企業(yè)是否正在探索如何在業(yè)務中最佳實施人工智能?需要考慮人工智能對于業(yè)務應用程序至關重要的5個未來趨勢。

如果企業(yè)正在考慮使用人工智能(AI)來完善其基礎IT和數(shù)據(jù)功能，那么如何將炒作與現(xiàn)實區(qū)分開?

無論是在探索人工智能(AI)對企業(yè)的承諾，還是想知道何時才能看到真正的變革性成果，以下是將有助于實現(xiàn)人工智能(AI)未開發(fā)潛力的五個行業(yè)趨勢：

1.黑盒與可解釋人工智能

對于大多數(shù)人來說，深度學習系統(tǒng)本質(zhì)上是難以理解的。使用數(shù)百萬個數(shù)據(jù)點作為輸入，并將相關數(shù)據(jù)作為輸出，通常無法使用純語言解釋其內(nèi)部邏輯。

但是，如果自動化系統(tǒng)要協(xié)助做出關鍵決策，例如要使用哪些操作和流程，而人們卻無法理解這些決策是如何制定的，人們?nèi)绾巫R別和解決錯誤?這種缺乏常識的現(xiàn)象限制了人工智能在現(xiàn)實世界中的應用。人們需要一個更清晰、更簡單的人工智能系統(tǒng)，以更好地與世界和人們建立聯(lián)系。

人們需要一個更清晰、更簡單的人工智能系統(tǒng)，以更好地與世界和人們建立聯(lián)系。

2.機器學習與機器教學

根據(jù)麥肯錫全球研究所的數(shù)據(jù)，到2030年，預計在物理和人工技能以及基本認知技能上花費的工作時間將分別減少14%和15%。相反，人們將花費更多的時間使用更高的認知技能，例如回答“為什么”和決定要做什么。

這種新的工作方式將導致對支持它的工具的需求。PARC科學家Mark Stefik對機械學的研究描述了一個人類與機器可以相互學習的未來。在將來，人們可以將人工智能系統(tǒng)想象為工作場所的重要組成部分。

3.馮•諾依曼計算與神經(jīng)形態(tài)計算

在接下來的十年中，IT的主要中斷之一將是從傳統(tǒng)的馮•諾依曼計計算架構到神經(jīng)形態(tài)計算的過渡。隨著摩爾定律的放慢，人們遇到了馮•諾依曼瓶頸，那么可以從迄今為止最高效的計算機(大腦)中學到什么?

生物大腦在同一電路中具有記憶和計算功能，而傳統(tǒng)的馮•諾依曼數(shù)字計算機將記憶與計算分開。生物大腦高度并行化，而數(shù)字計算機以串行方式執(zhí)行計算。生物大腦很密集，只需要數(shù)字計算機所用能量的一小部分。這些瓶頸是現(xiàn)代數(shù)字計算機努力處理龐大的人工智能程序的主要原因。

4.數(shù)字與量子計算機

大小限制使常規(guī)數(shù)字計算機無法滿足人工智能計算的需求。量子計算機使用量子位和并行性來處理大量數(shù)據(jù)并同時查看所有解決方案。像IBM和Google AI Quantum這樣的傳統(tǒng)公司以及像Bleximo這樣的初創(chuàng)公司正在努力將通用處理器和NISQ應用程序?qū)Ｓ玫牧孔訁f(xié)處理器(稱為量子加速器)結(jié)合起來，以構建針對特定業(yè)務和工程領域的系統(tǒng)。早期的潛在行業(yè)應用包括化學(用于材料)、制藥(用于藥物設計)和金融(用于優(yōu)化)。

5.電子與腦機接口設備

當前的人工智能應用程序主要在電子設備上運行，但人們最終會看到電子和生物系統(tǒng)之間更加緊密的集成。

當前的人工智能應用程序主要在電子設備上運行，但人們最終會看到電子和生物系統(tǒng)之間更加緊密的集成。例如，埃隆•馬斯克的最新合資企業(yè)之一Neuralink公司宣布計劃在2020年底之前開始將其可植入式腦機接口(BMI)設備與人類進行臨床試驗。通過將人工智能應用程序與人們的生物系統(tǒng)相結(jié)合，邊界人機之間已經(jīng)開始融合。科學家還將腦機接口(BMI)和人工智能相結(jié)合，以使用大腦信號控制外部設備，并用人工智能系統(tǒng)重現(xiàn)大腦皮層功能的各個方面。

大多數(shù)科學家和技術專家都認為，人們只是在挖掘人工智能潛力的表面。首席信息官和組織越來越需要跟蹤這種變革性技術的最新發(fā)展。

關鍵詞： 人工智能 技術