解读丨2020年人工智能发展预测

[导读] 120位人工智能相关行业和公司的高级管理者，将对广泛的话题展开预测，包括 - 无人驾驶车辆(autonomous vehicle), deepfakes, small data, voice和自然语言识别，human和augmented intelligence，bias和explainability, edge和IoT，以及其他人工智能和机器学习相关的具有极大前景的应用....

120位人工智能相关行业和公司的高级管理者，将对广泛的话题展开预测，包括 – 无人驾驶车辆(autonomous vehicle), deepfakes, small data, voice和自然语言识别，human和augmented intelligence，bias和explainability, edge和IoT，以及其他人工智能和机器学习相关的具有极大前景的应用….

Nauto, CEO, Dr. Stefan Heck

汽车人工智能(vehicle AI)将打破现有规则。无人驾驶车辆将不必收到道路限速的限制 – 无人驾驶车辆需要学习如何超过限速并在确保驾驶者安全的基础上匹配其他车辆的速度。同样也包括关于车辆相撞的算法安排，确保如何最大限度的保护更多的生命。在2020年，我们将看到有关的算法讨论。

Affectiva – CEO – Rana el Kaliouby

我们将会看到数据合成方法的崛起(data synthesis methodologies）来迎接人工智能的数据挑战。基于深度学习的人工智能算法(AI algorithms built on deep learning)的数据只能在经过训练后才可以获得相当的精度，并在海量数据中得到验证。但是人工智能领域的开发公司要面临如何获取正确的数据和必要数量的数据的问题。为此，我们可以基于已经获取的数据经过合成生成新的数据(synthesize it to create new data)。数据合成并没有消除对真实世界数据的需要(eliminate the need for collecting real-world data)，这对于开发高精度人工智能算法非常重要，但是数据合成可以强化这些数据集。(augment those data set)

Trifacta – Co-founder – Joe Hellerstein

到2020年我们会看到人工智能和机器学习(AI/ML）将从研究阶段进入到实用阶段(shift from research into engineering)，带来对AI/ML量产阶段生命周期管理的持续关注。(manage the AI/ML lifecycle in production)。作为所有数据项目的对于数据准备(data preparation)的投资将持续增多。作为所有数据项目的整体构件的一部分，同时也是所有数据项目的最大瓶颈(biggest bottleneck)，如何提升数据质量，并将IT部门从数据准备中解放出来尤为重要。

Aiqudo – CEO, John Foster

随着语音命令越来越成为用户与设备交互的主要手段，我们将看到语音查询的暴增(voice queries explode)。每一个查询代表着一个用户的意愿，通常又与接下来的行动密切相关。(correlated with an action)，如加入购物车，导航到最近的星巴克等等–高价值的(high value)和交易驱动的用户意愿(transaction-oriented consumer intents)。所有以消费者为核心的(consumer-focused)AI平台，都需要收集和分析这些，以语音命令为代表的(represented by voice commands)大量的高价值用户接触点(consumer touch points)。

Israel Innovation Aughority – CEO, Aharon Aharon

近些年来我们看到越来越多的国家发展自己的国家人工智能战略(national artificial intelligence)。人工智能将给生活的各个方面带来便利的同时，提升效率(well-being in all aspects of life)。从政府部门的角度(from the perspective of a government agency)，伴随着对人工智能技术的采纳，也应辅助以合适的及基础设施，数据和管制，特别是在自主决策和隐私方面(autonomous decision-making and privacy)。我们也应当在面临智能机器对劳动市场(labour market）带来挑战的时候，更多的投资于人力资本(human capital)以提升竞争力。

LogMeIn –

2020年离语音真正可以成为可靠的人工智能工具还有一定的距离。即使是最先进的人工智能语音解决方案也仅仅适用于特定的应用。语音要成为可靠的人机交互界面，还需要克服很多因素，如外部环境的不可控性。语音技术正在变得越来越好，我们会找到合适的应用采用语音技术。但是在2020年，我们不会将所有的鸡蛋放到一个篮子中。

ActiveViam –

越来越多的零售商(retailor）采用人工智能技术作为其市场洞察(market insight)的工具，代替以往的用户调研(survey and study)。但是很多的零售商挣扎于如何将这些市场洞察，转变为实际的行动指南，用于商品定价，供应链和销售规划(actionable business rules for pricing, supply chain and merchandising)。人工智能正在成为主流，当时并不是所有的公司都意识到将人工智能用于数据分析(data ayalysis)仅仅是真正的更宏大转型的第一步。(first step into a larger process of true transformation)。

XLabs –

在2020年AI将可以开始真正的处理(tackle)有意义的(meaningful）和艰难的问题。AI可以帮助人类处理我们无法完成的任务，而不仅仅是模仿人类的能力(attempt to mimic our abilities)。我们称其为”Amplified Intelligence”。

