Future Today Institute（简称FTI）近期发布了《2020年文娱、媒体和技能趋势陈述》，介绍了包含人工智能、组成媒体、区块链等合计16种前沿趋势，以及其间的157项详细改造，本文对陈述进行了精选摘编，以飨读者。
曩昔的几年里，传媒业见证了太多的技能迭变。咱们在享用技能开展带来的各种快捷的一同，也在无声地承受着技能乱用的后果。
智能设备、语音帮手正变得越来越体贴入微，组成媒体能够针对咱们的口味和喜爱供给特性化服务，咱们露出于多元化、多接口的智能生态中。可是曩昔一年中大规划的数据走漏、假新闻众多，当机器开端仿制咱们的声响、猜测咱们的行为时，人类该何去何从？
Future Today Institute（简称FTI）近期发布了《2020年文娱、媒体和技能趋势陈述》，介绍了包含人工智能、组成媒体、区块链等合计16种前沿趋势，以及其间的157项详细改造，本文对陈述进行了精选摘编，以飨读者。正如Neo在《黑客帝国》的完毕所说：“我并不知道未来是什么样的。我来这儿不是奉告你全部是怎么完毕的，而是奉告你全部是怎样敞开的。”
以下为陈述全文，让咱们一同触碰技能与传媒业态的未来。
趋势一：人工智能
AI现已不再是一种趋势，而是核算机年代的第三纪元。本篇陈述从AI的不同方面汇总了文娱、媒体和技能的趋势。在新闻业中，AI成为了各大新闻安排的宠儿。路透社的Lynx Insight程序能够帮忙记者发掘大数据。《华盛顿邮报》的 Heliograf被用来报导推举和体育赛事。杜克大学记者试验室的ClaimBuster则能够帮忙记者进行实际核对。
弗兰肯算法的涣散
（Proliferation of Franken-algorithms）
算法仅仅界说和主动处理数据的规矩。它们运用的是核算机能够了解的“假如……那么”逻辑。举个比方：假如网站阅览者的IP地址坐落芝加哥，那么算法就答应他们直接进入；假如IP地址坐落伦敦，则算法就会依照GDPR的要求先显现隐私和cookie方针。尽管人们能够直接依照自己主意规划某个算法，可是一切算法体系一同作业就有或许会带来问题。开发人员并不总是事前知道算法之间将怎么一同作业。有时，几个开发人员团队都在独立地处理不同的算法和数据集，可是只需算法被规划出来今后才干看到怎么运转。这也便是最近股市和电商网站呈现溃散的原因。关于像Facebook这样的大型公司而言这是一个艰巨的应战，由于在任何特定时刻，会有数十亿的算法一同作业，底子无法猜测其运转成果。
专用、敞开和自主开发的AI技能
（Proprietary, Open and Homegrown AI Languages）
Python是一种具有许多预构建库和结构的先进的编程言语。麻省理工学院开发了一种名为Julia的开源言语，专心于数值核算，此外还有AI的提出者John McCarthy于1958年创立的Lisp言语。各大公司正在开端构建和发布自己的软件包以及用于AI运用程序的共同编程言语。Uber用Python编写了自己的概率编程言语Pyro。不同于OSX与Android或许前期Mac与PC阵营的敌对，这一行为意味着AI生态体系未来将走向割裂。商场会发现在不同的AI结构和言语之间转化价值昂扬。
问题数据集
（Problematic Data Sets）
公司自主练习研制的AI并不具有代表性，因而不能被广泛选用。MIT的研讨学者发布了一款名为“Norman”的AI用来捕获辨认相片。他们做了一组比照试验，一组体系选用的是经过练习的标准数据，另一组则没有经过练习，成果令人大跌眼镜：选用标准数据的体系显现出来是“一个棒球手套的是非照”，而另一个体系则显现出的是“一个白日在国外被枪杀的男人”。一些为了生成天然言语的新体系于2019年发布。尽管这些体系都事前经过练习，但它们从前用来学习天然言语的Reddit和亚马逊上的议论却被删去了。原因在于：Reddit和Amazon议论员都倾向白人和男性，因而这些人的话并不能代表一切人。这说明开发人员仍然面临应战。现在现已变得很难从真人那里取得实在的数据来练习体系了，而且由于新的隐私方针呈现，开发人员只能更多地依托公共数据集和有问题的数据集。
Norman AI与标准化AI的相片捕捉比照
数据的深层链接
（Deep linking）
自智能手机面世以来，深层移动衔接就现已运用户在手机一切软件中查找和同享数据。可是现在深层衔接却让用户越来越难找到自己想要的信息。2019年，Yelp餐厅在其软件中标清楚精确的联络信息，可是当客户点击时，他们就被跳转到Grubhub软件里订餐去了。即使客户关掉了软件并想直接打电话订餐，该软件仍将其转换成Grubhub上的号码，由于这样Grubhub能够将其归类为“营销”活动并向饭馆收取高额的佣钱。现在深层链接有三种：传统深层链接，推迟深层链接和语境化深层链接。传统深层链接会从一个软件或网站从头定向您：假如单击或人在Twitter上发布的Baltimore Sun链接，那么理论上只需用户装置了Baltimore Sun软件，它就主动翻开Baltimore Sun。推迟深层链接也直接链接到该软件（假如已装置），或直接链接到软件商铺让用户先下载该软件。语境化深层链接的服务更强壮，能够运用户直接从站点转到软件、从软件到站点或从软件到软件，还能够供给特性化信息，尽管成心向顾客隐瞒了整个进程。
AI云
（AI in the Cloud）
曩昔一年，人工智能生态的领导企业一向在抢夺“人工智能云同享”，以期成为值得信任的AI长途服务供给者。在西方，该范畴由亚马逊、微柔和谷歌领导，其次是苹果、IBM、Salesforce、SAP和甲骨文。在亚洲，AI云由阿里巴巴等巨子主导。这是一个价值2500亿美元的职业，而且仍在迅速开展。纽约大学斯特恩商学院教授Arun Sundararajan说：“（这场竞赛的）收益是成为下一个技能年代的操作体系。”文娱和媒体公司将在未来几年找到更多运用AI云的方法。
AI芯片组
（AI Chipsets）
对咱们来说，往常笔记本和手机上搭载的CPU功用现已在不断前进，却满意不了机器学习的要求。它们的问题在于，短少满意的处理单元，去完结下一个核算机年代所需的衔接和核算。这时就需求一组新式处理器，华为、Apple、IBM等企业都在试水新体系的构建和SoCs。简而言之，这意味着芯片现已能够在AI项目中发挥作用，而且有更快的速度和更精确的数据——也不难预料到，几家企业在未来行将展开竞赛。特斯拉的新式定制AI芯片尽管不如开端描绘得那么有目共睹，但已于2019年4月发布。Google的Tensor处理单元（或TPU）是专门为AI的深度学习而构建的，旨在与该公司的TensorFlow体系协作运用。
图表 2 Google Tensor处理单元
无处不在的数字助理（智能语音助理）
（Ubiquitous Digital Assistants）
Siri、Alexa和天猫等数字助理运用语义和天然言语处理咱们的数据，有时乃至在咱们不知道要问什么之前提早猜测咱们下一步想要或需求做什么。FTI模型在2017年猜测，到2020年，将有近一半的美国人具有并运用数字助理，而FTI模型将持续追寻这个方向的趋势。亚马逊和谷歌主导了智能语音商场，但数字助理是无处不在的。现在，有不可胜数的可盯梢呼应的数字助理软件和小程序。新闻安排、文娱公司、营销商、信用卡公司、银行、当地政府安排（差人、公路办理）、政治运动以及许多其他活动也在经过数字助理传达重要信息。
运用短视频生成虚拟环境
（Generating Virtual Environments From Short Video）
