随着人工智能 (AI) 变得越来越普遍并嵌入到改变生活的决策中，对透明度的需求也越来越强烈。近年来，人工智能助长偏见和歧视的案例屡见不鲜，使用面部识别进行治安只是一个例子。在未来几年内，很有可能从松散的自我监管转向政府参与人工智能。反过来，大型科技公司越来越多地使用人工智能来解决技术本身造成的隐私和偏见问题。

01技术趋势

  下面列出了全球数据公司确定的影响AI主题的关键技术趋势：

可解释人工智能(XAI)

  人工智能越来越多地参与改变生活的决策，例如福利支付、抵押贷款批准和医疗诊断。因此，透明度和可解释性变得至关重要。围绕AI模型偏见的争议受到了很多关注，促使公司更新其内部AI开发指南以建立信任。仅扩展应用识别（XAI）不足以减轻数据中的偏见，因为它只会使公司能够识别潜在的歧视。企业将根据需要修正他们的模型，扩展应用识别和的人工智能已成为大多数与人工智能相关公司的首要任务，例如谷歌和国防巨头洛克希德马丁公司。

联邦学习

  人工智能作为技术本身创造的隐私问题的解决方案可能听起来有悖常理，该方法由谷歌于2017年推出，旨在使用本地设备（如智能手机）上可用的丰富数据集，同时保护敏感数据。简而言之，设备从云端下载当前模型，通过从存储在其内存中的数据中学习来改进它，然后根据本地化数据更新模型。谷歌是最著名的使用联邦学习的应用程序，因此，在键盘应用程序会根据之前操作的数据建议单词或短语。在医疗保健行业，联合学习允许不同的组织在一个模型上进行协作，该模型将在不共享敏感数据的情况下改善患者护理。

面部识别

        2020 年 6 月，亚马逊、美国国际商用机器公司（IBM）和微软都宣布他们将不再向执法部门或一般人出售面部识别(FR)工具。虽然亚马逊将执法部门使用面部识别的期限推迟了一年，但微软表示，在国家法律出台对该技术进行监管之前，它不会将面部识别出售给警察部门。反过来，美国国际商用机器公司宣布将不再提供通用面部识别或分析软件。乔治·弗洛伊德 (George Floyd) 被杀以及随后发生的反种族主义抗议活动后，审查力度加大，这促使大型科技公司与面部识别保持距离，但道德问题和偏见的例子多年来一直普遍存在。

机器自主学习 (AutoML)

  机器自主学习旨在减少将自主学习（ML）应用于现实世界问题所需的人力投入和能量。它通过自动化自主学习模型开发的耗时、迭代方面来实现这一点，允许具有有限 ML 专业知识的开发人员和数据科学家使用自主学习模型和技术，同时它还减少了机器学习模型中的人为错误和偏见。欺诈检测、定价和销售管理是机器自主学习的常见应用领域。谷歌云、数据机器人（DataRobot） 和 H20.ai 是领先的机器自主学习软件解决方案的示例。

效率事半功倍

  在 2019 年的一次采访中，谷歌人工智能负责人杰夫·迪恩说，我们希望构建可以泛化到新任务的系统，能够用更少的数据和更少的计算来做事情将是有趣和重要的。大多数人都同意，从更少的数据点中学习的监管和商业优势是显着的。情感识别初创公司Affecta的首席执行官兼联合创始人卡柳比表示，数据合成方法将允许公司获取已收集的数据并将其合成以创建新数据。例如，某人驾驶汽车的视频可用于创建新场景，例如司机转头或发短信边缘智能物联网（AIoT）

  颠覆性主题之间的主要融合领域之一是人工智能和物联网。这种组合催生了物联网人工智能。将连接的传感器和执行器收集的数据与AI相结合，可以在边缘减少延迟、增加隐私和实时智能。苹果公司（Apple）于 2020 年 1 月收购了 Xnor.ai，该公司提供能够在低功耗设备上运行的支持AI的图像识别工具，以加强其在边缘的产品。

量子计算

  量子计算开始走向成熟，谷歌、微软和美国国际商用机器公司处于领先地位，如果有量子计算机的支持，人工智能应用程序可以更快地工作。根据芝加哥大学量子信息教授大卫·奥沙洛姆博士的说法，量子计算机的使用可以加速许多强调机器学习的计算任务。它们将实现更快的计算，并允许开发资源效率更高的算法，同时允许人工智能处理更复杂的任务。美国国际商用机器公司自 2016 年以来一直为客户提供量子云计算服务，2019 年，微软（Azure Quantum）和亚马逊量子解决方案实验室都宣布客户有可能在多台量子计算机上测试他们的实验算法。

下一代芯片

  芯片设计的重点已经从在1平方毫米的硅片上放置更多晶体管的竞赛转移到将微处理器构建为系统，该系统由多个组件组成，每个组件执行一项专门的任务。在接下来的几年里，计算机将越来越多地模仿人脑存储和处理信息的方式。这就是神经形态计算和神经形态芯片的用武之地。神经形态芯片非常适合处理大量数据并为使用神经网络的深度学习应用程序提供动力，同时比传统处理器消耗更少的能量。美国国际商用机器公司与特鲁诺斯（TrueNorth）合作，英特尔与罗希（Loihi）合作，目前在研发方面处于领先地位，但面临来自高通、惠普企业（HPE）和三星等知名企业以及 Graphcore 和寒武纪等资金雄厚的初创企业的竞争。