人工智能是發展最快，最難以預測的行業之一。試想一下幾年前難以想象的所有事情：深度學習，人工智能驅動的機器翻譯，可以掌握最復雜游戲的機器人等。

[[286119]] 

但是嘗試預測AI的未來會是怎樣結果。我們詢問了科學家和AI專家關于他們認為來年AI領域將會發生什么的事情。這是您需要知道的。

人工智能將使醫療保健更準確，成本更低

飛利浦首席創新與戰略官Jeroen Tas告訴媒體：“人工智能在2020年的主要影響將是改變醫療工作流程，使患者和醫療專業人員從中受益，同時降低成本。它具有從多種醫院信息流(電子健康記錄，急診室入院，設備利用率，人員配備等)實時獲取數據并以有意義的方式進行解釋和分析的能力，從而可以實現廣泛的效率和醫療保健能力。”

Tas解釋說，這將以優化的計劃，自動報告和設備設置的自動初始化的形式進行，這將“根據個別臨床醫生的工作方式和個別患者的狀況進行定制-改善患者和工作人員的體驗，結果更好，并有助于降低成本。”

在許多醫療系統中，與復雜的流程，缺乏預防保健以及過度和不足的診斷和治療有關，造成了巨大浪費。這些都是AI真正可以發揮作用的領域，此外，人工智能最有希望的應用之一將是在'指揮中心'領域，這將優化患者流量和資源分配。

飛利浦是無縫集成到現有醫療保健工作流程中的必要AI支持應用程序開發的關鍵參與者。目前，飛利浦全球每2名研究人員中就有1名與數據科學和AI進行合作，開創了將該技術應用于醫療保健革命的新方法。

[[286120]] 

例如，塔斯(Tas)解釋了如何將AI與專業的臨床和領域知識相結合，將如何加快常規和簡單的是/否診斷的速度-不替代臨床醫生，而是騰出更多的時間讓他們專注于圍繞臨床醫生的困難，通常是復雜的決策單個患者的護理，支持AI的系統將跟蹤，預測和支持患者的分配以及醫務人員，ICU病床，手術室以及診斷和治療設備的可用性。

可解釋性和信任將受到更多關注

“ 2020年將是AI值得信賴的一年，” Element AI的咨詢和AI支持部門負責人Karthik Ramakrishnan說道：“ 2019年見證了AI道德規范和風險管理的早期原則的出現，并且已經在工具包和其他研究方法中實施這些原則的早期嘗試。可解釋性的概念(能夠解釋基于AI的決策背后的力量)也越來越廣為人知。”

當然，2019年人們對AI倫理的關注日益增強。今年早些時候，歐洲委員會發布了七套開發道德AI的指南。10月，由深度學習的先驅者之一Yoshua Bengio共同創立的Element AI與Mozilla基金會合作創建了數據信任關系，并推動了AI的道德使用。微軟(Microsoft)和谷歌(Google)等大型科技公司也已采取措施，使其AI開發符合道德規范。

Ramakrishnan提醒我們，在信任和AI在市場上出現了一些明顯的失敗之后，人們對道德AI的興趣日益增長，例如Apple Pay推出或最近對Cambridge Analytica丑聞的興趣激增。

到2020年，無論是否準備好，企業都將更加關注AI信任。希望看到風投也關注，新的初創公司將為解決方案提供幫助。

[[286121]] 

人工智能將減少對數據的需求

Affectiva首席執行官兼聯合創始人Rana el Kaliouby說：“我們將看到用于應對AI中數據挑戰的數據合成方法的興起。”深度學習技術需要大量數據，這意味著基于深度學習構建的AI算法只有在對大量數據進行訓練和驗證后才能正確工作。但是開發AI的公司常常發現，獲取正確的數據類型和必要的數據量具有挑戰性。

人工智能領域的許多研究人員正在開始測試和使用新興的數據合成方法，以克服他們可獲得的現實世界數據的局限性。借助這些方法，公司可以獲取已經收集的數據并將其綜合以創建新數據。

以汽車行業為例。隨著行業致力于開發先進的駕駛員安全功能并個性化運輸體驗，人們對了解車內人員的狀況非常感興趣。但是，收集實際的驅動程序數據既困難，昂貴又耗時。數據綜合正在幫助解決這一問題。

得益于生成對抗網絡(GAN)等領域的進步，許多AI研究領域現在可以合成自己的訓練數據。但是，數據綜合并不能消除收集現實世界數據的需求，el Kaliouby提醒說：“ 真實數據對于開發精確的AI算法始終至關重要。但是，數據綜合]可以擴充這些數據集。”

提高神經網絡的準確性和效率

波士頓大學計算機科學系副教授Kate Saenko表示：“神經網絡體系結構將繼續擴大規模和深度，并產生更準確的結果，并且將更好地模仿人類在涉及數據分析的任務上的表現。”“與此同時，提高神經網絡效率的方法也將得到改善，我們將看到在小型設備上運行更多實時且節能的網絡。”

