2030年的人工智能與人類生活2014年秋季，人工智能百年研究（OneHundredYearStudy）項目啟動，這是一項對人工智能領域及其對人類、社區、社會影響的長期學術研究。這項研究包含使用人工智能計算系統的科學、工程和應用實現。監督該「百年研究」的常務委員會（StandingCommittee）組建了一個研究小組（StudyPanel）來每五年評估一次人工智能所處的狀態——這是本項目的核心活動。本研究小組要回顧從上次報告到現在這段時間人工智能的進展，展望未來潛在的進展并且描述這些進展對于技術、社會的挑戰與機遇，涉及的領域包括：道德倫理、經濟以及與人類認知兼容的系統設計等等。「百年研究」定期進行專家回顧的首要目標是：提供一個隨著人工智能領域發展的關于人工智能及其影響的收集性的和連通的集合。這些研究希望能在人工智能領域的研究、發展以及系統設計方面、以及在幫助確保那些系統能廣泛地有益于個人和社會的項目與政策上提供專業推斷上的方向指南及綜合評估。「百年研究」是仿照一個早期的被非正式地稱為「AAAIAsilomarStudy」的項目。在2008到2009年期間，當時的美國人工智能協會（AAAI）的主席EricHorvitz聚集了一群來自這個領域不同機構與方向的人工智能專家以及認知科學、哲學與法律相關的學者。參與者在分布的小組中研究近期人工智能的發展、長期的發展前途以及法律與道德上的影響，之后他們在Asilomar一起開了三天的會議，分享并討論了他們的發現。會議給出了其中密集討論的內容的一份短的書面報告，并且由參與者與其他同事在后續的討論中充實；這份報告在領域內以及之外引起了廣泛的關注與爭論。Asilomar會議的巨大影響以及人工智能的重要進展（包括人工智能算法與技術在全球范圍內開始進入到日常生活中）刺激產生了對人工智能及其對人們與社會的影響進行長期反復研究的想法。這個百年研究項目隨后在一所大學中開始，這是為了延伸深度思考以及跨學科的學術研究，激勵創新并且給政府機構與產業提供明智的建議。這篇報告是計劃持續至少100年的研究系列中的第一篇。常務委員會在2015年的暑期成立了一個研究小組來負責組建現在這個初始的研究小組，并任命了得克薩斯大學奧斯汀分校的教授PeterStone擔任該小組的主席。這個包含了17名成員的研究小組由人工智能學術界、公司實驗室以及產業界的專家與了解人工智能的法律、政治科學、政治以及經濟方面的學者組成，并于2015年秋季中期啟動。參與者代表著不同的專業、地區、性別以及職業階段。常務委員會廣泛討論了StudyPanel相應的責任，包括人工智能最近的發展與在工作、環境、運輸、公共安全、醫療、社區參與以及政府的潛在社會影響。委員會考慮多種聚焦研究的方式，包括調查子領域及其狀態、研究特定的技術（例如機器學習與自然語言處理）以及研究特定的應用領域（例如醫療與運輸運輸）。委員會最終選擇了「2030年的人工智能與生活（AIandLifein2030）」為主題以強調人工智能的各種用途與影響的發生不是獨立于彼此，也不獨立于其他許多社會和技術上的發展。意識到了城市在大多數人類生活中的核心作用之后，我們將專注重點縮小到大多數人居住的大都市。常務委員會進一步將專注重點縮小到具有很好可變性的城市環境以及世界性文化的典型的北美城市，從而限制研究小組的工作量。常務委員會期望該研究中的預測、評估和預先的指導將具有廣泛的全球性的實質作用；另外，委員會正在制定將這個項目擴展到國際上的未來研究計劃。既然做出了關注北美城市生活的決定，那么軍事項目就不在這篇最初的報告范圍中。這不是忽視細致監控與審議人工智能在國防與戰爭（包括潛在地使發展和部署不平衡）上產生的影響的重要性。這篇報告計劃展現給四種讀者。對于公眾，本報告的目的在于提供一個可獲取的、在科學和技術上準確的對于人工智能當前狀態及其潛力的描述。對于產業界，本報告描述了相關技術、法律以及道德上的挑戰，可能幫助指引資源再分配。本報告也可以幫助地區、國家、國際政府更好地規劃人工智能在政府中的應用。最后，本報告能幫助人工智能的研究者以及他們的機構和資助者設置優先級，以及考慮人工智能研究及其應用所產生的道德與法律上的爭議。考慮到「百年研究」在人工智能上的獨特本質，我們期望未來的常務委員會與研究小組，以及研究科學家、政策專家、私人與公共部門的領導以及普通民眾，在對人工智能的未來進行評估時能想到該報告。不管是否成功準確預測了人工智能的發展軌跡和影響，我們都希望這個系列中這一份初次成果是有用的。目錄概述電影和小說中描繪的人工智能主宰的可怕未來塑造了大眾對人工智能的想象，但這些都是虛構的。在現實中，人工智能已經在改變我們的日常生活了，而且基本上都是在改善人類健康、安全和提升生產力等好的方面。和電影不一樣，現在并沒有什么超人類的機器人正待到來，這甚至完全不可能。而且盡管濫用人工智能技術的可能性應該得到承認和解決，但其中它們更大的可能性是讓駕駛更安全、幫助孩子學習和擴展及增強人類的生活。事實上，有益的人工智能應用已經在學校、家庭和醫院里開始了加速增長。大多數研究型大學也劃出了單獨的人工智能研究科系，蘋果、Facebook、谷歌、IBM和微軟等科技公司也在探索人工智能應用上投入了巨資——他們將其視為未來發展的關鍵。即使好萊塢在將他們的反烏托邦人工智能幻想故事搬上熒幕時也用到了人工智能技術。基于計算機的視覺、語音識別和自然語言處理方面的創新是這些變化的驅動力，同時也將推動相關領域的科學和技術的發展。人工智能也正在改變人們與技術的交互方式。許多人已經習慣上了在他們的智能手機上進行觸控和對話。隨著人工智能系統學習對個人特點和目標的適應，人機關系的未來將會變得越來越微妙、流暢和個性化。這些人工智能應用將幫助監控人們的生活狀態、警告人們前面的風險以及提供人們想要的或需要的服務。比如，在北美一座城市的未來15年里——正是這份報告的時間框架和范圍——人工智能應用將很有可能將交通交由自動駕駛汽車接管，實現人與貨物的實時接取和運送。光這一項就足以改變城市的整體面貌，因為再也不會有交通堵塞和停車困難的難題了。本研究刻意重點關注了典型的北美城市，旨在突出人工智能對城市中居住的數百萬居民的日常生活的影響。研究小組還進一步將調查范圍縮小到了8個人工智能可能將帶來最大影響的領域：交通（transportation）、醫療（healthcare）、教育（education）、低資源社區（low-resourcecommunities）、公共安全（publicsafetyandsecurity）、就業和工作場所（employmentandworkplace）、家庭/服務機器人（home/servicerobots）和娛樂（entertainment）。盡管人工智能技術來自于常見的研究資源，但這些技術已經影響并將繼續影響這些不同的領域。其中每個領域都面臨著各種不同的與人工智能相關的難題，包括難以創造安全可靠的感知和作業硬件（交通和服務機器人）、難以獲得公眾的信任（低資源社區和公共安全）、難以克服對人類被邊緣化的恐懼（就業和工作場所）、以及還存在減少人際交往的風險（娛樂）。其中一些領域主要是在商業方面，如交通和醫療，而另一些則更面向消費者，例如娛樂和家庭服務機器人。一些還是跨領域的，例如就業/工作場所和低資源社區。在每一個領域，即使人工智能在不斷帶來重要的好處，但同時也帶來了道德和社會上的問題，其中包括隱私問題。機器人和其它人工智能已經在一些機構里面替代人類工作了。作為一個社會，我們現在正處在一個確定如何部署基于人工智能的技術的緊要關頭，從而提振而不是阻礙民主的價值觀——例如自由、平等和透明。對于個人而言，我們生活的質量和我們的貢獻所獲得的價值很有可能會逐漸發生轉變，但這些改變會很明顯。在接下來的幾年中，人工智能研究、系統開發和社會與監管框架將會塑造人工智能的好處與其代價和風險之間的權衡，以及這些好處如何散布的方式。