到2025年，人工智能(AI)将通过有效处理当今的一些复杂任务来显着改善我们的日常生活。领先的人工智能研究人员杰夫·辛顿(GeoffHinton)表示，很难预测AI将在五年后带来什么进步，并指出指数级的进步使不确定性太大。因此，本文将考虑我们在不同经济领域发展所面临的机遇和挑战。因此，它并不详尽。2025年将是为5G和所有经济部门的组织转型为数据驱动组织的必要基础设施的时期；到2020年代后期，5G将在主要经济体大量铺开，覆盖范围将扩大到大城市以外，并通过人工智能和机器人技术进入农村地区，从而影响农业；随着5G的普及和全息技术的频繁使用，增强现实和虚拟现实（AR/VR）技术将受到关注；借助深度学习，尤其是深度强化学习正在整个经济领域取得重大进展，人工智能将成为所有组织和每个经济部门的核心；正如Moven的首席执行官和Augmented的作者BrettKing指出的那样：“......社会将由技术塑造。未来20年将比过去250年更能改变世界的技术。”这是本文的中心主题。MITCSAIL的一部分勾勒出了我们未来征程的路径；这是简要介绍通用人工智能(AGI)系列的一部分，因为本系列的第3部分将概述实现AGI的挑战，以及量子计算和医疗保健的更多细节；一小部分将讨论人类通过与脑机接口(BCI)相关的人工智能来增强自己；随着我们过渡到新的数据驱动经济中的最大化回报，将需要对世界各地的教育系统进行重大培训和改革。人工智能简述人工智能涉及开发能够执行人类非常擅长的任务的计算系统领域，例如识别对象、识别和理解语音以及在受限环境中做出决策。一些经典的AI方法包括（非详尽列表）搜索算法，例如广度优先、深度优先、迭代加深搜索、A*算法，以及逻辑领域，包括谓词演算和命题演算。局部搜索方法也得到了发展，例如模拟退火、爬山、波束搜索和遗传算法。机器学习机器学习被定义为应用统计方法使计算机系统能够从数据中学习以实现最终目标的人工智能领域。该术语由ArthurSamuel于1959年引入。技术示例的非详尽列表包括线性回归、逻辑回归、K-均值、k-最近邻(kNN)、朴素贝叶斯、支持向量机(SVM)、决策树,随机森林,XGBoost,LightGradientBoostingMachine(LightGBM),CatBoost。深度学习深度学习是指具有多个隐藏层的神经网络领域。这种神经网络通常被称为深度神经网络。神经网络是受生物学启发的网络，它以分层方式从数据中提取抽象特征。未来十年将发挥作用的关键技术包括生成对抗网络(GAN)、循环神经网络，包括长短期记忆网络(LSTM)、自注意力（NLP和可能的时间序列）和胶囊网络（一种正在进行的研究领域）。本系列的后续部分将更详细地讨论深度强化学习。在本系列的后续部分中，还将更详细地考虑进化遗传算法和神经进化领域。未来的文章也会考虑联邦学习和差异隐私的作用。出于本文的目的，我将考虑人工智能涵盖机器学习和深度学习。狭义人工智能：人工智能领域，其中机器被设计为执行单一任务并且机器非常擅长执行该特定任务。然而，一旦机器经过训练，它就不会泛化到不可见的领域。这就是我们今天以人工智能的形式所拥有的，比如谷歌翻译。通用人工智能(AGI)：人工智能的一种形式，可以执行人类可以执行的任何智力任务。它更有意识并做出类似于人类做出决定的决定。AGI目前仍然是一个愿望，对其到来有各种预测。它可能会在未来20年左右出现，但它面临着与硬件相关的挑战、当今强大机器所需的能源消耗，以及解决即使是当今最先进的深度学习算法也可能遭受的灾难性记忆损失。超级智能：是一种在所有领域都超过人类表现的智能（由尼克博斯特罗姆定义）。这指的是一般智力、解决问题和创造力等方面。