2030年人工智能学习方向_ai人工智能方向 - CSDN
  • 2030年人工智能与生活(AI and Life in 2030)
    作者:Anqi
    链接:https://zhuanlan.zhihu.com/p/22308870
    来源:知乎
    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

    第一部分:什么是人工智能?


    本节介绍了研究人员和从业者如何定义「人工智能」以及目前正在蓬勃发展的人工智能研究和应用领域。它提出了人工智能是什么和不是什么的定义,并介绍了一些当前人工智能研究的「热点」领域。


    本节为第二部分的内容奠定了基础,第二部分阐述了人工智能在八个领域和在第三部分中的影响与未来,第三部分介绍了涉及人工智能设计和公共政策的问题,并提出在保护民主价值的同时如何鼓励人工智能创新的建议。


    1.定义人工智能


    奇怪的是,人工智能缺乏一个精确的、被普遍接受的定义,这或许有助于该领域的加速成长、繁荣以及前进。虽然人工智能的从业者、研究人员和开发人员由一种粗略的方向感和一个「与它相处」的命令所引导,人工智能的定义仍然很重要,而 Nils J. Nilsson 就提供了一个有用的定义:「人工智能就是致力于让机器变得智能的活动,而智能就是使实体在其环境中有远见地、适当地实现功能性的能力。」

    从这个角度来看,对人工智能的表征取决于个人愿意「适当地」并「有远见地」为功能性提供合成软件和硬件的信用。一个简单的电子计算器比人类大脑进行的计算要快得多,而且几乎从来不出错。

    电子计算器智能吗?像 Nilsson 一样,研究小组以一种宽泛的视角来看待此问题,认为智力取决于一个多维频谱。根据这一观点,算术计算器和人脑之间的区别不是某一类,而是规模、速度、自主性和通用性的区别。

    同样的因素可以用来评估智能的其他各例——智能语音识别软件、动物大脑、汽车巡航控制系统、围棋程序、自动调温器——并将它们放置在频谱中的适当位置。虽然我们的宽泛解释把计算器列在了智能频谱中,但是如此简单的设备与今天的人工智能相比几乎没有相似之处。

    从这个角度看,对人工智能的表征取决于个人愿意「适当地」并「有远见地」为功能提供合成软件和硬件的信用。一个简单的电子计算器比人脑计算快得多而且几乎从不出错。

    人工智能的边界已经远远走在前面,而计算器可以实现的功能只是当下的智能手机的百万分之一。目前人工智能开发人员正在改进、推广和扩大从当下的智能手机中所建立起来的智能。事实上人工智能领域是一个不断努力推动机器智能向前发展的过程。

    具有讽刺意味的是,人工智能正在遭受失去话语权的长期灾难,最终不可避免地会被拉到边界内,即一个被称为「人工智能效应(AI effect)」或「奇怪悖论(odd paradox)」的重复模式——人工智能将一种新技术带到了普通大众中去,人们习惯了这种技术,它便不再被认为是人工智能,然后更新的技术出现了。

    同样的模式将在未来继续下去。人工智能并没有「交付」一个惊雷般改变生活的产品。相反人工智能技术以一个连续的、进步的方式正在继续更好的发展。

    2.人工智能研究趋势


    直到本世纪初,人工智能的吸引点主要在于它所传递的承诺,但在过去的十五年里,大多这样的承诺已经得到兑现。人工智能技术已经充斥了我们的生活。当它们成为了社会的一股中心力量时,该领域正在从仅仅建立智能系统,转向了建立有人类意识的、值得信赖的智能系统。

    几个因素加速了人工智能革命。其中最重要的是机器学习的成熟,部分由云计算资源和广泛普及的、基于 Web 的数据收集所支持。机器学习已经被「深度学习(deep learning)」急剧地向前推进了,后者是一种利用被称作反向传播的方法所训练的适应性人工神经网络的一种形式。

    信息处理算法的这种性能飞跃一直伴随着用于基本操作的硬件技术的显著进步,比如感觉、感知和目标识别。数据驱动型产品的新平台和新市场,以及发现新产品和新市场的经济激励机制,也都促进了人工智能驱动型技术的问世。

    所有这些趋势都推动着下文中所描述的「热门」研究领域。这种编辑只是想要通过某个或另一个度量标准来反映目前比其他领域得到更大关注的领域。它们不一定比其他领域更重要或更有价值。事实上目前的一些「热门」领域在过去几年中并不怎么流行,而其他领域可能在未来会以类似的方式重新出现。

    大规模机器学习

    许多机器学习的基本问题(如监督和非监督学习)是很好理解的。目前努力的一个重点是将现有算法扩展到更庞大的数据集上。例如鉴于传统方法能够负担得起若干遍数据集的处理,现代方法是为单次处理所设计;某些情况只认同非线性方法(那些只关注一部分数据的方法)。

    深度学习

    成功训练卷积神经网络的能力非常有益于计算机视觉领域,比如目标识别、视频标签、行为识别和几个相关变体的应用。深度学习也在大举进军感知方面的其他领域,如音频、语音和自然语言处理。

    强化学习

    鉴于传统机器学习主要关注于模式挖掘,强化学习将重点转移到决策中,这种技术将有助于促进人工智能在现实世界中更深入地进入相关研究和实践领域。作为一种经验驱动型的序贯决策框架,强化学习已经存在了几十年,但是这个方法在实践中没有取得很大成功,主要是由于表征和缩放的问题。然而深度学习的出现为强化学习提供了「一贴强心剂」。

    由谷歌 DeepMind 开发的计算机程序 AlphaGo 在五次对抗比赛中击败了人类围棋冠军,它最近所取得的成功在很大程度上要归功于强化学习。AlphaGo 是通过使用一个人类专家数据库来初始化一个自动代理的方法被训练的,但随后提炼的方法是通过大量地自我对抗游戏以及应用强化学习。

    机器人

    至少在静态环境中,机器人导航在很大程度上被解决了。目前的努力是在考虑如何训练机器人以泛型的、预测性的方式与周围世界进行交互。互动环境中产生的一个自然要求是操纵,这是当下所感兴趣的另一个话题。

    深度学习革命只是刚开始影响机器人,这在很大程度上是因为要获得大的标记数据集还很困难,这些数据集已推动了其他基于学习的人工智能领域。

    免去了标记数据需求的强化学习可能会有助于弥合这一差距,但是它要求系统在没有错误地伤害自己或其他系统的情况下能够安全地探索出一个政策空间。在可信赖的机器感知方面的进步,包括计算机视觉、力和触觉感知,其中大部分将由机器学习驱动,它们将继续成为推进机器人能力的关键。

    计算机视觉

    计算机视觉是目前最突出的机器感知形式。它是受深度学习的兴起影响最大的人工智能子领域。直到几年前,支持向量机还是大多视觉分类任务所选择的方法。但是特别是在 GPU 中的大规模计算的汇合,使得更大数据集的可获得性(尤其是通过互联网)以及神经网络算法的改进导致了基准任务中能的显著提高(比如 ImageNet 中的分类器)。计算机首次能够比人类更好地执行一些(狭义定义的)视觉分类任务。目前的研究多是关注于为图像和视频自动添加字幕。

    自然语言处理

    自然语言处理是另一个通常与自动语音识别一同被当做非常活跃的机器感知领域。它很快成为一种拥有大数据集的主流语言商品。谷歌宣布目前其 20% 的手机查询都是通过语音进行的,并且最近的演示已经证明了实时翻译的可能性。现在研究正在转向发展精致而能干的系统,这些系统能够通过对话而不只是响应程式化的要求来与人互动。

    协同系统

    协同系统方面进行的是对模型和算法的研究,用以帮助开发能够与其他系统和人类协同工作的自主系统。该研究依赖于开发正式的协作模型,并学习让系统成为有效合作伙伴所需的能力。能够利用人类和机器的互补优势的应用正吸引到越来越多的兴趣——对人类来说可以帮助人工智能系统克服其局限性,对代理来说可以扩大人类的能力和活动。

    众包和人类计算

    在完成许多任务方面由于人类的能力是优于自动化方法的,因而在众包和人类计算方面,通过利用人类智力来解决那些计算机无法单独解决好的问题,该领域研究调查了增强计算机系统的方法,这项研究的提出仅仅是在大约 15 年前,现在它已经在人工智能领域确立了自己的存在。最有名的众包例子是维基百科,它是一个由网络公民维护和更新的知识库,并且在规模上和深度上远远超越了传统编译的信息源,比如百科全书和词典。

    众包专注于设计出创新的方式来利用人类智力。Citizen 科学平台激发志愿者去解决科学问题,而诸如亚马逊的 Mechanical Turk 等有偿众包平台,则提供对所需要的人类智力的自动访问。通过短时间内收集大量标记训练数据和/或人机交互数据,该领域的工作促进了人工智能的其它分支学科的进步,包括计算机视觉和自然语言处理。基于人类和机器的不同能力和成本,目前的研究成果探索出了它们之间理想的任务分离。

    算法博弈理论与 (基于) 计算机 (统计技术的) 社会选择

    包括激励结构、人工智能的经济和社会计算维度吸引到了新的关注。自 20 世纪 80 年代初以来,分布式人工智能和多代理(multi-agent)系统就已经被研究了,于 20 世纪 90 年代末开始有显著起色,并由互联网所加速。一个自然的要求是系统能够处理潜在的不恰当激励,包括自己所感兴趣的人类参加者或公司,以及自动化的、基于人工智能的、代表它们的代理。

    备受关注的主题包括计算机制设计(computational mechanism design)(一种激励设计的经济理论,它寻求激励兼容的系统,其中输入会被如实报告)、(基于) 计算机 (统计技术的) 社会选择(computational social choice)(一种有关如何为替代品排列顺序的理论)、激励对齐信息获取(incentive aligned information elicitation)(预测市场、评分规则、同行预测)和算法博弈理论(algorithmic game theory)(市场、网络游戏和室内游戏的平衡,比如poker——它在近几年通过抽象技术和无遗憾学习(no-regret learning)已经取得了显著的进步)。

    物联网(IoT)

    越来越多的研究机构致力于这样一个想法:一系列设备可以相互连接以收集和分享它们的感官信息。这些设备可以包括家电、汽车、建筑、相机和其他东西。虽然这就是一个技术和无线网络连接设备的问题,人工智能可以为了智能的、有用的目的去处理和使用所产生的大量数据。目前这些设备使用的是令人眼花缭乱的各种不兼容的通信协议。人工智能可以帮助克服这个「巴别塔」。

    神经形态计算

    传统计算机执行计算的冯诺依曼模型,它分离了输入/输出、指令处理和存储器模块。随着深度神经网络在一系列任务中的成功,制造商正在积极追求计算的替代模型——特别是那些受到生物神经网络所启发的——为了提高硬件的效率和计算系统的稳定性的模型。

    目前这种「神经形态的(neuromorphic)」计算机尚未清楚地显示出巨大成功,而是刚开始有望实现商业化。但可能它们在不久的将来会变成寻常事物(即使仅作为冯诺依曼所增加的兄弟姐妹们)。深度神经网络在应用景观中已经激起了异常波动。当这些网络可以在专门的神经形态硬件上被训练和被执行,而不是像今天这样在标准的冯诺依曼结构中被模拟时,一个更大的波动可能会到来。

    总体趋势以及人工智能研究的未来

    数据驱动型范式的巨大成功取代了传统的人工智能范式。诸如定理证明、基于逻辑的知识表征与推理,这些程序获得的关注度在降低,部分原因是与现实世界基础相连接的持续挑战。规划(Planning)在七十和八十年代是人工智能研究的一根支柱,也受到了后期较少的关注,部分原因是它强烈依赖于建模假设,难以在实际的应用中得到满足。

    基于模型的方法——比如视觉方面基于物理的方法和机器人技术中的传统控制与制图——已经有很大一部分让位于通过检测手边任务的动作结果来实现闭环的数据驱动型方法。即使最近非常受欢迎的贝叶斯推理和图形模式似乎也正在失宠,被数据和深度学习显著成果的洪流所淹没。

    研究小组预计在接下来的十五年中,会有更多关注集中在针对人类意识系统的开发上,这意味着它们是明确按照要与之互动的人类特点来进行建模与设计的。很多人的兴趣点在于试图找到新的、创造性的方法来开发互动和可扩展的方式来教机器人。

    此外在考虑社会和经济维度的人工智能时,物联网型的系统——设备和云——正变得越来越受欢迎。在未来的几年中,对人类安全的、新的感知/目标识别能力和机器人平台将会增加,以及数据驱动型产品数量与其市场规模将会变大。

    研究小组还预计当从业者意识到纯粹的端到端深度学习方法的不可避免的局限性时,会重新出现一些人工智能的传统形式。我们不鼓励年轻的研究人员重新发明理论,而是在人工智能领域以及相关领域(比如控制理论、认知科学和心理学)的第一个五十年期间,保持对于该领域多方面显著进展的觉察。


    第二部分:人工智能在各领域的应用


    虽然人工智能的很多研究和应用会基于一些通用技术,比如说机器学习,但在不同的经济和社会部门还是会有所区别。我们称之为不同的领域(domain),接下来的这部分将介绍人工智能研究和应用的不同类型,以及影响和挑战,主要有八个方面:交通、家庭服务机器人、医疗健康、教育、低资源社区、公共安全、工作和就业、娱乐。

    基于这些分析,我们还预测了一个有代表性的北美城市在未来 15 年的趋势。与人工智能的流行文化中的典型叙述不同,我们寻求提供一个平衡的观点来分析,人工智能是如何开始影响我们日常生活的,以及从现在到 2030 年,这些影响将如何发展。


    1.交通


    交通可能会成为首批几个特定应用领域之一,在这些领域,大众需要对人工智能系统在执行危险任务中的可靠性和安全性加以信任。自动化交通会很快司空见惯,大多数人在嵌入人工智能系统的实体交通工作的首次体验将强有力的影响公众对人工智能的感知。

