2018年AI如何发展?普华永道做出了8点预测 | 报告下载

2018 年 1 月 20 日 量子位 专注报道AI
李杉 编译自 PwC
量子位 出品 | 公众号 QbitAI

人工智能(AI)非常复杂,而且发展迅速。任何人都不可能对未来几年的发展做出准确的预测。

然而,我们却有可能对今年的人工智能趋势做出具体的预测,然后分享它对商业、政府和社会产生的关键影响。许多新兴趋势已经开始展现。

我们根据在人工智能方面颇有远见的人士的分析,以及普华永道为世界各地的客户提供人工智能咨询时所看到的结果,做出了以下8项预测。

1、人工智能将先影响雇主,然后才会影响就业

从长期来看,人工智能或许不会摧毁就业市场——2018年肯定不会。但是组织面临着一大挑战:当汇集了来自不同学科的数据和团队时,人工智能才能发挥最大效果。它还需要借助相应的结构和技能来实现人机协作。

但大多数组织都将数据保存在联合企业或团队的数据库中。很少有企业开始为员工提供他们所需的基本人工智能技术。普通企业还没有准备好满足人工智能的需求。

2、人工智能会融入现实,然后开始工作。

它或许不会成为媒体的头条新闻,但人工智能现在已经做好准备,可以自动完成日益复杂的流程,识别创造商业价值的趋势,并提供前瞻性的智慧。当融入日常应用之后,人工智能通常能够“从后门进入”。

这样做的结果是,人类所需从事的繁忙工作减少了,战略决策也变得更好了:员工的工作比以前更好了。但是,由于传统的投资回报率(ROI)衡量方法可能无法捕获这种价值,组织将希望考虑新的指标,以便更好地理解人工智能可以为他们做什么。

3、人工智能将回答有关数据的重大问题。

针对数据技术和数据集成的许多投资都未能回答一个重大问题:投资回报率在哪里?但是,人工智能目前正在为数据项目提供商业案例,而新的工具使得这些项目比以前更能负担得起。

组织不再需要决定“清理数据”——也不应该这样做。他们应该从一个商业问题开始,首先量化人工智能的好处。一旦数据被用于解决一个特定的问题,进一步开发数据驱动的人工智能解决方案就会更加容易,良性循环也变就此开始。问题出在哪里?某些组织仍然没有建立数据基础。

4、决定人工智能人才竞赛的是职能专家,不是技术专家

各大企业现在都在争抢计算机科学家,但顶尖的科技人才还不足以确保人工智能取得成功。组织需要的是能与人工智能和人工智能专家合作的领域专家。他们不必非得是程序员,但必须了解数据科学和数据可视化的基础知识,以及人工智能的思维方式。

随着人工智能离开实验室,进入日常工作流程,这些领域专家将比计算机科学家更重要。许多职能专家需要适当地提高技能。

5、网络攻击将会更加强大,但网络防御同样如此。

智能恶意软件和勒索软件可以一边传播一边学习,机器智能可以协调全球网络攻击,借助高级数据分析来定制攻击方式——不幸的是,这一切即将发生。

组织不能用大刀长矛对抗长枪火炮。他们必须用人工智能对抗人工智能。因为即使是对人工智能持谨慎态度的组织也别无选择,只能部署人工智能网络防御系统,所以网络安全将是许多企业第一次涉足人工智能。

6、打开人工智能“黑箱”将成为重要事项

人工智能失控并不是2018年面临的危险。它现在还不够聪明。但人工智能的行为令人费解,因此导致领导者和消费者在使用它的时候持谨慎态度——这才是风险所在。

我们会面临更大的压力,必须打开“黑匣子”,让人工智能的行为可以被我们理解。但这涉及到成本和绩效的权衡。企业需要构建一套框架来评估业务、绩效、监管和声誉方面的问题,因为这些因素决定了人工智能的可解释性的正确水平。

7、国家将会对人工智能产生影响。

人工智能是一个巨大的机会,许多政府正在努力确保他们的国家从中分得一块大蛋糕。加拿大、日本、英国、德国和阿联酋都制定了国家人工智能计划。美国的税收改革和放松监管可能会给人工智能带来提振。

中国看重的是如何利用人工智能发展未来经济。他们的努力已经取得成果,并可能导致“斯普特尼克时刻”:美国可能开始担心失去技术优势。

8、开发负责任的人工智能的压力不仅仅局限于科技公司。

侵犯隐私、算法偏见、环境破坏,以及品牌和利润面临威胁——对人工智能的担忧数不胜数。幸运的是,关于负责任的人工智能的相关原则,目前正在形成一套全球共识。这些原则可以保护组织,并使其获得经济利益。

