电 话:400-0379-440
手机:18238880808
邮 箱:385215264.com
步行器厂家人工智能技术在各领域的应用
核心提示:虽然人工智能的很多研究和应用会基于一些通用技术,比如说机器学习,但在不同的经济和社会部门还是会有所区别。我们称之为不同的领域(domain),接下来的这部分将介绍人工智能研究和应用的不同类型,以及影响和挑战,主要有八个方面:交通、家庭服务机器人、医疗健康、教育、低资源社区、公共安全、工作和就业、娱乐。
虽然人工智能的很多研究和应用会基于一些通用技术,比如说机器学习,但在不同的经济和社会部门还是会有所区别。我们称之为不同的领域(domain),接下来的这部分将介绍人工智能研究和应用的不同类型,以及影响和挑战,主要有八个方面:交通、家庭服务机器人、医疗健康、教育、低资源社区、公共安全、工作和就业、娱乐。
基于这些分析,我们还预测了一个有代表性的北美城市在未来15年的趋势。与人工智能的流行文化中的典型叙述不同,我们寻求提供一个平衡的观点来分析,人工智能是如何开始影响我们日常生活的,以及从现在到 2030 年,这些影响将如何发展。
交通可能会成为首批几个特定应用领域之一,在这些领域,大众需要对人工智能系统在执行危险任务中的可靠性和安全性加以信任。自动化交通会很快司空见惯,大多数人在嵌入人工智能系统的实体交通工作的首次体验将强有力的影响公众对人工智能的感知。
一旦硬件做到足够安全和稳健,它进入日常生活的速度将使公众所惊讶,这可能需要时间进行调整。随着汽车逐渐取代人类成为更好的司机,城市居民拥有的车辆将减少,住所和工作地点的距离也会更远,花费的时间也会发生变化。这会导致出现一种全新的城市组织架构。再者,2030 年在典型的北美城市中,人工智能带来的改变将不仅限于车辆,还会影响各种飞行器和个人机器人,这将引发对社会、道德和政策等议题的讨论。
一些关键技术已经催化了人工智能在交通领域的广泛应用步行器厂家。与 2000 年相比,智能手机的普及,各类传感器成本的下降和性能的提升,使得我们今天能获取的关于个人和群体交通数据的规模和多样性获得了惊人的增长。如果没有这些数据、连接、实时传感和交通预测等应用、路线规划,共享乘车和自动驾驶将不可能实现。
2001 年,GPS 被应用于私家车用于定位,目前已经成为交通系统的基础部件。GPS 在辅助司机进行驾驶时也将关于交通模式的大量数据提供给科技公司和城市部门。拥有 GPS 功能的智能手机的广泛应用也进一步增强了链接以及位置信息的共享。
当前的车辆还配备了各种传感设备。根据估算,美国平均每一辆车上装有 70 个传感器,包括陀螺仪、加速器、亿光环境光源传感器和湿度传感器。对于汽车来说,传感器已经不是什么新事物了。2000 年之前制造的汽车已经装配了能够获取自身速度、加速和轮胎状况的传感器。
这些车辆还拥有一些功能,能够把实时传感和决策(例如 ABS)、气囊控制、电气牵引系统和控制和电子稳定程序结合起来。自从 2003 年以来,一些自动化功能就已经被引入了商用车,具体功能见下表。
这些功能能够协助司机,甚至完全取代司机的某些活动来增强安全性和舒适性。现在的汽车能够自动 破车,在高速路上可以自适应巡航控制,变换车道时可以提示驾驶员盲区中出现的物体信息。视觉和雷达技术被引入到碰撞预防系统。深度学习也已经应用在了这些方向,通过对周围环境的物体检测和声音识别来提升自动驾驶汽车的性能。
不远的未来,在用于驾驶的功能方面,感知算法将超过人类的水平。包括视觉在内的自动化感知,在处理是被和跟踪等任务时,已经接近人类水平。
除了感知方面的进步,随之出现的还有算法的进一步提升所带来的推理和规划能力。近期一份报告预测,自动驾驶汽车将在 2020 年得到广泛应用。而自动驾驶功能的应用也将不局限于个人交通。
我们将看到自动驾驶汽车和远程操控的运载车辆、飞行器、和自动驾驶卡车。基于用户共享的交通服务也将充分利用自动驾驶汽车。此外,机器人技术的进步也将更有利于其他类型自动驾驶设备的创造和应用,包括机器人、无人机等。
现在还不明确的一点是,自动驾驶汽车需要发展到何种程度才能引起大众的广泛接受步行器厂家。半自动驾驶汽车中的人车合作与人类司机认知符合的潜在意义都还未能完全理解。
但如果未来的自动驾驶汽车以可预测的速度走向应用,且超越人类的驾驶水平,那势必将带来重要的社会变化。自动驾驶汽车消除了美国交通伤亡的一大原因,可以延长人们的平均寿命。
美国一个通勤者的单程平均驾驶时间是 25 分钟。当有了自动驾驶技术之后,人们可以在通勤中有更多的时间来工作和休闲。自动驾驶汽车带来的舒适度的提升和认知负担的减少,再加上共享交通,将影响人们选择居住地点。
自动驾驶汽车和点到点交通服务可能消除对私人汽车的需要。对整体汽车产业的影响难以预测。空汽车以及人们日益增加的旅行意愿可能导致更多的总驾驶里程步行器厂家。
此外,共享自动驾驶汽车(人们使用汽车作为服务而非自己拥有汽车)可能减少总里程,特别是如果与好的结构合理的激励机制结合起来,比如通行税或者折扣,就能铺开旅行需求、拼车、减少拥堵。
共享交通的实现可能取代对公共交通的需求,或者公共交通可能改变形式,迈向个人快速公交系统。这已经在 4 个城市中实现了,它们使用小容量汽车在许多站台间进行按需运输与点到点运输。
随着自动驾黑丝汽车变得更加普遍,安全上的问题将会出现,包括如何在发布前保证该技术是安全的、在不同的路况下有适当测试的。自动驾驶汽车和连接交通基础设施将为黑客创造一个新的犯罪地点。当死亡不可避免时,汽车编程选择牺牲什么人也会引发到的问题,特别是当汽车需要瞬间做出选择的时候。
美国大部分州的法律系统没有覆盖自动驾驶汽车的条例。到 2016 年,美国的 4 个州(内华达、弗罗里达、加州、密歇根)、加拿大的安大略、英国、发过、瑞典都已经通过了在公共道路测试自动驾驶汽车的条例。甚至这些法律都没有解决自动驾驶汽车和半自动驾驶汽车责任和事故问责的问题。