芯片规划师Nvidia正在教AI用短视频片段构建传神的3D环境，运用了此前生成对立网络（GANs）的研讨成果。Nvidia体系从开源数据会集生成的图形将用于主动驾驶范畴。规划师运用了划分红不同类别（建筑物、天空、车辆、标志、树木、人）的短片段对GAN进行了练习，然后生成这些方针的新版别。主动生成虚拟环境的运用远景无量：物流（库房、工厂、运送中心）、城市规划仿照，乃至包含测验游乐园和购物中心内的客流量场景。
实践视频内容与AI生成内容
机器辨认
（Machines Performing Cognitive Work）
公司不再仅仅依托AI体系履行繁琐的重复性使命。更先进的体系正在企业帮忙优化作业流程并主动生成战略。这意味着人们并没有被机器人彻底替代；相反，机器人是依照人类的作业才能而发明出来的。从库房到审计公司，人工智能体系开端履行认知使命——在此进程中，人类只需求履行根底的操作。
亚马逊的主动化体系帮忙前进库房的功率、辅导职工完结作业。沃尔玛运用核算机视觉来查找熟烂的农产品，其AI体系能够对仅从堆中取出坏苹果的人进行查看。在新闻修正室中，相似的体系能够帮忙记者挑选非常巨大的数据集以查找反常或辨认人员。
机器进程主动化
（Robotic Process Automation）
机器流程主动化（RPA）使企业能够在办公室内完结使命和流程的主动化，然后使职工能够把更多时刻花在更有价值的作业上。
Google的Duplex是RPA的一种，用于向别人进行惯例电话通话。亚马逊运用RPA挑选简历，然后再对最优异的提名人进行排序。在银职事务中，Blue Prism和Automation Anyware能够帮忙职工处理重复性作业，前进职工们的出产力水平。这项技能将使媒体和文娱公司能够在客户服务等许多不同范畴中节约成本以做出更好的实时猜测。
机器人
（Bots）
根本意义上的机器人是指，为主动完结某一特定使命而规划的软件运用。在媒体范畴，机器人可被分为两大类：新闻型机器人（news bots）和出产力型机器人（productivity bots）。前者能够帮忙调集新闻信息，并主动为读者推送特定新闻作业；而出产力型机器人，则能够帮忙新闻安排主动化他们的日常流程。
机器人的下一个严峻前进不在技能方面，而是监管。在2018年的竞选中，咱们看到了“僵尸网络”的复苏，“僵尸网络”是指发送误导性内容的核算机网络。由于人们对越来越多的机器人诈骗感到忧虑，加利福尼亚州拟定了一项新法令，该法令于2019年7月1日收效，要求机器人在在与人类的往来中有必要清楚、夺目、合理地标明自己不是人类。
实时机器学习
（Real-Time Machine Learning）
机器学习指的是一种运用算法来剖析数据，然后能够更好地完结各种使命的体系，而且跟着时刻推移，它会越来越拿手这些使命。但这种体系也面临着功率问题：体系需求停下来解析数据。而最新研讨标明，实时机器学习能够随数据获取而实时调整模型。这标志着数据移动方法以及咱们检索信息方法的巨大变化。
比方说，即使是在多种言语稠浊的状况下这种技能也能主动同声传译；它也能够对内容分发进行随时调整，然后为读者供给更具特性化的内容。比起刻板地运用前史数据（读者XX只喜爱体育类报导），实时偏好则能够将内容归入引荐机制（读者XX在接下来的几天里对大选新闻的需求或许会更激烈）。
天然言语了解（NLU）
（Natural Language Understanding (NLU)）
关于Siri和Alexa等对话式AI体系而言，让机器精确了解或人的意思难度较大。这些体系都经过练习后最多能够了解语句中的代词。假如顾客问“狮子王在Cinemark剧院几点钟上映？然后在那邻近泊车”，体系会主动揣度“那”的意思是“Cinemark剧院”。从技能上讲，此进程称为“插槽结转”。它能够运用句法语境来了解代词的意思，除非咱们说了带有许多不同代词的杂乱语句。实际是，在日常沟通中咱们的说话都很紊乱随意、乱用单词，乃至只用语气词来传达意思。
2019年，亚马逊研讨科学家在NLU方面取得了令人瞩意图前进，他们推出了新的架构，能够帮忙Alexa在人类不说完好的语句的状况下也能很好地了解人类。
Amazon Alexa主页
机器阅览了解（MRC）
（Machine Reading Comprehension (MRC)）
MRC使得体系阅览大数据、揣度意义而且当即得出答案的流程成为或许。举个比方，当你查找时，你是期望体系直接给出一个切当答案，仍是供给给你一堆“欲知后事怎么请看更多超链”的URL合集？让机器自己找出问题所在，这便是MRC。
在未来，MRC是完结强人工智能的要害性进程之一，而近期，它则能够帮忙咱们把技能手册、前史地图和医疗记载等各种材料转化为易于查找的信息调集。
天然言语生成（NLG）
（Natural Language Generation (NLG)）
天然言语生成技能现在已被不少媒体与营销安排所运用，依据大规划的数据集来进行主动内容出产。NLG可完结的功用包含，集成要害词、前进SEO（Search Engine Optimization，查找引擎优化，即运用查找引擎的规矩来前进网站的查找排名）以及为用户批量供给特性化的内容。
Arria NLG、IBM Watson语音转文字技能、Amazon Polly、谷歌云语音转文字技能，叙事科学公司Narrative Science和主动调查公司Automated Insights运用大型数据集构建叙事以帮忙非数据科学界人士更好地了解其安排中正在发作的作业。NLG在各个专业范畴都有许多的用例，可为律师、政客、医师、参谋、金融剖析师、商场营销人员及其别人士供给帮忙。
机器学习中的实时语境
（Real-Time Context in Machine Learning）
IBM公司研制的Project Debater能够经过消化许多文本，从语境中找出逻辑缝隙、假音讯。尽管现在处于测验阶段，但现已能够经过实时学习运用实践环境分辩真伪信息了。
Project Debater的作业原理
多使命强化学习算法
（General Reinforcement Learning Algorithms）
AlphaZero的团队开发的新算法能够学习多个使命。比方AlphaZero不只在围棋上无人可敌，在象棋和日本象棋中也鹤立鸡群。
更快的深度学习
（Much Faster Deep Learning）
深度学习（Deep Learning, DL）是机器学习中相对较新的分支，也会很快无形地融入到各个安排安排傍边。规划者会结合包含文本、图画、视频、讲演等相似内容在内的各种数据库运用较为特别的深度学习算法。
从概念层面上来讲，它不算新，最近更新的是核算处理才能和可用数据的数量。落实到实践上，这就意味着更多的人类事务能够被核算机主动完结，比方规划软件写代码。
DL受核算机网络运转速度的约束：几年前，用ImageNet网站中的数据集来练习图画辨认功用，或许要花费一个月或许更长时刻；而现在，Facebook能够在一小时内完结相同的作用。跟着核算机提速和硬件技能的前进，体系也会以愈加“超人”的速度完结使命。
ImageNet官网
强化学习与分层强化学习
（Reinforcement Learning and Hierarchical RL）
强化学习（Reinforcement Learning, RL）是处理决议方案型问题的强力东西，运用于AI体系练习，使之具有超出常人的才能。在核算机仿照进程中，一个体系测验、失利、学习、试验,然后再次测验——这一系列进程都能飞速完结，且每次试错都会对它的未来测验有所批改。
