[[420733]]

到 2025 年，人工智能 (AI) 將通過高效處理當今的一些復雜任務來顯著改善我們的日常生活。

領先的人工智能研究人員 Geoff Hinton 表示，很難預測人工智能將在五年后帶來什么進步，并指出指數級的進步使得不確定性太大。

因此，本文將考慮我們在不同經濟部門的發展過程中將面臨的機遇和挑戰。因此，它并非詳盡無遺。

• 到 2025 年將是為 5G 和所有經濟部門的組織推出必要的基礎設施，轉變為數據驅動的組織的時期;
• 到 2020 年代后期，5G 將在主要經濟體中大量推廣，覆蓋范圍將擴展到大城市之外，并通過人工智能和機器人技術進入農村地區，從而影響農業;
• 隨著 5G 的普及和全息技術的頻繁使用，增強現實和虛擬現實 (AR/VR) 技術將獲得關注;
• 隨著深度學習，特別是深度強化學習在整個經濟領域取得重大進展，人工智能將成為所有組織和經濟各個部門的核心;
• 正如 Moven 的首席執行官兼 Augmented 的作者 Brett King 指出的那樣：“……社會將受到技術的影響，這些技術將在未來 20 年比過去 250 年更能改變世界。”這是本文的中心主題。
• MIT CSAIL 的一個部分闡述了我們未來旅程的路徑;
• 這是一個系列的一部分，將簡要介紹通用人工智能 (AGI)，因為在本系列的第 3 部分中將概述獲得 AGI 的挑戰，以及量子計算和有關醫療保健的更多細節;
• 一小部分將討論人類通過與腦機接口 (BCI) 相關的 AI 增強自己的能力;
• 需要對世界各地的教育系統進行重大培訓和改革，以便在我們過渡到新的數據驅動型經濟時最大化收益。

人工智能的簡短回顧

人工智能

人工智能涉及開發計算系統的領域，這些系統能夠執行人類非常擅長的任務，例如識別物體、識別和理解語音以及在受限環境中進行決策。人工智能的一些經典方法包括(非詳盡列表)搜索算法，如寬度優先、深度優先、迭代深化搜索、A* 算法，以及邏輯領域，包括謂詞演算和命題演算。還開發了局部搜索方法，例如模擬退火、爬山、波束搜索和遺傳算法。

機器學習

機器學習被定義為應用統計方法使計算機系統能夠從數據中學習以實現最終目標的人工智能領域。該術語由 Arthur Samuel 于 1959 年引入。 技術示例的非詳盡列表包括線性回歸、邏輯回歸、K-均值、k-最近鄰 (kNN)、樸素貝葉斯、支持向量機 (SVM)、決策樹, 隨機森林, XG Boost, Light Gradient Boosting Machine (LightGBM), CatBoost。

深度學習

深度學習是指具有多個隱藏層的神經網絡領域。這種神經網絡通常被稱為深度神經網絡。神經網絡是受生物學啟發的網絡，它以分層方式從數據中提取抽象特征。將在未來十年發揮作用的關鍵技術包括生成對抗網絡 (GAN)、循環神經網絡，包括長短期記憶網絡 (LSTM)、自注意力(self-attention)(NLP 和可能的時間序列)和膠囊網絡(一個正在進行的研究領域)。本系列的后續部分將更詳細地討論深度強化學習。

進化遺傳算法和神經進化領域也將在本系列的未來部分進行更詳細的考慮。聯邦學習和差異化隱私的作用也將在以后的文章中考慮。

出于本文的目的，我將考慮人工智能涵蓋機器學習和深度學習。

狹義人工智能：機器被設計為執行單個任務并且機器非常擅長執行該特定任務的人工智能領域。然而，一旦機器經過訓練，它就不會泛化到看不見的領域。這就是我們今天擁有的人工智能形式，例如谷歌翻譯。

通用人工智能 (AGI)：一種人工智能形式，可以完成人類可以完成的任何智力任務。它更有意識，做出的決定類似于人類做出決定的方式。 AGI 在這一刻仍然是一個愿望，對它的到來有各種預測。它可能會在未來 20 年左右出現，但它面臨著與硬件、當今強大機器所需的能源消耗以及解決災難性記憶損失相關的挑戰，即使是當今最先進的深度學習算法也可能會受到影響。

超級智能：是一種在所有領域都超過人類表現的智能形式(由 Nick Bostrom 定義)。這指的是一般智慧、解決問題和創造力等方面。

有關 AI 和機器學習類型的更多詳細信息，請參閱 KDnuggets的文章： Machine Learning and Deep Learning (來源：https://www.bbntimes.com/companies/understanding-artificial-intelligence-machine-learning-and-deep-learning)

