2025 年及以后人工智能的未来（一）

2021-08-31 20:15:53 来源：千家网作者：

到 2025 年，人工智能 (AI) 将经过高效处理当今的一些杂乱使命来明显改进咱们的日常日子。

抢先的人工智能研讨人员 Geoff Hinton 标明，很难猜测人工智能将在五年后带来什么前进，并指出指数级的前进使得不确认性太大。

因而，本文将考虑咱们在不同经济部门的开展进程中将面对的机会和应战。因而，它并非翔实无遗。

到 2025 年将是为 5G 和一切经济部门的安排推出必要的基础设备，转变为数据驱动的安排的时期; 到 2020 时代后期，5G 将在首要经济体中很多推行，掩盖规模将扩展到大城市之外，并经过人工智能和机器人技术进入农村地区，然后影响农业; 跟着 5G 的遍及和全息技术的频频运用，增强实践和虚拟实践 (AR/VR) 技术将取得重视; 跟着深度学习，特别是深度强化学习在整个经济范畴取得严重进展，人工智能将成为一切安排和经济各个部门的中心; 正如 Moven 的首席履行官兼 Augmented 的作者 Brett King 指出的那样：“……社会将遭到技术的影响，这些技术将在未来 20 年比过去 250 年更能改动国际。”这是本文的中心主题。 MIT CSAIL 的一个部分论述了咱们未来旅程的途径; 这是一个系列的一部分，将扼要介绍通用人工智能 (AGI)，由于在本系列的第 3 部分中将概述取得 AGI 的应战，以及量子核算和有关医疗保健的更多细节; 一小部分将谈论人类经过与脑机接口 (BCI) 相关的 AI 增强自己的才能; 需求对国际各地的教育体系进行严重练习和变革，以便在咱们过渡到新的数据驱动型经济时最大化收益。

人工智能的简略回忆

人工智能

人工智能触及开发核算体系的范畴，这些体系能够履行人类十分拿手的使命，例如辨认物体、辨认和了解语音以及在受限环境中进行决议计划。人工智能的一些经典办法包括(非翔实列表)查找算法，如宽度优先、深度优先、迭代深化查找、A* 算法，以及逻辑范畴，包括谓词演算和命题演算。还开发了部分查找办法，例如模拟退火、爬山、波束查找和遗传算法。

机器学习

机器学习被界说为运用核算办法使核算机体系能够从数据中学习以完结终究目标的人工智能范畴。该术语由 Arthur Samuel 于 1959 年引进。技术示例的非翔实列表包括线性回归、逻辑回归、K-均值、k-最近邻 (kNN)、朴素贝叶斯、支撑向量机 (SVM)、决议计划树, 随机森林, XG Boost, Light Gradient Boosting Machine (LightGBM), CatBoost。

深度学习

深度学习是指具有多个躲藏层的神经网络范畴。这种神经网络一般被称为深度神经网络。神经网络是受生物学启示的网络，它以分层办法从数据中提取笼统特征。将在未来十年发挥效果的关键技术包括生成对立网络 (GAN)、循环神经网络，包括长短期回忆网络 (LSTM)、自注意力(self-attention)(NLP 和或许的时刻序列)和胶囊网络(一个正在进行的研讨范畴)。本系列的后续部分将更具体地谈论深度强化学习。

进化遗传算法和神经进化范畴也将在本系列的未来部分进行更具体的考虑。联邦学习和差异化隐私的效果也将在今后的文章中考虑。

出于本文的意图，我将考虑人工智能包括机器学习和深度学习。

狭义人工智能：机器被规划为履行单个使命而且机器十分拿手履行该特定使命的人工智能范畴。可是，一旦机器经过练习，它就不会泛化到看不见的范畴。这便是咱们今日具有的人工智能办法，例如谷歌翻译。

通用人工智能 (AGI)：一种人工智能办法，能够完结人类能够完结的任何智力使命。它更有认识，做出的决议类似于人类做出决议的办法。 AGI 在这一刻仍然是一个希望，对它的到来有各种猜测。它或许会在未来 20 年左右呈现，但它面对着与硬件、当今强壮机器所需的能源消耗以及处理灾难性回忆丢失相关的应战，即使是当今最先进的深度学习算法也或许会遭到影响。

