在 8 月初的一期的 Q 言 Q 语栏目中，我们发起了一项开放式问答——「在 ML 领域，你还知道哪些成熟的应用场景？哪些场景的机器学习项目会成为未来行业的发展趋势？」截至 2020 年 8 月 11 日，该话题共吸引到 3000+ 用户的关注，留言区共收获 20 余条的有效评论。

我们将各类留言按不同的行业维度细分后，总结出几大未来趋势。本文将结合 20 余条有效评论和读者观点，展示机器学习的各种应用场景，为各位技术追求者们的探索提供参考。

2020 年 8 月，几乎在小 Q 问答发布的同一时段，Gartner 发布了《Hype Cycle for Artificial Intelligence 2020》，其显示人工智能作为一种概念正在从高期望的顶端下落，进入落地生产部署阶段。虽然预示着人工智能的热度有所衰减，但其带来的影响还是十分广泛的，特别是行业与人工智能的结合，释放了众多行业的潜力。而这一切革命性进步背后的推手，其实是“大隐隐于市”的机器学习。

机器学习是一门涉及多领域的学科，自诞生以来，它的现状、未来需要解决的问题，以及能够解决的问题等，始终是人们津津乐道的问题，同样也是让专家学者大为困扰的问题。2017 年，在吴军老师的《吴军·硅谷来信》栏目第 306 期中，他曾与加州大学伯克利分校的乔丹教授有过关于人工智能未来的探讨。乔丹教授表示未来十年，人工智能可以解决以下问题：1. 无人驾驶、2. 取代人的对话系统、3. 跟踪人的健康。

而总结本次 Q 言 Q 语栏目的留言，关于机器学习项目的应用场景趋势，依旧包含上述三大方向，具体大致可分为：自动驾驶、医疗健康、人工智能系统、金融 / 保险、语音增强、视频处理等几大类别。本文也将着重分析 / 介绍自动驾驶、机器人和医疗健康三个方面的应用场景。

实现自动驾驶与训练自动驾驶汽车

自德国汽车工程师卡尔•奔驰在 1885 年制造出了奔驰一号，汽车便载着人类文明驶上了快车道。近 10 年，随着人工智能与机器学习的爆发，这场智能化的革命，也开始影响到汽车产业的发展，汽车自身产生的大量数据，使其成为继智能手机之后又一"移动的数据交互终端"。

在我们的留言评论中，有同学深耕于自动驾驶领域，其发表了从业者的看法。

@李白没我白
就我的行业而言
车联网，自动驾驶，无人驾驶技术。

如今汽车的智能化、网联化和电气化已经不再是趋势，而是现实。一方面，人工智能与机器学习让汽车实现了自动驾驶或无人驾驶，虽然无人驾驶在全世界普及还需要较长时间，但目前大部分汽车已经具备低级别自动驾驶的能力。未来，无人驾驶也学会把汽车产业从大件消费品的制造业变成提供出行的服务业。另一方面，随着汽车数量的激增，拥堵问题无法得到根本性解决。而强大的计算机和先进的算法使模拟技术兴起，自动驾驶汽车之间的联网可以自动协调车辆的行驶，将会大幅节省劳动力、时间和能源。尤其重要的是，将会大幅减少交通事故。

自 2004 年以来，加州大学伯克利分校交通研究所所长、工程学教授 Alexandre Bayen 借助机器学习进行着眼于自动驾驶汽车对交通流量影响的研究。据悉，Bayen 和他的团队使用 AWS 提供的深度学习算法来训练自动驾驶车辆，以在类似于高速公路的环境中训练，从而最大程度地减少交通量。Bayen 的研究表明，自动驾驶汽车一旦达到道路上所有汽车的 5％至 10％，就可以管理局部复杂的交通环境。

