任何一家风险投资公司现在都需要参与这一领域：作为风险投资基金的资金提供者，合伙人们都希望把钱投向最具前景的热门领域。
氧分子网科技讯 1月7日，硅谷向来喜欢跟风。从最近几周的创业公司融资情况来看，科技行业的新宠轮到了一项有着半个世纪历史的技术：人工智能。
资金大举涌入
“这是当下的热门领域。”史蒂芬·普尔普拉(Stephen Purpura)说，自从2012年创立以来，他的人工智能公司ContextRelevant已经累计融资逾4400万美元。他认为，目前约有170多家创业公司投身人工智能领域。
人工智能领域的新生力量们相信，这项技术终于迎来了曙光，将把计算机智能推向新的高度。他们承诺将开发全新的人机交互模式——让机器以前所未有的方式入侵人类的世界。
“从技术上讲，原先的使用方式是由人类向机器输入指令，今后则是让电脑观察人类，并主动学习。”另外一名人工智能创业者丹尼尔·纳德勒(DanielNadler)说。他的公司Kensho最近刚刚融资1500万美元，他们的目标颇具野心：训练电脑代替财务分析师等高薪白领。
“我们并不把自己的工作称作人工智能，我们称之为‘自动化人员密集型知识工作’。”他说。
从众心理可以从一定程度上解释人工智能何以成为当今最为热门的创投领域。这是在大数据趋势兴起之后，涌现出的数千个创业梦想之一。不过，人工智能领域当前的投资规模依然很小，主要是因为多数创业公司仍处于发展初期。但已经有大量企业获得了融资，而参与投资的投资者也来源甚广。
除了一些硅谷顶尖风投（例如Khosla Ventures和Greylock Partners）和科技大亨（例如伊隆·马斯克(ElonMusk)和彼得·赛尔(Peter Thiel)）外，人工智能领域最活跃的支持者还包括有望从这类技术中获益的企业，高盛便是其中之一。
纳德勒表示，任何一家风险投资公司现在都需要参与这一领域：作为风险投资基金的资金提供者，合伙人们都希望把钱投向最具前景的热门领域。
模式有待探索
最新的人工智能趋势很大程度上源自可以在机器中模拟人类智能的编程技术。其中最为显著的是机器学习，这种技术可以通过训练让机器识别各种形态，并通过对海量数据的分析预测未来。但与其他引发创业浪潮的新技术一样，这一领域同样存在风险：很多企业或许难以真正利用这项技术实现盈利。
“很多人工智能平台都像瑞士军刀一样，” 蒂姆·图特尔(Tim Tuttle)说，他的人工智能公司ExpectLabs最近融资1300万美元，“它们可以做很多事情，但真正突出的价值在哪里却并不明确。”
他说，结果就造成了整个行业出现了“西大荒心态”，企业家争相将人工智能技术应用到他们所能想到的所有计算问题中。
“我认为，机器学习作为一项独立技术并没有多大的商业价值。”普尔普拉说，“现在的很多企业都会被收购。”
业界希望人工智能不要成为又一项昙花一现的技术。与大数据一样，这个名词所指的并非单一技术或使用方案，而是一套拥有广泛应用前景的方法。
西雅图风险投资公司Madrona合伙人麦特·麦克维恩(MattMcllwain)表示，深度学习等技术可以帮助企业更加深入地分析客户。这些技术可以判断客户的偏好，并对客户的行为进行预测，例如客户什么时候最有可能愿意接收商家的信息，以及哪些客户最有可能不再续约。
由于大批创业公司涌入这一领域，导致竞争日益激烈。人工智能的最大优势体现在谷歌(微博)、IBM和Facebook等科技公司内部，这些企业也都对该技术展开了大举投资。他们对于具体的投资额度讳莫如深，但其公开展示的成果已经得到了专家的认可：谷歌的一项测试可以从YouTube中识别出猫咪，Facebook的DeepFace系统可以认出人类的图片，IBM更是拥有名噪一时的问答系统沃森(Watson)。
集合现有技术