人工智能將成為所有組織的核心

麥肯錫出版了一份名為“人工智能前沿的筆記：深度學習的應用和價值("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)”的詳細而有用的出版物，觀察到“我們整理和分析了 19 個行業和 9 個業務職能的 400 多個用例。他們提供了對特定領域的洞察力深度神經網絡可能創造最大價值的領域，這些神經網絡與傳統分析相比可以產生的增量提升(圖 2)，以及必須滿足的大量數據需求——在數量、種類和速度方面——以實現這一潛力。”麥肯錫還明確表示，他們的用例庫雖然廣泛，但并非詳盡無遺，并且可能會導致對特定行業潛力的高估或低估，而麥肯錫將繼續對其進行完善和補充。 

雖然麥肯錫的研究提供了全面而有用的概述，但我相信深度學習的影響將比麥肯錫預測的要大，因為卷積神經網絡 (CNN) 等技術將對醫療保健等領域產生重大影響。僅舉幾個例子，如保險行業具有零售行業的自動化視覺搜索，以及無需在收銀員處付款直到店內使用 Amazon Go 和在銀行業務中使用 KYC 進行身份驗。

此外，一些用于成功訓練具有較小數據集的深度神經網絡的技術預計將在未來十年內投入生產，從而使深度學習能夠在整個經濟中進一步擴展。這在下面提供的一些新技術的簡短回顧部分中進行了處理。

我相信在 2019 年至 2029 年期間，值得重新審視 Andrew Ng 的評論，他說：

“我們需要一個適用于 AI 的金鳳花姑娘規則(恰到好處)：”

“太樂觀了：深度學習為我們提供了一條通往 AGI 的清晰道路!”

“太悲觀了：深度學習有局限性，所以人工智能冬天來了!”

“恰到好處：深度學習不能做所有事情，但會改善無數人的生活并創造巨大的經濟增長。”

正如Jason Brownlee在《Deep Learning & Artificial Neural Networks(https://machinelearningmastery.com/what-is-deep-learning/)》中引用Andrew Ng的工作所述，“隨著我們構建更大的神經網絡并使用越來越多的數據來訓練它們，它們的性能將繼續提高。”這與其他性能趨于穩定的機器學習技術通常是不同的。” 

Source for image above Andrew Ng

如前所述，正在進行大量研究以允許深度學習也成功地訓練和擴展較小的數據集。

允許深度神經網絡準確訓練較小數據的新技術將投入生產

較早的文章“更智能的 AI 和深度學習(Smarter AI & Deep Learning，https://www.linkedin.com/pulse/smarter-ai-deep-learning-imtiaz-adam/)”中提供了一個示例，該文章考慮了簡化和改進深度神經網絡訓練的潛力。它考慮了 MIT CSAIL 的 Jonathan Frankle Michael Carbin 發表的 The Lottery Ticket Hypothesis:Finding Sparse, Trainable Neural Networks 以及 Adam Conner-Simons 在更智能的神經網絡訓練中提供的有見地的總結。

文章指出，麻省理工學院 CSAIL 項目表明，神經網絡包含小 10 倍的“子網絡”，它們可以同樣好地學習——而且通常更快。

如今，我們生活中幾乎所有基于人工智能的產品都依賴于自動學習處理標記數據的“深度神經網絡”。

“不過，對于大多數組織和個人來說，深度學習很難進入。要學習好，神經網絡通常必須非常大，并且需要大量數據集。這個訓練過程通常需要多天的訓練和昂貴的圖形處理單元 (GPU) ) - 有時甚至是定制設計的硬件。”

但是，如果它們實際上根本不必那么大怎么辦?

在一篇新論文中，麻省理工學院計算機科學與人工智能實驗室 (CSAIL) 的研究人員表明，神經網絡包含的子網絡最多可縮小 10 倍，但能夠通過訓練做出同樣準確的預測——有時可以學會這樣做甚至比原版還快。

Will Knight 在 MIT Technology Review 上的一篇文章報道說，“兩種相互競爭的 AI 方法結合起來，讓機器像孩子一樣了解世界”。該文章與題為 The Neuro-Symbolic Learner: Interpreting Scenes, Words, and Sentences form Natural Supervision 的論文相關，是 MIT CSAIL、MIT Brain Computer Science、MIT-IBM Watson AI Lab 和 Google DeepMind 的聯合論文。

