人工智能技術在2018年發展趨勢的共性
步入2018年，技術表現出兩個共同特點：智能和自動化。 2017年形成的許多技術趨勢在2018年仍將繼續：互聯設備、數字化轉型、物聯網、機器學習、人工智能和自動化。這些熱點話題仍隸屬2018以及之后最流行的科技詞匯，其實質性差異在于技術的融合。AI和IoT本身就具有變革性，現在可以想象，人工智能互聯將促進互連和自動化世界的數字化轉型。
一、智能
如果想實現智慧工廠、智慧城市、智能汽車和智能家庭，那么支持系統也要智能化。人工智能在過去取得重大進步得益于有監督深度學習的支持：訓練深度神經網絡執行特定的單一任務。所謂學習被監督，指已經提供大量的樣例給算法，且其被告知正確答案。這種深度學習十分強大，可以構建超出人類能力的系統。斯坦福大學科學家訓練了一種診斷皮膚癌的神經網絡，準確性達到執證皮膚科醫生的診斷水平。訓練過程所用的醫學圖像超過129,000張。 人的學習方法不同，我們不需要如此大量的數據。另一方面，機器處理數據的速度比我們快得多。因此，訓練算法往往比訓練人類專家更快。其中一個限制因素是需要為大量高質量訓練數據提供正確標簽。現在，我們看到學習速度更快、所需數據更少、表現極為出色的無監督學習系統。從2018年開始，我們將看到基本不需要監督的增強學習系統—超越游戲規則。 供應鏈優化、客戶交互、預測性維護、數據中心運維和樓宇自動化是基于規則的系統應用領域中的幾個案例。現在應用這些規則來迅速訓練系統來比利用人為生成的邏輯要強。對監督算法訓練的優化投入了巨大努力，如今，焦點轉向如何優化無監督方法與現實模式關聯，在復雜的環境中采取最佳行動。
二、自動化
如果可以自動執行任務或流程，人們一定會采用這種方法。自動化不僅在于使人能夠將精力集中于更高價值的任務，而且可以提高運營效率和重復性。自動化已成為不可或缺的技術。我們生活在大數據時代，數據量一直在不斷增加并被物聯網放大。分析是獲得洞察和創造物聯網價值的關鍵所在。分析自動化已成為解決大量數據驅動問題的必要手段。
機器學習和人工智能是幫助實現自動化的技術。這讓很多人略感不安：人們不會對只需少量技能以及基本上不需要培訓的簡單任務進行自動化。街頭公告員這個職業早已沒有了。如今，自動化針對的是需要對人進行廣泛培訓的崗位—例如法律助理和醫療專業人員。人們對機器學習和人工智能的信任還沒有達到對其它自動化技術的信任程度——人人都信任復印機或傳真機。機器學習和人工智能系統無法解釋它們是如何工作以及做出決策是主要的信任障礙。 人們有時會把自動與自主混為一談。自動化任務不是代替人類做決定，人類仍然可以保持控制權。事實上，人們還沒有準備好改變他們與數學和邏輯之間的關系。人們喜歡自己能夠理解并加以整理的邏輯。軟件利用計算機系統以人們已知的方式去處理信息，因為這是他們編寫的代碼。當出現錯誤時，人們可以調試并糾正邏輯。
正因為算法的學習方式與人不同，因此人工智能對事物的看法也不同。它們可以看到人類觀察不到的關系和模式。正如Tom Gruber在其TED演講中指出，我們應該討論的是機器和算法如何使我們變得更聰明，而不是我們如何使機器變得聰明。也許我們不會讓算法自主運行供應鏈，而是期待它提出下一步行動的建議。這種建議可能會讓我們大吃一驚。 像所有技術一樣，AI是輔助技術。也許在2018年，我們將不再只把AI看成是 “虛擬人工智能”，而將它作為一種“輔助信息”技術。