《2020科技趋势陈诉》：AI 和中国，成为未来科技世界关键词

文｜学术头条

克日，未来今日研究所（Future Today Institute）公布了最新版《2020 年科技趋势陈诉》，其中包罗对人工智能在内的多项前沿科技未来一年的生长前景举行了展望。凭据陈诉，未来世界科技工业将由中国、人工智能等趋势塑造。

《2020 科技趋势陈诉》由未来今日研究所和纽约大学斯特恩商学院（New York University's Stern School of Business）主任艾米・韦伯（Amy Webb）教授配合撰写，这次已经是第 13 年公布。这份陈诉试图认识到技术与未来不确定性之间的联系，好比 2020 年美国总统大选的效果，以及冠状病毒等盛行病的流传。

在所有前沿科技中，人工智能再次成为该榜单的第一名。韦伯表现，人工智能将引发第三次盘算浪潮，带来努力的影响，例如 AlphaFold 在发现疾病的治疗方法中可以发挥的作用；但也会带来消极的影响，例如它当前对刑事司法系统的影响。

一些科技巨头，例如美国的 Amazon、IBM、Facebook、Google 和 Microsoft，以及中国的腾讯、阿里和百度，继续在全球科技领域发挥最大的影响力。韦伯已经在 2019 年出书的《九大巨头》中预测了这些公司将如何塑造世界。

“ 这 9 家公司推动了人工智能的大部门研究、资金、政府到场和消费级应用。大学的研究人员和实验室依靠这些公司提供数据、工具和资金。九大人工智能公司也对人工智能合并和收购发生了庞大影响，为人工智能初创公司提供资金并为下一代开发人员提供支持。”

同时，陈诉指出，中国的企业和政府正在全面互助，以使其在 2030 年之前成为全球主要的人工智能创新中心。

与中国相比，美国拥有众多组织和中心，可是，这些机构 “缺乏机构间互助和协调的努力”，在行动目的、研发事情摆设和资金周转方面存在不协调的情况。

据相识，每年韦伯通常会在德克萨斯州奥斯汀举行的 SXSW 集会上，以一场演讲作为陈诉公布的开头，可是由于冠状病毒的影响，今年的集会已经取消。

未来今日研究所这份陈诉对人工智能领域的科技预测可谓面面俱到，无论是对于人工智能企业、人工智能研究者，还是人工智能学习者，这都是一份比力详尽的陈诉。限于篇幅，学术头条精选了陈诉中关于人工智能的部门内容举行翻译，希望对读者有参考价值。

1.AI 与企业

1.1 使用人工智能加速科学发现的历程

用几个变量举行实验，通常需要对丈量、质料和输入举行微小的、系统的调整。研究生们可能会花上几百个无聊的小时，一次又一次地做一些小的调整，直到找到一个解决方案。越来越多的人工智能系统被用于研究实验室，以加速科学发现的历程。

1.2 云端人工智能

人工智能生态系统内的企业向导者一直在竞相抢占人工智能云共享平台，并成为远程服务器上最受信任的人工智能提供商。企业客户也可能会坚持最初选择的供应商，因为机械学习系统会见的数据越多，随着时间的推移则能不停学习做出更好的决议。

1.3 线下人工智能

可以在设备上举行这种由当地人工智能驱动的处置惩罚和决议，在云或互联网上没有任何数据交互——这是一种使用所谓 “边缘盘算” 的技术。直接在设备上处置惩罚数据，在未来对于医疗保健、汽车和制造业应用将很是重要，因为它可能更快、更宁静。

1.4 机械人流程自动化

机械人流程自动化（RPA）使企业能够在办公室内自动化某些任务和流程，从而使员工能够将时间花在更高价值的事情上。RPA 最终将他们的生产力提升到更高的水平，这将使媒体和娱乐公司能够在许多差别领域做出更好的实时预测性决议，从客户服务到成本节约。

