人工智能陷入瓶颈,人工智能已到瓶颈

Bitget下载

注册下载Bitget下载,邀请好友,即有机会赢取 3,000 USDT

APP下载   官网注册

本篇文章给大家谈谈人工智能陷入瓶颈,以及人工智能已到瓶颈对应的知识点,文章可能有点长,但是希望大家可以阅读完,增长自己的知识,最重要的是希望对各位有所帮助,可以解决了您的问题,不要忘了收藏本站喔。

本文目录

  1. 人工智能在2050年会到达瓶颈吗?
  2. 现在的人工智能陷入瓶颈了吗?
  3. 人类的科技到达瓶颈了吗
  4. 人工智能面临大挑战,研究人员重新思考如何真正智能化?

人工智能在2050年会到达瓶颈吗?

人工智能到2050年会到达瓶颈吗?

这个问题就看你怎么去分析。2050年不过离现在也就是30多年,从以往高科技发展趋势来看,随着高科技的不断更新,科技含量越高的电子产品淘汰率越高,似乎每年约有百分之十的淘汰率,十年后,我们现在所用的一些高科技产品可能都会被淘汰,它们将会以新的面目出现在我们面前。也就是说,我们现在所认为的人工智能只不过是一个概念,十年之后的人工智能将以全新的面目出现在人们面前。我们现在所认为的所谓瓶颈,实际上是人类认识的新阶段,到那时,人工智能可能与现在的我们理解完全不一样,而是一个新型的、全新的人类助手。

到那时,人工智能的概念可能已经扩展到人类能够触及的领域,电子大脑会复制人类机体的所有信息密码,并协助人类破解生命的秘密,人类所认识的物质通过电子大脑进一步解密,人类由此发现了生命只不过是物质发展的一个阶段,人类的智慧、以及一切生物生命状态,不过是物质的固有属性通过生命显示出来,在我们认识的这个宇宙中,物质可能是通过不同方式提现生命状态的,地球生命只不过是其中的一个形态,我们人类也不过是物质生命发展趋势中一个阶段,在以后漫长的岁月中,人类自身可能会发生重大变化,人类自身对生命的意义的认识也会发生重大变化。

现在,我们从人类对基因工程认识和研究,以及对信息技术深度认识,不难看到,未来的人工智能可能让我们难以理解和想象。

现在的人工智能陷入瓶颈了吗?

目前,AI发展的瓶颈主要有以下三点:

1.对数据的极度贪婪和依赖;

2.运行机制和模型的不透明;

3.脆弱性,错误不可控。

这三点缺陷导致了想象中的AI与真实落地的AI之间形成了几重落差。

Gap1:(想象的)大数据VS(现实的)小数据、脏数据、假数据、违规数据、孤岛数据

在数据行业摸爬滚打多年、最近转行到AI创业公司的数据分析师“小J”颇有感悟:“这些年,媒体和各行各业言必称大数据,客户看到自己数据库存了多少TB甚至PB了,就以为自己有大数据;问客户某某数据有没有,客户满口说有。等实际入场后才发现,数据根本不可用,有些字段错得离谱,有些字段又太稀疏,等你做完清理后,剩下的数据可能跑个逻辑回归都够呛,根本没法上深度学习。

有些数据需要手工生成,质量也不可靠。有一次做浙江某轮胎厂的故障检测项目,故障样本是工厂每月被客户退回来的问题轮胎,几百上千个在露天的空场上堆成小山,落满了灰,只好雇人爬上去把灰擦一擦看清楚型号批次,再把信息和故障记下来。大热天的,又脏又累,后来就有人学会了偷懒,假造数据。

还有数据孤岛,比如A、B企业的数据维度都比较单一,但可以互补,需要放到一起才有价值,而A和B出于监管考虑又不能交换数据。一些大企业内部也有数据孤岛,实质是部门竞争、不愿配合,非要闹到大老板那儿去。即使老板拍板下来要打通,也有各种手段让你的效果大打折扣,脱敏、二次加工、延时等等。

数据来源有时打打擦边球也是公开的秘密了。在一些信息安全措施不那么严格的行业,找内部人员用硬盘拷数据是最经济有效的。几乎所有公司都在用爬虫,前不久有公司刚被抓,爬简历上的个人隐私牟利,算是行业反面教材了。”