    • 智能汽车

    • 交通规划

    • 即时交通

    • 人机交互

    2.家庭服务机器人

    过去十五年中,机器人已经进入了人们的家庭。但应用种类的增长慢得让人失望,与此同时,日益复杂的人工智能也被部署到了已有的应用之中。人工智能的进步常常从机械的革新中获取灵感,而这反过来又带来了新的人工智能技术。

    未来十五年,在典型的北美城市里,机械和人工智能技术的共同进步将有望增加家用机器人的使用和应用的安全性和可靠性。特定用途的机器人将被用于快递、清洁办公室和强化安全,但在可预见的未来内,技术限制和可靠机械设备的高成本将继续限制狭窄领域内应用的商业机会。至于自动驾驶汽车和其它新型的交通机器,创造可靠的、成熟的硬件的难度不应该被低估。

    • 真空吸尘器

    • 家庭机器人 2030


    3.医疗


    对人工智能而言,医疗领域一直被视为一个很有前景的应用领域。基于人工智能的应用在接下来的几年能够为千百万人改进健康结果和生活质量,但这是在它们被医生、护士、病人所信任,政策、条例和商业障碍被移除的情况下。主要的应用包括临床决策支持、病人监控、辅导、在外科手术或者病人看护中的自动化设备、医疗系统的管理。

    近期的成功,比如挖掘社交媒体数据推断潜在的健康风险、机器学习预测风险中的病人、机器人支持外科手术,已经为人工智能在医疗领域的应用扩展出了极大的应用可能。与医学专家和病人的交互方法的改进将会是一大挑战。

    至于其他领域,数据是一个关键点。在从个人监护设备和手机 App 上、临床电子数据记录上收集有用的数据方面,我们已经取得了巨大的进展,从协助医疗流程和医院运行的机器人那里收集的数据可能较少一些。但使用这些数据帮助个体病人和群体病人进行更精细的针对和治疗已经被证明极其的困难。

    研究和部署人工智能应用已经被过时的条例和激励机制拉扯后腿。在这样大型的、复杂的系统中,贫乏的人机交互方法和固有的难题以及部署技术的风险也阻碍了人工智能在医疗的实现。减少或者移除这些障碍,结合目前的创新,有潜力在接下来几年为千百万人极大的改进健康结果和生活质量。

    • 临床应用

    • 医疗分析

    • 医疗机器人

    • 移动健康

    • 老年看护

    4.教育


    在过去的十五年间,教育界见证了为数众多的人工智能科技的进步。诸如 K-12 线上教育以及大学配套设备等等应用已经被教育家和学习者们广泛利用。尽管素质教育还是需要人类教师的活跃参与,但人工智能在所有层面上都带来了强化教育的希望,尤其是大规模定制化教育。如何找到通过人工智能技术来最优化整合人类互动与面对面学习将是一个关键性的挑战,这一点医疗行业也是如此。

    机器人早已经成为了广为欢迎的教育设备,最早可以追溯到 1980 年 MIT Media Lab 所研制出的 Lego Mindstorms。智能辅导系统(ITS)也成为了针对科学、数学、语言学以及其他学科相匹配的学生互动导师。

    自然语言处理,尤其是在与机器学习和众包结合以后,有力推进了线上学习,并让教师可以在扩大教室规模的同时还能做到解决个体学生的学习需求与风格。大型线上学习的系统所得的数据已经为学习分析产生了迅速增长的动力。

    但是,学院与大学采用人工智能技术的步伐依然很缓慢,主要是由于资金的缺乏,以及其可以帮助学生达成学习目标的有力证据。一个典型美国北部城市的未来五十年,智能导师与其他人工智能技术帮助教师在课堂或家中工作的规模很有可能会显著扩大,因为意愿学习是基于虚拟现实的应用。但是计算机为基础的学习系统将无法完全替代学校里的教师们。

    • 教育机器人

    • 智能辅导系统(ITS)与线上学习

    • 学习分析

    • 挑战和机遇

    更广大的社会成果

    自广大人民难以获得教育的国家,如果这些群体有可以获取在线教育的工具,那么在线资源将会产生重要的积极影响。在线教育资源的发展应该能让支持国际教育项目的基金会可以通过提供工具和相对简单的使用培训来更轻松地提供素质教育。比如说,针对 iPad 开发出了大量的、且大部分免费的教育应用。

    在消极的一面,现在学生已有把自己的社会接触限制在电子设备上的趋势了,他们在网络程序的互动上花费了大量时间,却没有进行社会接触。如果教育也越来越多地通过网络进行,那么在学生的社会发展阶段缺乏与同龄人有规律的面对面接触会带来怎样的影响呢?特定的技术已经表明这会产生在神经方面的影响。另一方面,自闭症儿童已经开始从与人工智能系统的互动中受益了。

    5.低资源社区


    人工智能存在许多机会去改善生活于一个典型北美城市的低资源社区中的人民生活状况——事实上在某些情况下已经有所改变。了解这些人工智能的直接贡献也可能会激发对于发展中国家最为贫穷的地区的潜在贡献。在人工智能的数据收集过程中并没有对这个人群的显著关注,而且传统上人工智能资助者在缺乏商业应用的研究中表现得投资乏力。

    有了有针对性的激励和资金优先次序,人工智能技术可以帮助解决低资源社区的需求。萌芽中的努力是有希望的。人工智能可能会有有助于对抗失业和其他社会问题带来的恐惧,它或许会提供缓解措施和解决方案,特别是通过受影响的社区以与其建立信任的方式来实现。


    6.公共安全与防护


    城市已经为公共安全和防护部署人工智能技术了。到 2030 年, 典型的北美城市将在很大程度上依赖它们。这些措施包括可以检测到指向一个潜在犯罪的异常现象的监控摄像机、无人机和预测警务应用。与大多数问题一样,好处与风险并存。


    获得公众信任是至关重要的。虽然会存在一些合理的担心,即与人工智能合作的警务可能会在某些情况下变得霸道或是无处不在,而相反的情况也是可能的。人工智能可能使警务变得更有针对性并只在需要时被使用。而且假设经过仔细的部署,人工智能也可能有助于消除一些人类决策中固有的偏见。


    对于人工智能分析学更成功的一个应用是检测白领犯罪,比如信用卡诈骗罪。网络安全(包括垃圾邮件)是一个被广泛关注的问题,而机器学习也对其有所影响。


    人工智能工具也可能被证明有助于警察管理犯罪现场或是搜索和救援活动,它可以帮助指挥官排列任务的优先次序以及分配资源,尽管这些工具还没有为这些活动的自动化做好准备。在一般的机器学习尤其是在转换学习中的改进——在新情境中基于与过去情况的相似性而加快学习——可能有利于这样的系统。


    7.就业与劳资


    尽管人工智能很有可能会对典型北美城市的就业和工作场所产生深远的影响,但对当前的影响我们目前还难以作出评估——是积极的还是消极的。在过去十五年,由于经济衰退和日益的全球化,尤其是中国参与到了世界经济中,就业状况已经发生了改变,非人工智能的数字技术也发生了很大的变化。自 1990 年代以来,美国经历了生产率和 GDP 的连续增长,但平均收入却停滞不前,就业人口比率也已经下降。

    有一些数字技术有重大影响(好的影响或坏的影响)的行业的显著案例,而在一些其它的行业,自动化将很有可能能在不久的将来发生重大的改变。许多这些改变已经得到了「例行的」数字技术的推动,其中包括企业资源规划、网络化、信息处理和搜索。理解这些改变应该能为人工智能影响未来劳动力需求的方式(包括技能需求的改变)提供见解。

    到目前为止,数字技术已经给中等技能的工作(比如旅行代理)带来了更大的影响,而不是非常低技能或非常高技能的工作。另一方面,数字系统所能完成的任务的范围正随着人工智能的演进而提升,这很可能会逐渐增大所谓的「例行任务」的范围。人工智能也正向高端的领域蔓延,包括一些机器之前无法执行的专业服务。

    为了获得成功,人工智能创新将需要克服可以理解的人们对被边缘化的恐惧。在短期内,人工智能很有可能会取代任务,而非工作,同时还将会创造新类型的工作。但新类型的工作比将可能失去的已有工作更难以想象。就业领域的变化通常是渐进的,不会出现剧烈的过渡。

    随着人工智能进入工作场所,这很有可能是一个持续的趋势。影响的范围也将扩大,从少量的替代或增强到完全的替代。比如说,尽管大部分律师的工作还没被自动化,但人工智能在法律信息提取和主题建模方面的应用已经自动化了一部分第一年工作的律师新人的工作。在不远的将来,包括放射科医生到卡车司机到园丁等许多类型的工作都可能会受到影响。

    人工智能也可能会影响工作场所的大小和位置。许多组织和机构很庞大的原因是他们所执行的功能只能通过增加人力来扩大规模,要么是「横向」扩展地理区域,要么是「纵向」增多管理层级。随着人工智能对许多功能的接管,扩展不再意味着会带来大型的组织。

    许多人已经指出一些知名的互联网公司只有很少数量的员工,但其它公司并不是这样。人类企业可能存在一个自然的规模大小,在这样的企业中,CEO 能够认识公司里的每一个人。通过将创造有效地外包给人工智能驱动的劳动力市场,企业会倾向于自然的大小。

    人工智能也将创造工作,特别是在某些行业中,通过使某些特定任务更重要,以及通过产生新的交互模型创造新类型的工作。复杂的信息系统可被用于创造新的市场,这往往会带来降低门槛和增加参与的影响——从应用商店到 AirBnB 再到 taskrabbit。人工智能界有一个活跃的研究社区在研究创造新市场和使已有市场更高效地运作的进一步的方式。

    尽管工作本身有内在的价值,但大部分人工作是为了购买他们看重的商品和服务。因为人工智能系统可以执行之前需要人力的工作,因此它们可以导致许多商品和服务的成本下降,实实在在地让每个人都更富有。当正如当前的政治辩论中所给出的例子一样,失业对人们的影响比对散布的经济效益的影响更显著——尤其是那些直接受其影响的人;而不幸的是,人工智能常常被视作是工作的威胁,而不是生活水平的提升。

    人们甚至在某些方面存在恐惧——害怕人工智能会在短短一代人的时间内迅速取代所有的人类工作,包括那些需要认知和涉及到判断的工作。这种突变是不太可能发生的,但人工智能会逐渐侵入几乎所有就业领域,这需要在计算机可以接管的工作上替换掉人力。

    人工智能对认知型人类工作的经济影响将类似于自动化和机器人在制造业工作上对人类的影响。许多中年工人失去了工厂里的高薪工作以及伴随这个工作的家庭和社会中的社会经济地位。长期来看,一个对劳动力的更大影响是失去高薪的「认知型」工作。

    随着劳动力在生产部门的重要性的下降(与拥有知识资本相比),大多数市民可能会发现他们的工作的价值不足以为一种社会可以接受的生活标准买单。这些变化将需要政治上的,而非单纯经济上的响应——需要考虑应该配置怎样的社会安全网来保护人们免受经济的大规模结构性转变的影响。如果缺少了缓解政策,这些转变的一小群受益者将成为社会的上层。

    短期来看,教育、再训练和发明新的商品和服务可以减轻这些影响。更长期来看,目前的社会安全网可能需要进化成更好的服务于每个人的社会服务,例如医疗和教育或有保障的基本收入。事实上,瑞士和芬兰等国家已经在积极地考虑这些措施了。

    人工智能可能会被认为是一种财富创造的完全不同的机制,每个人都应该从全世界人工智能所生产的财富中分得一部分。对于人工智能技术所创造的经济成果的分配方式,相信不久之后就会开始出现社会争议了。因为传统社会中由孩子支持他们年老的父母,也许我们的人工智能「孩子」也应该支持我们——它们的智能的「父母」。


    8.娱乐


    随着过去十五年互联网的爆发式增长,很少有人能想象没有它的生活。在人工智能的驱动下,互联网已经将用户生成的内容作为了信息和娱乐的一个可行的来源。Facebook 这样的社交网络现在几乎已经无处不在,而且它们也成为了社会互动和娱乐的个性化渠道——有时候会损害人际交往。WhatsApp 和 Snapchat 等应用可以让智能手机用户与同伴保持「接触」和分享娱乐和信息源。

    在《第二人生》这样的在线社区和《魔兽世界》这样的角色扮演游戏中,人们想象在虚拟世界中有一个虚拟的存在。亚马逊 Kindle 这样的专用设备已经重新定义了打发时间的要领。现在只需手指点点划划几下,就可以浏览和获取书籍了;一个口袋大小的设备就可以存储成千上万本书,而阅读体验基本上可手持的纸质书差不多。

    现在我们有了共享和浏览博客、视频、照片和专题讨论的可信平台,此外还有各种各样用户生成的内容。为了在互联网的规模上运行,这些平台必须依赖现在正被积极开发的技术,其中包括自然语言处理、信息检索、图像处理、众包和机器学习。比如,现在已经开发出了协同过滤(collaborative filtering)这样的算法,它可以基于用户的人口统计学细节和浏览历史推荐相关的电影、歌曲或文章。

    为了跟上时代的步伐,传统的娱乐资源也已经开始拥抱人工智能。正如书和电影《点球成金》中给出的例子,职业运动现在已经转向了密集的量化分析。除了总体表现统计,赛场上的信号也可以使用先进的传感器和相机进行监控。用于谱曲和识别音轨的软件已经面世。

    来自计算机视觉和 NLP 的技术已被用于创建舞台表演。即使非专业用户也可以在 WordsEye 等平台上练习自己的创造力,这个应用可以根据自然语言文本自动生成 3D 场景。人工智能也已经被用于协助艺术品的历史搜索,并在文体学(stylometry)得到了广泛的应用,最近还被用在了绘画分析上。

    人类对人工智能所驱动的娱乐的热情是很令人惊讶的,但也有人担心这会导致人与人之间的人际交互减少。少数人预言说人们会因为在屏幕上花费了太多时间而不再与人互动。孩子们常常更愿意在家里快乐地玩他们的设备,而不愿意出去和他们的朋友玩耍。人工智能会使娱乐更加交互式,更加个性化和更有参与感。应该引导一些研究来理解如何利用这些性质为个人和社会利益服务。

