《2020科技趨勢報告》：AI 和中國，成為未來科技世界關鍵詞

圖片來源@視覺中國

文｜學術頭條

近日，未來今日研究所（Future Today Institute）發佈了最新版《2020 年科技趨勢報告》，其中包括對人工智能在內的多項前沿科技未來一年的發展前景進行了展望。根據報告，未來世界科技產業將由中國、人工智能等趨勢塑造。

《2020 科技趨勢報告》由未來今日研究所和紐約大學斯特恩商學院（New York University's Stern School of Business）主任艾米・韋伯（Amy Webb）教授共同撰寫，這次已經是第 13 年發佈。這份報告試圖認識到技術與未來不確定性之間的聯繫，比如 2020 年美國總統大選的結果，以及冠狀病毒等流行病的傳播。

在所有前沿科技中，人工智能再次成為該榜單的第一名。韋伯表示，人工智能將引發第三次計算浪潮，帶來積極的影響，例如 AlphaFold 在發現疾病的治療方法中可以發揮的作用；但也會帶來消極的影響，例如它當前對刑事司法系統的影響。

一些科技巨頭，例如美國的 Amazon、IBM、Facebook、Google 和 Microsoft，以及中國的騰訊、阿里和百度，繼續在全球科技領域發揮最大的影響力。韋伯已經在 2019 年出版的《九大巨頭》中預測了這些公司將如何塑造世界。

“ 這 9 家公司推動了人工智能的大部分研究、資金、政府參與和消費級應用。大學的研究人員和實驗室依靠這些公司提供數據、工具和資金。九大人工智能公司也對人工智能合併和收購產生了巨大影響，為人工智能初創公司提供資金併為下一代開發人員提供支持。”

同時，報告指出，中國的企業和政府正在全面合作，以使其在 2030 年之前成為全球主要的人工智能創新中心。

與中國相比，美國擁有眾多組織和中心，但是，這些機構 “缺乏機構間合作和協調的努力”，在行動目標、研發工作安排和資金週轉方面存在不協調的情況。

據瞭解，每年韋伯通常會在德克薩斯州奧斯汀舉行的 SXSW 會議上，以一場演講作為報告發布的開頭，但是由於冠狀病毒的影響，今年的會議已經取消。

未來今日研究所這份報告對人工智能領域的科技預測可謂面面俱到，無論是對於人工智能企業、人工智能研究者，還是人工智能學習者，這都是一份比較詳盡的報告。限於篇幅，學術頭條精選了報告中關於人工智能的部分內容進行翻譯，希望對讀者有參考價值。

1.AI 與企業

1.1 利用人工智能加速科學發現的進程

用幾個變量進行實驗，通常需要對測量、材料和輸入進行微小的、系統的調整。研究生們可能會花上幾百個無聊的小時，一次又一次地做一些小的調整，直到找到一個解決方案。越來越多的人工智能系統被用於研究實驗室，以加快科學發現的進程。

1.2 雲端人工智能

人工智能生態系統內的企業領導者一直在競相搶佔人工智能雲共享平臺，併成為遠程服務器上最受信任的人工智能提供商。企業客戶也可能會堅持最初選擇的供應商，因為機器學習系統訪問的數據越多，隨著時間的推移則能不斷學習做出更好的決策。

1.3 線下人工智能

可以在設備上進行這種由本地人工智能驅動的處理和決策，在雲或互聯網上沒有任何數據交互——這是一種使用所謂 “邊緣計算” 的技術。直接在設備上處理數據，在未來對於醫療保健、汽車和製造業應用將非常重要，因為它可能更快、更安全。

1.4 機器人流程自動化

機器人流程自動化（RPA）使企業能夠在辦公室內自動化某些任務和流程，從而使員工能夠將時間花在更高價值的工作上。RPA 最終將他們的生產力提升到更高的水平，這將使媒體和娛樂公司能夠在許多不同領域做出更好的實時預測性決策，從客戶服務到成本節約。

