2023年人工智能领域发展七大趋势
2022年人工智能领域发展七大趋势
有望在网络安全和智能驾驶等领域“大显身手”
人工智能已成为人类有史以来最具革命性的技术之一。“人工智能是我们作为人类正在研究的最重要的技术之一。它对人类文明的影响将比火或电更深刻”。2020年1月，谷歌公司首席执行官桑达尔·皮查伊在瑞士达沃斯世界经济论坛上接受采访时如是说。
美国《福布斯》网站在近日的报道中指出，尽管目前很难想象机器自主决策所产生的影响，但可以肯定的是，当时光的车轮到达2022年时，人工智能领域新的突破和发展将继续拓宽我们的想象边界，其将在7大领域“大显身手”。
增强人类的劳动技能
人们一直担心机器或机器人将取代人工，甚至可能使某些工种变得多余。但人们也将越来越多地发现，人类可借助机器来提升自身技能。
比如，营销部门已习惯使用工具来帮助确定哪些潜在客户更值得关注；在工程领域，人工智能工具通过提供维护预测，让人们提前知道机器何时需要维修；法律等知识型行业将越来越多地使用人工智能工具，帮助人们对不断增长的可用数据中进行分类，以找到完成特定任务所需的信息。
总而言之，在几乎每个职业领域，各种智能工具和服务正在涌现，以帮助人们更有效地完成工作。2022年人工智能与人们日常生活的联系将会变得更加紧密。
更大更好的语言建模
语言建模允许机器以人类理解的语言与人类互动，甚至可将人类自然语言转化为可运行的程序及计算机代码。
2020年中，人工智能公司OpenAI发布了第三代语言预测模型GPT—3，这是科学家们迄今创建的最先进也是最大的语言模型，由大约1750亿个“参数”组成，这些“参数”是机器用来处理语言的变量和数据点。
众所周知，OpenAI正在开发一个更强大的继任者GPT—4。尽管细节尚未得到证实，但一些人估计，它可能包含多达100万亿个参数（与人脑的突触一样多）。从理论上讲，它离创造语言以及进行人类无法区分的对话更近了一大步。而且，它在创建计算机代码方面也会变得更好。
网络安全领域的人工智能
今年1月，世界经济论坛发布《2021年全球风险格局报告》，认为网络安全风险是全世界今后将面临的一项重大风险。
随着机器越来越多地占据人们的生活，黑客和网络犯罪不可避免地成为一个更大的问题，这正是人工智能可“大展拳脚”的地方。
人工智能正在改变网络安全的游戏规则。通过分析网络流量、识别恶意应用，智能算法将在保护人类免受网络安全威胁方面发挥越来越大的作用。2022年，人工智能的最重要应用可能会出现在这一领域。人工智能或能通过从数百万份研究报告、博客和新闻报道中分析整理出威胁情报，即时洞察信息，从而大幅加快响应速度。
人工智能与元宇宙
元宇宙是一个虚拟世界，就像互联网一样，重点在于实现沉浸式体验，自从马克·扎克伯格将脸书改名为“Meta”（元宇宙的英文前缀）以来，元宇宙话题更为火热。
人工智能无疑将是元宇宙的关键。人工智能将有助于创造在线环境，让人们在元宇宙中体会宾至如归的感觉，培养他们的创作冲动。人们或许很快就会习惯与人工智能生物共享元宇宙环境，比如想要放松时，就可与人工智能打网球或玩国际象棋游戏。
低代码和无代码人工智能
2020年，低代码/无代码人工智能工具异军突起并风靡全球，从构建应用程序到面向企业的垂直人工智能解决方案等应用不一而足。这股新鲜势力有望在2022年持续发力。数据显示，低代码/无代码工具将成为科技巨头们的下一个战斗前线，这是一个总值达132亿美元的市场，预计到2025年其总值将进一步提升至455亿美元。
美国亚马逊公司2020年6月发布的Honeycode平台就是最好的证明，该平台是一种类似于电子表格界面的无代码开发环境，被称为产品经理们的“福音”。
自动驾驶交通工具
数据显示，每年有130万人死于交通事故，其中90%是人为失误造成的。人工智能将成为自动驾驶汽车、船舶和飞机的“大脑”，正在改变这些行业。
特斯拉公司表示，到2022年，其生产的汽车将拥有完全的自动驾驶能力。谷歌、苹果、通用和福特等公司也有可能在2022年宣布在自动驾驶领域的重大飞跃。
此外，由非营利的海洋研究组织ProMare及IBM共同打造的“五月花”号自动驾驶船舶（MAS）已于2020年正式起航。IBM表示，人工智能船长让MAS具备侦测、思考与决策的能力，能够扫描地平线以发觉潜在危险，并根据各种即时数据来变更路线。2022年，自动驾驶船舶技术也将更上一层楼。
创造性人工智能