    第三部分:人工智能公共政策的前景与建议


    人工智能应用的目标必须是对社会有价值。我们的政策建议也会遵循这个目标,而且即便这个报告主要关注的是 2030 年的北美城市,建议依然广泛适用于其他城市,同时不受时间限制。一些提升解读和人工智能系统能力并参与其使用的策略可以帮助建立信任,同时防止重大失败。

    在增强和提升人类能力和互动时需要小心,还有避免对不同社会阶层的歧视。要强调多做鼓励这个方向以及沟通公共政策探讨的研究。鉴于美国目前的产业监管,需要新的或重组的法律和政策来应对人工智能可能带来的广泛影响。

    政策不需要更多也不要更严,而是应该鼓励有用的创新,生成并转化专业知识,并广泛促进企业与公民对解决这些技术带来的关键社会问题的责任感。长期来看,人工智能将会带来新财富,整个社会也要探讨如何分配人工智能技术带来的经济成果的分配问题。


    如今以及未来的人工智能政策


    为了帮助解决个人和社会对快速发展的人工智能技术产生的忧虑,该研究小组提供了三个一般性政策建议。

    1. 在所有层级的政府内,制定一个积累人工智能技术专业知识的程序。有效的监管需要更多的能理解并能分析人工智能技术、程序目标以及整体社会价值之间互动的专家。

    缺少足够的安全或其他指标方面的专业技术知识,国家或地方政府官员或许或拒绝批准一个非常有前途的应用。或者缺少足够训练的政府官员可能只会简单采纳行业技术专家的说法,批准一个未经充分审查的敏感的应用进入市场。不理解人工智能系统如何与人工行为和社会价值互动,官员们会从错误的角度来评估人工智能对项目目标的影响。

    2. 为研究人工智能的平等、安全、隐私和对社会的影响扫清感知到的和实际的障碍。

    在一些相关的联邦法律中,如计算机欺诈和滥用法案(Computer Fraud and Abuse Act)和数字千年版权法的反规避条款(theanti-circumvention provision of the Digital Millennium Copyright Act),涉及专有的人工智能系统可能被如何逆向向工程以及被学者、记者和其他研究人员评价的内容还很模糊。当人工智能系统带来了一些实质性后果需要被审查和追究责任时,这些法律的研究就非常重要了。

    3. 为人工智能社会影响的跨学科研究提供公共和私人资金支持。

    从整个社会来看,我们对人工智能技术的社会影响的研究投入不足。资金要投给那些能够从多角度分析人工智能的跨学科团队,研究范围从智能的基础研究到评估安全、隐私和其他人工智能影响的方法。一下是具体问题:

    当一辆自动驾驶汽车或智能医疗设备出现失误时,应该由谁来负责?如何防止人工智能应用产生非法歧视?谁来享有人工智能技术带来的效率提升的成果,以及对于那些技能被淘汰的人应该采取什么样的保护?

    随着人工智能被越来越广泛和深入地整合到工业和消费产品中,一些领域中需要调整现有的建立监管制度以适应人工智能创新,或者在某些情况下,根据广泛接受的目标和原则,从根本上重新配置监管制度。

    在美国,已经通过各种机构将监管具体到各个行业。在设备中使用人工智能实现医疗诊断和治疗由食品药品监督管理局(FDA)监管,包括定义产品类型和指定产生方法,还有软件工程的标准。无人机在管制空域中的使用由美国联邦航空局(FAA)监管。面向消费者的人工智能系统将由联邦贸易委员会(FTC)监管。金融市场使用的人工智能技术,如高频交易,由证券交易委员会(SEC)监管。

    除了针对具体行业制定监管的方法外,「重要基础设施」中定义模糊和广泛的监管类别可能适用于人工智能应用。

    鉴于目前美国行政法结构,短期内制定出全面的人工智能政策法规似乎不太可能。但是,可以根据人工智能在各种情境中可能出现的法律和政策问题,广泛列出多个类别。

    • 隐私

    • 创新政策

    • 责任(民事)

    • 责任(刑事)

    • 代理

    • 认证

    • 劳动力

    • 税务

    • 政治


    未来的指导原则

    面对人工智能技术将带来的深刻变化,要求「更多」和「更强硬」的监管的压力是不可避免的。对人工智能是什么和不是什么的误解(尤其在这个恐慌易于散布的背景下)可能引发对有益于所有人的技术的反对。那将会是一个悲剧性的错误。扼杀创新或将创新转移到它处的监管方法同样也只会适得其反。

    幸运的是,引导当前数字技术的成功监管原则可以给我们带来指导。比如,一项最近公布的多年研究对比了欧洲四个国家和美国的隐私监管,其结果却很反直觉。西班牙和法国这样的有严格的详细法规的国家在企业内部孕育出了一种「合规心态(compliance mentality)」,其影响是抑制创新和强大的隐私保护。

    这些公司并不将隐私保护看作是内部责任,也不会拿出专门的员工来促进其业务或制造流程中的隐私保护,也不会参与必需范围之外的隐私倡议或学术研究;这些公司只是将隐私看作是一项要满足规范的行为。他们关注的重点是避免罚款或惩罚,而非主动设计技术和采纳实际技术来保护隐私。

    相对地,美国和德国的监管环境是模糊的目标和强硬的透明度要求和有意义的执法的结合,从而在促进公司将隐私看作是他们的责任上做得更加成功。广泛的法律授权鼓励企业发展执行隐私控制的专业人员和流程、参与到外部的利益相关者中并采用他们的做法以实现技术进步。对更大的透明度的要求使民间社会团队和媒体可以变成法庭上和法庭外的公共舆论中的可靠执法者,从而使得隐私问题在公司董事会上更加突出,这又能让他们进一步投资隐私保护。

    在人工智能领域也是一样,监管者可以强化涉及内部和外部责任、透明度和专业化的良性循环,而不是定义狭窄的法规。随着人工智能与城市的整合,它将继续挑战对隐私和责任等价值的已有保护。和其它技术一样,人工智能也可以被用于好的或恶意的目的。

    这份报告试图同时强调这两方面的可能性。我们急切地需要一场重要的辩论:如何最好地引导人工智能以使之丰富我们的生活和社会,同时还能鼓励这一领域的创新。应该对政策进行评估,看其是否能促进人工智能所带来的益处的发展和平等共享,还是说会将力量和财富集中到少数权贵的手里。而因为我们并不能完美清晰地预测未来的人工智能技术及其所将带来的影响,所以相关政策一定要根据出现的社会难题和线索不断地重新评估。

    截至本报告发布时,重要的人工智能相关的进展已经在过去十五年内给北美的城市造成了影响,而未来十五年还将有更大幅度的发展发生。最近的进展很大程度是由于互联网所带来的大型数据集的增长和分析、传感技术的进步和最近的「深度学习」的应用。

    未来几年,随着公众在交通和医疗等领域内与人工智能应用的遭遇,它们必须以一种能构建信任和理解的方式引入,同时还要尊重人权和公民权利。在鼓励创新的同时,政策和流程也应该解决得到、隐私和安全方面的影响,而且应该确保人工智能所带来的好处能得到广泛而公正的分配。如果人工智能研究及其应用将会给 2030 年及以后的北美城市生活带来积极的影响,那么这样做就是非常关键的。

    展开全文
  • 来源:德先生(D-Technologies)FITEE“人工智能2.0”专题导读国务院近日印发《新一代人工智能发展规划》,提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施,部署构筑我国人工智能...
    
      
        

    来源:德先生(D-Technologies)


    FITEE“人工智能2.0”专题导读

    国务院近日印发《新一代人工智能发展规划》,提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施,部署构筑我国人工智能发展的先发优势,加快建设创新型国家和世界科技强国。

    2017年1-2月,中国工程院院刊信息与电子工程学部分刊《信息与电子工程前沿(英文)》出版了“Artificial Intelligence 2.0”专题,潘云鹤、李未、高文、郑南宁、吴澄、李伯虎、陈纯等多位院士以及专家学者参与撰文,对新一代人工智能中涉及的大数据智能、群体智能、跨媒体智能、混合增强智能和自主智能等进行了深度阐述。专题包括7篇综述、5篇研究论文。让我们随着专题中的综述文章,一起领略新一代人工智能中5大智能方向的图景。

    1956年,在美国达特茅斯(Dartmouth)学院,约翰·麦卡锡(John McCarthy,1971年度图灵奖获得者)、马文·李·闵斯基(Marvin Lee Minsky,1969年度图灵奖获得者)、克劳德·艾尔伍德·香农(Claude Elwood Shannon,信息理论之父)、纳撒尼尔·罗彻斯特(Nathaniel Rochester,IBM第一代通用计算机701主设计师)四位学者发起举行“人工智能夏季研讨会”,指出“人工智能”研究目标是实现能模拟人类的机器,该机器能使用语言,具有概念抽象和理解能力,能够完成人类才能完成的任务并不断提高机器自身。

    “人工智能”这一概念提出后,迅速发展成为一门广受关注的交叉和前沿学科,沿着“从符号主义走向连接主义”和“从逻辑走向知识”两个方向蓬勃发展,在象棋博弈、机器证明和专家系统等方面取得了丰富成果。随着互联网的普及、传感网的渗透、大数据的涌现、信息社区的崛起,数据和信息在人类社会、物理空间和信息空间之间的交叉融合与相互作用,大众创业和万众创新等新技术、新产业和新业态不断涌现,使得对人工智能基本理论和方法的研究开始出现新的变化,这些变化也使得人工智能新的应用呈现勃勃生机。

    为了更好地与学术同行交流人工智能2.0理论、方法和技术,潘云鹤院士于2016年12月在中国工程院院刊Engineering(主刊)发表了题为“Heading toward artificial intelligence 2.0”的论文,从人工智能60年的发展历史出发,通过分析促成人工智能2.0形成的外部环境与目标的转变,分析技术萌芽,提出了人工智能2.0的核心理念,并结合中国发展的社会需求与信息环境特色,给出了发展人工智能2.0的建议。

    2017年1~2月,中国工程院院刊信息与电子工程学部分刊《信息与电子工程前沿(英文)》出版了“Artificial Intelligence 2.0”专题,潘云鹤、李未、高文、郑南宁、吴澄、李伯虎、陈纯等多位院士以及专家学者参与撰文,对新一代人工智能中涉及的大数据智能、群体智能、跨媒体智能、混合增强智能和自主智能等进行了深度阐述。




    挑战与希望:AI 2.0时代从大数据到知识

    庄越挺、吴飞、陈纯、潘云鹤

    对大数据时代人工智能领域近期出现的若干理论和技术进展进行了综述,认为将数据驱动机器学习方法与人类的常识先验与隐式直觉有效结合,可以实现可解释、更鲁棒和更通用的人工智能。AI 2.0时代大数据人工智能具体表现为:从浅层计算到深度神经推理;从单纯依赖于数据驱动的模型到数据驱动与知识引导相结合学习;从领域任务驱动智能到更为通用条件下的强人工智能(从经验中学习)。下一代人工智能(AI 2.0)将改变计算本身,将大数据转变为知识,以支持人类社会更好决策。


    文章配图:从数据到知识




    AI 2.0时代的群体智能

    李未、吴文峻、王怀民、程学旗、陈华钧、周志华、丁嵘

    认为基于互联网的信息物理世界深刻地改变了人工智能发展的信息环境,将人工智能研究的新浪潮推进到人工智能2.0新纪元。作为AI 2.0时代最突出的研究特点之一,群体智能引起了产业界和学术界的广泛关注。具体来说,为应对挑战,群体智能提供了一种通过聚集群体的智慧解决问题的新模式。特别是由于共享经济的快速发展,群体智能不仅成为了解决科学难题的新途径,而且也已融入日常生活的各个方面,例如线上到线下(online-to-offline, O2O)应用、实时交通监控、物流管理。该文对现有群体智能研究成果进行总结和综述。首先,论述了群体智能的基本概念,并对其与现有相关概念(如众包和人本计算)的关系进行了解释。然后,介绍了4类具有代表性的群体智能平台,总结了3项核心问题以及最新的群体智能技术。最后,讨论了群体智能研究的发展方向。 


    文章配图:参与式和移动人群感知




    跨媒体分析与推理:研究进展与发展方向

    彭宇新、朱文武、赵耀、徐常胜、黄庆明、卢汉清、郑庆华、黄铁军、高文

    认为随着人类文明的进步以及科技的发展,信息的传播从文字、图像、音频、视频等单一媒体形态逐步过渡到相互融合的多种媒体形态,越来越显现跨媒体特性,而如何实现跨媒体分析与推理就成为了研究和应用的关键问题。本文从7个方面对跨媒体分析与推理进行综述:(1)跨媒体统一表征理论与模型;(2)跨媒体关联理解与深度挖掘;(3)跨媒体知识图谱构建与学习方法;(4)跨媒体知识演化与推理;(5)跨媒体描述与生成;(6)跨媒体智能引擎;(7)跨媒体智能应用。


    文章配图:多模态数据统一表征方法示例




    混合—增强智能:协作与认知

    郑南宁、刘子熠、任鹏举、马永强、陈仕韬、余思雨、薛建儒、陈霸东、王飞跃

    认为由于人类面临的许多问题具有不确定性、脆弱性和开放性,任何智能程度的机器都无法完全取代人类,这就需要将人的作用或人的认知模型引入到人工智能系统中,形成混合—增强智能的形态,这种形态是人工智能或机器智能的可行的、重要的成长模式。混合—增强智能可以分为两类基本形式:一类是人在回路的人机协同混合增强智能,另一类是将认知模型嵌入机器学习系统中,形成基于认知计算的混合智能。该文讨论人机协同的混合—增强智能的基本框架,以及基于认知计算的混合—增强智能的基本要素——直觉推理与因果模型、记忆和知识演化;特别论述了直觉推理在复杂问题求解中的作用和基本原理,以及基于记忆与推理的视觉场景理解的认知学习网络;阐述了竞争—对抗式认知学习方法,并讨论了其在自动驾驶方面的应用;最后给出混合—增强智能在相关领域的典型应用。

