可信AI是解决人工智能信任问题的关键。可信人工智能是落实人工智能治理的重要实践，深入到企业内部管理、研发、运营等环节，将相关抽象要求转化为实践所需的具体能力要求，从而提升社会对人工智能的信任程度。

AI工程化成为从学术向行业应用的核心环节。工程化让AI应用从小作坊的手工模式走向大工厂的流水线模式的核心支撑。对企业来说，AI工程化成为超越算法研发的更大瓶颈，人工智能工程化主要包括以下环节：完备易用的工具产品体系、高效协作的运维管理实践、全面可控的安全治理、凝聚共识的产业链支撑。

超大规模预训练模型在海量通用数据上进行预先学习和训练，能有效缓解AI领域通用数据的激增与专用数据匮乏的矛盾，具备通用智能的雏形。

预训练大模型普适性强，可满足垂直行业的共性需求。预训练大模型迁移性好，可满足典型产品的技术要求。大模型承上启下，深刻影响底层技术和上层应用的发展；向下驱动数据技术和计算架构能力的提升，支撑模型训练、部署和优化，向上支撑上层应用的服务转型。

此外，大模型多方向问题亟待解决，生态建设不容小觑。未来预训练大模型将重点解决应用、可信、跨学科合作、资源不平衡和开放共享等问题。

人脸识别需要合理应用以增进社会信任。社会各界对人脸识别的相关风险广泛关注，需要正确、合理的使用人脸识别，并找到安全、泄露隐私等风险，增强社会对人脸识别技术的应用和信任。

人工智能治理正在从伦理原则走向法律规制。人工智能治理的过程是各主体对人工智能研究、开发、生产和应用中出现的安全、发展、公平和争议等问题，通过运营法律、伦理、技术手段进行协调、处理、监管和规范的过程。目前，人工智能治理已逐步从伦理原则等软性约束，迈向全面具有可操作性的法律规制的新阶段。全球人工智能治理路径包括系统化规制和场景化立法规制同步探索。未来，人工智能规制和数据治理紧密结合将是重要趋势。

超级自动化加速企业、政务数字化转型。人工智能、云计算、大数据等技术与机器人流程自动化（RPA）技术的深度融合，是企业、政务等各类工作场景实现数字化转型的重点探索方向。人力成本上升，数字化升级需求增高，信息化、数字化、智能化形成联动态势，RPA技术充当起新兴技术落地应用的重要载体，超级自动化未来将成为工作常态

MLOps开始在大型企业部署实践。机器学习模型管理实践和标准流程，衔接模型的开发、部署和运维，涉及算法、业务及运维团队，旨在提升模型生命流程的开发、部署、运维效率，促进模型规模化落地应用。产业对开发、运维、权限管控、数据隐私、安全性和审计等企业级需求关注度极度提高。据统计，56%的企业在管理、安全和审计等方面存在困难。自2019年起，MLOps连续两年进入Gartner数据科学与机器学习技术成熟度曲线，并被视为AI工程化的重要内容。MLOps将与DevOps、DataOps协调联通、互相赋能。

知识计算解决产业对知识获取和应用需求问题。采用知识驱动+数据驱动的人工智能算法，为新一代人工智能提供解决方案，努力解决人工智能与行业知识结合、从感知智能到认知智能的产业需求。

多场景下的多模态交互成为提升应用性能的重点。以多模态融合技术为核心的感知、交互和智慧协同能力，不断支撑各类终端和应用的智能化水平提升。

人工智能与金融、医疗等行业深度融合走向深水区。金融和医疗等行业从政策保障、技术储备、生产应用、能力输出、安全合规等方面，全面布局人工智能应用。金融行业：智能化成为金融科技布局的重点方向，2020年银行信息科技投入达到2017亿元，同比增强超过25%。金融机构通过扩大科技团队、建设基础能力、提供基础应用、赋能已有场景、建立促进和保障机制，全方面进行AI体系建设。医疗行业：人工智能在疫情防控与复工复产中发挥重大作用，在新药研发、蛋白质结构预测等生物化学领域应用成果明显。