一、AI芯片
   复杂的AI，非常依赖于专业的AI芯片。
   全球科技巨头都已经在AI芯片上“烧钱”无数。谷歌、亚马逊、Facebook都在潜心布局这一大AI赛道。国内则有华为、寒武纪科技、地平线机器人等。
   走到舞台中间的AI芯片，细分领域也越来越多：有专注于计算机视觉，也有专注于语音识别，更有专注于自然语言处理等。
二、AI+物联网
   2019年是AI与其他技术相融合的一年。最值得期待的，无外乎是AI+物联网。其中，有两大风口值得关注。一是工业互联网，二是分布式人工智能。
   在工业互联网领域，AI的感知、交互、决策能帮助线下的工业企业更好地发现线上的需求，通过大数据做上下游的数据整合和分析，压缩生产和质检环节，进行更好地指导决策。“中国制造”的标杆富士康集团正向工业互联网迈进。
   在分布式人工智能领域，也有大商机。从概念上理解比较抽象，可以直接举个例子。
   以非常时髦的“城市智慧大脑”为例。在智慧城市的交通项目中，牵涉到数万个摄像头，用传统的集中式人工智能处理方案，传输费用每年就要数亿元，AI计算费用更是超过10亿元/年。但如果采用分布式人工智能的处理模式，先在边缘开展AI数据预处理，然后把数据传到数据中心做最后的处理，能将费用整体节省到原来的1/10。
三、AutoML
   乍一看AutoML也是非常费解。其意义在于：帮助开发人员提供他们需要的定制选项，而不必强迫他们完成复杂的工作流。
   解释出来也都非常费解。下面引用一段谷歌首席执行官Sundar Pichai在推出AutoML时所说的话来解惑。
   “设计AI所需的神经网络，不仅非常耗时，还对专业知识要求极高，使得只有小部分科研人员和工程师能够参与设计。因此我们创建了AutoML。有了它，神经网络自己也可以设计神经网络了。我们希望AutoML能够拥有现在一些博士拥有的能力，并可以在三到五年内使众多开发人员也能通过 AutoML 设计神经网络，满足特定的需求。”
四、AIOps
   又是一个由非常简单字母拼凑而成的高深技术名词。AIOps的意义可以专业地解释为：使IT部门的员工能进行精确的原因分析，快速地帮助他们从大量数据集中找到有用的见解和模式。
以上可以比较简单的理解为，AIOps平台能让一个公司养更少的技术人员来支持更多的技术工作。其原因在于，AIOps平台（机器）自身可以采集多维度、海量的IT数据，只要有少量熟悉 AIOps 产品的运维工程师即可实现中大型企业日常的IT支撑保障。
五、兼容性更强的神经网络框架
   AI技术的开发人员有一大苦恼，就是市场上有几十种帮助设计神经网络的框架，且互相缺乏集成，难以兼容。
2019年由微软和Facebook等科技巨头推出的开放神经网络交换(ONNX)，可以解决上述困扰，即允许开发人员跨多个框架、重复使用设计好的神经网络。
六、AI系统
   2019年，AI学习而生成的数据要从数量向质量转变。这就需要AI披上各行各业的“外衣”，精准专业的抓取、分析、生成数据。
高质量的AI，需要在专业化系统中运作。因此，这也将催生更多高质量的AI系统。2019年，对专用AI系统的需求将呈指数级增长。企业也越来越愿意购买“最懂自己”的AI。
七、各行各业对AI人才的渴求
   上面所说的那么多AI的神奇之处，最终还是需要“人肉”落实在企业生产实践中。换句话说，2019年，企业将更加需要靠谱的AI人才。
   美国AI技术服务商Espressive创始人兼首席执行官Pat Calhoun表示，企业都希望借AI实现数字化转型，但苦于没有开发人员、AI专家来帮助他们，
   美国网络安全公司Awake Security首席执行官Rahul Kashyap 表示，企业是时候更明智地看待它们AI解决方案的“黑匣子”里发生的事情了。
八、AI安全解决方案
   道高一尺魔高一丈。AI能够让生产生活变得更加友好，也就能让生产生活变得更加邪恶。AI是工具。好与坏，善与恶，取决于它的的使用者。
   2019年，随着AI在各领域的广泛使用，不法分子可能会“逆水推舟”，对企业的AI发动网络攻击。这就迫使企业在安全方面投入更多成本，建立“城墙”来保护墙内的AI数据不被攻击。这对于AI安全解决方案的提供商来说，是一个风口。
九、AI赋能行业数字化转型
   2019年，AI将无处不在。从智能家居到交通出行，从酒店预订到上网海淘。社会向数字化转型的步伐向更加坚定。
近段时间被人们笑谈的“大数据杀熟”的背后，正是AI在赋能。夏威夷大学信息科技学院教授Tung Bui表示，AI将加速商务系统的数字化转型，让人类的商业社会更加智慧。