4.教育
在過去的十五年間，教育界見證了為數(shù)眾多的人工智能科技的進步。諸如 K-12 線上教育以及大學配套設(shè)備等等應用已經(jīng)被教育家和學習者們廣泛利用。盡管素質(zhì)教育還是需要人類教師的活躍參與，但人工智能在所有層面上都帶來了強化教育的希望，尤其是大規(guī)模定制化教育。如何找到通過人工智能技術(shù)來最優(yōu)化整合人類互動與面對面學習將是一個關(guān)鍵性的挑戰(zhàn)，這一點醫(yī)療行業(yè)也是如此。
機器人早已經(jīng)成為了廣為歡迎的教育設(shè)備，最早可以追溯到1980年MIT Media Lab 所研制出的Lego Mindstorms。智能輔導系統(tǒng)（ITS）也成為了針對科學、數(shù)學、語言學以及其他學科相匹配的學生互動導師。
自然語言處理，尤其是在與機器學習和眾包結(jié)合以后，有力推進了線上學習，并讓教師可以在擴大教室規(guī)模的同時還能做到解決個體學生的學習需求與風格。大型線上學習的系統(tǒng)所得的數(shù)據(jù)已經(jīng)為學習分析產(chǎn)生了迅速增長的動力。
但是，學院與大學采用人工智能技術(shù)的步伐依然很緩慢，主要是由于資金的缺乏，以及其可以幫助學生達成學習目標的有力證據(jù)。一個典型美國北部城市的未來五十年，智能導師與其他人工智能技術(shù)幫助教師在課堂或家中工作的規(guī)模很有可能會顯著擴大，因為意愿學習是基于虛擬現(xiàn)實的應用。但是計算機為基礎(chǔ)的學習系統(tǒng)將無法完全替代學校里的教師們。（教育機器人、智能輔導系統(tǒng)（ITS）與線上學習、學習分析、挑戰(zhàn)和機遇、更廣大的社會成果）
自廣大人民難以獲得教育的國家，如果這些群體有可以獲取在線教育的工具，那么在線資源將會產(chǎn)生重要的積極影響。在線教育資源的發(fā)展應該能讓支持國際教育項目的基金會可以通過提供工具和相對簡單的使用培訓來更輕松地提供素質(zhì)教育。比如說，針對iPad開發(fā)出了大量的、且大部分免費的教育應用。
在消極的一面，現(xiàn)在學生已有把自己的社會接觸限制在電子設(shè)備上的趨勢了，他們在網(wǎng)絡(luò)程序的互動上花費了大量時間，卻沒有進行社會接觸。如果教育也越來越多地通過網(wǎng)絡(luò)進行，那么在學生的社會發(fā)展階段缺乏與同齡人有規(guī)律的面對面接觸會帶來怎樣的影響呢？特定的技術(shù)已經(jīng)表明這會產(chǎn)生在神經(jīng)方面的影響。另一方面，自閉癥兒童已經(jīng)開始從與人工智能系統(tǒng)的互動中受益了。
5.低資源社區(qū)
人工智能存在許多機會去改善生活于一個典型北美城市的低資源社區(qū)中的人民生活狀況——事實上在某些情況下已經(jīng)有所改變。了解這些人工智能的直接貢獻也可能會激發(fā)對于發(fā)展中國家最為貧窮的地區(qū)的潛在貢獻。在人工智能的數(shù)據(jù)收集過程中并沒有對這個人群的顯著關(guān)注，而且傳統(tǒng)上人工智能資助者在缺乏商業(yè)應用的研究中表現(xiàn)得投資乏力。
有了有針對性的激勵和資金優(yōu)先次序，人工智能技術(shù)可以幫助解決低資源社區(qū)的需求。萌芽中的努力是有希望的。人工智能可能會有有助于對抗失業(yè)和其他社會問題帶來的恐懼，它或許會提供緩解措施和解決方案，特別是通過受影響的社區(qū)以與其建立信任的方式來實現(xiàn)。
6.公共安全與防護
城市已經(jīng)為公共安全和防護部署人工智能技術(shù)了。到2030年, 典型的北美城市將在很大程度上依賴它們。這些措施包括可以檢測到指向一個潛在犯罪的異常現(xiàn)象的監(jiān)控攝像機、無人機和預測警務應用。與大多數(shù)問題一樣，好處與風險并存。
獲得公眾信任是至關(guān)重要的。雖然會存在一些合理的擔心，即與人工智能合作的警務可能會在某些情況下變得霸道或是無處不在，而相反的情況也是可能的。人工智能可能使警務變得更有針對性并只在需要時被使用。而且假設(shè)經(jīng)過仔細的部署，人工智能也可能有助于消除一些人類決策中固有的偏見。
對于人工智能分析學更成功的一個應用是檢測白領(lǐng)犯罪，比如信用卡詐騙罪。網(wǎng)絡(luò)安全（包括垃圾郵件）是一個被廣泛關(guān)注的問題，而機器學習也對其有所影響。
人工智能工具也可能被證明有助于警察管理犯罪現(xiàn)場或是搜索和救援活動，它可以幫助指揮官排列任務的優(yōu)先次序以及分配資源，盡管這些工具還沒有為這些活動的自動化做好準備。在一般的機器學習尤其是在轉(zhuǎn)換學習中的改進——在新情境中基于與過去情況的相似性而加快學習——可能有利于這樣的系統(tǒng)。