（ c ）
在扑克，围棋，国际象棋和DotA中击败人的最好的神经网络有一个共同点-它们可以预测不久的将来。
机器预测行为的能力可能远远超过人类的能力。 在概率不同的情况下，算法比受情感影响的人更好。
神经网络可以预测什么？ 摆在我们面前的是无穷无尽的领域：交换，犯罪，天气，健康，交通-在任何地方计算前进几步的能力将很有用。 如今，某些算法已优于人类专家。 明天的神经质的曙光将不会留下任何“未知之雾”的痕迹。
DeepMind的研究人员发表了一篇科学论文，提出了一种加强神经网络的新方法。 事实证明，如果在自我学习过程中，神经网络开始“ 幻想 ”未来的各种选择，那么它的学习速度就会更快。 神经网络的“幻想”是，根据最近的三个已知帧，神经网络应该预测它将在第四个未知时间间隔内收到的奖励。 人工智能会运用自己的记忆力，并应用新的策略，就像在想象中一样。
系统越有效，它们做出的预测就越好。 现在，我们不仅可以预测天气（短期内）。 我们甚至可以“看到”城市不同地区的宏观经济形势的未来，测量水，电，交通的消耗（公共交通工具中有多少乘客，我们的汽车中有多少），资源消耗的增加/减少。
已经很难想象一个没有预言就可以做到的领域。 如果算法能够选择正确的行为策略，那么放弃它们是否值得？
道路行为
麻省理工学院的研究人员已经建立了可以预测大量现实事件的系统。 最初，该程序接受了200万个在线视频的培训。 该程序分析了每个视频，并对图中的所有对象和动作进行了分类。
然后，神经网络显示出静态图像。 反过来，该程序生成了1.5秒的视频片段，展示了不久的将来的愿景。
显然，这样的解决方案不仅可以用于创建GIF。 从原则上讲，算法使“展望”复杂系统的未来成为可能，它将在分析道路上不断变化的情况的自动驾驶汽车中找到应用。
计算机将能够了解到它看到了不寻常的东西-例如，一只动物跑上了道路。 即使汽车从未遇到过这种情况，它也会“了解”正在发生的奇怪事件-您应该停车或将控制权交给驾驶员。
人体健康
（ c ）
斯坦福大学的科学家开发了一种人工智能系统，该系统可以预测一年内重病患者的死亡可能性，准确率达到90％。
研究人员分析了16万名患者的记录，以收集有关过去诊断，规定程序和医生所作预测的数据。
处理完数据集后，会编译用于深度学习神经网络的算法。 然后，网格预测了40,000名患者在3到12个月内的全因死亡率。
一年后，研究人员总结出：在90％的情况下，神经网络都能正确预测患者的病情（无论他是在等待死亡还是在康复）。 该指标甚至超过了甚至一些医学专家的能力。
Teraflu品牌已经开发出一种系统 ，可以预测包括俄罗斯在内的多个国家中感冒的可能性。 该系统每天都会分析社交网络中的帖子，搜索引擎中的查询，“ 流感研究所 ”的数据，以及药房对防治感冒症状所需资金的需求数据。 结果是特定区域的“卡他性危险”图，并预测了几天。 但是，这样的平台找到了更有价值的应用程序：在虚拟新加坡系统中， 您现在可以实时查看和分析该国的生活，并预测例如危险感染的扩散或大量人对购物中心爆炸的反应。
Microsoft和Adaptive Biotechnologies 计划创建一个基于血液测试的系统，该系统将能够在早期阶段检测疾病。 通过分析数万亿个T淋巴细胞受体的遗传密码，该系统甚至可以识别无症状阶段人体所遇到的疾病。 假设该测试将能够一次检测多种疾病，包括通常在很晚阶段就被诊断出的疾病。
俄罗斯科学院分子生物学研究所，俄罗斯老年医学科学与临床中心，莫斯科物理技术学院和其他研究中心的一个研究小组提出了一种基于人体颈动脉超声和眼压计的预测生物年龄（与护照不同）的方法。 通过机器学习，获得了一个复杂的公式，该公式可以预测健康人的年龄，男性的准确度为6.9岁，女性的准确度为5.9岁，与其他已知方法相比，这是一个非常高的指标。