到 2005 年,城市开始投资交通基础设施以为汽车和行人交通开发传感能力。目前已经使用的传感器包括感应线圈、视频摄像头、远程交通微波传感器、雷达和 GPS。比如,2013 年纽约市开始使用微博传感器、摄像机网络和流量计数器来检测城市中的车辆交通。
城市使用人工智能方法通过多种方式来优化服务,比如公交车和地铁规划、跟踪交通状况以动态调整限速或在高速路、桥梁和 HOV 车道上采用智能定价。通过道路网中的传感器和相机,他们可以优化交通等定时以改善交通流和帮助自动执法。这些动态策略的目标是更好地利用交通网中受限的资源,而且也因为数据的可用性和个体的广泛连通性而成为了可能。
在 2000 年代以前,交通规划者被迫依赖受限于特定日期或时间的静态定价策略来管理需求。随着动态定价策略的采用,这会带来涉及到公共利益公平分配的新问题,因为高需求环境的市场条件可能会让公共部分无法使用这些服务。
大规模数据的可用性也让交通成为了机器学习的一个完美领域。自 2006 年以来,Mapquest、谷歌地图和 Bing 地图等应用已经广泛地被公众用来规划旅行线路、使用公交系统、接收关于交通状况的实时信息和预测、以及寻找某个地点周围的服务。优化搜索算法已经被用于汽车和行人去往给定目的地的路径规划。
尽管有这些进步,传感和优化技术在城市基础设施上的广泛应用却慢于这些技术在单独的车辆或人上的应用。尽管已经有个别城市已经部署了传感和优化应用,但目前却还没有传感基础设施和人工智能技术的标准可用。
基础设施需要成本,各个城市的重点也不一样,而且涉及到人工智能的各方之间协调的高额成本对城市基础设施的影响也越来越大。个体行动、他们的偏好和他们的目标的准确预测模型会随着更大的数据可用性而涌现。相关的道德问题将在本报告的第三节进行讨论。
美国交通运输部在 2016 年发布了一份提案,要求中等规模的城市想象用于交通的智慧城市基础设施。这一倡议计划向展示了技术和数据可以如何被用于重构人与货物的流动方式的城市奖励 4000 万美元。
一个愿景是实现车联网,其可以通过车对车的通信实现高水平的驾驶安全。如果这一愿景成为了现实,我们预计在多代理协调、协作和规划上的进步将极大地影响未来的汽车发展,并在打造更加可靠更加高效的交通运输系统上发挥作用。
机器人也可能会通过运输个人和包裹来参与到交通中(比如,Segway 机器人)。对于货物运输,人们对无人机的兴趣越来越大,亚马逊现在就正在测试使用无人机的快递系统,尽管在合适的安全规则和监管方面还存在着一些问题。
传感能力的提升、无人机的采用和互连的交通基础设施也将引发对个人隐私和私密数据安全的担忧。未来几年,这些问题和相关的交通运输问题也将需要得到解决不管是通过部分行业内先发制人的行动还是在法律的框架内。正如第三节政策讨论中所指出的那样,这些行动的效果将会影响交通运输行业内人工智能相关进展的步伐和范围。
Uber 和 Lyft 等即时交通服务已经涌现成为了传感、连接和人工智能的另一项关键应用,这些技术可以使用算法根据位置和合适度(声誉模型)来匹配司机和乘客。
通过动态定价,这些服务可以通过支付意愿进行配给,动态定价还有利于估计司机数量的增长,这已经成为了城市交通的一种流行的方法。随着它们的快速发展,一些政策和法律问题也随之出现了,比如和已有的出租车服务竞争以及对缺乏监管和安全的担忧。按需交通服务似乎很有可能成为自动驾驶汽车的一个主要推动力。
拼车和驾乘共享一直以来都被视为有希望缓解交通拥堵的方法,而且还能更好地利用个人交通资源。Zimride 和 Nuride 等服务将具有类似路线的人聚集到一起进行联合旅行。但拼车的方法难以获得大规模的推动力。
几十年来,人们一直在想象非常不同的、未来感十足的交通载具。尽管未来的车辆将会更加智能,无人机也将得到广泛应用,但在 2030 年之前我们不太可能会大规模地用上和现在已有的交通工具在外观和功能上大相径庭的交通载具。我们的研究小组并不指望可以海陆空穿行的无人机或四轴飞行器在这个时间范围内变成常用的交通运输方式(尽管现在已有原型机出现了)。
我们预计人类会成为自动驾驶汽车和无人机的训练、执行和评估过程中的合作伙伴。这种伙伴关系可能是物理地,也可能是虚拟的。我们预计算法的进步将促进机器从人类输入中的学习。我们还预计会出现建模人类注意机制、以及支持人机之间的通信和协作的模型和算法。这是未来汽车发展的一个组成部分。
过去十五年中,机器人已经进入了人们的家庭。但应用种类的增长慢得让人失望,与此同时,日益复杂的人工智能也被部署到了已有的应用之中。人工智能的进步常常从机械的革新中获取灵感,而这反过来又带来了新的人工智能技术。
未来十五年,在典型的北美城市里,机械和人工智能技术的共同进步将有望增加家用机器人的使用和应用的安全性和可靠性。特定用途的机器人将被用于快递、清洁办公室和强化安全,但在可预见的未来内,技术限制和可靠机械设备的高成本将继续限制狭窄领域内应用的商业机会。至于自动驾驶汽车和其它新型的交通机器,创造可靠的、成熟的硬件的难度不应该被低估。
经过许多年的开发之后,真空清洁机器人 Electrolux Trilobite 在 2001 年成为了第一款商用家庭机器人。它有一个简单的控制系统,可以做到避障和一些导航。一年之后,iRobot 推出了 Roomba,它的价格只有 Trilobite 的十分之一,只有 512 字节的 RAM,运行着一个基于行为的控制器。其所能做到的最智能的事情是避免从楼梯上跌落。自那时起,已有 1600 万台 Roomba 被部署到了世界各地,现在也已有了其它一些竞争品牌。
随着低成本嵌入式处理器的处理能力和 RAM 容量在 2000 年时令人沮丧的状态的基础上实现的提升,这些机器人的人工智能能力也取得了显著的提升。简单的导航、自充电和处理垃圾箱装满的行为等已经得到了解决,接着又解决了电线和地毯流苏的问题,这些是通过机械改进和基于传感器的感知的结合实现的。
最近,全 VSLAM(视觉同步定位和测绘,一种已经存在了 20 年的人工智能技术)的加入让机器人可以构建它们所清洁的房屋的全 3D 世界模型,从而让他们在他们的清洁范围内更加高效。