1.5 企業中的數字雙胞胎和認知雙胞胎

數字雙胞胎是真實世界環境、產品或資產的虛擬表示，用於多種目的。製造商使用數字雙胞胎來管理機器和工廠的性能和效率，而城市規劃者則使用它們來模擬新開發項目的影響。

1.6 認知機器人

隨著人類和機器更加緊密地合作，機器人有機會根據環境學習和適應新的技能。機器學習、深度強化學習、計算機視覺和模擬環境的發展將很快導致具有早期認知能力的機器人出現。應用包括環境清理、探索危險地形和協助急救人員。

1.7 先進的人工智能芯片

神經網絡長期以來需要巨大的計算能力，需要很長時間的訓練，並且依賴於消耗數百千瓦電力的數據中心和計算機。一些知名企業已經致力於研究使芯片更容易在人工智能項目上工作，並且應該保證更快、更安全的處理。

1.8 無服務器計算

亞馬遜網絡服務、阿里雲、微軟 Azure、谷歌雲和百度雲正在為開發者推出新的產品和軟件包，希望能讓一大批人工智能初創企業更容易、更實惠地將自己的創意投放市場。

1.9 專業化、本土化的人工智能語言

Python 是一種領先的語言，有許多預先構建的庫和框架。Julia 是麻省理工學院開發的一種專注於數值計算的開源語言。當然還有 Lisp，由現代人工智能的前輩約翰・麥卡錫在 1958 年創造的。

1.10 Franken 算法的擴散（Proliferation of Franken-algorithms）

算法只是定義和自動處理數據的規則。它們是用計算機能夠理解和處理的 “如果這個，那麼那個” 邏輯來構建的。開發人員並不總是提前知道一個算法將如何與其他算法一起工作。有時，幾個開發團隊都在獨立地處理不同的算法和數據集，只有在部署後才能看到他們的工作。這一直是導致最近股市出現故障和電子商務網站發力的原因。

1.11 為了競爭而操縱 AI 系統的公司

過去幾年，亞馬遜、谷歌和 Facebook 都因操縱搜索系統，將對公司更有利的結果進行優先排序而受到抨擊。對搜索算法的調整會對互聯網用戶的看法產生重大影響，無論是新聞、銷售產品還是廣告。美國和歐盟目前正在調查亞馬遜同時扮演搜索引擎、市場運營商和自有產品銷售商的角色。立法者尚未就操縱算法以獲得競爭優勢是否符合反壟斷活動的標準達成一致。

1.12 企業生物識別欺騙

在實施監控和認證員工的人工智能系統之前，公司可能會三思而後行。機器學習的新技術導致了合成指紋和其他能夠欺騙監控系統的自動生成生物識別器。

1.13 人工智能機器人

bot，在最基本的層次上，是設計用於自動化指定任務的軟件應用程序。它們可以是基於文本或音頻的，並且可以跨各種平臺部署。機器人技術的下一個重大進步不是技術性的，而是監管性的。

2. 人工智能與商業生態系統

2.1 全球對人工智能的投資熱潮

眾所周知，人工智能人才短缺，每個行業都希望將人工智能融入其核心業務職能。因此，在全球範圍內都在爭先恐後地為人工智能研究提供資金，並收購初創企業。

2.2 算法市場

在 21 世紀一零年代，大型科技公司、初創公司和開發者社區利用算法市場來分享和銷售他們的作品。2018 年，微軟斥資 75 億美元收購了 GitHub，這是一個流行的開發平臺，允許任何人託管和審查代碼，與其他開發人員合作，並構建各種項目。

2.3 市場整合

儘管人工智能的生態系統正在蓬勃發展，但收購熱潮也意味著整合。現在，大公司在有時間成熟之前就開始創業，收購的平均年齡是 3 歲。只有 9 家大公司佔據了人工智能的主導地位：美國的 Amazon、 Google、Microsoft、 IBM、Facebook 和蘋果，中國的巨頭百度、阿里巴巴和騰訊。

2.4 破碎

人工智能的生態系統覆蓋了數百家公司。許多政策團體、倡導組織和政府都在制定指導方針、規範和標準以及政策框架，希望以此來指導人工智能的未來發展。因此，生態系統在兩個方面支離破碎：基礎設施標準和治理。

