最近有關人工智能進展的相關調查、研究、預測和其他定量評估，結果直指一些趨勢：消費者對聊天機器人的接受度不斷增長，特別是在執行日常任務方面；關於醫療AI算法缺少患者最糟結果的問題；以及2020年乃至未來關於人工智能和就業的最新預測。
企業和消費者採用人工智能
澳大利亞、英國和法國消費者對聊天機器人的使用率最高，過去一年中，有超過70％的受訪者曾經使用過聊天機器人與品牌進行互動。美國和德國略微落後，比例為50％多；在過去一年中與聊天機器人交互的受訪者中，有80％使用聊天機器人獲得客戶服務，而去年這一比例為67％；美國消費者對於通過發送信息與品牌互動的興趣明顯增加，從2018年的52％增加到今年的62％；受訪的歐洲國家或者地區對信息通訊的平均需求量最高，佔比65％；這也是年輕銷售者群體最感興趣的功能，年齡在18-34歲的群體中有70％多的人希望可以通過發送信息與企業交互；消費者對機器人能夠完成日常任務的信心越來越高，例如有超過50％的受訪者表示，他們更喜歡機器人，而不是人工客服來告訴他們帳戶餘額或者更新地址信息；相反，消費者對於機器人執行更復雜的任務信息較低——只有15％的消費者願意讓機器人幫助他們糾正訂單中的錯誤 [來源/LivePerson對六個國家或者地區的5000多名成年人進行的調查]
64％的受訪組織計劃明年增加AI投資；有77％的受訪者認為，雖然AI越來越多地剝離了那些較為簡單的客戶服務請求，但同時人工客服則需要具備更多技能來處理更復雜和更高價值的客戶查詢；有74％的受訪者表示，今年人工客服的數量將有所增長或者保持不變； 79％的受訪者認為AI將呼叫中心能夠提供一致的、及時的、有關聯性的體驗[來源/NICE inContact和Forrester Consulting對美國、英國和澳大利亞307個企業組織進行的在線調查]
人工智能的業務影響
Manpower France每年要收到來自80000家企業的130萬張發票。Manpower對Sidetrade的Aimie機器學習工具進行了為期9個月的測試，結果發現發票收集量增加了12％[來源/財富]
在過去12個月中，Fannie Mae的8個IT團隊使用Moogsoft的AIOps工具使其IT事件減少了35％，將解決問題所需的時間縮短了25％至75％（取決於具體問題）；據Fannie Mae預計，在他們把AI系統部署到所有業務部門並且該系統能夠更好地找出根本原因的情況下，明年的每月IT事件量將減少50％至60％[來源/WSJ]
人工智能的研究成果
家族性高膽固醇血癥（Familial hypercholesterolaemia，FH）是一種常見的遺傳性疾病，相比威脅生命的心血管疾病的風險高20倍，但如今，天生患有該疾病的130萬美國人中，只有不到10％的人被診斷出此病。FIND FH篩查算法對939名臨床診斷的個體和83136名不含FH的個體的數據進行訓練的，然後該模型被應用於國家醫療就診數據庫（1.7億人）和綜合醫療交付系統數據集（174000個人）。在FH專家審查的病例中，國家數據庫有87%和醫療交付系統數據集有77%被歸類為具有足夠高的FH臨床可能性，因此值得進行基於指南的臨床評估和治療[來源/The Lancet Digital Health ]
古代文字或者銘文很容易被損壞，難以辨認的文字部分必須由碑文學家進行修復，經過訓練的深度神經網絡可以幫助填補缺失的部分，字符錯誤率為30.1％，而人類文字學家的錯誤率為57.3％[來源/DeepMind]
研究人員認為，醫學AI算法在檢測與患者病情最糟情況相關的疾病特徵方面的方式，遠遠比算法測試集合的平均表現更為重要。他們認為，即使人類醫生對所有疾病類型診斷的平均表現要比機器差，但人類醫生也往往對這些異常值滿意。大部分醫療AI沒有對這些出現異常值的疾病子集進行嚴格的算法測試，因此，很多結果的安全性可能是有偏差的。我們應該對醫學AI給實際患者治療和患者病情帶來的影響進行評估——很大程度上是目前測試藥物的方式——而不僅僅是看測試集的表現如何[來源/Fortune和arXiv]
Mayo Clinic的研究人員使用面部識別軟件將84位志願者的照片與其頭部輪廓MRI圖像進行了識別。該軟件正確識別出了其中70人，準確率為73%[來源/紐約時報和新英格蘭醫學雜誌]
