技术|AI产业化时代,行业需要一套怎样的创新底座( 二 )


随着物联网、智慧城市等概念的发展 , 在数字化背景下 , 这些长尾需求逐渐开始浮出水面 , 对人工智能的需求也越来越多——比如 , 在消防等公共安全领域 , 和共享单车停放等城市管理方面 , 人工智能虽然已经开始得到应用 , 不过 , 这些应用只解决了城市智慧化升级闭环的一部分 , 依然存在大量场景需要人力去做管理 。 同时 , 这些需求分散而小众 , 即便AI能够帮助人们完成其中一个需求或一个环节 , 但也成本高昂 , 那么这些AI对于提高整体效率的作用就十分有限 。
因此 , 这需要AI能够尽可能地打通更多场景环节 , 而在深入各个业务链条、提高整体系统能力方面 , 人工智能 , 特别是其算法还有很大的提升空间 , 其中很重要的一点就体现在算法的生产关系层面 。
伴随整个AI产业上下游应用需求的爆发 , 让AI应用半径不断增长的同时 , 也将单一AI技术已难以覆盖全部应用需求的现状及问题暴露出来——可以说由于AI技术无论是在技术层面还是成本层面的研发难度都很大 , 单一AI企业也难以同时对各种长尾需求进行研发 , 在这种背景下 , 这要求AI算法的生产关系必须发生改变 , 否则将难以满足这些产业的需求 。 具体来讲 , 这种变化就是由应用者根据自身需求自行进行算法的生产 。
不过 , 在这个过程当中 , 如果由应用者自己开发 , 这就出现了另一个问题 , 那就是技术共识上的变化 , 也同时意味着单个企业需要不断加大研发投入 , 这对很多中小公司来讲有点难度——超大规模预训练模式是当前AI研发的热门 , 通过一个足够大的通用模型去做小的模型尽管可以极大地降低研发成本 , 然而 , 在以往的AI研究活动中 , 人们更倾向于提升模型精度 , 对于大规模参数的通用模型 , 特别是超大规模与训练模型 , 业界往往报以怀疑的态度 , 并提出过不少质疑 。 如这种模型的建立需要大量数据和算法支持以及算力成本 , 单纯一家企业是否有这样的研发能力就被很多人质疑 。
GPT-3等模型的出现 , 打破了以往提升模型精度的主流思路 , 让大家看到超大规模与训练模型的可能性 , 扭转了人们的看法 。 资料显示 , 早在 , 2020年7月 , OpenAI发布的具有1750亿参数量的GPT-3模型具备着通用性以及零样本泛化的能力 , 2021年1月 , Google还发布了自然语言模型Switch Transformer , 参数量更是达到万亿规模 。 一旦这种量级的模型进入到应用层面 , 那这就意味着算法将会变成一种公共基础设施 , 其他企业不需要自己做这方面的投入就可以实现数字化转型 , 从而带动整个产业升级 。
只是 , 面对参数量为亿万规模的产业 , 又一个阻碍AI技术发展的影响因素出现了 , 这就是“算力”——过去历史说明 , 每年最新的网络、最好的技术对于算力的需求 , 几乎呈数量级地增长 。 其中 , AI对算力的需求增长更是无穷无尽 , 如此 , 如果要实现产业升级 , 算力方面也需要同步跟进 , 否则很难实现产业的全面升级 。
最后 , 除了技术共识、算力之外 , 作为人工智能水平衡量的一个重要指标 , 识别度与精确度如何提升也同样浮出水面 , 毕竟传统通用计算的计算模式不仅成本高 , 而且这种算力增长也已经无法满足当前AI发展对算力的需求 , 因此计算模式的调整也是当前AI产业的一个主要变化方向 。
不同于传统技术 , 人工智能是一个非常依赖产学研的领域 , 最主要的表现之一 , 就是人工智能的迭代速度非常快 , 每年算法精度都会提升一个量级 , 各高校研究所几个月的时间里就会有大量重磅论文发表 , AI产业对人工智能的创新成果也是远超各种传统行业 。

特别声明:本站内容均来自网友提供或互联网,仅供参考,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。