首页 生活 正文

《2020科技趋势报告》:AI 和中国,成为未来科技世界关键词

2020-03-18 11:57   来源: 互联网

图片来源@视觉中国

文|学术头条

近日,未来今日研究所(Future Today Institute)发布了最新版《2020 年科技趋势报告》,其中包括对人工智能在内的多项前沿科技未来一年的发展前景进行了展望。根据报告,未来世界科技产业将由中国、人工智能等趋势塑造。

《2020 科技趋势报告》由未来今日研究所和纽约大学斯特恩商学院(New York University's Stern School of Business)主任艾米 韦伯(Amy Webb)教授共同撰写,这次已经是第 13 年发布。这份报告试图认识到技术与未来不确定性之间的联系,比如 2020 年美国总统大选的结果,以及冠状病毒等流行病的传播。

在所有前沿科技中,人工智能再次成为该榜单的第一名。韦伯表示,人工智能将引发第三次计算浪潮,带来积极的影响,例如 AlphaFold 在发现疾病的治疗方法中可以发挥的作用;但也会带来消极的影响,例如它当前对刑事司法系统的影响。

一些科技巨头,例如美国的 Amazon、IBM、Facebook、Google 和 Microsoft,以及中国的腾讯、阿里和百度,继续在全球科技领域发挥最大的影响力。韦伯已经在 2019 年出版的《九大巨头》中预测了这些公司将如何塑造世界。

“ 这 9 家公司推动了人工智能的大部分研究、资金、政府参与和消费级应用。大学的研究人员和实验室依靠这些公司提供数据、工具和资金。九大人工智能公司也对人工智能合并和收购产生了巨大影响,为人工智能初创公司提供资金并为下一代开发人员提供支持。”

同时,报告指出,中国的企业和政府正在全面合作,以使其在 2030 年之前成为全球主要的人工智能创新中心。

与中国相比,美国拥有众多组织和中心,但是,这些机构 “缺乏机构间合作和协调的努力”,在行动目标、研发工作安排和资金周转方面存在不协调的情况。

据了解,每年韦伯通常会在德克萨斯州奥斯汀举行的 SXSW 会议上,以一场演讲作为报告发布的开头,但是由于冠状病毒的影响,今年的会议已经取消。

未来今日研究所这份报告对人工智能领域的科技预测可谓面面俱到,无论是对于人工智能企业、人工智能研究者,还是人工智能学习者,这都是一份比较详尽的报告。限于篇幅,学术头条精选了报告中关于人工智能的部分内容进行翻译,希望对读者有参考价值。

1.AI 与企业

1.1 利用人工智能加速科学发现的进程

用几个变量进行实验,通常需要对测量、材料和输入进行微小的、系统的调整。研究生们可能会花上几百个无聊的小时,一次又一次地做一些小的调整,直到找到一个解决方案。越来越多的人工智能系统被用于研究实验室,以加快科学发现的进程。

1.2 云端人工智能

人工智能生态系统内的企业领导者一直在竞相抢占人工智能云共享平台,并成为远程服务器上最受信任的人工智能提供商。企业客户也可能会坚持最初选择的供应商,因为机器学习系统访问的数据越多,随着时间的推移则能不断学习做出更好的决策。

1.3 线下人工智能

可以在设备上进行这种由本地人工智能驱动的处理和决策,在云或互联网上没有任何数据交互——这是一种使用所谓 “边缘计算” 的技术。直接在设备上处理数据,在未来对于医疗保健、汽车和制造业应用将非常重要,因为它可能更快、更安全。

1.4 机器人流程自动化

机器人流程自动化(RPA)使企业能够在办公室内自动化某些任务和流程,从而使员工能够将时间花在更高价值的工作上。RPA 最终将他们的生产力提升到更高的水平,这将使媒体和娱乐公司能够在许多不同领域做出更好的实时预测性决策,从客户服务到成本节约。

1.5 企业中的数字双胞胎和认知双胞胎

数字双胞胎是真实世界环境、产品或资产的虚拟表示,用于多种目的。制造商使用数字双胞胎来管理机器和工厂的性能和效率,而城市规划者则使用它们来模拟新开发项目的影响。

1.6 认知机器人

随着人类和机器更加紧密地合作,机器人有机会根据环境学习和适应新的技能。机器学习、深度强化学习、计算机视觉和模拟环境的发展将很快导致具有早期认知能力的机器人出现。应用包括环境清理、探索危险地形和协助急救人员。

