新冠疫情、经济增长放缓、竞争加剧等多重挑战下，企业加速应用人工智能进行智能化建设，但仍面临诸多挑战。2020年，人工智能被列入新基建的范畴，新基建为人工智能发展提供数据、算力和算法三个层面的基础设施支撑；同时，新基建将拓展人工智能的应用场景。

在经历了一段时期的野蛮生长之后，人工智能基础数据服务行业进入成长期，行业格局逐渐清晰。人工智能基础数据服务方的上游是数据生产和外包提供者，下游是AI算法研发单位，人工智能基础数据服务方通过数据处理能力和项目管理能力为其提供整体的数据资源服务，不过AI算法研发单位和AI中台也可提供一些数据处理工具，产业上下游普遍存在交叉。

​2016年以来，以机器学习（machine learming），尤其是深度学习（deep learning）为代表的新一代人工智能技术不断朝着更加先进、复杂、自主的方向发展，这给经济和社会发展带来了新的变革性机遇。Al应用迎来“物种大爆发”，日益渗透到各行各业和人类生活的方方面面，有望塑造新型的经济和社会形态。与此同时，科技伦理也日益成为了当前Al技术发展与产业应用中的“必选项”，各界纷纷探索Al伦理原则、框架、治理机制等。科技伦理的一个核心议题就是人工智能的透明度与可解释性（transparency and explainability）。2021年11月，联合国UNESCO通过的首个全球性的Al伦理协议《人工智能伦理建议书》（Recommendation on the ethics of artificial intelligence），提出的十大Al原则就包括“透明性与可解释性”，即算法的工作方式和算法训练数据应具有透明度和可理解性。

自动驾驶汽车在真正商业化应用前，需要经历大量的道路测试才能达到商用要求。采用路测来优化自动驾驶算法耗费的时间和成本太高，且开放道路测试仍受到法规限制，极端交通条件和场景复现困难，测试安全存在隐患。世界各国交通环境也大相径庭，形成全球通用的产业链体系比较困难。以上种种问题使得自动驾驶产业链的全球化发展和技术交流面临众多实际问题。因此，基于场景库的仿真测试是解决自动驾驶研发测试挑战的主要路线。自动驾驶仿真测试已经被行业广泛接受。

然而正如所有新技术一样，人脸识别也开始呈现出“双刃剑”效应，在提高社会效率、增加便利性的同时，在隐私、安全、公平等方面亦引发了诸多争议。一些企业因安全措施不到位导致用户的人脸、行踪轨迹等个人敏感信息泄露，更是有媒体曝出人脸信息买卖黑色产业链，5000多张人脸照片仅标价10元。

​ 如今，企业愈发关注算法预测，但是由于缺乏相关 能力和知识以及对于先进工具和技术的采用率较低，算法预测推广受 到限制。– 预算编制周期长于以往，并且目前存在一种观点， 认为详细度越高代表准确性越高。目前，自助报告得到广泛应用，但 在满足不断提高的响应能力和服务质量期望方面，财务部门依然任重 道远。在全球新冠疫情期间，计划、预算和预测流程备受关 注，因为各组织需要持续地针对不同情况制定计划。在疫情之前，流 程、模型和支持技术已经过时，因此，超过60%的受访者现在正计划 改变其组织的工作方式。

道路对于保证人员、货物和服务等的运输至关重要。为了产生最佳的社会经济效益，需要对现有道路进行适当的维护，然而，这通常会面临资金不足的问题。由于检测道路质量是劳动密集型和资本密集型的，因此有关信息通常很少，尤其是在资源有限的国家。因此，该研究考察了使用卫星图像和人工智能开发一种高效、成本效益高的方法来确定和预测道路状况的可行性。为此，本研究利用菲律宾的中分辨率卫星图像和现有道路粗糙度数据创建并验证了初步算法。经过分析，确定该算法的准确率高达75%，可用于不良道路的初步识别。这为编制道路质量数据提供了一种替代方案，尤其是对于传统方法难以实施的地区。尽管如此，还需要探索额外的技术增强，以进一步提高算法的预测精度并增强其鲁棒性。