除了預測之外，很明顯的是，大型語言模型將繼續佔據主導地位，監管機構將 迪拜商務傳真列表 變得更加大膽，人工智慧挑戰將為學術界制定議程。
麻省理工學院（麻省理工學院）是美國乃至世界最負盛名的技術教育機構之一。麻省理工學院在世界著名大學排名中佔據領先地位，是機器人和人工智慧領域的創新者，其教育工程計畫連年被公認為美國最好的。以下是麻省理工學院的人工智慧發展的主要趨勢。
個人聊天機器人
到 2024 年，在產生人工智慧方面投入大量資金的科技公司將必須證明他們可以從他們的產品中賺錢。為此，Google、OpenAI等人工智慧巨頭都大力押注於客製化解決方案。兩者都開發了用戶友好的平台，允許人們自訂強大的語言模型並根據自己的特定需求建立自己的迷你聊天機器人，而無需程式設計技能。
到 2024 年，生成式人工智慧實際上可能對普通非技術人員有用，我們將看到更多的人使用一百萬個小型人工智慧模型。 GPT-4 或 Gemini 等人工智慧模型是多模式的，這意味著它們可以處理文字、圖像甚至影片。這可以開啟許多新的可能性。
例如，房地產經紀人可以從他們之前的列表中下載文本，並配置模型以透過點擊按鈕來產生類似的文本。然後上傳新廣告的影片和照片，並要求人工智慧為您的新房產建立描述。
當然，成功取決於這些模型的可靠運作。語言模型通常是人為設計的，而生成模型則充滿了偏見。它們很容易被駭客攻擊，尤其是當它們可以瀏覽網頁時。科技公司還沒有解決這些問題。
影片是產生人工智慧的第二波
令人驚訝的是，新事物很快就變得熟悉了！第一個生成成像模型將於 2022 年成為主流。 OpenAI 的 DALL-E、Stability AI 的 Stable Diffusion 和 Adobe 的 Firefly 的圖像充斥著互聯網，從巴黎世家的教皇到獲獎的藝術作品。
新領域－將文字轉換為影片。一年前，結果還算一般，但技術正在迅速進步。 Runway 是一家生成視訊建模新創公司（也是 Stable Diffusion 背後的公司），每隔幾個月就會發布新版本的工具。最新的 Gen-2 模型與以前一樣，生成的影片僅持續幾秒鐘，但品質卻令人驚嘆。最好的剪輯與皮克斯的作品相去不遠。
派拉蒙和迪士尼等電影巨頭正在探索在製作過程中使用生成式人工智慧的可能性。這項技術已經用於配音，它再次開啟了特效的可能性。
Runway 舉辦了一年一度的人工智慧電影節，展示使用各種人工智慧工具製作的實驗電影。今年影展的獎金為6萬美元，10部最佳影片將在紐約和洛杉磯放映。
2023 年，電影《法櫃奇兵：命運的錶盤》由哈里遜福特的老年 Deepfake 主演。這只是開始。
除了大螢幕之外，深度造假技術也因行銷或教育目的而受到歡迎。例如，總部位於英國的 Synthesia 創建的工具可以將演員的一次性表演變成源源不斷的深度偽造化身，只需按一下按鍵即可重複您給他們的任何腳本。據該公司稱，目前財富 100 強公司中有 44% 使用其技術。
能夠用這麼少的錢做這麼多的事情給演員們帶來了嚴峻的問題。對電影公司使用和濫用人工智慧的擔憂是去年 SAG-AFTRA 罷工的核心。但技術的真正影響仍有待發現。
人工智慧製造的選舉虛假資訊將無所不在
人工智慧製造的假資訊和深度造假將成為一個大問題，因為到 2024 年，全球一半以上的人口將能夠參加選舉。我們已經看到政客們將這些工具當作武器。
最近的例子是在 2024 年 1 月底。使用 ElevenLab 的配音技術製作的美國總統拜登的音頻浸假作品敦促人們不要在新罕布什爾州初選中投票。
要辨識網路上的真實內容變得越來越困難。在本已激烈且兩極化的政治氣候下，這可能會產生嚴重後果。
就在幾年前，創建深度偽造品還需要先進的技術技能，但產生人工智慧使其變得異常簡單且經濟實惠，而且結果看起來越來越現實。
對於那些反對傳播此類內容的人來說，明年將是至關重要的一年。追蹤和緩解其內容的方法仍處於開發的早期階段。 OpenAI 最近剛剛引入了內容標籤（儘管它承認這不是萬能藥），並且拒絕創建真人圖像。如您所知，社交網路消除錯誤訊息的速度非常緩慢。但也有一些「無害」的深度贗品，其創作者可以利用它們賺錢——例如，擁有十萬粉絲的美麗艾米麗的案例。
我們正在準備進行大規模的即時實驗，以揭露人工智慧製造的假新聞。
多工作業
受到生成人工智慧進步的啟發，機器人專家開始創造能夠執行更廣泛任務的機器人。
在過去的幾年裡，人工智慧領域已經從使用許多小型模型（每個模型經過訓練來執行不同的任務（識別圖像、繪圖等）），轉變為經過訓練來完成所有這些任務以及更多任務的單一模型。
多模態模型（例如 Google DeepMind 的 GPT-4 和 Gemini）可以處理視覺和語言任務。同樣的方法也適用於機器人，因此不必教一個人翻煎餅，另一個人開門，通用模型可以使機器人能夠執行多項任務。 2023年，出現了幾個該領域的作品範例。
機器人技術發展的問題是缺乏數據。生成式人工智慧使用整個互聯網大小的資料集。機器人幾乎沒有好的資料來源來幫助它們學習完成我們希望它們完成的許多工業或家庭任務。
紐約大學的勒雷爾·平托（Lerrell Pinto）和他的同事正在開發一種方法，讓機器人能夠透過反覆試驗來學習，並在運行過程中產生自己的學習數據。在過去幾年中，大公司也開始發布用於訓練機器人的大型資料集。