人们早期预测过的一些家用机器人应用还没有实现。机器人真空吸尘器也仅限于局部的平坦区域,而真正的家里有大量的单级阶梯甚至楼梯;在机器人在真实家庭中的运动上的研究还非常少。硬件平台的构建仍然很困难,人们只对很少的应用有足够的购买意愿。用于图像标注和 3D 对象识别等功能的感知算法尽管在人工智能会议上很常见,但离产品化还仍有几年的时间。
尽管家庭机器人到来的速度缓慢,但仍有迹象表明在接下来的 15 年内会发生改变。像 Amazon Robotics 和 Uber 这样的公司正在使用各种聚合技术开发大规模经济。也包括:
这些系统至少要比十年前的超级计算机更好,它们有着 8 ~ 64 核,配备密码学的专门化硅片、摄像头驱动、附加的 DSPs,以及针对特定感知算法的硬硅片。这意味着低成本设备将能够支持比我们 15 年前能够想象到的更多的机载人工智能。
云(其他人的计算机)将使得家庭机器人上的新软件的快速迭代成为可能,共享更多的不同家庭内收集的数据集,这反过来也能供给基于云的机器学习,然后进一步改进已经部署了的机器人。
低成本的 3D 传感器受到游戏平台的驱动,全球数千名研究人员已经开始在 3D 感知算法上的研究,这也将加速家庭和服务机器人的开发和采用。
在过去的 3 年中,低成本的安全机械臂在全球已经被数百个研究实验室引入,激起一波在家用机器人上的新型研究,这个日期可能是 2025 年。全球超过 6 家创业公司正在开发基于人工智能的家庭机器人步行器厂家,如今主要集中于社交互动。最后,新的道德和隐私问题可能会浮出表面。
对人工智能而言,医疗领域一直被视为一个很有前景的应用领域。基于人工智能的应用在接下来的几年能够为千百万人改进健康结果和生活质量,但这是在它们被医生、护士、病人所信任,政策、条例和商业障碍被移除的情况下。主要的应用包括临床决策支持、病人监控、辅导、在外科手术或者病人看护中的自动化设备、医疗系统的管理。
近期的成功,比如挖掘社交媒体数据推断潜在的健康风险、机器学习预测风险中的病人、机器人支持外科手术,已经为人工智能在医疗领域的应用扩展出了极大的应用可能。与医学专家和病人的交互方法的改进将会是一大挑战。
至于其他领域,数据是一个关键点。在从个人监护设备和手机 App 上、临床电子数据记录上收集有用的数据方面,我们已经取得了巨大的进展,从协助医疗流程和医院运行的机器人那里收集的数据可能较少一些。但使用这些数据帮助个体病人和群体病人进行更精细的针对和治疗已经被证明极其的困难。
研究和部署人工智能应用已经被过时的条例和激励机制拉扯后腿。在这样大型的、复杂的系统中,贫乏的人机交互方法和固有的难题以及部署技术的风险也阻碍了人工智能在医疗的实现。减少或者移除这些障碍,结合目前的创新,有潜力在接下来几年为千百万人极大的改进健康结果和生活质量。
十几年来,人工智能临床助手的观点已经成为了陈词滥调。尽管在医疗领域已经有了成功的人工智能相关技术的试点,目前医疗输送系统仍非常不幸的因结构病态难以吸收、应用新进展。由平价医疗法案(Affordable Care Act)提供的激励机制已经加快了 EHR 在临床实践中的渗透,但执行力度缺乏,破坏了临床医师对 EHR 作用的信心。
一小撮公司控制着 EHR 市场,用户界面普遍认为不合格,包括医师通常不理会恼人的弹出窗口。使用来自 EHR 数据的新型分析技术的潜力,包括人工智能,就由于这些原因和其他的条例与架构障碍而难以被意识到。
展望下一个 15 年,人工智能在进步,如果配合足够的数据与有的放矢的系统,这极有可能改变分配给临床医师的认知任务。医师如今还是老一套的从病人那里听取病症描述,在脑海中关联与已知疾病的临床表征的模式。
有了自动化助手,医师反而能够监督这一流程,应用自己的经验和直觉指导输入流程,并评估机器智能的输出。医师文字版本的实地经验仍然很重要。一个主要挑战是将人类方面的医疗与自动化推理流程最佳结合。
为了在未来取得进步,临床医师必须从开始就参与其中,从而保证系统能很好建立且值得信任。新一代的熟悉技术的医师已经在手机设备上经常使用专门化的 App 了。同时,初级保健医师的工作量已经增加到了寻求帮助的点。
因此,开发新机器学习方法的机会,通过自动挖掘科学文献创造推断架构模式的机会,以及通过支持自由形式对话的认知助手的机会,都是无比巨大的。鉴于这些进展并未受到条例、法律、社会障碍的阻碍,对医疗价值的巨大改进在我们的掌握之中。
在人口层次上,人工智能从数百万病人临床记录挖掘结果的能力能使得精细的、更私人化的诊断和治疗成为可能。随着完全的步行器厂家、一生仅一次的基因序列成为病人常规,基因型-表型连接的自动发现也将成为可能。一个相关的(可能较早)能力将会是发现“像我的病人一样的病人”,从而基于分析类似群体做治疗决策。
传统的与非传统的医疗数据,因社交平台得以加强,可能导致自定义亚人口的出现,每个人受到周围有自动建议和监控系统的医疗提供商生态系统的管理。随着医疗流程和数百万个体的终身医疗记录变得可用,这些发展有潜力从根本上转变医疗输送系统。
类似地,可穿戴设备对个人环境数据的自动获取将扩展个人医疗。随着供应商发现吸引大量人口(例如,共享医疗)的发现,然后创造出能挖掘产生个人分析与建议的大规模人工数据,这些活动将具有更大的商业化可行性。
不幸的是,FDA 在认可创造性诊断软件上进展缓慢,在加速创新上也有遗留障碍。HIPAA(Health Insurance Portability and Accountability Act)法案要求保护病人隐私,这导致了病人数据流应用人工智能技术的法律障碍。已批准药物的意外副作用可能要比今天出现的更快、更严厉,但分析药物相互作用的手机 APP 可能受阻于应用病人病例信息。
更普遍的是,医疗领域的人工智能研究与创新因缺乏被普遍接受的隐私保护方法与标准而受阻。FDA 认可创新软件的速度缓慢,部分是因为不能清楚理解这些系统的成本/收益权衡。如果监管者(主要是 FDA)认识到有效的上市后报告是一个可靠的对安全风险的对冲,对新的治疗与干预措施的最初认可可能成为可能。
