2022年已经过去，每年都是展望未来发展的特殊时期。按照惯例，爱时代前沿为读者整理了一波关于未来技术和趋势的文章。近年来，人工智能一直在高速发展，似乎没有什么可以阻挡。随着势头的增强，AI将在2023年走向何方？专家有话要说。许多AI项目构思不当并最终失败。PecanAI联合创始人兼首席执行官ZoharBronfman表示，到2023年，公司在评估人工智能的功效时将更加警惕。“到2023年，企业领导者将比过去更严格地评估潜在的数据科学项目。这些项目往往无法产生真正的影响，因为它们不符合业务需求，或者因为它们从未投入生产。由于数据科学涉及没有成本和时间的承诺，领导者将更仔细地审查拟议的工作并寻求正确的计划。”Bronfman表示：“我们将继续努力确保模型的输出能够在短期内或近期内推动业务改进行动。在资源被浪费之前停下来。”2023年，对数据科学家的需求将持续增加。DominoDataLabs首席执行官兼联合创始人NickElprin预测，深度学习模型训练对GPU的需求也将如此。“人工智能改进的最大来源是深度学习在训练系统中的部署，尤其是Transformer模型，模拟人脑神经元活动的任务。这些突破需要巨大的计算能力来分析海量结构化和非结构化数据集。与CPU不同，图形处理单元(GPU)可以支持深度学习工作负载所需的并行处理。这意味着在2023年，随着更多基于深度学习技术的应用出现，从翻译菜单到治疗疾病，对GPU的需求将继续飙升。”支持这一观点的是NvidiaDGX系统副总裁CharlieBoyle，他希望明年能够销售更多GPU。“到2023年，无法支持并行处理的低效、基于x86的传统计算架构将被加速计算解决方案所取代，这些解决方案提供构建语言模型、推荐引擎等所需的计算性能、规模和效率。在经济逆风中，企业将寻求能够在简化IT协作流程和提高效率的同时实现其目标的AI解决方案。使用软件将工作流集成到基础设施中的新平台将实现突破性的计算性能，降低总拥有成本，减少碳足迹，加速投资回报用于变革性的AI项目，并替换更多浪费的旧架构。”你认为要聘请一个合格的数据科学家需要多长时间？有人开玩笑说这就像发现独角兽一样困难。Kyndi创始人兼首席执行官RyanWelsh认为，2023年将是全世界达到“数据科学家巅峰”的一年。“数据科学家和机器学习工程师的短缺一直是企业实现人工智能价值的瓶颈。结果，发生了两件事：越来越多的人追求数据科学学位和认证，从而增加了数据科学家的数量；和供应商提出了新的方法，以尽量减少数据科学家对人工智能生产的参与。这两种趋势的同时干扰导致了“数据科学家高峰”。随着基础模型的出现，公司可以在这些模型应用程序的基础上构建，而不是要求每个公司从头开始训练自己的模型。更少的定制模型培训需要更少的数据科学家，而更多的人正在毕业。到2023年，市场预计会做出相应的反应，导致数据科学过度饱和。”数据科学工具提供商Dataiku负责任的AI负责人TriveniGandhi预测说，“期望看到有道德的AI继续吸引企业的关注和资源。”虽然我们在新闻中看到一些公司裁减道德AI工作，但事实是大多数公司将继续投资于他们的道德AI团队。这种资源对AI扩展和运营至关重要，并且有帮助公司相信他们的AI输出符合他们的价值观，并以稳健可靠的方式执行。此外，EthicalAI团队让用户相信，他们正在与之交互的产品得到考虑并符合安全和信任期望。任何公司要想保持领先地位，建立一个有道德的人工智能团队势在必行。”深度学习的困境之一是预测模型的黑盒性质。图数据库制造商Franz的首席执行官JansAasman表示，解决这个问题的一种方法是在2023年将人工智能与因果知识图配对。未来几年将看到增长，首先是创建发现事件之间因果关系的知识图谱。医疗保健、制药、金融服务、制造和供应链组织将把特定领域的知识图谱与因果图谱联系起来，并运行“模拟超越了依赖历史数据的基于相关性的机器学习。因果预测有可能通过使因果关系透明来提高人工智能的可解释性。”图数据库制造商Neo4j的产品营销高级总监MayaNatarajan也看到了图和AI相结合的明显进展。