咱们所了解的AlphaGo便是依据RL机制学习怎么决议打败人类棋手。但这项技能也存在问题：当智能体（agents）缺少满意的监督（supervisor，简略来说监督便是设定输出值/方针，在数据中发现潜藏方法能更简单，而无监督式学习不设定输出值，下文在机器学习相关技能中呈现的“监督”也是同一个概念），或是需求运转一项长时刻的杂乱使命时，或许会遇到困难。
这时，研讨者将测验运用分层强化学习（Hierarchical Reinforcement Learning）——能够发现高水准的举动，有条理地战胜学习困难，终究以出乎人类预料的速度把握新的使命。RL能够前进AI体系的“智能”，来使轿车能在非常规条件下主动驾驶，或许帮忙军用无人机完结之前没有完结过的杂乱动作。
持续学习
（Continuous Learning）
现在，深度学习技能现已能够帮忙体系学习，去以更接近人的所作所为的方法来完结杂乱使命，可是这些使命仍然很具象，比方在某一项竞赛中打败人类。而且它们需求遵从一个严厉的程式：搜集数据、设定方针、运用某一项算法。这一进程需求人工参加，也会花费不少时刻，特别是需求监督式练习（supervised training）的前期阶段。持续性学习（CL）将偏重于构建前进自主学习与增量学习的技能，研讨者未来还将持续扩展其才能鸿沟。
多使命学习
（Multitask Learning）
电影《龙威小子（The Karate Kid）》里，园丁宫地先生许诺教男孩Daniel空手道，但Daniel很快厌恶了日复一日的练习。关于Daniel来说，漆栅门、轿车、无休止的“打蜡、封蜡”……这些作业看起来都毫无用处，必定不能帮他学会空手道。当然，终究一切的庶务都被证明与空手道有关，这样的练习也帮他成为一名空手道冠军。提起这部电影，是由于研讨者最近就在练习智能体系像Daniel这样学习。
当开发者运用机器学习时，他们要测验用这种方法处理单个特定的问题。他们会监督智能体系微调，且不断批改，直到体系的体现契合预期。可是仅仅聚集于单个使命，常常会指向无效成果——或许有比研讨者发现的机制更好的处理方案呢？所以，新的研讨范畴，也便是多使命学习就发作了，让体系像Daniel这样，在各式各样的相关使命中寻求联络，探寻怎么更好地处理问题。
生成式对立网络
（Generative Adversarial Networks (GANs)）
换脸技能在2019一向热度不断。依据生成式对立网络（或GANs）的换脸技能很简单完结。咱们能够把GAN了解为无需任何人员参加的图灵测验。GAN是无监督的深度学习体系，由两个在相同数据（例如人的图画）上练习的相互对立的神经网络组成。比方说，第一个AI创立看上去很实在的女性的相片，第二个AI将生成的相片与实在女性的相片进行比较。第一个AI依据第二个AI的判别从头对其生成进程进行一次又一次的调整，直到主动生成看起来彻底实在的女性图画停止。
thispersondoesnotexist.com网站正是运用该技能不断生成传神的相片，而实践上这些相片并不存在。GANs也被用来完结旧相片或画作的动态化。本年，斯科尔科沃科技学院和三星AI中心的研讨人员运用该技能让蒙娜丽莎摇了摇头、让拉斯普丁演唱了碧昂丝的《Halo》。
ThisPersonDoesNotExist.com生成的人像
主动化机器学习
（Automated Machine Learning (AutoML)）
主动化机器学习（AutoML）是一种新的机器学习方法，它能够将原始数据和模型匹配在一同以显现最相关信息，然后帮忙一些安排脱节现在耗时且困难的传统的机器学习方法。现在，谷歌、亚马逊和微软都供给了许多AutoML产品和服务。
定制化机器学习
（Customized Machine Learning）
Google的Cloud AutoML能够帮忙用户能够上传自己的数据建构模型，就算非专业人士也能够练习机器学习。
AI的持续成见
（ongoing Bias In AI）
AI有严峻的成见已不是隐秘。这个问题是多方面的。举个比方，用于练习AI的数据集一般来自Reddit或亚马逊的议论以及Wikipedia等自身就充溢成见的当地。树立模型的人往往不知道自己存在成见。跟着咱们的核算机体系越来越多地用于决议方案，咱们或许会发现自己被算法分到一个组别中，尽管对咱们而言或许没什么影响，但实践上或许发作巨大危险。
AI成见导致内争
（AI Bias Causes Civil Unrest）
实践上每天你都在主动地或被逼地创立不可胜数的数据（比方在Facebook上上传和符号相片、开车去上班等）。这些数据一般是在你没有发现的状况下被算法发掘和运用的，并用于制造广告、帮忙潜在广告主猜测咱们的行为、确认咱们的典当告贷利率，乃至帮忙法令部分猜测咱们是否或许违法。
包含马里兰大学、哥伦比亚大学、卡内基·梅隆大学、麻省理工学院、普林斯顿大学、加州大学伯克利分校、国际核算机科学研讨所等在内的许多大学的研讨人员正在研讨主动决议方案的副作用。你或许你知道的某个人或许会堕入算法过错的一面，比方说你会由于一些不透明或不易了解的原因不契合告贷资历，不能拿到特定药物或不能了解房租价格。而且越来越多的数据在不知情的状况下被搜集并出售给第三方。
趋势二：核算新闻业（智能新闻业）
新闻报导能够运用核算来发掘原本不会被发现的故事。CS技能能够经过两种首要方法帮忙新闻业：运用核算方法的新闻业和进行有关核算的新闻业。2019年7月，《华盛顿邮报》树立了一个专攻大选的团队，该团队树立了一个核算政治新闻研讨与开发试验室，并展开了试验以支撑2020年大选之前邮报的数据作业。斯坦福大学的核算新闻试验室一向在为公共新闻开发新的核算方法。
The California Civic Data Coalition是一个由几家媒体联组树立的用于盯梢政治资金的数据开源档案库
核算图画的生成
（Computational Image Completion and Generation）
现在，每个具有智能手机的人都能够运用核算拍照东西。他们能够在合影中把闭上的眼镜张开、在运动画面中寻觅最佳帧并铲除咱们自拍照中的瑕疵。一切这些都是实时的，而无需发动其他相片修正软件。现在，咱们能够在场景中无缝添加或删去方针、更改暗影等等。
明显，这儿对记者有品德要求——在什么状况下对相片答应什么程度的修正？相同，记者在将其用于报导或故事之前，应该开发一项技能能够主动显现该相片已被修正。
主动生成文章
（Automated Versioning）
总部坐落瑞士的Tamedia的记者在本国2018年大选期间测验选用了生成技能。Tamedia用一个名为“ Tobi”的决议方案树算法主动生成了文章，详细描绘了由私家媒体安排的30家报纸所包含的每个城市的投票成果，并一同生成了多种言语、总计39,996个不同版别的推举报导，每篇均匀250字，并将其发布到Tamedia的在线途径上。每篇报导都符号出了该报导是由算法编写的。跟着更多的测验，新闻和文娱媒体公司能够开发相同内容的多个版别，然后掩盖更广泛的受众或大规划出产内容。
Tobi的Twitter账户
生成天然言语以调理阅览水平
（Natural Language Generation to Modulate Reading Level）
天然言语生成（NLG）是一项能够生成人类指定运用言语的处理使命。NLG可用于重写各种不同阅览层次的内容，为书本出书商和新闻媒体安排都供给了巨大的或许。跟着图书出书商和新闻安排在寻觅新的收入来历，NLG不只将用于编撰报导，而且还将为具有不同阅览水平的读者创立不同的版别。这是由于根本语料库（构成故事的数据）不会改动，可是能够调整词汇量和细节。