在GPT—4谷歌“大脑”等新模型的加持下，人们可以期待人工智能提供更加精致、看似“自然”的创意输出。谷歌“大脑”是GoogleX实验室的一个主要研究项目，是谷歌在人工智能领域开发出的一款模拟人脑具备自我学习功能的软件。
2022年，这些创意性输出通常不是为了展示人工智能的潜力，而是为了应用于日常创作任务，如为文章和时事通讯撰写标题、设计徽标和信息图表等。创造力通常被视为一种非常人性化的技能，但人们将越来越多地看到这些能力出现在机器上。（记者刘霞）
【纠错】【责任编辑:吴咏玲】人工智能简史，从两次低谷到三次崛起
原创人工智能简史，从两次低谷到三次崛起发布时间：2019-07-2613:26:30浏览29053来源：博学谷资讯作者：照照如今人工智能已然成为香饽饽，在各行业都开始得到应用。然而大家可能不知道的是，人工智能并非近些年才兴起的，它经历了两次低谷和三次崛起，才发展成当下热门的技术。因此人工智能简史其实也是看做一段励志的崛起史。
人工智能的起源：人工智能在五六十年代时正式提出，1950年，一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙一起，建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点。巧合的是，同样是在1950年，被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。按照图灵的设想：如果一台机器能够与人类开展对话而不能被辨别出机器身份，那么这台机器就具有智能。而就在这一年，图灵还大胆预言了真正具备智能机器的可行性。1956年，在由达特茅斯学院举办的一次会议上，计算机专家约翰·麦卡锡提出了“人工智能”一词。后来，这被人们看做是人工智能正式诞生的标志。就在这次会议后不久，麦卡锡从达特茅斯搬到了MIT。同年，明斯基也搬到了这里，之后两人共同创建了世界上第一座人工智能实验室——MITAILAB实验室。值得追的是，茅斯会议正式确立了AI这一术语，并且开始从学术角度对AI展开了严肃而精专的研究。在那之后不久，最早的一批人工智能学者和技术开始涌现。达特茅斯会议被广泛认为是人工智能诞生的标志，从此人工智能走上了快速发展的道路。
人工智能的第一次高峰在1956年的这次会议之后，人工智能迎来了属于它的第一段HappyTime。在这段长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”人工智能第一次低谷：70年代，人工智能进入了一段痛苦而艰难岁月。由于科研人员在人工智能的研究中对项目难度预估不足，不仅导致与美国国防高级研究计划署的合作计划失败，还让大家对人工智能的前景蒙上了一层阴影。与此同时，社会舆论的压力也开始慢慢压向人工智能这边,导致很多研究经费被转移到了其他项目上。
在当时，人工智能面临的技术瓶颈主要是三个方面，第一,计算机性能不足，导致早期很多程序无法在人工智能领域得到应用；第二，问题的复杂性，早期人工智能程序主要是解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题上升维度，程序立马就不堪重负了；第三，数据量严重缺失，在当时不可能找到足够大的数据库来支撑程序进行深度学习，这很容易导致机器无法读取足够量的数据进行智能化。
因此，人工智能项目停滞不前，但却让一些人有机可乘,1973年Lighthill针对英国AI研究状况的报告。批评了AI在实现“宏伟目标”上的失败。由此，人工智能遭遇了长达6年的科研深渊。
人工智能的崛起1980年，卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。这是一种，采用人工智能程序的系统，可以简单的理解为“知识库+推理机”的组合，XCON是一套具有完整专业知识和经验的计算机智能系统。这套系统在1986年之前能为公司每年节省下来超过四千美元经费。有了这种商业模式后，衍生出了像Symbolics、LispMachines等和IntelliCorp、Aion等这样的硬件，软件公司。在这个时期，仅专家系统产业的价值就高达5亿美元。
人工智能第二次低谷：可怜的是，命运的车轮再一次碾过人工智能，让其回到原点。仅仅在维持了7年之后，这个曾经轰动一时的人工智能系统就宣告结束历史进程。到1987年时，苹果和IBM公司生产的台式机性能都超过了Symbolics等厂商生产的通用计算机。从此，专家系统风光不再。