通过开辟新的分析方法来减轻偏见。“明年，人工智能将发现矢量数据库更具吸引力。这就是矢量数据库市场早期领导者之一Pinecone的创始人兼首席执行官EdoLiberty的想法。”随着人工智能的不断发展和越来越广泛的应用，相应地需要更先进和可扩展的基础设施来支持其开发和部署。人工智能基础设施投资的一个关键领域将是专门的数据基础设施，例如矢量数据库，旨在存储和处理现代机器学习模型生成的海量数据。Liberty表示：“这将加速人工智能系统的开发和部署，在许多领域的采用速度将超过去年。”近年来，公司增加了对人工智能的使用，结果喜忧参半。但SAS咨询公司业务解决方案经理KimberlyNevala预测，到2023年，人工智能将进入“少即是多”的增长阶段。“随着组织意识到‘少即是多’并将重点从大规模创新作为目标悄悄转移到应用于更广泛的小决策点和行动，其集体影响大于其各部分之和，人工智能将会激增。悖论作为一个组织和一名关键员工，你需要对这些技术有广泛的了解，并能自如地使用它们。”所以你在GPU上投入了大量资金来训练你的神经网络。你如何解决？SQream产品副总裁MatanLibis表示，总有一些SQL查询需要额外的马力。“为AI/ML重用计算资源的能力对企业来说是一个令人兴奋和宝贵的机会。重用不仅减少了AI留下的碳足迹，而且还减少了全球更便宜的数据存储解决方案的普遍增加，消除了对GPU硬件的依赖。还当您不需要将数据从一个地方移动到另一个地方时减少延迟。但是，一旦企业在一个地方准备数据，在另一个地方训练，并将推理卸载到再次，希望通过简化流程，我们将看到AI/ML功能的准确性和速度大幅提高。”深度学习公司Deci的首席执行官兼联合创始人YonatanGeifman说。这给每个人都带来了压力，但AI用户可以通过优化他们的模型来应对不断上升的成本。“一直在云环境中运行AI模型的企业正在看到高性能云处理可能给他们带来的财务损失。2023年，我们可能会看到更多公司寻求降低AI推理的云成本。让它成为现实在保持准确性的同时提高AI模型速度的最有效方法之一可减少云端处理时间并有效节省资金。Evinced首席科学家YossiSynett预测，到2023年，我们将看到不需要标记数据的自监督机器学习技术取得更多突破。“阻碍人工智能发展的一个因素是缺乏高质量的标记数据。虽然我们今天已经看到了进展，但到2023年将继续增长。我们正在寻找越来越多的方法来使用自我监督学习来预训练模型，然后针对特定任务对其进行微调。最好和最有效的例子是NLP（自然语言处理），其中有称为掩码语言建模（使模型预测句子中隐藏的单词）和因果语言建模的技术（让模型预测句子中的下一个词）技术彻底改变了游戏规则，自监督学习不需要标注数据，fine-tuning需要的标注数据少很多，更容易训练复杂模型.可用于更好地选择带标签的示例，这进一步降低了AI项目的财务壁垒。“准备在2023年将人工智能提升到一个新的水平，以新的用户模式互动和更好地理解意图，”富国银行首席执行官兼集团首席信息官ChintanMehta说。2023年及以后，AI部署和信号感知将呈指数级加速。人工智能将战胜有偏见的感知、判断和法律解释。业界将建立更多的解决方案来打破偏见，让人工智能在解释其行动过程的同时为消费者提供解决方案。用户界面将发生变化。他们将超越基于应用程序的体验，从非视觉点击/触摸交互到将视觉传递到上下文以及基于语言和手势的交互的号召性用语。为这些体验提供动力所需的人工智能将急剧增加，超越仅仅理解语音，真正掌握每次交互的隐藏意图。人工智能会产生人工智能。德国IT公司GFT美国首席执行官MarcoSantos预测，到2023年，我们将看到前所未有的人工智能和机器学习用例出现并最终成为主流。汇集来自世界各地的海量数据集，我们将看到前所未有的人工智能和机器学习用例。例如，在汽车制造领域，我们才刚刚开始看到下一代制造数据平台的出现，或者是一个单一且统一的基于云的平台，制造商可以在该平台上聚合其组织中的所有数据。获得数据后，他们就可以开始构建AI应用程序。“
