2023年有哪些人工智能发展趋势
1.用于文本、语音和视觉的人工智能将继续成为主流在客户与呼叫中心高管的对话中，隐藏着情报的宝藏。这些非结构化的语音和文本对话正迅速成为最简单的情报来源之一。在某些情况下，有可能获得关键的消费者洞察来改进产品和服务，设计虚拟助手来帮助员工解决复杂的客户问题，并提高客户满意度。其他一些有价值的情报包括识别常见问题，并为他们创建适当的自助服务渠道，增加客户参与度，识别和规定交叉销售和追加销售的机会，以及大量其他相关机会。此外，语言和口音中和功能可以使管理人员跨地域为客户提供服务。在构建这些解决方案时存在几个障碍，比如从不同的语言、不同的方言和口音中实现清晰的转录，识别不同类型的场景词汇，去除环境噪音，以及使用不同的渠道(如单声道或立体声)来录制对话。多年来，大型科技公司提出了许多解决方案。他们建立了强大的专有模型，精度非常高。但主要的挑战是数据需要通过网络发送，这可能与保密性和隐私问题相冲突。此外，这些专有模型在特定领域定制的训练中具有有限的范围。在未来的日子里，使用强大的深度学习来使用预训练的组件和迁移学习来构建编码器解码器网络将是一个区别。这些计算密集型模型利用高性能GPU计算的硬件加速来规避翻译和语音细微差别带来的挑战。像BERT和GPT-3这样的大型语言模型将在未来的几天里变得更加复杂，扩展它们的能力来处理不同的语义相似性和场景关系，并改进现有的文本摘要和生成、聊天机器人、提高翻译准确性和增强情感挖掘、搜索、代码生成等应用程序。在计算机视觉领域，人们正在构建用于物体检测、分割、跟踪和计数的更新、更强大的模型，这些模型提供了以前无法想象的精度水平。通过强大的GPU，这些模型将变得越来越普遍。人们可以期待看到混合解决方案利用所有上述进步，将下一代人工智能助手带入生活。这些解决方案将具有人类对话的温暖触感，再加上快速执行和推理能力，最终降低运营成本，极大地提高客户满意度。2.生成式人工智能在艺术和创意空间吸引和保持客户群的注意力是大多数企业一直在努力应对的挑战。为了提高企业的品牌知名度，需要不断生成高质量的内容，这些内容是相关的、吸引人的，并适当地用于各种渠道的传播。生成式人工智能提供了增强内容创作的新功能。使用生成式人工智能，企业可以创建各种内容，如图像、视频和书面材料，并减少周转时间。生成式人工智能网络采用迁移式学习或一般对抗网络从不同来源创建沉浸式内容。除了在市场营销中的明显用例外，它还可能彻底改变媒体行业。电影制作和高清修复老电影、增强特效能力以及在元世界中构建虚拟形象都是一些无限的应用。在这里，像GPT-3这样的大型语言模型将再次发挥作用，在小说、非小说和学术文章中创造引人入胜的内容。在许多公开可用的网站上，已经可以从用户的简单书面提示中生成高质量的抽象概念图像。在音频合成等领域，可以创建数千种音调和频率的叙述和声音。人们需要警惕的一个可能出现的恶意应用程序是深度伪造(人工生成的虚假图像和视频)的创建，这将导致假新闻扩散和进一步有害宣传等新兴威胁。因此，生成式人工智能将成为一股主要的转型力量，在各种商业追求中增强人们与生俱来的创造力。3.可解释的人工智能使道德和负责任的人工智能成为现实越来越多的企业意识到，需要可解释的人工智能来提高透明度，建立问责制，并暴露自动决策系统中的偏见。可解释的人工智能也是降低企业人工智能固有风险的主要工具。事实也证明，可解释的人工智能也增加了整个企业对人工智能的采用，因为当人工智能模型在预测的同时给出理由和基本原理时，人们会更加信任。在医疗保健或金融服务等环境中，这将获得很大的动力，因为需要理解和阐明推荐治疗或诊断的理由，或者为什么贷款申请被拒绝。一些技术，如LIME，通过扰动输入和评估对输出的影响来提高模型的可解释性。另一种流行的技术（SHAP）通过分析特征组合及其对结果增量的相应影响，使用基于博弈论的方法。它创建可解释性分数，以突出对输出贡献更大的输入方面。例如，在基于图像的预测中，可以突出显示导致输出的主导区域或像素。随着人工智能对商业和社会的影响不断增加，人们也面临着由这些复杂用例产生的各种道德问题。正在研究适当的数据治理框架、揭露偏见的工具和透明度因素，以保持符合法律和社会结构。模型将被彻底测试漂移、谦逊和偏见。适当的模型验证和审计机制，内置可解释性和可重复性检查，将成为规范，以防止道德失误。4.