9
成都创新互联长期为上1000家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为蔡家坡企业提供专业的
成都网站制作、成都网站建设，
蔡家坡网站改版等技术服务。拥有十多年丰富建站经验和众多成功案例,为您定制开发。月2日消息 人工智能是发展最快，最难以预测的行业之一。试想一下几年前难以想象的所有事情：深度学习，人工智能驱动的机器翻译，可以掌握最复杂游戏的机器人等。
但是尝试预测AI的未来会是怎样结果。我们询问了科学家和AI专家关于他们认为来年AI领域将会发生什么的事情。这是您需要知道的。
人工智能将使医疗保健更准确，成本更低
飞利浦首席创新与战略官Jeroen Tas告诉媒体：“人工智能在2020年的主要影响将是改变医疗工作流程，使患者和医疗专业人员从中受益，同时降低成本。它具有从多种医院信息流(电子健康记录，急诊室入院，设备利用率，人员配备等)实时获取数据并以有意义的方式进行解释和分析的能力，从而可以实现广泛的效率和医疗保健能力。”
Tas解释说，这将以优化的计划，自动报告和设备设置的自动初始化的形式进行，这将“根据个别临床医生的工作方式和个别患者的状况进行定制-改善患者和工作人员的体验，结果更好，并有助于降低成本。”
在许多医疗系统中，与复杂的流程，缺乏预防保健以及过度和不足的诊断和治疗有关，造成了巨大浪费。这些都是AI真正可以发挥作用的领域，此外，人工智能最有希望的应用之一将是在\'指挥中心\'领域，这将优化患者流量和资源分配。
飞利浦是无缝集成到现有医疗保健工作流程中的必要AI支持应用程序开发的关键参与者。目前，飞利浦全球每2名研究人员中就有1名与数据科学和AI进行合作，开创了将该技术应用于医疗保健革命的新方法。
例如，塔斯(Tas)解释了如何将AI与专业的临床和领域知识相结合，将如何加快常规和简单的是/否诊断的速度-不替代临床医生，而是腾出更多的时间让他们专注于围绕临床医生的困难，通常是复杂的决策单个患者的护理，支持AI的系统将跟踪，预测和支持患者的分配以及医务人员，ICU病床，手术室以及诊断和治疗设备的可用性。
可解释性和信任将受到更多关注
“ 2020年将是AI值得信赖的一年，” Element AI的咨询和AI支持部门负责人Karthik Ramakrishnan说道：“ 2019年见证了AI道德规范和风险管理的早期原则的出现，并且已经在工具包和其他研究方法中实施这些原则的早期尝试。可解释性的概念(能够解释基于AI的决策背后的力量)也越来越广为人知。”
当然，2019年人们对AI伦理的关注日益增强。今年早些时候，欧洲委员会发布了七套开发道德AI的指南。10月，由深度学习的先驱者之一Yoshua Bengio共同创立的Element AI与Mozilla基金会合作创建了数据信任关系，并推动了AI的道德使用。微软(Microsoft)和谷歌(Google)等大型科技公司也已采取措施，使其AI开发符合道德规范。
Ramakrishnan提醒我们，在信任和AI在市场上出现了一些明显的失败之后，人们对道德AI的兴趣日益增长，例如Apple Pay推出或最近对Cambridge Analytica丑闻的兴趣激增。
到2020年，无论是否准备好，企业都将更加关注AI信任。希望看到风投也关注，新的初创公司将为解决方案提供帮助。
人工智能将减少对数据的需求
Affectiva首席执行官兼联合创始人Rana el Kaliouby说：“我们将看到用于应对AI中数据挑战的数据合成方法的兴起。”深度学习技术需要大量数据，这意味着基于深度学习构建的AI算法只有在对大量数据进行训练和验证后才能正确工作。但是开发AI的公司常常发现，获取正确的数据类型和必要的数据量具有挑战性。
人工智能领域的许多研究人员正在开始测试和使用新兴的数据合成方法，以克服他们可获得的现实世界数据的局限性。借助这些方法，公司可以获取已经收集的数据并将其综合以创建新数据。
以汽车行业为例。随着行业致力于开发先进的驾驶员安全功能并个性化运输体验，人们对了解车内人员的状况非常感兴趣。但是，收集实际的驱动程序数据既困难，昂贵又耗时。数据综合正在帮助解决这一问题。
得益于生成对抗网络(GAN)等领域的进步，许多AI研究领域现在可以合成自己的训练数据。但是，数据综合并不能消除收集现实世界数据的需求，el Kaliouby提醒说：“ 真实数据对于开发精确的AI算法始终至关重要。但是，数据综合]可以扩充这些数据集。”
提高神经网络的准确性和效率
波士顿大学计算机科学系副教授Kate Saenko表示：“神经网络体系结构将继续扩大规模和深度，并产生更准确的结果，并且将更好地模仿人类在涉及数据分析的任务上的表现。”“与此同时，提高神经网络效率的方法也将得到改善，我们将看到在小型设备上运行更多实时且节能的网络。”
