但是不管輿論怎樣推波，我們都要面對一個事現實“AI真的讓我們生活的好！”，并且它還會持續的“好”。未來的一年，AI還會繼續發力。

　　以下是2019年AI的發展趨勢，你準備好迎接了嗎？

　　2019年，自動化將分階段進行。雖然距離自動化還需一段路程，但許多工作流程和任務都實現了部分自動化。據麥肯錫（McKinsey）統計，基于現有技術， 5%的職業有希望實現自動化，60%的職業可以實現30%自動化。

　　我們已經看到了很多依賴計算機視覺和語音技術的產品和服務，2019年我們會看到多。語言模型和機器人技術的持續發展，將實現較全的文本和物理解決方案。競爭將推動企業實施部分自動處理方案，而自動化項目的成功會推動自動化的發展。

　　過去幾年，公司致力于構建流程和基礎架構來解鎖不同的數據源，以便改進關鍵型任務的分析，包括業務分析、個性化、預測、異常檢測和監控等。

　　除了使用視覺和語音技術，我們期望深化深度學習，深到公司已有的數據和機器學習領域。例如，通過深度學習為時間和地理空間數據注入系統，從而產生可可擴展且準確的混合系統（即，將深度學習與其他機器學習方法相結合的系統）

　　當前的AI解決方案是消費者、工作者和領域內工作者攜手合作的。這些系統拉高了用戶的生產力，使他們能夠以出乎意料的規模和準確度執行任務。豐富的用戶體驗或用戶界面設計不但能簡化任務操作，而且能直接拉升用戶對一項產品的忠實度。

　　深度學習于2011年開始流行，在語音和計算機視覺方面塑造了龐大的模式。如今，已經有的論證證明硬件的合理性——Facebook每天的預測就達到萬億次。谷歌也有富裕的規模證明自己生產的硬件的合理性。自去年開始，谷歌一直使用的是張量處理單元（TPU）。因此，2019年，多的專有硬件將開始出現。中國和美國將有多的公司基于數據中心和邊緣設備開發針對模型構建和推理的硬件。

　　雖然深度學習一直在持續發力，但大多數實現端到端解決方案的都是混合系統。2019年，其他組件和方法將會不斷浮出水面，包括基于模型的方法，例如貝葉斯推理，樹搜索、進化、知識圖譜、模擬平臺等等。我們可能會看到多不基于神經網絡的機器學習。

　　我們處于一個經驗主義的機器學習時代。ML開發工具需要考慮數據、實驗和模型搜索以及模型部署和監視的重要性。要完成一個步驟：模型創建，公司就可以開始研發數據沿襲、元數據管理和分析、計算資源高效利用、高效模型搜索和參數調優工具。2019年，我們期待有新的工具來簡化AI和ML在產品和服務上的開發和實際部署。

　　目前，我們還處于機器生成內容（圖像、視頻、音頻和文本等）的早期階段，一些關于“機器欺騙”的新聞層出不窮。就目前而言，檢測和取證技術已經能夠檢索到虛假的視頻和圖像。但用于生成虛假內容的工具仍在快的改進，因此我們要使得檢測技術能夠跟上步伐。

　　機器欺騙不單單是欺騙人類的機器，還包括機器欺騙機器（機器人）和人類欺騙機器。信息傳播會繼續作用在欺騙內容和銷售平臺的排名系統上，我們要在新形式的機器欺騙研發出來之前盡快解決這一問題。

　　令人振奮的是，研究人員和從業人員都對隱私、公平和道德問題產生了濃厚的興趣。隨著AI開始逐漸加深到關鍵型應用中，自動化的效率變高要安全性和可靠性的保證。在線平臺的機器欺騙行為的增加，以及涉及的自動駕駛汽車的事故，處理了這個問題。2019年，我們期待加深的討論安全問題。

　　由于我們很多的依靠模型（包括深度學習和強化學習）都缺乏數據，因此容易在人AI領域取勝的是那些有大量數據的大公司和國家。但是 ，由于生成標記數據集的服務都開始使用機器學習，在一些領域，生成對抗網絡(GAN)和平臺等新工具能夠提供真實的綜合數據，用于訓練機器學習模型。借助新的安全隱私保護技術，企業可以利用他們自己創建的數據。因此較小的公司可以利用機器學習和AI取得競爭力。