2.5 人工智能責任

當機器運轉不好時，誰該受責備？我們目前的法律體系是為了規範人類行為，而不是無監督機器的行為。當企業急於構建和實施人工智能產品和流程時，他們必須提前計劃新出現的風險。

2.6 環境監測

關門後發生的事情可能不會是長期的秘密，高管們應該提防新的環境監測方法。人工智能可能很快擁有 x 光視覺能力，這對從事敏感項目的公司來說可能不是什麼好消息。從事信息安全和風險管理工作的人應特別關注計算機視覺的發展。

3. 過程、系統與計算機神經科學

3.1 從平面二維圖像創建三維模型

研究人員使用大量的三維模型、轉換成三維模型的圖像和從不同角度顯示物體的二維圖像訓練神經網絡。結果：一個新的系統，可以渲染三維模型，無需任何人為干預。實際應用包括僅使用二維圖像自動生成環境真實模型的機器人。

3.2 神經符號人工智能算法與系統

人工智能的發展一直走在兩條概念軌道上：符號（機器使用表示概念的知識和規則基礎）和非符號（機器使用原始數據創建自己的模式和概念表示）。神經網絡將通過符號來理解數據，而不是總是依賴人類程序員為數據排序、標記和編目。符號算法將有助於這一過程，這最終將導致不總是需要人來訓練的魯棒系統。

亞馬遜的重新命名識別知名人士，幫助人們 “為營銷、廣告和媒體行業使用案例提供視頻和照片目錄”。

3.3 實時機器學習

人工智能的一大挑戰是構建能夠主動收集和解釋數據、識別模式和整合上下文並最終實時學習的機器。對實時機器學習（RTML）的最新研究表明，使用連續的事務數據流和實時調整模型是可能的。這標誌著數據移動方式和我們檢索信息的方式發生了重大變化。

3.4 自然語言理解（NLU）

NLU 允許研究人員通過提取概念、映射關係和分析情感來量化和學習所有文本，並且他們在過去一年中取得了一些令人印象深刻的進步。在最近的一次語言理解評估競賽中，中國的百度擊敗了谷歌和微軟，成為第一個開發不僅能懂英語，還能懂中文的技術的公司。

3.5 機器閱讀理解（MRC）

對於人工智能研究者來說，機器閱讀理解（MRC）一直是一個具有挑戰性的目標，但卻是一個重要的目標。MRC 使得系統能夠在篩選大量數據集的同時讀取、推斷意義並立即給出答案。它代表了實現人工通用智能的必要步驟，在短期內，它可能將從技術手冊到歷史地圖，再到我們的醫療記錄，一切都變成易於搜索的信息存儲庫。

3.6 自然語言生成（NLG）

隨著數字助理的日益普及，消費者希望能夠與機器進行自然對話。但是訓練人工智能系統需要大量的數據。自然語言生成（NLG）系統自動檢測、分析、可視化和敘述關鍵數據。NLG 的一個可能性是：開發一個可以使用簡單語言向他人解釋自己和所做決定的系統。

3.7 機器學習中的實時上下文（Real-Time Context in Machine Learning）

世界上充斥著信息、錯誤信息和膚淺的思想，機器學習中的實時上下文技術旨在幫助人們實踐推理、發展見多識廣的論點並得出可靠的結論。

3.8 一般強化學習算法

研究人員正在開發能夠學習多個任務的單一算法，AlphaZero。它不僅能在圍棋中獲得超人的表現，還能在其他遊戲中獲得超人的表現，包括國際象棋和日本象棋。這一個算法從遊戲規則之外的知識開始，最終發展出自己的策略來擊敗其他玩家。

程序員使用特殊的深度學習算法，同時使用大量的數據，通常是數兆字節的文本、圖像、視頻、語音等，系統被訓練成獨立學習。雖然概念上的深度學習並不是什麼新鮮事，但最近發生的變化是計算量和可用的數據量。實際上，這意味著越來越多的人工過程將被自動化，包括軟件的編寫，計算機很快就會開始自己編寫。

3.10 更快、更強大的開源框架

硬件升級和更快的芯片將有助於使開源框架在未來幾年變得更快和更流行。

3.11 強化學習與分層學習

強化學習是解決決策問題的有力工具，它被用來訓練人工智能系統以獲得超人的能力。在計算機模擬中，一個系統嘗試、失敗、學習、實驗，然後快速連續地再次嘗試，每次都會改變它未來的嘗試。