具体而言，它的工作方式如下：首先自动驾驶汽车需要持续保持高速的行驶，可以进行反复试验通过机器学习进行强化。接着，经过多次迭代（包括以不同的速度驾驶等情况）。最终，通过算法预估驾驶员突然的起停行为，并且自动驾驶汽车会保持相同的速度行驶，避免其自身制动对后面汽车造成的级联效应，进而实现理想的交通阻塞方法。

解决疾病的早期检测难题

医疗健康在任何国家和地区都是一个关键领域，一方面医疗健康关系着整个人类的发展进程，另一方面历次重大的科技进步也都伴随着医疗健康水平的提升。原先随着信息技术的诞生，各种诊疗仪器开始出现并普及。毫无疑问，人工智能与机器学习也将会对未来的医疗健康产业带来重大的影响。

如今，人类在医疗健康领域也确实遇到了一些问题，医疗成本高昂、医疗资源分布不均衡和医疗人才储备不足等。最重要的是众多疾病治疗依旧存在难度，例如阿尔茨海默病、自闭症、癌症等等，在过去几十年中，医学在这些领域确实进展缓慢。

杜克大学跨学科研究团队依托机器学习来筛查儿童自闭症，致力于解决早期儿童自闭症检测难题。该项目负责人之一是杜克大学电气与计算机工程教授 Guillermo Sapiro，他表示在儿童发育早期确诊自闭症至关重要。一方面，在 18 至 24 个月大时开始对儿童自闭症进行治疗可以使孩子的智商提高多达 17 点分数，大大改善孩子的生活质量。另一方面，早期干预可以为患有自闭症的人节省高达 120 万美元的终身医疗费用。

自闭症儿童通常情感表达和社交能力较弱，他们的笑容也较少，特别是对积极的社会事件的回应。Guillermo Sapiro 他的团队使用 TensorFlow 和 PyTorch 的工具来构建机器学习算法，以连接儿童的面部表情和眼睛的动作，适当地分析人类的情绪和注意力模式，得以预测自闭症的征兆。并且该小组还着重保护所收集图像和视频的隐私，利用平台工具处理敏感的医疗数据。为此 Guillermo Sapiro 还获得了 AWS Machine Learning Research Awards 的奖项。

而在 2020 年突然爆发的新冠疫情，更是引发了全球医疗界的关注。全球各大科研机构与院校迅速开展的疫苗及药物临床试验、抗体研发等，但新药开发往往面临到研发周期长、成本高、风险大等问题。通过机器学习技术对药物的分子模型及各项药物活性参数等进行快速验证，帮助部分研究团队实现了药物重定位的方式，加速完成大量既有药物的扫描、筛选工作，以及药物临床前研究的效率和成功率，从而大大缩短研发和应用的时间。

当然，机器学习在医疗健康领域的应用不止于此，在我们的留言评论中，有相关用户也发表了自己的看法。

@刘羽中
能够对社会有价值的项目，比如医疗心跳异常监控。

@LW.Q²⁰²⁰
机器学习为医疗保健提供者提供了开创性的工具，可以比任何人体放射科医生更有效地诊断 X 射线和 MRI 等各种不规则现象。例如，斯坦福大学的研究人员已经创建了一种机器学习算法，能够从单个胸部 X 射线检测 14 种类型的医疗状况。

构建人工智能系统，让人工智能更智能

现阶段，大部分人工智能研究均集中在某一项具体的行业应用技术上。比如自动驾驶汽车、物联网设备等。很大程度上，智能设备并没有作为一个系统 / 整体来工作和学习，麻省理工学院航空与航天学教授 Jonathan How 认为，应重视针对人工智能系统本身的研究，他和他的团队希望借助机器学习来帮助智能对象相互学习，共同合作使其更加智能。

