谷歌的多任务统一模型（MUM）是多模态人工智能的另一个例子。它承诺通过从 75 种不同语言中挖掘出的上下文信息对用户搜索结果进行优先排序，从而提高用户的搜索体验。MUM 使用 T5 文本到文本框架，比 BERT 中流行的基于变换器的自然语言处理模型要强大 1000 倍。
　　英伟达的 GauGAN2 模型则将根据简单的文本输入生成照片般逼真的图像。它在一个单一的模型中结合了分割映射、内画和文本到图像的生成，使其成为一个强大的多模态工具，可以用文字和图画的混合来创造逼真的艺术。
　　在不远的未来我们就可以见到计算机视觉、语言以及语音模型的融合，这使得人工智能更丰富，更自然逼真。
　　趋势 3：简化和精简 MLOps
　　机器学习操作（MLOps），是一个将机器学习投入到工业生产中的实践，是机器学习和 DevOPs 在软件领域交叉的产物，所以它在许多方面与 2012 年的 DevOps 相似。在 2012 年 DevOps 上线的时候，许多企业就意识到了它的价值，但是他们在实施 DevOps 的时候很困难，工具链非常复杂，生态系统也不够完善。而 MLOps 相比来说更加复杂，它的软件包包括安装、配置训练、推理基础设施、配置特征存储、配置模型注册表、监控模型的衰减以及检测模型漂移等所有的相关内容。其庞大的软件包也导致 MLOps 的部署比 DevOps 还困难。
　　MLOps 是被纳入基于云计算的 ML 平台的概念之一，平台包括如网络服务的 Amazon SageMaker, Azure ML,   以及谷歌的 Vertex AI。然而，它所拥有的这些能力却不能用于混合和边缘计算这两个环境。因此，监测边缘计算的环境模型被证明是企业要面临的一个重大挑战。在处理计算机视觉系统和交互式人工智能系统时，创建一个为其服务的监测边缘计算的模型就变得更加具有挑战性。
　　随着 Kubeflow 和 MLflow 等开源项目的逐渐成熟，MLOps 其实已经很容易就能获取到。在未来几年我们或许可以看到一个精简和简化的 MLOps 方法横跨云领域和边缘计算环境。
　　趋势 4：AI 驱动的开发者生产力
　　在未来，人工智能几乎会影响到 IT 行业的每个方面，包括编程和开发。在过去的几年里，我们已经看到了诸如亚马逊代码大师这样的工具，该产品会在开发者编程时，为其提供智能建议，以提高代码质量，并识别出应用程序中最重要的代码行。就在最近，Github Copilot 作为一个 " 人工智能配对程序员 " 首次亮相，协助开发人员编写高效的代码。而 Salesforce 的研究团队也推出了 CodeT5，这是一个开源项目，将帮助 Apex 开发人员进行由人工智能驱动的编码。Tabnine，即以前的 Codata，将智能代码完全带到了主流开发环境。Ponicode 也是一个 AI 驱动的工具，可以提供函数创建、可视化和运行单元测试的快捷方式。