到2030年，人工智能对全球经济的潜在贡献将达到15.7万亿美元，到2030年，人工智能对当地经济的GDP贡献高达26%。到2025年，人工智能(AI)将通过高效处理当今的一些复杂任务来显着改善我们的日常生活。

　　人工智能涉及开发计算系统的领域，这些系统能够执行人类很擅长的任务，例如识别物体、识别和理解语音以及在受限环境中进行决策。人工智能的一些经典方法包括(非详尽列表)搜索算法，如宽度优先、深度优先、迭代深化搜索、AI算法，以及逻辑领域，包括谓词演算和命题演算。还开发了局部搜索方法，例如模拟退火、爬山、波束搜索和遗传算法。

　　机器学习被定义为应用统计方法使计算机系统能够从数据中学习以实现最终目标的人工智能领域。该术语由Arthur Samuel于1959年引入。深度学习是指具有多个隐藏层的神经网络领域。这种神经网络通常被称为深度神经网络。神经网络是受生物学启发的网络，它以分层方式从数据中提取抽象特征。将在未来十年发挥作用的关键技术包括生成对抗网络(GAN)、循环神经网络，包括长短期记忆网络(LSTM)、自注意力(self-attention)、(NLP和可能的时间序列)和胶囊网络(一个正在进行的研究领域)。本系列的后续部分将更详细地讨论深度强化学习。

　　狭义人工智能：机器被设计为执行单个任务并且机器很擅长执行该特定任务的人工智能领域。然而，一旦机器经过训练，它就不会泛化到看不见的领域。这就是我们今天拥有的人工智能形式，例如谷歌翻译。

　　通用人工智能(AGI)：一种人工智能形式，可以完成人类可以完成的任何智力任务。它更有意识，做出的决定类似于人类做出决定的方式。AGI 在这一刻仍然是一个愿望，对它的到来有各种预测。它可能会在未来20年左右出现，但它面临着与硬件、当今强大机器所需的能源消耗以及解决灾难性记忆损失相关的挑战，即使是当今最先进的深度学习算法也可能会受到影响。

　　超级智能：是一种在所有领域都超过人类表现的智能形式(由Nick Bostrom定义)。这指的是一般智慧、解决问题和创造力等方面。

　　人工智能将成为所有组织的核心

　　在边缘处理AI工作负载的一个主要优势是，相对于等待来自远程基于云的服务器的查询响应，延迟大大减少。因此，未来的摄像机、机器人和计算机将能够做出改进和更明智的判断，而不是不断地查询远程云服务器并在做出决定之前等待。例如，自动驾驶汽车需要实时决定是左转还是右转，而不是等待服务器做出响应。此外，使用计算机视觉的无人机将通过在设备上使用人工智能来调整自己的飞行路径来提高可靠性。

　　随着传感器在智慧城市中的广泛应用，设备上的人工智能可以通过使用嵌入式传感器来改善第一响应者的通知时间“在路灯等城市基础设施中，评估背景噪音并确定是否存在紧急情况。人工智能还可以让交通摄像头通过车牌的光学识别以及图案和颜色匹配来立即识别车辆。

　　这将为急救人员在到达现场之前了解情况节省宝贵的时间。此外，在边缘采用AI将能够立即识别制造设施中业务流程的中断，从而向工厂中的人员提出有关导致问题的原因(例如组件故障)以及如何产生的建议以最好的方式对事件做出反应，以将损失降到最低，并在最快的时间内恢复正常运营。

　　在此期间，深度强化学习将频繁部署到我们周围的日常活动中。热点容易出现在道路交叉口，车辆之间的有效通信具有挑战性。无人机可以作为中继器，具有价格低廉、部署方便、视距链接、机动灵活等优点。