丹麦科学家开发了Corti Signal神经网络，该网络跟踪音频消息以诊断心脏病。 首先，该系统应帮助召唤救护车的人。 操作员并不总是能够在电线的另一端检测到人的心脏病发作（应对73％的情况），但是神经网络以95％的精度解决了这个问题！ AI不仅会听对话，还会收集非语言信号，例如呼吸模式。
显然，在将来，基于神经网络（和其他方法）的系统将可以更早地预测疾病，在某些情况下，甚至是疾病本身发作几十年之前。
聪明的事情知道他们会发生什么
想象一下，即使在事故发生之前，建筑物可以说，例如，供暖即将失效。 一些公司使用机器学习来做到这一点。 此过程称为预测性维护。
CGnal总部位于意大利米兰，最近分析了一家意大利医院供暖和通风系统的年度数据 。 从传感器获得有关温度，湿度和用电量的数据。 对样本进行了六个月的算法训练，然后研究人员根据下半年的数据对其进行了检查。 该系统预测了124个实际故障中的76个，包括44个故障中的41个，仪器的温度升至可接受水平以上。
其他公司也使用类似的方法来处理数据。 芬兰初创公司Leanheat放置了一个无线温度，湿度和压力传感器，用于远程加热控制和设备健康监测。 Leanheat模型不仅考虑外部温度来调节供暖， 还考虑了天气变化：温度从10度降至零或从-10度升高。
在美国， Augury通过在机器上安装声学传感器来侦听可听的变化并识别潜在的即将发生的故障， 从而开发了Shazam for Machines。 但是，该小工具可以与不同的设备一起使用：客户可以将传感器连接到商用冰箱或工业加热器。 Augury小工具会记录振动和超声波，然后将其上传到云服务，在该服务中对数据进行分析以预测受控机器的性能。
分析和存储音频和数据，以便可以将一个客户端设备的声音与所有其他客户端设备的声音进行比较。 这个想法是，Augury不需要为每种类型的设备配置软件。 取而代之的是，您可以简单地安装传感器并聆听设备，以了解其正常工作时的声音。 随着时间的流逝，声音数据库将让您知道哪种声音先于特定类型的故障。
天气预报
天气预报仍然是科学的挑战。 为此，我们已经掌握了使用卷积神经网络的诀窍，但是进展并没有停滞。 截至2016年11月，在全球功能最强大的计算系统500强中，有23台超级计算机用于天气预报。
ClimaCell 使用与神经网络和超复杂算法无关的方法：无线通信网络充当天气预报传感器-所有这些都是在临近预报概念的框架内完成的，该预报框架是在观察期后的0-6小时内对天气现象进行超短期预报。
ClimaCell结合了来自无线网络，卫星，天气雷达和其他传感器的多个级别的数据，以创建高清地图。 该公司使用来自多家电信公司的大约5,000个电台的数据，创建了非常准确和可靠的天气图。
危险算法
不是那个指南针 ，而是意思接近
各种犯罪预测系统已经在美国测试了几年。 这种类型的第一批系统之一-COMPAS-于1998年创建。 COMPAS分析了137名被定罪的人的传记参数，包括先前犯罪的严重程度，教育程度和收入水平，婚姻状况和成瘾情况。 该程序还考虑了心理测试的结果，包括气质，风险偏好，自恋程度和内感。 基于这些数据，COMPAS预测了未来两年内犯罪复发的可能性。
但是，在达特茅斯学院，他们进行了详尽的COMPAS研究，并得出结论 ，该算法实际上并不比任何普通人都更准确。 该程序能够识别出65％的重复犯案者。 没有特殊教育和经验的人在67％的案件中完成了这项任务，他们只知道被告犯罪的年龄，性别和历史。 而且，事实证明，仅保留两个参数即可提高COMPAS的准确性：一个人的年龄和以前的定罪信息。
算法可以比人类更有效地做出决策和做出预测。 人们会考虑非必要因素，而忽略真正重要的因素，屈服于情绪，并允许自己根据内部的“直觉”，直觉或根本没有逻辑地做出决定。
但是，这并不意味着我们应该完全信任机器，因为它们也不具有100％的准确性。