3.12 持續學習

目前，深度學習技術已經幫助系統學習以更接近人類所能做的方式解決複雜任務，但這些任務仍然是特定的，它們需要一個嚴格的序列，而且可能很耗時。持續學習（CL）更多的是關於自主和漸進的技能培養和發展，研究人員將繼續在這一領域不斷地突破可能的極限。

3.13 多任務學習

在過去的一年裡，卡內基梅隆大學和 Facebook 的人工智能實驗室的研究人員發佈了一款名為 Pluribus 的多人撲克人工智能，撲克也讓多個玩家相互競爭，獲得勝利比抓取遊戲碎片要複雜得多。Pluribus 學會了同時做幾件事，並建立了自己的戰略來贏得勝利。

3.14 生成性對抗網絡

生成性對抗網絡（GANs）是本世紀最有趣的想法，在過去幾年裡，GANs 有了巨大的進步。把一個 GAN 想象成圖靈測試，但是沒有任何人類參與。GANs 是一個無監督的深度學習系統，由兩個相互競爭的神經網絡組成，它們在相同的數據（如人的圖像）上進行訓練。僅去年一年，就有許多有趣的實驗涉及 GANs。

研究人員維克多・迪比亞（Victor Dibia）訓練了一個 DCGAN 模型（深度卷積世代對抗網絡）來生成非洲面具。

3.15 新的生成建模技術

自迴歸隱式分位數網絡（簡稱 AIQN）聽起來很複雜，但它是一個創新的想法，有助於改進算法，使它們更穩定。這意味著：這可能會加快人工智能的發展步伐 —— 這可能意味著整個生態系統中更快的機遇和創新。

3.16 概率規劃語言

概率編程語言減輕了開發概率模型的一些壓力和繁瑣。這些較新的語言允許開發人員構建、重用和共享他們的模型庫，同時仍然容納不完整的信息。

3.17 機器圖像完成（Machine Image Completion）

如果一個計算機系統能夠訪問上百萬的圖片，就說它可以修補和填補圖片中的漏洞。這項功能對專業攝影師以及所有想拍出更好自拍的人都有實際的應用。圖像完成也是執法和軍事情報人員的一個有用工具，計算機現在可以幫助他們識別誰或什麼是在框架中。考慮到我們已經在機器學習算法和數據集上看到的偏見，圖像完成可能成為未來關於隱私和我們設備的爭論的一部分。

3.18 混合人 - 計算機視覺分析

目前人工智能沒有人的幫助還不能完全發揮作用。混合智能系統將人類和人工智能系統結合起來，以獲得更高的精確度。

3.19 預測機器視覺

預測機器視覺研究有朝一日將使機器人能夠更容易地在人類環境中導航，並通過從我們自己的肢體語言中獲取線索與我們人類互動。它也可以用於零售環境，當我們操作機器，或當我們在教室學習。

3.20 自動機器學習（AutoML）

一些組織希望擺脫傳統的機器學習方法，這種方法費時費力，需要數據科學家、人工智能領域的專家和工程師。自動機器學習（AutoML）是一種新的方法：將原始數據和模型匹配在一起以顯示最相關的信息的過程。谷歌、亞馬遜和微軟現在提供了大量的 AutoML 產品和服務。

3.21 定製機器學習

不久，個人用戶將上傳他們自己的數據來定製現有的人工智能模型。例如，像 Google 的 Cloud AutoML 和 Amazon SageMaker Autopilot 這樣的工具允許組織在沒有受過高度培訓的員工的情況下培訓定製的機器學習模型。

3.22 圖神經網絡

氣味分類是很棘手的，因為它需要一個多標籤系統。谷歌的研究人員正在構建圖形神經網絡（graph neural networks），一種以圖形為輸入的特殊類型的深層神經網絡以在分子水平上預測氣味。

3.23 智能光學字符識別

一個持續的挑戰是讓機器認識到我們用書面表達自己的各種方式。光學字符識別（OCR）以固定的、可識別的格式工作，如公路標誌和書中的文字。但是，OCR 往往不夠聰明，無法識別不同的字體、獨特的符號或只有一家公司的字段的電子表格。

