动荡的美国大选、极端天气事件和新冠肺炎继续考验着人们的决心和韧性。人工智能、合成生物学、超大规模计算、机器人和太空任务等前沿技术也正在挑战着我们对人类潜力的假设。
在全球封锁状态下，人们学会了如何在餐桌上工作，如何在空闲的房间里做决策，如何远程互相支持。但是这种改变才刚刚开始，人们比以往任何时候都更需要掌握技术趋势的潜在近期和长期影响。
近日，未来今日研究所（FutureTodayInstitute）发布了《年科技趋势报告》，报告分析了多个行业的近种科技趋势，并对未来一年将影响商业、政治、教育、媒体和社会的战略趋势做出了具体的描述。正如这份科技趋势所述，未来的世界将深受人工智能、5G、区块链等技术的影响。
科技趋势报告封面（来源：FTI）20世纪20年代始于混乱，第一次世界大战和西班牙大流感导致了灾难性破坏，但是无线电、冰箱、真空吸尘器、移动装配线和电子动力传输等技术奇迹产生了新的增长。
这些场景与当今世界存在着太多惊人的相似之处。新的危机中，人工智能等一系列科技的力量带动了新的发展。由于人工智能现在已经被应用于大多数行业，在新版的科技趋势报告中，FTI首先介绍了人工智能领域的发展趋势。
趋势报告内容表明，人工智能正以惊人的速度从学术界转向企业。同时，以亚马逊网络服务、Azure和谷歌云为代表的低代码和无代码产品，将渗透到日常生活中，使人们能够创建自己的人工智能应用程序，并轻松地部署它们。
但是从另一方面看，人工智能社区仍然使用封闭源代码模式运行。研究人员不愿意公布他们的完整代码，导致透明度和再现性降低，问责制度模糊不清。
研究报告还对中国的人工智能发展现状做出了一系列分析。分析认为，中国已经成为人工智能研发强国，并且明确指出中国日益增长的人工智能力量不是军事、经济和外交等方面的威胁。
除了上述这些内容，报告还从多方面展示了人工智能领域未来的发展趋势。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，这都是一份比较详尽的报告。
限于篇幅，学术头条精选了报告中关于人工智能的部分内容进行翻译，希望对读者有参考价值。报告更多亮点及全文，可在文末查看。
人工智能科技趋势总览0.人工智能综述
0.1关键见解
人工智能代表了计算的第三个时代，通常它被定义为机器执行认知功能的能力与人类一样好或比人类更好。这些功能包括感知、学习、推理、解决问题、理解上下文、做出推理和预测以及锻炼创造力。
0.2突破性影响
突破性研究、业务用例、数据爆炸式增长以及计算能力和存储的改进的融合正在推动人工智能的进步。从年到年，全球人工智能市场预计将以42.2%的年复合增长率继续增长。
0.3超级玩家
BroadInstitute、Clarifai、ClearviewAI、DeepMind、Disperse、Graphcore、HiSiliconTechnologies、Kasisto、LabGenius、MohamedbinZayedUniversityofArtificialIntelligence、Niantic、Nvidia、OpenAI、OpenMined、Persado、PolyAI、Recursion、SenseTime、ScaleAI、Syntiant。
0.4机器学习
机器学习使用数据对如何实现既定目标做出预测和建议。机器学习的类型包括有监督的、无监督的和强化的。在监督学习中，算法使用训练数据来学习已建立的参数之间的关系。在无监督学习中，数据被提供给没有特定输出参数的算法。在强化学习中，一种算法通过重复运行计算来学习执行一项任务，以此来实现一个既定的目标。
0.5深度学习
深度学习是机器学习的一个相对较新的分支。程序员使用特殊的深度学习算法以及大量的数据来实现系统的自主学习。深度学习的出现意味着越来越多的人类过程将被自动化。常见的深度学习类型包括卷积神经网络、递归神经网络、变压器神经网络和生成对抗网络(GANs)。。