有关AI和机器学习类型的更多详细信息，请参阅KDnuggets的文章：机器学习和深度学习（来源：https://www.bbntimes.com/companies/understanding-artificial-intelligence-machine-learning-and-deep-学习）人工智能将成为所有组织的核心麦肯锡发表了一篇名为《来自AI前沿的笔记：深度学习的应用与价值》，https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-applications-and-value-of-deep-learning)''详细而有用的出版物，观察到'我们对19个行业和9个业务功能的400多个用例进行了整理和分析。它们针对深度神经网络可能创造最大价值的领域、这些神经网络相对于传统分析（图2）产生的增量改进以及必须满足的海量数据需求（数量、多样性）提供特定领域的见解和速度-真实发挥这种潜力。麦肯锡还明确表示，他们的用例库虽然广泛，但并不详尽，可能会导致高估或低估特定行业的潜力，麦肯锡将继续完善和补充。虽然麦肯锡的研究提供了全面而有用的概述，但我相信深度学习的影响将比麦肯锡预测的更大，因为卷积神经网络(CNN)等技术将对医疗保健等领域产生重大影响。仅举几例，保险业在零售业拥有自动化视觉搜索，无需在收银台付款，直到在银行使用AmazonGo和KYC到店内付款。此外，一些用于成功训练具有较小数据集的深度神经网络的技术预计将在未来十年内投入生产，从而使深度学习能够在整个经济中进一步扩展。这在下面提供的一些新技术的简短回顾部分中进行了处理。我相信在2019-2029期间，值得重新审视AndrewNg的评论“我们需要AI的金发姑娘法则（恰到好处）：”“过于乐观：深度学习为我们提供了通向AGI的清晰道路！”“太悲观了：深度学习有局限性，AI寒冬来了！”“恰到好处：深度学习不会做所有事情，但会改善无数人的生活并创造巨大的经济增长。”正如JasonBrownlee在《Deep Learning & Artificial Neural Networks(https://machinelearningmastery.com/what-is-deep-learning/)》中引用AndrewNg的工作那样，“随着我们构建更大的神经网络并用更多的东西训练它们和更多的数据，他们的表现将继续提高。”这不同于其他机器学习技术，其性能稳定期通常不同。”如上图来源AndrewNg如前所述，正在进行大量研究以允许深度学习也能成功地训练和扩展较小的数据集。允许深度神经网络在较小数据上进行准确训练的新技术将更早投入生产文章“SmarterAI&DeepLearning”中提供了一个示例，https://www.linkedin.com/pulse/smarter-ai-deep-learning-imtiaz-adam/，”它考虑了简化和改进深度神经网络训练的潜力。它考虑了JonathanFrankleMichaelCarbin、MITCSAIL和AdamConner-Simons在SmarterNeuralNetworkTraining中的彩票假设：寻找稀疏、可训练的神经网络。文章指出，麻省理工学院的CSAIL项目表明，神经网络包含的“子网络”要小10倍，而且它们的学习效果同样好——而且通常更快。今天，我们生活的几乎所有东西都是基于人工智能的，智能产品都依赖于自动学习处理标记数据的“深度神经网络”。尽管如此，深度学习对于大多数组织和个人来说还是很难进入的。为了学得好，神经网络通常必须非常大并且需要海量数据集。这个训练过程通常需要多天的训练和昂贵的图形处理单元(GPU)——有时甚至需要定制设计的硬件。但是，如果它们实际上根本不需要那么大呢？在一篇新论文中，麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员表明，神经网络可以包含子网络，这些子网络最多可以缩小10倍，但可以通过训练做出同样准确的预测——有时可以学会这样做甚至比原来的更快。WillKnight在《麻省理工科技评论》上发表的一篇文章报道说“两种相互竞争的AI方法相结合，让机器像孩子一样理解世界。”这篇文章与题为“神经符号学习者：从自然中解释场景、单词和句子”的论文相关监督，并由MITCSAIL、MIT大脑计算机科学、MIT-IBMWatsonAILab和谷歌DeepMind联合发表论文。