类人智能学习是AI界始终追逐的终极目标。自2006年以来,深度学习的出现极大的推动了人工智能的研究进展,人类似乎找到了解决“抽象概念”的方法。人工智能借助深度学习的力量,已可以在多个应用场景落地,特别是互联网领域。但就总体发展而言,目前的人工智能距离类人类智能还有很长的路要走。类人智能学习是AI界始终追逐的终极目标。
类人智能的小样本学习。如果用形象的比喻来说,深度学习(DL)是解决计算机“运筹帷幄”的问题(大量数据形成规律和抽象概念),而小样本学习是解决计算机“照猫画虎”的问题(少量数据形成决策)。深度学习更擅长分析规律和预测趋势,而小样本学习则具备举一反三的能力。小样本学习相当符合人类的思维推理模式,是实现类人人工智能的必由之路。
小样本研究领域的发展现状。2011年至2015年,由于小样本理论不完整,相关论文较少。自2015年以来,随着深度学习的兴起,小样本学习进入深度学习阶段,相关研究论文的数量呈线性大幅增长。国家间,在小样本学习研究领域的竞争也十分激烈,美国和中国是最大的两个研究产出国,而美国的私营部门在小样本学习的投入领先于其他国家。
小样本学习可以解决AI商业落地难题。2015年是小样本学习研究进展的分水岭,开始真正进入深度学习阶段,进而带动AI产业的实质性应用落地。小样本学习算法的性价比最优,不需要大量数据的标注准备,极大降低了数据标注、算力以及AI交付的工程化成本,对AI应用普惠化起到了至关重要的作用。
工业视觉检测是小样本学习的典型应用场景。小样本学习相关的任务中,计算机视觉是最活跃的研究领域,而AI视觉检测是小样本学习在工业领域的突出应用。
建议关注:作为小样本学习领域的典型代表,我们建议重点关注:创新奇智(2121.HK),阿丘科技(未上市)。当下,小样本学习领域已成为一个热点和重点研究方向。AI的发展从来都是量变到质变的不断积累,比如深度学习框架的出现极大推进了人工智能的进展,又比如ChatGPT在NLP领域语义理解能力的实质性突破。我们认为,小样本学习这种类人智能算法在与深度学习的结合下,将在各个应用领域不断创造实用价值。鉴于目前计算机视觉是小样本学习最为活跃的领域且发展较成熟,应重点关注在计算机视觉方面有实际应用落地能力的公司。
风险:小样本学习的研究进展缓慢,实际应用落地进展不及预期。