卷积神经网络(CNN)是多层的，具有卷积层、汇集层和完全连接层。每个人使用数据执行不同的任务，输出是分类。递归神经网络(RNNs)是多层神经网络，在输入层、隐藏层和输出层之间移动和存储信息，多用来为预测建立序列数据模型。生成对抗网络(GANs)是无监督的深度学习系统，由两个相互竞争的发生器和鉴别器组成。变压器是一种神经网络架构，当单词出现在特定的上下文中时，它会学习单词的含义。
0.6强弱AI
人工智能有两种—弱(或“狭义”)和强(或“广义”)，没有单一的标准来区分弱AI和强AI。这对于研究人工智能发展的研究人员和必须对人工智能做出决策的经理来说是有问题的。事实上，我们已经开始看到现实世界中运行人工智能的例子。DeepMind的一些项目已经证实了人工智能在某些领域比人类做得更好。虽然我们还没有看到拟人化的人工智能走出DeepMind的实验室，但我们应该把这些项目视为今天的弱人工智能和明天的强人工智能之间漫长过渡的一部分。
1.AI与企业
1.1MLOps的兴起
年，一些增长最快的GitHub项目是MLOps，即处理工具、基础设施和操作的项目。展望未来，MLOps将描述一套结合机器学习、传统开发和数据工程的最佳实践。
1.2低代码或无代码机器学习
机器学习正在转变，因为新平台允许企业利用人工智能的力量来构建应用程序，而不需要知道具体的代码。
1.3网络规模的内容分析
由于先进的自然语言处理收集和分类，挖掘非常大的非结构化数据集现在变得更加容易。经过识别关键字的训练，特殊的算法可以快速地对信息进行排序、分类和标记。
1.4模拟同情和情感
人工智能现在可以测量表示一个人情绪状态的生物标记，如焦虑、悲伤或眩晕。精确检测人类情感具有挑战性，但是拥有足够大数据集的公司正在开发精确的模型。
图
通过测量某些生物标记，人工智能可以检测人们的情绪并做出相应的反应
1.5人工情感智能
研究团队正在教授机器无条件的爱、积极地倾听和同理心。在未来，机器将令人信服地展示人类的情感，如爱、快乐、恐惧和悲伤。这项技术医院、学校和监狱，为病人、学生和囚犯提供情感支持机器人。
在我们日益紧密联系的世界里，人们感到更加孤立。未来与大规模精神健康危机作斗争的政府可能会转向情感支持机器人来大规模解决这个问题。
1.6无服务器计算
AWS、阿里巴巴云、微软的Azure、谷歌云和百度云正在为开发人员推出新的产品，目标是让广大人工智能初创企业更容易、更实惠地将他们的想法推向市场。一些其他企业也正在加入这个领域。
1.7云中AI
人工智能生态系统中的企业领导者一直在竞相获取人工智能云共享，并成为远程服务器上最值得信任的人工智能提供商。企业客户可能会坚持他们最初的供应商，因为机器学习系统随着时间的推移，收集的数据越来越多，变得越来越好。
1.8边缘计算
物联网及其数十亿台设备，加上5G网络和不断增强的计算能力，使得边缘大规模人工智能成为可能。在设备上直接处理数据在未来对医疗保健、汽车和制造应用非常重要，因为它可能更快、更安全。
1.9先进人工智能芯片
神经网络长期以来需要大量的计算能力，需要很长时间来训练，并且依赖于消耗数百千瓦功率的数据中心和计算机。这一切都开始改变了。包括华为、苹果、微软、Facebook、Alphabet、IBM、英伟达、英特尔和高通在内的大型科技公司，都在开发新的系统架构和SoCs，这意味着芯片更容易在人工智能项目中工作，并且应该保证更快、更安全的处理。
图
三星的下一代Exynos芯片将有一个AMD图形处理单元(GPU)
1.10数字孪生
数字孪生是现实世界环境、产品或资产的虚拟表示，用于各种目的。随着低代码和无代码系统变得越来越普遍，公司应该能够构建和部署数字孪生来模拟一系列广泛的过程，这将导致现代化进程的支出减少。
1.11辨别真假
在过去的一年里，研究人员展示了人工智能是如何被用来编写如此优异的文本，以至于人类无法分辨它是否机器编写的。事实证明，人工智能也可以用来检测文本是何时由机器生成的，即使我们人类无法识别伪造的文本。
1.12面向ESGs的自然语言处理