    文章配图:人在回路的混合增强智能

    文章配图:直觉推理与认知映射的关系


    文章配图:企业协作决策的混合增强智能的一般框架




    AI 2.0时代的类人与超人感知:研究综述与趋势展望

    田永鸿、陈熙霖、熊红凯、李洪亮、戴礼荣、陈婧、兴军亮、陈靖、吴玺宏、胡卫明、胡郁、黄铁军、高文

    简要回顾了不同智能感知领域的研究现状,包括视觉感知、听觉感知、言语感知、感知信息处理与学习引擎等方面。在此基础上,对即将到来的AI 2.0时代智能感知领域需要大力研究发展的重点方向进行了展望,包括:(1)类人和超人的主动视觉;(2)自然声学场景的听知觉感知;(3)自然交互环境的言语感知及计算;(4)面向媒体感知的自主学习;(5)大规模感知信息处理与学习引擎;(6)城市全维度智能感知推理引擎。


    文章配图:AI 2.0时代智能感知技术框架




    智能无人自主系统发展趋势

    张涛、李清、张长水、梁华为、李平、王田苗、李硕、朱云龙、吴澄

    介绍了智能无人自主系统的发展趋势,将相关技术分成了7个领域,包括人工智能技术、无人车、无人机、服务机器人、空间机器人、海洋机器人和无人车间/智能工厂,对每个领域的发展趋势进行了介绍。

    文章配图:无人机发展趋势预测




    人工智能在智能制造领域的应用研究

    李伯虎、侯宝存、于文涛、陆小兵、杨春伟

    介绍了团队近年将人工智能技术应用于制造领域的研究与实践。首先,简析“互联网+人工智能”时代核心技术飞速发展正引发制造领域的模式、手段和生态系统的重大变革以及人工智能的新发展;接着,基于人工智能技术与信息通信技术、制造技术及产品有关专业技术等融合,研究提出了智能制造新模式、新手段、新业态,智能制造系统体系架构和智能制造系统技术体系;进而,从智能制造的应用技术、产业和应用示范等角度, 简述智能制造领域的国内外发展现状;最后,提出我国人工智能2.0在智能制造领域应用研究的建议。



    文章配图:智能制造新模型、新方法、新形式示意图


    六篇论文打包下载如下链接: 

    链接: https://pan.baidu.com/s/1qXCO6oG

    密码: kbkz



    从供应链优化到差异化定价:机器学习十种方式变革制造业

    选自 Forbes

    作者:Louis Columbus

    机器之心编译

    参与:Quantum Cheese、吴攀


    引言:机器学习可以参与到制造业加工的整个生产流程中:在生产过程中通过供应链和维护方案优化降低生产成本和提高生产的效率和质量,最后还能通过差异化的定价获取最大化的利润。


    每个制造商都有很多可能把机器学习运用到自己产业中,通过获得对产品的前瞻性思考会让他们更具竞争力。


    机器学习的核心技术正好能解决现今制造商们面临的问题。从努力维持供应链运转,到定制化生产,再到按时完成订单任务,机器学习算法可以为每个生产环节提供更高的预测精准度。开发出的很多算法都是迭代型的,它们能够持续不断地学习并寻求最优解。这些算法能在几毫秒内反复迭代,让制造商在几分钟内就能找到最佳解决方案,而非之前的数个月。


    机器学习变革制造业的十种方式:


    1、生产力提升 20%,材料消耗率降低 4%。利用数据预测分析和机器学习的智能制造系统有潜力提升生产单元以及整个制造厂级别中机器的收益率。下面的图片来自通用电气(General Electric),并被国家标准协会(NIST)所引用,总结了预测分析和机器学习的运用给制造业带来的好处。



    数据来源:: Focus Group: Big Data Analytics for Smart Manufacturing Systems


    2、提供了更多相关数据,因此金融、运作及供应链团队能更好地管理工厂和需求方面的约束。很多制造业公司的 IT 系统并不完整,导致交叉功能型团队难以完成共同的目标。引入了机器学习,这些团队的洞察力和智慧能被提升到一个全新的水平上,而他们优化产品工作流、存货清单,在制品(WIP)以及价值链决策的目标就会成为可能。



    数据来源: GE Global Research Stifel 2015 Industrials Conference


    3、增强组件和局部层级的预测准确度,从而改善预防性维护与维护-修理-大修(MRO)的性能。把机器学习的数据库、应用和算法集成到云计算平台已经很普遍了,亚马逊、谷歌和微软的云平台公布就可以证明这一点。下面的图片解释了机器学习是如何集成到 Azure 平台上的。微软授权 Krone 使用 Azure 平台,让他们得以把制造运作流程自动化,以实现工业 4.0 目标。


    数据来源: Enabling Manufacturing Transformation in a Connected World John Shewchuk Technical Fellow DX, Microsoft


    4、实现状态监控流程,让制造商得以在厂房层级上管理整体设备效率(OEE,Overall Equipment Effectiveness),并将 OEE 从 65% 提高到了 85%。一家与塔塔咨询服务公司(Tata Consultancy Services)合作的自动化原始设备制造商(OEM)改善了他们的生产流程,此前他们冲压线的 OEE 一度跌至65%,停工时间达到了 17% 到 20%。他们的解决方法是,12 个月中,每 15 秒从设备上收集 15 个操作参量的传感器数据(比如油压、油粘度、油渗漏以及气压),并进行集合。解决方案的组件图下图所示:




    Source: Using Big Data for Machine Learning Analytics in Manufacturing


    5、机器学习给智能客户关系领域带来了变革,Salesforce 迅速成为了行业领头羊。Salesforce 正在进行一系列的并购活动。下图中的表格来自柯文公司的研究报告(Salesforce: Initiating At Outperform; Growth Engine Is Well Greased),总结了 Salesforce 并购的一系列机器学习和人工智能公司,并分析了他们的新产品发布走向以及并购带来的预估收益贡献。Alex Konrad 在他最近发表的博文(Salesforce Will Acquire Demandware For $2.8 Billion In Move Into Digital Commerce)中分析了 Salesforce 用 28 亿美元收购电子商务供应商 Demandware 一事。柯文公司预测 18 个 财政年度中,Commerce Cloud 会贡献 3.25 亿美元的收入,其中卖出 Demandware 的收入占了很大一部分。




    6、机器学习算法能判断全公司哪些因素对质量的影响最大,哪些影响最小,从而为产品和服务品质带来质的提升。对很多制造商来说,从公司核心部分的工作流层面上提升产品和服务质量是一项有挑战性的任务。质量通常是孤立的。机器学习通过测定那个内部流程、工作流和因素对达到目标质量贡献最大或最小,从而变革产品和服务质量。机器学习算法还能预测质量和源决策对 DMAIC(定义、测量、分析、改进和控制)框架中的六西格玛性能指标有怎样的影响,从而让制造商的制造过程更加智能化。


    7、机器学习已经在通过优化团队、机器、供应商和客户需求提高生产效益。如今,它正在影响航空航天和国防、离散制造业、工业和高科技制造业的日常工作环境。制造商们更有效地利用了生产力,产品更趋于复杂和定制化,机器学习帮助它们优化了机器、受训员工和供应商的筛选过程。


    8、由于机器学习促成了生产服务订购模式,制造即服务(Manufacturing-as-a-Service)的构想才得以实现。那些能支持迅速高度定制化流水线生产的制造企业现在能开展新的商业运作,为全球服务和销售提供订购率。那些面临制造成本猛增的快速消费品(CPG)和电子产品的供应商和零售商很有可能订购制造服务,并在品牌化、营销和销售上增大投入。


    9、机器学习是优化供应链和创造更大规模经济的理想手段。对于很多复合型制造企业来说,超过 70% 的产品都源自于供应商,这使得他们需要权衡先满足哪一个买家的需求。有了机器学习,买卖双方就能更有效的合作,减少缺货的情况,提高预测精确性,按期或提前完成客户订单。


    10、在合适的时间知道对特定用户的合适定价以获得最大的利润,而且使用机器学习完成交易将变得随处可见。机器学习正在扩展今天的企业级价格优化应用所提供的一切。最显著的一处不同是:会有新的建议策略用来实现价格的优化,从而完成交易。

    ©本文由机器之心编译




    BAT人工智能生态时局图:AI“赋能”全面战争爆发

    人工智能正在最关键的路口。所谓的第四次工业革命,一定要结出实际的革命成果。广阔天地,谁能大有作为?很多AI创业公司在各自的领域取得了突破,但具备强大的AI技术储备,并且有能力渗透到几乎所有领域的玩家,目前来看主要还是BAT三家。


    这场AI“赋能”的战争,较量的是平台、技术、场景、生态等多方面的综合实力。百度喊All in AI,腾讯喊AI in All,阿里盖起达摩院。谁能在新革命中笑到山花烂漫?短兵相接的前夜,我们绘制了一幅时局图。


     

    BAT时局

    为了一争高下,BAT下注或早或晚,但都离不开几件事,例如组团队、做研发、建生态等。到现在,三大巨头在人工智能上的布局已经能看出大致轮廓。

    百度

     

     

    百度在AI领域的野心,最初显露于2013年1月,深度学习研究院(IDL)的创立。后来李彦宏陆陆续续建成了五大实验室,除了深度学习实验室之外,还有硅谷人工智能实验室、大数据实验室、增强现实实验室和深度学习及应用国家工程实验室。


    这些实验室的研发成果历经5年的整合,逐渐形成了一个平台体系:百度智能云和百度大脑。智能云提供计算的基础设施和数据的获取、分析、标注能力,而百度大脑,整合了机器学习、深度学习算法,再将AI对语音、图像、视频、AR/VR的感知能力和自然语言处理、知识图谱、用户画像等认知能力开放出来,就形成了百度AI开放平台。


    根据百度最新公布的数据,百度大脑现在拥有80多项核心AI能力,超过37万名开发者和合作伙伴,每天被调用2.19亿次。这些调用,来自百度内外。


    阿里巴巴

     

     

    众所周知,马云不喜欢“人工智能”这个说法,偏好机器智能。说辞的变化不影响本质。在整个互联网行业涌向AI的浪潮中,阿里也在2017年推出“NASA计划”和承载它的实体组织:达摩院。


    实际上,阿里AI研究起步的远远早于达摩院,这家公司大部分AI基础研究成果,出自2014年成立的数据科学与技术研究院,也就是iDST。


    阿里最近,在努力将这些大脑们整合为一个统一的平台:阿里云ET大脑。2017年最后一场云栖大会上,ET大脑正式发布,所布局的领域也不再限于原本的城市管理、医疗、工业、环保、航空,同样走上了“广撒网”之路。


    腾讯

     

    腾讯无论做什么,都不会只投入一支团队。在人工智能上也是一样。要论基础研究,腾讯有AI Lab、优图实验室和微信AI实验室三大机构,优图专注于计算机视觉技术,而AI Lab和微信AI在研究方向上虽然叫法不同,但多有重合,都是AI实验室标配的机器学习、自然语言处理、语音识别和计算机视觉。


    在战局最喧闹的自动驾驶和对话式AI平台上,腾讯也分别投入了不止一支团队,开始造平台、积累合作伙伴。虽然腾讯进军AI的时间较晚,但是能明显感到动作和决心都很大。


    重点战场梳理

     

    矛盾有主有次。虽说广阔天地大有作为,三家也各自有钦定的重点方向。但仍有一些是战场是重中之重,也是未来BAT在人工智能技术落地的过程中,有可能最早展开厮杀之地。


    对话式AI

    人机交互的重大革新、下一代服务入口、下一个Android、家庭的控制中心……种种期待,让用于智能设备的对话式AI成了BAT争夺最激烈的领域。


    百度有DuerOS,阿里有AliGenie,腾讯则至少有两个:腾讯云小微和移动互联网事业群(MIG)的叮当。如果我们以智能音箱销量来评判对话式AI系统的发展,很会做生意的阿里似乎冲在最前。2017年7月,阿里AI Labs初次亮相,发布了一款智能音箱:天猫精灵X1。这款音箱,双十一降价促销,当天卖出了100万台。

     

     

    但是,卖音箱只是手段而非目的。天猫精灵背后的终极目标,还是一个关于AliGenie开放平台、生态系统的梦想。这个生态系统的梦想,BAT都有。

     

     

    百度虽然直到去年底才推出渡鸦raven H智能音箱,但最新的数据显示,DuerOS开放平台发布半年时间里,已新增130余家合作伙伴,落地硬件解决方案超过20个,每月新增5款以上搭载DuerOS的设备,覆盖家居、车载、移动各个场景,机顶盒、电视、冰箱、音箱、机器人、车载、手机、耳机等各类设备。

     

     

    为了守住这个领域,百度除了在北京和硅谷建设AI庞大的团队之外,还收购了两家创业公司:做语音交互和自然语言理解的Kitt.ai,和后来推出了raven H音箱的渡鸦。

     

     

    相比之下,腾讯云小微的硬件开放平台和技能开放平台仍处于内测状态,除了和华硕一起造的机器人之外,没有太多关于合作伙伴的声音传出。值得一提的是,他们似乎在硬件之外,开辟了一条退路:智能客服。


    智能音箱先行的AliGenie同样不是天猫精灵专属,它的硬件接入平台页面上,也展示着十多家合作伙伴。另外,AliGenie还推出了垂直行业智能语音解决方案,想在家居、移动硬件之外,为对话式AI开辟出新场景。


    自动驾驶

    2亿辆汽车和200多家OEM车厂,勾画出一个有更大想象空间的产业。BAT在出行这件事儿上向来不安分,战火从地图、打车软件一路烧到了自动驾驶。


    阿里的自动驾驶业务目前还处在招兵买马阶段。12月中旬开始,阿里官方网站上开始出现自动驾驶相关的人工智能实验室(A.I. Labs)岗位,另外据36氪报道,这个团队中有不少无人车创业公司nuTonomy的旧部,已经开始面向车厂做介绍。