例如，关于伯克希尔·哈撒韦公司（Berkshire Hathaway）季度收入的报导能够用许多不同的方法来表达，别离面向金融专业人士、高中经济学课程、以英语作为第二言语的学习者以及非英语国家。相同，NLG可用于主动创立书摘和摘要等作业量大的使命。运用NLG自界说编写不同版别的报导能够帮忙媒体安排拓宽全球事务规划而无需招聘其别人员。可是，NLG相同可被用于造假，这意味着未来即将进行监管。
数据发掘集体行为
（Datamining Crowds）
核算新闻技能使记者能够查询咱们的被逼数据（比方咱们的在线活动、健康记载、方位等），然后学习或了解新事物。咱们的数据不只会盯梢咱们的行为，而且任何人都能够用它进行查找、搜集和剖析。咱们估计，更多的新闻安排以及营销商、政治活动家和其他集体将开端发明性地运用数据。由于咱们的思维影响举动（例如查找“欧盟是什么？”），咱们的举动发作数据，而这些数据可用于了解有关咱们的信息。
算法实际核对
（Algorithmic Fact Checking）
误导性的虚伪信息污染了互联网和咱们的交际媒体环境，每天的顾客都不得不与虚伪信息做反抗。尽管咱们在全球规划内进行了许多的实际核对作业，但实际证明，用于传达假新闻的算法比人类实际核对者的速度更快。
德克萨斯大学阿灵顿分校和谷歌的研讨人员一向在研讨运用结构语义的主动化技能。结构是描绘了特定类型作业、状况、方针或联系及其参加者的示意图。研讨人员扩展了一个名为frameNet的体系用来专门为包含主动实际核对在内的功用构建新结构。
在屏实际核对
（On-Screen Fact Checking）
杜克大学和得克萨斯大学阿灵顿分校的研讨人员发清楚ClaimBuster，它能够对任何语句中的实际评分。该体系运用来自直播活动的音频或视频并将其转换为文本，用过滤器辨认其间有关实际的语句，然后将这些语句与数据库进行匹配。
ClaimBuster官网
组成数据
（Synthetic Data）
研讨人员并非总能取得完好的健康、医疗、运送和人口数据。因而，一些人正在开发和试验组成数据集，用来在AI中履行有意义的剖析和练习模型。可是组成数据集一般会漏掉重要信息或呈现误差。
MIT信息与决议方案体系试验室的Data to AI Lab的研讨人员正在开发一种机器学习体系，用以主动创立组成数据，然后将其用于开发和测验数据科学算法和模型。他们提出了组成数据库Synthetic Data Vault （SDV），该数据库能够学习和开发用于多种意图的多元模型。记者需求了解何时运用组成数据，新闻安排应拟定有关何时运用组成数据以及怎么奉告顾客报导运用了组成数据的品德原则。
组成并生成内容核对
（Synthetic and Generated Content Authentication）
AI能够用来发现哪些文本是算法写的而不是人类写的。哈佛大学和MIT-IBM Watson AI Lab的研讨人员开发了一种用于辨认算法何时生成文本的东西。
Giant Language model Test Room（简称GLTR）运用AI来确认文本中的常用词，并能够判别语句是否看起来太有猜测性以至于不像真人所写。该东西预期能够被用来辨认虚伪或误导性新闻、机器人生成的内容及假造品。
Giant Language model Test Room文本辨认（动图）
趋势三：认知体系
声响辨认技能
（Voiceprints）
声纹是一个人声响的共同特征。现在新的机器学习技能与语音录制的巨大数据集相衔接能够帮忙研讨人员能够经过人们说话时发作的声纹进行辨认。
卡内基·梅隆大学（Carnegie Mellon University）的研讨人员开宣告了一种能够运用声纹就能够构建3D面部的生成技能。法令安排正在运用该体系辨认恶作剧呼叫者以及诈骗当地差遣特警就为了报复别人的人。
特性辨认
（Personality Recognition）
新式的猜测剖析东西会记载用户的数据、行为和偏好，这些数据能够反映出用户的特性并猜测用户在任何状况下的反响。2018年，Cambridge Analytica就运用算法剖析帮忙Donald Trump赢得了大选。政治提名人、律师事务所、营销商、客户服务代表和其别人员都在运用新式体系，这种体系能够查看用户手机网上活动、电子邮件和对话，实时评价用户的性情。终究意图便是判别用户的特定需求。
ElectronicArts正在开发一种能够评价多人视频游戏玩家性情的体系，然后依据他们的游戏风格、对话风格和花钱志愿更好地匹配玩家。
在实际国际中，稳妥承销商正企图经过用户订阅的杂志和网站、发布到交际媒体上的相片等等来评价用户的特性，以便确认其投保危险。一些告贷方现已开端运用特性算法来猜测用户未来的商业买卖了。（数据显现，假如两个具有相同专业和个人状况的人一同告贷，那么具有较高大学文凭的人更或许还清债款。）
心情辨认
（Emotional Recognition）
2018年，亚马逊申请了一项新体系的专利，该体系能够依据用户曩昔及现在的互动来检测用户的身心健康状况。假如亚马逊检测到该用户生病了，就会主张用户一小时内服用止咳药。
轿车制造商Kia于2019年在CES上初次露脸了它的实时情感辨认体系（R.E.A.D.）。该体系能够经过传感器监控乘客面部表情、心率和皮肤电活动来调理车内环境以乘客的心情状况。
Kia的R.E.A.D.体系
情感核算
（Affective Computing）
情感核算归于跨学科范畴，包含核算机科学、心理学和认知科学。麻省理工学院的研讨人员正在研讨一种机器学习算法，能够经过从咱们的可穿戴设备（智能手表、健身追寻器）搜集的皮肤电活动了解咱们的心情并作出呼应。可是其他来历的数据也或许派上用场，比方咱们的皮肤、脸部和与别人的对话。剖析师估测，到2023年情感核算将成为一个价值250亿美元的工业。
趋势四：组成媒体
组成媒体现已举目皆是了，比方虚拟的日本盛行歌星初音未来（于2007年初次露脸）、由艺术家Jamie Hewlett和音乐家Damon Albarn协作发明的英国虚拟乐队Gorrilaz（于1998年发行了第一首单曲）。它们都是经过算法创立或改动的媒体。
初音未来全息演唱会
语音组成
（Speech Synthesis）
语音组成也被称为“组成语音”或“文本转成语音技能”，它仿照了实在的人类语音并将其运用到各种界面中。经过凭借满意的数据和练习，语音组成体系能够了解任何人的频谱频率并发作某个人的数字声纹。
Synthesia是一家运用此技能经过主动重制面部动画来配音的公司，适用于国际广泛发行的电影。艺人的面部表情和嘴巴能够重制以匹配配音。
调理定制语音
（Modulating Custom Voice）
生成算法能够创立听起来像原始声响的组成声响，而且能够将这些声响按所需的音高和腔调调制。
总部坐落蒙特利尔的AI公司Lyrebird构建了一种语音仿照算法，能够生成难以发觉出来的组成语音。它运用的语音样本数据库既能够在公共存储库（YouTube、Vimeo、Soundcloud）中找到，也能够由用户上传。
跟着时刻的推移，人工智能不只学会了辨认语调，而且能够辨认心情节奏。只需有满意揭露可用的音频文件来构建数据集，就能够假造自己和最喜爱的明星之间的对话。它很快就能够匹配并快速生成针对每个顾客的特性化组成语音。
Lyrebird视频修正
语音诈骗
（Voice Fraud）
组成媒体一向以来都存在一个问题：不怀好意的人能够用它来误导人们，诈骗语音认证体系以及假造音频记载。呼叫中心软件制造商Pindrop的一项研讨显现，仅上一年一年，语音诈骗就给具有呼叫中心的美国企业造成了140亿美元的丢失。作为ASVspoof 2019 Challenge的一部分，Google一向致力于组成语音数据集，这是一项敞开源代码，旨在帮忙拟定对立诈骗性语音的对策。
