---

  新智元報道  

來源：Stanford

編輯：好困 David

【新智元導讀】時隔5年，由斯坦福大學教授李飛飛主導的「AI100」研究報告終于推出了第二期，對過去五年來人工智能領域最重要的14個大問題進行了回顧和分析。此外，該報告據(jù)稱未來要一直做下去，直到100年。

「AI100」報告第二彈！

本次報告評估了2016年至2021年間人工智能的發(fā)展，涵蓋14大問題，探討了人工智能發(fā)展的關鍵領域。

主題是「人工智能在日常生活中的滲透影響：希望、關注和方向」。

報告研究團隊由布朗大學計算機科學教授Michael L. Littman教授擔任團隊主席，來自學術界和行業(yè)研究實驗室的17名成員組成，成員包括計算機科學、工程學、法律學、政治學、政策學、社會學和經濟學學者。

 

與5年前的第一份報告明確側重于AI在北美城市的影響相比，這次報告的重點是更深入地探討AI對全球人類和社會的影響。

 

本報告具有兩大特性：

 

專業(yè)性。報告由該領域核心多學科研究人員組成的研究小組編寫——這些專家將創(chuàng)建人工智能算法或研究其對社會的影響作為他們的主要專業(yè)活動，并且已經這樣做了很多年。作者牢牢扎根于人工智能領域，并提供「內部」視角。

 

長期性。這是一項長期的縱向研究，報告計劃每五年發(fā)布一次，持續(xù)100年。2021年9月的這份報告是計劃中的系列研究中的第二份報告，第一份報告于2016年9月1日發(fā)表后，在大眾媒體上廣為報道，并全球多項人工智能課程中被廣泛使用。

 

本報告的受眾主要有四類：

 

對于一般公眾來說，它對人工智能現(xiàn)狀及其潛力做出了無障礙、科學和技術準確的描述。

 

對于工業(yè)界來說，報告指出了相關技術和法律和道德上的挑戰(zhàn)，可能有助于指導資源配置。

 

對地方、國家和國際政府來說，報告有助于更好地規(guī)劃人工智能技術的綜合治理。

 

最后，對于人工智能研究人員和研究機構而言，報告有助于確定研究的優(yōu)先級，并考慮人工智能研究及其應用提出的經濟、道德和法律問題。

問題1：每個問題后面的圖片即代表該問題下影響力最大的技術進步

問題2：AI領域最重要的進展是什么？

 

這些圖像是由OpenAI的「DALL-E」根據(jù)提示生成的「帶有藍色草莓圖像的彩色玻璃窗」。

 

這表明該系統(tǒng)不僅僅是在檢索相關的圖像，而是在產生新的視覺特征組合。

 

基礎技術

 

現(xiàn)在，用戶會使用人工智能在手機上進行聽寫，獲得購物、新聞或娛樂的推薦等。

 

這些進展背后的核心技術是機器學習，尤其是是深度學習，包括生成對抗網絡和由大規(guī)模數(shù)據(jù)和計算資源驅動的強化學習。

 

GANs是一項重大突破，它賦予了深度網絡產生以假亂真的內容的能力。

 

GANs由兩個相互關聯(lián)的部分組成：負責創(chuàng)建真實內容的生成器，以及負責將生成器的輸出與自然發(fā)生的內容區(qū)分開來的辨別器。兩者相互學習，隨著時間的推移，在各自的任務上變得越來越好。

 

語言處理

 

近五年，語言處理技術在網絡架構方面有著長足的發(fā)展，這也就增強了從復雜和上下文敏感的數(shù)據(jù)中學習的能力。

 

其中，神經網絡語言模型ELMo、GPT、mT5和BERT，學習了單詞在語境中的使用方式，包括語法、意義和關于世界的基本事實等要素，并由由數(shù)十億個可調整的參數(shù)組成。

 

雖然在回答某些基準問題的表現(xiàn)已經超過人類，但是在更復雜多變的問題上仍然遠低于人類的水平。

 

模型的語言能力已經在支持機器翻譯、文本分類、語音識別、寫作輔助工具和聊天機器人等應用。

 

然而，模型本身并沒有表現(xiàn)出對它們所處理的文本的深入理解，這也就從根本上限制了它們在許多敏感應用中的效用。

 

計算機視覺和圖像處理

 

模型的訓練時間相比于之前已經大大減少，例如在ImageNet上完成工作的速度比三年前快100倍。

 