自动图像解析也是研究了数十年的课程。对大型弱标记图像的解析进展是爆发性,比如来自网页的大型图片档案。乍一看,你会很惊讶几乎没有变革类似于医疗图像解析的。大部分生成医疗图像的方式(CT、MR、超声波)都是电子化的,图像都是存档的,而且也有大型的公司有专注于图像的内部研发机构(比如,西门子、飞利浦、GE)。
但目前为止,还有数个障碍限制了进展。在过去十年中,大部分医院的图像档案都电子化了。更重要的问题是不知道图片中的内容(图片中是肝脏还是肾脏?),更不要说做出精细判断了(肝脏中的小黑点表明潜在的肿瘤?)。
严厉的条例管理着这些高风险判断。即使有前沿的技术,放射科医师仍然倾向于查看图像,所以价值定位还并不引人注目。同样,医疗条例阻碍了机构间的数据联合。因此,只有大型的整合医疗公司才能够解决这些问题,比如 Kaiser Permanente。
自动/增强图像解析的发展开始加快。接下来的 15 年内可能不会带来全自动的放射学,但最初的图像分类或者下一层的图像检查可能提高医疗图像生成的速度的成本高效益。当与电子病人记录系统结合的时候,大规模的机器学习技术可能应用于医疗图像数据。
例如,多专业医疗系统有百万病人扫描档案,每个都有相关的放射报告,而且大部分有相关的病人记录。已经有论文表明通过在这些数据上训练深度神经网络,能产生基础的放射性发现,有很高的可靠性。
15 年前,医疗机器人大多是科幻小说内的形象。一家从 IBM 衍生出的名为 Robodoc 的公司为矫形外科手术开发机器人系统。技术是可用的,但公司难以商业化最终关闭,技术也被收购。尽管,近期外科机器人的研究与实际使用也开始爆发。
在 2000 年,Intuitive Surgical 介绍了达芬奇系统,这是一个最初市场化的新技术,支持最低程度的心脏搭桥手术,然后在前列腺癌的治疗上也获得大量的市场吸引力,并在 2003 年与其主要的竞争对手 Computer Motion 合并。
医院运行中的智能自动化方面的成果较少,它不像外科机器人。20 年前,一家名为 HelpMate 的公司为医院输送(比如食物和医疗记录的输送)创造了一个机器人,但最终破产。
最近,Aethon 为基础输送引入了 TUG 机器人,但目前为止少有医院投资该技术。然而,其他服务产业的机器人,比如酒店与仓库,包括 Amazon Robotics(前身为 Kiva)的机器人都证明这些技术至少在大规模环境中是可用且具有成本效益的。此外,这些技术最终可能在医疗领域产生额外的创新。
往前看,医疗领域出现的很多任务将增强而非完全的自动化。例如,机器人可能向正确的屋子输送物品,但然后就需要人进行选择,并放到最终位置。一旦一位病人站到步行器上,陪伴病人在走廊走动可能就相对简单了(尽管面对术后或者老年病人,这个任务更琐碎,特别是在走廊有大量器械和其他人的情况下)。
在手术针准确放置的情况下,进行缝合对机器人而言也很简单。这表明很多未来的系统将在人与机器之间亲密交互,而且需要在两者间建立协作的技术。
自动化的成长将产生对医疗流程的新洞见。历史上,机器人机器人不是非常受数据驱动或是面向数据的科学。随着(半)自动渗透到医疗领域,这正在发生改变。随着新型外科、输送、以及病人看护平台变成线上,量化以及预测分析开始建立到来自这些平台的数据之上。
这些数据将被用于评估性能质量、识别缺陷、错误或者潜在的最优方式,而且将被作为反馈改进新能。简言之,这些平台将促进在做什么与结果档案间建立连接,使得真正的“闭环”医疗成为可能。
目前为止,医疗上的循证分析依靠传统的医疗数据,主要是上面讨论过的电子医疗记录。在临床环境,有希望带入新数据。例如,在人工智能代理的帮助下,Tele-Language 使得医师能够同时与数个病人进行语言治疗。而且从病人手机被动收集的数据中提取行为模式并发出警报的 Lifegraph 已被以色列的精神病医师采纳,用于检测病人苦恼行为的早期迹象。
向前看,受到移动计算革命的驱动,自然环境下生物统计学的惊人成长以及平台的爆发和应用是一个有希望且未曾意料到的趋势。大量的手机 App 如今在提供信息、引入行为修改,或识别“像我一样”的群体。这些结合更专门化的运动追踪设备(比如 Fitbit)趋势的兴起,加上家庭环境与健康追踪设备之间的(内部)连通性的兴起,已经创造出了一个惊人的新的创新领域。
通过结合社交和医疗数据,一些医疗 App 能进行数据挖掘、学习与预测,尽管他们的预测相对基础。数据的聚合与功能性的跨应用可能将刺激出新的甚至更显著的产品,比如不仅建议锻炼日程甚至建议最佳锻炼时间的 App,并且还能为这些锻炼日程提供辅导。
在接下来的 15 年中,美国的老年人数量的增长将超过 50%。美国国家统计局表示在接下来 10 年内,家庭健康助手将增长 38%。尽管该领域有广泛的机会(基础的深灰指出、交互以及通信设备,家庭健康监控,各种简单的户内身体助手,比如步行器、备餐助手),在过去的 15 年中发生过很少。
但即将到来的时代转变将伴随着老年人对技术接受度上的改变。目前出生于 1946 年的 70 岁的老人可能在中年或者更晚的年纪才体验到一些形式的个性化 IT,然而如今 50 岁的老人对科技更亲近也更熟悉。最终,对支持身体、情感、社交以及心理健康的可用的或者成熟的技术,老人将有更大的兴趣,也将有更大的市场。以下是一些可能存在的例子:
共享信息将帮助家庭与出门在外的家庭保持联系,预测分析可能被用于推动家庭向积极行为发展,比如提醒往家打电话。
家庭中的智能设备将在日常生活活动上提供帮助,比如做饭。如果机器人操作能力有足够的改进,也能帮助老人穿衣服、如厕。
更好的听从助手与视觉辅助设备的建议将消除听觉与视觉障碍上的影响,提高安全性以及与社会的沟通。
研究小组期望低成本传感技术的爆发能为家庭内的老人提供大量的能力。原则上,社会中实际存在(指人)以及有简单身体能力(例如,有基础交流能力的移动机器人)应该为新的创新提供一个平台。然而,如此做需要融合人工智能的多个领域(自然语言处理、推理、学习、感知、机器人),从而创造一个老年人可用的、合用的系统。
