你应该知道的18家深度学习初创公司

过去几周，我们一直在采用深度学习算法为未来几周即将推出的一个新VentureRadar功能而努力。这激起了我寻找更多开发和应用深度学习的创业公司的兴趣，所以我决定在VentureRadar的数据库中选出这一新兴领域里排名最高的18家公司，并近距离了解它们到底在做什么。

你也可以在VentureRadar网站搜索关键词「Deep Learning」了解更多这一新兴领域的公司。 下面是这排名最高的18家公司的简介。

Enlitic/医疗诊断

Enlitic于2014年8月在三藩市成立，采用深度学习和图像分析帮助医生做出诊断并标记出医学图像中的异常，从而让医疗更加精确和更有效率。例如，Enlitic可以分析X光、核磁共振成像或CT扫描得到的医学图像，然后找出数据中的趋势或单个图像中的异常情况。

公司创始人Jeremy Howard（同时也是一名黑客和数据科学家）认为，数据科学是项非常性感的职业。但是，数据科学家现在做的大部分工作却是产品推荐或者广告投放等。他觉得这不够性感。为了给数据科学找到更好的应用，让深度学习做些更有意义的事情，他将注意力放在了医疗方面。

他的基本思考是，创造一个类似星际迷航三录仪一样的系统（不过可能无法便携），搜集有关特定病人的数据——从医疗图片、实验室检测结果到医生的便笺——让深度学习分析这些数据，做出诊断并给出治疗建议。这并非让机器替代医生，而是为其提供让诊断更加便利的工具。公司还将与诊所、医院以及其他医疗单位合作，分析算法，进一步精炼公司的技术。

Synapsify /非结构化文本的观点提取

Synapsify构建了能在语义上阅读和学习类似人类书写内容的应用，可以用于加速发现、观点提取和建议。这家公司的愿景是让所有人都可以在没有技术专家和资源的情况下使用机器智能得到可操作的观点和发现，并从中受益。

Affectiva /面部表情分析

Affectiva的技术采用先进的计算机视觉算法来捕捉和识别视觉刺激所激发的情感反应。Affectiva的旗舰产品Affdex简单易用；只要一个摄像头，任何地方都可以，也不需要安装软件。另外Affdex也很简洁低调，没有凌乱的布线或电极。

Ripjar/社交媒体分析

Ripjar帮助企业利用大数据。Ripjar的应用套件让企业可以将目标外部数据（社交媒体、新闻、博客和互联网网页）与内部信息结合起来，产出独到的观点以帮助他们做出及时的关键业务决策。Ripjar的产品集可以用条理分明的方式监控、分析和探索混合的数据集。

Deepomatic/计算机视觉

Deepomatic正在打造一个能够将媒体图片中任何想要的产品与电子商务网站中同样或类似的产品链接起来的按钮。内容发行者可以将他们的图像经过算法的扫描，检测和识别出其中让人心动的产品（如：时尚产品）。通过将自动理解产品属性和图案颜色的比较相结合，Deepomatic将这些图像和电子商务网站上同样或类似的产品链接在一起。Deepomatic便由此可以和内容所有者分享这个新增的收入来源。

Indico/自然语言处理和图像分析

Indico开发能够自动理解的机器学习模型，目标是让每一个程序员都成为一个10倍以上的数据科学家。该公司的每一个模型执行一个特定的任务。例如，其「文本标签（Text Tags）」模型可以确定段落的主题，而「面部定位（Facial Localization）」模型则可以找到图像中所有的脸。用户可以将这些模型结合应用以解决其数据中更为复杂的问题。

Clarifai/图像和视频识别

2013年，Clarifai的第一个图像识别系统在识别图像中的物体的ImageNet比赛中进入了前五强。自那以后，Clarifai的深度学习系统不断进化，提高了识别的速度、词典的大小和内存的占用，同时应用范围也超出了图像识别，可以从各种形式的数据中提取知识。Clarifai的技术中枢是高性能深度学习API，在这之上Clarifai正在构建新一代智能应用。这让Clarifai能够通过以全新的创新的方式向所有人提供高技术解决方案应对日常问题。

公司创始人Matthew Zeiler，纽约大学计算机科学PHD，曾和深度学习领域两个最牛人物一——Geoff Hinton和Yann LeCun一起工作过五年。他发现真正困难的地方是建立学习模式——处理所有视觉数据的关键算法——能够快速处理各种不同图片。Zeiler很清楚，「训练这些模型与其说是科学工作，不如说是种艺术」，「需要很多年的经验。」这正好是Clarifai的切入点。Zieler的想法是，只要用户将照片上传到Clarifai软件，这个软件就会分析出照片里的内容并提供与此类似的更多照片。与传统基于文本的图片搜索截然不同的是，这是真的以视觉为基础的搜索。

Atomwise/药物发现

Atomwise采用深度学习神经网络发现新的药物。该公司称自己在新药发现、结合亲和力预测和毒性检测上得到了世界上最好的结果。Atomwise为制药公司、创业公司和研究机构提供候选药物预测服务。