實時物體檢測系統(tǒng)，如YOLO（You Only Look Once），在圖像中出現(xiàn)時注意到重要的物體，被廣泛用于人群的視頻監(jiān)控，對包括自動駕駛汽車在內的移動機器人非常重要。

 

在過去的五年里，人臉識別技術也有了很大的改進，現(xiàn)在一些智能手機，甚至辦公大樓都依靠它來控制進出。

 

雖然面部識別技術可以成為提高效率和安全的有力工具，但它也引起了關于偏見和隱私的問題。YOLO的創(chuàng)建者也表示將不再參與：「軍事應用和隱私問題變得無法忽視」。

 

GANs可以讓用戶無縫地用新的圖像替換現(xiàn)有的圖像，例如將某人插入他們沒有參加的活動的視頻中。

 

然而Deep Fake也在被用于身份盜用等行為，即生成一個不存在的人的資料并獲得服務，這也刺激了對相關技術進行自動檢測的研究。

 

游戲

 

2015年，DeepMind將深度網絡應用于雅達利的游戲和圍棋，幫助深度學習獲得了廣泛的公眾關注，而在過去的五年中又取得了重大進展。

 

現(xiàn)在，人工智能代理已經在戰(zhàn)斗和多人游戲中超越了人類，包括「星際爭霸II」、「雷神之錘III」以及撲克等經典游戲。

 

開發(fā)AlphaGo的DeepMind團隊繼續(xù)創(chuàng)造了AlphaGoZero，它放棄了從過去的圍棋比賽中收集大量數(shù)據(jù)，取而代之的是，從零開始自行開發(fā)棋步和戰(zhàn)術。

 

機器人

 

過去的五年里，在機器學習、強大的計算和通信能力以及復雜的傳感器系統(tǒng)可用性增加的推動下，智能機器人技術取得了持續(xù)的進展。

 

例如波士頓動力公司制造的最先進的仿人機器人Atlas展示了跳躍、奔跑、后空翻和操縱不平坦地形的能力，而這些能力在幾年前對機器人來說是不可能的。

 

雖然在面向用戶的視覺和語言技術中部署人工智能現(xiàn)在已經很普遍，但大多數(shù)類型的機器人系統(tǒng)仍然受限于實驗室。

 

即便在現(xiàn)實世界中得到越來越多的應用，比如送貨機器人，但它們仍然容易出錯，尤其是在部署在未繪制地圖或新的環(huán)境中時。

 

出行

 

自動駕駛汽車的設計需要整合一系列技術，包括傳感器融合、人工智能規(guī)劃和決策、車輛動力學預測、實時改道、車輛間通信等等。

 

駕駛員輔助系使用傳感器和基于人工智能的分析來執(zhí)行任務，如自適應巡航控制以安全地調整速度，以及車道保持協(xié)助以保持車輛在道路上的中心。

 

不過，五年前對完全自動駕駛的快速進展的樂觀預測未能實現(xiàn)。

 

原因可能很復雜，比如在真實物理環(huán)境中需要做到更高的安全水平，這使得問題的解決比預期的更有挑戰(zhàn)性，也更昂貴。

 

健康

 

近年來，基于人工智能的成像技術已經從學術追求轉向商業(yè)項目。

 

已經有工具可以識別各種眼睛和皮膚疾病，檢測癌癥，并支持臨床診斷所需的測量。

 

其中一些系統(tǒng)可與專家病理學家和放射科醫(yī)生的診斷能力相媲美，并可幫助減輕繁瑣的任務（例如，計算癌癥組織中分裂的細胞數(shù)量）。

 

除了治療支持外，人工智能現(xiàn)在還增強了其他一些健康業(yè)務和測量，如幫助預測手術持續(xù)時間以優(yōu)化調度，以及識別有可能需要轉移到重癥監(jiān)護的病人。

 

雖然目前的滲透率相對較低，但我們可以預期在未來看到人工智能在這一領域的應用擴大。

 

金融

 

深度學習模型現(xiàn)在為一些貸款機構部分地自動做出貸款決定，并通過信用評分改變了支付方式，例如微信支付。

 

這些新系統(tǒng)經常利用傳統(tǒng)上不用于信用評分的消費者數(shù)據(jù)。在某些情況下，這種方法可以向新的人群開放信貸。

 

對于金融機構來說，人工智能的用途不僅僅是檢測欺詐和加強網絡安全，還包括自動處理法律和合規(guī)文件，以及檢測洗錢。

 