4. 人工智能與內容創意

4.1 人工智能與創意過程

亞馬遜的 DeepComposer 系統 “自動” 作曲。

生成性對抗網絡（GANs）的能力遠遠超過生成深度假視頻。研究人員正與藝術家和音樂家合作，創造出全新的創造性表達形式。從合成非洲部落面具到建立幻想的虛構星系，人工智能正被用來探索新的想法。

4.2 內容生成算法

一段時間以來，人們一直在訓練計算機觀看視頻並預測我們物質世界中相應的聲音。內容生成算法研究的重點是幫助系統瞭解物體在物理領域如何相互作用。

4.3 從短視頻生成虛擬環境

自動生成的虛擬環境的未來應用非常廣泛：考慮物流培訓環境（倉庫、工廠、航運中心）、城市規劃模擬，甚至在遊樂園和購物中心內測試客戶流場景。

4.4 自動版本控制

隨著更多的實驗的進行，人們期望看到新聞和娛樂媒體公司開發同一內容的多個版本，以達到更廣泛的受眾或大規模生產大量的內容。

4.5 自動語音克隆和配音

類似人工智能和描述使克隆聲音成為可能，這意味著很快你可以在電影中看到基努・裡夫斯，也可以聽到他用自己的聲音用意大利語說話。

4.6 機器文字識別

在過去的一年裡，研究人員展示了人工智能是如何被用來編寫好的文本的，以至於人類無法分辨它是由機器編寫的。事實證明，人工智能還可以用來檢測文本是什麼時候生成的，即使我們人類無法識別假文本。

4.7 算法事實檢查

誤導性和徹頭徹尾的虛假信息已經汙染了互聯網和我們的社交媒體渠道，日常消費者難以應對，旨在傳播謊言的算法可以比人類的事實核查器工作得更快。人工智能研究人員一直在研究使用框架語義的自動化技術。框架是描述特定事件、情況、對象或關係及其參與者的示意圖。

4.8 數據挖掘群

智能手機擁有量已經達到臨界值，人們對各種網絡的使用也達到臨界值。人類的數據不僅可以跟蹤我們自己，還可以供任何人搜索、收集和分析。預計更多的新聞機構以及營銷人員、活動家和其他團體將開始以創造性的方式利用這些數據。

4.9 深度鏈接

自智能手機問世以來，深度移動連接就一直存在，它使人們更容易在手機中的所有應用程序中查找和共享數據。深度鏈接的使用方式現在已經模糊了消費者的信息。

5. 消費品和服務

5.1 環境計算擴展

環境計算系統承諾優先考慮許多與人類行為相關的決策，代表人們授權它們，甚至根據環境自主地為人們回答。在沒有直接監督和投入的情況下，很多無形的決策都會發生。使環境設計如此誘人的是，它應該要求我們在不久的將來做出越來越少的決定。把它看作是一種意圖的自動完成。

5.2 無處不在的數字助理（DAs）

在很多地方都可以找到數字助理。現在有成千上萬的應用程序和小工具可以跟蹤和響應 DAs。新聞機構、娛樂公司、營銷人員、信用卡公司、銀行、地方政府機構（警察、公路管理局）、政治活動和許多其他機構都可以利用 DAs 來顯示和提供關鍵信息。

5.3 人工智能致力藥物研發

2018 年和 2019 年，製藥公司加大了研究力度，以確定人工智能是否可以用於藥物開發的每個階段，從假設、挑選更好的化合物和確定更好的藥物靶點，到設計更成功的臨床試驗和跟蹤現實世界的結果。

5.4 人工智能面試

識別系統現在可以用來觀察人們被面試的過程，來衡量面試者的熱情、堅韌和沉著。算法分析數以百計的細節，比如面試者的語調、面部表情和行為習慣，試圖預測面試者將如何適應一個社區的文化。

5.5 消費者級人工智能應用

新的自動機器學習平臺使非專家能夠建立和部署預測模型。許多人希望，在不久的將來，人們將使用各種各樣的人工智能應用程序作為日常工作的一部分，就像人們今天使用微軟 Office 或谷歌文檔一樣。