Hailo –

随着AI事实上正在植入芯片中，一个新的计算时代正在到来，而我们现在仅仅站在了起点。AI芯片正在提升汽车实时处理视觉数据(visual data）的效率，实现未来真正的自主驾驶(pave the way for autonomous vehicle)。对于智慧城市，AI芯片正在辅助处理重要的任务(crucial task），如实时交通监控(real-time traffic monitoring)，寻找失踪人口和偷窃的汽车。对于智慧家庭，芯片可以可以确保数据处理的可靠性和隐私安全性。所有这些技术，正在为新的应用和User case搭建了舞台，并为下一代的产品和产品需求的优化注入能量。(fueling the next generation of product and refinement of product need)。

MEMSql –

2020年我们将看到AI激动人心的突破(drastic breakthrough)和真正的转变(real transformative changes)。AI将从实验室渗透(infiltrate)进你的生活。如果2020年发生经济衰退(recession）的话，那么对于AI/ML确实加速成长的机会。因为AI/ML正在专注于提升人类工作的自动化程度和效率。

Alluxio –

过去的统计分析模型(statistical model)正在计算机技术的加持下，成为了人工智能和机器学习。数据，分析师和AI工程师的工作不再是分割的，他们需要合作以便从数据中发现价值(derive data from the data)。2020年越来越多的公司将简历专门的数据分析团队(dedicated team around data stack)。

Harmon.ie –

机器学习在企业应用的发展，使语境(context)识别(context identification)和内容土建(content recommendation）成为可能，帮助从业者从容应对信息泛滥(cope with information sprawl)。通过增强(augment）和聚焦用户行为(effort)，基于用户现有语境(context）推荐相关信息，减少了用户的感知负担(cognitive burden)，帮助企业更加快速的数字化转型。

UJET –

在2020年，人工智能将显著的(dramatically)的提升雇员体验(employee experience)。通过自动的和即时的(automatically and instantly）从多个渠道搜集信息，并加以分析和提供可执行的洞察(actionable insight)，可以帮助员工可以更快的，更方便的和更准确的解决消费者询问(address customer inquiries)，并提供高满意度的解决方案(highly satisfactory issue resolution)。

Cleo –

当数字化到来的时候，整个供应链行业反应缓慢，特别是AI/ML算法所需足以坐车可信赖建议(reliable suggestion)的数据。随着2020年现代供应链的浮现(emerge)，AI和ML算法足以为高达30,000平方尺的供应链空间提供有价值的洞察(valuable insights)，缓解以前的冗长的操作流程(tedious processes)，比如Product redirects, Order Cancellations, Oversupply等。

Mastercard –

最终所有企业将完全转型，在大规模生产中(in production at scale)采用复杂的人工智能模型。到目前为止，大部分的人工智能应用要么是仍处于实验室阶段(experiments, not in production)，要么只是简单的推荐，预测和回归模型(recommendation, prediction and regression)，或者是只应用在小规模应用中。在2020年，将有越来越多的大企业展现更加大胆(get bolder)的人工智能雄心(ambitions)，并要求其供应商也大规模导入。(large deployment)。

Cloudian –

随着数据规模 （data volume continue）的持续爆发(explode)，带来的挑战是如何获得数据的真正战略价值(full strategic value)。目标存储(object storage)的新型存储架构与传统不同，利用元数据(leverage metadata)处理来自AI和ML的巨量wordload。

Yahoo Small Business –

在2020年，AI将填补小型企业天然的资源鸿沟(close gap in marchant capabilities)。通过自动化工作流程，人工智能可以帮助中小型商户更无缝和高效(seamlessly and efficiently）管理其库存。

Intuition Robotics –

我们将看到特定领域(domain specific)的数字伙伴(Digital Companion)，可以帮助我们更好地完成任务并更好地使用技术，比如一个积极主动的(proactive）车内驾驶伙伴(co-driver)，让我们成为更安全的驾驶者并预测我们在驾驶环境下的(anticipate)需求。

PagerDuty –

在未来仅仅是“实时”已经不足够了，我们需要的是可预见性。大数据可以提供足够的情境(context)，突出新兴的事物(emerging pattern)，揭示其不同的可能性(reveal degree of probability)。在AI的支持下，这一切将变为可能(be within reach)。

ASCM – Association of Supply Chain Management –

2020年我们将看到从以用户为中心到以数据为中心的转变(shift from people-centric to data-centric)，借助于Predicive and Prescriptive Analytics和人工智能，我们将看到自动决策(automatic decision making)。为了满足客户个性化的产品和服务需求(demands for tailored products and services)，我们需要在供应链管理中更好的采用技术和分析手段。为此我们需要对基础设施的翻新(revamp)和员工团队的再培训。