人工智能的準確和精細的未來圖景——一個與其流行的描述相競爭的圖景——一開始就受到了難以精確定義「人工智能」這一問題的阻礙。在研究小組所考慮過的所有定義方法中，沒有一個認為現在存在某種「通用的」人工智能。盡管使用了共同的研究和技術，但人工智能系統都專注于完成特定的任務，而且其中每一種應用都需要數年的專注研究和精心獨特的構建。這也造成了這8個領域內進展的不平衡。交通是其中一個典型的例子——其中一些關鍵技術讓人工智能以驚人的速度得到了廣泛的采用。自動化交通很快就將無處不在，并將成為大多數人與嵌入了人工智能系統的物理實體的第一次經歷，并將極大地影響公眾對人工智能的感知。隨著汽車自己變成了比人類更好的司機，城市居民的私家車將會更少，也將住得離工作場地更遠，花費時間的方式也將發生改變，從而帶來一種全新的城市組織形式。在2030年一座典型的北美城市，嵌入了人工智能應用的物理實體將不僅限于客車，還將包含貨車、飛行器和個人機器人。安全和可靠硬件的改進將會刺激未來十五年內的創新，也將帶來更好的家庭/服務機器人——它們已經進入了人們的家庭，目前主要是以真空吸塵器的形式。更好的芯片、低成本3D傳感器、基于云的機器學習和語音理解的進步將提升未來的機器人服務和它們與人類的交互。專用機器人將能夠遞送包裹、清潔辦公室和增強安全性。但在可預見的未來里，技術限制和可靠的機械設備的高成本將繼續將商業機會限制在定義狹窄的應用范圍內。在醫療保健方面，在收集用于個人監控設備和移動應用的有用數據上已經出現了巨大的飛躍，這些數據來自醫療機構的電子病歷（EHR），以及小范圍的用于輔助醫療手術的手術機器人和支持醫院運營的服務機器人。未來幾年，基于人工智能的應用將能夠改善數百萬人的健康狀況和生活質量。盡管臨床應用從實驗室到真實世界的過程一直都較為緩慢，但有希望的跡象表明創新的步伐將得到提升。通過共享數據的激勵和機制以及去除無理的政策、法規和商業障礙，可以促進醫療保健領域的進步。對于許多應用，人工智能系統必須緊密地與醫護人員和病人密切合作才能獲得他們的信任。改善智能機器與醫護人員、病人和病人家庭的自然交互方式是很關鍵的。為人類和有前途的人工智能技術帶來更流暢的交互同樣也是教育領域的一大關鍵難題，這個領域在這段時間也出現了一些可觀的進展。盡管素質教育總是需要人類教師的活躍參與，但人工智能有望改善所有層次的教育，尤其是通過大規模提供個性化教育。交互式機器導師現在已經被用于根據匹配的學生教授科學、數學、語言和其他學科。自然語言處理、機器學習和眾包也已經極大地促進了在線學習，讓教育水平更高的教師可以將他們的教室擴大很多倍，同時還能應對單個學生的學習需求和風格。在接下來的十五年的典型北美城市里，這些技術在教室和家庭里的應用將很有可能得到極大的擴展，只要它們能夠有意義地和面對面的學習進行整合。除了教育方面，在協助低資源社區上，人工智能方法也存在很多機會——通過為各種社會問題提供緩解方案和解決方案。傳統上，投資者對缺乏商業應用的人工智能研究投資不足。有了針對性的激勵和資助重點，人工智能可以幫助解決低資源社區的需求，這方面一些新興的工作是很有希望的。比如，使用數據挖掘和機器學習，人工智能可以創造預測模型來幫助政府機關解決防止兒童鉛中毒和高效食物分配等問題。這些萌芽中的工作認為還有更多的事情要做，尤其是當機構和組織也能參與進來并與這些社區建立起信任時。獲取公眾信任也是公共安全領域內人工智能應用的一大難題。北美城市和聯邦機構已經開始在邊境管理和執法部署人工智能技術。到2030年，他們將在很大程度上依賴于它們，包括用于偵察的改進過的相機和無人機、用于檢測金融詐騙的算法和預測性警務。后者帶來了對無辜的人進行無理的監控的問題，我們必須小心謹慎不要給系統引入人為偏見，并保護公民自由。部署良好的人工智能預測工具有望給數據和推斷帶來新形式的透明，并可能被應用于檢測、刪除和減少人類偏見，而不是增強它。在人工智能對就業和工作場所的影響上的社會和政治決策也是類似，比如需要安全網來保護人們免受經濟結構變化的影響。人工智能有望在一些特定類型的工作中取代人類，比如駕駛汽車或卡車。但是，在許多領域，人工智能在短期內很有可能將取代很多任務，但不能取代工作崗位，而且還將創造新類型的工作。但這些將會出現的新型工作目前還比將可能失去的工作更難預想。人工智能還將降低許多貨物和服務的成本，有效地使每個人都過得更好。更長期來看，人工智能可能會被視為一種非常不同的財富創造機制，其中每個人都應該從全世界的人工智能所創造的財富中分一杯羹。對于人工智能技術的經濟成果的分配方式，不久之后已經就應該會有相關的社會爭論出現了。娛樂已經被社交網絡和其它用于共享和瀏覽博客、視頻和照片的平臺轉變了；這些平臺依賴于NLP、信息檢索、圖像處理、眾包和機器學習等領域內正被活躍開發的技術。一些傳統的娛樂資源已經開始擁抱人工智能，包括譜曲、創作舞臺表演、甚至根據自然語言文本生成3D場景。人們對人工智能驅動的娛樂的熱情讓人驚嘆。和人工智能的許多方面一樣，在技術對社交的替代或增強方面也一直存在著爭議。人工智能能讓娛樂越來越交互式、越來越個性化、越來越有參與感。應該引導一些研究來理解如何利用這些性質為個人和社會利益服務。人工智能接下來的研究？助力人工智能革命的研究也在快速發展。其中最重要是機器學習的成熟，它受到了數字經濟崛起的部分影響。數字經濟和機器學習都提供并利用大量的數據。其他因素包括云計算資源的崛起，以及消費者對語音識別和導航支持這樣的技術服務的需求。機器學習由于人工神經網絡的成功經驗前進了一大步，如今能夠使用大型數據集和大規模計算對其進行訓練。這一方法也就是我們所熟知的深度學習。信息處理算法的性能也因為傳感、感知、目標識別等這些基礎操作的硬件技術的重大進步，而取得了跳躍性進展。數據驅動產品的新型平臺和市場以及經濟激勵發現新的產品和市場，也刺激著研究的發展，如今，隨著它稱為了社會的核心力量，人工智能領域轉向了建立能與人高效合作的、具有更廣泛人類意識的智能系統，包括開發人教機器人的交互與可延展方式的創造性方法。這些趨勢引發了如今人工智能基礎方法與應用領域研究的熱門：大規模機器學習涉及到學習算法的設計，延展已有的算法，在極大型的數據集上做研究。深度學習是一類學習方法，促進了在圖像、視頻標記和運動中的目標識別，并且在其他感知領域都有重大影響，比如音頻、語音和自然語言處理。強化學習是一個框架，能將機器學習的重點從模式識別轉變到經驗驅動的序列決策上。它有望推動人工智能應用的前進，在現實世界中做出決策。雖然在過去數十年，強化學習限制于學術界，但如今我們也看到了一些實際的成果。機器人目前主要涉及到如何訓練機器人以一種更泛型的、預測性的方式與周圍世界進行交互，如何在交互環境中促進對目標的操控，以及如何與人進行交互。機器人的進步將依靠相應的技術進步，從而改進計算機視覺和其他形式的機器感知的可靠性與普遍性。計算機視覺是目前機器感知中最突出的形式。它是受到深度學習崛起影響最大的人工智能子領域，實現了史上第一次計算機能夠比人類更好的完成視覺任務。如今更多的研究集中在圖片和視頻的自動化文字描述上。自然語言處理通常與自動語音識別相結合，快速成為有大型數據集的普遍使用的口語語言上的一種商品。目前的研究轉向了開發能夠與人通過對話交互的精致、可用的系統，而不僅是對程式化的問答做回應。在多種不同語言間進行機器翻譯也已經取得了重大進展，在不遠的將來將有更多的實時的個人到個人交流。協作系統研究主要是研究幫助開發能與其他系統或人類協作的自動化系統的模型和算法。眾包和人類計算研究是研究增強計算系統的方法，增強方式是通過自動調用人類經驗，解決計算機不能單獨解決的問題。算法博弈論（Algorithmicgametheory）和計算社會選擇（computationalsocialchoice）吸引了人工智能經濟和社會計算領域的注意，比如系統如何處理潛在的不恰當激勵機制，包括自私的人類參與者或公司以及代表他們的自動化人工智能代理。