1.7 先进的人工智能芯片

神经网络长期以来需要巨大的计算能力,需要很长时间的训练,并且依赖于消耗数百千瓦电力的数据中心和计算机。一些知名企业已经致力于研究使芯片更容易在人工智能项目上工作,并且应该保证更快、更安全的处理。

1.8 无服务器计算

亚马逊网络服务、阿里云、微软 Azure、谷歌云和百度云正在为开发者推出新的产品和软件包,希望能让一大批人工智能初创企业更容易、更实惠地将自己的创意投放市场。

1.9 专业化、本土化的人工智能语言

Python 是一种领先的语言,有许多预先构建的库和框架。Julia 是麻省理工学院开发的一种专注于数值计算的开源语言。当然还有 Lisp,由现代人工智能的前辈约翰 麦卡锡在 1958 年创造的。

1.10 Franken 算法的扩散(Proliferation of Franken-algorithms)

算法只是定义和自动处理数据的规则。它们是用计算机能够理解和处理的 “如果这个,那么那个” 逻辑来构建的。开发人员并不总是提前知道一个算法将如何与其他算法一起工作。有时,几个开发团队都在独立地处理不同的算法和数据集,只有在部署后才能看到他们的工作。这一直是导致最近股市出现故障和电子商务网站发力的原因。

1.11 为了竞争而操纵 AI 系统的公司

过去几年,亚马逊、谷歌和 Facebook 都因操纵搜索系统,将对公司更有利的结果进行优先排序而受到抨击。对搜索算法的调整会对互联网用户的看法产生重大影响,无论是新闻、销售产品还是广告。美国和欧盟目前正在调查亚马逊同时扮演搜索引擎、市场运营商和自有产品销售商的角色。立法者尚未就操纵算法以获得竞争优势是否符合反垄断活动的标准达成一致。

1.12 企业生物识别欺骗

在实施监控和认证员工的人工智能系统之前,公司可能会三思而后行。机器学习的新技术导致了合成指纹和其他能够欺骗监控系统的自动生成生物识别器。

1.13 人工智能机器人

bot,在最基本的层次上,是设计用于自动化指定任务的软件应用程序。它们可以是基于文本或音频的,并且可以跨各种平台部署。机器人技术的下一个重大进步不是技术性的,而是监管性的。

2. 人工智能与商业生态系统

2.1 全球对人工智能的投资热潮

众所周知,人工智能人才短缺,每个行业都希望将人工智能融入其核心业务职能。因此,在全球范围内都在争先恐后地为人工智能研究提供资金,并收购初创企业。

2.2 算法市场

在 21 世纪一零年代,大型科技公司、初创公司和开发者社区利用算法市场来分享和销售他们的作品。2018 年,微软斥资 75 亿美元收购了 GitHub,这是一个流行的开发平台,允许任何人托管和审查代码,与其他开发人员合作,并构建各种项目。

2.3 市场整合

尽管人工智能的生态系统正在蓬勃发展,但收购热潮也意味着整合。现在,大公司在有时间成熟之前就开始创业,收购的平均年龄是 3 岁。只有 9 家大公司占据了人工智能的主导地位:美国的 Amazon、 Google、Microsoft、 IBM、Facebook 和苹果,中国的巨头百度、阿里巴巴和腾讯。

2.4 破碎

人工智能的生态系统覆盖了数百家公司。许多政策团体、倡导组织和政府都在制定指导方针、规范和标准以及政策框架,希望以此来指导人工智能的未来发展。因此,生态系统在两个方面支离破碎:基础设施标准和治理。

2.5 人工智能责任

当机器运转不好时,谁该受责备?我们目前的法律体系是为了规范人类行为,而不是无监督机器的行为。当企业急于构建和实施人工智能产品和流程时,他们必须提前计划新出现的风险。

2.6 环境监测

关门后发生的事情可能不会是长期的秘密,高管们应该提防新的环境监测方法。人工智能可能很快拥有 x 光视觉能力,这对从事敏感项目的公司来说可能不是什么好消息。从事信息安全和风险管理工作的人应特别关注计算机视觉的发展。

