原文：
www.kdnuggets.com/2016/12/artificial-intelligence-life-2030.html
《人工智能与 2030 年的生活》，斯坦福大学，2016
严格来说，这不是一篇研究论文，而是斯坦福大学百年研究的报告， “对人工智能（AI）领域及其对人们、社区和社会影响的长期调查。” 百年研究很难想象（宣布这样的研究确实需要一定的胆略！），但幸运的是，我们不必等到 100 年才能看到第一批结果。每五年，都会召开一个研究小组来评估 AI 的当前状态，我们这里的报告就是第一次报告。它关注的是到 2030 年人工智能对生活和社会（在城市）将产生的影响——足够接近以便想象，而不涉及科幻。报告长达 50 页，面向包括公众在内的读者。因此，它缺乏我们在《晨报》中所习惯的技术深度。然而，我希望这个项目及其讨论对你们中的许多人感兴趣。
在初读报告时，我稍感失望的一个方面是没有发现很多真正具有远见的内容或者“哇，我从未想到过”的惊喜。（当然，您的体验可能不同！）。当我反思这一点时，也许这正是要点之一——创新需要时间才能实现广泛的社会影响，我们不应期待一夜之间的转变。风险投资行业一直强调的一个要点就是时机的重要性！或者借用西蒙·沃德利的话，有时你可以知道会发生什么，但不知道何时发生，有时你知道何时会发生，但不知道什么/怎么发生。什么以及何时确实要求很多！尽管如此，我还是希望在接下来的 13-14 年里能有一些突破性进展让我们感到惊讶。看到“AI”的发展速度和变化，完全不会让我感到意外！
在这份（50 页）报告中，您会发现一个关于当前热门 AI 研究趋势的简要概述（实在是很简短，令人遗憾），然后按领域审视交通、家庭/服务机器人、医疗保健、教育、低资源社区、公共安全和安保、就业和工作场所以及娱乐的可能影响。由于聚焦于城市中的一般生活，我们错过了许多其他领域，这些领域也有可能受到人工智能的影响（我将广泛使用这个术语），包括制造业、农业、零售、金融和其他许多垂直领域。报告的最后一部分是关于 AI 公共政策的建议，我不打算涉及。
与大众媒体对 AI 的更为幻想的预测相反，研究小组没有发现 AI 对人类构成迫在眉睫的威胁的原因。尚未开发出具备自我维持的长期目标和意图的机器，也不太可能在近期内开发出这样的机器。相反，预计在 2023 年至 2030 年期间（本报告考虑的时间段），AI 的越来越有用的应用将出现，这些应用可能对我们的社会和经济产生深远的积极影响。与此同时，这些发展将刺激人类劳动在被 AI 增强或取代的方式上产生干扰，给经济和社会带来新的挑战。
-
大规模 机器学习 – 扩展现有算法，设计新算法，以处理极大数据集。
-
深度学习，正在显著渗透到感知（音频、语音、视觉、自然语言处理）等领域之外的领域。（有关深度学习及相关技术的深入概述，请参见‘深度学习在神经网络中的概述’）。
-
强化学习 基于经验驱动的序列决策，即从模式挖掘转向在互动环境中的决策。“它承诺推动 AI 应用向前发展，在现实世界中采取行动。”
-
机器人技术，特别是交互环境中的物体操控，并建立在其他领域的感知进展基础上。
-
计算机视觉 – AI 领域中受深度学习影响最大的子领域。“计算机首次能够在某些视觉任务上超越人类。”
-
自然语言处理 – 常与自动语音识别结合使用，正迅速成为广泛使用的语言的大数据集中的一种商品。研究正在转向开发通过对话与人互动的系统。
-
协作系统，其中自主系统与其他系统和人类协作工作。
-
算法博弈论和计算社会选择，探讨系统如何处理可能不一致的激励，包括自利的人类参与者或公司以及代表他们的自动化 AI 代理。