自律组织很可能成为一种越发重要的解决方案,弥合负责任的人工智能的缺口。由于监管者往往难以追上最新的技术发展步伐,往往导致监管滞后。

报告原文:https://www.pwc.com/us/AI2018

量子位还搬运了一份PDF在网盘,在公众号QbitAI对话界面回复“普华永道2018”提取。

加入社群

量子位AI社群13群开始招募啦,欢迎对AI感兴趣的同学,加小助手微信qbitbot5入群;


此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。


进群请加小助手微信号qbitbot5,并务必备注相应群的关键词~通过审核后我们将邀请进群。(专业群审核较严,敬请谅解)

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态


登录查看更多
1

相关内容

人工智能(Artificial Intelligence, AI )是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支。
2020年中国《知识图谱》行业研究报告,45页ppt
专知会员服务
239+阅读 · 2020年4月18日
德勤:2020技术趋势报告,120页pdf
专知会员服务
190+阅读 · 2020年3月31日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
301+阅读 · 2019年12月23日
IBM《人工智能白皮书》(2019版),12页PDF,IBM编
专知会员服务
20+阅读 · 2019年11月8日
Gartner 报告:人工智能的现状与未来
InfoQ
14+阅读 · 2019年11月29日
【数字化】2019年全球数字化转型现状研究报告
产业智能官
29+阅读 · 2019年7月8日
2019年机器学习:追踪人工智能发展之路
人工智能学家
4+阅读 · 2018年10月14日
《中国人工智能发展报告2018》(附PDF下载)
走向智能论坛
19+阅读 · 2018年7月17日
【机器学习】如何通过机器学习预测维护设备?
产业智能官
16+阅读 · 2018年7月9日
人工智能与机器学习技术在医疗保健行业中的应用
深度学习与NLP
11+阅读 · 2018年3月25日
2018年4个需要关注的人工智能趋势
大数据技术
7+阅读 · 2018年1月30日
人工智能的阴暗面
计算机与网络安全
6+阅读 · 2018年1月8日
2018年的人工智能和深度学习将会如何发展? | 分析
网易智能菌
3+阅读 · 2017年12月30日
Arxiv
101+阅读 · 2020年3月4日
Arxiv
110+阅读 · 2020年2月5日
A Comprehensive Survey on Transfer Learning
Arxiv
121+阅读 · 2019年11月7日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Arxiv
20+阅读 · 2019年9月7日
Neural Speech Synthesis with Transformer Network
Arxiv
5+阅读 · 2019年1月30日
VIP会员
相关VIP内容
2020年中国《知识图谱》行业研究报告,45页ppt
专知会员服务
239+阅读 · 2020年4月18日
德勤:2020技术趋势报告,120页pdf
专知会员服务
190+阅读 · 2020年3月31日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
301+阅读 · 2019年12月23日
IBM《人工智能白皮书》(2019版),12页PDF,IBM编
专知会员服务
20+阅读 · 2019年11月8日
相关资讯
Gartner 报告:人工智能的现状与未来
InfoQ
14+阅读 · 2019年11月29日
【数字化】2019年全球数字化转型现状研究报告
产业智能官
29+阅读 · 2019年7月8日
2019年机器学习:追踪人工智能发展之路
人工智能学家
4+阅读 · 2018年10月14日
《中国人工智能发展报告2018》(附PDF下载)
走向智能论坛
19+阅读 · 2018年7月17日
【机器学习】如何通过机器学习预测维护设备?
产业智能官
16+阅读 · 2018年7月9日
人工智能与机器学习技术在医疗保健行业中的应用
深度学习与NLP
11+阅读 · 2018年3月25日
2018年4个需要关注的人工智能趋势
大数据技术
7+阅读 · 2018年1月30日
人工智能的阴暗面
计算机与网络安全
6+阅读 · 2018年1月8日
2018年的人工智能和深度学习将会如何发展? | 分析
网易智能菌
3+阅读 · 2017年12月30日
相关论文
Arxiv
101+阅读 · 2020年3月4日
Arxiv
110+阅读 · 2020年2月5日
A Comprehensive Survey on Transfer Learning
Arxiv
121+阅读 · 2019年11月7日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Arxiv
20+阅读 · 2019年9月7日
Neural Speech Synthesis with Transformer Network
Arxiv
5+阅读 · 2019年1月30日
Top
微信扫码咨询专知VIP会员