今天，有許多人工智能與我們互動的例子，使我們的生活的效率更高。

智能體向我們通過電子商務網站向我們推薦產品，通過社交媒體為我們推薦新聞，通過交友應用向我們推薦朋友，實時為商品和服務定價等等。

然而，所有這些的共同點是，每種智能體僅限于通過網站或應用程序的界面影響我們的生活。但是在2021年，人工智能將超越這個范疇。我們將看到人類和AI驅動的機器之間第一個物理接口的出現。

今天的自動化設備主要在受控和封閉的環(huán)境中工作，比如工廠和倉庫，與人類完全分離。

它們是剛性的、手工編程的機器，傳感和智能程度有限。然而，機器學習的進步——如計算機視覺中的監(jiān)督學習、概率理論和生成建模的新技術，以及基于模型的控制強化學習——已經為創(chuàng)造能夠與社會公開互動的智能機器和有限的人類監(jiān)督創(chuàng)造了機會。

機器學習已經對許多人工智能問題產生了變革性的影響，尤其是在計算機視覺和自然語言處理方面。通過增加對PB級數據集和大規(guī)模云計算的訪問，促進了從手工設計的算法向端到端機器學習的轉變，使他們能夠在原始編程之外獲得對世界的理解。

機器人領域之所以還沒有發(fā)生這種變化，是因為硬件比軟件更難以安全地擴展規(guī)模，這使得這一領域的培訓數據更加稀缺。

最近在強化學習的突破，機器人能夠在圍棋和DOTA等游戲中擊敗人類世界冠軍，依賴于模擬訓練，可以生成無限的數據來教機器。

然而，到2021年，我們有了自動駕駛汽車等成熟的平臺經過多年開發(fā)積累的、數以千兆字節(jié)的訓練數據。

自動駕駛技術最有趣的后果之一是，社會將在沒有明確規(guī)定的情況下，將AI與物理機器進行互動，就像我們今天與軟件機器的互動一樣。

行人不會同意一輛自主機器人在他們身邊開過，但這將是一種常態(tài)，因為它更可靠、安全和高效。這將需要人類對自動駕駛技術的高度信任，以及自動駕駛技術的高度表現。

由于我們在自動駕駛車輛方面的工作積累了大量的數據，我們正朝著2021年的目標前進。