Descartes Labs/图像识别、卫星与农业

基于深度学习和先进的遥感算法，Descartes Labs正在教导计算机如何看世界以及世界如何随时间改变。他们的第一个应用是使用大量卫星图像（包括可见光段和不可见光段），更好了解全球农作物生产。

MetaMind/自然语言处理和图像识别

MetaMind想让人人都能使用深度学习。该公司正在打造一个用于自然语言处理、图像理解和知识基础的分析的人工智能平台。该公司提供了用于医疗成像、食物识别和解决方案定制的产品。

MetaMind希望提供包括自然语言处理在哪的更为广泛多样的工具。 深度学习有望帮助机器真正理解用户说的话，而这种技术的关键特点之一就是能够自我训练，这也是许多人相信它能有助于自然语言处理的根据所在。而这正是另一个MetaMind工具正在开发的领域，当你输入连个句子，这个工具能够告诉你两个句子的相似程度。这种技术能够被商家用来自动回复客户问题。Socher说，用户的询问方式多种多样，尽管绝大多数时候，意思差不都多。这个工具也能用来分析一些社交网络（比如推特）上用户对公司的评价。

MetaMind目前从事深度学习咨询的业务，也会提供自己的深度学习服务和软件。借由运行MetaMind的数以百计装备成千上万图像处理器的学习机器，这一在线服务省去了客户建立自己系统的麻烦和成本。但是，如果客户想要运营自己的深度学习系统，MetaMind会为它提供软件和专业服务，如果确有必要的话。

Quantified Skin/预测分析

Quantified Skin是一个基于人工智能的平台，能够为提高用户健康学习、适应和提出活动建议。Quantified Skin的目标是减少肥胖引起的慢性疾病；要知道，美国现在的肥胖状况已经达到了有史之最。使用Quantified Skin平台的初步效果已经显现，用户的行为在向更健康的生活方式前行。

Deep Genomics/基因医学

Deep Genomics拥有世界领先的机器学习、基因生物学和精密医学方面的专业知识技术。该公司正在开发能够在基因突变（不管是自然的还是治疗性的）引起DNA改变时预测细胞内会发生什么变化的新一代计算技术。

HyperVerge/计算机视觉与图像识别引擎

HyperVerge使用深度学习算法处理云中消费者的图片和视频。HyperVerge开发的用于图像处理的已获专利的专有图像技术模型包括：面部检测、面部识别、场景识别、差照片检测、重复照片检测、照片分类、相册总结、面部美化和照片美化。

Idibon/自然语言处理和社交媒体分析

Idibon基于云的自然语言处理服务让企业能够组织和结构化书面语言来回答关键业务问题和进行流程自动化。Idibon有一个准确的适应性系统，支持NER /文本提取、情感分析、文本/内容分类、语言检测/识别。

Tractable/计算机视觉

Tractable正在开发专有的机器学习算法，重点是用于计算机视觉的深度学习。该公司的重点是让未标记的数据和监督学习一起工作。应用领域包括保险索赔、工业检测、远程监控等。

Trustingsocial/信用评分

Trustingsocial正在将大数据和深度学习技术应用到社会、移动和网页数据上，并借此为新兴市场开发消费信用评级服务。其评分算法可以从大量的社会数据中学习如何预测短期和长期的收入和资信情况。它是基于消费信用记录的FICO评分系统的补充。通过利用社交网络数据，该评分系统适用于全球数十亿用户。

Trak.io/数据分析

Trak.io是一个基于云的平台，软件即服务（SaaS）公司可以使用它来跟踪他们的客户数据。通过高效的记录系统（SOR）过程和深度学习&模式识别的结合，该公司全面的管理平台能够建立客户行为的预测模型。Trak.io取用客户的所有客户数据，比如功能使用状况、支付、支持服务单和邮件记录，然后再根据这些数据自动对用户进行分类。

Skymind/文本分析、欺诈检测和垃圾邮件检测

Skymind是一家商业智能和企业软件公司，该公司通过分析媒体、图像和声音来定位和量化影响业务的模式。该公司拥有一个深度学习和半情感机器人专家团队，开发了世界上第一个开源的、分布式的、商业级的深度学习框架：Deeplearning4j.org。

公司创始人Adam Gibson认为，深度学习不应被几个巨头所把持，应该走向大众（所以，他的公司名称是「sky」+「mind」），希望每个公司不雇佣自己的数据科学家也能使用深度学习。「我们在克隆谷歌的功能」，Patterson表示。尽管他们的项目才刚开始，但已经能够利用深度学习技术开发网络服务。「我们已经能做出一些产品，至少能复制论文上的结果。」不过他们没有透露哪些公司在用他们的产品。

本文选自 ventureradar ，作者：Gelareh Taghizadeh，机器之心编译出品，编译：吴攀。