近年來，人工智能又再一次刷新我們的三觀，ai的出現使得很多人的飯碗變得岌岌可危，在未來AI人工智能會進一步發展，將會極大的解放生產力，勞動力，先不說未來，我們先看在19年，人工智能都會有那些新趨勢？
趨勢一：很多應用實現部分自動化的新技術。
自(zi)動(dong)化(hua)的(de)實(shi)現(xian)會(hui)是(shi)分(fen)階(jie)段(duan)的(de)，雖(sui)然(ran)實(shi)現(xian)完(wan)全(quan)的(de)自(zi)動(dong)化(hua)還(hai)有(you)很(hen)長(chang)的(de)路(lu)要(yao)走(zou)，但(dan)是(shi)有(you)許(xu)多(duo)工(gong)作(zuo)流(liu)程(cheng)和(he)任(ren)務(wu)是(shi)可(ke)以(yi)實(shi)現(xian)部(bu)分(fen)自(zi)動(dong)化(hua)的(de)。事(shi)實(shi)上(shang)，大(da)約(yue)60％的職業裏的30％或(huo)更(geng)多(duo)的(de)工(gong)作(zuo)是(shi)可(ke)以(yi)實(shi)現(xian)自(zi)動(dong)化(hua)的(de)。我(wo)們(men)已(yi)經(jing)看(kan)到(dao)了(le)一(yi)些(xie)基(ji)於(yu)計(ji)算(suan)機(ji)視(shi)覺(jiao)和(he)語(yu)音(yin)技(ji)術(shu)的(de)產(chan)品(pin)和(he)服(fu)務(wu)，而(er)語(yu)言(yan)模(mo)型(xing)和(he)機(ji)器(qi)人(ren)技(ji)術(shu)方(fang)麵(mian)的(de)進(jin)一(yi)步(bu)改(gai)進(jin)將(jiang)會(hui)帶(dai)來(lai)針(zhen)對(dui)文(wen)本(ben)和(he)物(wu)理(li)世(shi)界(jie)任(ren)務(wu)的(de)解(jie)決(jue)方(fang)案(an)。
趨勢二：人工智能將會基於現有的分析應用而構建。
zaiguoqujinianli，henduogongsidouzaigoujianliuchenghejichujiagoulaijiesuoyigoudeshujuyuan，yibiantishengzhuyaodeguanjianfenxirenwudebiaoxian。zhexierenwubaokuoleshangyefenxi、推薦器和個性化服務、預測、異常檢測和監控任務等。
chuleshiyongjisuanjishijiaoheyuyinjishudexinxitong，womenyujianshenduxuexiheqianghuaxuexizaiqiyelidezaoqichangshijiangchuxianzainaxieyijingshiyongshujuhejiqixuexidedifang。
趨勢三：用戶體驗和用戶界麵的設計將會很重要。
當前許多的人工智能解決方案需要和消費者、人ren類lei工gong人ren和he專zhuan家jia攜xie手shou工gong作zuo。這zhe些xie係xi統tong提ti升sheng了le用yong戶hu的de工gong作zuo效xiao率lv，在zai許xu多duo情qing況kuang下xia使shi他ta們men能neng夠gou以yi難nan以yi置zhi信xin的de規gui模mo和he準zhun確que度du完wan成cheng任ren務wu。恰qia當dang的de用yong戶hu體ti驗yan和he用yong戶hu界jie麵mian設she計ji不bu僅jin能neng夠gou簡jian化hua這zhe些xie任ren務wu，而er且qie長chang期qi來lai看kan，這zhe能neng讓rang用yong戶hu信xin任ren人ren工gong智zhi能neng的de解jie決jue方fang案an，並bing使shi用yong它ta們men。
趨勢四：有專門用於感知、模型訓練和模型推理的硬件。