从 Q 言 Q 语的留言评论中，我们也看到有的同学也意识到了这一趋势：

@null
未来发展趋势的话，我觉得未来机器学习运用到制造业，是未来发展趋势，减少浪费和提高企业生产效率，大部分工作实现自动化，创造更多的价值。

@欢欢 Andreོw
垃圾处理厂。垃圾处理过程中涉及很多环节，人工难以优化，机器学习的特征工程应该有用武之地。一个环节优化好成本节省都是百万级的。

由于现实世界比实验室环境更为复杂，虽然实现了多智能体强化学习等研究，但如何命令独立的人工智能设备建立共识并达成一致？如何确保他们之间不断地“交谈”不会影响整个网络？当支持人工智能的机器人认为自己知道正确的做事方法时，将会发生什么？这些问题仍是人工智能系统发展面临的挑战。

直至深度学习平台问世，人工智能系统研发难题才真正得到了解决。Jonathan How 和他的团队使用由 Amazon EC2 GPU 实例支持的 AWS 深度学习 AMI 环境，解决了当机器人互相频繁传输可能会影响网络的难题。该实例可以在云上执行复杂的计算过程，功能丰富的 GPU 实例，大大缩短了培训时间，加快了团队研究迭代的能力。并且借助 AWS 的支持 Jonathan How 在解决执行行动指令或执行不完全指令决定的问题方面进行了更深入的研究，通过优化的奖励功能和更有效的沟通，已成功改善了团队范围的学习。

机器学习的黄金时代如何加快科研及应用落地？

如今，部署机器学习已经相当常见，几乎涉及每一个行业和细分市场，机器学习开始被应用于其工作负载，让人们从数据中获得更多价值。但随着机器学习的普及，更多开发者在机器学习前沿技术及其应用方面的研究，将会遇到各种难题。为此，Amazon Web Services（AWS）在全球设立了 AWS 机器学习科研奖（MLRA），2020 年该奖项与亚马逊研究奖（ARA）合并，并已正式落地中国。

目前，AWS 机器学习科研奖已支持来自 13 个国家 / 地区的 73 个学校和研究所的 180 多个研究项目，主题包括机器学习算法，计算机视觉，自然语言处理，医学研究，神经科学，社会科学，物理学和机器人技术等行业领域。其中进步大致来自创新的算法、更好的数据采集和准备方法等技术领域。

这项计划将资助那些在机器学习领域进行科研的大学院系、院系教师、博士生和博士后研究员。旨在帮助科研人员加快各种机器学习应用程序和重点领域中创新算法的开发、成果发布和源代码开发。此外，参与此计划的科研人员 / 获奖者可获得以下几个方面的支持：

资助：奖金在院系和项目级别分配，以一次性不受限制的赠与形式提供给科研机构。
AWS 积分：奖励的 AWS 积分可用于兑换任何 AWS 服务，包括 EC2 P3 实例类型以及 Deep Learning AMI。
培训：参与者将有机会获得 AWS 提供的培训资源，包括如何在 AWS 上运行机器学习的教程，以及由 Amazon科学家和工程师提供指导的实践讲座。
科研研讨会：获奖者将受邀参加西雅图的 AWS 总部举办的科研研讨会，有机会与 Amazon 科学家探讨及互动。
机器学习工具：科研人员可以利用功能多样的基础设施和工具加快科研速度。例如，EC2 P3 实例类型专门针对机器学习进行了优化，借助 NVIDIA Tesla V100 GPU 的前沿性能，可大幅缩短模型训练时间。Deep Learning AMI 预置了众多常用的深度学习框架，并提供安装和配置方法教程，从而帮助科研人员快速入门。

如您有兴趣了解关于 AWS 机器学习科研奖的更多信息，可点击查看详情。

在结尾部分，引用狄更斯在《双城记》中的一句话“这是最好的时代，也是最坏的时代”作为结尾。机器学习一方面无疑会给我们带来更美好的社会，更加智能，但机器也会越来越多地取代人类的工作机会。不知道还未参与上期话题讨论的你，对「哪些场景的机器学习项目会成为未来行业的发展趋势？」还有什么好的想法 / 看法呢？欢迎在留言区分享您的更多观点。

创作场景

看看你的领域普及机器学习了吗？