自适应人工智能锐化和提升客户和品牌体验行业领先的零售商正在大力投资，通过人工智能提高运营效率和客户体验。零售商店将越来越多地成为提升品牌知名度和客户体验的焦点，而不是简单的交易中心，Adaptive人工智能将成为这一转变背后的力量。基于计算机视觉和基于边缘的人工智能系统的无障碍购物体验将减少等待时间和麻烦，这将是一个主要的增长领域。未来的零售商店还将能够提供高度个性化的建议，并基于内置基础设施支持的视频分析生成的实时洞察，打造无缝的客户旅程。店内分析将根据商店中不同通道的停留时间提供智能见解。通过多渠道整合过去的购物历史，并将人口统计资料纳入其中，将丰富客户体验，使体验式购物具有高度沉浸感和乐趣。全渠道管理将通过自适应人工智能得到增强，它将提供高度场景相关的帮助。对话式人工智能，再加上AR和VR等新兴技术，将增强商店员工完全重新定义实体店购物体验的能力。5.边缘人工智能将变得更加普遍边缘人工智能通过强大的深度学习，使普通消费设备具有场景感知能力，有巨大的能力改变人们的日常生活。基于边缘的人工智能将因为更轻的模型和高性能GPU计算的可访问性而变得更便宜。边缘模型使用本地基于场景的学习，并在适当的时间与中心模型同步，从而减少带宽和能源需求。这些价格合理的智能设备将彻底改变零售、制造业和能源公用事业等各个领域，用于质量检查、预测性维护以及健康和安全等用例。由于较低的计算需求而导致的成本下降将催生智能和响应式设备的市场。对于数据管理受到严格监管的医疗保健和金融等行业来说，数据要求的降低将是一个福音。每个边缘设备的模型都是根据特定的边缘环境定制的，关键数据永远不会出现在边缘网络之外。边缘人工智能将在智能仓库、制造业和公用事业等领域普及。随着企业越来越意识到笨重模型的巨大能源需求，将采用基于边缘的人工智能来减少人工智能的碳足迹，并实现可持续发展目标。防抱死装置会让车主在一直踩刹车时，它会一松一放的关闭和打开刹车油路，防抱死装置电脑基本上是每秒15次左右的点刹，防止汽车抱死发生，防抱死装置提高短距离的安全停车。就因为这样，每次刹车防抱死装置都是不断的点刹，所以车主们在踩刹车时会有种踏板跳动的感觉。人工智能的发展与未来
随着人工智能（artificialintelligent，AI）技术的不断发展，各种AI产品已经逐步进入了我们的生活。
现如今，各种AI产品已经逐步进入了我们的生活｜Pixabay
19世纪，作为人工智能和计算机学科的鼻祖，数学家查尔斯·巴贝奇（CharlesBabbage）与艾达·洛夫莱斯（AdaLovelace）尝试着用连杆、进位齿轮和打孔卡片制造人类最早的可编程数学计算机，来模拟人类的数理逻辑运算能力。
20世纪初期，随着西班牙神经科学家拉蒙-卡哈尔（RamónyCajal）使用高尔基染色法对大脑切片进行显微观察，人类终于清晰地意识到，我们几乎全部思维活动的基础，都是大脑中那些伸出细长神经纤维、彼此连接成一张巨大信息网络的特殊神经细胞——神经元。
至此，尽管智能的具体运作方式还依然是个深不见底的迷宫，但搭建这个迷宫的砖瓦本身，对于人类来说已经不再神秘。
智能，是一种特殊的物质构造形式。
就像文字既可以用徽墨写在宣纸上，也可以用凿子刻在石碑上，智能，也未必需要拘泥于载体。随着神经科学的启迪和数学上的进步，20世纪的计算机科学先驱们意识到，巴贝奇和艾达试图用机械去再现人类智能的思路，在原理上是完全可行的。因此，以艾伦·图灵（AlanTuring）为代表的新一代学者开始思考，是否可以用二战后新兴的电子计算机作为载体，构建出“人工智能”呢？
图灵在1950年的论文《计算机器与智能（ComputingMachineryandIntelligence）》中，做了一个巧妙的“实验”，用以说明如何检验“人工智能”。
英国数学家，计算机学家图灵
这个“实验”也就是后来所说的“图灵测试（Turingtest）”：一名人类测试者将通过键盘和显示屏这样不会直接暴露身份的方式，同时与一名人类和一台计算机进行“网聊”，当人类测试者中有七成都无法正确判断交谈的两个“人”孰真孰假时，就认为这个计算机已经达到了“人工智能”的标准。