1.5 企业中的数字双胞胎和认知双胞胎

数字双胞胎是真实世界情况、产物或资产的虚拟表现，用于多种目的。制造商使用数字双胞胎来治理机械和工厂的性能和效率，而都会计划者则使用它们来模拟新开发项目的影响。

1.6 认知机械人

随着人类和机械越发精密地互助，机械人有时机凭据情况学习和适应新的技术。机械学习、深度强化学习、盘算机视觉和模拟情况的生长将很快导致具有早期认知能力的机械人泛起。应用包罗情况清理、探索危险地形和协助抢救人员。

1.7 先进的人工智能芯片

神经网络恒久以来需要庞大的盘算能力，需要很长时间的训练，而且依赖于消耗数百千瓦电力的数据中心和盘算机。一些知名企业已经致力于研究使芯片更容易在人工智能项目上事情，而且应该保证更快、更宁静的处置惩罚。

1.8 无服务器盘算

亚马逊网络服务、阿里云、微软 Azure、谷歌云和百度云正在为开发者推出新的产物和软件包，希望能让一大批人工智能初创企业更容易、更实惠地将自己的创意投放市场。

1.9 专业化、本土化的人工智能语言

Python 是一种领先的语言，有许多预先构建的库和框架。Julia 是麻省理工学院开发的一种专注于数值盘算的开源语言。固然另有 Lisp，由现代人工智能的前辈约翰・麦卡锡在 1958 年缔造的。

1.10 Franken 算法的扩散（Proliferation of Franken-algorithms）

算法只是界说和自动处置惩罚数据的规则。它们是用盘算性能够明白和处置惩罚的 “如果这个，那么谁人” 逻辑来构建的。开发人员并不总是提前知道一个算法将如何与其他算法一起事情。有时，几个开发团队都在独立地处置惩罚差别的算法和数据集，只有在部署后才气看到他们的事情。这一直是导致最近股市泛起故障和电子商务网站发力的原因。

1.11 为了竞争而利用 AI 系统的公司

已往几年，亚马逊、谷歌和 Facebook 都因利用搜索系统，将对公司更有利的效果举行优先排序而受到抨击。对搜索算法的调整会对互联网用户的看法发生重大影响，无论是新闻、销售产物还是广告。美国和欧盟现在正在观察亚马逊同时饰演搜索引擎、市场运营商和自有产物销售商的角色。立法者尚未就利用算法以获得竞争优势是否切合反垄断运动的尺度告竣一致。

1.12 企业生物识别欺骗

在实施监控和认证员工的人工智能系统之前，公司可能会三思尔后行。机械学习的新技术导致了合成指纹和其他能够欺骗监控系统的自动生成生物识别器。

1.13 人工智能机械人

bot，在最基本的条理上，是设计用于自动化指定任务的软件应用法式。它们可以是基于文本或音频的，而且可以跨种种平台部署。机械人技术的下一个重大进步不是技术性的，而是羁系性的。

2. 人工智能与商业生态系统

2.1 全球对人工智能的投资热潮

众所周知，人工智能人才短缺，每个行业都希望将人工智能融入其焦点业务职能。因此，在全球规模内都在争先恐后地为人工智能研究提供资金，并收购初创企业。

2.2 算法市场

在 21 世纪一零年月，大型科技公司、初创公司和开发者社区使用算法市场来分享和销售他们的作品。2018 年，微软斥资 75 亿美元收购了 GitHub，这是一个盛行的开发平台，允许任何人托管和审查代码，与其他开发人员互助，并构建种种项目。

2.3 市场整合

只管人工智能的生态系统正在蓬勃生长，但收购热潮也意味着整合。现在，大公司在有时间成熟之前就开始创业，收购的平均年事是 3 岁。只有 9 家大公司占据了人工智能的主导职位：美国的 Amazon、 Google、Microsoft、 IBM、Facebook 和苹果，中国的巨头百度、阿里巴巴和腾讯。

2.4 破碎

人工智能的生态系统笼罩了数百家公司。许多政策团体、提倡组织和政府都在制定指导目标、规范和尺度以及政策框架，希望以此来指导人工智能的未来生长。因此，生态系统在两个方面支离破碎：基础设施尺度和治理。