Gap2:AI训练测试数据VS实际运行环境数据

如果把训练好的模型作为软件模块来集成,模块的输出受输入数据分布变化的影响,不能按模块之间的合约(contract)“办事”,造成其他模块无法正常工作。

更难受的是,何时、何种情况下会“违约”,无法预先界定。所以当系统给AI软件模块一个任务时,它能不能完成,能完成到什么程度,没准。

这就好比一个公司告诉你,在我司测试环境下,行人检测模型准确率为99.99999%;但在您的实际驾驶环境中,预计准确率在97%~99%之间,且我司既不确保准确率有多少,也无法判断何时准确率会异常。这车您还敢开吗?

如果把训练算法作为软件模块来集成呢?也有新问题。

训练算法的输出依赖训练数据,而生产环境中的数据受太多因素干扰:隐藏的信息反馈循环、未声明的调用模块,都会让数据相互影响,不可控、不好追查。此外,在给真实客户做AI项目时,不同项目、项目不同阶段,都会带来不同的数据,从而影响算法网络结构设计和模型参数设定。

有多年工程及算法经验、待过互联网大厂也做过toB项目的“老P”说:“做AI项目,客户第一次会给一小撮数据样本让你理解业务数据,等你入场做PoC(ProofofConcept,可行性验证)时会拿到批量的真实历史数据,等项目上生产环境你会碰到更实时的数据,等运行一段时间后又必然会遇到各种新情况,例如客户的用户定位调整了、政策有变导致业务环境变了等等。

这四个不同阶段,你所认知的客户数据的特点和分布都会变,而变化就意味着可能要重调超参数,重设网络结构,甚至重新取舍算法……折腾啊,但没办法,这就是做AI项目的命。”

更要命的是,这是长期的“折腾”;是时间、地点、人物不定的折腾;得去客户现场折腾,而不能远程云折腾;得派很贵的、掌握炼金经验和调参玄学的算法工程师去折腾,而不能让普通软件工程师去折腾。

这就引出了AI落地时的第三个落差,也是最现实的挑战:

Gap3:AItoB项目对高级算法人才长期驻场的强需求VS此类人才的驻场成本和意愿

为什么toB项目通常都要驻场?现阶段,大中型企业才有足够的数据、业务场景和钱做AI,而大公司对数据又有超强保护意识,数据不出门、不落地。要碰数据可以,请到客户现场来,有时还要求用客户提供的电脑干活。

为什么要长期驻场?

典型的AItoB项目有以下几个流程:

1.初步理解客户业务场景和需求;

2.初步调研客户数据情况;

3.可行性判断和初步方案设计;

4.深度理解客户业务,细化或调整AI算法目标和达到目标的路径;

5.深度理解客户数据构成、语义、质量和分布等细节,细化或调整算法方案和模型结构;

6.数据清洗和特征工程;

7.部署测试环境,训练并调参模型(效果不好的话要回到步骤4、5、6进行优化);

8.生产环境部署上线,调试生产bug(如数据泄露);

9.持续监控生产环境输入输出数据变化,并随时回到步骤4、5、6。

这里的4、5、6、7、8、9必须在客户现场完成,1、2可远程完成但也需要与客户交互,只有步骤3完全不涉及客户环境。

先说步骤4、5、6、7、8,短则两三月,长则大半年,跟客户配合程度有关,跟数据质量有关,跟问题复杂度、成熟度有关。更重要的,跟炼金运气有关。

最头疼的是9,前面的步骤即使周期再长,也有结束的一天,但步骤9(生产环境监控优化)却永无宁日,因为业务环境和数据变化是不可避免的,而算法模型不一定能自动适应到最佳状态。

为什么要高级算法人才长期驻场?