此外，基于深度學習的系統(tǒng)可以監(jiān)測簽約基金經理的投資風格，使金融機構能夠認識到原本看不見的風險，從而促進更健全和穩(wěn)定的資產管理實踐。

 

推薦系統(tǒng)

 

推薦系統(tǒng)普遍采用了深度神經網絡，并對用戶在產品、服務和內容的消費上產生了巨大的影響。

 

越來越多的人使用復雜的機器學習技術來分析推薦項目的內容，而不是只使用元數(shù)據(jù)和用戶點擊或消費行為。

 

包括Spotify對音樂的音頻分析，或應用大型語言模型，如BERT來改善對新聞或社交媒體帖子的推薦。

 

另一個趨勢是對多種不同的用戶行為進行建模和預測，而不是一次只對一種活動進行推薦；使用所謂的多任務模型來促進這一功能。

 

然而這也引起了對公平性和多樣性等問題的極大關注，例如，系統(tǒng)推薦的是和你一樣的人正在閱讀的新聞故事，而不是真正最重要的內容。

問題3：最令人激動的重大挑戰(zhàn)問題都有哪些？

圖靈測試

 

阿蘭·圖靈在 1950 年提出了他最初的挑戰(zhàn)性問題。詢問者通過書面問答交流的形式，區(qū)分女人和試圖模仿女人的機器。

如果機器通過圖靈測試在模仿女人方面能夠做得和真人一樣好，即通過測試。

 

今天，圖靈測試的要求更高（而且性別歧視更少）：從模仿女人的單一主題，發(fā)展到與人進行日常交流對話，由于基于人類文本的對話，需要深入的句法、文化和上下文知識，因此機器會被誤認為是人類。

多年來，人們一直在嘗試改進測試的基本設計。

 

機器人世界杯

 

 

機器人足球世界杯 RoboCup 是人工智能領域的一項重大挑戰(zhàn)， 它以開發(fā)完全自主的機器人為目標 ，目的是打造能夠擊敗FIFA世界杯冠軍的機器人球隊。

目前有超過 35 個國家參與了這項倡議， 組織了一系列國際和地區(qū)比賽、座談會、暑期賽事和其他活動。

 

盡管 RoboCup 的主要目標是培養(yǎng)一支表現(xiàn)超越人類的機器人，但還有一個目標是組建人機混合的冠軍隊伍。

這個目標強調的人機協(xié)作，促進共生的人機關系。雖然目前機器人足球比賽水平與現(xiàn)實世界的足球相去甚遠，但已經取得了重大進步，比賽逐漸貼近更真正的人類比賽。 

 

國際數(shù)學奧林匹克競賽 （IMO）

 

國際數(shù)學奧林匹克競賽 (IMO) 是一項針對高中生的國際數(shù)學競賽。挑戰(zhàn)問題是建立一個可以在 IMO 中獲得金牌的 AI 系統(tǒng)。

發(fā)起這項挑戰(zhàn)的委員會為成功設定了精確的標準：AI 必須能夠在與人類選手相當?shù)臅r間內解出IMO的題目，并達到能夠獲得金牌的分數(shù)。 

問題4：我們在理解人類智力的關鍵奧秘方面取得了多大進展？

在過去的五年里，人類智能研究的發(fā)展更多的是受到集體智能、認知神經科學和人工智能的啟發(fā)，而不是認知心理學或心理測量學。

 

 

Facebook AI的研究人員表明，深度強化學習和類似于「心智理論」的搜索程序的結合可以在合作游戲中取得SOTA的性能。

 

集體智力

 

各個領域的研究都強化了這樣一個觀點：智力不僅是個人的屬性，也是集體的屬性。

 

研究界開始把思想看作是一個散布在成員中的集體實體。

 

我們的理解感受到了他人知識的影響，我們依靠他人的論據(jù)來構成我們的解釋，而我們往往不知道自己正在這樣做。

 

例如，我們可能認為自己了解一項政策的動機，但實際上我們依靠專家或互聯(lián)網來闡述。

 

認知神經科學

 

認知神經科學的工作已經開始對與更傳統(tǒng)的智力觀點相關的各種高層次技能進行了富有成效的研究。

 

首先，認知神經科學的一個支柱是個人的屬性，如工作記憶和執(zhí)行控制是獨立于領域的智力的核心，它支配著所有認知任務的表現(xiàn)，而不管其模式如何。

 