《技術評論》中的 Will Knight 觀察到：

“更實際的是，它還可以開啟人工智能的新應用，因為新技術需要的訓練數據要少得多。例如，機器人系統最終可以即時學習，而不是花費大量時間為它們所處的每個獨特環境進行訓練。 ”

“這真的令人興奮，因為它將讓我們擺脫對大量標記數據的依賴，”領導 MIT-IBM Watson AI 實驗室的科學家 David Cox 說。

也許 Capsule Networks 也將投入生產。

此外，這將是深度強化學習將對機器人和其他自主系統等領域產生重大影響的時期。例如，Seth Adler 撰寫了“強化學習快速指南”并提供了對制造業影響的示例，其中日本制造商Fanuc “機器人使用深度強化學習從一個盒子中挑選一個設備并將其放入一個容器中。是否無論成功或失敗，它都會記住對象并獲得知識并訓練自己以極快的速度和精確度完成這項工作。”未來十年，此類技術將在制造業中變得普遍，并且 GAN 和深度強化學習將更頻繁地應用于運輸(自動駕駛汽車)和制藥行業(藥物發現)。

數據科學和機器學習職能將直接向 CEO 匯報

在倫敦 CogX 期間，我參加了麥肯錫公司 Quantum Black (@quantumblack) 的一次演講，其中指出機器學習/數據科學負責人在企業中的角色正在從統計和編碼之外演變為一個數據科學負責人將負責做出與業務相關的判斷，在 2020 年代期間，人工智能和數據科學職能將直接歸組織首席執行官。

到 2025 年，智能自動化將經歷巨大的增長

畢馬威的一份報告預測，涵蓋人工智能和機器人過程自動化 (RPA) 技術的智能增強業務支出將從 2018 年的 124 億美元增加到 2025 年的 2320 億美元。

到 2030 年，人工智能將推動全球經濟增長。

普華永道預測，到 2030 年，人工智能對全球經濟的潛在貢獻將達到 15.7萬億美元，到 2030 年，人工智能對當地經濟的 GDP 貢獻高達 26%。

AI 無處不在

在邊緣處理 AI 工作負載的一個主要優勢是，相對于等待來自遠程基于云的服務器的查詢響應，延遲大大減少。因此，未來的攝像機、機器人和計算機將能夠做出改進和更明智的判斷，而不是不斷地查詢遠程云服務器并在做出決定之前等待。例如，自動駕駛汽車需要實時決定是左轉還是右轉，而不是等待服務器做出響應。此外，使用計算機視覺的無人機將通過在設備上使用人工智能來調整自己的飛行路徑來提高可靠性。

Jason Compton 在一篇題為“邊緣人工智能及其范式改變效應(Edge AI And Its Paradigm-Changing Effects)”的文章中指出，隨著傳感器在智慧城市中的廣泛應用，邊緣計算的增長在其中他觀察到“設備上的人工智能可以通過使用嵌入式傳感器來改善第一響應者的通知時間“在路燈等城市基礎設施中，評估背景噪音并確定是否存在緊急情況。人工智能還可以讓交通攝像頭通過車牌的光學識別以及圖案和顏色匹配來立即識別車輛。”

這將為急救人員在到達現場之前了解情況節省寶貴的時間。此外，在邊緣采用 AI 將能夠立即識別制造設施中業務流程的中斷，從而向工廠中的人員提出有關導致問題的原因(例如組件故障)以及如何產生的建議以最好的方式對事件做出反應，以將損失降到最低，并在最快的時間內恢復正常運營。

在此期間，深度強化學習將頻繁部署到我們周圍的日常活動中。例如Zhu等人 “無人機輔助車輛網絡的深度強化學習("Deep Reinforcement Learning for Unmanned Aerial Vehicle-Assisted Vehicular Networks”，https://arxiv.org/pdf/1906.05015.pdf)提出部署無人機(UAV)以補充未來智慧城市的 5G 通信基礎設施。熱點容易出現在道路交叉口，車輛之間的有效通信具有挑戰性。無人機可以作為中繼器，具有價格低廉、部署方便、視距鏈接、機動靈活等優點。

Source for Figure above: Zhu et al. "Deep Reinforcement Learning for Unmanned Aerial Vehicle-Assisted Vehicular Networks"

……

未完待續

• 5G 的影響越來越大
• 無形銀行的興起
• 自動飛行汽車
• 太空與天文學中的人工智能
• 人工智能與工作
• 混合云/邊緣模型
• 更清潔的經濟增長和擺脫一切照舊 (BAU)
• 通往 AGI 高度復雜的途徑
• 腦機接口 (BCI) 增強
• 需要在教育和技能培訓方面進行革命
• 通往人工智能和機器人未來之路