物聯網（IoT）研究專注于將大量設備（包括家電、汽車、建筑、攝像頭）連接起來，收集并共享各自豐富的傳感信息從而達到智能目標。神經形態計算是一系列尋求模擬生物神經網絡從而改進計算機系統硬件效率和穩健性的技術，它取代了用獨立的輸入/輸出、處理指令、存儲模塊的舊方法。現在與未來的人工智能政策人工智能應用是否成功的標準是他們為人類創造的價值。在此角度看，設計人工智能應用應該使得人們成功的理解人工智能系統，參與到其使用中并建立對它們的信任。公共政策應該幫助社會輕松采納人工智能應用、擴展其收益，并緩和它們的難免的錯誤和失敗。對人工智能如何開展的爭論包括對隱私保護和人工智能收益公平分配的憂慮，這種憂慮是該被鼓勵的。在人工智能技術如此快的實現速度之下，也伴隨著對其應用的擔心。研究小組建議所有的政府律師掌握人工智能技術知識。此外，要通過移除障礙并增加私營和公共支持，鼓勵在人工智能系統公平性、安全性、隱私和社會化應用上的研究。目前在美國，至少有16個獨立的經濟相關的政府部門涉及到人工智能。人工智能研究，特別是其應用的快速進展，需要這些部門的專家開發新的法律、政策概念與隱喻（metaphor）。當自動駕駛汽車發生車禍、醫療設備事故時誰該負責？如何避免人工智能應用宣傳種族歧視或者金融詐騙？誰該得益于人工智能技術帶來的效率？對技術過時的人群應該提供什么樣的保護？隨著人們在產業流程和消費產品中更廣、更深的融入人工智能，更好的實踐需要被鋪開，也須要有更適合的政府制度。研究小組沒有考慮近期人工智能系統會自動選擇對人造成傷害，可能的是人們使用基于人工智能的系統做好的以及壞的目的。而且盡管人工智能算法可能比人類做出一些較少偏見的決策，保證用于人工智能決策的數據沒有偏見仍是一項技術挑戰，這些偏見可能導致基于種族、性別以及其他因素的歧視。面臨人工智能技術產生的重大變革，逼迫生成更多、更嚴格的條例也可能使不可避免的。錯誤理解什么是人工智能可能刺激人們反對有益于每個人的這些技術。不合適的條例可能造成悲劇。信息貧乏的條例會而扼殺創新，或者將其轉移到其他司法權可能是達不到預期目標的。幸運的是，領導產生如今數字技術成功條例的原則為我們提供了起點。在私營條例中，寬泛的法律規定配合強硬的透明度需求和有意義的強制措施（而非嚴格的控制）能夠鼓勵公司開發流程，鼓勵職業人員實施隱私控制，與外部利益相關者結合，并將實踐適應于技術發展。這反過來也能支持專業貿易協會和標準委員會在開展最好的實踐上的發展。在人工智能中，監控著也能加強內部和外部問責、透明度、專業度之間活動的良性循環。我們急需一場重要的、有力的、信息豐富的討論會，討論如何以一種豐富我們生活與社會的方式最好的控制人工智能，同時鼓勵該領域的創造性。由于高計算能力和大規模數據是很多人工智能技術的燃料且不平等的分布于社會，這使得人工智能技術把機遇不平等性變得更寬。這些技術將促進有機會接觸數據和計算能力的那群人的能力和效率。在政策是否培養民主價值觀、公平共享人工智能收益，或者是否將力量和收益聚集于少數幸運的人手中，我們要對政策進行評估。就像本報告記錄的那樣，人工智能相關的重大進展在過去15年中已經對北美城市造成了影響，而且在接下來的15年中將會發生更多大量的進展。近期的進步主要是由于互聯網帶來的大型數據集的增長和分析、傳感技術的進步，以及深度學習的應用。在接下來幾年，隨著公眾鼓勵在交通、醫療這些領域的人工智能新應用，它們肯定會以一種建立可靠的、理解的方式被引入，并且還要尊重人權與公民權利。在鼓勵創新的同時，政策和流程應該解決道德、隱私和安全影響，還應該保證人工智能技術的收益公平、廣泛的分配。如果人工智能研究與應用到2030年以及更遠的未來在北美城市生活發揮積極的影響，做上面提到的事情是很重要的。第一部分：什么是人工智能？本節介紹了研究人員和從業者如何定義「人工智能」以及目前正在蓬勃發展的人工智能研究和應用領域。它提出了人工智能是什么和不是什么的定義，并介紹了一些當前人工智能研究的「熱點」領域。本節為第二部分的內容奠定了基礎，第二部分闡述了人工智能在八個領域和在第三部分中的影響與未來，第三部分介紹了涉及人工智能設計和公共政策的問題，并提出在保護民主價值的同時如何鼓勵人工智能創新的建議。定義人工智能奇怪的是，人工智能缺乏一個精確的、被普遍接受的定義，這或許有助于該領域的加速成長、繁榮以及前進。雖然人工智能的從業者、研究人員和開發人員由一種粗略的方向感和一個「與它相處」的命令所引導，人工智能的定義仍然很重要，而NilsJ.Nilsson就提供了一個有用的定義：「人工智能就是致力于讓機器變得智能的活動，而智能就是使實體在其環境中有遠見地、適當地實現功能性的能力。」從這個角度來看，對人工智能的表征取決于個人愿意「適當地」并「有遠見地」為功能性提供合成軟件和硬件的信用。一個簡單的電子計算器比人類大腦進行的計算要快得多，而且幾乎從來不出錯。電子計算器智能嗎？像Nilsson一樣，研究小組以一種寬泛的視角來看待此問題，認為智力取決于一個多維頻譜。根據這一觀點，算術計算器和人腦之間的區別不是某一類，而是規模、速度、自主性和通用性的區別。同樣的因素可以用來評估智能的其他各例——智能語音識別軟件、動物大腦、汽車巡航控制系統、圍棋程序、自動調溫器——并將它們放置在頻譜中的適當位置。雖然我們的寬泛解釋把計算器列在了智能頻譜中，但是如此簡單的設備與今天的人工智能相比幾乎沒有相似之處。從這個角度看，對人工智能的表征取決于個人愿意「適當地」并「有遠見地」為功能提供合成軟件和硬件的信用。一個簡單的電子計算器比人腦計算快得多而且幾乎從不出錯。人工智能的邊界已經遠遠走在前面，而計算器可以實現的功能只是當下的智能手機的百萬分之一。目前人工智能開發人員正在改進、推廣和擴大從當下的智能手機中所建立起來的智能。事實上人工智能領域是一個不斷努力推動機器智能向前發展的過程。具有諷刺意味的是，人工智能正在遭受失去話語權的長期災難，最終不可避免地會被拉到邊界內，即一個被稱為「人工智能效應（AIeffect）」或「奇怪悖論（oddparadox）」的重復模式——人工智能將一種新技術帶到了普通大眾中去，人們習慣了這種技術，它便不再被認為是人工智能，然后更新的技術出現了。同樣的模式將在未來繼續下去。人工智能并沒有「交付」一個驚雷般改變生活的產品。相反人工智能技術以一個連續的、進步的方式正在繼續更好的發展。人類尺度值得注意的是，作為頻譜的智能表征并不授予人類大腦以特殊地位。但到目前為止，即使人類擁有著「推理、實現目標、理解和生成語言、感知和響應感官輸入、證明數學定理、玩具有挑戰性的游戲、合成和總結信息、創造藝術和音樂甚至撰寫歷史」的能力，人類智力在純粹的多功能性上與生物的和人工的世界并不相匹配。這使得人類智能成為檢測人工智能進步的一個自然選擇。它甚至可能是作為一個經驗法則被提出來，認為計算機能夠執行的、以及人們曾經實現了的任何活動，都應該算作智力的一個實例。但是對于任何人類能力的匹配只是一個充分條件而非必要條件。至少在速度上，已經存在許多超越人類智力的系統，比如對機場成千上萬的航班進行每日往返行程的調度。對人工智能在國際象棋游戲中打敗人類玩家的長期探索以及最終的成功為人類和機器智能之間的比較提供了一個高知名度的實例。人們已經被國際象棋吸引了數百年。當建立計算機的可能性即將來臨時，被許多人認為是計算機科學之父的阿蘭圖靈「提到了以國際象棋作為范例來展示智力的計算機概念。」沒有對強大的計算機的訪問，「圖靈玩了一個模擬計算機的游戲，他每走一步棋大約花半個小時。」但只是在六十和七十年代，由來自卡耐基-梅隆大學、斯坦福、麻省理工學院、莫斯科的理論和實驗物理研究所以及西北大學的小組所貢獻的一長串改進之后，國際象棋游戲程序開始取得成果。終極推動是來自IBM的一個長期項目，DeepBlue程序于1997年以3.5-2.5的成績打敗了國際象棋冠軍GarryKasparov。