6. 人工智能與地緣政治、地緣經濟與戰爭

6.1 新的高科技工業綜合體

在過去的幾年裡，美國一些最大的中情局公司開始與軍方合作，推進研究，尋找銷量，開發新的技術系統，可以在各種情況下部署。

2017 年，美國國防部成立了一個算法戰爭跨職能團隊，致力於一個名為 “Maven 項目” 的項目，這是一個計算機視覺和深度學習系統，可以自動識別靜止圖像和視頻中的物體。該小組沒有必要的人工智能能力，因此國防部與谷歌簽訂合同，幫助訓練人工智能系統分析無人機畫面。但被分配到這個項目的谷歌員工並不知道他們實際上在做一個軍事項目，這導致了引人注目的反彈。

多達 4000 名谷歌員工簽署了一份請願書，反對 Maven 項目。他們在《紐約時報》上登了一整版廣告，最終數十名員工辭職。最終，谷歌表示不會與國防部續簽合同。

6.2 國家情報戰略

在過去的幾年裡，人工智能的危險性得到了極大的緩解。從自駕車事故到通過造謠活動進行選舉，再到通過面部識別和自動搜索增強的政治壓制，谷歌員工抗議該公司在美國軍事項目上的情報工作。在地緣政治、地緣經濟和戰爭面紗的第十三個年頭，很明顯，國際情報局正在改變國家、公司和公民的安全環境。

現在，幾乎沒有一種技術能夠觸及人類的方方面面，世界各國都在競相制定和公佈自己的人工智能戰略和指導方針。

6.3 建立人工智能規則的競賽

去年，中國在全球率先制定了一套規範和標準，以管理人工智能的未來，隨後，許多國家和地區爭相出臺相關的政策，隨著人工智能在中國、歐盟和美國繼續按照不同的規則發展，全球 AI 學術領域的合作可能會急劇下降。

6.4 算法戰爭

我們未來的戰爭將以代碼作戰，使用數據和算法作為強大武器。當前的全球秩序正在被人工智能所塑造，而世界各國在美國、中國、以色列、法國、俄羅斯、英國和韓國等國家的研究也在發展包括至少一些自主功能的武器系統。

FTI 分析表明，未來的戰爭不僅僅包括傳統武器。使用人工智能技術，軍隊可以通過破壞經濟穩定而不是摧毀農村和城市中心來 “取勝”。

6.5 人工智能自我解釋

毫無疑問，你聽過有人說人工智能正在變成一個 “黑匣子”—— 即使是在這個領域工作的研究人員也不明白我們最新的系統是如何工作的。這並不完全正確，但是越來越多的計算機科學家、記者和法律學者表示擔心，他們認為人工智能系統不應該如此秘密。但要求人工智能的透明度可能會洩露公司的商業機密。要求系統同時解釋其決策過程也會降低輸出的速度和質量。

6.6 在關鍵系統中使用人工智能

機器學習保證了人們關鍵基礎設施系統的效率和新的保障措施。為此，政府研究人員正在探索如何率先開發關鍵系統：道路和鐵路運輸系統、發電和配電以及預測救護車和消防車等公共安全車輛的路線。人們不再回避人工智能系統，而是對利用這項技術預防災害和提高安全性產生了新的興趣。

7. 中國人工智能規則

7.1 中國規則

如果認為中國是一個只是複製而不是創新的國家，麻煩再想一想。中國已經是人工智能領域的全球領導者。該國在許多領域取得了巨大的進步，但尤其是在人工智能企業和政府已經合作了一個全面的計劃，使中國在 2030 之前成為世界上主要的人工智能創新中心，並且它已經朝著這個目標邁進了一大步。同時賦予了中國三大公司百度、阿里巴巴和騰訊一個稱號 ——BAT。目前，中國的人工智能初創企業幾乎佔到所有人工智能全球投資的一半。

7.2 中國的數據盈餘

中國人口眾多，接近 14 億人，為那裡的研究人員和初創企業提供了未來人類數據中最有價值的自然資源，而不受世界許多地方普遍存在的隱私和安全限制。如果數據是新的石油，那麼中國就是新的歐佩克。中國人正在挖掘的這種豐富的數據可以用來訓練人工智能，挖掘從教育、製造到零售和軍事應用等各個領域的模式。