2.5 人工智能责任

当机械运转欠好时，谁该受责备？我们现在的执法体系是为了规范人类行为，而不是无监视机械的行为。当企业急于构建和实施人工智能产物和流程时，他们必须提前计划新泛起的风险。

2.6 情况监测

关门后发生的事情可能不会是恒久的秘密，高管们应该提防新的情况监测方法。人工智能可能很快拥有 x 光视觉能力，这对从事敏感项目的公司来说可能不是什么好消息。从事信息宁静和风险治理事情的人应特别关注盘算机视觉的生长。

3. 历程、系统与盘算机神经科学

3.1 从平面二维图像建立三维模型

研究人员使用大量的三维模型、转换成三维模型的图像和从差别角度显示物体的二维图像训练神经网络。效果：一个新的系统，可以渲染三维模型，无需任何人为干预。实际应用包罗仅使用二维图像自动生成情况真实模型的机械人。

3.2 神经符号人工智能算法与系统

人工智能的生长一直走在两条观点轨道上：符号（机械使用表现观点的知识和规则基础）和非符号（机械使用原始数据建立自己的模式和观点表现）。神经网络将通过符号来明白数据，而不是总是依赖人类法式员为数据排序、标志和编目。符号算法将有助于这一历程，这最终将导致不总是需要人来训练的鲁棒系统。

亚马逊的重新命名识别知名人士，资助人们 “为营销、广告和媒体行业使用案例提供视频和照片目录”。

3.3 实时机械学习

人工智能的一大挑战是构建能够主动收集息争释数据、识别模式和整合上下文并最终实时学习的机械。对实时机械学习（RTML）的最新研究讲明，使用一连的事务数据流和实时调整模型是可能的。这标志着数据移动方式和我们检索信息的方式发生了重大变化。

3.4 自然语言明白（NLU）

NLU 允许研究人员通过提取观点、映射关系和分析情感来量化和学习所有文本，而且他们在已往一年中取得了一些令人印象深刻的进步。在最近的一次语言明白评估竞赛中，中国的百度击败了谷歌和微软，成为第一个开发不仅能懂英语，还能懂中文的技术的公司。

3.5 机械阅读明白（MRC）

对于人工智能研究者来说，机械阅读明白（MRC）一直是一个具有挑战性的目的，但却是一个重要的目的。MRC 使得系统能够在筛选大量数据集的同时读取、推断意义并立刻给出谜底。它代表了实现人工通用智能的须要步骤，在短期内，它可能将从技术手册到历史舆图，再到我们的医疗记载，一切都酿成易于搜索的信息存储库。

3.6 自然语言生成（NLG）

随着数字助理的日益普及，消费者希望能够与机械举行自然对话。可是训练人工智能系统需要大量的数据。自然语言生成（NLG）系统自动检测、分析、可视化和叙述关键数据。NLG 的一个可能性是：开发一个可以使用简朴语言向他人解释自己和所做决议的系统。

3.7 机械学习中的实时上下文（Real-Time Context in Machine Learning）

世界上充斥着信息、错误信息和肤浅的思想，机械学习中的实时上下文技术旨在资助人们实践推理、生长见多识广的论点并得出可靠的结论。

3.8 一般强化学习算法

研究人员正在开发能够学习多个任务的单一算法，AlphaZero。它不仅能在围棋中获得超人的体现，还能在其他游戏中获得超人的体现，包罗国际象棋和日本象棋。这一个算法从游戏规则之外的知识开始，最终生长出自己的计谋来击败其他玩家。

3.9 深度学习规模

法式员使用特殊的深度学习算法，同时使用大量的数据，通常是数兆字节的文本、图像、视频、语音等，系统被训练成独立学习。虽然观点上的深度学习并不是什么新鲜事，但最近发生的变化是盘算量和可用的数据量。实际上，这意味着越来越多的人工历程将被自动化，包罗软件的编写，盘算机很快就会开始自己编写。

