疗记录来为患者建立基础模型，使用贝叶斯和核方法进行数据融合，以识别和预测乳腺癌和卵巢癌。
而计算机算法能通过多组学数据来识别驱动疾病的基因，而且通过多模式、多尺度、高维度、高吞吐量的生物医学数据，让我们能从多个角度和尺度研究患者的疾病成为了可能性。
无论是分析对病人还是医生带来的影响，这些技术都将提供额外的维度，以帮助病人或医生提供更精准和定制化的治疗方案。
预测6
脱离干细胞再生人体器官
再生医学是一个新兴的研究领域，重点是修复、替换或再生细胞、组织或器官以恢复受损功能。再生医学的研究有可能帮助科学家和临床医生通过再生或更换细胞或组织来设计对创伤性损伤或退行性疾病的早期干预治疗。
再生医学最初的重点集中在组织工程领域，旨在用干细胞代替损伤的组织和器官。因为研究人员需要努力控制干细胞的行为活动，这种方法不仅面临技术挑战，而且都必须进行一系列的临床前和临床研究，最后在需要通过美国食品和药物管理局（FDA）的监管批准。
目前，再生医学已经扩大到包括使用干细胞来模拟疾病、自体移植和功能分子的治疗性递送，以及免疫功能在组织修复中的作用和新兴的生物医学工程领域中。
BioAesthetics的团队发明了再生医学的新方法，该团队采用了一种新的方式来利用捐赠者的现有组织，为患者创造利益。其专有的方法使来自患者的现有组织衰老，并且可以在不引起严重的免疫反应情况下重新植入患者体内。我们相信，将来可以采用类似的方法来再生更复杂的器官，比如人的肺。
预测7
增强现实在简化工作流程中的应用
在探讨自动驾驶汽车将如何改变未来的话题中，其中提到最多的是它将取代数百万的专业司机。而各种形式的自动化也存在类似的问题，机器将取代人类？今天，当机器在不断降低成本的同时，也在不断自我学习，提升能力，人类将如何与其竞争？
毫无疑问的是，人们将找到自我适应的方法。其中有一个趋势备受关注，那就是自动化已经在人们的工作流程中被不断优化和简化，以提高生产力和效率。而在某些特定的领域，增强现实在工作中与人的配合比纯自动化的投资回报会更高。
增强现实、机器人和人工智能等技术的创新都是为了有效提高人们的工作效率而服务。企业也以通过投资这些技术做出了行为上的回应。增强现实不仅是一种娱乐形式，而在帮助人们工作减少伤害和疲劳、提高生产力上提供了更实际的价值，它将为我们带来一个更好的工作环境。
预测8
小型企业网络风险的新时代
无论是计算机、智能手机、自动驾驶汽车还是未来的增强现实眼镜，人们对这些设备的依赖都会造成其性能和数据存储上不断出现漏洞。随着网络风险的迅速演变，保护数据和资产的能力也必须随着发生变化。当下网络风险保护已经以各种方式应用于消费者和大公司当中，但是小企业的网络安全却有了更强的创新趋势。
2016年美国小企业达到2,880万户，占美国总企业的99.7％。自1970年以来，小企业为社会提供了66％以上工作岗位。为了取得更大的成功，小企业必须利用技术在全球范围内分销其产品，更好地为已经改变购买行为的客户提供服务，并通过数据获得对客户的分析。
小型企业已积极采用基于云计算的软件服务，以便更灵活的按月支付其数据需求。因此，人们对云服务的依赖以及手机的普及，也为网络黑客创造了一个新的环境，小型企业的网络漏洞也在不断发生变化。因此，新一代的网络保护解决方案正在兴起，以帮助小企业打造更安全的网络保护。
预测9
从2D到3D环境了解药物的行为
药品公司在药物研发方面的投入正在逐渐减少，能带来良好经济效益的药物数量一直在下降。另外，他们正面临公众和监管方面要求降低价格的压力。药物的失败率越来越高，因为在临床试验之前，他们经常在过时的2D平台测试以及对免疫缺陷的实验鼠的研究速度非常缓慢。
新药审批失败率的上升也造成了制药公司花费大量资金开发新项目。研究表明，在过去的15年里，制药在研发方面的投入一直在飞涨。迄今为止，开发一种新药物的平均成本超过25亿美元。面对开发新药的成本负担，制药公司正在认真考虑采用新技术，使他们能够以更低的成本研发制造更好的药物。
有很多种方法可以降低药物开发的成本，而制药公司却越来越倾向依靠创新公司，来为他们提供新的方法和创新技术来提高新药的开发效率。
在体外阶段的测试中，像Cypre这样的公司设法创造与人体接近的微环境下完成测试，因此，药物进入人体测试后成功率会更高。在临床试验阶段，利用数据更好地招募患者进行试验已被证明是药物成功的关键。
预测10
人工智能VS医生
在一个需要谨慎对待数据的行业中，医疗行业一直处于利用大数据为患者带来利益的前沿发展阶段。实际上仅有少数的公司能真正让数据变得有实用性，大部分数据不是给制药公司而是医生，因此，汇总的数据之间的相关性和有意义性也变得尤为重要。例如，在人口老龄化的推动下，医疗影像扫描的需求大幅增加，这也直接导致了放射科医师和病理学家因过度劳累而造成了严重的错误。
由于需要更加高效和有效的运营管理，医疗影像设备将越来越多地转向人工智能寻求帮助，并将积极寻求帮助自动化工作流程的技术。在中国和印度这样的发展中国家，这种现象更加明显，因为两国都缺乏对放射科医师的培训，但是两国都有购买先进设备的能力。
自从神经网络开始以来，人工智能在诸如医学成像等应用中的精度已经足够高，可以被考虑整合到医疗系统中。人工智能将作为一种完美的工具，不仅可以帮助医生获得二次意见，还能以可承受的成本为患者提供早期诊断。
将人工智能添加到医疗的获取和解释阶段将改变行业的未来。我们相信更直接的解决方案是提供软件解决方案，使图像阅读更快、更准确、并在需要时为医生提供第二只眼睛进行医疗分配。