憑借創造了記錄的語音和計算機視覺的模型，深度學習在2011年複興。今天已經有足夠大的規模來證明需要專用的硬件。Facebook在一天裏就做出數萬億次預測。穀歌也有足夠的規模來證明自己製造專用硬件的合理性--從去年開始，穀歌一直在其雲環境中使用自己的張量處理單元（TPU）。2019年(nian)將(jiang)出(chu)現(xian)更(geng)多(duo)的(de)專(zhuan)用(yong)硬(ying)件(jian)。在(zai)中(zhong)國(guo)和(he)美(mei)國(guo)，許(xu)多(duo)公(gong)司(si)和(he)創(chuang)業(ye)企(qi)業(ye)一(yi)直(zhi)致(zhi)力(li)於(yu)製(zhi)造(zao)麵(mian)向(xiang)模(mo)型(xing)構(gou)建(jian)和(he)推(tui)理(li)的(de)硬(ying)件(jian)來(lai)用(yong)於(yu)數(shu)據(ju)中(zhong)心(xin)和(he)邊(bian)緣(yuan)設(she)備(bei)。
趨勢五：人工智能解決方案將會繼續基於混合模型。
雖然深度學習將繼續引領許多有趣的研究，但大多數端到端的解決方案依然是混合係統。2019年，我們將開始更多地了解其他組件和方法的基本作用--包括基於模型的方法，如貝葉斯推理、樹搜索、進化、知識圖譜、仿真平台等。
趨勢六：人工智能的成功將會刺激對新工具和流程的投資。
我們處在一個高度經驗主義的機器學習時代。機器學習開發的工具需要認識到數據、實驗和模型搜索、模型部署和監控的重要性。隻看這個過程中的一個步驟：模型構建，企業就已經開始研究用於數據血緣、元數據管理和分析、計算資源高效利用、高效模型搜索和超參數調優的工具。在2019年，我們預計將會出現許多新工具，它們能夠讓開發和實際部署人工智能和機器學習產品和服務更加容易。
趨勢七：機器欺騙挑戰才剛剛開始
盡管已經存在了大量的“人造”新聞，我們仍然處於機器生成內容（人造圖像、視頻、語音和文本）的(de)早(zao)期(qi)階(jie)段(duan)。至(zhi)少(shao)到(dao)目(mu)前(qian)為(wei)止(zhi)，刑(xing)偵(zhen)和(he)取(qu)證(zheng)技(ji)術(shu)已(yi)經(jing)能(neng)夠(gou)找(zhao)出(chu)偽(wei)造(zao)的(de)視(shi)頻(pin)和(he)圖(tu)像(xiang)。但(dan)生(sheng)成(cheng)虛(xu)假(jia)內(nei)容(rong)的(de)工(gong)具(ju)正(zheng)在(zai)迅(xun)速(su)發(fa)展(zhan)，因(yin)此(ci)美(mei)國(guo)和(he)其(qi)他(ta)地(di)方(fang)的(de)研(yan)究(jiu)資(zi)助(zhu)機(ji)構(gou)已(yi)經(jing)啟(qi)動(dong)了(le)一(yi)些(xie)項(xiang)目(mu)，以(yi)確(que)保(bao)偵(zhen)測(ce)技(ji)術(shu)能(neng)夠(gou)跟(gen)上(shang)它(ta)們(men)的(de)發(fa)展(zhan)。
機器欺騙不僅局限於機器欺騙人類，機器欺騙機器（機器人）和人欺騙機器（水軍和點擊農場）可ke能neng同tong樣yang難nan以yi處chu理li。信xin息xi散san布bu和he點dian擊ji農nong場chang將jiang繼ji續xu被bei用yong於yu欺qi騙pian內nei容rong和he電dian商shang平ping台tai上shang的de排pai名ming係xi統tong，而er檢jian測ce和he對dui抗kang方fang法fa將jiang不bu得de不bu隨sui著zhe新xin形xing式shi的de機ji器qi欺qi騙pian的de出chu現xian而er迅xun速su發fa展zhan。
趨勢八：可靠性和安全性將成為中心議題
令人振奮的是，研究人員和實踐人員對隱私、公平和道德問題產生了濃厚的興趣，並積極參與其中。但隨著人工智能係統被部署到關鍵任務應用中（甚至包括涉及生死的場景，比如自動駕駛汽車或醫療保健等），zidonghuadailaidexiaolvtishengbixubansuizheduianquanxinghekekaoxingdeceliangyijiquebao。zaixianpingtaishangjiqiqipiandexingqi，yijizuijinshejizidongjiashiqichedeshigu，yijingchedirangzhegewentigongkaihua。
趨勢九：大量訓練數據的民主化將帶來比較公平的競爭環境
因為我們所依賴的許多模型（包括深度學習和強化學習）都需要大量的數據，所以人工智能開發領域可預見的贏家一直是能夠獲得大量數據的大公司或國家。但是，用於生成標注數據集的服務商（特別是那些依賴於人類標注的公司）正在開始使用機器學習工具來幫助他們的人類員工實現規模化和提高準確性。在某些領域，生成對抗網絡（GAN）和仿真平台等新工具能夠提供真實的合成數據用於訓練機器學習模型。