超级智能：是一种在一切范畴都超越人类体现的智能办法(由 Nick Bostrom 界说)。这指的是一般才智、处理问题和发明力等方面。

有关 AI 和机器学习类型的更多具体信息，请参阅 KDnuggets的文章： Machine Learning and Deep Learning (来历：https://www.bbntimes.com/companies/understanding-artificial-intelligence-machine-learning-and-deep-learning)

人工智能将成为一切安排的中心

麦肯锡出书了一份名为“人工智能前沿的笔记：深度学习的运用和价值("Notes from the AI frontier: Applications and value of Deep Learning，https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-applications-and-value-of-deep-learning)”的具体而有用的出书物，观察到“咱们收拾和剖析了 19 个职业和 9 个事务功能的 400 多个用例。他们供给了对特定范畴的洞察力深度神经网络或许发明最大价值的范畴，这些神经网络与传统剖析比较能够发生的增量进步(图 2)，以及有必要满意的很多数据需求——在数量、品种和速度方面——以完结这一潜力。”麦肯锡还明晰标明，他们的用例库尽管广泛，但并非翔实无遗，而且或许会导致对特定职业潜力的高估或轻视，而麦肯锡将持续对其进行完善和弥补。

尽管麦肯锡的研讨供给了全面而有用的概述，但我信任深度学习的影响将比麦肯锡猜测的要大，由于卷积神经网络 (CNN) 等技术将对医疗保健等范畴发生严重影响。仅举几个比如，如保险职业具有零售职业的主动化视觉查找，以及无需在收银员处付款直到店内运用 Amazon Go 和在银职事务中运用 KYC 进行身份验。

此外，一些用于成功练习具有较小数据集的深度神经网络的技术估计将在未来十年内投入生产，然后使深度学习能够在整个经济中进一步扩展。这在下面供给的一些新技术的简略回忆部分中进行了处理。

我信任在 2019 年至 2029 年期间，值得从头审视 Andrew Ng 的谈论，他说：

“咱们需求一个适用于 AI 的金凤花姑娘规矩(适可而止)：”

“太达观了：深度学习为咱们供给了一条通往 AGI 的明晰路途!”

“太失望了：深度学习有局限性，所以人工智能冬季来了!”

“适可而止：深度学习不能做一切作业，但会改进无数人的日子并发明巨大的经济增加。”

正如Jason Brownlee在《Deep Learning & Artificial Neural Networks(https://machinelearningmastery.com/what-is-deep-learning/)》中引证Andrew Ng的作业所述，“跟着咱们构建更大的神经网络并运用越来越多的数据来练习它们，它们的功能将持续进步。”这与其他功能趋于稳定的机器学习技术一般是不同的。”

Source for image above Andrew Ng

如前所述，正在进行很多研讨以答应深度学习也成功地练习和扩展较小的数据集。

答应深度神经网络精确练习较小数据的新技术将投入生产

较早的文章“更智能的 AI 和深度学习(Smarter AI & Deep Learning，https://www.linkedin.com/pulse/smarter-ai-deep-learning-imtiaz-adam/)”中供给了一个示例，该文章考虑了简化和改进深度神经网络练习的潜力。它考虑了 MIT CSAIL 的 Jonathan Frankle Michael Carbin 宣布的 The Lottery Ticket Hypothesis:Finding Sparse, Trainable Neural Networks 以及 Adam Conner-Simons 在更智能的神经网络练习中供给的有见地的总结。

文章指出，麻省理工学院 CSAIL 项目标明，神经网络包括小 10 倍的“子网络”，它们能够相同好地学习——而且一般更快。

现在，咱们日子中简直一切根据人工智能的产品都依靠于主动学习处理符号数据的“深度神经网络”。

“不过，关于大多数安排和个人来说，深度学习很难进入。要学习好，神经网络一般有必要十分大，而且需求很多数据集。这个练习进程一般需求多天的练习和贵重的图形处理单元 (GPU) ) - 有时乃至是定制规划的硬件。”

可是，假如它们实践上底子不用那么大怎么办?