企业社会责任标准必须量化并明确表述，但衡量绩效可能很困难，因为涉及许多无形资产或抽象概念。自然语言处理正被用于识别、标记和分类来自各种来源的关于公司ESG声誉的文档。
1.13智能光学字符识别
一个持续的挑战是让机器认识到我们在写作中表达自己的各种方式。光学字符识别(OCR)以固定的、可识别的格式工作。但是，光学字符识别通常不够智能，无法识别不同的字体、独特的符号或只针对一家公司的电子表格字段。研究人员正在训练人工智能系统识别模式，即使它们出现在不寻常的地方。
1.14机器人过程自动化
机器人过程自动化(RPA)可以自动化办公室内的某些任务和过程，并允许员工将时间花在更高价值的工作上。这是企业中最常用的人工智能技术。
1.15海量翻译系统
Facebook的人工智能实验室使用从网络上自动收集的75亿对句子来训练该模型。FastText语言模型识别语言，无监督学习模型根据句子的含义匹配句子。目标是提高同声传译。
图
Facebook推出了第一个不依赖英语数据翻译种语言的人工智能模型（来源：Facebook）
1.16预测系统和站点故障
计算机视觉可以预测和识别物理位置的故障。高科技工厂、航空公司制造商和建筑工地使用图像识别系统来监控项目并自动警告问题。这是通过将现实世界的数据与数字双胞胎的数据进行比较来实现的。
1.17人工智能责任险
当机器表现不好时，谁该受责备？例如，如果机器学习使一家公司容易受到向系统注入虚假训练数据的攻击者的攻击，会发生什么？这些问题可能会让一家公司面临诉讼风险。新的保险模式将有助于解决这些问题。保险商开始将人工智能纳入网络保险计划。
1.18操纵AI以获得竞争优势
亚马逊、谷歌和Facebook在过去几年都因操纵搜索系统以优先考虑对公司更有利可图的结果而受到抨击。搜索算法的调整对互联网用户看到的内容有着重大影响，无论是新闻、产品还是广告。这也在一定程度上导致了针对这些公司的持续反垄断诉讼。
1.19全球投资AI热潮
全球都在竞相资助AI研究和收购AI初创企业。根据国家风险投资协会的数据，年第一季度，家美国AI初创公司筹集了69亿美元。随着Covid成为全球流行病，投资减少了，但包括苹果、谷歌和微软在内的科技巨头仍在收购AI公司。
1.20算法市场
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。年，微软斥资75亿美元收购GitHub，这是一个流行的开发平台，允许任何人托管和审查代码，与其他开发人员合作，并构建各种项目。AWS拥有自己的市场，提供计算机视觉、语音识别和文本的模型和算法，其销售者包括英特尔、CloudSight和许多其他公司。
1.21年软件
与其他工程工具相比，传统软件的保质期短且不可预测。这导致令人头痛的问题和昂贵的升级，通常会导致停机。自年以来，美国国防高级研究计划局(DARPA)资助了一百多年来使软件可行的研究。这些系统将使用人工智能来动态适应环境和资源的变化。他们需要一种新颖的设计方法，使用人工智能来发现和显示应用程序的操作以及与其他系统的交互。
2.AI与医疗、健康、科学
2.1AI加速科学发现
运行几个变量的实验通常需要对测量、材料和输入进行有条理的调整。研究生们可能会花费数百个乏味的小时反复进行小调整，直到找到解决方案，这是对他们认知能力的浪费。研究实验室现在使用人工智能系统来加速科学发现的过程。
2.2AI首次药物发现
新冠肺炎加快了人工智能在药物发现中的应用。一个国际团队在不到48小时的时间内合成了个分子的候选物，其中包括了一种Covid抗病毒药物——这一过程可能需要人类研究人员一个月或更长时间。倡导者说，人工智能将使药物开发和临床试验更加有效，从而降低药物价格，为更个性化的药物铺平道路。
AI用于提高新药发现的速度和效率2.3AI改善患者护理
新的医疗算法解决了美国的患者护理水平。不同的患者对症状的体验不同，他们的护理基于他们如何描述自己的症状以及医生如何解释这些症状。研究人员正在训练深度学习模型，并发现病人护理中的差距。