荷蘭皇家飛利浦公司和美國國防部利用41000個感染病例（從一個包含700多萬例住院患者的大型數據庫中提取數據集）開發了一種AI工具，該工具最多可以在臨床懷疑48小時之前，通過篩選生命體徵和其他生物標記物預測出感染的可能性[來源/Healthcare IT News]
未來的工作方式
新興技術實際上並不會很快取代美國100萬多倉庫工人。但在未來十年，人工智能技術可能會讓他們的生活變得更加舉步維艱[來源/Recode和UC Berkeley]
數據的生命，人工智能的動力
數據以平均每個月63％的速度增長著；12％的受訪者稱，他們每個月的數據量增長速度在100%甚至更高；超過20％的受訪者稱，他們從1000個甚至更多數據來源提取數據；有超過90％的受訪者表示，以可用於分析的格式提供數據是一項有挑戰性的任務；大家普遍認為數據可移植性（45％）和可擴展性（46％）是現代數據轉換方法的兩大優勢[來源/Matillion和IDG對來自於規模在1000人以上的北美企業的200名IT、數據科學和數據工程專業人員進行的調查]
過去兩年中，有85％的託管服務提供商（MSP）報告了針對中小企業（SMB）的攻擊，高於2018年的79％; 64％的受訪者稱，中小企業客戶正蒙受著業務生產力的損失，有45%的受訪者稱企業遭遇宕機。宕機的平均成本為141000美元，比2018年增加200％[來源/Datto對全球1400多家託管服務提供商的調查]
人工智能市場預測
根據Redpoint Ventures的數據，到2023年數據標籤服務市場規模可能會增長2倍達到50億美元[來源/經濟學人]
到2024年，全球AI保險市場規模將從13億美元增長至200億美元[來源/Juniper]
2019年亞太地區（不包括日本）在人工智能系統上的支出將達到62億美元，比2018年增長近54％；到2023年人工智能系統的支出將增加到214億美元，在2018-23預測期間的複合年增長率（CAGR）為39.6％[來源/IDC]
預測人工智能的未來
到2023年，人工智能和新興技術的出現將使殘疾人就業人數增加兩倍，從而降低了就業門檻；到2024年，人工智能對情感的識別能力將影響一半以上的在線廣告；到2023年，G7國家中至少有4個國家將建立自我監管的人工智能和機器學習設計者監督協會；到2023年，“行為互聯網”將以數字化的方式追蹤個人行為，從而影響全球40％的人的利益和服務[來源/Gartner]
到2022年，使用人工智能決策的企業組織中，將有30%會會遇到“影子AI”（即那些在構建AI模型的IT部門所有權範圍之外的數據）的問題，而這也是有效的、道德決策的最大風險；到2023年，超過75％的大型企業將聘請行為取證、隱私和客戶信任方面的AI專家，以降低品牌和聲譽風險；到2022年，網絡攻擊中將有30％涉及：AI系統訓練數據“中毒”、竊取AI模型、將導致做出錯誤決策的樣本滲透到AI模型中；到2022年，30％的企業將投資可解釋的AI（也就是可以解釋AI算法如何得出結論的技術）[來源/Gartner]
中國目前在使用中的監控攝像頭約有2億個，預計到2020年將增長213％，達到6.26億個。全球10個受監視程度最高的城市中，中國佔了8個[來源/南華早報]
展望美國人工智能的未來
“為了執行以人為本的國家AI戰略，我們建議美國政府在教育、研究和企業家精神方面打造一個新的AI生態，並在未來十年投資至少1200億美元，”李飛飛和John Etchemendy指出，“我們需要一個人工智能的國家願景”。
人工智能相關引言
“將因果關係整合到AI中是一件大事。現有機器學習方法是，假設受過訓練的AI系統運用於和訓練數據類型相同的數據上，而在現實生活中情況往往並非如此。”——Yoshua Bengio
“在監督或者多任務學習的情況下，我們不會實現像人類一樣的普遍智力，我們將不得不尋求實現其他方面，”——Yann LeCun
“……把新聞報道自動標記為虛假新聞引起了……關於公平性和算法透明性的諸多問題，這表明，未來很長一段時間內最終還是要依賴於專家用於檢測虛假新聞的監督學習” ——Julio CS Reis、Andre Correia、FabrıcioMurai、Adriano Veloso和FabrıcioBenevenuto。
本週關於人工智能“模仿大腦”的引言
“ [機器閱讀]需要全面理解大腦語言。要明確的一點是，到目前為止我們並沒有完全理解大腦的語言。”——John Dylan Haynes，柏林查理特大學醫學院神經科學教授。
閱讀更多 科技行者 的文章