     


    在投资车厂这件事上,出手最阔绰的当属腾讯。除了先后入股创业公司蔚来和威马,腾讯还在二级市场投资了特斯拉5%的股权,甚至秘密在硅谷投资了一家自动驾驶公司。而腾讯本身的自动驾驶业务,据说已经到了全面研发、多次路测的阶段。

     

     

    在自动驾驶进展还不够清晰的当下,腾讯的合作伙伴,也大多与AI in Car车联网系统相关,广汽、长安、吉利、比亚迪、东风柳汽、博世都和腾讯有着或多或少的联系。


    入局最早的百度,和阿里腾讯早已不在同一个发展阶段。百度已经围绕Apollo与博世、大陆、一汽、长安、奇瑞、北汽、金龙等90多家企业达成了合作,也探索出了一条清晰的路线——还是在这个领域打造一个Android。

     

     

    Apollo,是百度2017年4月启动的自动驾驶开放平台,要为合作伙伴提供一个开放、完整、安全的软件平台,帮他们搭建完整的自动驾驶系统。到2018年初Apollo 2.0的发布,云端服务平台、软件平台、硬件平台、车辆平台在内的四大模块全部开放,释放了在简单城市道路上自动驾驶的能力。一切,都按照去年7月公布的路线图进行着。按计划,2018-2020年,百度会加快开放速度,直到最后能让合作伙伴完成完全自动驾驶。

     

     

    但对于Apollo来说,更重要的还是生态。所谓生态,不仅仅是被赋能的车厂,Apollo还为向产业链上下游延伸而建立了基金,要在未来3年投出100多个项目。作为一个开源系统,创业公司、高校实验室同样是Apollo的伙伴。


    和腾讯一样,百度也投资了威马汽车,也投资了共享出行平台首汽约车。此前百度还投资了自动驾驶关键部件激光雷达的核心厂家Velodyne,相关技术开放商xPerception等。


    金融

    还有一个不可忽略的战场,是金融。阿里旗下的金融巨头蚂蚁金服和阿里云都在尝试赋能金融机构。2017年1月以来,蚂蚁金服开始逐渐转变自己的定位,尝试用自身积累的技术能力来赋能、服务金融机构。


    2017年底,阿里云又发布了ET金融大脑,要帮合作伙伴风控、营销和客服方面提高效率。

     

     

    相比之下,腾讯向金融行业合作伙伴提供的技术就显得比较表面,没有涉及风控这样的专业垂直应用,而只是将更为通用的身份检测、客服等能力注入其中。


    你可能想不到,百度,也是这个战场上的一个重要玩家。虽然百度金融这一年来在to C市场上声量不大,但这家“All in AI”的公司,在金融上也要将“智能化”坚持到底。

     

     

    在11月的百度世界大会上,百度金融技术负责人许东亮说,百度金融已经赋能近400家机构,为机构客户提供解决方案,为它们提供安全防护、智能获客、大数据风控等服务。百度金融据说还在谋划更为独立的未来。


    医疗

    要说AI在各行各业的应用,不少人都会第一个想到医疗影像。在这个领域,百度在医疗事业部部分团队转入AI体系之后就悄无声息,但腾讯和阿里都在抢占布局。


    首批国家新一代人工智能开放创新平台中,腾讯就以医疗影像平台“觅影”入选。腾讯觅影发布于2017年8月,最先推出的是早期食管癌筛查。

     

     

    腾讯觅影结合了AI lab、腾讯优图、TEG架构平台部等团队的AI技术,由互联网+合作事业部牵头建立。推出至今不到半年,腾讯觅影已经有了西门子医疗、兰州大学第二医院、深圳市南山人民医院、中山医院等十几家合作伙伴。


    马化腾此前表示,医疗与AI是非常好的落脚点,未来腾讯在医疗方面会做更多的事情。

    阿里入局AI医疗其实比腾讯还要早。2017年3月底,ET医疗大脑首次亮相,宣称具有虚拟助理、医学影像、精准医疗、药效挖掘、新药研发、健康管理等功能。

     

     

    与腾讯思路不同的是,ET医疗大脑的技术并非都出自阿里内部,而是聚集了不少合作伙伴一起提供服务,比如做皮肤检测的宜远智能、分析病历的惠每医疗等等。


    零售

    不管是新零售还是旧零售,不管是线上还是线下,阿里在这个领域都有天然的优势。

    先梳理一下AI给阿里自身业务带来的变化。机器人客服“阿里小蜜”,双11当天承担95%客服咨询;机器智能推荐系统,双11当天产生567亿不同的货架;AI设计师“鲁班”,双11期间,设计4.1亿张商品海报;华北数据中心运维机器人:接替运维人员30%重复性工作……

     

     

    与AI之于百度的搜索业务一样,AI之于阿里的电商业务也具备天然的赋能加成。除了上面提及的进展,蚂蚁金服还基于AI技术推出客服机器人“小蚂答”,以及AI助力的车辆定损服务“定损宝”等。


    阿里还搞出了无人零售咖啡店。无人商店,是一个未来非常有意思的趋势。此外,阿里在新零售思想的指引下,还大举投资了一批线下零售相关企业,包括:企加云、大润发、东方股份、新华都、易果生鲜、银泰、bigbasket、联华超市……


    腾讯表示将提供场景、大数据、AI技术支持,以及腾讯全产品线,帮助商家量身定做解决方案,帮助线下门店实现数据化和智能化,让消费者与商品之间,实现跨场景的智慧连接。


    现在已经有一些案例出现了。例如在深圳、广州的一些服饰连锁零售店里,腾讯的AI技术提供了人脸识别、客户画像、精准推荐等技术支持。其他方向还包括餐饮连锁、快消等等。

    零售更不是百度擅长的方向,不过百度在这方面也有所行动,正在寻找合适的合作伙伴准备赋能。有意思的是,已经离职的前任百度研究院长林元庆,创业服务的第一个大客户,就来自零售领域。


    文章来源:量子位(IDQbitAI)


    人工智能赛博物理操作系统

    AI-CPS OS

    人工智能赛博物理操作系统新一代技术+商业操作系统“AI-CPS OS:云计算+大数据+物联网+区块链+人工智能)分支用来的今天,企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中,利用AI-CPS OS形成数字化+智能化力量,实现行业的重新布局、企业的重新构建和自我的焕然新生。


    AI-CPS OS的真正价值并不来自构成技术或功能,而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务数据+分析一体化,这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合,没有颠覆现状的意愿,这些将不可能实现。


    领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量,领导者必须在行业、企业与个人这三个层面都保持领先地位:

    1. 重新行业布局:你的世界观要怎样改变才算足够?你必须对行业典范进行怎样的反思?

    2. 重新构建企业:你的企业需要做出什么样的变化?你准备如何重新定义你的公司?

    3. 重新打造自己:你需要成为怎样的人?要重塑自己并在数字化+智能化时代保有领先地位,你必须如何去做?

    AI-CPS OS是数字化智能化创新平台,设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端,可以帮助企业将创新成果融入自身业务体系,实现各个前沿技术在云端的优势协同。AI-CPS OS形成的字化+智能化力量与行业、企业及个人三个层面的交叉,形成了领导力模式,使数字化融入到领导者所在企业与领导方式的核心位置:

    1. 精细种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切,进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。

    2. 智能:模型随着时间(数据)的变化而变化,整个系统就具备了智能(自学习)的能力。

    3. 高效:企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力,这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。

    4. 不确定性:数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验,其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域:技术、文化、制度。

    5. 边界模糊:数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化,还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

    AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长:

    1. 创造虚拟劳动力,承担需要适应性和敏捷性的复杂任务,即“智能自动化”,以区别于传统的自动化解决方案;

    2. 对现有劳动力和实物资产进行有利的补充和提升,提高资本效率

    3. 人工智能的普及,将推动多行业的相关创新,开辟崭新的经济增长空间


    给决策制定者和商业领袖的建议:

    1. 超越自动化,开启新创新模式:利用具有自主学习和自我控制能力的动态机器智能,为企业创造新商机;

    2. 迎接新一代信息技术,迎接人工智能:无缝整合人类智慧与机器智能,重新

      评估未来的知识和技能类型;

    3. 制定道德规范:切实为人工智能生态系统制定道德准则,并在智能机器的开

      发过程中确定更加明晰的标准和最佳实践;

    4. 重视再分配效应:对人工智能可能带来的冲击做好准备,制定战略帮助面临

      较高失业风险的人群;

    5. 开发数字化+智能化企业所需新能力:员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说,创造兼具包容性和多样性的文化也非常重要。


    子曰:“君子和而不同,小人同而不和。”  《论语·子路》云计算、大数据、物联网、区块链和 人工智能,像君子一般融合,一起体现科技就是生产力。


    如果说上一次哥伦布地理大发现,拓展的是人类的物理空间。那么这一次地理大发现,拓展的就是人们的数字空间。在数学空间,建立新的商业文明,从而发现新的创富模式,为人类社会带来新的财富空间。云计算,大数据、物联网和区块链,是进入这个数字空间的船,而人工智能就是那船上的帆,哥伦布之帆!


    新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力,将进一步释放历次科技革命和产业变革积蓄的巨大能量,并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节,形成从宏观到微观各领域的智能化新需求,催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革,深刻改变人类生产生活方式和思维模式,实现社会生产力的整体跃升。





    产业智能官  AI-CPS



    用“人工智能赛博物理操作系统新一代技术+商业操作系统“AI-CPS OS:云计算+大数据+物联网+区块链+人工智能)在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能;实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链




    长按上方二维码关注微信公众号: AI-CPS,更多信息回复:


    新技术“云计算”、“大数据”、“物联网”、“区块链”、“人工智能新产业:智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市、“智能驾驶”新模式:“财富空间、“数据科学家”、“赛博物理”、“供应链金融”


    官方网站:AI-CPS.NET



    本文系“产业智能官”(公众号ID:AI-CPS)收集整理,转载请注明出处!



    版权声明产业智能官(公众号ID:AI-CPS推荐的文章,除非确实无法确认,我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题,烦请原作者联系我们,与您共同协商解决。联系、投稿邮箱:erp_vip@hotmail.com






    展开全文
  • AI转型学习计划

    2018-05-06 14:03:04
    国家战略目标:“到2030年人工智能理论、技术与应用总体达到世界领先水平,成为世界主要人工智能创新中心,智能经济、智能社会取得明显成效,为跻身创新型国家前列和经济强国奠定重要基础。” 继互联网、移动互联网...

    第四次工业革命

    国家战略目标:“到2030年人工智能理论、技术与应用总体达到世界领先水平,成为世界主要人工智能创新中心,智能经济、智能社会取得明显成效,为跻身创新型国家前列和经济强国奠定重要基础。”

    继互联网、移动互联网后又一大风口

    国内人工智能人才缺口500万

    AI热已经无需多提,关于AI的资讯满天飞。上面这些关键词无时无刻不在触动着博主再次转换方向做人工智能的心。经过深思熟虑,根据自身情况分析换方向的优劣势,博主已经毅然决然的决定再冒一次险,通过自学人工智能,参与最前沿技术的变革,投身到技术改变世界的浪潮中(装X就是要装的响亮)。

    机器学习入门门槛相当高,为了能不被一堆公式拍死,顺利转换方向,需要制定详尽的学习计划;以免半途而废,或因准备不充分,无法拿到好平台的offer。花了一周多的时间,拜读了多篇从事人工智能的前辈分享的文章(在此也为程序猿们的分享精神点赞,这些文章干货实在太多),制定了下面的学习计划。

    AI转型学习计划 - 思维导图下载

    博主也要开始为转型AI进行艰苦而卓绝的学习了。
    剩者为王,待到明年栀子花开时,便是挺进人工智能浪潮时。

    话不多说,直接上图。内容大部分整理自大神们的分享,希望对读者转型AI能有一定帮助。

    学习计划主线

    这里写图片描述

    完整版

    这里写图片描述

    参考文章

    【1】机器学习系列(7)_机器学习路线图(附资料)
    【2】机器学习必备手册
    【3】【好书推荐】机器学习书单
    【4】25个Java机器学习工具&库
    【5】程序猿转型AI必须知道的几件事!
    【6】机器学习的入门“秘籍”
    【7】从零开始,阅读一篇人工智能论文


    ===========文档信息============
    读书笔记由博主整理编辑,供非商用学习交流用
    版权声明:非商用自由转载-保持署名-注明出处
    署名(BY) :dkjkls(dkj卡洛斯)
    文章出处:http://blog.csdn.net/dkjkls

    展开全文
  • 废话前言:刚开始接触人工智能AI的时候,感觉很新鲜、很新颖,是一个未来的方向。充满了无限的憧憬,给自己定了一个目标:学习人工智能。废话就不多说了,开启学习之旅! 学习的路线: AI概念:问答式了解...

    废话前言:刚开始接触人工智能AI的时候,感觉很新鲜、很新颖,是一个未来的方向。充满了无限的憧憬,给自己定了一个目标:学习人工智能。废话就不多说了,开启学习之旅!

    学习的路线

    AI概念:问答式了解人工智能概念,感觉不错呦

    1.什么是人工智能

    人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它尝试了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

    2.人工智能学科研究的主要内容有哪些?

    人工智能的发展历史是和计算机科学技术的发展史联系在一起的。在计算机领域内,人工智能得到了愈加广泛的重视,并在机器人、经济政治决策、控制系统、仿真系统中得到应用。人工智能学科研究的主要内容包括:知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

    3.人工智能的发展前景如何?