認知任務的表現(xiàn)，無論其模式或主題如何。

 

第二個得到支持的觀點是，能力較高的人的特點是大腦連接模式更有效率。

 

這兩種觀點都與主流觀點相一致，即智力與頂額葉皮層中更高層次的腦區(qū)有關。

 

第三個想法更激進，智力的神經相關因素分布在整個大腦中。

 

在這種觀點中，人類智力的首要特征是靈活性，是不斷更新先前知識和產生預測的能力，而智力來自于大腦動態(tài)地產生預測感官輸入的推論的能力。

 

這種靈活性是通過大腦的可塑性實現(xiàn)的，其中改變的能力隱藏在神經連接中。

 

計算模型

 

幾十年來，認知的計算模型一直在邏輯（符號推理）和模式識別（神經網絡）之間循環(huán)往復。

 

計算模型領域現(xiàn)在充滿了受深度學習啟發(fā)的視覺識別、語言處理和其他認知活動的模型。

 

除了建立計算模型的努力，深度學習模型已經成為認知科學武器庫中的核心方法論武器。

 

此外，在巨大的數(shù)據(jù)量上訓練的巨大網絡，如GPT-3和Grover，為語言和話語的研究開辟了多層次的新領域。

 

The State of the Art

 

意識的本質仍然是一個開放的問題。一些人看到了進步；另一些人認為，在理解如何建立一個有意識的智能體方面，并不比46年前更進一步，當時哲學家Thomas Nagel提出了一個著名的問題：「做一只蝙蝠是什么感覺？」

 

認知模型促使人們分析如何整合來自多種模式、多種感官和多種來源的信息：大腦、身體、實物和社會實體。

 

盡管現(xiàn)在有很多證據(jù)表明，正是這種整合的能力支持了人類更卓越的成就，但我們如何做到這一點在很大程度上仍然是神秘的。

 

與此相關的是，人們認識到支持意向性行動、共同意向性、自由意志和代理權的過程的重要性。但在建立這些過程的嚴格模型方面，幾乎沒有什么根本性的進展。

問題5：更通用的人工智能前景如何？

基于Transformer的自監(jiān)督學習

 

在過去五年中，自監(jiān)督學習取得了重大進展，朝著減少對大型人工標記訓練集的依賴邁出了一步。

 

在自監(jiān)督學習中，學習系統(tǒng)的輸入可以是一個不完整的例子，系統(tǒng)的工作是正確地完成這個例子。 

例如，給定部分句子「我真的很喜歡讀你的……」，人們可能會預測最后一個詞是「書」或「文章」，而不是「咖啡」或「自行車」。

自監(jiān)督學習不需要明確的人工標簽，因為輸入數(shù)據(jù)本身就起到了訓練反饋的作用。

 

持續(xù)和多任務學習

 

在過去的幾年里，人工智能系統(tǒng)取得了重大進展，持續(xù)和多任務學習系統(tǒng)可以跨多個任務學習，解決了任務之間的存在重大干擾的普遍問題，在新任務上訓練系統(tǒng)會導致其忘記如何執(zhí)行它已經完成的任務。

這一領域的大部分進展都歸功于元學習方法的進步。

 

讓深度強化學習更加通用化

 

幾十年來，圍棋一直是AI 面臨的重大挑戰(zhàn)之一。2016 年，DeepMind 的程序 AlphaGo 戰(zhàn)勝了這一挑戰(zhàn)，擊敗了人類最優(yōu)秀的圍棋棋手之一的李世石。

 

雖然 AlphaGo 是AI歷史上的里程碑，它仍然是個狹隘的勝利 ，因為經過訓練的程序只能執(zhí)行 一個任務：下圍棋。后期AlphaGo 的研究路線中大大減少了對人類對局示例的依賴。

 

在過去的幾年里，許多研究已經讓深度強化學習走向更加通用化。強化學習的一個關鍵部分是 環(huán)境中獎勵信號的定義。

 

AlphaGo的唯一的獎勵信號是贏得棋局。然而，在現(xiàn)實世界中，一個更豐富的集合獎勵信號可能是強化學習算法成功所必需的。這些獎勵信號通常由人類程序員定義，并且基于特定的任務域。

而最近幾年，強化學習被應用于基于更通用化的策略 旨在執(zhí)行多任務學習或持續(xù)學習，系統(tǒng)經過訓練可以解決多個問題。

 