3.10 更快、更强大的开源框架

硬件升级和更快的芯片将有助于使开源框架在未来几年变得更快和更盛行。

3.11 强化学习与分层学习

强化学习是解决决议问题的有力工具，它被用来训练人工智能系统以获得超人的能力。在盘算机模拟中，一个系统实验、失败、学习、实验，然后快速一连地再次实验，每次都市改变它未来的实验。

3.12 连续学习

现在，深度学习技术已经资助系统学习以更靠近人类所能做的方式解决庞大任务，但这些任务仍然是特定的，它们需要一个严格的序列，而且可能很耗时。连续学习（CL）更多的是关于自主和渐进的技术造就和生长，研究人员将继续在这一领域不停地突破可能的极限。

3.13 多任务学习

在已往的一年里，卡内基梅隆大学和 Facebook 的人工智能实验室的研究人员公布了一款名为 Pluribus 的多人扑克人工智能，扑克也让多个玩家相互竞争，获告捷利比抓取游戏碎片要庞大得多。Pluribus 学会了同时做几件事，并建设了自己的战略来赢告捷利。

3.14 生成性反抗网络

生成性反抗网络（GANs）是本世纪最有趣的想法，在已往几年里，GANs 有了庞大的进步。把一个 GAN 想象成图灵测试，可是没有任何人类到场。GANs 是一个无监视的深度学习系统，由两个相互竞争的神经网络组成，它们在相同的数据（如人的图像）上举行训练。仅去年一年，就有许多有趣的实验涉及 GANs。

研究人员维克多・迪比亚（Victor Dibia）训练了一个 DCGAN 模型（深度卷积世代反抗网络）来生成非洲面具。

3.15 新的生成建模技术

自回归隐式分位数网络（简称 AIQN）听起来很庞大，但它是一个创新的想法，有助于革新算法，使它们更稳定。这意味着：这可能会加速人工智能的生长程序 —— 这可能意味着整个生态系统中更快的机缘和创新。

3.16 概率计划语言

概率编程语言减轻了开发概率模型的一些压力和繁琐。这些较新的语言允许开发人员构建、重用和共享他们的模型库，同时仍然容纳不完整的信息。

3.17 机械图像完成（Machine Image Completion）

如果一个盘算机系统能够会见上百万的图片，就说它可以修补和填补图片中的毛病。这项功效对专业摄影师以及所有想拍出更好自拍的人都有实际的应用。图像完成也是执法和军事情报人员的一个有用工具，盘算机现在可以资助他们识别谁或什么是在框架中。思量到我们已经在机械学习算法和数据集上看到的偏见，图像完成可能成为未来关于隐私和我们设备的争论的一部门。

3.18 混淆人 - 盘算机视觉分析

现在人工智能没有人的资助还不能完全发挥作用。混淆智能系统将人类和人工智能系统联合起来，以获得更高的准确度。

3.19 预测机械视觉

预测机械视觉研究有朝一日将使机械人能够更容易地在人类情况中导航，并通过从我们自己的肢体语言中获取线索与我们人类互动。它也可以用于零售情况，当我们操作机械，或当我们在课堂学习。

3.20 自念头器学习（AutoML）

一些组织希望挣脱传统的机械学习方法，这种方法费时艰苦，需要数据科学家、人工智能领域的专家和工程师。自念头器学习（AutoML）是一种新的方法：将原始数据和模型匹配在一起以显示最相关的信息的历程。谷歌、亚马逊和微软现在提供了大量的 AutoML 产物和服务。

3.21 定制机械学习

不久，小我私家用户将上传他们自己的数据来定制现有的人工智能模型。例如，像 Google 的 Cloud AutoML 和 Amazon SageMaker Autopilot 这样的工具允许组织在没有受过高度培训的员工的情况下培训定制的机械学习模型。

3.22 图神经网络

气味分类是很棘手的，因为它需要一个多标签系统。谷歌的研究人员正在构建图形神经网络（graph neural networks），一种以图形为输入的特殊类型的深层神经网络以在分子水平上预测气味。

