人工智能如今得到了更广泛深入的应用，尤其是人工智能技术在自动驾驶汽车方面的应用，而采用人工智能编写代码、设计谷歌芯片平面图等也可以表明人们对人工智能的信任程度。

考虑到有些关于人工智能的宣传通常只是炒作，人们很容易忘记许多企业在人工智能方面取得了真正的成功。在这里并不谈论特斯拉公司对于人工智能的“全自动驾驶”的持续营销。正如行业分析师Benedict Evans所指出的那样，“自动驾驶实际上并不是真正的完全自动驾驶。”

最近的一项调查表明，要让人工智能发挥作用，企业将需要充足资金和良好的数据。假设这些因素都到位，可以了解人工智能在改善人们的生活方面取得进展的一些领域，在这些行业领域中的应用不仅仅是营销和宣传。

人工智能编写代码

最近通过机器智能提高人类生产力的最明显的实验是GitHub的Copilot。与人们的智能手机(或Gmail之类的东西)在键入时推荐单词或短语的方式类似，Copilot通过推荐要使用的代码行或功能为开发人员提供帮助。Copilot在GitHub上接受了数十亿行代码的培训，承诺通过允许他们编写更少但更好的代码来提高开发人员的工作效率。

现在宣称Copilot是否有效还为时过早，这并不是说一定能够做到。但许多开发商争先恐后地尝试，并称赞其发展潜力。然而，业界人士对此有一些担忧：人们不应该期望Copilot生成的代码是正确的。一方面，这种类型的应用程序还处于早期阶段，除了初始数据集之外几乎没有训练。随着越来越多的人使用Copilot，并且借鉴了他们如何使用其建议进行强化学习，其建议应该会得到改进。但是，仍然需要就使用的代码段以及如何使用它们做出决定。出于安全原因，还需要对使用Copilot生成的代码小心谨慎。

此外，还有对版权和开源的担忧。有些人认为这在理论上听起来不错，但随着开发人员回到编写代码的实践中，这些担忧会逐渐消失。关键是开发人员是否发现Copilot的代码建议在实际编程场景中有用，而不是它完全可以这样做的事实。人工智能只是增强人类的创造力，而不是取代人类。

真正的自动驾驶

当然，自动驾驶汽车目前的现实是并不是真正的自动驾驶，但可以通过承担更多的工作来帮助驾驶员。自动驾驶汽车可能会由于依赖GPS而受到一定程度的阻碍，因为GPS可能会失效。但正如《科学机器人》杂志所描述的那样，加州理工学院的科学家们开发了一种用于视觉地形相关导航的季节性不变的深度变换技术。这意味着自主系统(如汽车)可以从它们周围的地形中获取线索，以确定它们的位置，无论该地形是否被大雪、落叶或草丛覆盖。

当前的方法需要地图/地形数据与车辆“看到”的地形几乎完全匹配，但是大雪和其他东西可能会破坏这一点。加州理工学院的科学家采用了一种不同的方法，称为自监督学习。虽然大多数计算机视觉策略依赖于人工注释者，他们整理大数据集来教会算法如何识别它所看到的东西，但这个策略却让算法自学习。人工智能通过梳理出人类可能会错过的细节和特征来寻找图像中的模式。通过使用这种深度学习方法，科学家们创造了一种高度准确的方法来改善机器对周围世界的看法和反应。

但汽车周围的物体更多的可能是汽车，因此加州理工学院采用的方法也许无济于事，但佛罗里达大西洋大学工程与计算机科学学院的一位科学家的新研究旨在从人类驾驶员的情绪中学习并相应地改变驾驶方式。目前还没有人使用这种获得专利的新方法，但它提出了自动驾驶安全和信任的一种新方法。

信任问题

这一切仍然有些推测，但谷歌公司在芯片设计上取得了一些成。正如《自然》杂志所描述的，谷歌公司工程师采用了一种芯片布局进行规划的新方法，即采用人工智能设计计算机芯片物理布局。几十年来，工程师一直在尝试将这一工作实现自动化，但没有成功。但是通过使用机器学习，谷歌公司的芯片设计人员花费了数月的时间进行开发，他们将芯片平面布局规划作为一个强化学习问题来处理，并开发了一种基于边缘的图卷积神经网络架构，能够学习芯片的丰富且可转移的表示。

为了达到这一点，谷歌公司的工程师使用一组1万个芯片的平面图对人工智能代理进行了预训练。然后使用强化学习技术，正如工程师所指出的，人工代理从过去的成功中“学习”以规定要设置的下一个块，在平面规划的任何给定步骤中，受过训练的代理评估芯片的“状态”开发，包括它迄今为止构建的部分平面图，然后采用其学到的策略来确定最佳动作——也就是放置下一个宏块的位置。

这是一项令人印象深刻的举措，但更令人印象深刻的是，现在已在谷歌公司的生产中使用，这意味着谷歌公司信任其人工智能技术帮助开发的芯片布局图。

IBM公司也开发了类似的项目，其名称为UQ360。而人工智能面临的挑战之一是人们不愿意相信其结果。数据驱动是一回事，但如果人们不完全相信这些数据或机器会用它做什么，就不可能相信人工智能。UQ360是一个带有Python包的开源工具包，为数据科学从业者和开发人员提供访问先进算法的权限，以简化机器学习模型的估计、评估、改进和交流不确定性的过程，作为人工智能透明度的常见实践。

换句话说，它使用人工智能估计企业对人工智能想要做的事情的信任程度。

这是一个巨大的进步，因为它让人们对越来越多的人工智能应用产生更多的信任。尽管人们多年来一直被告知机器人正在接管人类的工作，但人工智能在匹配用户兴趣与购买机会方面仍然很糟糕。而人工智能的一些应用正在成为现实，因此无需大肆宣传。