自人工智能開始成長以來，其風波一直不斷，特別是近幾年，人工智能步入黃金發(fā)展期，輿論風暴更是一波接著一波。

“人工智能距離威脅人類還有多遠？”“八大現(xiàn)象論證人工智能威脅論真的存在”“AI警告！科技大佬為何紛紛站隊AI威脅論......

但是不管輿論怎樣推波，我們都必須面對一個事實“AI真的讓我們生活的很好！”，并且它還會持續(xù)的“好”。未來的一年，人工智能還會繼續(xù)發(fā)力。

以下是2019年人工智能的發(fā)展趨勢，你準備好迎接了嗎？

1

新技術實現(xiàn)部分任務自動化

2019年，自動化將分階段進行。雖然距離全面自動化還需一段路程，但許多工作流程和任務都實現(xiàn)了部分自動化。

據(jù)麥肯錫（McKinsey）統(tǒng)計，基于現(xiàn)有技術， 5%的職業(yè)有希望實現(xiàn)完全自動化，60%的職業(yè)可以實現(xiàn)30%自動化。

圖片來源于網絡

我們已經看到了很多依賴計算機視覺和語音技術的產品和服務，2019年我們會看到更多。

語言模型和機器人技術的持續(xù)發(fā)展，將實現(xiàn)更全面的文本和物理解決方案。

競爭將推動企業(yè)實施部分自動化解決方案，而自動化項目的成功會推動全面自動化的發(fā)展。

2

企業(yè)人工智能

過去幾年，公司致力于構建流程和基礎架構來解鎖不同的數(shù)據(jù)源，以便改進關鍵型任務的分析，包括業(yè)務分析、推薦、個性化、預測、異常檢測和監(jiān)控等。

除了使用視覺和語音技術，我們期望深化深度學習，深入到公司擁有的數(shù)據(jù)和機器學習領域。

圖片來源于網絡

例如，通過深度學習為時間和地理空間數(shù)據(jù)注入系統(tǒng)，從而產生可擴展且更準確的混合系統(tǒng)（即，將深度學習與其他機器學習方法相結合的系統(tǒng)）

3

UX / UI設計將變得至關重要

當前的AI解決方案是消費者、人類工作者和領域內專家攜手合作的。

這些系統(tǒng)提高了用戶的生產力，使他們能夠以難以置信的規(guī)模和準確度執(zhí)行任務。

豐富的用戶體驗或用戶界面設計不但能簡化任務操作，而且能直接提升用戶對一項產品的忠實度。

4

硬件將變得更加專業(yè)化

深度學習于2011年開始流行，在語音和計算機視覺方面塑造了創(chuàng)世紀的模式。如今，已經有足夠的論證證明專業(yè)硬件的合理性——僅Facebook每天的預測就達到萬億次。

圖片來源于網絡

足夠的規(guī)模證明自己生產的專用硬件的合理性。

自去年開始，一直使用的是張量處理單元。

因此，2019年，更多的專有硬件將開始出現(xiàn)。中國和美國將有更多的公司基于數(shù)據(jù)中心和邊緣設備開發(fā)針對模型構建和推理的硬件。

5

混合模型仍然很重要

雖然深度學習一直在持續(xù)發(fā)力，但大多數(shù)實現(xiàn)端到端解決方案的都是混合系統(tǒng)。

2019年，其他組件和方法將會不斷浮出水面，包括基于模型的方法，例如貝葉斯推理，樹搜索、進化、知識圖譜、模擬平臺等等。

我們可能會看到更多不基于神經網絡的機器學習。

6

投資將用于新的工具和流程

我們處于一個高度經驗主義的機器學習時代。ML開發(fā)工具需要考慮數(shù)據(jù)、實驗和模型搜索以及模型部署和監(jiān)視的重要性。

圖片來源于網絡

只需要完成一個步驟：模型創(chuàng)建，公司就可以開始研發(fā)數(shù)據(jù)沿襲、元數(shù)據(jù)管理和分析、計算資源高效利用、高效模型搜索和超參數(shù)調優(yōu)等工具。

2019年，我們期待有新的工具來簡化AI和ML在產品和服務上的開發(fā)和實際部署。

7

關于機器欺騙的挑戰(zhàn)將會增加

目前，我們還處于機器生成內容（圖像、視頻、音頻和文本等）的早期階段，一些關于“機器欺騙”的新聞層出不窮。

就目前而言，檢測和取證技術已經能夠檢索到虛假的視頻和圖像。

但用于生成虛假內容的工具仍在迅速改進，因此我們必須確保檢測技術能夠跟上步伐。

圖片來源于網絡

機器欺騙不單單是欺騙人類的機器，還包括機器欺騙機器（機器人）和人類欺騙機器（巨魔軍隊和點擊農場）。

信息傳播和點擊農場會繼續(xù)作用在欺騙內容和零售平臺的排名系統(tǒng)上，我們必須在新形式的機器欺騙研發(fā)出來之前盡快解決這一問題。

8

自動化需要安全性的保證

令人振奮的是，研究人員和從業(yè)人員都對隱私、公平和道德問題產生了濃厚的興趣。

隨著人工智能開始逐漸深入到關鍵型應用中，自動化的效率提高更需要安全性和可靠性的保證。

在線平臺的機器欺騙行為的增加，以及最近涉及的自動駕駛汽車的事故，徹底打破了這個問題。2019年，我們期待更深入的討論安全問題。

9

訪問更多的數(shù)據(jù)

由于我們很多的依賴模型（包括深度學習和強化學習）都缺乏數(shù)據(jù)，因此更容易在人工智能領域取勝的是那些擁有大量數(shù)據(jù)的大公司和國家。

圖片來源于網絡

但是，由于生成標記數(shù)據(jù)集的服務都開始使用機器學習，在一些領域，生成對抗網絡(GAN)和仿真平臺等新工具能夠提供真實的綜合數(shù)據(jù)，用于訓練機器學習模型。

借助新的安全隱私保護技術，企業(yè)可以利用他們自己創(chuàng)建的數(shù)據(jù)。因此較小的公司可以利用機器學習和人工智能贏得競爭力。