    经过多年的演进,人工智能发展进入了新阶段。为抢抓人工智能发展的重大战略机遇,构筑我国人工智能发展的先发优势,加快建设创新型国家和世界科技强国,国务院印发了《新一代人工智能发展规划》,提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施,为我国人工智能的进一步加速发展奠定了重要基础。

    人工智能课程学习心路历程:https://blog.csdn.net/weixin_42163563/article/details/86701919

     

     

    展开全文
  • 来源:元浦说文摘要:本文节选自斯坦福大学「人工智能百年研究」的首份报告:《2030 人工智能与生活》,这篇报告是计划持续至少 100 的研究系列中的第一篇。该报告描...
        

    640?wx_fmt=png

    源:元浦说文

    摘要:本文节选自斯坦福大学「人工智能百年研究」的首份报告:《2030 年的人工智能与生活》,这篇报告是计划持续至少 100 年的研究系列中的第一篇。该报告描述了目前人工智能相关技术、法律以及道德上的挑战,并对产业界、学界、政界三方人士提供了人工智能技术、应用、政策上的指导与建议。


    序言


    2014 年秋季,人工智能百年研究(OneHundred Year Study)项目启动,这是一项对人工智能领域及其对人类、社区、社会影响的长期学术研究。这项研究包含使用人工智能计算系统的科学、工程和应用实现。监督该「百年研究」的常务委员会(Standing Committee)组建了一个研究小组(Study Panel)来每五年评估一次人工智能所处的状态——这是本项目的核心活动。


    本研究小组要回顾从上次报告到现在这段时间人工智能的进展,展望未来潜在的进展并且描述这些进展对于技术、社会的挑战与机遇,涉及的领域包括:道德伦理、经济以及与人类认知兼容的系统设计等等。


    「百年研究」定期进行专家回顾的首要目标是:提供一个随着人工智能领域发展的关于人工智能及其影响的收集性的和连通的集合。这些研究希望能在人工智能领域的研究、发展以及系统设计方面、以及在帮助确保那些系统能广泛地有益于个人和社会的项目与政策上提供专业推断上的方向指南及综合评估。


    这篇报告是计划持续至少 100 年的研究系列中的第一篇。常务委员会在 2015 年的暑期成立了一个研究小组来负责组建现在这个初始的研究小组,并任命了得克萨斯大学奥斯汀分校的教授 Peter Stone 担任该小组的主席。这个包含了 17 名成员的研究小组由人工智能学术界、公司实验室以及产业界的专家与了解人工智能的法律、政治科学、政治以及经济方面的学者组成,并于 2015 年秋季中期启动。


    参与者代表着不同的专业、地区、性别以及职业阶段。常务委员会广泛讨论了 Study Panel 相应的责任,包括人工智能最近的发展与在工作、环境、运输、公共安全、医疗、社区参与以及政府的潜在社会影响。委员会考虑多种聚焦研究的方式,包括调查子领域及其状态、研究特定的技术(例如机器学习与自然语言处理)以及研究特定的应用领域(例如医疗与运输运输)。


    委员会最终选择了「2030 年的人工智能与生活(AI and Life in 2030)」为主题以强调人工智能的各种用途与影响的发生不是独立于彼此,也不独立于其他许多社会和技术上的发展。意识到了城市在大多数人类生活中的核心作用之后,我们将专注重点缩小到大多数人居住的大都市。


    640?wx_fmt=jpeg


    第一部分:什么是人工智能?


    本节介绍了研究人员和从业者如何定义「人工智能」以及目前正在蓬勃发展的人工智能研究和应用领域。它提出了人工智能是什么和不是什么的定义,并介绍了一些当前人工智能研究的「热点」领域。


    本节为第二部分的内容奠定了基础,第二部分阐述了人工智能在八个领域和在第三部分中的影响与未来,第三部分介绍了涉及人工智能设计和公共政策的问题,并提出在保护民主价值的同时如何鼓励人工智能创新的建议。


    1.定义人工智能


    奇怪的是,人工智能缺乏一个精确的、被普遍接受的定义,这或许有助于该领域的加速成长、繁荣以及前进。虽然人工智能的从业者、研究人员和开发人员由一种粗略的方向感和一个「与它相处」的命令所引导,人工智能的定义仍然很重要,而 Nils J. Nilsson 就提供了一个有用的定义:「人工智能就是致力于让机器变得智能的活动,而智能就是使实体在其环境中有远见地、适当地实现功能性的能力。」


    从这个角度来看,对人工智能的表征取决于个人愿意「适当地」并「有远见地」为功能性提供合成软件和硬件的信用。一个简单的电子计算器比人类大脑进行的计算要快得多,而且几乎从来不出错。


    电子计算器智能吗?像 Nilsson 一样,研究小组以一种宽泛的视角来看待此问题,认为智力取决于一个多维频谱。根据这一观点,算术计算器和人脑之间的区别不是某一类,而是规模、速度、自主性和通用性的区别。


    同样的因素可以用来评估智能的其他各例——智能语音识别软件、动物大脑、汽车巡航控制系统、围棋程序、自动调温器——并将它们放置在频谱中的适当位置。虽然我们的宽泛解释把计算器列在了智能频谱中,但是如此简单的设备与今天的人工智能相比几乎没有相似之处。


    从这个角度看,对人工智能的表征取决于个人愿意「适当地」并「有远见地」为功能提供合成软件和硬件的信用。一个简单的电子计算器比人脑计算快得多而且几乎从不出错。


    人工智能的边界已经远远走在前面,而计算器可以实现的功能只是当下的智能手机的百万分之一。目前人工智能开发人员正在改进、推广和扩大从当下的智能手机中所建立起来的智能。事实上人工智能领域是一个不断努力推动机器智能向前发展的过程。


    具有讽刺意味的是,人工智能正在遭受失去话语权的长期灾难,最终不可避免地会被拉到边界内,即一个被称为「人工智能效应(AI effect)」或「奇怪悖论(odd paradox)」的重复模式——人工智能将一种新技术带到了普通大众中去,人们习惯了这种技术,它便不再被认为是人工智能,然后更新的技术出现了。


    同样的模式将在未来继续下去。人工智能并没有「交付」一个惊雷般改变生活的产品。相反人工智能技术以一个连续的、进步的方式正在继续更好的发展。


    2.人工智能研究趋势


    直到本世纪初,人工智能的吸引点主要在于它所传递的承诺,但在过去的十五年里,大多这样的承诺已经得到兑现。人工智能技术已经充斥了我们的生活。当它们成为了社会的一股中心力量时,该领域正在从仅仅建立智能系统,转向了建立有人类意识的、值得信赖的智能系统。


    几个因素加速了人工智能革命。其中最重要的是机器学习的成熟,部分由云计算资源和广泛普及的、基于 Web 的数据收集所支持。机器学习已经被「深度学习(deep learning)」急剧地向前推进了,后者是一种利用被称作反向传播的方法所训练的适应性人工神经网络的一种形式。


    信息处理算法的这种性能飞跃一直伴随着用于基本操作的硬件技术的显著进步,比如感觉、感知和目标识别。数据驱动型产品的新平台和新市场,以及发现新产品和新市场的经济激励机制,也都促进了人工智能驱动型技术的问世。


    所有这些趋势都推动着下文中所描述的「热门」研究领域。这种编辑只是想要通过某个或另一个度量标准来反映目前比其他领域得到更大关注的领域。它们不一定比其他领域更重要或更有价值。事实上目前的一些「热门」领域在过去几年中并不怎么流行,而其他领域可能在未来会以类似的方式重新出现。


    大规模机器学习


    许多机器学习的基本问题(如监督和非监督学习)是很好理解的。目前努力的一个重点是将现有算法扩展到更庞大的数据集上。例如鉴于传统方法能够负担得起若干遍数据集的处理,现代方法是为单次处理所设计;某些情况只认同非线性方法(那些只关注一部分数据的方法)。


    深度学习


    成功训练卷积神经网络的能力非常有益于计算机视觉领域,比如目标识别、视频标签、行为识别和几个相关变体的应用。深度学习也在大举进军感知方面的其他领域,如音频、语音和自然语言处理。


    强化学习


    鉴于传统机器学习主要关注于模式挖掘,强化学习将重点转移到决策中,这种技术将有助于促进人工智能在现实世界中更深入地进入相关研究和实践领域。作为一种经验驱动型的序贯决策框架,强化学习已经存在了几十年,但是这个方法在实践中没有取得很大成功,主要是由于表征和缩放的问题。然而深度学习的出现为强化学习提供了「一贴强心剂」。


    由谷歌 DeepMind 开发的计算机程序 AlphaGo 在五次对抗比赛中击败了人类围棋冠军,它最近所取得的成功在很大程度上要归功于强化学习。AlphaGo 是通过使用一个人类专家数据库来初始化一个自动代理的方法被训练的,但随后提炼的方法是通过大量地自我对抗游戏以及应用强化学习。


    机器人


    至少在静态环境中,机器人导航在很大程度上被解决了。目前的努力是在考虑如何训练机器人以泛型的、预测性的方式与周围世界进行交互。互动环境中产生的一个自然要求是操纵,这是当下所感兴趣的另一个话题。


    深度学习革命只是刚开始影响机器人,这在很大程度上是因为要获得大的标记数据集还很困难,这些数据集已推动了其他基于学习的人工智能领域。


    免去了标记数据需求的强化学习可能会有助于弥合这一差距,但是它要求系统在没有错误地伤害自己或其他系统的情况下能够安全地探索出一个政策空间。在可信赖的机器感知方面的进步,包括计算机视觉、力和触觉感知,其中大部分将由机器学习驱动,它们将继续成为推进机器人能力的关键。


    计算机视觉


    计算机视觉是目前最突出的机器感知形式。它是受深度学习的兴起影响最大的人工智能子领域。直到几年前,支持向量机还是大多视觉分类任务所选择的方法。但是特别是在 GPU 中的大规模计算的汇合,使得更大数据集的可获得性(尤其是通过互联网)以及神经网络算法的改进导致了基准任务中能的显著提高(比如 ImageNet 中的分类器)。计算机首次能够比人类更好地执行一些(狭义定义的)视觉分类任务。目前的研究多是关注于为图像和视频自动添加字幕。


    自然语言处理


    自然语言处理是另一个通常与自动语音识别一同被当做非常活跃的机器感知领域。它很快成为一种拥有大数据集的主流语言商品。谷歌宣布目前其 20% 的手机查询都是通过语音进行的,并且最近的演示已经证明了实时翻译的可能性。现在研究正在转向发展精致而能干的系统,这些系统能够通过对话而不只是响应程式化的要求来与人互动。


    协同系统


    协同系统方面进行的是对模型和算法的研究,用以帮助开发能够与其他系统和人类协同工作的自主系统。该研究依赖于开发正式的协作模型,并学习让系统成为有效合作伙伴所需的能力。能够利用人类和机器的互补优势的应用正吸引到越来越多的兴趣——对人类来说可以帮助人工智能系统克服其局限性,对代理来说可以扩大人类的能力和活动。


    众包和人类计算


    在完成许多任务方面由于人类的能力是优于自动化方法的,因而在众包和人类计算方面,通过利用人类智力来解决那些计算机无法单独解决好的问题,该领域研究调查了增强计算机系统的方法,这项研究的提出仅仅是在大约 15 年前,现在它已经在人工智能领域确立了自己的存在。最有名的众包例子是维基百科,它是一个由网络公民维护和更新的知识库,并且在规模上和深度上远远超越了传统编译的信息源,比如百科全书和词典。


    众包专注于设计出创新的方式来利用人类智力。Citizen 科学平台激发志愿者去解决科学问题,而诸如亚马逊的 Mechanical Turk 等有偿众包平台,则提供对所需要的人类智力的自动访问。通过短时间内收集大量标记训练数据和/或人机交互数据,该领域的工作促进了人工智能的其它分支学科的进步,包括计算机视觉和自然语言处理。基于人类和机器的不同能力和成本,目前的研究成果探索出了它们之间理想的任务分离。


    算法博弈理论与 (基于) 计算机 (统计技术的) 社会选择


    包括激励结构、人工智能的经济和社会计算维度吸引到了新的关注。自 20 世纪 80 年代初以来,分布式人工智能和多代理(multi-agent)系统就已经被研究了,于 20 世纪 90 年代末开始有显著起色,并由互联网所加速。一个自然的要求是系统能够处理潜在的不恰当激励,包括自己所感兴趣的人类参加者或公司,以及自动化的、基于人工智能的、代表它们的代理。


    备受关注的主题包括计算机制设计(computational mechanism design)(一种激励设计的经济理论,它寻求激励兼容的系统,其中输入会被如实报告)、(基于) 计算机 (统计技术的) 社会选择(computational social choice)(一种有关如何为替代品排列顺序的理论)、激励对齐信息获取(incentive aligned information elicitation)(预测市场、评分规则、同行预测)和算法博弈理论(algorithmic game theory)(市场、网络游戏和室内游戏的平衡,比如poker——它在近几年通过抽象技术和无遗憾学习(no-regret learning)已经取得了显著的进步)。


    物联网(IoT)


    越来越多的研究机构致力于这样一个想法:一系列设备可以相互连接以收集和分享它们的感官信息。这些设备可以包括家电、汽车、建筑、相机和其他东西。虽然这就是一个技术和无线网络连接设备的问题,人工智能可以为了智能的、有用的目的去处理和使用所产生的大量数据。目前这些设备使用的是令人眼花缭乱的各种不兼容的通信协议。人工智能可以帮助克服这个「巴别塔」。


    神经形态计算


    传统计算机执行计算的冯诺依曼模型,它分离了输入/输出、指令处理和存储器模块。随着深度神经网络在一系列任务中的成功,制造商正在积极追求计算的替代模型——特别是那些受到生物神经网络所启发的——为了提高硬件的效率和计算系统的稳定性的模型。


    目前这种「神经形态的(neuromorphic)」计算机尚未清楚地显示出巨大成功,而是刚开始有望实现商业化。但可能它们在不久的将来会变成寻常事物(即使仅作为冯诺依曼所增加的兄弟姐妹们)。深度神经网络在应用景观中已经激起了异常波动。当这些网络可以在专门的神经形态硬件上被训练和被执行,而不是像今天这样在标准的冯诺依曼结构中被模拟时,一个更大的波动可能会到来。