2.4AI在医学影像中的应用
放射学家和病理学家越来越依赖人工智能来帮助他们进行诊断医学成像。到目前为止，大多数获得批准的设备都增强了检查图像和进行诊断的过程。但是新兴的自主产品正在进入临床环境。
2.5自然语言处理算法检测病毒突变
自然语言处理(NLP)算法通常用于文本、单词和句子，被用来解释病毒的遗传变化。蛋白质序列和遗传密码可以使用自然语言处理技术来建模，并且可以像在文字处理软件中写单词和句子一样进行操作。麻省理工学院的研究人员使用自然语言处理对病毒逃逸进行建模，通过在突变发生前使用这种模型，公共卫生官员可以制定策略，并潜在地防止新的病毒传播。
2.6无测试诊断
多个研究院所的科学家们及健康科学公司ZOE共同开发一个应用程序来研究Covid症状并跟踪病毒的传播。它收集并使用人工智能来分析来自万全球贡献者的数据，以发现新的症状，预测Covid热点，并最终预测Covid病例，而无需物理测试。
图
美国食品和药物管理局（FDA）批准第一个提供诊断决策的自主人工智能系统IDx-DR。
2.7蛋白质折叠
年11月，DeepMind的人工智能发布了一项重大公告：它成功地从蛋白质的氨基酸序列中确定了蛋白质的3D形状。预测蛋白质结构一直困扰着生物学家。AlphaFold此前曾击败过其他团队，但它在去年的CASP上工作得如此之快、如此之准确，以至于它预示着这项技术将在不久的将来被其他科学家定期使用。
2.8梦想交流
科学家发现了如何在清醒梦者之间建立双向沟通渠道。清醒梦者意识到自己睡着了，可以控制自己的梦境。并基于现有研究证明，做梦时有新的方式发送和接收实时信息。
2.9思维探测
深度神经网络被用来使用无线信号分析情绪状态。研究实验室正在开发新技术来解读我们的思想。这有商业含义：人力资源部门可以决定员工对公司政策的真实看法，律师可以决定陪审员在案件中的倾向，房地产经纪人可以判断购房者的严重程度。
3.AI与消费者
3.1零用户界面
现代界面能够以更少的直接动作为我们做更多的事情，但仍然吸引着我们的注意力。零用户界面—承诺优先考虑这些决定，代表我们委托它们，甚至根据情况自主地为我们回答。许多这种无形的决策将在没有直接监督或来自人们的投入的情况下发生。
3.2消费者级AI应用
已经出现了从专业研究人员使用的高度技术性的人工智能应用程序到面向精通技术的消费者的更轻量级、用户友好的应用程序的转变。新的自动化机器学习平台使非专家构建和部署预测模型成为可能。平台希望在不久的将来，我们将使用各种人工智能应用程序作为我们日常工作的一部分，就像我们今天使用微软办公软件和谷歌文档一样。
3.3无处不在的数字助理
数字助理(DaS)使用语义和自然语言处理以及我们的数据来预测我们接下来想要或需要做什么，有时甚至在我们知道要问什么之前。新闻机构、娱乐公司、营销人员、信用卡公司、银行、地方当局、政治活动和许多其他人可以利用DAs来显示和传递关键信息。
阿里巴巴的天猫精灵使用自然语言处理3.4虚假娱乐深度
REFACE是一个面部交换应用程序，可以将您的面部变形为名人的身体，并创建GIF在社交媒体上共享。Jiggy是一个能让任何人跳舞的假货。就目前而言，它们都产生了看起来像被操纵过的图像和礼物。但是随着技术变得如此容易使用，我们还要多久才能区分真假？
3.5个人数字双胞胎
许多初创公司正在构建可定制、可培训的平台，能够向你学习——然后通过个人数字双胞胎在网上代表你。在不久的将来，包括健康和教育在内的一系列领域的专业人士可能会拥有数字双胞胎。
4.AI与研究
4.1封闭源代码
代码对于可再现性、可问责性和透明度非常重要，并且是推动更大的人工智能社区改进的关键。但是当学术研究人员发表论文时，他们通常不会包含所有的代码。给出的理由是：他们使用的代码与其他专有研究混合在一起，因此无法发布，这也正是企业的做法。
4.2框架整合