WillKnight在《技术评论》中观察到：“更实际地说，它还可以开辟人工智能的新应用智能，因为新技术需要的训练数据要少得多。例如，机器人系统最终可以在飞行中学习，而不是为他们发现自己所处的每个独特环境花费数小时训练。“这真的很令人兴奋，因为它将把我们从我们的领导MIT-IBM沃森人工智能实验室的科学家DavidCox说：“对大量标记数据的依赖。”也许CapsuleNetworks也将投入生产。此外，这将是一个深度强化的时期学习将对机器人和其他自主系统等领域产生重大影响。例如，SethAdler撰写了《强化学习快速指南》并提供了对制造业影响的示例，其中日本制造商Fanuc的“机器人使用深度强化学习从盒子中挑选设备并将其放入容器中。无论是无论成功或失败，它都会记住对象并获取知识并训练自己以极快的速度和精确度完成工作。“未来十年，此类技术将在制造业中普及，GAN和深度强化学习将更频繁地应用于交通（自动驾驶汽车）和制药行业（药物发现）。数据科学和机器学习功能将报告直接向CEO在伦敦的CogX期间，我参加了McKinsey&CompanyQuantumBlack(@quantumblack)的演讲，他指出机器学习/数据科学领导在企业中的角色正在从统计和编码之外演变为其中之一数据科学负责人将负责做出与业务相关的判断，在2020年代，AI和数据科学职能将直接落入组织的CEO手中。到2025年，智能自动化将实现巨大增长。毕马威的一份报告预测，涵盖人工智能和机器人过程自动化(RPA)技术的智能增强业务支出将从12.4美元增加2018年将达到2320亿美元，到2025年将达到2320亿美元。到2030年，人工智能将推动全球经济增长。普华永道预测，到2030年，人工智能对全球经济的潜在贡献将达到15.7万亿美元，人工智能对当地GDP的贡献高达26%到2030年的经济。AI无处不在在边缘处理AI工作负载的一个主要优势是，与等待来自远程云服务器的查询响应相比，延迟大大减少。因此，未来的相机、机器人和计算机将能够做出改进和更明智的判断，而不是不断地查询远程云服务器并在做出决定之前进行等待。例如，自动驾驶汽车需要实时决定是左转还是右转，而不是等待服务器响应。此外，使用计算机视觉的无人机将通过使用设备上的人工智能来调整自己的飞行路径，以提高可靠性。JasonCompton在一篇题为《边缘人工智能及其范式改变效应（EdgeAIAndItsParadigm-ChangingEffects）》的文章中指出，随着传感器在智慧城市中的广泛应用，边缘计算在其中，他观察到“on-设备AI可以通过在城市基础设施（如路灯）中使用嵌入式传感器来缩短第一响应者的通知时间，以评估背景噪音并确定是否存在紧急情况。AI还可以启用交通摄像头，通过车牌的光学识别以及匹配的图案和颜色来即时识别车辆。”这将为急救人员在到达现场之前了解情况节省宝贵的时间。此外，在边缘采用AI将能够立即识别制造设施中业务流程的中断，从而就问题的原因（例如组件故障）以及如何最好地响应向工厂人员提出建议针对事件，将损失降到最低，尽快恢复正常运营。在此期间，深度强化学习将频繁部署在我们周围的日常活动中。例如，朱等人。《DeepReinforcementLearningforUnmannedAerialVehicle-AssistedVehicularNetworks》，https://arxiv.org/pdf/1906.05015.pdf）提出部署无人机（UAV）来补充未来智慧城市的5G通信基础设施。道路交叉口容易出现热点，车辆之间的有效通信具有挑战性。无人机可以用作中继器，具有低成本、易于部署、视距链路、机动性等优点。上图来源：Zhuetal。“无人驾驶飞机辅助车辆网络的深度强化学习”……待续5G的影响越来越大无形银行的兴起自主飞行器太空和天文学AI中的人工智能和工作混合云/边缘模型更清洁的经济增长和逃离商业照常(BAU)AGI脑机接口(BCI)增强的高度复杂途径需要教育和技能培训方面的革命人工智能和机器人技术的未来之路