机器生成图画
（Machine Image Completion）
假如核算机体系能够拜访满意多的图画，那么它就能够添补相片中的缝隙。关于专业拍照师以及每个想要拍出更好自拍照的人来说这是非常有用的运用。假如拍出来山的远景不清楚或许皮肤有瑕疵，都能够换用另一个版别以生成完美的图画。
可是咱们怎么在实际与改进后的场景之间划清界限？在没有标签或宣告信息的状况下，应该修正相片到什么程度？网上结交者、记者、营销者和拟定方针的人都应该考虑这些问题。图画生成关于法令人员和军作业报人员来说也是有用的东西——核算机现在能够帮忙他们辨认视频帧里的人或物。
考虑到机器学习算法和数据集上的成见，图画生成或许会成为有关隐私和设备的议论的一部分。斯科尔科沃科学技能研讨院和三星AI中心的AI研讨人员运用机器图画生成技能使旧相片和闻名画作（如《蒙娜丽莎》）动了起来。
动起来的蒙娜丽莎
深层行为学习与猜测
（Deep Behaviors and Predictive Machine Vision）
麻省理工学院CSAIL的研讨人员不只在练习核算机辨认视频中的内容，还让核算机能够猜测人类接下来会做什么。现在核算机能够经过观看YouTube上的视频和电视节目猜测两个人是否或许拥抱、亲吻、握手或击掌。
这项研讨将使机器人能够更轻松地进行导航，并经过学习咱们的肢体言语来与人类互动。它也能够用于出售、操作机器或许学习。
语音、声响和视频的算法生成
（Generative Algorithms For Voice, Sound and Video）
芯片制造商Nvidia的研讨人员于2018年开发了一种新的生成算法，该算法运用生成式对立网络创立了传神的人脸。该算法还能够在其体系中调整各种元素，例如年纪和斑点密度。
加州大学伯克利分校的一个团队开发了一种软件，该软件能够将一个视频中的人的动作主动传输给另一个视频中的某个人。咱们一向在练习核算机观看视频并判别实在国际中相应的声响，比方一个木槌击打沙发时会宣告什么声响。
这项研讨的重点是帮忙体系了解方针在实在国际中怎么相互作用。但该技能也具有诈骗性：2017年，华盛顿大学的研讨人员开发了一种模型，模型中奥巴马在宣告一段实际日子中从未宣告过的讲演，但足以以假乱真。组成视频与旨在供给实在内容的AI混在一同的现象将使问题变得愈加扎手。
趋势五：进口革新
语音查找优化
（Optimizing For Voice Search）
对话网络无处不在。经过语音操控咱们能够当即从智能扬声器、轿车仪表板、电视遥控器和智能手机的数字助理那儿获取信息和其他内容。跟着语音查找的遍及，发行商等安排有了新的战略考虑：是否能够针对语音查找对内容进行优化？Audioburstis公司的技能能够从播送等来历中提取并剖析音频，将其语境化并能够进行查找，帮忙AI动力轿车供给倾听服务。
下一代原生视频和音频故事方法
（Next-Gen Native Video and Audio Story Formats）
经过具有呼应性视觉、触觉和音频界面的消费类技能的开展，人们正在开发非新的叙事方法来招引观众。新闻媒体和文娱安排已开端探究这些新颖的、特性化、交互性和具有沉溺感的叙事方法。尽管这无疑将为顾客带来更好的体会，但新闻和文娱媒体公司有必要提早做好规划，以便在未来能够经过口述进行汇总和传递内容摘要。
《黑镜：潘达斯奈基》剧情就选用了“互动视频”概念
人与机器的接口
（Human-Machine Interfaces）
比方Siri、Alexa和Google Assistant之类的语音接口正在变得越来越杂乱，可是研讨人员们现已开端展望未来了：将人类和哺乳动物直接与核算机相连。人们能够经过人机交互界面用思维进行沟通，为中风和瘫痪患者供给了新的挑选。
趋势六：扩展实际（混合实际）
混合实际，也称为扩展实际，能够数字生成、增强或许操控环境，包含虚拟实际和增强实际。MR一般经过头戴式显现器（HMD）或移动设备进行体会。在曩昔的十年中，MR现已招引了越来越多的留意。到2020年，咱们将看到MR持续在各个职业和新的商场上逐步遍及。许多人期望在未来十年中，跟着作为MR催化剂的5G的遍及，该技能将成为咱们日常日子的一部分。
全息图画
（Holograms）
全息图画是指看起来像是在三维空间的投影图画。到2024年，全息图画商场估计将逾越50亿美元，其间广告占比较重。在消费品方面，专业相机品牌Red宣告推出其全息图画生成的Hydrogen 2手机，华为和三星也在开发具有全息图画功用的移动设备，包含全息通讯。
在文娱范畴，像洛杉矶的base Hologram这样的公司持续推出以逝世的艺术家的全息投影为特征的“现场”音乐会，惠特尼·休斯顿将于2020年巡回演出，但他们没有把握在全息形象中多视点烘托3D全息图所必需的体积投影，因而门票出售有限。为了防止引起人们对动物权力问题的争议，德国马戏团Roncalli推出了一种能够展现动物扮演的全息眼镜，既经济高效，又不残暴。
base Hologram复原了过世歌手Buddy Holly的演唱现场
360度全向视频
（360-degree Video）
360度视频运用专门的摄像机拍照，旨在捕获全向资料。烘托视频后，观看者能够运用鼠标、触摸屏或运动操控手势来旋转视角、阅览录制的场景。
YouTube，Facebook和Vimeo都供给360度视频，ABC、Fox和CNN等首要网络媒体也都具有专用的数字频道，用于播映包含新闻、体育和文娱在内的沉溺式内容，而且有越来越多的媒体紧随其后。GoPro、Insta360、Ricoh和小米的便携式360度摄像头很快就会添加用户拍照和交际同享的360度视频的数量。
增强实际（AR）
（Augmented Reality）
AR并不像VR那样要仿照整个新环境，而仅仅在你的天然视界里放置几个数字元素。AR可运用头戴式显现器或智能眼镜体会，谷歌和微软等抢先品牌以及Magic Leapand、Vuzix和meta的产品都在开发中或现已投放商场。
在各大公司争相研制AR头戴式耳机时，移动设备为一般顾客供给了最便利的AR体会。一些电影院和NBA场所引进了可在移动设备上播映的AR游戏，Quartz的移动运用将AR功用整合到了某些新闻报导中，而谷歌用AR完结了外国语的实时翻译。
强化图文功用的AR
（AR as a Tool to Enhance Print）
AR将有用助力印刷业开展，媒体公司正在用AR印刷品来进一步招引顾客。AR能够整合内容和广告两个不同的途径。比方blippar等服务能够添加只能运用智能手机解锁的动画、模型或图画。
像Max Factor和Net-A-Porter之类的公司现已答运用户用AR扫描自己喜爱的产品并直接经过手机购买。AR驱动的广告活动的成功意味着媒体公司和广告商的双赢，由于价格较低，品牌将持续运用AR印刷广告。
虚拟实际（VR）
（Virtual Reality）
虚拟实际是一种核算机仿照环境。佩带VR眼镜或许将手机嵌入特定设备，即可取得感同身受的体会。近年来VR在文娱内容范畴有了重要开展，新的艾美奖项如交互式媒体等层出不穷，好莱坞导演达伦·阿罗诺夫斯基和罗伯特·罗德里格斯等也在运用VR设备拍照。谷歌、索尼、三星和HTC都在出售VR头戴设备。