在过去的十五年间,教育界见证了为数众多的人工智能科技的进步。诸如 K-12 线上教育以及大学配套设备等等应用已经被教育家和学习者们广泛利用。尽管素质教育还是需要人类教师的活跃参与,但人工智能在所有层面上都带来了强化教育的希望,尤其是大规模定制化教育。如何找到通过人工智能技术来最优化整合人类互动与面对面学习将是一个关键性的挑战,这一点医疗行业也是如此。
机器人早已经成为了广为欢迎的教育设备,最早可以追溯到 1980 年 MIT Media Lab 所研制出的 Lego Mindstorms。智能辅导系统(ITS)也成为了针对科学、数学、语言学以及其他学科相匹配的学生互动导师。
自然语言处理,尤其是在与机器学习和众包结合以后步行器厂家,有力推进了线上学习,并让教师可以在扩大教室规模的同时还能做到解决个体学生的学习需求与风格。大型线上学习的系统所得的数据已经为学习分析产生了迅速增长的动力。
但是,学院与大学采用人工智能技术的步伐依然很缓慢,主要是由于资金的缺乏,以及其可以帮助学生达成学习目标的有力证据。一个典型美国北部城市的未来五十年,智能导师与其他人工智能技术帮助教师在课堂或家中工作的规模很有可能会显著扩大,因为意愿学习是基于虚拟现实的应用。但是计算机为基础的学习系统将无法完全替代学校里的教师们。
今天,K-12 线上教育学校能够利用更加复杂和多样化的设备,这些都来自于许多创造了可在多种语言中编程的新型传感技术的公司。Ozobot 是一个机器人,教孩子们编代码以及逻辑分析去让它跳舞或根据颜色代码模型玩游戏。Cubelets 帮助教孩子们通过组装有着不同功能的机器人模块以进行思考、行动或感知来学习逻辑思维。Wonder Workshop 的 Dash 和 Dot 则有着广泛的编程能力。
八岁以及以上的孩子们可以利用一个虚拟编程语言 Blockly 创造简单的动作,或者通过 C 语言或 Java 制造一些 IOS 或安卓的应用。PLEO 机器人是一个机器人宠物,帮助孩子们通过让机器人根据环境的不同方面做出反应反应学习生物学。然而,尽管有些机器人的确参与其中并带来乐趣,但是为了让它们更加普遍被利用,我们还需要一些有着足够说服性的证据以证明它们可以提高学生们的学术表现。
ITS 由一些诸如 Why-2 Atlas 的研究实验室项目发展而来,后者帮助人-机对话在这个时代的早期解决物理问题。ITS 从实验室的试验阶段到实际应用的迅速转变十分惊人,但同时也是我们乐于见到的。可下载的软件与线上系统,例如 Carnegie Speech 或 Duolingo 提供了利用自动语音识别和神经语言程序学技术来识别语言中的错误并帮助用户修改的外语训练。
辅导系统,例如 Carnegie Cognitive Tutor 已经在一些美国高校中有所应用,帮助学生们学习数学。其他 ITS 也针对在图像、电路、医疗诊断、计算机知识和编程、遗传学、化学方面的训练进行了发展。认知辅导师软件可以模仿一个优秀的人类辅导师,例如在学生遇到某些数学问题时提供暗示等。基于所要求的暗示与提供的答案,辅导师可以提供详细具体的反馈。
这种应用也在向更高的教育扩展。一个叫做 SHERLOCK 的 ITS 正在开始用来教空军技师诊断飞行器中的电路系统障碍。南加州大学的信息科学学院已经研发了更多先进的,基于 avatar 的训练模块帮助训练被送往国际岗位的军队人员与有着不同文化背景的人们进行交流。对于个性化辅导的新算法,例如 Bayesian Knowledge Tracing,让个体掌握学习和解决问题的次序。
大部分的惊喜来自于 MOOCs 的爆炸式发展与其他各种线上教育的模型包括像维基百科和 Khan Academy 以及复杂的学习管理系统,建立于同步或异步教育和适应性学习工具。自从上世纪九十年代后期,例如像 Educational Testing Service 和 Pearson 已经在研发自动化的自然语言程序学估测工具,在标准测试中联合评估论文。许多 MOOCs 课程非常受欢迎,还有 EdX、Cousera 以及 Udacity 都在利用自然语言处理、机器学习与众包技术来评估较短的答案与论文中的错误以及编程作业。支撑专业生级别的教育和终生学习的线上教育系统也在迅速扩张。这些系统都具有很大的潜力因为面对面的交流需要对于专家和跳槽者并不是非常重要。尽管他们不是人工智能系统和应用界的领导,但是他们会成为这些技术在经历测试和强化过程中的早期采用者。
可以认为人工智能是教师的秘密武器,特别是在高等教育中,可使用人工智能大幅度扩展他们的课堂级别。为了不断测试不同年级的学生,自动生成问题也是有可能,比如评估单词量的问题、多项选择问题,使用到了 WordNet、Wikipedia、和线上知识本体这样的资源。随着线上课程的爆发,这些技术无疑将被线上教育采纳。尽管这些系统在教育系统中的长期影响还不明显,人工智能社区在很短时间内学习到了很多东西。
从 MOOC 到 Khan Academy 这些大规模线上学习系统以及较小的线上项目收集到的数据集,以及促进了学习分析领域的快速发展。线上资源不仅对普遍传播有里,也是进行数据收集以及设备实验的天然工具,它有助于科学发现并规模化的改进学习质量。Society for Learning Analytics Research(SOLAR)这样的公司、 Learning Analytics and Knowledge Conference 和 Learning at Scale Conference (L@S) 这样的大会的出现无一不表明这一趋势。该社区也使用机器学习、自然语言处理以及其他技术分析学生的参与度、行为和结果。
目前的计划想要建模学生共同的错误概念,预测那个学生有失败的风险,并提供与学习结果紧密关联的实时反馈。近期的的工作也主要专注于了解关于阅读理解、书写、知识掌握、记忆和应用到教育实践(通过开发并测试这些教育技术)中的认知流程。