常識問題

 

目前的研究試圖使 AI 系統(tǒng)通過多個任務，以沒有任務間干擾的方式，利用自我監(jiān)督或內在動機的方式學習。

 

目前需要進一步證明的是，這些方法可以擴展到更多樣化和現(xiàn)實世界的復雜問題。

一個重要的缺失就是常識問題，常識的概念包括大量的無意識的對世界的了解，因果關系，感知情況之間的抽象相似之處的能力，即類比能力。

問題6：公眾對人工智能的情緒如何演變，我們應如何告知/教育公眾？

自2016年以來，「機器學習」的網絡搜索量大約翻了一番。

 

公眾對人工智能帶來的社會和經濟影響的前景表示擔憂，諸如歧視性影響、經濟不平等、勞動力替代或剝削等負面影響。

 

相比而言，公眾對人工智能好處的認識偏向于健康和交通等領域的預期突破，而對已經被廣泛使用的人工智能的現(xiàn)有好處的認識則相對不足。

 

 

目前的GAN仍然包括明顯的視覺偽影，比如這張圖片中奇怪地沒有右肩。

 

盡管如此，以前無法達到的逼真程度引起了人們對使用這種技術傳播逼真假信息的擔憂。

問題7：為確保AI應用是負責任的，政府做了些什么？

隨著人工智能日益成熟，其使用也越來越廣泛，過去五年尤其如此。

 

其中面部識別等私人和政府應用也吸引了越來越多的公眾關注。

 

政府對人工智能問題的關注增加，反映出人們認識到這一主題是復雜的，并與其他政策優(yōu)先事項相互交叉，包括隱私、公平、人權、安全、經濟以及國家和國際安全。

 

 

面部識別技術可以在照片中發(fā)現(xiàn)各種各樣的人，并識別出他們的名字。將該技術用于大規(guī)模在線發(fā)布的圖像集，可以在公共場合對陌生人進行識別。

 

這項技術引發(fā)了對AI侵犯隱私和信息安全的擔憂。 

問題8：在開發(fā)和部署人工智能技術以及研究人工智能的影響方面，學術界和工業(yè)界的作用應該是什么？

 

在大多數(shù)研究領域，以及歷史上的人工智能領域，學術界和工業(yè)界的角色有相對明確的區(qū)分。

 

學術界更注重基礎研究、教育和培訓，而工業(yè)界更注重商業(yè)上可行的應用領域的應用研究和開發(fā)。

 

然而，在最近幾年的人工智能領域，這種區(qū)別已經被削弱。

 

許多研究人員正在選擇離開學術界，在工業(yè)界擔任全職工作，這種轉變的長期后果可能令人擔憂。

 

 

企業(yè)對學術會議的參與一直在擴大。在像NeurIPS這樣的旗艦會議上，將近三分之一的論文與全球500強企業(yè)關聯(lián)。

問題9：當前AI最具前途的機遇是什么？

本節(jié)描述了 AI 研究的活躍領域和有望在近期產生有益影響的創(chuàng)新成果。主要關注兩類機遇。

 

第一類是增強人類能力的AI。人類和AI具有互補的優(yōu)勢，比如在在醫(yī)療和醫(yī)患協(xié)作方面發(fā)揮重要促進作用。

 

第二類別是關于可以實現(xiàn)自主運行AI軟件。比如能夠自動將手寫文字自動轉換為數(shù)據(jù)庫中的結構化字段和文本的AI軟件。

 

 

Transformer神經網絡語言模型由在數(shù)十億個單詞上訓練的數(shù)十億個參數(shù)組成，可用于語法校正、創(chuàng)意寫作和生成逼真的文本。

 

圖中基于Transformer的 GPT-3模型為一個不可能存在的玩具生成了自然的產品描述。

問題10：AI最緊迫的危險是什么？

人工智能系統(tǒng)在現(xiàn)實世界的應用中越來越有效，導致過度使用和濫用的風險激增。

 

隨著人工智能系統(tǒng)能力的提高，以及它們被更充分地整合到社會基礎設施中，失去對它們有意義的控制的影響變得更加令人擔憂。

 

一個特別明顯的危險是，人工智能可以使人們更容易制造出可以進行間諜活動甚至大規(guī)模殺人的機器。但目前還有許多其他重要而微妙的危險。

 

 

