2017年,Alpha Go一战成名,这一年也成为AI的一个重要转折点,因为人们看到了人工智能可以创造不可估量的商业价值。
Forrester数据显示,在2020年,企业在应用AI技术时面临的最大挑战还是技术不够成熟,但到了2021年这一挑战已经退居第十位。AI应用已经跨越技术不够成熟阶段,开始进入到规模化发展阶段。
现在像自然语言处理、机器学习、机器视觉等诉求在市场、资本上已经逐渐凸显,AI+其实早已渗透在人们生活的方方面面。
虽然AI+正如火如荼的推进中,但在AI落地上还是有一定的难点。在Forrester首席分析师穆飞看来,主要体现在AI工程化能力,因为开发少量AI模型并不难,开发、部署、监控成百上千个AI模型的工程化却难度较大。
AI的发展始终离不开数据、算法和算力这“三驾马车”,短短几年间AI技术实现了飞速的发展,都是源于三者循环增强的关系。数据和算法都离不开算力的支撑,数据的不断增加需要更强的算力处理数据,同时人工智能不断训练、应用又催生更多数据反过来对算力提出需求。
当然还有一个重要问题就是AI成本居高不下,在算力上,AI的性能变得更强,所需的算力也大幅攀升;在应用上,AI并非即插即用,它不会自己训练自己,也不可能自我修复,这些都需投入大量人力;在效率上,一个AI模型从研发到一个产品,经历周期复杂,流程分散且欠缺标准化,导致开发效率低。
数据清洗标注、算法量产、算力优化、生产过程标准化等等方面都是降低AI成本、提高效率、实现规模化的因素。
“企业提高使用AI的效率可以从更高效的数据准备(如feature store)、自动化建模以及ModelOps工具链入手。”Forrester首席分析师穆飞认为,企业需要一种科学的AI治理方式,可以借鉴ModelOps方法论,模型开发仅仅是第一步,应该持续监控并根据结果及时更新模型,形成流程化、标准化的闭环。
企业在衡量AI价值上也不能一味追求技术先进性,要更多落实到业务流程,通过业务价值来衡量。当AI广泛与决策系统联动时,也将变革企业的根本运营模式,超4000亿的中国市场规模也并非空想。
《数字化转型方略》2022年第9期:http://www.zhiding.cn/dxinsight/2209
好文章,需要你的鼓励
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
谷歌DeepMind开发的多智能体AI系统通过让多个AI代理相互协作、讨论和辩论来解决复杂问题。该系统在医疗领域表现出色,能够在两天内完成人类十年的研究成果,包括发现新的药物重新定位候选物和治疗方案。AI临床医生"Amy"不仅能生成更好的诊断方案,还表现出比人类医生更强的同理心。这项技术有望在十年内实现零边际成本的全球医疗服务普及。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。