3. 过程、系统与计算机神经科学

3.1 从平面二维图像创建三维模型

研究人员使用大量的三维模型、转换成三维模型的图像和从不同角度显示物体的二维图像训练神经网络。结果:一个新的系统,可以渲染三维模型,无需任何人为干预。实际应用包括仅使用二维图像自动生成环境真实模型的机器人。

3.2 神经符号人工智能算法与系统

人工智能的发展一直走在两条概念轨道上:符号(机器使用表示概念的知识和规则基础)和非符号(机器使用原始数据创建自己的模式和概念表示)。神经网络将通过符号来理解数据,而不是总是依赖人类程序员为数据排序、标记和编目。符号算法将有助于这一过程,这最终将导致不总是需要人来训练的鲁棒系统。

亚马逊的重新命名识别知名人士,帮助人们 “为营销、广告和媒体行业使用案例提供视频和照片目录”。

3.3 实时机器学习

人工智能的一大挑战是构建能够主动收集和解释数据、识别模式和整合上下文并最终实时学习的机器。对实时机器学习(RTML)的最新研究表明,使用连续的事务数据流和实时调整模型是可能的。这标志着数据移动方式和我们检索信息的方式发生了重大变化。

3.4 自然语言理解(NLU)

NLU 允许研究人员通过提取概念、映射关系和分析情感来量化和学习所有文本,并且他们在过去一年中取得了一些令人印象深刻的进步。在最近的一次语言理解评估竞赛中,中国的百度击败了谷歌和微软,成为第一个开发不仅能懂英语,还能懂中文的技术的公司。

3.5 机器阅读理解(MRC)

对于人工智能研究者来说,机器阅读理解(MRC)一直是一个具有挑战性的目标,但却是一个重要的目标。MRC 使得系统能够在筛选大量数据集的同时读取、推断意义并立即给出答案。它代表了实现人工通用智能的必要步骤,在短期内,它可能将从技术手册到历史地图,再到我们的医疗记录,一切都变成易于搜索的信息存储库。

3.6 自然语言生成(NLG)

随着数字助理的日益普及,消费者希望能够与机器进行自然对话。但是训练人工智能系统需要大量的数据。自然语言生成(NLG)系统自动检测、分析、可视化和叙述关键数据。NLG 的一个可能性是:开发一个可以使用简单语言向他人解释自己和所做决定的系统。

3.7 机器学习中的实时上下文(Real-Time Context in Machine Learning)

世界上充斥着信息、错误信息和肤浅的思想,机器学习中的实时上下文技术旨在帮助人们实践推理、发展见多识广的论点并得出可靠的结论。

3.8 一般强化学习算法

研究人员正在开发能够学习多个任务的单一算法,AlphaZero。它不仅能在围棋中获得超人的表现,还能在其他游戏中获得超人的表现,包括国际象棋和日本象棋。这一个算法从游戏规则之外的知识开始,最终发展出自己的策略来击败其他玩家。

3.9 深度学习范围

程序员使用特殊的深度学习算法,同时使用大量的数据,通常是数兆字节的文本、图像、视频、语音等,系统被训练成独立学习。虽然概念上的深度学习并不是什么新鲜事,但最近发生的变化是计算量和可用的数据量。实际上,这意味着越来越多的人工过程将被自动化,包括软件的编写,计算机很快就会开始自己编写。

3.10 更快、更强大的开源框架

硬件升级和更快的芯片将有助于使开源框架在未来几年变得更快和更流行。

3.11 强化学习与分层学习

强化学习是解决决策问题的有力工具,它被用来训练人工智能系统以获得超人的能力。在计算机模拟中,一个系统尝试、失败、学习、实验,然后快速连续地再次尝试,每次都会改变它未来的尝试。

3.12 持续学习

目前,深度学习技术已经帮助系统学习以更接近人类所能做的方式解决复杂任务,但这些任务仍然是特定的,它们需要一个严格的序列,而且可能很耗时。持续学习(CL)更多的是关于自主和渐进的技能培养和发展,研究人员将继续在这一领域不断地突破可能的极限。

3.13 多任务学习

在过去的一年里,卡内基梅隆大学和 Facebook 的人工智能实验室的研究人员发布了一款名为 Pluribus 的多人扑克人工智能,扑克也让多个玩家相互竞争,获得胜利比抓取游戏碎片要复杂得多。Pluribus 学会了同时做几件事,并建立了自己的战略来赢得胜利。