GAN可以將低分辨率的人臉圖像轉化為高分辨率的人臉圖像。而這樣的轉換不是在恢復缺失的信息，而是在混淆與輸入一致的細節(jié)。

 

舉例來說，PULSE系統(tǒng)傾向于生成具有白人特征的圖像，正如美國前總統(tǒng)巴拉克-奧巴馬的這張輸入圖像所見。

問題11：AI對社會經濟關系造成的影響有哪些？

幾千年來，技術變革的浪潮一直被視為經濟的雙刃劍。技術變革可以增加產出和財富，但同時可能會降低工資和工作機會。

 

羅馬皇帝曾拒絕采用一種提高生產力的建筑技術。19世紀初，在英國也發(fā)生過摧毀紡織機械的“盧德運動”。專家警告說，新的技術浪潮可能會破壞美國的就業(yè)。

 

在AI領域。盡管一些人認為這是增加物質繁榮的關鍵，但也有人對AI可以低成本復制人類勞動的現(xiàn)狀表示擔憂 ，比如可能造成人工福利的下滑。

 

這些擔憂有道理嗎？答案很復雜，可以說有道理，同時也很難精確地說明白。

 

 

美國勞工統(tǒng)計局的數(shù)據(jù)顯示，就在疫情之前，美國的就業(yè)人口比例達到了 20 年來的最高水平，這表明AI技術的增長尚未造成大規(guī)模失業(yè)。

問題12：從長遠來看，「建立我們的思維方式」作為一種工程策略是否有效？

在人類心理學中，存在著自然與養(yǎng)育的問題。我們的行為有多少是由于我們的基因，有多少是由于我們的環(huán)境和教養(yǎng)？

 

人工智能解決方案是由人事先設計好的（自然），還是由機器從數(shù)據(jù)中學習的（培育）？

 

一個限制是摩爾定律的結束。

 

我們不能再像計算機時代開始以來那樣，期望處理能力每兩年翻一番。畢竟，現(xiàn)實世界中的每一個指數(shù)趨勢最終都必須收斂。

 

對這種限制的一個反應是建立專門的硬件，優(yōu)化以支持人工智能軟件，例如谷歌的張量處理單元（TPU）。

 

另一個限制是模型大小。

 

2020年5月，GPT-3創(chuàng)造了一個記錄，這是一個擁有1750億個參數(shù)的神經網絡語言模型，是之前最大的語言模型圖靈NLG的十倍以上，而圖靈NLG在三個月前剛剛推出。

 

OpenAI的一個團隊計算出，自2012年以來，最大的人工智能訓練運行中使用的計算量一直在呈指數(shù)增長，翻倍時間大約為三個半月。

 

即使摩爾定律繼續(xù)下去，模型規(guī)模如此加速的增長速度也是無法支持的。

 

數(shù)據(jù)的可用性也阻礙了人工智能的進一步發(fā)展。

 

深度學習方法通常需要有幾萬、幾十萬、甚至幾百萬的例子的數(shù)據(jù)集。然而有很多問題我們沒有這樣大的數(shù)據(jù)集。

 

我們可能想建立模型來預測心肺移植的成功率，但可用于訓練模型的數(shù)據(jù)有限--全世界已經進行的這類手術只有幾百例。

 

而且像深度學習這樣的機器學習方法很難在其訓練分布之外的數(shù)據(jù)上工作。

 

最后一個限制則是語義。

 

人工智能方法往往是非常統(tǒng)計的，并且以與人類完全不同的方式「理解」世界。

 

谷歌翻譯會很高興地使用深度學習來逐字翻譯「the keyboard is dead」和「the keyboard is alive」，而不會像你那樣停下來思考為什么這個比喻對前者有效而對后者無效。

除了以上常設的12個問題以外，本次報告還加入了兩個來自workshop的問題。

1. 在高風險的公共背景下，如何進行人工智能驅動的預測，決策者在實施和治理中必須考慮哪些社會、組織和實際因素？——「實踐中的預測」

2. 在使用人工智能為有需要的人提供身體和情感關懷方面，最緊迫的挑戰(zhàn)和重大機遇是什么？—— 「編碼關懷」

參考資料：

https://ai100.stanford.edu/sites/g/files/sbiybj18871/files/media/file/AI100Report_MT_10.pdf

由于這些面向社會的應用將影響人們與AI技術的關系，并具有深遠的社會經濟影響，因此報告中的主題就是「人工智能在日常生活中的滲透影響：希望、關注和方向」。