关注的主题包括计算机制设计（激励设计的经济理论，寻求激励兼容的系统，其中输入被真实报告）、计算社会选择（关于如何汇总备选方案的排名顺序的理论）、激励对齐信息获取（预测市场、评分规则、同行预测）以及算法博弈论（市场、网络游戏和扑克牌等娱乐场游戏的均衡 – 这些游戏近年来通过抽象技术和无悔学习取得了显著进展）。
-
物联网研究，其中大量传感信息用于智能目的。
-
神经形态计算——一组寻求模拟生物神经网络以提高计算系统硬件效率和鲁棒性的技术。
我在《晨报》中几乎没有涉及算法博弈论或神经形态计算。如果有读者对关键论文有建议，请告诉我。
在接下来的十五年中，研究小组预计将越来越关注开发人类感知系统，这意味着这些系统应该专门建模并专门设计用于与其互动的人类特征……在未来几年中，新的人体感知/物体识别能力和人类安全的机器人平台将会增长，数据驱动的产品及其市场也将会增长。研究小组还预计一些传统的人工智能形式会重新出现，因为从业者意识到纯端到端深度学习方法的不可避免的局限性。我们鼓励年轻研究人员不要重新发明轮子，而是要保持对人工智能领域前五十年以及控制理论、认知科学和心理学等相关领域显著进展的关注。
关于最后一点，我最近最喜欢的论文之一是‘迈向深层符号强化学习’。
让我们简要探讨一些应用领域：
这是一个有趣的表格，展示了技术引入商业汽车的历史时间线：
另见 Mashable 上关于制造商下一步计划的精彩文章。
在不久的将来，传感算法将在驾驶所需的能力上实现超越人类的表现。自动感知，包括视觉，已经接近或达到人类在识别和跟踪等定义明确的任务中的表现水平。感知的进步将会随着规划等更高层次推理能力的算法改进而发展。
除了自动驾驶汽车，我们还将拥有各种自主车辆，包括机器人和无人机。
人工智能还有可能改变城市交通规划，但由于传感基础设施和人工智能技术缺乏标准化，仍受到制约。
随着数据的更多可用，准确的个体运动、偏好和目标预测模型可能会出现。
最后一段值得深思。虽然这确实很可能发生，但这并不意味着我们必须喜欢它可能对社会意味着什么。
在这里，我们讨论了为什么机器人吸尘器令人失望！通向更美好未来的路径在于基于云的反馈循环、改进的交互技术和 3D 感知：
云计算（“他人的计算机”）将加速家庭机器人新软件的发布，以及更多在不同家庭中收集的数据集的共享，这反过来将促进基于云的机器学习，并推动已部署机器人的改进。深度学习推动的语音理解和图像标记的巨大进步将增强机器人与家庭中人的互动。由游戏平台驱动的低成本 3D 传感器已激发了全球数千名研究人员在 3D 感知算法上的工作，这将加速家庭和服务机器人技术的发展和应用。
数据是这里改进的关键，但获取数据已被证明困难重重。增强医生能力的技术可能是一个可能的突破口。
移动健康（例如健康和健身应用程序及传感器的爆炸性增长）正在创造一个全新的创新领域。当然，老年护理将是一个迫切的问题：
…即将到来的代际变化将伴随老年人对技术接受度的变化。目前，70 岁的人出生于 1946 年，可能在中年或更晚时首次接触到某种形式的个性化 IT，而今天的 50 岁人士则更为技术友好和精通。因此，现有和成熟的技术在支持身体、情感、社交和心理健康方面将有越来越大的兴趣和市场。
专家小组预测，将会出现大量低成本传感设备，为老年人在家中提供“实质性的能力”。
然而，要做到这一点需要跨多个 AI 领域进行整合——自然语言处理、推理、学习、感知和机器人技术——以创建一个对老年人有用且易用的系统。
专家小组预测，基于学习分析的智能辅导系统将被广泛采用。不过，对于那些瞄准该领域的初创公司来说，这里有一个警告：
