但是不管輿論怎樣推波，我們都要面對一個事現(xiàn)實“AI真的讓我們生活的好！”，并且它還會持續(xù)的“好”。未來的一年，AI還會繼續(xù)發(fā)力。

　　以下是2019年AI的發(fā)展趨勢，你準備好迎接了嗎？

　　2019年，自動化將分階段進行。雖然距離自動化還需一段路程，但許多工作流程和任務(wù)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(shù)， 5%的職業(yè)有希望實現(xiàn)自動化，60%的職業(yè)可以實現(xiàn)30%自動化。

　　我們已經(jīng)看到了很多依賴計算機視覺和語音技術(shù)的產(chǎn)品和服務(wù)，2019年我們會看到多。語言模型和機器人技術(shù)的持續(xù)發(fā)展，將實現(xiàn)較全的文本和物理解決方案。競爭將推動企業(yè)實施部分自動處理方案，而自動化項目的成功會推動自動化的發(fā)展。

　　過去幾年，公司致力于構(gòu)建流程和基礎(chǔ)架構(gòu)來解鎖不同的數(shù)據(jù)源，以便改進關(guān)鍵型任務(wù)的分析，包括業(yè)務(wù)分析、個性化、預(yù)測、異常檢測和監(jiān)控等。

　　除了使用視覺和語音技術(shù)，我們期望深化深度學(xué)習(xí)，深到公司已有的數(shù)據(jù)和機器學(xué)習(xí)領(lǐng)域。例如，通過深度學(xué)習(xí)為時間和地理空間數(shù)據(jù)注入系統(tǒng)，從而產(chǎn)生可可擴展且準確的混合系統(tǒng)（即，將深度學(xué)習(xí)與其他機器學(xué)習(xí)方法相結(jié)合的系統(tǒng)）

　　當(dāng)前的AI解決方案是消費者、工作者和領(lǐng)域內(nèi)工作者攜手合作的。這些系統(tǒng)拉高了用戶的生產(chǎn)力，使他們能夠以出乎意料的規(guī)模和準確度執(zhí)行任務(wù)。豐富的用戶體驗或用戶界面設(shè)計不但能簡化任務(wù)操作，而且能直接拉升用戶對一項產(chǎn)品的忠實度。

　　深度學(xué)習(xí)于2011年開始流行，在語音和計算機視覺方面塑造了龐大的模式。如今，已經(jīng)有的論證證明硬件的合理性——Facebook每天的預(yù)測就達到萬億次。谷歌也有富裕的規(guī)模證明自己生產(chǎn)的硬件的合理性。自去年開始，谷歌一直使用的是張量處理單元（TPU）。因此，2019年，多的專有硬件將開始出現(xiàn)。中國和美國將有多的公司基于數(shù)據(jù)中心和邊緣設(shè)備開發(fā)針對模型構(gòu)建和推理的硬件。

　　雖然深度學(xué)習(xí)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。我們可能會看到多不基于神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)。

　　我們處于一個經(jīng)驗主義的機器學(xué)習(xí)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。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、高效模型搜索和參數(shù)調(diào)優(yōu)工具。2019年，我們期待有新的工具來簡化AI和ML在產(chǎn)品和服務(wù)上的開發(fā)和實際部署。

　　目前，我們還處于機器生成內(nèi)容（圖像、視頻、音頻和文本等）的早期階段，一些關(guān)于“機器欺騙”的新聞層出不窮。就目前而言，檢測和取證技術(shù)已經(jīng)能夠檢索到虛假的視頻和圖像。但用于生成虛假內(nèi)容的工具仍在快的改進，因此我們要使得檢測技術(shù)能夠跟上步伐。

　　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。信息傳播會繼續(xù)作用在欺騙內(nèi)容和銷售平臺的排名系統(tǒng)上，我們要在新形式的機器欺騙研發(fā)出來之前盡快解決這一問題。

　　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(chǎn)生了濃厚的興趣。隨著AI開始逐漸加深到關(guān)鍵型應(yīng)用中，自動化的效率變高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，以及涉及的自動駕駛汽車的事故，處理了這個問題。2019年，我們期待加深的討論安全問題。

　　由于我們很多的依靠模型（包括深度學(xué)習(xí)和強化學(xué)習(xí)）都缺乏數(shù)據(jù)，因此容易在人AI領(lǐng)域取勝的是那些有大量數(shù)據(jù)的大公司和國家。但是 ，由于生成標記數(shù)據(jù)集的服務(wù)都開始使用機器學(xué)習(xí)，在一些領(lǐng)域，生成對抗網(wǎng)絡(luò)(GAN)和平臺等新工具能夠提供真實的綜合數(shù)據(jù)，用于訓(xùn)練機器學(xué)習(xí)模型。借助新的安全隱私保護技術(shù)，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(xué)習(xí)和AI取得競爭力。