    总体趋势以及人工智能研究的未来


    数据驱动型范式的巨大成功取代了传统的人工智能范式。诸如定理证明、基于逻辑的知识表征与推理,这些程序获得的关注度在降低,部分原因是与现实世界基础相连接的持续挑战。规划(Planning)在七十和八十年代是人工智能研究的一根支柱,也受到了后期较少的关注,部分原因是它强烈依赖于建模假设,难以在实际的应用中得到满足。


    基于模型的方法——比如视觉方面基于物理的方法和机器人技术中的传统控制与制图——已经有很大一部分让位于通过检测手边任务的动作结果来实现闭环的数据驱动型方法。即使最近非常受欢迎的贝叶斯推理和图形模式似乎也正在失宠,被数据和深度学习显著成果的洪流所淹没。


    研究小组预计在接下来的十五年中,会有更多关注集中在针对人类意识系统的开发上,这意味着它们是明确按照要与之互动的人类特点来进行建模与设计的。很多人的兴趣点在于试图找到新的、创造性的方法来开发互动和可扩展的方式来教机器人。


    此外在考虑社会和经济维度的人工智能时,物联网型的系统——设备和云——正变得越来越受欢迎。在未来的几年中,对人类安全的、新的感知/目标识别能力和机器人平台将会增加,以及数据驱动型产品数量与其市场规模将会变大。


    研究小组还预计当从业者意识到纯粹的端到端深度学习方法的不可避免的局限性时,会重新出现一些人工智能的传统形式。我们不鼓励年轻的研究人员重新发明理论,而是在人工智能领域以及相关领域(比如控制理论、认知科学和心理学)的第一个五十年期间,保持对于该领域多方面显著进展的觉察。


    第二部分:人工智能在各领域的应用


    虽然人工智能的很多研究和应用会基于一些通用技术,比如说机器学习,但在不同的经济和社会部门还是会有所区别。我们称之为不同的领域(domain),接下来的这部分将介绍人工智能研究和应用的不同类型,以及影响和挑战,主要有八个方面:交通、家庭服务机器人、医疗健康、教育、低资源社区、公共安全、工作和就业、娱乐。


    基于这些分析,我们还预测了一个有代表性的北美城市在未来 15 年的趋势。与人工智能的流行文化中的典型叙述不同,我们寻求提供一个平衡的观点来分析,人工智能是如何开始影响我们日常生活的,以及从现在到 2030 年,这些影响将如何发展。


    1.交通


    交通可能会成为首批几个特定应用领域之一,在这些领域,大众需要对人工智能系统在执行危险任务中的可靠性和安全性加以信任。自动化交通会很快司空见惯,大多数人在嵌入人工智能系统的实体交通工作的首次体验将强有力的影响公众对人工智能的感知。


    • 智能汽车

    • 交通规划

    • 即时交通

    • 人机交互


    2.家庭服务机器人


    过去十五年中,机器人已经进入了人们的家庭。但应用种类的增长慢得让人失望,与此同时,日益复杂的人工智能也被部署到了已有的应用之中。人工智能的进步常常从机械的革新中获取灵感,而这反过来又带来了新的人工智能技术。


    未来十五年,在典型的北美城市里,机械和人工智能技术的共同进步将有望增加家用机器人的使用和应用的安全性和可靠性。特定用途的机器人将被用于快递、清洁办公室和强化安全,但在可预见的未来内,技术限制和可靠机械设备的高成本将继续限制狭窄领域内应用的商业机会。至于自动驾驶汽车和其它新型的交通机器,创造可靠的、成熟的硬件的难度不应该被低估。


    • 真空吸尘器

    • 家庭机器人 2030


     3.医疗


    对人工智能而言,医疗领域一直被视为一个很有前景的应用领域。基于人工智能的应用在接下来的几年能够为千百万人改进健康结果和生活质量,但这是在它们被医生、护士、病人所信任,政策、条例和商业障碍被移除的情况下。主要的应用包括临床决策支持、病人监控、辅导、在外科手术或者病人看护中的自动化设备、医疗系统的管理。


    近期的成功,比如挖掘社交媒体数据推断潜在的健康风险、机器学习预测风险中的病人、机器人支持外科手术,已经为人工智能在医疗领域的应用扩展出了极大的应用可能。与医学专家和病人的交互方法的改进将会是一大挑战。


    至于其他领域,数据是一个关键点。在从个人监护设备和手机 App 上、临床电子数据记录上收集有用的数据方面,我们已经取得了巨大的进展,从协助医疗流程和医院运行的机器人那里收集的数据可能较少一些。但使用这些数据帮助个体病人和群体病人进行更精细的针对和治疗已经被证明极其的困难。


    研究和部署人工智能应用已经被过时的条例和激励机制拉扯后腿。在这样大型的、复杂的系统中,贫乏的人机交互方法和固有的难题以及部署技术的风险也阻碍了人工智能在医疗的实现。减少或者移除这些障碍,结合目前的创新,有潜力在接下来几年为千百万人极大的改进健康结果和生活质量。


    • 临床应用

    • 医疗分析

    • 医疗机器人

    • 移动健康

    • 老年看护


    4.教育


    在过去的十五年间,教育界见证了为数众多的人工智能科技的进步。诸如 K-12 线上教育以及大学配套设备等等应用已经被教育家和学习者们广泛利用。尽管素质教育还是需要人类教师的活跃参与,但人工智能在所有层面上都带来了强化教育的希望,尤其是大规模定制化教育。如何找到通过人工智能技术来最优化整合人类互动与面对面学习将是一个关键性的挑战,这一点医疗行业也是如此。


    机器人早已经成为了广为欢迎的教育设备,最早可以追溯到 1980 年 MIT Media Lab 所研制出的 Lego Mindstorms。智能辅导系统(ITS)也成为了针对科学、数学、语言学以及其他学科相匹配的学生互动导师。


    自然语言处理,尤其是在与机器学习和众包结合以后,有力推进了线上学习,并让教师可以在扩大教室规模的同时还能做到解决个体学生的学习需求与风格。大型线上学习的系统所得的数据已经为学习分析产生了迅速增长的动力。


    但是,学院与大学采用人工智能技术的步伐依然很缓慢,主要是由于资金的缺乏,以及其可以帮助学生达成学习目标的有力证据。一个典型美国北部城市的未来五十年,智能导师与其他人工智能技术帮助教师在课堂或家中工作的规模很有可能会显著扩大,因为意愿学习是基于虚拟现实的应用。但是计算机为基础的学习系统将无法完全替代学校里的教师们。


    • 教育机器人

    • 智能辅导系统(ITS)与线上学习

    • 学习分析

    • 挑战和机遇


    更广大的社会成果


    自广大人民难以获得教育的国家,如果这些群体有可以获取在线教育的工具,那么在线资源将会产生重要的积极影响。在线教育资源的发展应该能让支持国际教育项目的基金会可以通过提供工具和相对简单的使用培训来更轻松地提供素质教育。比如说,针对 iPad 开发出了大量的、且大部分免费的教育应用。


    在消极的一面,现在学生已有把自己的社会接触限制在电子设备上的趋势了,他们在网络程序的互动上花费了大量时间,却没有进行社会接触。如果教育也越来越多地通过网络进行,那么在学生的社会发展阶段缺乏与同龄人有规律的面对面接触会带来怎样的影响呢?特定的技术已经表明这会产生在神经方面的影响。另一方面,自闭症儿童已经开始从与人工智能系统的互动中受益了。


    5.低资源社区


    人工智能存在许多机会去改善生活于一个典型北美城市的低资源社区中的人民生活状况——事实上在某些情况下已经有所改变。了解这些人工智能的直接贡献也可能会激发对于发展中国家最为贫穷的地区的潜在贡献。在人工智能的数据收集过程中并没有对这个人群的显著关注,而且传统上人工智能资助者在缺乏商业应用的研究中表现得投资乏力。


    有了有针对性的激励和资金优先次序,人工智能技术可以帮助解决低资源社区的需求。萌芽中的努力是有希望的。人工智能可能会有有助于对抗失业和其他社会问题带来的恐惧,它或许会提供缓解措施和解决方案,特别是通过受影响的社区以与其建立信任的方式来实现。


    6.公共安全与防护


    城市已经为公共安全和防护部署人工智能技术了。到 2030 年, 典型的北美城市将在很大程度上依赖它们。这些措施包括可以检测到指向一个潜在犯罪的异常现象的监控摄像机、无人机和预测警务应用。与大多数问题一样,好处与风险并存。


    获得公众信任是至关重要的。虽然会存在一些合理的担心,即与人工智能合作的警务可能会在某些情况下变得霸道或是无处不在,而相反的情况也是可能的。人工智能可能使警务变得更有针对性并只在需要时被使用。而且假设经过仔细的部署,人工智能也可能有助于消除一些人类决策中固有的偏见。


    对于人工智能分析学更成功的一个应用是检测白领犯罪,比如信用卡诈骗罪。网络安全(包括垃圾邮件)是一个被广泛关注的问题,而机器学习也对其有所影响。


    人工智能工具也可能被证明有助于警察管理犯罪现场或是搜索和救援活动,它可以帮助指挥官排列任务的优先次序以及分配资源,尽管这些工具还没有为这些活动的自动化做好准备。在一般的机器学习尤其是在转换学习中的改进——在新情境中基于与过去情况的相似性而加快学习——可能有利于这样的系统。


    7.就业与劳资


    尽管人工智能很有可能会对典型北美城市的就业和工作场所产生深远的影响,但对当前的影响我们目前还难以作出评估——是积极的还是消极的。在过去十五年,由于经济衰退和日益的全球化,尤其是中国参与到了世界经济中,就业状况已经发生了改变,非人工智能的数字技术也发生了很大的变化。自 1990 年代以来,美国经历了生产率和 GDP 的连续增长,但平均收入却停滞不前,就业人口比率也已经下降。


    有一些数字技术有重大影响(好的影响或坏的影响)的行业的显著案例,而在一些其它的行业,自动化将很有可能能在不久的将来发生重大的改变。许多这些改变已经得到了「例行的」数字技术的推动,其中包括企业资源规划、网络化、信息处理和搜索。理解这些改变应该能为人工智能影响未来劳动力需求的方式(包括技能需求的改变)提供见解。


    到目前为止,数字技术已经给中等技能的工作(比如旅行代理)带来了更大的影响,而不是非常低技能或非常高技能的工作。另一方面,数字系统所能完成的任务的范围正随着人工智能的演进而提升,这很可能会逐渐增大所谓的「例行任务」的范围。人工智能也正向高端的领域蔓延,包括一些机器之前无法执行的专业服务。


    为了获得成功,人工智能创新将需要克服可以理解的人们对被边缘化的恐惧。在短期内,人工智能很有可能会取代任务,而非工作,同时还将会创造新类型的工作。但新类型的工作比将可能失去的已有工作更难以想象。就业领域的变化通常是渐进的,不会出现剧烈的过渡。


    随着人工智能进入工作场所,这很有可能是一个持续的趋势。影响的范围也将扩大,从少量的替代或增强到完全的替代。比如说,尽管大部分律师的工作还没被自动化,但人工智能在法律信息提取和主题建模方面的应用已经自动化了一部分第一年工作的律师新人的工作。在不远的将来,包括放射科医生到卡车司机到园丁等许多类型的工作都可能会受到影响。


    人工智能也可能会影响工作场所的大小和位置。许多组织和机构很庞大的原因是他们所执行的功能只能通过增加人力来扩大规模,要么是「横向」扩展地理区域,要么是「纵向」增多管理层级。随着人工智能对许多功能的接管,扩展不再意味着会带来大型的组织。


    许多人已经指出一些知名的互联网公司只有很少数量的员工,但其它公司并不是这样。人类企业可能存在一个自然的规模大小,在这样的企业中,CEO 能够认识公司里的每一个人。通过将创造有效地外包给人工智能驱动的劳动力市场,企业会倾向于自然的大小。


    人工智能也将创造工作,特别是在某些行业中,通过使某些特定任务更重要,以及通过产生新的交互模型创造新类型的工作。复杂的信息系统可被用于创造新的市场,这往往会带来降低门槛和增加参与的影响——从应用商店到 AirBnB 再到 taskrabbit。人工智能界有一个活跃的研究社区在研究创造新市场和使已有市场更高效地运作的进一步的方式。


    尽管工作本身有内在的价值,但大部分人工作是为了购买他们看重的商品和服务。因为人工智能系统可以执行之前需要人力的工作,因此它们可以导致许多商品和服务的成本下降,实实在在地让每个人都更富有。当正如当前的政治辩论中所给出的例子一样,失业对人们的影响比对散布的经济效益的影响更显著——尤其是那些直接受其影响的人;而不幸的是,人工智能常常被视作是工作的威胁,而不是生活水平的提升。


    人们甚至在某些方面存在恐惧——害怕人工智能会在短短一代人的时间内迅速取代所有的人类工作,包括那些需要认知和涉及到判断的工作。这种突变是不太可能发生的,但人工智能会逐渐侵入几乎所有就业领域,这需要在计算机可以接管的工作上替换掉人力。


    人工智能对认知型人类工作的经济影响将类似于自动化和机器人在制造业工作上对人类的影响。许多中年工人失去了工厂里的高薪工作以及伴随这个工作的家庭和社会中的社会经济地位。长期来看,一个对劳动力的更大影响是失去高薪的「认知型」工作。


    随着劳动力在生产部门的重要性的下降(与拥有知识资本相比),大多数市民可能会发现他们的工作的价值不足以为一种社会可以接受的生活标准买单。这些变化将需要政治上的,而非单纯经济上的响应——需要考虑应该配置怎样的社会安全网来保护人们免受经济的大规模结构性转变的影响。如果缺少了缓解政策,这些转变的一小群受益者将成为社会的上层。