可以预见,人工智能技术将在学校、学院和大学有越来越先进的应用。其不可用的大部分原因是这些机构中金融资源以及数据的缺乏,从而无法有效地利用这项技术。这些问题正在得到解决,尽管很缓慢通过私人基金和众多项目在暑期项目中培训(主要是)中学教师。就像在人工智能的其它领域中一样,过于 MOOC 的能力的过度炒作和承诺意味着预期往往会超出实际。圣何塞州立大学等特定机构的与 Udacity 的实验经历能让我们对新型教育技术的可能性有更清醒的认识。
在未来十五年,人类教师很可能会在人工智能技术的协助下实现更好的人类交互不管是在教室里还是在家里。本研究小组预计会出现更一般化的而且更先进的虚拟现实场景,让学习可以沉浸式地学习他们将要学习的科目。这个方向已经有人工智能研究者和人文与社会科学研究者增加协作所得到的一些进展,例如斯坦福大学的 Galileo Correspondence Project 和哥伦比亚大学的 Making and Knowing Project。这些跨学科项目将历史文献和虚拟现实应用结合起来探索交互式考古。虚拟现实技术已经在生物学、解剖学、地质学和天文学等自然科学领域得到了应用,从而让学生可以与在真实环境很难触及的环境和物体进行交互。这种对过去世界和幻想世界的再创造将会在艺术和一些科学的学习中变得越来越流行。
人工智能技术将逐渐模糊正式的课堂教育与自学的个人学习之间的界限。比如,自适应学习系统(Adaptive learning systems)将会变成高等教育的核心,因为这可以在控制成本的同时教授大量学生,同时还可以让学生更快速地更换学校。尽管正式教育不会消失,但本研究小组相信 MOOC 和其它形式的在线教育将会以一种混合的教室体验成为所有阶段的学习的一部分从幼儿园到大学。这一发展将促进越来越定制化的学习方法,其中学生可以使用教育技术按照对他们最好的节奏进行学习。在线教育系统将会和学生一起学习,从而帮助改进我们对学习流程的理解。而对学习的分析又会反过来加速个性化教育工具的发展。
目前从硬皮书到数字的音频媒体和文本的转变很可能将遍及整个教育领域。数字阅读设备也将变得更加聪明,让学生可以轻松获取他们所学科目的额外信息。机器翻译技术也将使不同教学材料之间的翻译更见简单,同时还能保证相当程度的准确性,就像现在翻译技术手册一样。目前仅依赖于人类译者的教科书翻译服务将会逐渐整合自动方法以提升速度和降低学校系统的服务成本。
在线学习系统也将给成年人和专业人士带来机会,让他们可以强化自己的知识和技能(或重新涉足新的领域),更好地适应这个快速演进的世界。这将会包括完全在线专业学位以及基于在线课程的专业认证的扩张。
自广大人民难以获得教育的国家,如果这些群体有可以获取在线教育的工具,那么在线资源将会产生重要的积极影响。在线教育资源的发展应该能让支持国际教育项目的基金会可以通过提供工具和相对简单的使用培训来更轻松地提供素质教育。比如说,针对 iPad 开发出了大量的、且大部分免费的教育应用。
在消极的一面,现在学生已有把自己的社会接触限制在电子设备上的趋势了,他们在网络程序的互动上花费了大量时间,却没有进行社会接触。如果教育也越来越多地通过网络进行,那么在学生的社会发展阶段缺乏与同龄人有规律的面对面接触会带来怎样的影响呢?特定的技术已经表明这会产生在神经方面的影响。另一方面,自闭症儿童已经开始从与人工智能系统的互动中受益了。
人工智能存在许多机会去改善生活于一个典型北美城市的低资源社区中的人民生活状况事实上在某些情况下已经有所改变。了解这些人工智能的直接贡献也可能会激发对于发展中国家最为贫穷的地区的潜在贡献。在人工智能的数据收集过程中并没有对这个人群的显著关注,而且传统上人工智能资助者在缺乏商业应用的研究中表现得投资乏力。
有了有针对性的激励和资金优先次序,人工智能技术可以帮助解决低资源社区的需求。萌芽中的努力是有希望的。人工智能可能会有有助于对抗失业和其他社会问题带来的恐惧,它或许会提供缓解措施和解决方案,特别是通过受影响的社区以与其建立信任的方式来实现。
在“为了实现良好社会的数据科学”大旗下,人工智能被用来建立预测模型,以帮助政府机构更有效地利用有限预算来解决诸如铅中毒的问题,由于在密歇根的弗林特正在上演一桩事件步行器厂家,它成为了新闻中一个主要的公共健康问题。孩子们可能会被测试出血铅水平的升高,但不幸的是这意味着问题只在他们已经中毒之后才被检测到。
使用预测模型的许多努力正在进行中以辅助政府机构优先处理处于危险中的儿童,包括那些可能尚未发病的儿童。同样,伊利诺斯州的人力服务部门(IDHS)为了最大限度地影响产前护理,也使用预测模型来识别有着不良出生结果风险的孕妇。辛辛那提市使用它们来积极地进行识别并将检查人员部署到有代码违规风险的物业中去。
任务分配调度和规划技术已被许多不同组织所运用,用以在食物变质之前把它们分发给食物银行、社区中心和个人,这些食物来自于那些过剩机构,比如餐厅。
社会网络可以被利用来创建早期成本较低的、涉及到大量人群的干预措施。例如人工智能可以帮助传播健康相关的信息。洛杉矶有 5000 多个无家可归的年轻人(在 13 到 24 岁之间)。个人干预是困难和昂贵的,而且年轻人对权威的不信任决定了关键信息最好是通过同辈的领导者来进行传播。
人工智能程序或许能够利用无家可归青年的社交网络来战略性的选择同辈领导人去传播与健康有关的信息,比如如何避免艾滋病的传播。这种网络的动态、不确定的特点为人工智能的研究带来了挑战。
同时,也必须注意防止人工智能系统去复制歧视行为,比如机器学习通过非法种族指针去识别人群,或是通过高度相关的替代因素,比如邮政编码。但如果部署得非常谨慎,对人工智能的更多依赖可能会导致歧视的整体减少,因为人工智能程序本质上比人类更容易被审计。
城市已经为公共安全和防护部署人工智能技术了。到 2030 年, 典型的北美城市将在很大程度上依赖它们。这些措施包括可以检测到指向一个潜在犯罪的异常现象的监控摄像机、无人机和预测警务应用。与大多数问题一样,好处与风险并存。