Saenko預測，諸如Deepfake之類的神經生成方法還將繼續改善并創建對人類無法檢測到的文本，照片，視頻，音頻和其他多媒體的更加實際的處理。Deepfake的創建和檢測已經成為規則的追逐者。

隨著AI進入越來越多的領域，將會出現新的問題和擔憂。Saenko說：“隨著這些AI方法越來越廣泛地應用于社會中，它們將受到更多的可靠性和偏見的審查，例如，越來越多的地方政府出于隱私和公平考慮而考慮禁止使用AI技術進行監視。”

Saenko也是BU的計算機視覺和學習小組的主管，在研究視覺AI算法方面擁有很多年經驗。在2018年，她幫助開發了RISE，這是一種檢查計算機視覺算法做出的決策的方法。

自動化的AI開發

IBM Research AI副總裁Sriram Raghavan表示：“到2020年，我們期望在IBM所謂的“ AI for AI”領域看到重大的創新：使用AI來幫助自動化創建，部署，管理和操作AI模型生命周期中涉及的步驟和流程。

在過去的幾年中，人工智能的自動化已成為研究和開發領域的一個增長領域。一個示例就是Google的AutoML，該工具可簡化創建機器學習模型的過程，并使該技術可供更廣泛的受眾使用。今年早些時候，IBM推出了AutoAI平臺，該平臺可用于自動化數據準備，模型開發，功能工程和超參數優化。

Raghavan表示：“此外，我們將開始看到更多使用神經符號AI的示例，該方法將統計數據驅動的方法與強大的知識表示和推理技術相結合，從而產生可以從更少數據中學習的更具解釋性和魯棒性的AI。”

一個例子是Neurosymbolic Concept Learner，這是由IBM和MIT的研究人員開發的一種混合AI模型。NSCL將經典的基于規則的AI和神經網絡相結合，在解決當前AI模型的某些地方性問題(包括大量數據需求和缺乏可解釋性)方面顯示出了希望。

[[286122]] 

制造業中的AI

Neurala的首席執行官兼聯合創始人Massimiliano Versace說：“ 2020年將是制造業擁抱人工智能以實現生產線現代化的一年。”對于制造業而言，最大的挑戰之一就是質量控制。產品經理正在努力檢查每個單獨的產品和組件，同時還要滿足大量訂單的截止日期。”

Versace相信，通過將AI解決方案作為工作流的一部分進行集成，AI將能夠擴大并應對這一挑戰，就像電鉆改變了我們使用螺絲起子的方式一樣，AI將通過以下方式增強制造業中的現有流程：減輕了平凡和潛在危險任務的負擔，使員工有更多時間專注于創新產品開發，這將推動行業前進。

制造商將走向邊緣，隨著AI和數據的集中化，制造商被迫向頂級云提供商支付巨額費用，以訪問保持系統正常運行的數據。基于云的AI的挑戰刺激了一系列創新，以創建可以運行AI算法而無需鏈接到云的邊緣AI，軟件和硬件。

可以在邊緣部署和完善的培訓AI的新途徑將變得更加普遍。隨著我們進入新的一年，越來越多的制造商將開始轉向邊緣以生成數據，最小化延遲問題并減少大量的云費用。通過在需要的地方(邊緣)運行AI，制造商可以保持其數據的所有權。

人工智能的地緣政治含義

Symphony AyasdiAI首席執行官Ishan Manaktala說：“人工智能將在2020年及以后繼續成為國家軍事和經濟安全的頭等大事。”“政府已經在人工智能上進行了大量投資，作為可能的下一個競爭領域。中國已投資超過1400億美元，而英國，法國和歐洲其他地區已向AI計劃投入了超過250億美元。美國起步較晚，2019年在人工智能上的支出約為20億美元，到2020年將超過40億美元。

Manaktala補充說：“但是專家敦促增加投資，警告美國仍然落后。最近的美國國家人工智能安全委員會指出，未來十年中國可能會超過美國的研發支出。NSCAI在其初步報告中概述了五點：投資于AI研發，將AI應用于國家安全任務，培訓和招募AI人才，保護技術優勢以及統籌全球協調。”

藥物發現中的AI

Chooch首席執行官Emrah Gultekin表示：“我們預計，隨著人工視覺過程的自動化，藥物發現將在2020年得到極大改善，因為視覺AI將能夠大規模監視和檢測細胞藥物相互作用。”“目前，在臨床試驗中浪費了很多年，因為藥物研究人員正在做筆記，然后在電子表格中輸入這些筆記并將其提交給FDA批準。取而代之的是，由AI驅動的高度準確的分析可以大大加快藥物發現的速度。

[[286123]] 

藥物開發是一個漫長的過程，可能需要長達12年的時間，涉及數千名研究人員的共同努力。開發新藥的成本很容易超過10億美元。但是，人們希望AI算法能夠加快藥物發現中的實驗和數據收集過程。

此外，細胞計數是生物學研究中的一個大問題，而不僅僅是藥物發現。可視化AI平臺可以在幾秒鐘內完成此任務，并且瞬間就能達到99%的準確度。