    短期来看,教育、再训练和发明新的商品和服务可以减轻这些影响。更长期来看,目前的社会安全网可能需要进化成更好的服务于每个人的社会服务,例如医疗和教育或有保障的基本收入。事实上,瑞士和芬兰等国家已经在积极地考虑这些措施了。


    人工智能可能会被认为是一种财富创造的完全不同的机制,每个人都应该从全世界人工智能所生产的财富中分得一部分。对于人工智能技术所创造的经济成果的分配方式,相信不久之后就会开始出现社会争议了。因为传统社会中由孩子支持他们年老的父母,也许我们的人工智能「孩子」也应该支持我们——它们的智能的「父母」。


    8.娱乐


    随着过去十五年互联网的爆发式增长,很少有人能想象没有它的生活。在人工智能的驱动下,互联网已经将用户生成的内容作为了信息和娱乐的一个可行的来源。Facebook 这样的社交网络现在几乎已经无处不在,而且它们也成为了社会互动和娱乐的个性化渠道——有时候会损害人际交往。WhatsApp 和 Snapchat 等应用可以让智能手机用户与同伴保持「接触」和分享娱乐和信息源。


    在《第二人生》这样的在线社区和《魔兽世界》这样的角色扮演游戏中,人们想象在虚拟世界中有一个虚拟的存在。亚马逊 Kindle 这样的专用设备已经重新定义了打发时间的要领。现在只需手指点点划划几下,就可以浏览和获取书籍了;一个口袋大小的设备就可以存储成千上万本书,而阅读体验基本上可手持的纸质书差不多。


    现在我们有了共享和浏览博客、视频、照片和专题讨论的可信平台,此外还有各种各样用户生成的内容。为了在互联网的规模上运行,这些平台必须依赖现在正被积极开发的技术,其中包括自然语言处理、信息检索、图像处理、众包和机器学习。比如,现在已经开发出了协同过滤(collaborative filtering)这样的算法,它可以基于用户的人口统计学细节和浏览历史推荐相关的电影、歌曲或文章。


    为了跟上时代的步伐,传统的娱乐资源也已经开始拥抱人工智能。正如书和电影《点球成金》中给出的例子,职业运动现在已经转向了密集的量化分析。除了总体表现统计,赛场上的信号也可以使用先进的传感器和相机进行监控。用于谱曲和识别音轨的软件已经面世。


    来自计算机视觉和 NLP 的技术已被用于创建舞台表演。即使非专业用户也可以在 WordsEye 等平台上练习自己的创造力,这个应用可以根据自然语言文本自动生成 3D 场景。人工智能也已经被用于协助艺术品的历史搜索,并在文体学(stylometry)得到了广泛的应用,最近还被用在了绘画分析上。


    人类对人工智能所驱动的娱乐的热情是很令人惊讶的,但也有人担心这会导致人与人之间的人际交互减少。少数人预言说人们会因为在屏幕上花费了太多时间而不再与人互动。孩子们常常更愿意在家里快乐地玩他们的设备,而不愿意出去和他们的朋友玩耍。人工智能会使娱乐更加交互式,更加个性化和更有参与感。应该引导一些研究来理解如何利用这些性质为个人和社会利益服务。


    第三部分:人工智能公共政策的前景与建议


    人工智能应用的目标必须是对社会有价值。我们的政策建议也会遵循这个目标,而且即便这个报告主要关注的是 2030 年的北美城市,建议依然广泛适用于其他城市,同时不受时间限制。一些提升解读和人工智能系统能力并参与其使用的策略可以帮助建立信任,同时防止重大失败。


    在增强和提升人类能力和互动时需要小心,还有避免对不同社会阶层的歧视。要强调多做鼓励这个方向以及沟通公共政策探讨的研究。鉴于美国目前的产业监管,需要新的或重组的法律和政策来应对人工智能可能带来的广泛影响。


    政策不需要更多也不要更严,而是应该鼓励有用的创新,生成并转化专业知识,并广泛促进企业与公民对解决这些技术带来的关键社会问题的责任感。长期来看,人工智能将会带来新财富,整个社会也要探讨如何分配人工智能技术带来的经济成果的分配问题。


    如今以及未来的人工智能政策


    为了帮助解决个人和社会对快速发展的人工智能技术产生的忧虑,该研究小组提供了三个一般性政策建议。


    1. 在所有层级的政府内,制定一个积累人工智能技术专业知识的程序。有效的监管需要更多的能理解并能分析人工智能技术、程序目标以及整体社会价值之间互动的专家。


    缺少足够的安全或其他指标方面的专业技术知识,国家或地方政府官员或许或拒绝批准一个非常有前途的应用。或者缺少足够训练的政府官员可能只会简单采纳行业技术专家的说法,批准一个未经充分审查的敏感的应用进入市场。不理解人工智能系统如何与人工行为和社会价值互动,官员们会从错误的角度来评估人工智能对项目目标的影响。


    2. 为研究人工智能的平等、安全、隐私和对社会的影响扫清感知到的和实际的障碍。


    在一些相关的联邦法律中,如计算机欺诈和滥用法案(Computer Fraud and Abuse Act)和数字千年版权法的反规避条款(theanti-circumvention provision of the Digital Millennium Copyright Act),涉及专有的人工智能系统可能被如何逆向向工程以及被学者、记者和其他研究人员评价的内容还很模糊。当人工智能系统带来了一些实质性后果需要被审查和追究责任时,这些法律的研究就非常重要了。


    3. 为人工智能社会影响的跨学科研究提供公共和私人资金支持。


    从整个社会来看,我们对人工智能技术的社会影响的研究投入不足。资金要投给那些能够从多角度分析人工智能的跨学科团队,研究范围从智能的基础研究到评估安全、隐私和其他人工智能影响的方法。一下是具体问题:


    当一辆自动驾驶汽车或智能医疗设备出现失误时,应该由谁来负责?如何防止人工智能应用产生非法歧视?谁来享有人工智能技术带来的效率提升的成果,以及对于那些技能被淘汰的人应该采取什么样的保护?


    随着人工智能被越来越广泛和深入地整合到工业和消费产品中,一些领域中需要调整现有的建立监管制度以适应人工智能创新,或者在某些情况下,根据广泛接受的目标和原则,从根本上重新配置监管制度。


    在美国,已经通过各种机构将监管具体到各个行业。在设备中使用人工智能实现医疗诊断和治疗由食品药品监督管理局(FDA)监管,包括定义产品类型和指定产生方法,还有软件工程的标准。无人机在管制空域中的使用由美国联邦航空局(FAA)监管。面向消费者的人工智能系统将由联邦贸易委员会(FTC)监管。金融市场使用的人工智能技术,如高频交易,由证券交易委员会(SEC)监管。


    除了针对具体行业制定监管的方法外,「重要基础设施」中定义模糊和广泛的监管类别可能适用于人工智能应用。


    鉴于目前美国行政法结构,短期内制定出全面的人工智能政策法规似乎不太可能。但是,可以根据人工智能在各种情境中可能出现的法律和政策问题,广泛列出多个类别。


    • 隐私

    • 创新政策

    • 责任(民事)

    • 责任(刑事)

    • 代理

    • 认证

    • 劳动力

    • 税务

    • 政治


    未来的指导原则


    面对人工智能技术将带来的深刻变化,要求「更多」和「更强硬」的监管的压力是不可避免的。对人工智能是什么和不是什么的误解(尤其在这个恐慌易于散布的背景下)可能引发对有益于所有人的技术的反对。那将会是一个悲剧性的错误。扼杀创新或将创新转移到它处的监管方法同样也只会适得其反。


    幸运的是,引导当前数字技术的成功监管原则可以给我们带来指导。比如,一项最近公布的多年研究对比了欧洲四个国家和美国的隐私监管,其结果却很反直觉。西班牙和法国这样的有严格的详细法规的国家在企业内部孕育出了一种「合规心态(compliance mentality)」,其影响是抑制创新和强大的隐私保护。


    这些公司并不将隐私保护看作是内部责任,也不会拿出专门的员工来促进其业务或制造流程中的隐私保护,也不会参与必需范围之外的隐私倡议或学术研究;这些公司只是将隐私看作是一项要满足规范的行为。他们关注的重点是避免罚款或惩罚,而非主动设计技术和采纳实际技术来保护隐私。


    相对地,美国和德国的监管环境是模糊的目标和强硬的透明度要求和有意义的执法的结合,从而在促进公司将隐私看作是他们的责任上做得更加成功。广泛的法律授权鼓励企业发展执行隐私控制的专业人员和流程、参与到外部的利益相关者中并采用他们的做法以实现技术进步。对更大的透明度的要求使民间社会团队和媒体可以变成法庭上和法庭外的公共舆论中的可靠执法者,从而使得隐私问题在公司董事会上更加突出,这又能让他们进一步投资隐私保护。


    在人工智能领域也是一样,监管者可以强化涉及内部和外部责任、透明度和专业化的良性循环,而不是定义狭窄的法规。随着人工智能与城市的整合,它将继续挑战对隐私和责任等价值的已有保护。和其它技术一样,人工智能也可以被用于好的或恶意的目的。


    这份报告试图同时强调这两方面的可能性。我们急切地需要一场重要的辩论:如何最好地引导人工智能以使之丰富我们的生活和社会,同时还能鼓励这一领域的创新。应该对政策进行评估,看其是否能促进人工智能所带来的益处的发展和平等共享,还是说会将力量和财富集中到少数权贵的手里。而因为我们并不能完美清晰地预测未来的人工智能技术及其所将带来的影响,所以相关政策一定要根据出现的社会难题和线索不断地重新评估。


    截至本报告发布时,重要的人工智能相关的进展已经在过去十五年内给北美的城市造成了影响,而未来十五年还将有更大幅度的发展发生。最近的进展很大程度是由于互联网所带来的大型数据集的增长和分析、传感技术的进步和最近的「深度学习」的应用。


    未来几年,随着公众在交通和医疗等领域内与人工智能应用的遭遇,它们必须以一种能构建信任和理解的方式引入,同时还要尊重人权和公民权利。在鼓励创新的同时,政策和流程也应该解决得到、隐私和安全方面的影响,而且应该确保人工智能所带来的好处能得到广泛而公正的分配。如果人工智能研究及其应用将会给 2030 年及以后的北美城市生活带来积极的影响,那么这样做就是非常关键的。


    -End-


    未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


    未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。


      如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”


    640?wx_fmt=jpeg

    展开全文
  • 从零学习人工智能,开启职业规划之路!   对AI的态度 对于 AI,不用嘲笑,也不要过誉! 人工智能(Artificial Intelligence,英文缩写为AI)的话题隔一段时间就会火一把。刚结束不久的国际盛会——2018 博鳌...
  • 斯坦福「AI百年研究」首份报告:2030年人工智能与生活 2014 年秋季,人工智能百年研究(One Hundred Year Study)项目启动,这是一项对人工智能领域及其对人类、社区、社会影响的长期学术研究。这项...
  • 本文全景式介绍了中国新一代人工智能发展规划(2015-2030)的形成和主要内容,重点描述了中国新一代人工智能在基础研究、技术发展、人才教育和伦理道德等方面的面临的挑战,同时认为新一代人工智能将会搭建起中国...
  • 考虑到人们对此感兴趣的程度,我们将不会惊讶于斯坦福的专家在人工智能报告中得出的结论:“越来越强大的人工智能应用,可能会对我们的社会和经济产生深远的积极影响,这将出现在从现在到 2030 的时间段里。
  • 国务院于2017年7月21日印发了《新一代人工智能发展规划》,提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施,部署构筑我国人工智能发展的先发优势,加快建设创新型国家和世界科技...
  • 【新智元导读】美国“防务一号”网站发布最新《人工智能报告》称,美国国防部在2019将让AI真正成为现实。报告分为六个部分,详细介绍了美国在人工智能上的最新战略进展;俄罗斯和中国在人工智能策略上的发展与弱点...
  • 普华永道发布了一份报告,对人工智能在2018的发展趋势进行了研究,并做出了8项预测。文章由36氪编译。人工智能非常复杂,而且发展速度很快。任何人都不可能对其未来几的发展方向做出准确的预测。但就人工智能在...
  • 考虑到人们对此感兴趣的程度,我们将不会惊讶于斯坦福的专家在人工智能报告中得出的结论:“越来越强大的人工智能应用,可能会对我们的社会和经济产生深远的积极影响,这将出现在从现在到2030年的时间段里。...
  • 当前,人工智能呈现爆发式增长,智能化竞争趋向白热化,军用人工智能成为改变军事革命和未来战争的颠覆性技术。国外军事强国纷纷布局人工智能国防战略,不断升级人工智能军事作战应用,实现了武器装备、作战应用系统...
  • 1月3日,艾瑞咨询发布《2017年中国人工智能城市展望研究报告》,报告显示,政府在近三年时间密集出台鼓励人工智能技术发展的政策,说明十分重视此次技术发展的机遇,从大力促成中国到2030年成为世界人工智能创新中心...
  • 美媒称,中国于2017年7月公布了一项计划,希望成为人工智能领域的全球领军者,到2030年时创造一个价值1500亿美元(约合9500亿元人民币)的产业。据美国《纽约时报》网站2月13日报道,对于美国从事人工智能的技术专家...
  • 中国不仅拥有世界上最多的人口,而且还有望成为全球最大的经济体——它还希望在人工智能(AI)方面引领世界。 为了实现在2023中国能在人工智能领域引领全球的目标,中国制定了一系列要在2020前实现的里程碑。这...
  • 人工智能和中国国家人工智能发展战略一....人工智能AI:Artificial Intelligence)的研究自1956达特茅斯会议以来,起起伏伏发展了62,终于在最近5取得了重大突破。AI系统在语音识别、图像识...
  • 李开复:人工智能行业发展与投资趋势 如果说在21世纪,还有哪一种技术可以和历次工业革命中的先导科技相提并论的话,答案一定是正在步入成熟增长期的人工智能技术。伴随着人工智能技术应用的快速展开,其价值开始...
1 2 3 4 5 ... 20
收藏数 1,079
精华内容 431
关键字:

2030年人工智能学习方向