3.23 智能光学字符识别

一个连续的挑战是让机械认识到我们用书面表达自己的种种方式。光学字符识别（OCR）以牢固的、可识此外花样事情，如公路标志和书中的文字。可是，OCR 往往不够智慧，无法识别差别的字体、奇特的符号或只有一家公司的字段的电子表格。

4. 人工智能与内容创意

4.1 人工智能与创意历程

亚马逊的 DeepComposer 系统 “自动” 作曲。

生成性反抗网络（GANs）的能力远远凌驾生成深度假视频。研究人员正与艺术家和音乐家互助，缔造出全新的缔造性表达形式。从合成非洲部落面具到建设理想的虚构星系，人工智能正被用来探索新的想法。

4.2 内容生成算法

一段时间以来，人们一直在训练盘算机寓目视频并预测我们物质世界中相应的声音。内容生成算法研究的重点是资助系统相识物体在物理领域如何相互作用。

4.3 从短视频生成虚拟情况

自动生成的虚拟情况的未来应用很是广泛：思量物流培训情况（堆栈、工厂、航运中心）、都会计划模拟，甚至在游乐园和购物中心内测试客户流场景。

4.4 自动版本控制

随着更多的实验的举行，人们期望看到新闻和娱乐媒体公司开发同一内容的多个版本，以到达更广泛的受众或大规模生产大量的内容。

4.5 自动语音克隆和配音

类似人工智能和形貌使克隆声音成为可能，这意味着很快你可以在影戏中看到基努・里夫斯，也可以听到他用自己的声音用意大利语说话。

4.6 机械文字识别

在已往的一年里，研究人员展示了人工智能是如何被用来编写好的文本的，以至于人类无法分辨它是由机械编写的。事实证明，人工智能还可以用来检测文本是什么时候生成的，纵然我们人类无法识别假文本。

4.7 算法事实检查

误导性和彻头彻尾的虚假信息已经污染了互联网和我们的社交媒体渠道，日常消费者难以应对，旨在流传假话的算法可以比人类的事实核查器事情得更快。人工智能研究人员一直在研究使用框架语义的自动化技术。框架是形貌特定事件、情况、工具或关系及其到场者的示意图。

4.8 数据挖掘群

智能手机拥有量已经到达临界值，人们对种种网络的使用也到达临界值。人类的数据不仅可以跟踪我们自己，还可以供任何人搜索、收集和分析。预计更多的新闻机构以及营销人员、运动家和其他团体将开始以缔造性的方式使用这些数据。

4.9 深度链接

自智能手机问世以来，深度移动毗连就一直存在，它使人们更容易在手机中的所有应用法式中查找和共享数据。深度链接的使用方式现在已经模糊了消费者的信息。

5. 消费品和服务

5.1 情况盘算扩展

情况盘算系统答应优先思量许多与人类行为相关的决议，代表人们授权它们，甚至凭据情况自主地为人们回覆。在没有直接监视和投入的情况下，许多无形的决议都市发生。使情况设计如此诱人的是，它应该要求我们在不久的未来做出越来越少的决议。把它看作是一种意图的自动完成。

5.2 无处不在的数字助理（DAs）

在许多地方都可以找到数字助理。现在有成千上万的应用法式和小工具可以跟踪和响应 DAs。新闻机构、娱乐公司、营销人员、信用卡公司、银行、地方政府机构（警员、公路治理局）、政治运动和许多其他机构都可以使用 DAs 来显示和提供关键信息。

5.3 人工智能致力药物研发

2018 年和 2019 年，制药公司加大了研究力度，以确定人工智能是否可以用于药物开发的每个阶段，从假设、挑选更好的化合物和确定更好的药物靶点，到设计更乐成的临床试验和跟踪现实世界的效果。

5.4 人工智能面试

识别系统现在可以用来视察人们被面试的历程，来权衡面试者的热情、坚韧和冷静。算法分析数以百计的细节，好比面试者的语调、面部心情和行为习惯，试图预测面试者将如何适应一个社区的文化。

