虽然人工智能在越来越多的领域取得了越来越大的成功，但它仍然主要作为一种工具来执行狭隘的任务，或者作为一种简单的自动化形式，而不是与人类用户建立关系的支持伙伴。它很大程度上依赖于精心策划或注释的数据，大多是历史数据，而且只能非常间接地从人类用户那里学习。人工智能在某些情况下具有非凡的预测能力，但却无法具备人类从婴儿时期就具备的适应能力。它只是（还）不能像人类那样根据从未遇到过的数据进行推断。此外，对更高精确度的需求导致了越来越大和复杂的模型、计算密集型训练和工程挑战，这些挑战阻碍了我们在基于人工智能的解决方案中寻求的可信度、可移植性和可扩展性。

　　实现我们的人工智能目标需要改变当前的数据范式；是时候将人类置于AI培训过程的中心了。您不必相信我们的话：从设计到部署将人力和AI资源混合的好处在其他独立研究中得到了呼应，例如麻省理工学院斯隆2020年人工智能全球高管研究和研究项目的发现，以及由此产生的结果在德勤洞察中，协作甚至被称为“超级团队”。

　　与标准的AI方法相比，设计、培训和部署混合人类用户和AI代理的解决方案提供了新的成功途径。模仿学习、课程学习和其他较新的技术已经展示了通过利用人类的专业知识、反馈和指导来训练人工智能的其他方法。与其将我们自己局限于一种方法，不如我们可以拥有一切，并将所有这些不同的方法结合在一起，与人类一起构建新的智能系统，而不再局限于任何特定的方法、模型或算法。考虑到人类和人工智能各自的优势和劣势，这种人与人工智能的伙伴关系将产生的不仅仅是其各部分的总和，利用互补的能力来实现仅靠一个或另一个不可能或很难实现的结果。然而，为了让人工智能代理与人类尽可能紧密地协同工作，具体的方法、途径和技术是有必要的。值得注意的是，它要求体系结构设计自然有利于多代理、多人、技术不可知的分布式方法，在研究、原型和操作之间快速、无摩擦地反复迭代。
  　 对于确保产品安全高效地从一个地点转移到另一个地点来说，跟踪高价值资产是至关重要的。远程和低功耗物联网技术是最佳的解决方案，因为与其他连接选项相比，它易于部署和负担得起。一些平台包括一个模块化和可配置的芯片组，可以在室外和室内活动之间无缝转换，取代了为室内和室外使用构建不同跟踪器的需要