近日，由斯坦福大學的頂級學術研究團隊、美國國防部高級研究計劃局、硅谷最具創新力和影響力的創業公司以及和米資本一起精心策劃，共同探討技術將如何重新塑造行業和社會等問題，分析預測了2018年全球十大前沿科技的未來趨勢。

預測1

揭秘人工智能的黑匣子

早期的人工智能階段，我們只是通過數據集模型的訓練來抓取表面信息。模型可以經過訓練以建立基礎信息和上下文之前的聯系，并能從過去的數據中自我學習。

但隨著我們能獲得更多高質量的數據后，模型輸出的數據也變得更加豐富。因此，我們還需要深入了解模型是如何進行決策、如何提供建議以及如何能快速自我觸發等行為。

美國國防部高級研究計劃局（DARPA）作為國防部的一部分，主要負責開發供軍隊使用的新興技術。

去年，美國國防部高級研究計劃局創建了一個名為“可破解的人工智能（XAI）”的新程序，皆在創建一套機器學習技術，其中包括：

1.提供更多可破譯的模型，同時保持高水平的機器自我學習（預測準確性）；

2.使用戶能夠理解、信任和有效管理新一代人工智能。

在很長一段時間里，人工智能都被認為是一個無法被破解的黑匣子，沒有人能解釋算法是如何自我做出決定并提供建議的。

因此，這也為人工智能黑匣子的評估和信任帶來了一個全新層次的理解和挑戰。組織機構和個人都相信算法和人工智能是可記錄且真實性的一個智能系統，因此，人工智能自然也有責任和義務讓決策過程變得更透明和可信任。

預測2

人類與自動駕駛汽車的無縫體驗

在一個自動駕駛汽車的世界里，如果安全性不是隱患，那么他們的實現將會更早地發生，然而需要被優先考慮的問題是自動駕駛汽車如何與人類交互的？人類在利用自動駕駛技術，與之的關系以及行為在這個過程中將如何改變？

例如，在人行橫道上了解、預測和設計的新方法使得行人與自動駕駛汽車之間能有效溝通，以及在十字交叉路口自動駕駛汽車與其他司機如何交流等都是至關重要的問題。

因為，絕大部分在人與交通的相互作用中包括了社交互動。如果要大規模推廣自動駕駛汽車，必須實現他們與乘客、行人、司機和其他利益相關者之間的無縫體驗。

人們傾向于與技術進行互動的，司機仍然愿意成為自動駕駛車的一部分，在不完全脫離自動駕駛的情況下，與行人通過目光交流和控制自動駕駛汽車。

人們對待自動駕駛汽車作出的不同反應，能幫助我們理解他們就自動駕駛汽車的接受程度，以及如何通過多種形式相互溝通的。隨著對自動駕駛汽車的備受矚目，人類將迎來一個無縫連接地自動駕駛汽車未來。

預測3

打造自動駕駛汽車的通用安全標準

普遍預計自動駕駛汽車將在未來數10年內產生數萬億的經濟效益，這個由汽車制造商、供應商、科技巨頭和創業公司推動的大規模研發項目已經逐漸開始帶來收益。在美國、歐洲和亞洲的主要城市人們開始紛紛進行試驗，希望打造一個無人駕駛的未來。

就目前的平臺和機器整體而言，消費者總是期望他們購買的產品能夠一直工作并持續工作。當與這個期望產生偏差時，消費者對結果是不會滿意。

然而為了確保安全，自動駕駛汽車需要經過數千億英里的駕駛測試。而為了縮小這個測試差距，公司正在利用新的仿真技術來增加實時行駛里程的演習，投資新的傳感器系統并采用ISO標準來大規模部署自動駕駛汽車。

隨著行業的發展以及政府監管機構也在逐漸更全面地了解安全標準和流程，各地區將制定通用的安全標準，只有對軟件、硬件和開發流程等多方面進行嚴格的驗證和審查，人們才能確信自動駕駛汽車是安全的。