虽然，图灵测试只是一个启发性的思想实验，而非可以具体执行的判断方法，但他却通过这个假设，阐明了“智能”判断的模糊性与主观性。而他的判断手段，则与当时心理学界崛起的斯纳金的“行为主义”不谋而合。简而言之，基于唯物主义的一元论思维，图灵和斯金纳都认为，智能——甚至所有思维活动，都只是一套信息处理系统对外部刺激做出反应的运算模式。因此，对于其他旁观者来说，只要两套系统在面对同样的输入时都能够输出一样的反馈，就可以认为他们是“同类”。
1956年，人工智能正式成为了一个科学上的概念，而后涌现了很多新的研究目标与方向。比如说，就像人们在走迷宫遇到死胡同时会原路返回寻找新的路线类似，工程师为了使得人工智能达成某种目标，编写出了一种可以进行回溯的算法，即“搜索式推理”。
而工程师为了能用人类语言与计算机进行“交流”，又构建出了“语义网”。由此第一个会说英语的聊天机器人ELIZA诞生了，不过ELIZA仅仅只能按照固定套路进行作答。
而在20世纪60年代后期，有学者指出人工智能应该简化自己的模型，让人工智能更好的学习一些基本原则。在这一思潮的影响下，人工智能开始了新一轮的发展，麻省理工学院开发了一种早期的自然语言理解计算机程序，名为SHRDLU。工程师对SHRDLU的程序积木世界进行了极大的简化，里面所有物体和位置的集合可以用大约50个单词进行描述。模型极简化的成果，就是其内部语言组合数量少，程序基本能够完全理解用户的指令意义。在外部表现上，就是用户可以与装载了SHRDLU程序的电脑进行简单的对话，并可以用语言指令查询、移动程序中的虚拟积木。SHRDLU一度被认为是人工智能的成功范例，但当工程师试图将这个系统用来处理现实生活中的一些问题时，却惨遭滑铁卢。
而这之后，人工智能的发展也与图灵的想象有所不同。
现实中的人工智能发展，并未在模仿人类的“通用人工智能（也称强人工智能）”上集中太多资源。相反，人工智能研究自正式诞生起，就专注于让计算机通过“机器学习”来自我优化算法，最后形成可以高效率解决特定问题的“专家系统”。由于这些人工智能只会在限定好的狭窄领域中发挥作用，不具备、也不追求全面复杂的认知能力，因此也被称为“弱人工智能”。
但是无论如何，这些可以高效率解决特定问题的人工智能，在解放劳动力，推动现代工厂、组织智能化管理上都起到了关键作用。而随着大数据、云计算以及其他先进技术的发展，人工智能正在朝着更加多远，更加开放的方向发展。随着系统收集的数据量增加，AI算法的完善，以及相关芯片处理能力的提升，人工智能的应用也将逐渐从特定的碎片场景转变为更加深度、更加多元的应用场景。
人工智能让芯片的处理能力得以提升｜Pixabay
从小的方面来看，人工智能其实已经渐渐渗透进了我们生活的方方面面。比如喊一声就能回应你的智能语音系统，例如siri，小爱同学；再比如在超市付款时使用的人脸识别；抑或穿梭在餐厅抑或酒店的智能送餐机器人，这些其实都是人工智能的应用实例。而从大的方面来看，人工智能在制造、交通、能源及互联网行业的应用正在逐步加深，推动了数字经济生态链的构建与发展。
虽然脑科学与人工智能之间仍然存在巨大的鸿沟，通用人工智能仍然像个科幻梦，但就像萧伯纳所说的那样“科学始终是不公道的，如果它不提出十个问题，也永远无法解决一个问题。”科学总是在曲折中前进，而我们只要保持在不断探索中，虽无法预测是否能达到既定的目的地，但途中终归会有收获。
参考文献
[1]王永庆.人工智能原理与方法[M].西安交通大学出版社,1998.
[2]Russell,StuartJ.ArtificialIntelligence:AModernApproach[J].人民邮电出版社,2002.
[3]GabbayDM,HoggerCJ,RobinsonJA,etal.Handbookoflogicinartificialintelligenceandlogicprogramming.Vol.1:Logicalfoundations.,1995.
[4]胡宝洁,赵忠文,曾峦,张永继.图灵机和图灵测试[J].电脑知识与技术：学术版,2006(8):2.
[5]赵楠,缐珊珊.人工智能应用现状及关键技术研究[J].中国电子科学研究院学报,2017,12(6):3.
[6]GeneserethMR,NilssonNJ.LogicalFoundationofArtificialIntelligence[J].brainbroadresearchinartificialintelligence&neuroscience,1987
作者：张雨晨
编辑：韩越扬
[责编：赵宇豪]