人工智能状态调查：AI增强将创造2.9万亿美元商业价值

最近一些人工智能的健康和进展状况的相关调查、研究、预测和其他定量评估，预计了人机协作对于生产力所带来的影响、美国主要城市可以实现自动化的工作岗位数量、以及未来人工智能的规模;未来人工智能在零售和医疗市场的规模;并发现，大众对于人工智能普遍持乐观态度，算法要优于病理学家，以及我们对如何利用大脑的学习原理来改善机器学习的理解还非常有限。

2021年，人​​工智能增强(“以人为本的合作模式，人类与人工智能合作以提升认知能力”)将在全球创造2.9万亿美元的商业价值，以及62亿小时的工人生产力[Gartner]

2019年7月，全球机器人投资超过101亿美元，高于2019年6月的11亿美元和2018年6月的16亿美元;自动驾驶汽车和机器人技术以及医疗领域的智能系统占据主导，其次是供应链自动化、软件和人工智能，以及服务和消费级机器人[机器人报告]

69%的受访者预计他们所在的城市和居民将在未来20年内以某种方式从人工智能等新技术中受益;45%的受访者预计他们自己的工作将在未来十年内实现自动化;三分之一的北美和欧洲受访者对他们城市政府如何应对技术变革的愿景表示并不确定[Oliver Wyman对全球21个主要城市的9000人进行的调查]

摩根士丹利利用40000多份报告对人工智能进行训练，对分析师笔记进行情绪评分，从而开发了所谓的“机读分析师情感”(Machine-Read Analyst Sentiment，MRAS);对于那些MRAS看涨、最初市场走势为负的交易来说，该策略在60天内平均超过标准普尔500指数大约1.9%;当情况扭转时该策略也取得了成功[CNBC]

将Frey/Osborne框架运用于美国24个主要城市，预计有33%到44%的人从事的工作将有超过70%的可能性会被实现自动化，包括零售员、收银员、上班族和其他服务相关工作[Sloan Management Review]

只有50%的医院管理者了解AI/RPA概念;超过一半的人说不出一家AI/RPA供应商或解决方案的名字;23%的受访者希望当下就投资AI/RPA，而另一半受访者计划在2021年之前投资AI/RPA[Olive AI对115名美国医院管理人员进行的调查]

机器学习算法在区分两种类型的乳腺癌方面优于病理学家(前者准确度89%，后者70%)，同时在区分癌症与非癌症组织细胞方面的准确度接近于病理学家[JAMA Network Open]

71%的受访者赞成使用技术来取代手工任务和繁重的任务，69%的受访者认为技术可以增强而无法取代他们的工作; 64%的受访者认为自动化技术将有助于减轻他们的工作量和压力。[Verint在澳大利亚、巴西、加拿大、法国、德国、香港、印度、日本、墨西哥、荷兰、新加坡、沙特阿拉伯、南非、西班牙、瑞典、阿拉伯联合酋长国、英国和美国展开的在线调查]

你是否认为你所在的企业组织认真对待GDPR法规，并且现在符合要求?

- 是的 - 32%

- 不是 - 68%

[2019年6月在Infosecurity Europe大会期间对2020名受访者进行的一项Twitter投票]

你认为未来12个月设备和个人数据的保护是变得更复杂了还是更简单了?

- 更复杂 - 66%

- 更简单 - 34%

[2019年6月在Infosecurity Europe大会期间对2900名受访者进行的一项Twitter投票]

DeepMind开发了一种机器学习模型，可以帮助坦桑尼亚塞伦盖蒂国家公园标记照片中的大多数动物，准确度至少是接近人类的，而且也将时间缩短了9个月(志愿者通常需要长达一年的时间才能完成照片的标记)[Engadget]

在一项模拟中，生物学习算法在前馈网络监督学习中的表现优于最好的学习曲线，表明了“神经生物学机制的潜力”，并带来了“开发优质深度学习算法的机会”[Scientific Reports]

到2024年，零售人工智能的市场规模预计将达到43亿美元[P&S Intelligence] [例如，耐克收购Celect，2019年8月6日]

到2023年，医疗人工智能的市场规模预计将达到122亿美元[Market Research Future] [例如，BlueDot在A轮融资中筹集了700万美元，2019年8月7日]

最近3个月人工智能公司融资情况：417家公司总融资金额为87亿美元

最近1个月(7月12日至8月11日)的人工智能收购情况：20家

在以色列，2019年人工智能在从种子轮到A轮融资交易数量方面领跑于其他行业的数量：1509个

2013年到2018年人工智能在从种子轮到A轮融资交易数量方面领跑于其他行业的数量：6111个

“尽管现在流行说我们生成的数据比以往任何时候都要多，但事实上我们一直在产生数据却不知道如何以有用的方式获取数据”——Subbarao Kambhampati，亚利桑那州立大学

“我们提倡以全新的视角来设计用于衡量人工智能进展的基准。与过去几十年创建静态基准数据集并在未来十年或二十年内一直沿用不同的是，我们建议未来的基准应该和不断发展的最新技术保持一致”——Keisuke Sakaguchi、Ronan Le Bras、Chandra Bhagavatula、Yejin Choi，艾伦人工智能研究所和华盛顿大学