奇怪的是，在人工智能趕上了它的難以捉摸的目標之后沒多久，DeepBlue被描繪成一個「蠻力方法（bruteforcemethods）」集合，而不是「真正的智能（realintelligence）。」事實上，IBM關于DeepBlue的后續出版物提供了有關其搜索和評價程序的豐富內容，完全沒有提及「智能的（intelligent）」一詞！DeepBlue是否智能？又一次，邊界移動了。一個可操作的定義人工智能也可由其研究人員的工作來定義。本報告主要將人工智能視為通過合成智能以研究智能特性的計算機科學的一個分支。雖然人工智能的出現是依靠著硬件計算資源的快速發展，但是這里對于軟件的關注反映出人工智能界的一個趨勢。盡管，最近在為基于神經網絡計算建立定制硬件上取得的進展已經促進了人工智能硬件和軟件之間的嚴格耦合。「智能（intelligence）」仍然是一個復雜現象，其不同方面已經吸引了幾個不同研究領域的注意，包括心理學、經濟學、神經科學、生物學、工程學、統計學和語言學。人工智能領域自然是得益于所有這些相關領域的進步。比如人工神經網絡，如今已成為若干基于人工智能的解決方案的中心，它最初是受生物神經元中有關信息流的思想所啟發。人工智能研究趨勢直到本世紀初，人工智能的吸引點主要在于它所傳遞的承諾，但在過去的十五年里，大多這樣的承諾已經得到兌現。人工智能技術已經充斥了我們的生活。當它們成為了社會的一股中心力量時，該領域正在從僅僅建立智能系統，轉向了建立有人類意識的、值得信賴的智能系統。幾個因素加速了人工智能革命。其中最重要的是機器學習的成熟，部分由云計算資源和廣泛普及的、基于Web的數據收集所支持。機器學習已經被「深度學習（deeplearning）」急劇地向前推進了，后者是一種利用被稱作反向傳播的方法所訓練的適應性人工神經網絡的一種形式。信息處理算法的這種性能飛躍一直伴隨著用于基本操作的硬件技術的顯著進步，比如感覺、感知和目標識別。數據驅動型產品的新平臺和新市場，以及發現新產品和新市場的經濟激勵機制，也都促進了人工智能驅動型技術的問世。所有這些趨勢都推動著下文中所描述的「熱門」研究領域。這種編輯只是想要通過某個或另一個度量標準來反映目前比其他領域得到更大關注的領域。它們不一定比其他領域更重要或更有價值。事實上目前的一些「熱門」領域在過去幾年中并不怎么流行，而其他領域可能在未來會以類似的方式重新出現。大規模機器學習許多機器學習的基本問題（如監督和非監督學習）是很好理解的。目前努力的一個重點是將現有算法擴展到更龐大的數據集上。例如鑒于傳統方法能夠負擔得起若干遍數據集的處理，現代方法是為單次處理所設計；某些情況只認同非線性方法（那些只關注一部分數據的方法）。深度學習成功訓練卷積神經網絡的能力非常有益于計算機視覺領域，比如目標識別、視頻標簽、行為識別和幾個相關變體的應用。深度學習也在大舉進軍感知方面的其他領域，如音頻、語音和自然語言處理。強化學習鑒于傳統機器學習主要關注于模式挖掘，強化學習將重點轉移到決策中，這種技術將有助于促進人工智能在現實世界中更深入地進入相關研究和實踐領域。作為一種經驗驅動型的序貫決策框架，強化學習已經存在了幾十年，但是這個方法在實踐中沒有取得很大成功，主要是由于表征和縮放的問題。然而深度學習的出現為強化學習提供了「一貼強心劑」。由谷歌DeepMind開發的計算機程序AlphaGo在五次對抗比賽中擊敗了人類圍棋冠軍，它最近所取得的成功在很大程度上要歸功于強化學習。AlphaGo是通過使用一個人類專家數據庫來初始化一個自動代理的方法被訓練的，但隨后提煉的方法是通過大量地自我對抗游戲以及應用強化學習。機器人至少在靜態環境中，機器人導航在很大程度上被解決了。目前的努力是在考慮如何訓練機器人以泛型的、預測性的方式與周圍世界進行交互。互動環境中產生的一個自然要求是操縱，這是當下所感興趣的另一個話題。深度學習革命只是剛開始影響機器人，這在很大程度上是因為要獲得大的標記數據集還很困難，這些數據集已推動了其他基于學習的人工智能領域。免去了標記數據需求的強化學習可能會有助于彌合這一差距，但是它要求系統在沒有錯誤地傷害自己或其他系統的情況下能夠安全地探索出一個政策空間。在可信賴的機器感知方面的進步，包括計算機視覺、力和觸覺感知，其中大部分將由機器學習驅動，它們將繼續成為推進機器人能力的關鍵。計算機視覺計算機視覺是目前最突出的機器感知形式。它是受深度學習的興起影響最大的人工智能子領域。直到幾年前，支持向量機還是大多視覺分類任務所選擇的方法。但是特別是在GPU中的大規模計算的匯合，使得更大數據集的可獲得性（尤其是通過互聯網）以及神經網絡算法的改進導致了基準任務中能的顯著提高（比如ImageNet中的分類器）。計算機首次能夠比人類更好地執行一些（狹義定義的）視覺分類任務。目前的研究多是關注于為圖像和視頻自動添加字幕。自然語言處理自然語言處理是另一個通常與自動語音識別一同被當做非常活躍的機器感知領域。它很快成為一種擁有大數據集的主流語言商品。谷歌宣布目前其20%的手機查詢都是通過語音進行的，并且最近的演示已經證明了實時翻譯的可能性。現在研究正在轉向發展精致而能干的系統，這些系統能夠通過對話而不只是響應程式化的要求來與人互動。協同系統協同系統方面進行的是對模型和算法的研究，用以幫助開發能夠與其他系統和人類協同工作的自主系統。該研究依賴于開發正式的協作模型，并學習讓系統成為有效合作伙伴所需的能力。能夠利用人類和機器的互補優勢的應用正吸引到越來越多的興趣——對人類來說可以幫助人工智能系統克服其局限性，對代理來說可以擴大人類的能力和活動。眾包和人類計算在完成許多任務方面由于人類的能力是優于自動化方法的，因而在眾包和人類計算方面，通過利用人類智力來解決那些計算機無法單獨解決好的問題，該領域研究調查了增強計算機系統的方法，這項研究的提出僅僅是在大約15年前，現在它已經在人工智能領域確立了自己的存在。最有名的眾包例子是維基百科，它是一個由網絡公民維護和更新的知識庫，并且在規模上和深度上遠遠超越了傳統編譯的信息源，比如百科全書和詞典。眾包專注于設計出創新的方式來利用人類智力。Citizen科學平臺激發志愿者去解決科學問題，而諸如亞馬遜的MechanicalTurk等有償眾包平臺，則提供對所需要的人類智力的自動訪問。通過短時間內收集大量標記訓練數據和/或人機交互數據，該領域的工作促進了人工智能的其它分支學科的進步，包括計算機視覺和自然語言處理。基于人類和機器的不同能力和成本，目前的研究成果探索出了它們之間理想的任務分離。算法博弈理論與(基于)計算機(統計技術的)社會選擇包括激勵結構、人工智能的經濟和社會計算維度吸引到了新的關注。自20世紀80年代初以來，分布式人工智能和多代理（multi-agent）系統就已經被研究了，于20世紀90年代末開始有顯著起色，并由互聯網所加速。一個自然的要求是系統能夠處理潛在的不恰當激勵，包括自己所感興趣的人類參加者或公司，以及自動化的、基于人工智能的、代表它們的代理。備受關注的主題包括計算機制設計（computationalmechanismdesign）（一種激勵設計的經濟理論，它尋求激勵兼容的系統，其中輸入會被如實報告）、(基于)計算機(統計技術的)社會選擇（computationalsocialchoice）（一種有關如何為替代品排列順序的理論）、激勵對齊信息獲取（incentivealignedinformationelicitation）（預測市場、評分規則、同行預測）和算法博弈理論（algorithmicgametheory）（市場、網絡游戲和室內游戲的平衡，比如poker——它在近幾年通過抽象技術和無遺憾學習（no-regretlearning）已經取得了顯著的進步）。物聯網（IoT）越來越多的研究機構致力于這樣一個想法：一系列設備可以相互連接以收集和分享它們的感官信息。這些設備可以包括家電、汽車、建筑、相機和其他東西。雖然這就是一個技術和無線網絡連接設備的問題，人工智能可以為了智能的、有用的目的去處理和使用所產生的大量數據。