谷歌的TensorFlow和Facebook的PyTorch是研究人员使用的两个流行框架，不同框架的相对流行通常反映了商业应用领域的趋势。在过去的四年里，Facebook似乎取得了进展。在提到研究人员使用的框架的会议论文中，75%引用了PyTorch，位发表的TensorFlow论文比PyTorch论文多的研究人员中，55%的人转向了PyTorch。
4.3培训模型的成本
训练一个模特要花很多钱。几个变量影响这些成本，所有这些成本在过去几年都有所增加。对于较小的研究团体和公司来说，成本是难以承受的。人工智能领域的一些人转而允许大型科技公司预先培训和发布大型模型。
4.4自然语言处理基准
通用语言理解评估基准是用于训练、评估和分析自然语言理解系统的资源集合。人类基线分数为87，自然语言处理系统在年8月增至90.6，超过人类。SuperGLUE基准是对更困难的语言理解任务、改进的资源和新的公共排行榜的新度量。预计到年底，这一新的基准也将被超越。
SuperGLUE将在年底被打破4.5机器阅读理解
对于人工智能研究人员来说，机器阅读理解一直是一个具有挑战性的目标，但也是一个重要的目标。MRC使系统能够在筛选庞大数据集的同时阅读、推断意义并立即给出答案。年，中国的阿里巴巴在接受微软机器阅读理解数据集(简称MARCOMS)测试时表现优于人类。
4.6AI自我总结
新的AI模型可以总结科学文献，包括关于自身的研究。艾伦人工智能研究所(AI2)在语义学者中使用了这个模型，语义学者是一个人工智能驱动的科学论文搜索引擎，提供人工智能论文的简短摘要。这项工作之所以令人印象深刻，是因为它能够准确高效地压缩长论文。
4.7无培训AI
训练机器人做不止一件事是困难的，但是一种新的模型在一个游戏中让相同的机器人手臂相互对抗。这是多任务学习的一个例子，一种深度学习模式，在这种模式下，机器在进步的同时学习不同的技能。OpenAI的模型允许机器人解决新的问题，而不需要再培训。
4.8图形神经网络
图形神经网络(GNNs)构成了一种特殊类型的深度神经网络，它对图形作为输入进行操作。神经网络被用于检测气味——在分子水平上预测气味——以及广泛的化学和生物过程。例如，布罗德研究所的研究人员使用它们来发现没有毒副作用的抗生素化合物。
4.9联合学习
联合学习是一种将机器学习推向边缘的技术。这是由谷歌研究人员在年推出的一个新框架，它使算法可以在不损害用户隐私的情况下使用手机和智能手表等设备上的数据。这个领域的研究急剧增加。
4.10GP模型
高斯过程是许多现实世界建模问题的黄金标准，尤其是在模型的成功取决于其忠实表示预测不确定性的能力的情况下。得益于神经网络的改进，全球定位系统变得更加精确和易于训练。
4.11GPT-3的影响
GPT-3是由OpenAI在去年发布的，但是AI表现出强烈的反穆斯林偏见。在该模型的许多使用案例中，穆斯林暴力偏见始终如一地、创造性地出现。这是偏见如何潜入我们自动化系统的又一个例子。如果不加以控制，随着人工智能的成熟，它将在整个社会造成问题。
4.12Vokenization
像GPT-3这样的模型是在句法和语法上训练的，而不是创造力或常识。人类以多层次、多维度的方式学习，因此一种称为vokenization的新技术通过将语言“标记”与相关图像进行上下文映射，来外推仅包含语言的数据。
4.13机器图像完成
如果一个计算机系统可以访问足够多的图像——比如说，数百万张——它就可以修补和填充图片中的漏洞。这种能力对于专业摄影师以及每个想拍出更好自拍的人都有实际应用。随着这种技术变得司空见惯，将会有重大的偏见和其他陷阱需要克服。
4.14使用单个图像的预测模型
计算机视觉系统变得越来越智能。神经网络可以从单一的彩色图像预测几何形状。这项研究有一天将使机器人能够更容易地在人类环境中导航——并通过从我们的肢体语言中获取线索来与我们人类互动。零售业、制造业和教育背景可能尤其相关。
4.15远程学习的无模型方法
梦想家是一种强化学习(RL)代理，它使用世界模型来学习长期预测，通过模型预测采用反向传播。它可以从原始图像中创建模型，并使用图形处理单元(GPU)并行从数千个预测序列中学习。这种新方法使用一个想象的世界来解决长期任务。
