一、趋势概述

1、人工智能将在业务中更易于解释和自动化

2、3D 人工智能将彻底改变自动驾驶汽车

3、生成式人工智能

4、虚拟世界中的数字孪生将主导行业

5、AI-on-5G

6、IT 中的云计算和边缘管理

7、人工智能在网络安全中的应用

8、人工智能在元宇宙中的应用

9、低代码 / 无代码人工智能

10、人工智能混合工作

二、人工智能发展史

人工智能的起源

1950年，一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙，建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点

同年，“计算机之父”阿兰·图灵提出设想：如果一台机器能够与人类开展对话而不能被辨别出机器身份，那么这台机器就具有智能。

1956年，计算机专家约翰·麦卡锡提出“人工智能”一词。这被人们看做是人工智能正式诞生的标志。麦卡锡与明斯基两人共同创建了世界上第一座人工智能实验室——MIT AI LAB实验室。

人工智能的第一次高峰

50年代，人工智能迎来高峰期。计算机被广泛应用于数学和自然语言领域，这让很多学者对面机器发展成人工智能充满希望。

人工智能第一次低谷

70年代，人工智能进入低谷期。科研人员低估了人工智能的难度，美国国防高级研究计划署的合作计划失败，还让大家对人工智能的前景望而兴叹。主要技术瓶颈：计算机性能不足；处理复杂问题的能力不足；数据量严重缺失。

人工智能的崛起

80年代，卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。它具有完整专业知识和经验的计算机智能系统。在1986年之前能为公司每年节省下来超过四千美元经费。

处在两个高峰之间的人工智能

1987年，苹果和IBM公司生产的台式机性超过了Symbolics等厂商生产的通用计算机。从此，专家系统风光不再。80年代末，美国国防先进研究项目局高层认为人工智能并不是“下一个浪潮”。

至此，人工智能再一次成为浩瀚太平洋中那一抹夕阳红。

人工智能的今天

回顾了人工智能60余年的发展历程。漫长是时间里，科研技术人员不断突破阻碍，让我们可以看到今天人工智能所取得的辉煌成果。比如在1997年，IBM的深蓝战胜国际象棋世界冠军卡斯帕罗夫；2009年，螺丝联邦理工学院发起的蓝脑计划，生成已经成功模拟了部分鼠脑；以及2016年谷歌AlphaGO战胜韩国李世石。

更多人工智能行业报告请关注并私信添加客服获取

三、人工智能产品分类

准确地说，标准化的AI产品时代是从“2010s”开始的，“AI产品经理”这个称呼在国内是2016年第一次被提及，我们也可以理解为从那时开始AI产品才开始被系统的归类与细分。

按照俞军老师的划分，从消费品时代（1920s~1980s）到软件时代（1970s~1990s），再到互联网时代（1990s 至今），产品经理的侧重点（核心价值）是不同的，可能也正是互联网时代对产业的细分梳理教育，导致第三次人工智能浪潮来临之时，产学研能够有更系统的产品思维去应对。

目前AI产品的分类主要是按照终端应用类型去分类的，可以大致分为语义类、语音类、视觉类、其他机器学习类四大类。

（AI产品经理的分类）

（AI产品经理的分类）

四、发展趋势分析

1.人工智能将在业务中更易于解释和自动化

Enthought 的首席运营官 Mike Connel 表示，超过 90% 的工业 AI 或 ML 项目可能无法在 2022 年实现其业务目标，因为无法解释他们在业务中的模型。可解释的人工智能（或 XAI）变得如此重要，因为它对许多企业构成了威胁，例如，产生有偏见的结果的模型。

业务的高级利益相关者将关注模型如何代表真实业务问题的问题，而不是如何对其进行编码。此外，企业对低代码 ML 模型开发的需求变得如此不可避免，因为开发一个模型可能是乏味和迭代的。近年来，自动化 ML（或 AutoML）发展得如此迅速。

( H2O 无人驾驶 AI 仪表板)

目前，开发 XAI 和 AutoML 的公司很少。最受欢迎的公司之一是 H2O.ai, Inc.。H2O.ai 将其服务命名为 Driverless AI。这项 AI 服务使数据科学家能够更快地开发机器学习模型，因为 AutoML 能够自动处理所有流程（从数据探索、模型选择和评估），并使用可视化为业务利益相关者解释模型。