預測4

從概念到實踐 - 企業如何最大化人工智能

對于企業來說，人工智能和深度學習的規則已經發生了巨大的變化。在過去，假定一個經過歷史數據反復訓練出來的復雜算法可能能取代員工、角色扮演或手動工作。

但是經過更深入和現實地思考后，人工智能越來越成為一種難以賺錢的商品，而更多是人們所寄予的期望。但是，我們相信未來的趨勢將發生改變。

目前該技術尚未被優化，人工智能還沒有準備好完全取代整個勞動力。但是，有一些任務是人工智能的上好選擇，他們能幫助改善大多數公司的一些基本效率問題。人工智能的完整解決方案被稱為“純AI”，其包括計算機視覺、自然語言識別和語音/感官識別等各種技術的組合。

今天，增強現實在工作流程對企業的影響最大，它能提高整體勞動力的生產效率。而隨著人力成本逐漸成為有限的資源，如何最大化資源成為企業的挑戰，企業紛紛在探索如何通過人工智能結合現有資源讓其發揮最大的作用？我們看到，大型科技公司已經投入了數十億美元來開發自己的開源技術，而僅有少數幾家初創公司能借此抓住機會為企業客戶服務。

預測5

多尺度數據為疾病建模

未來患者將會越來越感興趣并關注他們的健康問題，因此，幫助揭示醫療數據背后的含義以及如何定制化治療方案將是至關重要的，因為它能為個性化的治療方案提供合理和有力的數據參照，以滿足大眾對個性化的醫療保健的需求。但是，只有一種數據模式是遠遠不足以為患者提供全面地醫療方案的。

我們通常基于醫療記錄來為患者建立基礎模型，使用貝葉斯和核方法進行數據融合，以識別和預測乳腺癌和卵巢癌。

而計算機算法能通過多組學數據來識別驅動疾病的基因，而且通過多模式、多尺度、高維度、高吞吐量的生物醫學數據，讓我們能從多個角度和尺度研究患者的疾病成為了可能性。

無論是分析對病人還是醫生帶來的影響，這些技術都將提供額外的維度，以幫助病人或醫生提供更精準和定制化的治療方案。

預測6

脫離干細胞再生人體器官

再生醫學是一個新興的研究領域，重點是修復、替換或再生細胞、組織或器官以恢復受損功能。再生醫學的研究有可能幫助科學家和臨床醫生通過再生或更換細胞或組織來設計對創傷性損傷或退行性疾病的早期干預治療。

再生醫學最初的重點集中在組織工程領域，旨在用干細胞代替損傷的組織和器官。因為研究人員需要努力控制干細胞的行為活動，這種方法不僅面臨技術挑戰，而且都必須進行一系列的臨床前和臨床研究，最后在需要通過美國食品和藥物管理局（FDA）的監管批準。

目前，再生醫學已經擴大到包括使用干細胞來模擬疾病、自體移植和功能分子的治療性遞送，以及免疫功能在組織修復中的作用和新興的生物醫學工程領域中。

BioAesthetics的團隊發明了再生醫學的新方法，該團隊采用了一種新的方式來利用捐贈者的現有組織，為患者創造利益。其專有的方法使來自患者的現有組織衰老，并且可以在不引起嚴重的免疫反應情況下重新植入患者體內。我們相信，將來可以采用類似的方法來再生更復雜的器官，比如人的肺。

預測7

增強現實在簡化工作流程中的應用

在探討自動駕駛汽車將如何改變未來的話題中，其中提到最多的是它將取代數百萬的專業司機。而各種形式的自動化也存在類似的問題，機器將取代人類？今天，當機器在不斷降低成本的同時，也在不斷自我學習，提升能力，人類將如何與其競爭？

毫無疑問的是，人們將找到自我適應的方法。其中有一個趨勢備受關注，那就是自動化已經在人們的工作流程中被不斷優化和簡化，以提高生產力和效率。而在某些特定的領域，增強現實在工作中與人的配合比純自動化的投資回報會更高。