5.5 消费者级人工智能应用

新的自念头器学习平台使非专家能够建设和部署预测模型。许多人希望，在不久的未来，人们将使用种种各样的人工智能应用法式作为日常事情的一部门，就像人们今天使用微软 Office 或谷歌文档一样。

6. 人工智能与地缘政治、地缘经济与战争

6.1 新的高科技工业综合体

在已往的几年里，美国一些最大的中情局公司开始与军方互助，推进研究，寻找销量，开发新的技术系统，可以在种种情况下部署。

2017 年，美国国防部建立了一个算法战争跨职能团队，致力于一个名为 “Maven 项目” 的项目，这是一个盘算机视觉和深度学习系统，可以自动识别静止图像和视频中的物体。该小组没有须要的人工智能能力，因此国防部与谷歌签订条约，资助训练人工智能系统分析无人机画面。但被分配到这个项目的谷歌员工并不知道他们实际上在做一个军事项目，这导致了引人注目的反弹。

多达 4000 名谷歌员工签署了一份请愿书，阻挡 Maven 项目。他们在《纽约时报》上登了一整版广告，最终数十名员工告退。最终，谷歌表现不会与国防部续签条约。

6.2 国家情报战略

在已往的几年里，人工智能的危险性获得了极大的缓解。从自驾车事故到通过造谣运动举行选举，再到通过面部识别和自动搜索增强的政治压制，谷歌员工抗议该公司在美国军事项目上的情报事情。在地缘政治、地缘经济和战争面纱的第十三个年头，很显着，国际情报局正在改变国家、公司和公民的宁静情况。

现在，险些没有一种技术能够触及人类的方方面面，世界各国都在竞相制定和宣布自己的人工智能战略和指导目标。

6.3 建设人工智能规则的竞赛

去年，中国在全球率先制定了一套规范和尺度，以治理人工智能的未来，随后，许多国家和地域争相出台相关的政策，随着人工智能在中国、欧盟和美国继续根据差别的规则生长，全球 AI 学术领域的互助可能会急剧下降。

6.4 算法战争

我们未来的战争将以代码作战，使用数据和算法作为强大武器。当前的全球秩序正在被人工智能所塑造，而世界各国在美国、中国、以色列、法国、俄罗斯、英国和韩国等国家的研究也在生长包罗至少一些自主功效的武器系统。

FTI 分析讲明，未来的战争不仅仅包罗传统武器。使用人工智能技术，军队可以通过破坏经济稳定而不是摧毁农村和都会中心来 “取胜”。

6.5 人工智能自我解释

毫无疑问，你听过有人说人工智能正在酿成一个 “黑匣子”—— 纵然是在这个领域事情的研究人员也不明确我们最新的系统是如何事情的。这并不完全正确，可是越来越多的盘算机科学家、记者和执法学者表现担忧，他们认为人工智能系统不应该如此秘密。但要求人工智能的透明度可能会泄露公司的商业秘密。要求系统同时解释其决议历程也会降低输出的速度和质量。

6.6 在关键系统中使用人工智能

机械学习保证了人们关键基础设施系统的效率和新的保障措施。为此，政府研究人员正在探索如何率先开发关键系统：门路和铁路运输系统、发电和配电以及预测救护车和消防车等公共宁静车辆的门路。人们不再回避人工智能系统，而是对使用这项技术预防灾害和提高宁静性发生了新的兴趣。

7. 中国人工智能规则

7.1 中国规则

如果认为中国是一个只是复制而不是创新的国家，贫苦再想一想。中国已经是人工智能领域的全球向导者。该国在许多领域取得了庞大的进步，但尤其是在人工智能企业和政府已经互助了一个全面的计划，使中国在 2030 之前成为世界上主要的人工智能创新中心，而且它已经朝着这个目的迈进了一大步。同时赋予了中国三大公司百度、阿里巴巴和腾讯一个称呼 ——BAT。现在，中国的人工智能初创企业险些占到所有人工智能全球投资的一半。

