人工智能技術如今得到越來越多的應用，從研發疫苗到在線購物再到農業種植，人們期望在2021年看到更多的發展和進步。

人工智能（AI）和機器學習（ML）已從計算科學的后臺轉變為主流應用。從購物方式到貨幣市場以及醫學研究，這些技術帶來的影響無處不在。

規模較大的模型已經通過單獨模式的訓練。例如，GPT-3是全球首個用于自然語言處理（NLP）的1000億個參數模型。最近，一個訓練了上萬億個參數的模型（T5-XXL）也已經推出。這些模型可以用來撰寫文章、分析文本、語言翻譯甚至創作詩歌。

與此同時，人們看到用于圖像識別和生成的模型得到了極大的改進，因為它們已經采用更多的數據集進行了訓練。在不改變這些大型模型的情況下，將兩個或更多的人工智能模型結合起來可以產生巨大的力量，并且用戶可以負擔將這些大型模型組合在一起的費用。這將允許用戶使用人工智能來解釋文本并生成全新的圖像。

人們還將看到如何調整一種模型的架構來解決不同領域的問題。最有力的例子是在生物醫學研究中如何使用支持自然語言處理（NLP）模型的架構。在生物醫學領域，通常使用密碼序列，例如DNA或氨基酸。由于可以將代碼序列視為具有隱藏結構的一種語言，因此自然語言處理（NLP）模型中使用的架構也有可能用于理解和生成生物醫學領域的代碼序列。 2021年初的一個令人印象深刻的例子是，生物醫學研究人員使用語言模型架構來預測病毒突變并了解蛋白質的折疊，這是目前研發和生產某些疫苗的關鍵挑戰。

人工智能在醫療保健和生物醫學研究中的應用

mRNA冠狀病毒疫情疫苗如今已經開發了幾種，這要歸功于遺傳密碼測序的數字化工具和從遺傳密碼序列制備mRNA的轉錄工具。借助人工智能預測冠狀病毒的新突變，開發mRNA疫苗的過程將會更快。

機器學習和人工智能并不能取代臨床醫生和研究人員，但是可以使這些專業人員更快地工作并快速檢驗。他們不必等待細胞培養物在物理世界中的生長，而是可以使用這些模型來了解數字仿真中更快發生的事情。

人工智能也可用作診斷工具，現在也用于讀取X光片，也可以用來傾聽某人咳嗽的聲音，并確定是否可能感染冠狀病毒或其他疾病。

隨著越來越多的人佩戴能夠監測心率、體溫、血壓和其他關鍵因素的設備，這些數據可以讓醫生更深入地了解患者的病情。由于醫生不再依賴患者的病歷，因此在進行診斷時也有助于提高準確性。

電子商務的繁榮由人工智能驅動

在過去的一年中，在線商務發展迅速，并且有望繼續增長。冠狀病毒疫情導致的封鎖已導致人們在網上花費更多的時間，不僅是購物，還包括在線會議、玩游戲、訪問社交媒體以及使用應用程序。而越來越多的數字旅行產生了更多的數據，可以用來了解用戶的行為。

但是，更多的數據也會帶來更大的復雜性。在以往，如果一家企業希望將產品盡可能推廣到更多受眾，通常通過電視或廣播發布廣告。如今，并沒有一種向客戶推廣的最有效的渠道。而在正確的時間通過正確的渠道找到正確的客戶對企業來說是很復雜的，但是采用人工智能技術可以克服這種復雜性。

可以預期的是，人工智能越來越多地被用來產生洞察力，不僅可以幫助營銷人員尋找到正確的客戶，還可以訪問經常被遺忘的客戶。此外，人工智能將用于為這些客戶動態生成創造性內容，從而提高參與度。它還為營銷人員提供了一種方法，可以有效地以過去認為不可能達到的速度和規模創建和測試不同的內容。

數據驅動的金融領域將依賴人工智能

此外，人工智能在金融領域的主要應用出現在高頻交易中，在這種交易中，機器之間的交易比人類要快得多。而在傳統金融和加密貨幣領域，這種情況將會持續下去，人們采用不同的人工智能系統。投資者一直在使用人工智能進行長期預測，這需要能夠理解投資者長期目標的系統。這些通常以收入和利潤等衡量指標為中心。但是事實證明，使用加密貨幣更具挑戰性。

盡管高頻交易策略很重要，但要預測另一個因素則更具挑戰性。人們在加密貨幣市場中看到的很多活動都是由“人類的瘋狂”驅動的。人們期望未來的人工智能模型會不斷發展，并通過密切監視媒體和社交網絡的趨勢來更好地預測這種行為。

教育領域的未來發展

課程和教科書通常是為廣大學生服務的。這些都是為了提高學生的各種能力而設計的內容。但是，Ken Robinson等專家指出，“生產線”的教育模式并未考慮到學生的個人能力和需求。

因此，人們看到人工智能正在被用來革新課程創建和交付方式。它可以用來為學生提供更多個性化的課程或個人問題集。與其讓每個學生都解決同樣的問題，不如讓他們解決自己的特定問題。

例如，某名小學生的數學在計算方面的分數可能很高，但是三角形方面有所欠缺。這名學生可以將更多的時間花在三角形上，當學生完成課程時，人工智能系統可以監視其進度并進行自我修改，以滿足該學生的特定需求。

現在網上有大量資料和文章，因此作弊和抄襲已經成為一個巨大的問題。雖然檢測剽竊很容易，因為采用人工智能可以檢測直接抄襲和類似的文本，例如只有幾個單詞或時態被改變，但還有其他挑戰。例如，學生可以從某一種語言中獲得內容并將其翻譯成另一種語言。這樣使其內容很難檢測，但是采用人工智能技術正在解決這個問題。

同樣，也正在開發圖像判讀人工智能系統，以查找美術系學生抄襲或模仿設計的實例。

智能農業和工廠

工廠和農場也在以創新的方式使用數據。然而，它們不同于其他人工智能應用程序，因為它們不關注最終用戶。與其相反，他們專注于產品和機器。這需要在傳感器、機器人和自動化方面進行投資，并優化運營。

人們在這一領域看到的最大進展是對不同領域之間的發現進行了概括。例如，如果使用人工智能技術來提高蘋果的產量，是否可以將這些人工智能模型用于種植其他水果，例如香蕉或桃子？

同樣，如果一家工廠正在生產液晶面板，并且已經找到了提高其良品率的方法，那么這些工具和經驗教訓是否可以應用于其他制造過程和工廠？

也許人們可以用一個詞語來概括對2021年及以后的人工智能最大的預測：杠桿。使用現有的人工智能模型架構，結合成熟的模型，找到將現有模型推廣到其他應用場景的方法，而企業需要不斷提高人工智能的能力，同時加快跨多個領域的數字化轉型。
責編AJX