4.16实时机器学习
人工智能面临的一大挑战是构建能够主动收集和解释数据、发现模式和整合上下文并最终实时学习的机器。对实时机器学习(RTML)的新研究表明，使用连续的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方式的巨大变化。
4.17自动机器学习
一些组织希望摆脱传统的机器学习方法，这种方法既耗时又困难，需要数据科学家、人工智能领域的专家和工程师。自动机器学习(AutoML)是一种新的方法：将原始数据和模型匹配在一起以揭示最相关信息的过程。谷歌、亚马逊和微软现在提供大量的自动产品和服务。
4.18人机混合视觉
没有人类的帮助，人工智能还不能完全发挥作用。混合智能系统将人类和人工智能系统结合起来，以实现更高的准确性。微软研究人员提出了潘多拉，一套用于理解系统故障的混合人机方法和工具。潘多拉利用人类和系统生成的观察来解释与输入内容和系统架构相关的故障。
4.19神经符号
研究人员正在研究使用神经网络将学习和逻辑结合起来的新方法，这种网络将通过符号来理解数据，而不是总是依赖人类程序员为他们排序、标记和编目数据。符号算法将有助于这一过程，这最终将导致一个健壮的系统，不总是需要一个人来训练。
4.20通用强化学习算法
研究人员正在开发可以学习多项任务的单一算法。年1月，DeepMind发表了一项新的研究，表明强化学习技术如何可以用来提高我们对心理健康和动机的理解。
4.21持续学习
目前，深度学习技术正在帮助系统学习以类似人类可以做的方式解决复杂的任务。他们需要一个严格的顺序：收集数据，确定目标，部署算法。这个过程需要人，并且可能很耗时，尤其是在需要监督训练的早期阶段。持续学习更多的是关于自我调节和增量技能的培养和发展，研究人员将继续推进这一领域可能的极限。
4.22Franken算法的扩散
虽然一个单一的算法可能很容易描述和部署，如预期的那样，算法系统一起工作有时会带来问题。开发人员并不总是事先知道一个算法将如何与其他算法一起工作。有时，几个开发团队在独立地处理不同的算法和数据集，一旦部署完成，他们只能看到彼此的工作。对于Facebook这样的大公司来说，这尤其具有挑战性，因为它们在任何给定的时间都有数十亿个算法在一起工作。
4.23专有的、自主开发的AI语言
Python、Julia、Lisp标志着人工智能生态系统的未来可能会出现分裂，这与当前iOS/Android的竞争或长期的Mac/PC战争并无不同。企业会发现在人工智能框架和语言之间切换越来越成本高昂和困难。
5.AI与人才
5.1AI人才流失
人工智能研究人员从学术界流失到公司的速度惊人。原因很简单：薪酬待遇。顶尖学者获得丰厚的薪水和福利，他们可以在类似的终身环境中工作，这种环境是精心培养的，以代表他们在学术界的经验。今天挖墙脚的部门，可能会抢夺未来AI专家的未来。没有伟大的学者，谁来培养下一代创新者？
5.2AI大学
专门致力于人工智能的新机构正在世界各地推出。在阿拉伯联合酋长国，新的人工智能大学于去年成立。MBZUAI是世界上第一所研究生水平的研究型人工智能大学。人工智能大学由哈佛大学和加州大学洛杉矶分校共同创建，是一个机器学习和人工智能培训的在线项目。
图
斯坦福大学自然语言处理课程的注册人数是年的10倍
5.3对AI的需求正在增长
多年来，人工智能人才的需求超过了供应。在美国，去年与人工智能相关的职位发布比与人工智能相关的职位查看多近三倍。虽然学校正在增加项目，增加招生，增加班级，但对人工智能技能的新需求太多，训练有素的工人远远不够。随着需求的增长，招聘过程需要更长时间，成本也越来越高。
5.4企业AI实验室
人工智能实验室遍布世界各地，集中在北美、欧洲和亚洲。Facebook、谷歌、IBM和微软运营着62个致力于人工智能研发的实验室，其中大多数在美国以外，因为可以接触到人才。
5.5面试AI