这避免了机器学习是“黑盒”模型的观点。此外，谷歌在今年 5 月初发布的 Vertex AI 云平台中提供 XAI 作为堆栈。因此，这将不可避免地推动云中自动化和可解释的 ML 模型在来年更快的发展。

2.3D 人工智能将彻底改变自动驾驶汽车

自动驾驶或自动驾驶汽车是一种驾驶者很少或不需要控制的技术方案。这些汽车可能有传感器，可以对周围环境进行视觉感知，还有一个系统可以消化这些感官信息，以使用所谓的计算机视觉来控制运动。

如今，大多数自动驾驶汽车，例如配备 HW2.5 自动驾驶系统的特斯拉 Model X，都使用基于卷积神经网络算法的 2D 对象检测，即 YOLO（You Only Look Once）。

LiDAR 相机传感仪器捕获的周围环境图像仅将信息处理为 2D 对象（或无深度对象）。这可能会限制自动驾驶汽车做出自主决策的能力。

(2d和3d版本的无人驾驶汽车)

最近，出现了从2D 到 3D 单目场景理解的升级趋势。自 2017 年以来，至少有四种被称为 3D 边界框估计算法的算法试图处理这种运动，例如 Deep3DBox、FQNet、Shift R-CNN 和级联几何约束。

还有其他方法，例如 Pseudo-3D 方法。随着 2021 年 Tensorflow 3D 的出现，以 3D 方式学习周围物体的自动驾驶汽车的未来非常有前景。据福布斯报道，由于许多人使用 Tensorflow 进行深度学习，因此使用新的 3D 版本将非常容易。

对其他应用的影响以及在增强现实空间中保护历史建筑的影响也将在不久的将来显现出来。

3、生成式人工智能

生成式人工智能，或评估现有数据（如文本、音频或视觉文件）的算法，主要识别该数据的基本模式，然后复制该模式以生成类似的内容。这种算法正在逐步改进。随着模型的输入数据的变化和业务结果的变化，模型本身也需要调整。缺乏维护会导致人工智能算法最终丧失价值。

具体来说，生成式人工智能包括多种技术：

生成对抗网络。生成对抗网络是两个神经网络：一个生成器和一个判别器，它们相互竞争，以找到两个网络之间的平衡。生成器网络负责生成与源数据相似的新数据或内容。判别器网络负责区分源数据和生成的数据，以便识别哪些数据更接近原始数据。

生成对抗网络 (GAN)将彻底改变设计制造商，毫无疑问，GAN 是人们在谈论诸如在 Deepfake 中生成看起来像某人脸的人脸、使用文森特·梵高的绘画风格创作新绘画或制作一瓶酒的逼真图像时所寻找的东西。近年来，GAN 彻底改变了艺术工作室和电影制作行业。

在不久的将来，GAN 将登陆制造企业。最近，GAN 具有从 3D 渲染对象中学习并生成 3D 对象的能力。

在科学和技术术语中，这称为计算机辅助设计（或 CAD）。例如，来自 MIT CSAIL 的一组研究人员表明，GAN 可以学习将 3D 家具对象与 IKEA 包含家具照片的大型数据集区分开来。

然后，GAN 生成识别图像的 3D 渲染对象。这是一个巨大的突破，因为在计算机软件上手动进行 CAD 在制造业中是一个漫长而昂贵的过程。

( 图五：GAN 制作的宜家家具及其 3D 渲染对象的图像 )

此外，汽车行业将发现GAN 在设计车辆及其零部件方面的更多应用。Monolith AI 是一家总部位于英国的初创公司，是极少数在产品设计优化中尝试使用 GAN 的公司之一。

他们展示了如何将 GAN 应用于拓扑优化和无网格设计生成以产生新的汽车设计。该企业还实施 GAN 以生成无法通过 3D 打印生产的组件的 3D 对象，并解决这些组件的计算流体动力学 (CFD) 模拟。

随着GAN 在制造业中的这些应用，人工智能很可能在明年成为设计优化和增材制造过程中的主流。

Transformer。像 GPT-3、LaMDA 和 Wu-Dao 这样的 Transformer 模拟了认知注意力，并对输入数据部分的重要性进行差异测量。它们被训练来理解语言或图像，学习一些分类任务，并从大量数据集中生成文本或图像

transformers和认知 AI将彻底改变语言应用，自然语言处理和生成(NLG) 已经改变了企业通过社交媒体上的推文了解客户、从新闻中找到正确事实并识别恶作剧以及通过聊天机器人与人类对话的方式。