7.2 中国的数据盈余

中国人口众多，靠近 14 亿人，为那里的研究人员和初创企业提供了未来人类数据中最有价值的自然资源，而不受世界许多地方普遍存在的隐私和宁静限制。如果数据是新的石油，那么中国就是新的欧佩克。中国人正在挖掘的这种富厚的数据可以用来训练人工智能，挖掘从教育、制造到零售和军事应用等各个领域的模式。

8. 人工智能与社会

8.1 人工情感智能

凭据信诺康健服务机构的研究，在已往的 50 年里，美国人的孤苦率翻了一番。两年前，英国前总理 Theresa May 缔造了一个新的内阁职位，世界上首位孤苦部长。在我们日益精密联系的世界里，陈诉说人们感应越发伶仃。在未来，像韩国这样正在与大规模心理康健危机作斗争的政府，可能会转向情感支持机械人来大规模解决这个问题。

8.2 小我私家数码双胞胎

去年中国中央电视台的春节联欢晚会上，四位著名的人类主持人与他们的数码双胞胎一起亮相。据预计，有 10 亿人寓目，这些人工智能复制品模拟了人类的同类，没有预先设定的行为、演讲或法式。不久的未来，可能会有一对数字双胞胎，面向包罗康健和教育在内的多个领域的专业人士。

8.3 问题数据集

人工智能自己并没有偏见，可是数据输入方法和输入数据的人可以显著改变人工智能的行为。从真实的人那里获取真实的数据来训练系统很难题，而且随着新的隐私限制，开发人员可能会选择更多地依赖公然的和有问题的数据集。

8.4 人工智能识别欺骗性为

人工智能也被用来识别欺骗行为。ECRI 研究所的 Crosscheq 使用机械学习和数据分析来寻找招聘历程中的夸张和误导信息。德雷克塞尔大学的研究人员开发了一个应用法式，使用生物特征来预测节食者何时可能偏离划定的饮食方案。

8.5 针对弱势群体设计的算法

在世界各地的国家，人工智能正被用于疆域口岸、贫困社区以及存在犯罪问题的学区。大多数时候，这项技术被称为一种解决方案，但它有助于剥夺弱势社区的公民权。

8.6 人工智能存在偏见

随着盘算机系统越来越擅长做决议，算法可能会把人们每小我私家分成对我们自身来说没有任何显着意义但可能发生庞大影响的组。每一天，人们都在缔造难以想象的数据量，这些数据是通过算法挖掘和使用的，通常没有您的直接知识或明白。它被用来制作广告，资助潜在的雇主预测我们的行为，确定我们的抵押贷款利率，甚至资助执法部门预测我们是否可能犯罪。

8.7 人工智能居心隐藏数据

盘算机正是根据下令来做的。下令一台机械在角逐中获胜，它将尽其所能实现这一目的。显然现在包罗作弊，而且这种情况发生的越发频繁。

8.8 未陈诉（Undocumented）人工智能事故的兴起

现在，研究人员没有义务陈诉涉及我们的数据某人工智能历程的事故或事件，除非违反了执法。虽然大公司必须见告消费者其小我私家数据信用卡号码、家庭住址、密码是否被盗，但它们不必公然算法基于种族或性别歧视某人的实例。

8.9 人工智能与数字红利

人工智能将不行制止地导致全球劳动力的转移，导致许多行业的失业。数字红利则是一种公司向社会归还一部门从人工智能获得的利润的方式。

8.10 优先思量责任和信任

人们依赖于对人工智能的信任将不再能够判断一个数据集是否被有意或无意地窜改，如果我们不再相信这个效果，几十年的研究和技术进步将一无所获。政府、企业、非营利组织等各个部门的向导人都必须对所使用的数据和算法有信心。

此外，雇佣伦理学家直接与治理者和开发人员互助，并确保开发人员自己代表差别种族、民族和性此外多样性，将淘汰人工智能系统中固有的偏见。