识别系统现在可以用来观察你被面试的情况，并衡量你的热情、坚韧和沉着。算法分析数百个细节，如你的语气，你的面部表情和你的习惯，以最好地预测你将如何适应一个社区的文化。
6.AI与创造性
6.1辅助创造力
生成性敌对网络(GANs)的能力远远超过生成深度伪造视频。研究人员正在与艺术家和音乐家合作，以产生全新的创造性表达形式。从合成非洲部落面具到建造幻想、虚构的星系，人工智能被用来探索新的想法。
6.2用于内容的生成算法
“野蛮司法”在YouTube上播出，由一名合成记者弗FredSassy担任主角，他看起来很像前总统特朗普，只是声音和发型不同，足以逃避法律挑战。剧集中出现了Gore，MarkZuckerberg，JaredKushner和其他人的虚假人物。
6.3从短视频生成虚拟环境
Nvidia正在教人工智能从短视频剪辑中构建逼真的3D环境。该方法建立在以前对GANs的研究基础上。自动生成的虚拟环境可以用于幻想和超级英雄电影，并可以降低电视制作和游戏开发的成本。
图
创意工作室SoKrispyMedia制作以战斗中的棍形人物为特色的短片。它依靠实时渲染来获得逼真的结果
6.4自动化版本控制
总部位于瑞士的塔梅迪亚的记者们在他们国家年的选举中，一个名为鸢的决策树算法生成了自动化的文章，详细描述了私人媒体集团旗下30家报纸覆盖的每个城市的投票结果。这些文章有一个特殊的署名，提醒读者它们是由一种算法写的。随着更多实验的进行，我们预计新闻和娱乐媒体公司将开发同一内容的多个版本，以覆盖更广泛的受众或大规模制作大量内容。
6.5自动语音克隆和配音
类似人工智能和描述性人工智能在内的人工智能公司的承诺使得克隆声音成为可能。这意味着很快你可能会在电影中看到像PhoebeWaller-Bridge这样的明星，还会听到她用自己的声音说葡萄牙语。然而，这项技术显然有黑暗的一面，导致了语音诈骗的出现。
图
自动点唱机是一个神经网络，它产生音乐，包括初级歌唱，作为各种流派和艺术家风格的原始音频
6.6自动环境噪声配音
人们一直在训练计算机观看视频，并预测我们物理世界中相应的声音。这项研究的重点正在麻省理工学院的计算机科学和人工智能实验室进行，应该有助于系统理解物体在物理领域是如何相互作用的。许多项目正在进行中，以使自动生成声音、视频甚至故事情节变得更加容易。
7.AI与安全
7.1AI民族主义
政府正在对并购和投资活动实施新的限制，以确保公司开发的人工智能不会帮助外国对手。去年，美国参议院提出的一项两党法案被称为“永无止境边境法案”，该法案明确将人工智能界定为美国和中国之间的一场竞赛。
美国众议院通过了永无止境边境法案7.2国家AI战略
新一波国家将在年和年推出国家人工智能战略。中国通过了新一代人工智能发展计划，设定了新的基准，要在10年内成为世界上占主导地位的人工智能玩家。在美国，许多公共和私人团体代表国家独立研究人工智能的未来。然而，这些努力缺乏机构间协作和协调努力，以精简目标、成果、研发努力和资金。
7.3作为关键基础设施的AI
政府研究人员正在探索引领关键系统应用人工智能开发的方法：公路和铁路运输系统；发电和配电；和消防车等公共安全车辆的路线预测。人们不再回避人工智能系统，而是对使用该技术来预防灾难和提高安全性产生了新的兴趣。
7.4基于国家的防护和法规
从自动驾驶汽车事故到通过虚假信息活动干扰选举，再到通过面部识别和自动监控增强的政治镇压，过去几年的重大事件极大地缓解了人工智能的危险。对于一项触及人类方方面面的技术来说，现在几乎没有防护存在，各国都在竞相开发和发布自己的人工智能战略和指南。
7.5监管DeepFake
美国和其他地方将在年出台新的措施来监管深度假货的生产和分销。夏威夷州议会的一项法案试图禁止未经授权的DeepFake应用程序和工具。如果通过，DeepFake将被视为C级重罪。这些倡议可能会遇到禁止DeepFake侵犯言论自由权的争论。
7.6让AI自我解释
计算机科学家、记者和法律学者越来越担心人工智能系统不应该如此神秘，监管机构正在密切