2019年，Facebook旗下的Oculus推出了Quest头戴设备，是Oculus Rift设备的独立替代品，只能在与PC绑缚时运用。任天堂最近也进入了沉溺式商场，为其盛行的Switch游戏设备推出了VR套件。也能够经过将手机滑入专用面罩中来结构耳机。“站立式” VR是从相对固定的视点观看的，与“房间规划” VR不同，后者答应观看者在物理空间中更自由地行走，其数字环境反映了他们的实在日子。
Oculus Quest设备
趋势七：视频趋势
流媒体
（Streamers）
2017年的第四季度见证了50万名顾客扔掉了他们的有线和卫星电视服务。而用户持续为电视付费的两大原因在于，电视能够观看直播，和价格优惠的互联网与有线服务套餐。——明显这两个理由都不大像传统有线电视能持续的优势。网飞和亚马逊是国际上两大流媒体。到2020年，一切人的目光都将会集在具有Marvel和Star Wars的新Disney+服务上，更何况它还包含了Hulu和ESPN +在内。
未来预期咱们会看到Amazon Fire Stick、Google Chromecast和Roku等更多流媒体设备的比例添加，和有线卫星电视订阅的安稳衰退。而流媒体服务则会腐蚀本地播送新闻商场，也会使较长时长的电视新闻节目堕入下风。
OTT流媒体服务饱满
（Saturation of OTT Streaming Services）
或许是由于HBO Now的成功，2019年各大网络媒体都在推出其尖端流媒体服务。Disney+正在发动自己的OTT服务，估计AT＆T/DirecTV、Viacom和Discovery也将供给新的服务或更新已有服务。OTT流媒体服务商场已满意拥堵，在不久的将来它将愈加饱满。
联网电视
（Connected TVs）
从2019年5月开端，一切与三星联网电视都置备了针对Apple设备的集成屏幕镜像和内容投射功用，并能够拜访本机Apple TV和iTunes运用。它实践上绕过了独自的Apple TV设备，但其他大多数电视都有必要经过这个设备购买Apple内容。这就使三星招引了大部分Apple用户。
联网电视估计在一般家庭的遍及率会更高，这或许与盛行的流媒体服务或聚合设备，例如Amazon Prime Video、Roku、Hulu、YouTube、Showtime Anytime、iPlayer（仅限英国）、All 4（仅限英国）、 Playstation Now、HBO Now、DirecTV Now、iTunes和Netflix。
媒体安排能够运用联网电视和独家集成作为竞赛战略来供给更丰厚的内容来留住并扩张受众。
趋势八：电子竞技
电竞
（e-Sports）
电子竞技是一个快速开展的对立性数字游戏工业，能够专业地制造游戏并经过流媒体直播或面临面等方法面向受众。尽管这种安排化对立性的游戏现已开展了数十年，但近年来，游戏技能和流媒体功用的开展导致其受欢迎程度和合法性呈现了巨幅添加。例如Fortnite（堡垒之夜）是上一年最火的游戏之一，仅2018年就收入24亿，收成用户逾越2.5亿。
混合实际体会馆
（Mixed Reality Arcades）
就像上个世纪80年代的电子游戏相同，游戏方法日渐盛行，但大多数人并不能担负设备费用，所以好像当年的游戏厅，混合实际体会馆应运而生。
Nomadic是MR街机的草创者，在佛罗里达州奥兰多市和加利福尼亚州圣拉斐尔市都开设了线下MR游戏体会店，玩家能够在店内带着VR头盔和背包在房间里探究。
混合实际体会馆无处不在，使每个人都能够参加到许多游戏中来，但这次却不需求等候很久了。Virtual World Arcad公司供给了无限虚拟实际时刻的会员套餐。在东京，混合实际体会馆供给的不仅仅是根底游戏，还包含摇摆式安全带、飞翔途径和仿照蹦极跳、飞翔，乃至能够从摩天大楼上摔下来。
Virtual World Arcad混合实际体会馆
趋势九：媒体分销
被逼做出挑选的途径
（Platforms forced to pick sides）
由于假新闻、仇视言辞等繁殖，在线途径和交际媒体将越来越多地出资于途径办理：能够运用人工审理，也能够运用能检测到仇视或问题语音的算法。
Amnesty International在Twitter发布了名为“Troll Patrol”的项目，该项目发现将近1000名女性政客和记者收到的推文中，每30秒就会有一条是“侮辱性”言辞。此外，方针清晰至关重要。可是，实在的问题在于将是挑选哪些利益相关者参加界说这些规矩，由于任何决议方案都或许被政治化。
约束批量音讯
（Restrictions on Bulk Messaging）
新闻安排现在依托第三方途径来招引顾客。而约束批量音讯将导致新闻媒体与受众的互动变得愈加困难。自2019年12月起，WhatsApp将不再答应主动或批量推送音讯。
在当今媒体途径比电子邮件更受欢迎的年代，Facebook具有的WhatsApp一向是新闻安排每日发送新闻音讯的重要东西。该公司宣告，它将在12月7日新约束收效后对在途径上批量发送音讯的任何个人或公司采纳法令举动。
这些约束在很大程度上与未来途径约束法规有关。WhatsApp在印度具有逾越4亿的用户，虚伪信息和流言传达引发了一系列暴民骚动。
美国本地新闻安排的新添加点
（New Interest in America’s Local News Outlets）
Pew研讨中心的数据显现，2008年至2017年间美国报纸新闻修正室的雇员下降了45％，创下了美国本地报纸兼并和封闭数量的纪录。现在新闻安排正在为重建本地新闻业做着许多尽力。
2019年，谷歌的“新闻方案”与美联社协作，为新闻修正室构建了一个能够直接同享内容及其报导方案的东西。该公司还与McClatchy协作，树立了掩盖当地的数字新闻站点——第一个站点将设在俄亥俄州的扬斯敦，那里的日报《Vindicator》最近刚刚关门。2018年，Facebook和Lenfest新闻学院赞助发动了本地新闻订阅加快器。据Facebook说，加快器项目在14个参加该方案的都市报上招引了不可胜数的数字订阅和电子邮件订阅览者。
Lenfest Institute for Journalism官网
订阅经济老练
（The Subscription Economy Matures）
不管你是订阅、冲会员仍是捐献，咱们都日子在受众经济年代。关于媒体公司（尤其是新闻媒体）而言，这意味着商业动机需求与顾客的需求保持一致。可是，危险在于订阅内容的传达会吞没观众的付出志愿（或才能）。假如发作这种状况，发布商将需求持续寻觅新的收入来历。
订阅产品现已变得随处可见：Conde Nast在1月份宣告将在年末曾经将其一切杂志网站（曾经以广告收入为主）变成付费订阅。全国各地的报纸都在推出新的订阅产品或完善现有的服务。迪士尼正在迅速开展订阅视频服务，该服务将于11月在美国推出，包含了迪士尼、ESPN和Hulu的视频。
但即使现在普遍以为数字出书将是未来的开展出路，纸质订阅仍然对小型本地出书商有重要意义。阿肯色州《日子》杂志在1月份成功发动了纸质订阅活动后，又连续了一年的出书时刻。该杂志方案削减出书，将更多事务转移到网上，但仍需求纸质订户取得收入。
线下衔接
（Offline Connections）
跟着用户转向移动设备，开发者们也应当保证自家APP能够离线运用。Netflix、Youtube和Amazon Prime现在都在打造离线阅览功用，答运用户缓存视频，稍后观看。
新闻内容聚合运用，如Google、Smartnews和Apple，相同想要尽或许地运用用户时刻，哪怕在wifi信号很弱的时分。《华盛顿邮报》的渐进式网络运用（Progressive Web App，能够了解为相似微信小程序，但它是依据Web阅览器运转）就将移动网页的加载时刻从4秒缩短到了80毫秒，运用户在离线状况下也能阅览新闻。