人工智能再次崛起：上世纪九十年代中期开始，随着AI技术尤其是神经网络技术的逐步发展，以及人们对AI开始抱有客观理性的认知，人工智能技术开始进入平稳发展时期。1997年5月11日，IBM的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫，又一次在公众领域引发了现象级的AI话题讨论。这是人工智能发展的一个重要里程。
2006年，Hinton在神经网络的深度学习领域取得突破，人类又一次看到机器赶超人类的希望,也是标志性的技术进步。
2016年，Google的AlphaGo赢了韩国棋手李世石，再度引发AI热潮。
AI不断爆发热潮，是与基础设施的进步和科技的更新分不开的，从70年代personal计算机的兴起到2010年GPU、异构计算等硬件设施的发展，都为人工智能复兴奠定了基础。
同时，互联网及移动互联网的发展也带来了一系列数据能力，使人工智能能力得以提高。而且，运算能力也从传统的以CPU为主导到以GPU为主导，这对AI有很大变革。算法技术的更新助力于人工智能的兴起，最早期的算法一般是传统的统计算法，如80年代的神经网络，90年代的浅层，2000年左右的SBM、Boosting、convex的methods等等。随着数据量增大，计算能力变强，深度学习的影响也越来越大。2011年之后，深度学习的兴起，带动了现今人工智能发展的高潮。
人工智能从两次低谷到三次崛起充分证明了，是金子总会发光。也许当时的技术还不足以支撑人工智能这个想法的实现，但是通过历代IT人的努力，属于人工智能的时代终究是来了。这次，人工智能的浪潮终将把你我卷入其中，让我们张开双手，去拥抱这一天吧！
就业前景人工智能— 申请免费试学名额 —在职想转行提升，担心学不会？根据个人情况规划学习路线，闯关式自适应学习模式保证学习效果讲师一对一辅导，在线答疑解惑，指导就业！觉得不错，顺手分享一下上一篇：人工智能之人脸识别技术下一篇：现在参加Python人工智能培训能找到工作吗？相关推荐更多人工智能机器人会代替人类吗？哪些行业会被完全取代？人工智能机器人会代替人类吗？哪些行业会被完全取代？据专家预测，人工智能的崛起必将引起新一轮的技术革命，一些纯粹的体力劳动行业会完全被取代，因此一些人担心的人工智能机器人会代替人类，其实也不无道理。然而就目前的发展技术来讲，还需要走一条很长的路才能到那样的阶段。在担心被时代淘汰之前，大家还有充分的学习时间，提升自己的个人竞争力。59092019-10-1511:13:20人工智能学数据科学好找工作吗?职业前途怎么样？学数据科学好找工作吗?职业前途怎么样？随着人工智能技术的深入发展，数据科学成为热门的学习科目，追其原因，不外乎因为数据科学在各个行业的广泛应用和巨大的人才需求。因此只要真正掌握了数据科学的核心技能，职业前途大有可为，找工作更是手到擒来。本文将从数据科学的应用行业、学习内容、就业形势和工作岗位几方面，来为大家全面分析数据科学的发展前景。57352019-11-0117:01:32就业前景人工智能开发专业技能聚类算法的原理是什么？在最近大热的机器学习算法中，聚类算法是被应用的最为广泛的算法。对许多想要深入了解机器学习算法的朋友来讲，聚类算法是一个绕不开的重点。那么，聚类算法的原理是什么呢？简单来讲，聚类算法是一种“数据探索”的分析方法，它帮助我们在大量的数据中探索和发现数据的结构。因此，要想弄清楚聚类算法的原理并不困难，下面我们一起来走进聚类算法的学习吧！50742020-03-1717:27:33机器学习人工智能人工智能学习培训班值得参加吗？随着人工智能技术的崛起，关注AI技术的人越来越多了，人工智能培训班也如雨后春笋般纷纷出现。一些想要进行人工智能学习的朋友可能想问了，人工智能学习培训班值得参加吗？或者说培训真的靠谱吗？确实，有不少本身不具备培训资质的机构只是想趁着AI技术的热度，赚一笔培训费，但是也不排除一些机构是认真在做人工智能培训的。48812020-07-2316:17:15人工智能人工智能培训人工智能包括哪些专业？可以选择哪些相关专业？人工智能是新兴产业属于计算机科学中研究方向中的一个，目前绝大多数的高校在本科阶段没有设立专门的人工智能专业，一般研究生阶段会有专门的课程。31072021-05-1914:09:30人工智能人工智能前景人工智能的六个发展阶段，一起来看看吧