目前這些設備使用的是令人眼花繚亂的各種不兼容的通信協議。人工智能可以幫助克服這個「巴別塔」。神經形態計算傳統計算機執行計算的馮諾依曼模型，它分離了輸入/輸出、指令處理和存儲器模塊。隨著深度神經網絡在一系列任務中的成功，制造商正在積極追求計算的替代模型——特別是那些受到生物神經網絡所啟發的——為了提高硬件的效率和計算系統的穩定性的模型。目前這種「神經形態的（neuromorphic）」計算機尚未清楚地顯示出巨大成功，而是剛開始有望實現商業化。但可能它們在不久的將來會變成尋常事物（即使僅作為馮諾依曼所增加的兄弟姐妹們）。深度神經網絡在應用景觀中已經激起了異常波動。當這些網絡可以在專門的神經形態硬件上被訓練和被執行，而不是像今天這樣在標準的馮諾依曼結構中被模擬時，一個更大的波動可能會到來。總體趨勢以及人工智能研究的未來數據驅動型范式的巨大成功取代了傳統的人工智能范式。諸如定理證明、基于邏輯的知識表征與推理，這些程序獲得的關注度在降低，部分原因是與現實世界基礎相連接的持續挑戰。規劃（Planning）在七十和八十年代是人工智能研究的一根支柱，也受到了后期較少的關注，部分原因是它強烈依賴于建模假設，難以在實際的應用中得到滿足。基于模型的方法——比如視覺方面基于物理的方法和機器人技術中的傳統控制與制圖——已經有很大一部分讓位于通過檢測手邊任務的動作結果來實現閉環的數據驅動型方法。即使最近非常受歡迎的貝葉斯推理和圖形模式似乎也正在失寵，被數據和深度學習顯著成果的洪流所淹沒。研究小組預計在接下來的十五年中，會有更多關注集中在針對人類意識系統的開發上，這意味著它們是明確按照要與之互動的人類特點來進行建模與設計的。很多人的興趣點在于試圖找到新的、創造性的方法來開發互動和可擴展的方式來教機器人。此外在考慮社會和經濟維度的人工智能時，物聯網型的系統——設備和云——正變得越來越受歡迎。在未來的幾年中，對人類安全的、新的感知/目標識別能力和機器人平臺將會增加，以及數據驅動型產品數量與其市場規模將會變大。研究小組還預計當從業者意識到純粹的端到端深度學習方法的不可避免的局限性時，會重新出現一些人工智能的傳統形式。我們不鼓勵年輕的研究人員重新發明理論，而是在人工智能領域以及相關領域（比如控制理論、認知科學和心理學）的第一個五十年期間，保持對于該領域多方面顯著進展的覺察。第二部分：人工智能在各領域的應用雖然人工智能的很多研究和應用會基于一些通用技術，比如說機器學習，但在不同的經濟和社會部門還是會有所區別。我們稱之為不同的領域（domain），接下來的這部分將介紹人工智能研究和應用的不同類型，以及影響和挑戰，主要有八個方面：交通、家庭服務機器人、醫療健康、教育、低資源社區、公共安全、工作和就業、娛樂。基于這些分析，我們還預測了一個有代表性的北美城市在未來15年的趨勢。與人工智能的流行文化中的典型敘述不同，我們尋求提供一個平衡的觀點來分析，人工智能是如何開始影響我們日常生活的，以及從現在到2030年，這些影響將如何發展。交通交通可能會成為首批幾個特定應用領域之一，在這些領域，大眾需要對人工智能系統在執行危險任務中的可靠性和安全性加以信任。自動化交通會很快司空見慣，大多數人在嵌入人工智能系統的實體交通工作的首次體驗將強有力的影響公眾對人工智能的感知。一旦硬件做到足夠安全和穩健，它進入日常生活的速度將使公眾所驚訝，這可能需要時間進行調整。隨著汽車逐漸取代人類成為更好的司機，城市居民擁有的車輛將減少，住所和工作地點的距離也會更遠，花費的時間也會發生變化。這會導致出現一種全新的城市組織架構。再者，2030年在典型的北美城市中，人工智能帶來的改變將不僅限于車輛，還會影響各種飛行器和個人機器人，這將引發對社會、道德和政策等議題的討論。一些關鍵技術已經催化了人工智能在交通領域的廣泛應用。與2000年相比，智能手機的普及，各類傳感器成本的下降和性能的提升，使得我們今天能獲取的關于個人和群體交通數據的規模和多樣性獲得了驚人的增長。如果沒有這些數據、連接、實時傳感和交通預測等應用、路線規劃，共享乘車和自動駕駛將不可能實現。智能汽車2001年，GPS被應用于私家車用于定位，目前已經成為交通系統的基礎部件。GPS在輔助司機進行駕駛時也將關于交通模式的大量數據提供給科技公司和城市部門。擁有GPS功能的智能手機的廣泛應用也進一步增強了鏈接以及位置信息的共享。當前的車輛還配備了各種傳感設備。根據估算，美國平均每一輛車上裝有70個傳感器，包括陀螺儀、加速器、億光環境光源傳感器和濕度傳感器。對于汽車來說，傳感器已經不是什么新事物了。2000年之前制造的汽車已經裝配了能夠獲取自身速度、加速和輪胎狀況的傳感器。這些車輛還擁有一些功能，能夠把實時傳感和決策（例如ABS）、氣囊控制、電氣牽引系統和控制和電子穩定程序結合起來。自從2003年以來，一些自動化功能就已經被引入了商用車，具體功能見下表。這些功能能夠協助司機，甚至完全取代司機的某些活動來增強安全性和舒適性。現在的汽車能夠自動破車，在高速路上可以自適應巡航控制，變換車道時可以提示駕駛員盲區中出現的物體信息。視覺和雷達技術被引入到碰撞預防系統。深度學習也已經應用在了這些方向，通過對周圍環境的物體檢測和聲音識別來提升自動駕駛汽車的性能。不遠的未來，在用于駕駛的功能方面，感知算法將超過人類的水平。包括視覺在內的自動化感知，在處理是被和跟蹤等任務時，已經接近人類水平。除了感知方面的進步，隨之出現的還有算法的進一步提升所帶來的推理和規劃能力。近期一份報告預測，自動駕駛汽車將在2020年得到廣泛應用。而自動駕駛功能的應用也將不局限于個人交通。我們將看到自動駕駛汽車和遠程操控的運載車輛、飛行器、和自動駕駛卡車。基于用戶共享的交通服務也將充分利用自動駕駛汽車。此外，機器人技術的進步也將更有利于其他類型自動駕駛設備的創造和應用，包括機器人、無人機等。現在還不明確的一點是，自動駕駛汽車需要發展到何種程度才能引起大眾的廣泛接受。半自動駕駛汽車中的人車合作與人類司機認知符合的潛在意義都還未能完全理解。但如果未來的自動駕駛汽車以可預測的速度走向應用，且超越人類的駕駛水平，那勢必將帶來重要的社會變化。自動駕駛汽車消除了美國交通傷亡的一大原因，可以延長人們的平均壽命。美國一個通勤者的單程平均駕駛時間是25分鐘。當有了自動駕駛技術之后，人們可以在通勤中有更多的時間來工作和休閑。自動駕駛汽車帶來的舒適度的提升和認知負擔的減少，再加上共享交通，將影響人們選擇居住地點。自動駕駛汽車和點到點交通服務可能消除對私人汽車的需要。對整體汽車產業的影響難以預測。空汽車以及人們日益增加的旅行意愿可能導致更多的總駕駛里程。此外，共享自動駕駛汽車（人們使用汽車作為服務而非自己擁有汽車）可能減少總里程，特別是如果與好的結構合理的激勵機制結合起來，比如通行稅或者折扣，就能鋪開旅行需求、拼車、減少擁堵。共享交通的實現可能取代對公共交通的需求，或者公共交通可能改變形式，邁向個人快速公交系統。這已經在4個城市中實現了，它們使用小容量汽車在許多站臺間進行按需運輸與點到點運輸。隨著自動駕黑絲汽車變得更加普遍，安全上的問題將會出現，包括如何在發布前保證該技術是安全的、在不同的路況下有適當測試的。自動駕駛汽車和連接交通基礎設施將為黑客創造一個新的犯罪地點。當死亡不可避免時，汽車編程選擇犧牲什么人也會引發到的問題，特別是當汽車需要瞬間做出選擇的時候。美國大部分州的法律系統沒有覆蓋自動駕駛汽車的條例。到2016年，美國的4個州（內華達、弗羅里達、加州、密歇根）、加拿大的安大略、英國、發過、瑞典都已經通過了在公共道路測試自動駕駛汽車的條例。甚至這些法律都沒有解決自動駕駛汽車和半自動駕駛汽車責任和事故問責的問題。交通規劃到2005年，城市開始投資交通基礎設施以為汽車和行人交通開發傳感能力。目前已經使用的傳感器包括感應線圈、視頻攝像頭、遠程交通微波傳感器、雷達和GPS。