当今的人工智能对人和众包的依赖程度远超乎人们的想象。大量隐藏的集体劳动为人工智能，尤其是机器学习的最新进展做出了贡献。机器学习的监督方法依赖大量标记数据集作为训练材料。无论这些活动是通过Amazon Mechanical Turk和FigureEight等众包平台获得报酬，还是通过使用reCAPTCHA等工具通过互联网流量获得报酬，它们往往都是人工智能成功背后不为人知的故事。反过来说，许多众包标记集体智慧计划自然而然地发现自己拥有大量数据集，这些数据集是适合用作人工智能工具的训练材料。但这只是人工智能与众包之间可能存在的众多互动类型之一。
AI 如何赋能 CI
在肯尼亚和乌干达，超过 100 万农民是 WeFarm 平台的会员，该平台允许小规模农民互相询问与农业相关的任何问题，然后在几分钟内收到来自世界各地其他农民的众包定制内容和想法。为了处理每天超过 40,000 个问题和答案，该网络使用基于机器学习的自然语言处理来将问题与网络内的响应者进行最佳匹配。
WeFarm 和此功能中的其他示例很好地说明了 AI 如何实现 CI。
最简单的集体智慧可以理解为人们在技术的帮助下共同 加拿大电话号码数据 努力调动更广泛的信息、想法和见解时产生的增强能力。在此基础上，基于 CI 的方法通过提高我们的能力，以四种方式提供新的方法和机会：
理解问题根据情况的动态产生背景化的见解、事实和信息。
寻求解决方案从其他地方寻找新方法或经过测试的解决方案。或者激励创新者创造解决问题的新方法。
决策和行动根据广泛人群和/或相关专家的协作意见做出决策，或根据这些意见做出决策。
学习和适应通过让公民参与生成数据来监控举措的实施，并分享知识以提高其他人的能力。
我们的集体智慧设计剧本更详细地探讨了这四类集体智慧中的更广泛的机会。
技术支持的 CI 解决方案面临的一个常见挑战是规模和理解网络中不同人员、想法、贡献和不同类型的数据。尤其是许多解决方案依赖于来自不同来源的多种数据贡献，例如结合卫星、气象站和公民生成的数据来更好地了解环境变化。虽然这主要是软件工程挑战，但一旦清理和组织了这些数据，它们就可以为当前“数据饥渴”的人工智能方法提供丰富的输入，例如自然语言处理、计算机视觉以及语音和音频处理。
这些方法的最新进展可以通过提高数据处理的效率和规模、对未来事件做出更准确的预测或识别数据集之间的新模式和关系，在增强 CI 方面发挥重要作用。CI和 AI 的结合有助于促进更及时的反应和决策，以及更细致地理解情况的复杂动态及其实时变化。下表总结了我们对 CI 挑战之间的映射以及如何使用 AI 来克服这些挑战的一些早期想法。