至顶网软件频道消息:根据IDC全球半年度认知人工作职能系统支出指南预测,2018年认知和人工智能(AI)系统的支出将达到191亿美元,相比2017年增长54.2%。该指南预测,随着各行业积极投资于那些采用认知/人工智能软件功能的项目,到2021年认知和人工智能支出将增长至522亿美元,在2016-2021年预测期内实现46.2%的复合年增长率(CAGR)。
IDC认知/人工智能研究总监David Schubmehl表示:“人们对人工智能的兴趣和意识正在增强,每个行业和每个组织都应该对人工智能进行评估,看看人工智能会如何影响他们的业务流程和上市效率。IDC预计,到2019年40%的数字化转型举措将采用人工智能服务,到2021年75%的企业应用将采用人工智能。从预测、推荐和建议,到自动化客户服务代理和智能流程自动化,人工智能改变我们与计算机系统交互的方方面面。”
2018年零售业超过银行业,成为认知/人工智能支出方面的领跑行业。零售企业今年在一系列人工智能使用案例上的投入将达到34亿美元,其中包括自动化客户服务代理、专业购物顾问和产品推荐、全渠道运营销售。银行业的33亿美元支出中大部分将用于自动化威胁情报和预防系统、欺诈分析和调查、计划顾问和推荐系统。离散制造将成为人工智能支出的第三大行业,该行业将支出20亿美元用于自动预防性维护、质量管理调查和推荐系统等方面。医疗是第四大行业,该行业的17亿美元支出中大部分将投资用于诊断和治疗系统。
IDC客户洞察与分析研究经理Marianne Daquila表示:“企业数字化转型战将越来越多地把多种认知/人工智能用例涵盖进来。所有行业都在进行业务转型,因为成功的企业都会接受这些解决方案的一系列潜在影响。自动化的客户服务代理、增强的公共安全、预防性维护、减少欺诈以及改善医疗诊断,这些都只是推动支出增长的冰山一角。IDC预计,通用案例将会呈现增长趋势,以及针对特定行业用例进行的改进,这预计同比支出增幅将达到两位数。
2018年支出总额最大的认知/人工智能用例包括:自动化客户服务代理(24亿美元),投资主要来自于零售和电信行业;自动化威胁情报和预防系统(15亿美元),投资主要来自于银行业、公用事业和电信行业;销售流程推荐和自动化(14.5亿美元),投资主要来自于零售和媒体行业。另外三个用例紧随其后:自动化预防性维护;诊断和治疗系统;欺诈分析和调查。在2016-2021年预测期内,支出增长最快的用例包括:公共安全和应急响应(复合年增长率75.4%)、药物研究和发现(70.5%)、专家购物顾问和产品推荐(67.3%)。
在2016-2021预测期内,认知/人工智能支出中有一半以上将用于认知软件。最大的软件类别是认知应用,其中包括认知启用流程和(可自动学习、发现并提出建议或预测的)行业应用。另外一个软件类别是认知平台,这种平台有助于开发智能的、咨询和认知功能的应用。各行业还将投资于IT服务,以帮助开发和实施他们的认知/人工智能系统及业务服务,例如与这些系统相关的咨询和横向业务流程外包。技术支出最小的类别将是支持系统所需的硬件(服务器和存储)。
从地域来看,2018年美国将占到所有认知/人工智能系统支出的3/4,其中以零售业和银行业为主。西欧是第二大地区,以零售业、离散制造业和银行业为主。5年预测内支出增长最强劲的将是日本(复合年增长率73.5%)和亚太地区(日本和中国除外)(复合年增长率72.9%)。中国在整个预测期内也将呈现强劲的支出增长(复合年增长率68.2%)。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。