8. 人工智能與社會

8.1 人工情感智能

根據信諾健康服務機構的研究，在過去的 50 年裡，美國人的孤獨率翻了一番。兩年前，英國前總理 Theresa May 創造了一個新的內閣職位，世界上首位孤獨部長。在我們日益緊密聯繫的世界裡，報告說人們感到更加孤立。在未來，像韓國這樣正在與大規模心理健康危機作鬥爭的政府，可能會轉向情感支持機器人來大規模解決這個問題。

8.2 個人數碼雙胞胎

去年中國中央電視臺的春節聯歡晚會上，四位著名的人類主持人與他們的數碼雙胞胎一起亮相。據估計，有 10 億人觀看，這些人工智能複製品模仿了人類的同類，沒有預先設定的行為、演講或程序。不久的將來，可能會有一對數字雙胞胎，面向包括健康和教育在內的多個領域的專業人士。

8.3 問題數據集

人工智能本身並沒有偏見，但是數據輸入方法和輸入數據的人可以顯著改變人工智能的行為。從真實的人那裡獲取真實的數據來訓練系統很困難，而且隨著新的隱私限制，開發人員可能會選擇更多地依賴公開的和有問題的數據集。

8.4 人工智能識別欺騙性為

人工智能也被用來識別欺騙行為。ECRI 研究所的 Crosscheq 使用機器學習和數據分析來尋找招聘過程中的誇張和誤導信息。德雷克塞爾大學的研究人員開發了一個應用程序，利用生物特徵來預測節食者何時可能偏離規定的飲食方案。

在世界各地的國家，人工智能正被用於邊境口岸、貧困社區以及存在犯罪問題的學區。大多數時候，這項技術被稱為一種解決方案，但它有助於剝奪弱勢社區的公民權。

8.6 人工智能存在偏見

隨著計算機系統越來越擅長做決定，算法可能會把人們每個人分成對我們自身來說沒有任何明顯意義但可能產生巨大影響的組。每一天，人們都在創造難以想象的數據量，這些數據是通過算法挖掘和使用的，通常沒有您的直接知識或理解。它被用來製作廣告，幫助潛在的僱主預測我們的行為，確定我們的抵押貸款利率，甚至幫助執法部門預測我們是否可能犯罪。

8.7 人工智能故意隱藏數據

計算機正是按照命令來做的。命令一臺機器在比賽中獲勝，它將盡其所能實現這一目標。顯然現在包括作弊，而且這種情況發生的越發頻繁。

目前，研究人員沒有義務報告涉及我們的數據或人工智能過程的事故或事件，除非違反了法律。雖然大公司必須告知消費者其個人數據信用卡號碼、家庭住址、密碼是否被盜，但它們不必公開算法基於種族或性別歧視某人的實例。

8.9 人工智能與數字紅利

人工智能將不可避免地導致全球勞動力的轉移，導致許多行業的失業。數字紅利則是一種公司向社會償還一部分從人工智能獲得的利潤的方式。

8.10 優先考慮責任和信任

人們依賴於對人工智能的信任將不再能夠判斷一個數據集是否被有意或無意地篡改，如果我們不再相信這個結果，幾十年的研究和技術進步將一無所獲。政府、企業、非營利組織等各個部門的領導人都必須對所使用的數據和算法有信心。

此外，僱傭倫理學家直接與管理者和開發人員合作，並確保開發人員本身代表不同種族、民族和性別的多樣性，將減少人工智能系統中固有的偏見。

最後，這份報告還涵蓋了包括量子計算、合成材料在內的其他眾多領域的技術趨勢，但是由於篇幅所限，在這裡不能一一翻譯整理，感興趣的朋友可以在公眾號後臺回覆 “2020 科技趨勢” 查看報告完整版。

未來今日研究所官方網址：

https://futuretodayinstitute.com/2020-tech-trends/

閱讀更多 鈦媒體APP 的文章

關鍵字: 麻省理工學院 機器人 電腦