不过，图特尔等企业家并没有投入过多精力开发最新的尖端技术，而是努力集合现有技术，瞄准具体的应用模式。具体到ExpectLabs，他们可以使用语音识别服务增强在线目录搜索的便利性。
他表示，“大型企业正在通过这项技术解决所有事情，我们则在尝试解决不同的问题。”
这项技术的基本使用方式来自几个不同领域。得益于形态识别能力，图片识别（这曾经被视作计算机的一大难点）的难度已经大幅降低。作为该领域最具野心的企业之一，刚刚融资7200万美元的Vicarious最近就展示了一项能够解决CAPTCHA的技术——CAPTCHA是一个视觉谜题项目，其目的是帮助网站自动区分人类和计算机。
同样的技术还可以帮助计算机“理解”人类的语言，也就是所谓的“自然语言识别技术”。IBM沃森等系统就采用了这项技术，它通过对海量信息的分析给出最有可能的答案。第三热门的使用方式则是相关性识别——包括提升网络内容和推荐的相关性，以及改进定向广告的效果。
与很多前景广阔的新创意一样，一些人工智能技术已经初步应用于金融市场，但由于牵扯的资金巨大，导致相关金融企业对此避而不谈。
“如果金融应用果真有效，为什么要对外披露，降低自己的套利空间呢？”Sentient Technologies公司首席科学家巴巴克·霍加特(BabakHodjat)说。他的公司通过数据中心获取庞大的计算能力，然后全面模拟金融市场的运行状况：借助“革命性的算法”来了解市场对不同情况的反应，他们希望开发出各种模型来预测市场的未来走向。
要将这样的想法大范围付诸实践，需要对人工智能领域展开大量投资。例如，SentientTechnologies最近就融资1亿多美元将它的技术应用到更多领域，这也反映出将人工智能系统部署到更多行业所需付出的高昂成本。
SentientTechnologies认为，最有吸引力的是那些拥有大量数据可供利用，而且潜在问题拥有极高价值的行业，例如医疗、保险和电子商务。电脑安全和欺诈探测也有着不俗的前景。
ContextRelevant的普尔普拉认为，要将这些技术付诸实践还需要付出其他成本：“真正的挑战并不是开发底层的机器学习技术，而是建造一套使之真正发挥作用的支持系统。”这些附属技术包括输送海量信息的数据“管道”，以及确保人工智能在可以接受的商业参数内运行的控制系统。
由于很多创业公司都面临巨大的压力，必须向外界证明自己的技术拥有更加广阔的前景，因此投资额的多少将会决定最终的赢家。
技术不断进步
人工智能、机器学习、深度学习、神经网络，这一系列专业术语都源自一个共同的趋势：很多企业都希望开发各种设备，以期解决原本似乎只有人脑才能解决的广泛问题。
与其他科技分支领域相同，业内人士在最佳模式上的分歧，有时就像是一种宗教派别之争：“你使用什么词汇，透露出你来自什么阵营。”普尔普拉说。
自从创立以来，人工智能使用被用于定义这个广阔的领域，它的梦想是为计算机赋予与人类完全相同的“思维”。不过，要以计算机的逻辑来解码人类的思维却并非易事，这也是人工智能直到最近才刚刚有所突破的重要原因。
业界之所以重新对这项技术燃起兴趣，主要归功于机器学习，这是一种有意模仿人类思维方式的技术。机器学习之所以能够实现，是因为信息处理成本大幅降低，加之数字化数据急剧增加。在机器筛选这些数据时，可以借助概率技术对其进行“训练”，直到它们能够识别出某些起初并未编入程序的形态。
作为机器学习的一个分支，深度学习最近引发了巨大的关注。深度学习源自人工智能历史上的另一个想法：神经网络，也就是通过模拟人类大脑来加快“学习”速度的软件。
Nara Logics CEO贾纳·艾格斯(JanaEggers)表示，神经科学的进步也对这种技术的发展做出了贡献。他补充说，这项技术的目标是了解人类的大脑如何决定某些事情，并让电脑在这方面做得更好。