获得公众信任是至关重要的。虽然会存在一些合理的担心,即与人工智能合作的警务可能会在某些情况下变得霸道或是无处不在,而相反的情况也是可能的。人工智能可能使警务变得更有针对性并只在需要时被使用。而且假设经过仔细的部署,人工智能也可能有助于消除一些人类决策中固有的偏见。
对于人工智能分析学更成功的一个应用是检测白领犯罪,比如信用卡诈骗罪。网络安全(包括垃圾邮件)是一个被广泛关注的问题,而机器学习也对其有所影响。
人工智能工具也可能被证明有助于警察管理犯罪现场或是搜索和救援活动,它可以帮助指挥官排列任务的优先次序以及分配资源,尽管这些工具还没有为这些活动的自动化做好准备。在一般的机器学习尤其是在转换学习中的改进在新情境中基于与过去情况的相似性而加快学习可能有利于这样的系统步行器厂家。
相较于防止犯罪的发生,如今几乎部署在世界各地的摄像机更倾向于帮助解决犯罪问题。这是由于从视频中识别事件像素太低以及缺乏人力来查看海量的视频流。随着人工智能对这一领域的改进,它将更好地辅助犯罪预防和起诉,通过更精确的事件分类和有效的视频自动处理来检测异常现象包括潜在的警察渎职证据。这些改进可能会导致更广泛的监督。一些城市已经增加了用于监视目的的无人驾驶飞机,以及警用无人机来维护港口、机场、沿海地区、航道的安全,工业设施可能会增多,这增加了对隐私、安全等问题的关注。
纽约警察局的 CompStat 是第一个指向预测警务的工具,并且许多警察部门目前都在使用它。在犯罪于何时何地更可能发生以及谁可能是罪犯方面,机器学习显著地增强了这种预测能力。正如电影 Minority Report 所戏剧化地描述得那样,预测警务工具引发了那些被无理针对的无辜群众挥之不去的恐惧。然而部署得好的人工智能预测工具有可能消除或减少人类的偏见,而不是加强偏见,而且研究和资源应当被用以确保这种效果。
人工智能技术可被用以开发智能模拟,用来培训执法人员之间的合作。而来自不同国家的国际犯罪组织和恐怖分子会相互勾结,那么来自不同国家的警察部队联手对抗他们时就仍有困难。培训国际的执法人员团队之间的协同工作是非常具有挑战性的。欧盟通过 Horizon 2020 项目,目前支持诸如 LawTrain 项目的尝试。下一步将通过提供支持这种合作的工具继而从模拟向实际调查迈进。
用于扫描推特和其他信息给料来发现某些类型的事件以及它们影响安全的方式,这种工具确实存在。比如人工智能可以在社交网络分析中帮助防止那些由 ISIS 或其他暴力团体所激发的风险。试图从社交媒体中检测出破坏性事件的计划,以及在大型聚会中用于分析安全性的监控活动,执法机构对于它们越来越感兴趣。用来确定如何控制人群的人群模拟是很重要的工作。与此同时,对于执法机构过度滥用工具而侵犯人们的隐私的潜在可能性,人们提出了合理的关切。
美国运输安全管理局(TSA)、海岸警卫队和其他许多当前依赖人工智能的安全机构,可能会增加这种依赖性以确保效率和有效性的显著改进。人工智能技术视觉、语音分析、步态分析可以帮助面试官、审讯人员和保安来检测可能的欺骗和犯罪行为。例如目前 TSA 在全国范围内有一个雄心勃勃的项目来重新规划机场安全。该系统叫做 DARMS,是基于个人的风险分类和所将乘坐的航班,通过依靠个人信息来定制安全,从而提高机场的效率和有效性。该项目的未来愿景是一个隧道,当人们步行通过它时可以检查人们的安全。再次强调,此技术的开发者应通过使用反映了之前偏见的数据集来小心地避免建筑偏差(例如有关人们的风险水平类别)。
尽管人工智能很有可能会对典型北美城市的就业和工作场所产生深远的影响,但对当前的影响我们目前还难以作出评估是积极的还是消极的。在过去十五年,由于经济衰退和日益的全球化,尤其是中国参与到了世界经济中,就业状况已经发生了改变,非人工智能的数字技术也发生了很大的变化。自 1990 年代以来,美国经历了生产率和 GDP 的连续增长,但平均收入却停滞不前,就业人口比率也已经下降。
有一些数字技术有重大影响(好的影响或坏的影响)的行业的显著案例,而在一些其它的行业,自动化将很有可能能在不久的将来发生重大的改变。许多这些改变已经得到了“例行的”数字技术的推动,其中包括企业资源规划、网络化、信息处理和搜索。理解这些改变应该能为人工智能影响未来劳动力需求的方式(包括技能需求的改变)提供见解。
到目前为止,数字技术已经给中等技能的工作(比如旅行代理)带来了更大的影响,而不是非常低技能或非常高技能的工作。另一方面,数字系统所能完成的任务的范围正随着人工智能的演进而提升,这很可能会逐渐增大所谓的“例行任务”的范围。人工智能也正向高端的领域蔓延,包括一些机器之前无法执行的专业服务。
为了获得成功,人工智能创新将需要克服可以理解的人们对被边缘化的恐惧。在短期内,人工智能很有可能会取代任务,而非工作,同时还将会创造新类型的工作。但新类型的工作比将可能失去的已有工作更难以想象。就业领域的变化通常是渐进的,不会出现剧烈的过渡。
随着人工智能进入工作场所,这很有可能是一个持续的趋势。影响的范围也将扩大,从少量的替代或增强到完全的替代。比如说,尽管大部分律师的工作还没被自动化,但人工智能在法律信息提取和主题建模方面的应用已经自动化了一部分第一年工作的律师新人的工作。在不远的将来,包括放射科医生到卡车司机到园丁等许多类型的工作都可能会受到影响。
人工智能也可能会影响工作场所的大小和位置。许多组织和机构很庞大的原因是他们所执行的功能只能通过增加人力来扩大规模,要么是“横向”扩展地理区域,要么是“纵向”增多管理层级。随着人工智能对许多功能的接管,扩展不再意味着会带来大型的组织。
许多人已经指出一些知名的互联网公司只有很少数量的员工,但其它公司并不是这样。人类企业可能存在一个自然的规模大小,在这样的企业中,CEO 能够认识公司里的每一个人。通过将创造有效地外包给人工智能驱动的劳动力市场,企业会倾向于自然的大小。
人工智能也将创造工作,特别是在某些行业中,通过使某些特定任务更重要,以及通过产生新的交互模型创造新类型的工作。复杂的信息系统可被用于创造新的市场,这往往会带来降低门槛和增加参与的影响从应用商店到 AirBnB 再到 taskrabbit。人工智能界有一个活跃的研究社区在研究创造新市场和使已有市场更高效地运作的进一步的方式。