比如，2013年紐約市開始使用微博傳感器、攝像機網絡和流量計數器來檢測城市中的車輛交通。城市使用人工智能方法通過多種方式來優化服務，比如公交車和地鐵規劃、跟蹤交通狀況以動態調整限速或在高速路、橋梁和HOV車道上采用智能定價。通過道路網中的傳感器和相機，他們可以優化交通等定時以改善交通流和幫助自動執法。這些動態策略的目標是更好地利用交通網中受限的資源，而且也因為數據的可用性和個體的廣泛連通性而成為了可能。在2000年代以前，交通規劃者被迫依賴受限于特定日期或時間的靜態定價策略來管理需求。隨著動態定價策略的采用，這會帶來涉及到公共利益公平分配的新問題，因為高需求環境的市場條件可能會讓公共部分無法使用這些服務。大規模數據的可用性也讓交通成為了機器學習的一個完美領域。自2006年以來，Mapquest、谷歌地圖和Bing地圖等應用已經廣泛地被公眾用來規劃旅行線路、使用公交系統、接收關于交通狀況的實時信息和預測、以及尋找某個地點周圍的服務。優化搜索算法已經被用于汽車和行人去往給定目的地的路徑規劃。盡管有這些進步，傳感和優化技術在城市基礎設施上的廣泛應用卻慢于這些技術在單獨的車輛或人上的應用。盡管已經有個別城市已經部署了傳感和優化應用，但目前卻還沒有傳感基礎設施和人工智能技術的標準可用。基礎設施需要成本，各個城市的重點也不一樣，而且涉及到人工智能的各方之間協調的高額成本對城市基礎設施的影響也越來越大。個體行動、他們的偏好和他們的目標的準確預測模型會隨著更大的數據可用性而涌現。相關的道德問題將在本報告的第三節進行討論。美國交通運輸部在2016年發布了一份提案，要求中等規模的城市想象用于交通的智慧城市基礎設施。這一倡議計劃向展示了技術和數據可以如何被用于重構人與貨物的流動方式的城市獎勵4000萬美元。一個愿景是實現車聯網，其可以通過車對車的通信實現高水平的駕駛安全。如果這一愿景成為了現實，我們預計在多代理協調、協作和規劃上的進步將極大地影響未來的汽車發展，并在打造更加可靠更加高效的交通運輸系統上發揮作用。機器人也可能會通過運輸個人和包裹來參與到交通中（比如，Segway機器人）。對于貨物運輸，人們對無人機的興趣越來越大，亞馬遜現在就正在測試使用無人機的快遞系統，盡管在合適的安全規則和監管方面還存在著一些問題。傳感能力的提升、無人機的采用和互連的交通基礎設施也將引發對個人隱私和私密數據安全的擔憂。未來幾年，這些問題和相關的交通運輸問題也將需要得到解決——不管是通過部分行業內先發制人的行動還是在法律的框架內。正如第三節政策討論中所指出的那樣，這些行動的效果將會影響交通運輸行業內人工智能相關進展的步伐和范圍。即時交通Uber和Lyft等即時交通服務已經涌現成為了傳感、連接和人工智能的另一項關鍵應用，這些技術可以使用算法根據位置和合適度（聲譽模型）來匹配司機和乘客。通過動態定價，這些服務可以通過支付意愿進行配給，動態定價還有利于估計司機數量的增長，這已經成為了城市交通的一種流行的方法。隨著它們的快速發展，一些政策和法律問題也隨之出現了，比如和已有的出租車服務競爭以及對缺乏監管和安全的擔憂。按需交通服務似乎很有可能成為自動駕駛汽車的一個主要推動力。拼車和駕乘共享一直以來都被視為有希望緩解交通擁堵的方法，而且還能更好地利用個人交通資源。Zimride和Nuride等服務將具有類似路線的人聚集到一起進行聯合旅行。但拼車的方法難以獲得大規模的推動力。人機交互幾十年來，人們一直在想象非常不同的、未來感十足的交通載具。盡管未來的車輛將會更加智能，無人機也將得到廣泛應用，但在2030年之前我們不太可能會大規模地用上和現在已有的交通工具在外觀和功能上大相徑庭的交通載具。我們的研究小組并不指望可以海陸空穿行的無人機或四軸飛行器在這個時間范圍內變成常用的交通運輸方式（盡管現在已有原型機出現了）。我們預計人類會成為自動駕駛汽車和無人機的訓練、執行和評估過程中的合作伙伴。這種伙伴關系可能是物理地，也可能是虛擬的。我們預計算法的進步將促進機器從人類輸入中的學習。我們還預計會出現建模人類注意機制、以及支持人機之間的通信和協作的模型和算法。這是未來汽車發展的一個組成部分。家庭/服務機器人過去十五年中，機器人已經進入了人們的家庭。但應用種類的增長慢得讓人失望，與此同時，日益復雜的人工智能也被部署到了已有的應用之中。人工智能的進步常常從機械的革新中獲取靈感，而這反過來又帶來了新的人工智能技術。未來十五年，在典型的北美城市里，機械和人工智能技術的共同進步將有望增加家用機器人的使用和應用的安全性和可靠性。特定用途的機器人將被用于快遞、清潔辦公室和強化安全，但在可預見的未來內，技術限制和可靠機械設備的高成本將繼續限制狹窄領域內應用的商業機會。至于自動駕駛汽車和其它新型的交通機器，創造可靠的、成熟的硬件的難度不應該被低估。真空吸塵器經過許多年的開發之后，真空清潔機器人ElectroluxTrilobite在2001年成為了第一款商用家庭機器人。它有一個簡單的控制系統，可以做到避障和一些導航。一年之后，iRobot推出了Roomba，它的價格只有Trilobite的十分之一，只有512字節的RAM，運行著一個基于行為的控制器。其所能做到的最智能的事情是避免從樓梯上跌落。自那時起，已有1600萬臺Roomba被部署到了世界各地，現在也已有了其它一些競爭品牌。隨著低成本嵌入式處理器的處理能力和RAM容量在2000年時令人沮喪的狀態的基礎上實現的提升，這些機器人的人工智能能力也取得了顯著的提升。簡單的導航、自充電和處理垃圾箱裝滿的行為等已經得到了解決，接著又解決了電線和地毯流蘇的問題，這些是通過機械改進和基于傳感器的感知的結合實現的。最近，全VSLAM（視覺同步定位和測繪，一種已經存在了20年的人工智能技術）的加入讓機器人可以構建它們所清潔的房屋的全3D世界模型，從而讓他們在他們的清潔范圍內更加高效。人們早期預測過的一些家用機器人應用還沒有實現。機器人真空吸塵器也僅限于局部的平坦區域，而真正的家里有大量的單級階梯甚至樓梯；在機器人在真實家庭中的運動上的研究還非常少。硬件平臺的構建仍然很困難，人們只對很少的應用有足夠的購買意愿。用于圖像標注和3D對象識別等功能的感知算法盡管在人工智能會議上很常見，但離產品化還仍有幾年的時間。家庭機器人2030盡管家庭機器人到來的速度緩慢，但仍有跡象表明在接下來的15年內會發生改變。像AmazonRobotics和Uber這樣的公司正在使用各種聚合技術開發大規模經濟。也包括：模塊內系統（SysteminModule，SiM）和許多片上系統（SystemonChip，SoC）的子系統，如今都被手機芯片制造商拒之門外（高通的SnapDragon，三星的Artik等）。這些系統至少要比十年前的超級計算機更好，它們有著8~64核，配備密碼學的專門化硅片、攝像頭驅動、附加的DSPs，以及針對特定感知算法的硬硅片。這意味著低成本設備將能夠支持比我們15年前能夠想象到的更多的機載人工智能。云（其他人的計算機）將使得家庭機器人上的新軟件的快速迭代成為可能，共享更多的不同家庭內收集的數據集，這反過來也能供給基于云的機器學習，然后進一步改進已經部署了的機器人。由深度學習帶來的在語音理解和圖像標記上的巨大進步將增強機器人在家庭中與人的交互。低成本的3D傳感器受到游戲平臺的驅動，全球數千名研究人員已經開始在3D感知算法上的研究，這也將加速家庭和服務機器人的開發和采用。在過去的3年中，低成本的安全機械臂在全球已經被數百個研究實驗室引入，激起一波在家用機器人上的新型研究，這個日期可能是2025年。全球超過6家創業公司正在開發基于人工智能的家庭機器人，如今主要集中于社交互動。最后，新的道德和隱私問題可能會浮出表面。醫療對人工智能而言，醫療領域一直被視為一個很有前景的應用領域。基于人工智能的應用在接下來的幾年能夠為千百萬人改進健康結果和生活質量，但這是在它們被醫生、護士、病人所信任，政策、條例和商業障礙被移除的情況下。