國外媒體發表文章稱，一股新的趨勢正風靡硅谷。看看創業公司們最近的融資情況，就會發現有一已有超過半個世紀歷史的概念備受追捧：人工智能。

“這是時下的熱點投資領域。”人工智能公司Context Relevant的史蒂芬·普爾普拉（Stephen Purpura）指出。Context Relevant自2012年創立以來已累計融資超過4400萬美元。據普爾普拉稱，已有超過1700家創業公司加入人工智能浪潮。

人工智能的新晉者以為，該技術終于遇上人類對它的期望了，它將給計算機帶來更高的智能程度。它們想要給人類帶來新的人機互動方式，想要使得機器能夠以預想不到的方式“入侵”人類世界。

另一家新興人工智能創業公司Kensho的丹尼爾·納德勒（Daniel Nadler）表示，“從技術上說，從給機器輸入指令到讓計算機自動觀察學習是一種范式轉變。”Kensho最近獲得了1500萬美元的融資，它正追一一個雄心勃勃的目標：練習計算機使得它們能夠取代金融分析師等白領崗位。

“我們并沒有將我們在做的事情稱作人工智能，而是稱之為‘自動化人為干涉干與型的知識性工作。’”納德勒指出。

投資者的羊群效應，一定程度上解釋了為什么人工智能在“大數據”口號燃起了千千萬萬創業夢想以后成為了最熱點的創業投資趨勢之一。那些融資的規模還相對較小，說明那些創業公司大多處于初期階段。不外，獲得融資的公司之多，投資者背景之廣泛，充分說明了投資者對人工智能的濃厚愛好。

除了硅谷的部門著名風投公司（其中包括Khosla Ventures和Greylock Partners）以及伊隆·馬斯克（Elon Musk）、彼得·泰爾（Peter Thiel）等科技大佬之外，人工智能創業公司的部門活躍投資方還包括以為該類技術在其行業大有用處的企業，如高盛。

納德勒說，各家風投公司現在都需要介入投資該領域：有限合伙人們都但愿在科技行業最新的“下一個大熱點”分得一杯羹。

價值應用題目

最新的人工智能高潮很大程度上得益于針對近乎“智能”的機器的新編程技術。首當其沖的是機器學習技術，它涉及練習機器通過挖掘大量的數據來識別模式和作出猜測。但跟其它催生一眾創業公司的新熱點概念一樣，涉足其中的公司良多將面對著難以給其技術找到有利可圖的應用的風險。

“良多的人工智能平臺都像是瑞士軍刀，”最近獲投1300萬美元的Expect Labs的CEO蒂姆·塔特爾（Tim Tuttle）說道，“它們能夠做良多的事情，但哪些才是高價值的應用并不明朗。”

他說，結果是該行業彷如狂熱的西部，創業者們都爭相將人工智能應用到他們能夠想到的任何一個計算題目。

普爾普拉增補道，“我不以為機器學習作為獨立的技術會造就一項富有價值的業務。良多的相關公司都將以被收購收場。”

人們之所以覺得人工智能將不僅僅是另一股只是一時流行的高潮，是出于對其廣泛潛力的考慮。跟“大數據”一樣，人工智能指代的不僅僅是單一的技術或者用途，而是可能有廣泛用途的一種解決方案。

西雅圖風投公司Madrona合伙人麥特·麥克韋恩（Matt McIlwain）表示，深度學習等技術會有助于企業在客戶情況上獲得更加智能的推斷。他增補道，它們將能夠識別客戶的偏好并作出猜測，如客戶最想在什么時候被接洽，哪些客戶最有可能不續約。

涌入該領域的創業公司面對著巨大的競爭。人工智能最大的進展悉數來自谷歌、IBM、Facebook等投入巨大的科技巨頭。這些公司并沒有透露它們詳細投入了多少資源去研發該項技術，倒是進行了一些公然演示來向大眾證實它們處于領先位置：谷歌旨在從YouTube視頻識別出貓的一項測試，Facebook用以識別人臉的Deep Face系統，以及IBM的沃森（Watson）問答系統。