正如Rahimi所说,深度学习的理论不完备,算法模型的运行机制不可知,因此,各种调试优化能不能成功,靠的是经验加运气,能力难以快速复制。

这就像学中医一样,初级医师要成长为高级人才,需要做过很多项目,遇过很多情况,成功、失败经验都丰富的老中医手把手带,靠项目和悟性不断积累“望闻问切”的经验。

然而,行业的另一面现实却是,想让高级算法工程师长期驻场,太难了。

首先,驻场意味着人员很难复用,没法一人同时干N个项目,薪资成本是个问题。

其次,搞技术的通常不喜欢驻场,尤其是有经验的高级人才,一般岁数不小、有家有娃,长期出差有困难。

最后,公司里许多高级算法人才可能是在基础研究或底层架构部门,项目工程团队未必请得动。

BAT某云行业销售负责人“阿K”,一度对AI项目满怀憧憬,但后来宁可去卖CDN:“我们今年中了一个千万级的标,其中的AI模块很关键。中标之后项目组都很兴奋,但是要干活时,麻烦了。

客户很看重数据信息安全,对外部驻场人员管得很严,每天上班要指纹打卡,封闭会议室办公,桌面必须保持清洁,否则罚款甚至通报批评。

客户给的IT支持比较少,我们工程师都说,驻场的SDE(SoftwareDevelopeEngineer)其实是SomeoneDoEverything,跟在自家公司时比,驻场干的事太杂了,还没有延续性,不利于他们的技术发展。

现场跟客户沟通遇到些技术分歧时,人家好歹是甲方,我不提醒吧,有些工程师能让客户下不来台;我说他两句吧,人就说驻场要看客户脸色,不想干了。

结果这项目还没做到一半,比较资深的两个AI工程师就回去了,只好换了几个毕业没多久的顶着,项目进展很慢,客户很不爽。别给我搞烂尾了,哎。”

BAT另一朵云的行业售前总监、最近绞尽脑汁往自己行业里集成AI元素的“老W”说:“有一次客户让我们做AI项目PoC,要比较高级的人驻场。我好说歹说,找AI研究部门借了几个人,出差去客户那儿干了一个半月,结果项目没成。以后再找,他们就再也不搭理了。

人家本来就不爱参与客户项目,又发不了paper,这么贵的人工成本花出去,又不一定能成为年终绩效上的业绩。”

驻场需求强烈,且得不到高效满足,是AI公司无法做到真正产品化(从业务运营角度的产品化)的重要原因。困于客户项目的PoC、交付和维护,脱身无门,也就无法大规模扩张。

吴恩达曾说:“如果普通人能在不到一秒的时间内完成某项脑力工作,那么我们很可能可以在现在或不远的将来用AI将其自动化。”

或许更符合事实的情况是这样:如果普通人能在不到一秒的时间内完成某项脑力工作,那么我们很可能可以在现在或不远的将来用AI将其自动化,如果不行,至少可以找到一个符合条件的客户,把我们最贵的算法科学家砸进去,做一个demo出来。

人类的科技到达瓶颈了吗

人类科技虽然仍在发展,但某些研究领域已经到达了瓶颈期。比如,在人工智能领域,当前的技术有限,还无法实现真正的“人工智能”。而在其他领域,比如医疗、环境保护等,也可能存在某些技术瓶颈。

人工智能面临大挑战,研究人员重新思考如何真正智能化?

人工智能分三个层次。

高层,和人类中工程师科学家的意识一样,能学习未知的现象挖掘内部规律,然后发明解决问题的方法。这是创造性思维和学习思维,即:能用新方法解决新问题。

中层,和人类中的技工一样,把工程师提出的所有已知工艺和方法用于解决遇到的各种问题,即:能用现有方法解决新问题。

下层,和现有加工中心和自动化设备一样,用同样的方法重复解决同样的问题。

现在的人工智能,能达到中层水平,就有百分之五十以上的人类工人失业,达到高层,人工智能将代替人类统治地球。现在人工智能正由下层向中层发展。

中层人工智能,在封闭环境中,若几乎没意外情形,则较易实现的。这是目前人工智能的最高水平。

中层人工智能,在面对开放环境时,意外情形一旦发生,人工智能将无所适从。所以,此时的人工智能必须升级到高层的人工智能。所以,能否适应开放环境,是中高层人工智能的判断标准。而象人类意识一样面对数据库中没有的案例时能一样分析,判断,试验,正式行动的功能性要求,就是高层人工智能所面对的瓶颈。解决这个瓶颈,必须在程序中设计出与人类的思维本质,存在和世界的本质,在事实上相符的前提下的最简算法。

关于人工智能陷入瓶颈的内容到此结束,希望对大家有所帮助。

人工智能陷入瓶颈,人工智能已到瓶颈文档下载: PDF DOC TXT