作为服务的新闻业
（Journalism as a Service）
在传统新闻产品之外，新闻安排现在也在供给新闻服务。这种转向使得媒体能充沛完结其内容价值。新闻服务首要面向从事常识范畴作业的集体，包含大学、法令草创公司、数据科学公司、商业、医院乃至科技巨子等。媒体堆集的内容实践上是能够被结构化、清洗，然后被多种安排运用的数据资源。
作为服务的新闻包含多个部分：新闻报导、API、修正部和付费第三方均可运用的数据库；与新闻作业结合的日历插件；运用媒体安排堆集的内容和数据库来主动生成陈述的体系等。服务能够脱离交际媒体途径而供给，削减新闻安排对外的赢利分红，使其供给的服务能够充沛变现。
弹出式新闻修正室与定量新闻产品
（Pop-Up Newsrooms and Limited-Edition News Products）
新闻安排正在运用弹出式新闻修正室和定量产品来招引受众。集成协作的新闻修正室能够专心于单个主题或项目，然后扩大影响规划并发现更深的故事。定量播客、新闻和活动可辨认出对此感兴趣的读者并测验其新主意。
2019年3月，BuzzFeed在纽约发行了单日出书印刷品，在网上招引了广泛的留意，这种定量产品或许是开展新受众的时机。
媒体整合
（Media Consolidation）
在美国，数字用户日渐添加，传统媒体公司赢利持续下降，依据广告的收入方法很难保持，尤其是关于本地媒体来说，局势愈加困难。美国联邦通讯委员会（FCC）的去操控化方针也为大型媒体集团的收买兼并与笔直整合铺平了路途。
2019年呈现了一批巨额并购：迪士尼和福克斯在三月份完结了兼并，其间包含转移了对Hulu的操控权；法院于2月份对AT＆T收买Warner Media一案作出了终究同意，驳回了法官关于该买卖是反竞赛行为的观念。
依据谈天方法盈余的新闻业
（Monetizing Chat-based Journalism）
信息沟通途径现已成为交际行为的新中心，这其间就包含信息分发和经济买卖行为，且二者能够合二为一。这种途径的中心化发清楚抵达读者的新时机，且读者具有小额数字付出的功用。
腾讯微信是率先将小额付出体系归入其信息沟通途径的软件之一。曾经的记者、电影议论家和职业专家等要害定见首领现在能够经过微信群众号打赏取得收入。一些专栏作家每篇文章的收入最高为4,500美元。其他首要途径包含Facebook等也在添加相似功用。
留意力目标的完结
（The End of Attention Metrics）
衡量留意力经济的目标不再易于丈量，流量造假屡禁不止。2018年11月，美国司法部申述8人大规划广告诈骗，造假广告收入合计3600万美元。他们奇妙地运用周游器来假造点击行为乃至鼠标移动来仿照人类顾客。关于依托广告收入的发行商和需求满意客户目标的广告商而言，这都是一个严峻的问题。
web3.0
去中心化与协作加快了第三代互联网的开展。Web 1.0是互联网年代的开端，它引进了静态网页、电子商务和电子邮件。Web 2.0经过引进交际网络、同享经济、云核算和动态的自我保持内容存储库（如Wikipedia和Github）完结了涣散式协作。分布式分类推动了大规划协作，并带来了Web 3.0。
在Web 3.0年代，协作和涣散创造都能够加快开展的原因有二：依据数据发掘、天然言语生成（NLP）和文本解析等技能，搜集、发掘与了解非结构化数据都变得更简单；经过AI和机器学习，机器能够直接相互协作。终究，机器将能够相互练习。现已有相似的项目在进行中。
在媒体范畴，Otoy经过创立一个协作者组成的去中心化分布式网络，同享闲暇的处理资源，下降视觉规划作用的出产成本。别的，在Web3.0年代，媒体也能够树立微型付出体系，或许运用户能对自己的隐私和数据具有更多的操控力。
趋势十：空间核算
前言整合
（Media Consolidation）
空间核算将来自实在国际的数据与个人数据、数字内容混合在一同。增强实际将数字内容投影叠加到实在环境中，运用空间核算导入环境并进行快速核算。数字形状的墙面、地板和沙发就这样发作了，而且它们仍然遵从物理规律。Magic Leap是一家闻名的空间核算公司，它的护目镜能够将实在环境变成可核算环境。在未来的10到15年中，Magic Leap期望开展城市规划巨细的空间核算环境，让人们每天能够一同与实在国际和数字国际进行交互。
Magic Leap官网
数字仿制品
（Digital Twins）
数字仿制品指的是在虚拟国际仿制出一个实在国际存在的物品，并使其能够依照指令举动。视觉体积 （Volumetric Fields of Vision） 空间核算不像传统只捕捉2D维度，一同还捕捉深度、体积等多维数据。
动态光场
（Dynamic Light fields）
光场能够丈量在各个方向上活动的光。关于传统的核算机图形，一般能够经过拍照高清相片或依据数据构建模型来生成光场。在空间核算中，光场有必要是动态的。研讨人员正在研讨动态光场，该光场能够搜集光数据，然后以仿照人类视界视点将数字方针投射出来。
云空间核算
（Spatial Computing Clouds）
现在，空间核算体系仍然需求运用硬件。可是研讨人员期望在云中构建更多功用。在云中的多个用户和设备之间存储环境数据、过往试验和其他程序将有助于开展空间核算体系。
趋势十一：智能电子产品
智能电子产品包含智能手表、智能镜子、智能门铃等，能够在人们获取新闻和进行文娱等方面发挥重要作用。到现在，简直一切可穿戴设备都需求智能手机或核算机来查看和陈述数据、调整设置并存档信息。但这将跟着智能手机逐步淡出视界而改动。
智能摄像头新闻网络
（Smart Camera News Networks）
亚马逊的Ring智能门铃体系包含一个名为Neighbors的软件，该软件运用户能够发布他们录制的视频，并鼓舞他们发布社区内可疑活动、违法和其他问题的视频和相片。
到2019年8月，美国各地共有225个差人部分能够向Ring Doorbell的用户讨取视频录像。即使不是Ring的用户也能够免费下载该运用并查看发布的视频。该运用程序答应上传者编排并给视频注释，新闻媒体就能够用这些有关偷盗、火灾和其他作业的视频来弥补新闻。可是该运用也会导致一些问题。例如种族歧视，成心给别人的相片贴错标签，陈述“可疑”活动而没有任何实在依据。
Neighbors App
智能ER眼镜
（Smart ER Glasses）
2019年7月，Magic Leap从其独立创造者方案中挑选并发行了第一款包含国际上最闻名的景色的3D拼图游戏。空间核算体系和ER眼镜能够将光线直接投射到用户的眼睛中，使数字方针看起来像存在于实际国际中。尽管Magic Leap的眼镜没有面向群众出售，但其开发者途径和企业协作伙伴生态体系都在快速开展。
微软最近展现了一款令人形象深入的实时运用程序。原本以英语讲演的女性被从头制造成传神的全息图画，用日语表述了相同的讲演。
入耳式电子设备
（Hearables / Earables）
入耳式电子设备充当了咱们的私家助理，并在播映音乐的搭档为咱们实时翻译对话。Apple的第二代AirPods能够与Siri兼容，而三星的Galaxy Buds能够经过其Bixby帮手供给语音帮忙。
Jabra的Elite Sport耳塞可供给实时健身辅导、心率感应和VO2 Max测验，而且兼具防汗和防水功用。Soul Electronics的Run Free Bio Pro耳塞可捕获许多跑步节奏、步态对称性和心率等数据。
智能手表、戒指和手镯
（Smart Watches, Rings and Bracelets）