NLG 依赖于使用转换器，这是一种深度学习结构，由编码器和解码器处理输入（可以是任何形式的数据）和生成输出（以文本形式）组成。

两种最流行的NLG 模型是 BERT（来自Transformers 的双向编码器表示）和 GPT（生成式预训练 Transformer）。

谷歌 2018 年发布的 BERT 有 3.4 亿个参数，而号称最强大的 Transformer 的 OpenAI 的 GPT-3 有 1750 亿个参数。参数的数量呈指数增长。似乎只看它的走势，变形金刚之间的竞争是无止境的。那么，这对自然语言世代的未来意味着什么？

变分自编码器。编码器将输入编码为压缩码，而解码器则从该码中重现初始信息。如果选择和训练正确，这种压缩表示将输入数据分布存储在一个更小的维度表示中。

( 深度学习转换器中参数数量的增长 )

自然语言处理可以通过将文本分解成句子结构（或句法分析）并分析单词、语法和意义的关系（或语义分析）来分类好情绪和坏情绪。我们需要提供尽可能多的数据，让 NLP 能够识别上下文。

未来，NLP 将足够“有意识”地从文本中理解更多，比如从作者的情感中寻找隐含的意义，从而做出认知 AI。随着变压器中现在有数十亿个参数可用，认知人工智能的出现即将到来。

认知人工智能将帮助企业在客户在聊天机器人中进行对话后，向客户提供更个性化的反馈。最流行的对话框架是亚马逊的 Alexa 和苹果的 Siri。对话的上下文将不再是通用的，例如询问姓名或职业。上下文将非常多样化和具体，例如医疗保健中的科学、人力资源或医疗处方。

最后但同样重要的是，NLP 将与图像处理相结合，例如处理面部表情、手势和肢体语言，以了解两个人之间对话中的情绪。然后，认知 AI 将生成人工对话。这种受生物识别启发的认知人工智能将在不久的将来流行。

5.虚拟世界中的数字孪生将主导行业

数字孪生是实时显示物理行为的对象或系统的虚拟表示。

如今，许多行业都使用它来了解其产品的行为和缺陷，例如机械或建筑结构，并通过模拟改进其物理模型。 通用电气和劳斯莱斯等公司是使用数字双胞胎改进喷气发动机设计的前沿领先行业。

为了代表数字孪生版本的原型，该原型配备了许多传感器，用于测量操作期间的不同物理行为。可能有数百个传感器需要了解。

凭借海量的训练数据，人工智能可以了解每个传感器测量的行为和意义的复杂性，因此可以通过预测性维护或提供来预测故障发生。

（微软的HoloLens 混合现实设备）

现在，微软公司正在开发虚拟现实和增强现（VR 和 AR）体验，使人们能够使用他们的感官直接与现实空间中不存在的物体进行交互。进行 VR和 AR 最常见的方式是通过有限的交互将验“放在桌面上”。

现在，技术使人们能够在真实空间中与物体无缝交互。人们可以通过 VR 和 AR与对象交互的空间称为元界。在 Metaverse 中，人们可以实时交互。未来，更多的公司将在元界中结合AI应用开发用户体验。

波音公司刚刚宣布，他们将使用微软名为 HoloLens 的 AR 和 VR 技术在虚拟世界中对其飞机进行 3D 工程设计。将工程引入虚拟世界有一些好处，即降低了制造真实原型的成本，因为组件的成本和设计的可重复实验。在不久的将来，城市规划、环境建筑设计和防灾很有可能在元宇宙中进行。

6.AI-on-5G

2022 年，工业 AI 和 AI-on-5G 物联网应用将会成为主流。想象一下，当我们以元宇宙为目标的时候，我们对物理空间的升级方式同样令人印象深刻。

AI-on-5G 组合计算基础设施为传感器、计算平台和人工智能应用的整合提供了一种高性能、安全的链接结构，无论是在现场、场所还是云端中。具体包括：汽车系统；智能空间；工业 4.0，如新的自动化和机器人系统。

AI-on-5G 通常与无线环境中的超低延迟、保证服务质量以及提高安全性有关。人工智能和工业物联网解决方案的融合，以及边缘人工智能的发展，使得这一切成为可能，并更容易实现。