原标题：人工智能的六个发展阶段，一起来看看吧人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能充满未知的探索道路曲折起伏，人工智能的发展历程基本划分为以下6个阶段：
1、起步发展期：1956年—20世纪60年代初人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
2、反思发展期：20世纪60年代—70年代初人工智能发展初期的突破性进展大大提升了人们对人工智能期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标落空使人工智能发展走入低谷。
3、应用发展期：20世纪70年代初—80年代中20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
4、低迷发展期：20世纪80年代中—90年代中随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
5、稳步发展期：20世纪90年代中—2010年由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。
6、蓬勃发展期：2011年至今随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长新高潮。
展开全文想学习云计算、大数据、新媒体的同学注意啦，博雅环球教育针对此次疫情特推出线上免费直播课程，同学们可以趁这个时期，好好充实一下自己，待到春暖花开时，学以致用，大展身手。想报名的同学快来联系我们吧！
北京|内蒙古|呼和浩特|IT计算机培训|云计算|大数据|新媒体|线上培训|免费课程|高薪就业
返回搜狐，查看更多
责任编辑：对话业界大咖：人工智能高速发展背后的原因到底是什么
第三，为GPU、云计算领域技术的快速发展，促进了计算力的明显提升。在这样的时代背景下，人人都可以做这件事。我们早年开始做图像处理的时候内存就只有几兆，图像就只能一点点读，很多事情做不了，但是现在都可以做了。
第四，就是人力。有人说，人工智能是有多少人工就有多少智能，这个事情其实一点都不假。一方面，研究人员多了，比如人脸检测，很多人在做，数据集是开放的，大家都可以不停地刷数据。另一方面，就是标数据的人力数量的提升。比如，你有个想法要做一个手势识别，会有几十个人专门来标数据，一星期就标出很多数据，然后拿去训练，就可以很快实现。
我认为，是以上四个原因让人工智能飞速发展。上述原因主要是基于计算机视觉这个领域来分析，其实语音也是一样的，都是先标数据，然后经过大量的机器训练，最后到功能的实现。
提问：
您认为AI技术已经相对成熟，可以在工业界逐步走向商用了吗？
罗教授：
我先讲视觉领域，无论看国内还是美国，国内其实更明显，真正成熟的技术主要是围绕从检测到识别的人脸相关技术。为什么成熟呢？因为人脸技术虽然不是刚体，但是接近于刚体，变化比较小，不同的人种差异不大，即使带有表情也都可以识别。另一个我觉得比较成熟的AI技术是车辆识别，车辆虽然每年在更新，其实外观都差的不多。
因为有了斯坦福大学公开的图像识别数据集ImageNet，才有了深度学习，其实一般物体的检测准确率已经大大提升。拿椅子举例，我们当年认为椅子是不可解的，是找不出来的。因为椅子不是一个视觉概念而是一个功能概念（人可以坐），椅子的形状材质各种各样，视觉上变数太大。现在为什么可以找出来呢，还是因为数据量大了，把所有椅子，从各种角度看的椅子都拿来训练，最终识别率就提升了。
工业界在应用AI时有几点要注意。关于AI技术从工业界到商用，我有一个70-90-99.5的经验公式。分为三个阶段：
第一个阶段的门槛是70%。如果一个技术方向在实验室，在适量的数据集上能达到70%准确，那么证明这个方向是可行的。
第二阶段是走出实验室到真实世界，用真实世界的数据把它推向更高的层次，目标是90%。当准确性达到90%大概率而且不出错时，可以去找一个垂直的场景，这个场景需要达到能够预估到剩下10%的错误不是灾难性的，或者让它在有限的范围内准确性高于90%，这样我们的产品就可以推广上市。
第三阶段的门槛我认为是99.5%。我认为100%可能性不大，但让机器做到99.5%，就能达到超过人的程度，这个时候说明它已经走向产业化了。