3.14 生成性对抗网络

生成性对抗网络(GANs)是本世纪最有趣的想法,在过去几年里,GANs 有了巨大的进步。把一个 GAN 想象成图灵测试,但是没有任何人类参与。GANs 是一个无监督的深度学习系统,由两个相互竞争的神经网络组成,它们在相同的数据(如人的图像)上进行训练。仅去年一年,就有许多有趣的实验涉及 GANs。

研究人员维克多 迪比亚(Victor Dibia)训练了一个 DCGAN 模型(深度卷积世代对抗网络)来生成非洲面具。

3.15 新的生成建模技术

自回归隐式分位数网络(简称 AIQN)听起来很复杂,但它是一个创新的想法,有助于改进算法,使它们更稳定。这意味着:这可能会加快人工智能的发展步伐 —— 这可能意味着整个生态系统中更快的机遇和创新。

3.16 概率规划语言

概率编程语言减轻了开发概率模型的一些压力和繁琐。这些较新的语言允许开发人员构建、重用和共享他们的模型库,同时仍然容纳不完整的信息。

3.17 机器图像完成(Machine Image Completion)

如果一个计算机系统能够访问上百万的图片,就说它可以修补和填补图片中的漏洞。这项功能对专业摄影师以及所有想拍出更好自拍的人都有实际的应用。图像完成也是执法和军事情报人员的一个有用工具,计算机现在可以帮助他们识别谁或什么是在框架中。考虑到我们已经在机器学习算法和数据集上看到的偏见,图像完成可能成为未来关于隐私和我们设备的争论的一部分。

3.18 混合人 - 计算机视觉分析

目前人工智能没有人的帮助还不能完全发挥作用。混合智能系统将人类和人工智能系统结合起来,以获得更高的精确度。

3.19 预测机器视觉

预测机器视觉研究有朝一日将使机器人能够更容易地在人类环境中导航,并通过从我们自己的肢体语言中获取线索与我们人类互动。它也可以用于零售环境,当我们操作机器,或当我们在教室学习。

3.20 自动机器学习(AutoML)

一些组织希望摆脱传统的机器学习方法,这种方法费时费力,需要数据科学家、人工智能领域的专家和工程师。自动机器学习(AutoML)是一种新的方法:将原始数据和模型匹配在一起以显示最相关的信息的过程。谷歌、亚马逊和微软现在提供了大量的 AutoML 产品和服务。

3.21 定制机器学习

不久,个人用户将上传他们自己的数据来定制现有的人工智能模型。例如,像 Google 的 Cloud AutoML 和 Amazon SageMaker Autopilot 这样的工具允许组织在没有受过高度培训的员工的情况下培训定制的机器学习模型。

3.22 图神经网络

气味分类是很棘手的,因为它需要一个多标签系统。谷歌的研究人员正在构建图形神经网络(graph neural networks),一种以图形为输入的特殊类型的深层神经网络以在分子水平上预测气味。

3.23 智能光学字符识别

一个持续的挑战是让机器认识到我们用书面表达自己的各种方式。光学字符识别(OCR)以固定的、可识别的格式工作,如公路标志和书中的文字。但是,OCR 往往不够聪明,无法识别不同的字体、独特的符号或只有一家公司的字段的电子表格。

4. 人工智能与内容创意

4.1 人工智能与创意过程

亚马逊的 DeepComposer 系统 “自动” 作曲。

生成性对抗网络(GANs)的能力远远超过生成深度假视频。研究人员正与艺术家和音乐家合作,创造出全新的创造性表达形式。从合成非洲部落面具到建立幻想的虚构星系,人工智能正被用来探索新的想法。

4.2 内容生成算法

一段时间以来,人们一直在训练计算机观看视频并预测我们物质世界中相应的声音。内容生成算法研究的重点是帮助系统了解物体在物理领域如何相互作用。

4.3 从短视频生成虚拟环境

自动生成的虚拟环境的未来应用非常广泛:考虑物流培训环境(仓库、工厂、航运中心)、城市规划模拟,甚至在游乐园和购物中心内测试客户流场景。

责任编辑:小林

分享到:
0
【慎重声明】凡本站未注明来源为"第一科技网"的所有作品,均转载、编译或摘编自其它媒体,转载、编译或摘编的目的在于传递更多信息,并不代表本站赞同其观点和对其真实性负责。如因作品内容、版权和其他问题需要同本网联系的,请在30日内进行!