主要的應用包括臨床決策支持、病人監控、輔導、在外科手術或者病人看護中的自動化設備、醫療系統的管理。近期的成功，比如挖掘社交媒體數據推斷潛在的健康風險、機器學習預測風險中的病人、機器人支持外科手術，已經為人工智能在醫療領域的應用擴展出了極大的應用可能。與醫學專家和病人的交互方法的改進將會是一大挑戰。至于其他領域，數據是一個關鍵點。在從個人監護設備和手機App上、臨床電子數據記錄上收集有用的數據方面，我們已經取得了巨大的進展，從協助醫療流程和醫院運行的機器人那里收集的數據可能較少一些。但使用這些數據幫助個體病人和群體病人進行更精細的針對和治療已經被證明極其的困難。研究和部署人工智能應用已經被過時的條例和激勵機制拉扯后腿。在這樣大型的、復雜的系統中，貧乏的人機交互方法和固有的難題以及部署技術的風險也阻礙了人工智能在醫療的實現。減少或者移除這些障礙，結合目前的創新，有潛力在接下來幾年為千百萬人極大的改進健康結果和生活質量。臨床應用十幾年來，人工智能臨床助手的觀點已經成為了陳詞濫調。盡管在醫療領域已經有了成功的人工智能相關技術的試點，目前醫療輸送系統仍非常不幸的因結構病態難以吸收、應用新進展。由平價醫療法案（AffordableCareAct）提供的激勵機制已經加快了EHR在臨床實踐中的滲透，但執行力度缺乏，破壞了臨床醫師對EHR作用的信心。一小撮公司控制著EHR市場，用戶界面普遍認為不合格，包括醫師通常不理會惱人的彈出窗口。使用來自EHR數據的新型分析技術的潛力，包括人工智能，就由于這些原因和其他的條例與架構障礙而難以被意識到。展望下一個15年，人工智能在進步，如果配合足夠的數據與有的放矢的系統，這極有可能改變分配給臨床醫師的認知任務。醫師如今還是老一套的從病人那里聽取病癥描述，在腦海中關聯與已知疾病的臨床表征的模式。有了自動化助手，醫師反而能夠監督這一流程，應用自己的經驗和直覺指導輸入流程，并評估機器智能的輸出。醫師文字版本的實地經驗仍然很重要。一個主要挑戰是將人類方面的醫療與自動化推理流程最佳結合。為了在未來取得進步，臨床醫師必須從開始就參與其中，從而保證系統能很好建立且值得信任。新一代的熟悉技術的醫師已經在手機設備上經常使用專門化的App了。同時，初級保健醫師的工作量已經增加到了尋求幫助的點。因此，開發新機器學習方法的機會，通過自動挖掘科學文獻創造推斷架構模式的機會，以及通過支持自由形式對話的認知助手的機會，都是無比巨大的。鑒于這些進展并未受到條例、法律、社會障礙的阻礙，對醫療價值的巨大改進在我們的掌握之中。醫療分析在人口層次上，人工智能從數百萬病人臨床記錄挖掘結果的能力能使得精細的、更私人化的診斷和治療成為可能。隨著完全的、一生僅一次的基因序列成為病人常規，基因型-表型連接的自動發現也將成為可能。一個相關的（可能較早）能力將會是發現「像我的病人一樣的病人」，從而基于分析類似群體做治療決策。傳統的與非傳統的醫療數據，因社交平臺得以加強，可能導致自定義亞人口的出現，每個人受到周圍有自動建議和監控系統的醫療提供商生態系統的管理。隨著醫療流程和數百萬個體的終身醫療記錄變得可用，這些發展有潛力從根本上轉變醫療輸送系統。類似地，可穿戴設備對個人環境數據的自動獲取將擴展個人醫療。隨著供應商發現吸引大量人口（例如，共享醫療）的發現，然后創造出能挖掘產生個人分析與建議的大規模人工數據，這些活動將具有更大的商業化可行性。不幸的是，FDA在認可創造性診斷軟件上進展緩慢，在加速創新上也有遺留障礙。HIPAA（HealthInsurancePortabilityandAccountabilityAct）法案要求保護病人隱私，這導致了病人數據流應用人工智能技術的法律障礙。已批準藥物的意外副作用可能要比今天出現的更快、更嚴厲，但分析藥物相互作用的手機APP可能受阻于應用病人病例信息。更普遍的是，醫療領域的人工智能研究與創新因缺乏被普遍接受的隱私保護方法與標準而受阻。FDA認可創新軟件的速度緩慢，部分是因為不能清楚理解這些系統的成本/收益權衡。如果監管者（主要是FDA）認識到有效的上市后報告是一個可靠的對安全風險的對沖，對新的治療與干預措施的最初認可可能成為可能。自動圖像解析也是研究了數十年的課程。對大型弱標記圖像的解析進展是爆發性，比如來自網頁的大型圖片檔案。乍一看，你會很驚訝幾乎沒有變革類似于醫療圖像解析的。大部分生成醫療圖像的方式（CT、MR、超聲波）都是電子化的，圖像都是存檔的，而且也有大型的公司有專注于圖像的內部研發機構（比如，西門子、飛利浦、GE）。但目前為止，還有數個障礙限制了進展。在過去十年中，大部分醫院的圖像檔案都電子化了。更重要的問題是不知道圖片中的內容（圖片中是肝臟還是腎臟？），更不要說做出精細判斷了（肝臟中的小黑點表明潛在的腫瘤？）。嚴厲的條例管理著這些高風險判斷。即使有前沿的技術，放射科醫師仍然傾向于查看圖像，所以價值定位還并不引人注目。同樣，醫療條例阻礙了機構間的數據聯合。因此，只有大型的整合醫療公司才能夠解決這些問題，比如KaiserPermanente。自動/增強圖像解析的發展開始加快。接下來的15年內可能不會帶來全自動的放射學，但最初的圖像分類或者下一層的圖像檢查可能提高醫療圖像生成的速度的成本高效益。當與電子病人記錄系統結合的時候，大規模的機器學習技術可能應用于醫療圖像數據。例如，多專業醫療系統有百萬病人掃描檔案，每個都有相關的放射報告，而且大部分有相關的病人記錄。已經有論文表明通過在這些數據上訓練深度神經網絡，能產生基礎的放射性發現，有很高的可靠性。醫療機器人15年前，醫療機器人大多是科幻小說內的形象。一家從IBM衍生出的名為Robodoc的公司為矯形外科手術開發機器人系統。技術是可用的，但公司難以商業化最終關閉，技術也被收購。盡管，近期外科機器人的研究與實際使用也開始爆發。在2000年，IntuitiveSurgical介紹了達芬奇系統，這是一個最初市場化的新技術，支持最低程度的心臟搭橋手術，然后在前列腺癌的治療上也獲得大量的市場吸引力，并在2003年與其主要的競爭對手ComputerMotion合并。醫院運行中的智能自動化方面的成果較少，它不像外科機器人。20年前，一家名為HelpMate的公司為醫院輸送（比如食物和醫療記錄的輸送）創造了一個機器人，但最終破產。最近，Aethon為基礎輸送引入了TUG機器人，但目前為止少有醫院投資該技術。然而，其他服務產業的機器人，比如酒店與倉庫，包括AmazonRobotics（前身為Kiva）的機器人都證明這些技術至少在大規模環境中是可用且具有成本效益的。此外，這些技術最終可能在醫療領域產生額外的創新。往前看，醫療領域出現的很多任務將增強而非完全的自動化。例如，機器人可能向正確的屋子輸送物品，但然后就需要人進行選擇，并放到最終位置。一旦一位病人站到步行器上，陪伴病人在走廊走動可能就相對簡單了（盡管面對術后或者老年病人，這個任務更瑣碎，特別是在走廊有大量器械和其他人的情況下）。在手術針準確放置的情況下，進行縫合對機器人而言也很簡單。這表明很多未來的系統將在人與機器之間親密交互，而且需要在兩者間建立協作的技術。自動化的成長將產生對醫療流程的新洞見。歷史上，機器人機器人不是非常受數據驅動或是面向數據的科學。隨著（半）自動滲透到醫療領域，這正在發生改變。隨著新型外科、輸送、以及病人看護平臺變成線上，量化以及預測分析開始建立到來自這些平臺的數據之上。這些數據將被用于評估性能質量、識別缺陷、錯誤或者潛在的最優方式，而且將被作為反饋改進新能。簡言之，這些平臺將促進在做什么與結果檔案間建立連接，使得真正的「閉環」醫療成為可能。移動健康目前為止，醫療上的循證分析依靠傳統的醫療數據，主要是上面討論過的電子醫療記錄。在臨床環境，有希望帶入新數據。例如，在人工智能代理的幫助下，Tele-Language使得醫師能夠同時與數個病人進行語言治療。