然而，塔特爾等創業者將但愿更多地寄托在將現有技術打包應用于針對性很強的用途，而不是寄托在新技術的前沿開發上。例如，Expect Labs致力于打造聲控服務，使得企業能夠通過其服務讓客戶可以進行在線對話檢索等操縱。

塔特爾表示，“至公司在試圖開發這種技術來解決一切題目，而我們則是嘗試解決不同的題目。”塔特爾說。

三大熱點用途

該技術的基本用途可分成幾個不同的領域。得益于模式識別功能的提高，圖像識別變得比以往輕易了。涉足這一領域的創業公司Vicarious最近完成融資7200萬美元。它能夠解決驗證碼題目。

同樣的技術也用于匡助計算機“理解”語言——天然語言識別題目。這是IBM沃森等系統背后的技術之一。人工智能的第三個熱點用途是找出聯系關系性——用于個性化在線內容和其它的推薦服務，或者進步廣告定向效率。

跟遠景可期的新概念一樣，人工智能的部門早期應用也是用于金融市場，不外考慮到所涉的利益題目，介入者并不敢公然宣講它們的技術。

“假如你的金融應用可行的話，為什么要將它公諸于眾呢？”Sentient Technologies首席科學家巴巴克·霍賈特（Babak Hodjat）指出。他的公司致力于從數據中央獲得大量的運算能力來對金融市場進行全面的模擬：通過運用嘗試學習市場對不同情況的反應的“進化算法”，它但愿能夠開發出模型來猜測市場未來的演變。

將像這樣的想法主意在各個領域付諸實踐，需要作出巨大的投入來開發人工智能技術。例如，Sentient最近融資超過1億美元來將它的技術應用于更多的領域，說明招攬“練習”人工智能系統應用于多個不同領域所需的行業專家等事項的本錢相稱高昂。

Sentient以為，最有吸引力的行業是那些需要挖掘海量數據來解決高價值題目的行業，如醫療保健、保險和電商。計算機安全和詐騙檢測也屬于諸多人工智能公司最想涉足的那部門領域。

Context Relevant的普爾普拉說，讓人工智能技術能夠真正用于現實用途也需要付出其它的本錢。“樞紐的爭奪跟底層的機器學習技術無關，而是關乎建造支撐系統讓它變得可用。”他稱，這些輔助技術包括傳輸大量信息所需的數據“管道”，以及用以確保人工智能技術在可接受的業務參數內運行的控制系統。

鑒于諸多創業公司面對著證實其技術不僅僅是令人驚艷的展品的壓力，能否從投資者那里搶得融資，可能會決定它們在無可避免的人工智能行業洗牌中的生死存亡。

機器學習

金融時報專欄作家理查德·沃特斯（Richard Waters）寫道，人工智能、機器學習、深度學習和神經網絡，關乎開發機器來解決之前被以為只有人腦才能解決的題目，它們催生了一系列的技術和專門術語。

跟其它技術分支一樣，公司在最佳方案上的差異有時候就像是宗教信奉上的差異。“你所使用的名稱表示你所屬的部族。”普爾普拉說道。

人工智能承載著實現完全人類式的計算機“思維”的夢想。但以計算機邏輯解碼人類思維的嘗試并不順利。

業界對人工智能重燃愛好，很大程度上是由于機器學習——一種有意跟人類思維類比劃清界限的方案。機器學習是信息處理本錢下降的產物，涉及海量如今能夠進行收集并傳輸到網上的數字數據。

作為機器學習的子集，深度學習是人工智能趨勢泛起的重要原因。深度學習基于人工智能歷史的另一個概念：神經網絡，即尋求模擬人腦運作加快“學習”的軟件。

Nara Logics的CEO亞娜·艾格斯（Jana Eggers）表示，神經科學的提高為這種生物模擬帶來了新思路。她增補道，模擬的目的是“看看人腦是如何進行決議計劃的，如何使得計算性能夠做得更好。”