Motiv戒指是一种健身盯梢器，能够监督步数、心率和其他活动，也能够呼应手势。用户能够对其进行编程，使其主动登录Amazon、Google和Facebook帐户，无需说话即可操控Alexa。Oura戒指能够搜集生物数据为运用者供给优化睡觉和留意力的主张。PayPal的戒指只需在NFC终端上挥手即可付款。
2018年12月，FCC同意了对雷达盯梢微动芯片的测验。Soli芯片等能够嵌入到眼镜、戒指、手镯中随时监控用户数据。
Motiv Ring 官网
神经技能
（Neurotechnologies）
比方Siri、Alexa和Google Assistant之类的语音接口正在变得越来越杂乱，可是研讨人员现已开端设想将人类和哺乳动物直接与核算机相连。人们能够经过这些人机界面用思维进行沟通，为中风和瘫痪患者供给了新的挑选。
明尼苏达大学和卡内基梅隆大学的生物医学科学家研讨出了一种传感器界面，该界面答应患者运用头上的脑波传感器在屏幕上移动光标并操控机械臂。
数字成瘾
（Digital Addiction）
关于数字产品而言，培育人们运用数字产品的习气至关重要。越来越多的研讨发现这些习气或许会对心理健康发作负面影响。
人们经过33种关于人们阅览方法的研讨发现，与屏幕阅览比较，从纸上阅览时阅览者体现愈加高效。一些新产品旨在找到一种处理数字成瘾的技能处理方案，但现在怎么长时间缓解这种症状没有清楚。
趋势十二：区块链
区块链
（Blockchain Technologies）
一种在分布式分类账上贮存和同享信息的新技能，上面一切的买卖以及身份信息都遭到维护。
加密钱银
（Cryptocurrencies）
区块链技能在2017年来到拐点。它除了从边缘化的数字钱银开展到了比特币之外，还逐步成为群众焦点，是一种同享和存储信息的新方法。尽管该技能仍在开展，但其广泛的运用或许会影响一系列职业。
Facebook在2019年夏日发布了Libra——一个由28个成员安排组成的财团支撑运用的区块链数字钱银，包含付出，电信，金融科技和危险出资职业等。现在停止区块链技能没有进入干流，跟着2020年技能老练，区块链技能将遭到持续重视。
Facebook发布了加密钱银Libra
自我主权身份
（Self-Sovereign Identity）
身份办理体系现已从政府颁布身份证逐步开展到电子邮件账户和交际媒体帐户。每个人均匀具有27至130个在线帐户。像Google、Yahoo和Facebook这样的公司现已树立了代表用户办理许多数据的事务模型。但在2019年就发作了15起特大数据走漏作业，影响了政府、医疗保健、金融和技能范畴的20亿个账户，触及Facebook、CapitalOne、新加坡卫生部和保加利亚税务局等安排。
区块链和分布式分类账技能引进了新的身份办理方法：自我主权身份。自主权身份具有跨运用、设备和途径的相互操作性和可移植性。自主权身份具有两个首要长处：安全性和操控力。
关于媒体公司而言，自我主权身份将触及付费、身份验证、版税以及数字广告等范畴。
智能版权和自由职业者的收入
（Tokens For Smart Royalties and Freelancers）
以太坊等区块链网络经过运用智能合约供给了盯梢内容一切权和答应的新方法。智能合约是一种自我履行的协议，协议的条款直接写入代码中。例如每次播映歌曲时，金钱会主动从听众处扣除并流向艺术家们。运用区块链技能能够更好维护版权。
去中心化内容途径
（centralized Content Platforms）
未来将会呈现为创造者供给最大一切权和奖赏的途径。在这个途径中，创造者将取得大部分收入，而不是将大部分收入供给给分发途径。一同，创造者还将保存更多的一切权并与观众进行直接互动。
区块链和分布式分类帐正在改动内容办理和消费方法的鼓励结构，用投票的方法支撑内容以沟通酬劳。这将影响许多职业，从在线游戏到时髦到零售，从旅游业到轿车制造商，乃至包含2020年从事政治运动的职业。
区块链去中心化与版权维护
可溯源与永久存档
（Content Provenance and Permanent Archiving）
区块链技能能够创立同享的永久性分类帐，其间任何内容都无法删去。因而，将原始内容或索引添加到区块链是记者永久保存其内容而且可进行追溯的一种方法。
趋势十三：安全与隐私
文娱、媒体和技能公司将在整个2020年持续面临新的安全和隐私应战。现在比以往任何时分都更重要的是，每个安排都有必要采纳活跃办法来维护用户和公司数据，定时履行浸透测验以辨认缝隙，定时更新暗码。每个安排都应该为最坏的状况做好危机方案。
偷听
（Right To Eavesdrop/ Be Eavesdropped On）
跟着越来越多的手机、移动设备、智能软件衔接到物联网，这些设备之间以及与制造它们的公司之间的互动将不断扩展。咱们的设备不再仅仅相互沟通，而是企图了解咱们并议论咱们。
新闻和文娱公司需求确认在沟通顾客数据时，这些设备是否违背了品德原则。智能设备之间沟通数据的时分咱们无法保证它们是否在必定程度上逾越品德底线、私自获取咱们的信息。
智能语音帮手被曝出“偷听”用户
加密音讯网络
（Encrypted Messaging Networks）
在曩昔的一年中，记者运用的是比方Keybase和Signal之类的封闭式加密音讯网络。可是，许多新闻安排仍然没有关于怎么运用这些网络的原则。为了对有关全球规划内交际媒体黑客侵略和政府赞助的监督程序做出回应，专用网络将在2020年持续盛行。
网络霸凌者
（Media Trolls）
指网络空间特有的垃圾邮件、仇视言辞、荡妇侮辱等行为。Twitter、Facebook和Instagram都更新了社区标准以约束仇视言辞。Reddit制止r / Incels之类的集体违背该网站的社区标准（尽管在该网站的其余部分上仍有许多可怕的内容）。
实在性
（Authenticity）
网络空间何为实在现已很难判定。Facebook已与Poynter Institute国际实际查看网协作，以冲击其途径上的虚伪新闻。可是，这种协作联系自身很难监控，也进一步说清楚Facebook对数字媒体的主导影响力。媒体的实在性已从假新闻从扩展到假视频。Deepfake是一种核算机生成的面部交换视频，最早起源于Redditin，在封闭之前堆集了逾越80,000的订户。
Deepfake制造的假视频
信息主权
（Data Ownership）
信息主权不只包含IP和版权，在智能设备流行的今日，还包含了个人行为、健康数据和网络活动等。比方上传到Facebook的相片和在YouTube上投稿的视频。
写在终究
咱们或许会感觉到技能更新迭代的速度怠慢，但无可否认的是，咱们正逐步跨入一个以人工智能为干流的技能新年代。在这个新年代里，咱们仍然面临着严峻的检测：验证新闻真伪仍然扎手，而各类造假运用却变得愈加荫蔽了；在组成媒体的新国际中机器写作尽管解放了人力，却带来了更严峻的算法标准问题；数字订阅失灵，受众丢失困扰着一切传统媒体和新媒体。怎么在这拥堵的商场里攫取受众有限的留意力将在未来几年里仍然萦绕在每一个媒体人的心上。
可是，面临这不确认的未来，一切人都没有抛弃。欧盟经过的《通用数据维护法令》得到了全国际的认可，各个国家也都在推动与网络和数据安全相关的立法规则；算法写作曾被以为会替代记者，现在则帮忙媒体发掘出更多更深的故事；区块链技能曾遭受开展低谷，却依旧是维护媒体版权和可溯源永久保存数据的首要挑选。
技能向前开展是无法反转的趋势。可是不管这个国际怎么变化莫测，运用技能改进人类日子的初心从未曾改动。
