|
近期几年，人工智能经历了爆火、发展、再到近期的热度逐步下降，似乎人工智能已然成为了大厂才可玩的游戏。
究其原由，便是人工智能的「门槛」越来越高了。
前不久，谷歌AI的表率名人Jeff Dean发布了一个新的工作，但在行业内却诱发了一阵不小的风波。究其原由，并不是工作本身有多么出色。这个科研只比最新结果提高了0.03%，但却花费了价值57000多美元的TPU算力，这一下就炸锅了。
非常多人说，此刻的AI科研已然变成为了拼算力、拼资源的表率，普通学者卷不动了。
还有非常多人有这般的疑惑：人工智能到底给咱们带来了那些改变？它除了下围棋之外还会做什么，它的将来还会怎样发展？
带着这些问题，咱们和冯霁博士进行了深入沟通。他是创新工场南京AI科研院的执行院长、倍漾量化创始人，在AI行业有着数年的科研经验。经过这次对谈，让咱们对AI将来的发展和落地有了新的认识。
下面的小视频提炼了对话的亮点，文案是针对对话的整理和采编，以飨读者，期盼大众亦能从中获益。
注：以下的“我”，指的都是冯霁博士。
1 人工智能创新，遇到天花板？
谷歌近期这个问题的确受到了挺多关注，我觉得有三个问题值得思考：
第1，大厂起始逐步地走向「暴力美学」，亦便是用「超大规模的数据」+「超大规模的算力」，暴力探索深度神经网络的天花板。不外，这种办法的边界和极限在哪？
第二，从学术和研究的方向，这种办法是不是是AI独一的出路？事实上，日前已然有海量科研在探索其他的技术路线，例如怎么样做到从感知智能往认知智能去做转变、怎么样利用比较小的数据量处理人工智能遇到的问题，等等。
第三，针对工业界的实质应用，是不是真的必须如此大的算力？工业界有海量任务是非语音图像文本关联的，这亦是在倒逼着学术界去做有些比较有效的算法。
2 人工智能算法，仅有深度神经网络？
90年代之前，「人工智能」的表率技术还是以「符号主义」为主，亦便是基于规律推理，去做Planning、Searching这般的技术。
2010年之后，迎来了人工智能的一次要紧的转变，那便是用神经网络技术去更好地暗示这些感知类的任务。然则，日前还有海量的人工智能的「圣杯」问题无得到处理，例如怎么样做规律推理、怎么样做常识、怎么样更好地对记忆进行建模等等。
为认识决这些问题，是不是用深度神经网络就够？这可能是日前学术界和工业界更关心的下一个要紧的方向。
3 人工智能的将来：感知 vs 认知？
所说的「感知人工智能」，其实便是近期几年人工智能成功落地的表率性例子，例如图像识别、语音转文字，以及有些文本生成的任务等。
但更要紧的是，怎么从这种感知类的任务，转向拥有认知能力的任务，尤其是怎么用人工智能的方式来实现规律推理、实现常识，从而真正实现通用人工智能？
针对这个问题，据我所知，学术界重点有三条技术路线。
第1，仍然沿着神经网络这条路，经过持续地堆数据和算力尝试处理问题。
第二，尝试导入符号主义的技术，亦便是连接主义+符号主义的结合。
第三，继续提高传统的规律推理技术，而这条路线亦是最难的。
4 数据：数字时代的石油怎么采？
数据针对人工智能工程来讲，要紧性已然越来越高了。工业界提出了一个新的概念，叫「以数据为中心」的研发模式。相比之下，之前叫做「以模型为中心」。
传统状况下，工程师更加多的时间会花在怎样搭建一个模型、怎样经过调参来让这个系统的性能更好。但现如今，大众80%的重视力都放在怎样让数据集变得更好、怎样让训练集变得更好、怎样让训练集更平衡，而后让这个模型在好的数据集上训练，并得到比较好的结果。
随着咱们对数据隐私需求的逐步增长，数据带来的有些负功效以及非技术需求亦越来越多了。例如当几家公司做联合建模的时候，出于对数据隐私的保护，数据不可够在公司之间分享。因此像联邦学习这般的技术，便是为了在守护数据隐私的前提下，实现联合建模。
此刻大众已然逐步地认识到，在详细的工业研发中每家公司不同样的地区便是她们的数据。此刻有了非常便利的软件开源框架，亦有了非常有效的硬件实现，工程师就都转而去关注数据了——这是一个Paradi
| 
发表于 2024-7-1 02:27:26
