研究表明，消費者擔心人工智能技術可能會在未來五到十年內影響他們的生活，鑒于變化通常會加劇焦慮，這是可以理解的——但歷史告訴我們，社會往往會從技術進步中受益。

　　盡管 AI 的概念可以追溯到 1950 年代，但 AI 技術仍然相對年輕，并且正值許多其他類型的創新爭相吸引我們的注意力，例如新的互聯網服務、自動駕駛汽車和數字助理。實際上，盡管可能并不明顯，但所有這些技術都將越來越多地被人工智能的發展所支持。在某種程度上，它們已經是。

　　今天，人工智能技術以多種形式存在，在某些情況下可以自主運行，但更常見的是作為人類助手。這些單點解決方案可能是相互連接的，但不太可能協同運作——至少現在還沒有。因此，沒有任何一個實體能夠控制我們生活的方方面面或制定統治世界的計劃。

　　學習與教學

　　正在開發多種形式的人工智能。其中最引人注目的是機器學習，它有效地允許機器改變自己的處理和反應。學習算法是許多 AI 技術示例的基礎，這些示例現在用于需要這種獲得的、基于經驗的智能或學習的任務中。

　　相反，專家系統是如何在更可控的應用程序中使用 AI 的示例。開發人員/制造商包括機器/設備在不太可能出現不可預見挑戰的環境中執行特定任務或任務所需的所有信息。

　　在現實世界中，無法預料的挑戰無處不在。出于這個原因，實現人工智能流行形象的系統，例如自動駕駛汽車，將依賴于能夠學習的算法。那么問題就變成了，這樣的系統必須具備多少知識才能可靠地發揮作用？

　　幸運的是，學習過程是可轉移的：一臺機器學習到的東西可以被另一臺機器使用。這種級別的協作對于加快人工智能系統的創新步伐是必要的。另一個將加速人工智能技術融入消費者生活的趨勢是自然語言處理，或者說能夠像與另一個人一樣自然地與人工智能交談。

　　這提出了一個重要的觀點，自人工智能誕生以來就一直存在：我們真的希望人工智能與人類沒有區別嗎？每當提出這個話題時，經常會引用圖靈測試，但它的預設意圖是將人工智能呈現為人類。研究表明，只有少數消費者希望 AI 在物理上看起來像人類。大多數人希望人工智能技術嵌入到設備中，因此在很大程度上是不可見的。后一種情況不僅更有可能，而且更可行。這是一個有趣的視頻，說明了這一點。

　　云還是邊緣？

　　如果人工智能系統試圖將自己呈現為人類，那么它可能有一個特征出賣了它，那么它可能是延遲。機器處理信息和制定響應所需的時間對于人類觀察者來說是可感知的。這是關鍵。當您對設備說話時，您不希望它離線且無響應。這是人工智能向邊緣移動的原因之一，設備越來越多地可以處理人工智能處理的某些部分。

　　雖然延遲始終是一個關鍵考慮因素，但有時也是一個關鍵因素。試圖根據天氣、一天中的時間或位置預測庫存水平的自動售貨機可以容忍更長的延遲。自動駕駛汽車需要極低的處理延遲。

　　數字助理目前使用云計算進行自然語言處理，但隨著這種情況的發展，算法可以轉移到邊緣，從而實現更快的響應。同樣的原則也適用于參與更大的連接系統的設備中的其他形式的人工智能。隨著決策越來越接近邊緣，自動化變得更快，因此適用于更多場景。

　　消費者的需求也在推動更多的計算走向邊緣。最近的研究表明，一半的消費者會發現完全自動駕駛汽車被證明可以提高駕駛員和乘客的安全性，同時更喜歡人工智能控制的交通信號燈，可以改善繁忙時段的交通流量。這兩種應用都需要大量的處理能力來實現傳感和本地計算能力。

　　在更高的層面上，支持人工智能的設備將共享關鍵數據，從而進一步實現更大規模的決策。

　　做出未預先確定的決策的能力將真正區分使用人工智能的系統，特別是在環境不可預測的應用程序中。隨著算法得到優化，處理器變得更加強大并針對運行 AI 軟件進行了優化，邊緣決策 已經開啟了更廣泛的應用程序。

　　結論

　　人工智能技術改善社會的潛力是毋庸置疑的，雖然這不可避免地會遇到一些阻力，但它的使用已經很普遍，而且還在繼續擴大。

　　審核編輯：郭婷