而且從病人手機被動收集的數據中提取行為模式并發出警報的Lifegraph已被以色列的精神病醫師采納，用于檢測病人苦惱行為的早期跡象。向前看，受到移動計算革命的驅動，自然環境下生物統計學的驚人成長以及平臺的爆發和應用是一個有希望且未曾意料到的趨勢。大量的手機App如今在提供信息、引入行為修改，或識別「像我一樣」的群體。這些結合更專門化的運動追蹤設備（比如Fitbit）趨勢的興起，加上家庭環境與健康追蹤設備之間的（內部）連通性的興起，已經創造出了一個驚人的新的創新領域。通過結合社交和醫療數據，一些醫療App能進行數據挖掘、學習與預測，盡管他們的預測相對基礎。數據的聚合與功能性的跨應用可能將刺激出新的甚至更顯著的產品，比如不僅建議鍛煉日程甚至建議最佳鍛煉時間的App，并且還能為這些鍛煉日程提供輔導。老年看護在接下來的15年中，美國的老年人數量的增長將超過50%。美國國家統計局表示在接下來10年內，家庭健康助手將增長38%。盡管該領域有廣泛的機會（基礎的深灰指出、交互以及通信設備，家庭健康監控，各種簡單的戶內身體助手，比如步行器、備餐助手），在過去的15年中發生過很少。但即將到來的時代轉變將伴隨著老年人對技術接受度上的改變。目前出生于1946年的70歲的老人可能在中年或者更晚的年紀才體驗到一些形式的個性化IT，然而如今50歲的老人對科技更親近也更熟悉。最終，對支持身體、情感、社交以及心理健康的可用的或者成熟的技術，老人將有更大的興趣，也將有更大的市場。以下是一些可能存在的例子：生活質量與獨立性：自動化交通將為老人提供持續的獨立性以及更寬的社交界限。共享信息將幫助家庭與出門在外的家庭保持聯系，預測分析可能被用于推動家庭向積極行為發展，比如提醒往家打電話。家庭中的智能設備將在日常生活活動上提供幫助，比如做飯。如果機器人操作能力有足夠的改進，也能幫助老人穿衣服、如廁。健康保健監控運動與活動的手機應用配合社交平臺將能夠推薦保持心理與身體健康的建議。室內健康健康和健康信息的接入將能夠檢測心態與行為的變化，并做出護理提醒。個性化健康管理將幫助消除與多合并病癥和/或治療作用之間關聯的復雜性。治療與設備更好的聽從助手與視覺輔助設備的建議將消除聽覺與視覺障礙上的影響，提高安全性以及與社會的溝通。個性化康復與家庭內治療將減少去醫院以及護理中心的需要。身體輔助設備（智能步行器、輪椅、外骨骼）將拓展身體有限制的人的活動范圍。研究小組期望低成本傳感技術的爆發能為家庭內的老人提供大量的能力。原則上，社會中實際存在（指人）以及有簡單身體能力（例如，有基礎交流能力的移動機器人）應該為新的創新提供一個平臺。然而，如此做需要融合人工智能的多個領域（自然語言處理、推理、學習、感知、機器人），從而創造一個老年人可用的、合用的系統。這些創新將引發關乎多個圈子的隱私問題，包括朋友、家庭以及護理員。教育在過去的十五年間，教育界見證了為數眾多的人工智能科技的進步。諸如K-12線上教育以及大學配套設備等等應用已經被教育家和學習者們廣泛利用。盡管素質教育還是需要人類教師的活躍參與，但人工智能在所有層面上都帶來了強化教育的希望，尤其是大規模定制化教育。如何找到通過人工智能技術來最優化整合人類互動與面對面學習將是一個關鍵性的挑戰，這一點醫療行業也是如此。機器人早已經成為了廣為歡迎的教育設備，最早可以追溯到1980年MITMediaLab所研制出的LegoMindstorms。智能輔導系統（ITS）也成為了針對科學、數學、語言學以及其他學科相匹配的學生互動導師。自然語言處理，尤其是在與機器學習和眾包結合以后，有力推進了線上學習，并讓教師可以在擴大教室規模的同時還能做到解決個體學生的學習需求與風格。大型線上學習的系統所得的數據已經為學習分析產生了迅速增長的動力。但是，學院與大學采用人工智能技術的步伐依然很緩慢，主要是由于資金的缺乏，以及其可以幫助學生達成學習目標的有力證據。一個典型美國北部城市的未來五十年，智能導師與其他人工智能技術幫助教師在課堂或家中工作的規模很有可能會顯著擴大，因為意愿學習是基于虛擬現實的應用。但是計算機為基礎的學習系統將無法完全替代學校里的教師們。教育機器人今天，K-12線上教育學校能夠利用更加復雜和多樣化的設備，這些都來自于許多創造了可在多種語言中編程的新型傳感技術的公司。Ozobot是一個機器人，教孩子們編代碼以及邏輯分析去讓它跳舞或根據顏色代碼模型玩游戲。Cubelets幫助教孩子們通過組裝有著不同功能的機器人模塊以進行思考、行動或感知來學習邏輯思維。WonderWorkshop的Dash和Dot則有著廣泛的編程能力。八歲以及以上的孩子們可以利用一個虛擬編程語言Blockly創造簡單的動作，或者通過C語言或Java制造一些IOS或安卓的應用。PLEO機器人是一個機器人寵物，幫助孩子們通過讓機器人根據環境的不同方面做出反應反應學習生物學。然而，盡管有些機器人的確參與其中并帶來樂趣，但是為了讓它們更加普遍被利用，我們還需要一些有著足夠說服性的證據以證明它們可以提高學生們的學術表現。智能輔導系統（ITS）與線上學習ITS由一些諸如Why-2Atlas的研究實驗室項目發展而來，后者幫助人-機對話在這個時代的早期解決物理問題。ITS從實驗室的試驗階段到實際應用的迅速轉變十分驚人，但同時也是我們樂于見到的。可下載的軟件與線上系統，例如CarnegieSpeech或Duolingo提供了利用自動語音識別和神經語言程序學技術來識別語言中的錯誤并幫助用戶修改的外語訓練。輔導系統，例如CarnegieCognitiveTutor已經在一些美國高校中有所應用，幫助學生們學習數學。其他ITS也針對在圖像、電路、醫療診斷、計算機知識和編程、遺傳學、化學方面的訓練進行了發展。認知輔導師軟件可以模仿一個優秀的人類輔導師，例如在學生遇到某些數學問題時提供暗示等。基于所要求的暗示與提供的答案，輔導師可以提供詳細具體的反饋。這種應用也在向更高的教育擴展。一個叫做SHERLOCK的ITS正在開始用來教空軍技師診斷飛行器中的電路系統障礙。南加州大學的信息科學學院已經研發了更多先進的，基于avatar的訓練模塊幫助訓練被送往國際崗位的軍隊人員與有著不同文化背景的人們進行交流。對于個性化輔導的新算法，例如BayesianKnowledgeTracing，讓個體掌握學習和解決問題的次序。大部分的驚喜來自于MOOCs的爆炸式發展與其他各種線上教育的模型——包括像維基百科和KhanAcademy以及復雜的學習管理系統，建立于同步或異步教育和適應性學習工具。自從上世紀九十年代后期，例如像EducationalTestingService和Pearson已經在研發自動化的自然語言程序學估測工具，在標準測試中聯合評估論文。許多MOOCs課程非常受歡迎，還有EdX、Cousera以及Udacity都在利用自然語言處理、機器學習與眾包技術來評估較短的答案與論文中的錯誤以及編程作業。支撐專業生級別的教育和終生學習的線上教育系統也在迅速擴張。這些系統都具有很大的潛力因為面對面的交流需要對于專家和跳槽者并不是非常重要。盡管他們不是人工智能系統和應用界的領導，但是他們會成為這些技術在經歷測試和強化過程中的早期采用者。可以認為人工智能是教師的秘密武器，特別是在高等教育中，可使用人工智能大幅度擴展他們的課堂級別。為了不斷測試不同年級的學生，自動生成問題也是有可能，比如評估單詞量的問題、多項選擇問題，使用到了WordNet、Wikipedia、和線上知識本體這樣的資源。隨著線上課程的爆發，這些技術無疑將被線上教育采納。盡管這些系統在教育系統中的長期影響還不明顯，人工智能社區在很短時間內學習到了很多東西。學習分析從MOOC到KhanAcademy這些大規模線上學習系統以及較小的線上項目收集到的數據集，以及促進了學習分析領域的快速發展。線上資源不僅對普遍傳播有里，也是進行數據收集以及設備實驗的天然工具，它有助于科學發現并規模化的改進學習質量。SocietyforLearningAna