其实到了90%的时候就应该开始做，不要等到99.5%再做。你在做的同时可以考虑和你应用有关的东西，同时学术界也会继续把它往前推，等你把这边工作做好了，学术界的研究也跟上来了。
提问：
您认为工业界在应用AI技术时，除了AI自身还需要关注哪些问题，或者需要避免哪些误区？
罗教授：
谈到误区有几个事情我想说明一下。我以前在柯达的时候，他们有一个做事的理念：事情没有做到完美就不能拿到市场上去。其实AI用这种理念来做是会受到影响的，我们到了90%就可以推出去，这样我们就能在实践中找到缺陷在哪里。另外，是目前在中国看到的一个误区,事情还没有谱，就去大肆宣传，就去卖理念，最后造成大家很失望。因为之前AI好几次都是这样的，大家都认为AI要改变人类、改变生活，结果没有付诸行动实现，信心就撤掉了。要警惕这种过度承诺，要做到适度，既不要太激进也不要太保守，更不能被人忽悠。
还有一个注意要点跟安全、隐私有关，其中包括视觉和大数据用户画像，这个在一定程度上涉及了人的隐私边界。安全和隐私，企业还是要注意，哪些能用哪些不能用，要做到心中有数。用的时候，有一个方式就是把个体信息脱敏，聚合到群体信息中，这样没有针对某一个人，但是实际上是了解了一类人的行为，进而洞察出有价值的信息。
提问：
前些年，工业界大数据技术非常火爆，最近AI又在兴起，您怎么理解工业大数据和AI的关系？
罗教授：
这个事情我是比较有发言权，我发现有一些公司，他们经常把大数据和AI割裂开，或者成立两个部门管理，我认为这个做法是错误的。大数据如果不用AI，大数据的价值是出不来的，因为数据多了以后，人是没有能力去分析这么多数据的，必须靠AI。用AI去发现人不容易一眼就能看出来的东西，一个是数据量大，维度高的时候，人是没法想象的，这个东西只能靠AI来做，所以我认为大数据离不开AI。反过来AI也离不开大数据，特别是现在数据驱动的一些模型，没有大数据寸步难行。
我不是说，AI离开大数据什么都不能干。因为AI现在更多强调的也是如何运用数据来创造价值，AI还是非常需要大数据的。我认为在学术界只想研究大数据或只想研究AI是可行的，但是在工业界两边都要看，不能隔绝开。而且只有当两个放在一起的时候，你才能实现价值的最大化。
提问：
最后请您判断一下，未来几年AI技术的主要发展方向和趋势。
罗教授：
我先讲一个我不是太熟悉的方向，我觉得硬件上肯定是会继续发展的。NVIDIA现在其实也在推动一些把计算从云端往移动端或边缘端转移的事情，也有一些移动的芯片，我觉得端与云的协同会继续发展，这是一种趋势。
朱松纯的那篇《浅谈人工智能》内容很好，讲的就是大AI。最早AI是一个领域方向，后来细分为视觉、语音、文本理解、机器学习、机器人等等若干领域。这是因为每个小领域的人认为，我们其实可以在这个领域里面率先取得突破。
现在大家在各自领域发展一段时间，已经取得了一些成绩，分享的意识就提高了，希望得到更多的关注与聆听。实际上，应该是AI所有的子领域在一起汇合，才会产生聚合效应。所谓“大AI”，就是各个领域的成果互通，经验共享，这非常有意义。
拿机器人举例分析，实际上人和机器人最快捷的感知就是视觉，但是要给它命令需要语言，用语言去驱动它，而不是按个什么键。AI有一个领域被大家遗忘了，SchedulingPlanning（调度与规划）就是怎么去做一个计划。
SchedulingPlanning的典范就是导航GPS，我要从A去B有这么多条路，我该怎么找出最佳的路线，这就是规划的问题，搜索在有一个目标函数的情况下找出最佳的结果。目前这个变成冷门了，但实际上，在机器人这个领域里面是绝对有用的。机器人要做一个事情，它在想我的任务是从这搬到那，我怎么去越过这些障碍，这就是SchedulePlanning的问题，它得知道自己的位置，然后把这个环境映射到地图中。
机器人这个应用实际上会涉及到视觉、语音，然后你给他发号指令，并且不局限于简单的指令，NLP也得有，它自己还得有SchedulePlanning，而且好多东西都要机器去学习，所以在这个例子里，AI最后起作用的是，AI多分支整合产生的最大效应，这个我认为是接下来几年的发展方向。
实际上，特别是从工业界的角度，把这些最新的AI技术结合起来然后在一个场景下就可以爆发出最大的效应。客户不看你用的什么方法，无论是视觉还是语音，每一个领域都不是百分百对的，这个时候要采用多模态、多方式的思路，会让系统更加稳健。返回搜狐，查看更多