尽管工作本身有内在的价值,但大部分人工作是为了购买他们看重的商品和服务。因为人工智能系统可以执行之前需要人力的工作,因此它们可以导致许多商品和服务的成本下降,实实在在地让每个人都更富有。当正如当前的政治辩论中所给出的例子一样,失业对人们的影响比对散布的经济效益的影响更显著尤其是那些直接受其影响的人;而不幸的是,人工智能常常被视作是工作的威胁,而不是生活水平的提升。
人们甚至在某些方面存在恐惧害怕人工智能会在短短一代人的时间内迅速取代所有的人类工作,包括那些需要认知和涉及到判断的工作。这种突变是不太可能发生的,但人工智能会逐渐侵入几乎所有就业领域,这需要在计算机可以接管的工作上替换掉人力。
人工智能对认知型人类工作的经济影响将类似于自动化和机器人在制造业工作上对人类的影响。许多中年工人失去了工厂里的高薪工作以及伴随这个工作的家庭和社会中的社会经济地位。长期来看,一个对劳动力的更大影响是失去高薪的“认知型”工作。
随着劳动力在生产部门的重要性的下降(与拥有知识资本相比),大多数市民可能会发现他们的工作的价值不足以为一种社会可以接受的生活标准买单。这些变化将需要政治上的,而非单纯经济上的响应需要考虑应该配置怎样的社会安全网来保护人们免受经济的大规模结构性转变的影响。如果缺少了缓解政策,这些转变的一小群受益者将成为社会的上层。
短期来看,教育、再训练和发明新的商品和服务可以减轻这些影响。更长期来看,目前的社会安全网可能需要进化成更好的服务于每个人的社会服务,例如医疗和教育或有保障的基本收入。事实上,瑞士和芬兰等国家已经在积极地考虑这些措施了。
人工智能可能会被认为是一种财富创造的完全不同的机制,每个人都应该从全世界人工智能所生产的财富中分得一部分。对于人工智能技术所创造的经济成果的分配方式,相信不久之后就会开始出现社会争议了。因为传统社会中由孩子支持他们年老的父母,也许我们的人工智能“孩子”也应该支持我们它们的智能的“父母”。
随着过去十五年互联网的爆发式增长,很少有人能想象没有它的生活。在人工智能的驱动下,互联网已经将用户生成的内容作为了信息和娱乐的一个可行的来源。Facebook 这样的社交网络现在几乎已经无处不在,而且它们也成为了社会互动和娱乐的个性化渠道有时候会损害人际交往。WhatsApp 和 Snapchat 等应用可以让智能手机用户与同伴保持“接触”和分享娱乐和信息源。
在《第二人生》这样的在线社区和《魔兽世界》这样的角色扮演游戏中,人们想象在虚拟世界中有一个虚拟的存在。亚马逊 Kindle 这样的专用设备已经重新定义了打发时间的要领。现在只需手指点点划划几下,就可以浏览和获取书籍了;一个口袋大小的设备就可以存储成千上万本书,而阅读体验基本上可手持的纸质书差不多。
现在我们有了共享和浏览博客、视频、照片和专题讨论的可信平台,此外还有各种各样用户生成的内容。为了在互联网的规模上运行,这些平台必须依赖现在正被积极开发的技术,其中包括自然语言处理、信息检索、图像处理、众包和机器学习。比如,现在已经开发出了协同过滤(collaborative filtering)这样的算法,它可以基于用户的人口统计学细节和浏览历史推荐相关的电影、歌曲或文章。
为了跟上时代的步伐,传统的娱乐资源也已经开始拥抱人工智能。正如书和电影《点球成金》中给出的例子,职业运动现在已经转向了密集的量化分析。除了总体表现统计,赛场上的信号也可以使用先进的传感器和相机进行监控。用于谱曲和识别音轨的软件已经面世。
来自计算机视觉和 NLP 的技术已被用于创建舞台表演。即使非专业用户也可以在 WordsEye 等平台上练习自己的创造力,这个应用可以根据自然语言文本自动生成 3D 场景。人工智能也已经被用于协助艺术品的历史搜索,并在文体学(stylometry)得到了广泛的应用,最近还被用在了绘画分析上。
人类对人工智能所驱动的娱乐的热情是很令人惊讶的,但也有人担心这会导致人与人之间的人际交互减少。少数人预言说人们会因为在屏幕上花费了太多时间而不再与人互动。孩子们常常更愿意在家里快乐地玩他们的设备,而不愿意出去和他们的朋友玩耍。人工智能会使娱乐更加交互式,更加个性化和更有参与感。应该引导一些研究来理解如何利用这些性质为个人和社会利益服务。
娱乐任何形式的成功都由作为接收者的个人和社会群体决定。人们觉得有吸引力的娱乐模式是多种多样的,而且还会随时间变化。因此很难准确预测未来十五年娱乐形式会如何演变。尽管如此,目前的趋势表明未来的娱乐形式很可能至少会包含一些特征。
到目前为止,信息革命主要是以软件的形式展开。但是,随着可用的传感器和设备越来越便宜,娱乐系统中也有望出现在硬件上的更大创新。虚拟现实和触觉应用可能会进入我们的客厅个性化伴侣机器人已经处在开发中了。
伴随着自动语音识别领域的进步,我们的研究小组预计与机器人和其它娱乐系统的交互将会变成以对话为基础的形式,也许一开始还会有所限制,但会渐渐更加人性化。同样地,预计交互系统还将发展出新的特点,比如情绪、共情和对每日时间等环境节奏的适应性。
今天,一位有摄影机和可用的软件工具的业务爱好者也可以做出一部相对好的电影。未来,更先进的工具和应用将会使高质量内容的产生更加容易,比如创作音乐或使用虚拟角色编排舞蹈步行器厂家。娱乐产品的创造和创作将受益于 ASR、配音和机器翻译等技术的进步,这将使得内容可以低成本地针对不同的用户进行定制。这种人工智能创造的媒体的民主化和扩散将使得人们的娱乐口味更难以预料,现在已有的动态变化还将继续演进。
随着内容传播的日益数字化和用户偏好和使用特点的大量数据被记录下来,媒体生产者将能够为日益特定细分的人群提供微分析和微服务的内容直到能为个人定制。有人相信这种情况会导致传媒集团涌现成为“老大哥”,他们将有能力控制特定个体所接触的思想和网络体验。广大社会是否能发展出阻止它们涌现的措施还有待观察。这个主题和其它与人工智能有关的政策方面的话题将在下一节进行更详细的讨论。