7.IT 中的云计算和边缘管理

虽然边缘计算正迅速成为许多企业的必备工具，但部署仍处于早期阶段。云计算和边缘原生业务流程将在 IT 领域占据更多的主导地位，并在商业世界中更加无处不在。

一些人认为人工智能管理将成为 IT 部门的责任。为了应对与可管理性、安全性和规模有关的边缘计算挑战，IT 部门将转向云原生技术。例如，作为容器化微服务的平台，Kubernetes 已经成为大规模管理边缘人工智能应用的主要工具。

那些在云端上使用 Kubernetes 的 IT 部门可以利用他们的经验来构建自己的边缘云原生管理方案。预期将会有更多的第三方和相关的服务被采用。

8.人工智能在网络安全中的应用

现代企业环境中的网络攻击面是巨大的，并且它还在继续快速增长。这意味着，分析和改善一个组织的网络安全态势需要的不仅仅是人类的干预。人工智能在各个领域都有很好的应用前景，而网络安全正是其中的一项重要内容。具体包括：威胁检测；战斗机器人；端点保护；违约风险保护；服务停机保护。

在网络安全方面，人工智能的作用必须通过自动化来提高。有 69% 的机构相信，人工智能是处理网络攻击的必备条件，但是这一领域在 2022 到 2032 年期间都有升级的需求。

9.人工智能在元宇宙中的应用

人工智能在元宇宙和虚拟现实中更多的沉浸式工作和社交场景中可能会有哪些应用，并与消费者脑机接口的演变有关？手机最终将如何被颠覆？

元宇宙是一个术语，是指一个环境，更具体地说是一个数字环境，多个用户可以一起工作和游戏。如果我们今天在有愚蠢算法和推荐引擎的平台上游戏，那么明天的人工智能确实会帮助我们在虚拟世界中导航和监控我们未来的工作、社交和约会生活？

新类型的应用程序、更智能的数字代理、深度造假人类（实际上是机器人），所有这些都在互联网的未来等待着我们，似乎是元宇宙产品。

10.低代码 / 无代码人工智能

人工智能是否会真正实现民主化？在一个更加自动化的世界里，亿万富翁创造的财富会不会分配给我们其他人？在这个意义上，拯救地球的不是加密技术，而是低代码 / 无代码人工智能。

在未来，人们无需昂贵的工程师团队，也无需非常专业的技能，就可以开始新的业务。尽管今天对人工智能工程师的需求很高，但是我们可以设想一个完全不同的世界。一个人工智能可以自己编码的世界。人工智能最终将能够修改自己的代码，在 2022 年，我相信我们会在这个方向上取得突破性进展。

今天，组织面临的主要挑战之一是缺乏能够研发出所需要的工具和算法的有经验的人工智能工程师。随着无代码或低代码解决方案的出现，这一挑战可以通过提供简单而直观的界面来解决，这些界面可以用来创建人工智能上的复杂系统。

随着我们加快人工智能在商业中的应用，并升级人工智能流程，随着程序员与人工智能 - 人类系统的合作，我们通过软件工程来制造产品的方法将会发生根本性的变化，并更容易被所有人接受，从而以更分散的方式分配其部分价值。

11.人与人工智能混合工作

混合劳动力的到来

虽然工作流管理是工作中的新常态，但未来的工作更多的是在增强的环境中与人工智能配对。所有重复性的工作都是可能实现的，并且将是自动化的。

无论你从事的是人力资源、行政、营销、销售还是工程领域，随着人工智能 / 机器学习工具的不断增加，你的工作效率也会提高。这也只是未来工作的一个常规部分。

例如，人工智能 / 机器学习技术在诸如法学和医药等知识领域中得到了广泛的应用，以浏览不断增加的数据量，并为特定任务找到正确的信息。因此，许多白领工作都有很大的提升空间，他们可能会创造出更有成效的工作，使他们能够做自己天生擅长的事情。

在每个行业中，都会涌现出人工智能驱动的智能工具，这些工具可以帮助该行业的个人高效工作。这通常被称为增强型劳动力或人类 - 人工智能混合工作。

END

本文福利

关注并私信添加客服微信即可获得【新米报告福利】，同时可以申请加入新米行业报告研究社群！

免责声明：以上报告均系本报告通过公开、合法渠道获得，报告版权归原撰写/发布机构所有，如有侵权，请联系作者删除，本报告为推荐阅读，仅供参考学习，不构成投资建议，如对报告内容存疑，请与撰写/发布机构联系