在一篇新论文中，麻省理工学院核算机科学与人工智能实验室 (CSAIL) 的研讨人员标明，神经网络包括的子网络最多可缩小 10 倍，但能够经过练习做出相同精确的猜测——有时能够学会这样做乃至比原版还快。

Will Knight 在 MIT Technology Review 上的一篇文章报道说，“两种相互竞争的 AI 办法结合起来，让机器像孩子相同了解国际”。该文章与题为 The Neuro-Symbolic Learner: Interpreting Scenes, Words, and Sentences form Natural Supervision 的论文相关，是 MIT CSAIL、MIT Brain Computer Science、MIT-IBM Watson AI Lab 和 Google DeepMind 的联合论文。

《技术谈论》中的 Will Knight 观察到：

“更实践的是，它还能够敞开人工智能的新运用，由于新技术需求的练习数据要少得多。例如，机器人体系终究能够即时学习，而不是花费很多时刻为它们所在的每个共同环境进行练习。 ”

“这真的令人兴奋，由于它将让咱们脱节对很多符号数据的依靠，”领导 MIT-IBM Watson AI 实验室的科学家 David Cox 说。

或许 Capsule Networks 也将投入生产。

此外，这将是深度强化学习将对机器人和其他自主体系等范畴发生严重影响的时期。例如，Seth Adler 撰写了“强化学习快速攻略”并供给了对制作业影响的示例，其间日本制作商Fanuc “机器人运用深度强化学习从一个盒子中选择一个设备并将其放入一个容器中。是否不管成功或失利，它都会记住目标并取得常识并练习自己以极快的速度和精确度完结这项作业。”未来十年，此类技术将在制作业中变得遍及，而且 GAN 和深度强化学习将更频频地运用于运送(主动驾驶轿车)和制药职业(药物发现)。

数据科学和机器学习功能将直接向 CEO 陈述

在伦敦 CogX 期间，我参加了麦肯锡公司 Quantum Black (@quantumblack) 的一次讲演，其间指出机器学习/数据科学担任人在企业中的人物正在从核算和编码之外演变为一个数据科学担任人将担任做出与事务相关的判别，在 2020 时代期间，人工智能和数据科学功能将直接归安排首席履行官。

到 2025 年，智能主动化将阅历巨大的增加

毕马威的一份陈述猜测，包括人工智能和机器人进程主动化 (RPA) 技术的智能增强事务开销将从 2018 年的 124 亿美元增加到 2025 年的 2320 亿美元。

到 2030 年，人工智能将推进全球经济增加。

普华永道猜测，到 2030 年，人工智能对全球经济的潜在奉献将抵达 15.7万亿美元，到 2030 年，人工智能对当地经济的 GDP 奉献高达 26%。

AI 无处不在

在边际处理 AI 作业负载的一个首要优势是，相关于等候来自长途根据云的服务器的查询呼应，推迟大大削减。因而，未来的摄像机、机器人和核算机将能够做出改进和更正确的判别，而不是不断地查询长途云服务器并在做出决议之前等候。例如，主动驾驶轿车需求实时决议是左转仍是右转，而不是等候服务器做出呼应。此外，运用核算机视觉的无人机将经过在设备上运用人工智能来调整自己的飞翔途径来进步可靠性。

Jason Compton 在一篇题为“边际人工智能及其范式改动效应(Edge AI And Its Paradigm-Changing Effects)”的文章中指出，跟着传感器在才智城市中的广泛运用，边际核算的增加在其间他观察到“设备上的人工智能能够经过运用嵌入式传感器来改进榜首呼应者的告诉时刻“在路灯等城市基础设备中，评价布景噪音并确认是否存在紧急状况。人工智能还能够让交通摄像头经过车牌的光学辨认以及图画和色彩匹配来当即辨认车辆。”

这将为急救人员在抵达现场之前了解状况节约名贵的时刻。此外，在边际选用 AI 将能够当即辨认制作设备中事务流程的中止，然后向工厂中的人员提出有关导致问题的原因(例如组件毛病)以及怎么发生的主张以最好的办法对事情做出反响，以将丢失降到最低，并在最快的时刻内康复正常运营。

在此期间，深度强化学习将频频布置到咱们周围的日常活动中。例如Zhu等人 “无人机辅佐车辆网络的深度强化学习("Deep Reinforcement Learning for Unmanned Aerial Vehicle-Assisted Vehicular Networks”，https://arxiv.org/pdf/1906.05015.pdf)提出布置无人机(UAV)以弥补未来才智城市的 5G 通讯基础设备。热门简单呈现在路途交叉口，车辆之间的有用通讯具有应战性。无人机能够作为中继器，具有价格低廉、布置便利、视距链接、机动灵活等长处。