科技明星人物斯蒂芬·霍金斯、埃隆·马斯克和比尔·盖茨警告公众关注人工智能(AI)。面向高新技术公有制和AI专家并不同意，但是，根据最近的研究报告，“推特AI: AI- tweeters (AIT)对AI- tweeters专家(EAIT)的看法，”（PDF）的研究人员在计算，信息和决策系统工程学院在亚利桑那州立大学出版。
一位来自这项工作的见解，从微博中提取分析：
“共现模式告诉我们，AIT是对未来的幻想一般而EAIT接地和现实的。”
研究人员使用的统计分析，情感分析和机器学习学习这种洞察力和总结与下面的结论的研究。
相比一般的鸣叫1.关于AI鸣叫是总体比较积极。尽管Twitter的整体负面情绪，总体230万个微博分析了AI是大幅度阳性。研究人员发现，从Twitter的这个样本的65％的乐观情绪流水相比，在2011年协会微软和康奈尔大学研究美国计算机研究论文报道了负的总负Twitter的情绪。
2.人工智能专家发布的推文比一般的人工智能推文更负面，这些推文没有数据支持一个普遍的民间传说，即与基于证据的观点相比，科技迷的观点是毫无根据的乐观。专家发布的推文更多地基于证据，超过50%的内容是关于人工智能的影响和该领域的研究方向。
3.鸣叫发表专家比张贴由通用AI高音喇叭鸣叫低扩散。一般的AI高音平均2个锐推和接近0的专家。
4.一般AI高音单元在地理上与伦敦（6.3％），纽约（4％），巴黎（2.9％）和旧金山（2.5％）分布。Experts, to no one’s surprise, follow the money and are concentrated in San Francisco (10 percent) and Seattle (6.6 percdent), which reflects the long-term investment in AI by Google and Facebook in the San Francisco area and Microsoft in the Seattle area. A chart of the locations of both groups is included below.
亚利桑那州立大学。Manikonda，L。;达力，C .;和Kambhampati。2017年。
这项研究相当于的意见哈佛商业评论研究基于对个人和a的调查1986年至2016年，斯坦福大学和微软对《纽约时报》人工智能相关报道进行了纵向研究（PDF），其揭示的讨论已经大幅乐观从2009年开始增加。
如何进行的啁啾AI研究
研究人员首先从Twitter上抓取并提取了200万条带有#ai和#artificial - intelligence标签的推文，以建立一个更大的同时出现的标签列表。人工智能、人工智能、机器学习、大数据和最常使用推特的前四个标签提取了230万条推特信息作为研究数据集。
IBM根据活跃在Twitter上、经常在会议上发言、从事人工智能研究和开发有趣相关产品的企业家的思想领袖，编制了一份最具影响力的人工智能专家名单。IBM还采访了一些专家，以完成下面Twitter上最有影响力的人工智能专家的名单。
- 弥敦道Benaich
- 乔安娜·布赖森
- 亚历克斯Champandard
- Soumith Chintala
- 亚当·科茨
- 该CyberCode双胞胎
- Jana艾格斯
- 奥伦·奥尼
- 马丁·福特
- 亚当Geitgey
- 约翰·黑文斯
- J.J. Kardwell
- 大卫·肯尼
- 刘泰莎
- 当归林博士
- Staya Mallick
- 加里·马库斯
- 克里斯·梅西纳
- Elon Musk
- 安迪·帕多博士
- 亚历克·雷德福
- Delip饶
- 罗马Yampolskiy博士
- 吉迪恩布拉特
- 亚当·卢瑟福
- 马特SCHLICHT
- 莫里沙
- 阿米尔细罢特月
- 休息Sidhu
- Adelyn周
使用的用户配置文件的基于机器学习的单字组分析型材人工智能高音扬声器（AIT）和专家人工智能高音扬声器（EAIT）被归类的职业。
亚利桑那州立大学。Manikonda，L。;达力，C .;和Kambhampati。2017年。
使用机器学习统计模型对每个用户的前100条tweet进行分类，以发现每个组内兴趣的相似性。AIT用户的兴趣被归类为
自动识别用户的利益
科学和技术
个人身份和意见
一般新闻
非英语微博
每日更新
EAIT用户的利益被归类为：
自动识别用户的利益
上升的AI
AI订阅和研究
从行业AI新闻
营销与人工智能
关于AI的观点
乐观的定义是被希望和悲观定义为倾向于看到或相信最坏会发生。使用经过验证的识别语言的使用情绪流行的心理语言工具确定在230万个鸣叫的话的感悟。
所谓Word2Vec2机器学习模型进行训练，以了解通过在鸣叫的话代表进行分类的积极和消极情绪的鸣叫的语料共现概念的语言环境。
这个故事概括了两个要点，一个是关于机器学习的，另一个是关于Twitter的。研究表明，机器学习在从人们的大量交流中理解情感方面所做的工作，与人类和不那么详细的分析评分方法曾经所做的一样。推特的解释需要理解，一般来说，情绪是负面的，但是像AIT这样幻想未来的群体可以扭曲意见，在推特被相信之前，应该谨慎行事。