现在人们可能期望在学校、学院和大学中看到越来越多且更复杂的 AI 技术应用。其缺乏的主要原因可以归结为这些机构缺乏财政资源以及缺乏证据数据来证明这些技术的有效性。
“许多机会存在于 AI 改善低资源社区人们的生活条件中，在典型的北美城市中，实际上在某些情况下，它已经取得了进展。”例如，将任务分配调度和规划技术应用于在食物变质之前分发多余食物。
人工智能分析最成功的应用之一是检测白领犯罪，例如信用卡诈骗。网络安全（包括垃圾邮件）是广泛关注的问题，机器学习正在产生影响。人工智能工具也可能在帮助警察管理犯罪现场或搜索和救援事件时发挥作用，通过帮助指挥官优先排序任务和分配资源，尽管这些工具尚未准备好自动化这些活动。一般而言，机器学习的改进，特别是转移学习——即基于与过去情境的相似性加速新情境的学习——可能会促进这些系统的发展。
最受欢迎的问题是“人工智能会把我们的所有工作都抢走吗？”。以下是专家组对此的看法：
人工智能在短期内可能会取代任务而非工作，同时也会创造出新的工作类型。但是，出现的新工作比那些可能会消失的现有工作更难以提前想象。就业变化通常是逐渐发生的，往往没有急剧的过渡，这一趋势可能会随着人工智能逐渐进入工作场所而继续。
同时，专家组还推测，随着人工智能接管许多功能，扩展一个组织将不再意味着扩展员工数量，这可能导致更多保留“人性”规模的组织。
可能不会有一个急剧的过渡，但这并不意味着不会有一个随着时间推移产生深远影响的过渡：
人工智能对认知类人类工作的经济影响将类似于自动化和机器人技术对制造业人类工作的影响。许多中年工人已经失去了薪水丰厚的工厂工作以及传统上与这些工作相关的家庭和社会地位。从长远来看，更大比例的总劳动力可能会失去薪水丰厚的“认知”工作。随着劳动在生产中的重要性降低，与拥有知识产权相比，大多数公民可能会发现他们的劳动价值不足以支付社会可接受的生活标准。
专家组建议采取政治应对措施，以防止利益集中在少数人手中，而不是大众。
在这一部分，我关注的两个主要主题是从仅基于软件的家庭娱乐到微服务的兴起。
到目前为止，信息革命主要在软件领域展开。然而，随着便宜传感器和设备的日益普及，娱乐系统中硬件的创新也在增加。虚拟现实和触觉技术可能会进入我们的客厅——个性化的伴侣机器人已经在开发中。随着自动语音识别技术的改进，研究小组预计与机器人和其他娱乐系统的互动将变得基于对话，可能起初会有所限制，但逐渐会更加人性化。同样，互动系统预计会发展出诸如情感、同理心以及对环境节奏（如时间）的适应等新特性。
我给你留下一些令人担忧的思考：
随着内容越来越多地以数字形式提供，以及大量关于消费者偏好和使用特征的数据被记录，媒体巨头将能够对越来越专业的人群——甚至到个人——进行微观分析和微观服务。显然，舞台已经为媒体巨头作为“老大哥”出现做好了准备，他们能够控制特定个人接触到的思想和在线体验。尚不清楚更广泛的社会是否会采取措施以防止其出现。
个人简介： Adrian Colyer 曾是 SpringSource 的首席技术官，随后担任 VMware 的应用程序首席技术官，并最终成为 Pivotal 的首席技术官。他现在是位于伦敦的 Accel Partners 的风险投资合伙人，与欧洲早期阶段和初创公司合作。如果你在从事有趣的技术相关业务，他很愿意听取你的意见：你可以通过 acolyer at accel dot com 与他联系。
原文。经授权转载。
相关：
-
人工智能的 13 个预测
-
深度学习在神经网络中的概述
-
我们何时会向机器统治者低头？