Saenko预测，诸如Deepfake之类的神经生成方法还将继续改善并创建对人类无法检测到的文本，照片，视频，音频和其他多媒体的更加实际的处理。Deepfake的创建和检测已经成为规则的追逐者。
随着AI进入越来越多的领域，将会出现新的问题和担忧。Saenko说：“随着这些AI方法越来越广泛地应用于社会中，它们将受到更多的可靠性和偏见的审查，例如，越来越多的地方政府出于隐私和公平考虑而考虑禁止使用AI技术进行监视。”
Saenko也是BU的计算机视觉和学习小组的主管，在研究视觉AI算法方面拥有很多年经验。在2018年，她帮助开发了RISE，这是一种检查计算机视觉算法做出的决策的方法。
自动化的AI开发
IBM Research AI副总裁Sriram Raghavan表示：“到2020年，我们期望在IBM所谓的“ AI for AI”领域看到重大的创新：使用AI来帮助自动化创建，部署，管理和操作AI模型生命周期中涉及的步骤和流程。
在过去的几年中，人工智能的自动化已成为研究和开发领域的一个增长领域。一个示例就是Google的AutoML，该工具可简化创建机器学习模型的过程，并使该技术可供更广泛的受众使用。今年早些时候，IBM推出了AutoAI平台，该平台可用于自动化数据准备，模型开发，功能工程和超参数优化。
Raghavan表示：“此外，我们将开始看到更多使用神经符号AI的示例，该方法将统计数据驱动的方法与强大的知识表示和推理技术相结合，从而产生可以从更少数据中学习的更具解释性和鲁棒性的AI。”
一个例子是Neurosymbolic Concept Learner，这是由IBM和MIT的研究人员开发的一种混合AI模型。NSCL将经典的基于规则的AI和神经网络相结合，在解决当前AI模型的某些地方性问题(包括大量数据需求和缺乏可解释性)方面显示出了希望。
制造业中的AI
Neurala的首席执行官兼联合创始人Massimiliano Versace说：“ 2020年将是制造业拥抱人工智能以实现生产线现代化的一年。”对于制造业而言，的挑战之一就是质量控制。产品经理正在努力检查每个单独的产品和组件，同时还要满足大量订单的截止日期。”
Versace相信，通过将AI解决方案作为工作流的一部分进行集成，AI将能够扩大并应对这一挑战，就像电钻改变了我们使用螺丝起子的方式一样，AI将通过以下方式增强制造业中的现有流程：减轻了平凡和潜在危险任务的负担，使员工有更多时间专注于创新产品开发，这将推动行业前进。
制造商将走向边缘，随着AI和数据的集中化，制造商被迫向顶级云提供商支付巨额费用，以访问保持系统正常运行的数据。基于云的AI的挑战刺激了一系列创新，以创建可以运行AI算法而无需链接到云的边缘AI，软件和硬件。
可以在边缘部署和完善的培训AI的新途径将变得更加普遍。随着我们进入新的一年，越来越多的制造商将开始转向边缘以生成数据，最小化延迟问题并减少大量的云费用。通过在需要的地方(边缘)运行AI，制造商可以保持其数据的所有权。
人工智能的地缘政治含义
Symphony AyasdiAI首席执行官Ishan Manaktala说：“人工智能将在2020年及以后继续成为国家军事和经济安全的头等大事。”“政府已经在人工智能上进行了大量投资，作为可能的下一个竞争领域。中国已投资超过1400亿美元，而英国，法国和欧洲其他地区已向AI计划投入了超过250亿美元。美国起步较晚，2019年在人工智能上的支出约为20亿美元，到2020年将超过40亿美元。
Manaktala补充说：“但是专家敦促增加投资，警告美国仍然落后。最近的美国国家人工智能安全委员会指出，未来十年中国可能会超过美国的研发支出。NSCAI在其初步报告中概述了五点：投资于AI研发，将AI应用于国家安全任务，培训和招募AI人才，保护技术优势以及统筹全球协调。”
药物发现中的AI
Chooch首席执行官Emrah Gultekin表示：“我们预计，随着人工视觉过程的自动化，药物发现将在2020年得到极大改善，因为视觉AI将能够大规模监视和检测细胞药物相互作用。”“目前，在临床试验中浪费了很多年，因为药物研究人员正在做笔记，然后在电子表格中输入这些笔记并将其提交给FDA批准。取而代之的是，由AI驱动的高度准确的分析可以大大加快药物发现的速度。
药物开发是一个漫长的过程，可能需要长达12年的时间，涉及数千名研究人员的共同努力。开发新药的成本很容易超过10亿美元。但是，人们希望AI算法能够加快药物发现中的实验和数据收集过程。
此外，细胞计数是生物学研究中的一个大问题，而不仅仅是药物发现。可视化AI平台可以在几秒钟内完成此任务，并且瞬间就能达到99%的准确度。
新闻标题：展望未来人工智能2020年AI的八大趋势
文章起源：
http://cdxtjz.cn/article/cgppsi.html