增強現實、機器人和人工智能等技術的創新都是為了有效提高人們的工作效率而服務。企業也以通過投資這些技術做出了行為上的回應。增強現實不僅是一種娛樂形式，而在幫助人們工作減少傷害和疲勞、提高生產力上提供了更實際的價值，它將為我們帶來一個更好的工作環境。

預測8

小型企業網絡風險的新時代

無論是計算機、智能手機、自動駕駛汽車還是未來的增強現實眼鏡，人們對這些設備的依賴都會造成其性能和數據存儲上不斷出現漏洞。隨著網絡風險的迅速演變，保護數據和資產的能力也必須隨著發生變化。當下網絡風險保護已經以各種方式應用于消費者和大公司當中，但是小企業的網絡安全卻有了更強的創新趨勢。

2016年美國小企業達到2,880萬戶，占美國總企業的99.7％。自1970年以來，小企業為社會提供了66％以上工作崗位。為了取得更大的成功，小企業必須利用技術在全球范圍內分銷其產品，更好地為已經改變購買行為的客戶提供服務，并通過數據獲得對客戶的分析。

小型企業已積極采用基于云計算的軟件服務，以便更靈活的按月支付其數據需求。因此，人們對云服務的依賴以及手機的普及，也為網絡黑客創造了一個新的環境，小型企業的網絡漏洞也在不斷發生變化。因此，新一代的網絡保護解決方案正在興起，以幫助小企業打造更安全的網絡保護。

預測9

從2D到3D環境了解藥物的行為

藥品公司在藥物研發方面的投入正在逐漸減少，能帶來良好經濟效益的藥物數量一直在下降。另外，他們正面臨公眾和監管方面要求降低價格的壓力。藥物的失敗率越來越高，因為在臨床試驗之前，他們經常在過時的2D平臺測試以及對免疫缺陷的實驗鼠的研究速度非常緩慢。

新藥審批失敗率的上升也造成了制藥公司花費大量資金開發新項目。研究表明，在過去的15年里，制藥在研發方面的投入一直在飛漲。迄今為止，開發一種新藥物的平均成本超過25億美元。面對開發新藥的成本負擔，制藥公司正在認真考慮采用新技術，使他們能夠以更低的成本研發制造更好的藥物。

有很多種方法可以降低藥物開發的成本，而制藥公司卻越來越傾向依靠創新公司，來為他們提供新的方法和創新技術來提高新藥的開發效率。

在體外階段的測試中，像Cypre這樣的公司設法創造與人體接近的微環境下完成測試，因此，藥物進入人體測試后成功率會更高。在臨床試驗階段，利用數據更好地招募患者進行試驗已被證明是藥物成功的關鍵。

預測10

人工智能VS醫生

在一個需要謹慎對待數據的行業中，醫療行業一直處于利用大數據為患者帶來利益的前沿發展階段。實際上僅有少數的公司能真正讓數據變得有實用性，大部分數據不是給制藥公司而是醫生，因此，匯總的數據之間的相關性和有意義性也變得尤為重要。例如，在人口老齡化的推動下，醫療影像掃描的需求大幅增加，這也直接導致了放射科醫師和病理學家因過度勞累而造成了嚴重的錯誤。

由于需要更加高效和有效的運營管理，醫療影像設備將越來越多地轉向人工智能尋求幫助，并將積極尋求幫助自動化工作流程的技術。在中國和印度這樣的發展中國家，這種現象更加明顯，因為兩國都缺乏對放射科醫師的培訓，但是兩國都有購買先進設備的能力。

自從神經網絡開始以來，人工智能在諸如醫學成像等應用中的精度已經足夠高，可以被考慮整合到醫療系統中。人工智能將作為一種完美的工具，不僅可以幫助醫生獲得二次意見，還能以可承受的成本為患者提供早期診斷。

將人工智能添加到醫療的獲取和解釋階段將改變行業的未來。我們相信更直接的解決方案是提供軟件解決方案，使圖像閱讀更快、更準確、并在需要時為醫生提供第二只眼睛進行醫療分配。