2023AI最火的幾個模型（2029模型）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于2023AI最火的幾個模型的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費在線使用，能給你生成想要的原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

你只需要給出你的關(guān)鍵詞，它就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端，官網(wǎng)：https://ai.de1919.com

本文目錄:

• 1、AI生成模型：超越數(shù)據(jù)觀測與計算機模擬的第三條科學(xué)探索之路？

• 2、余承東：AITO問界系列將從2023年一季度起升級鴻蒙OS 3.0系統(tǒng)

• 3、AI模型如何進行工程化？

• 4、《2022人工智能指數(shù)報告》有哪些適用申請CS-AI方向博士的啟示？

一、AI生成模型：超越數(shù)據(jù)觀測與計算機模擬的第三條科學(xué)探索之路？

導(dǎo)語

最先進的人工智能算法已經(jīng)開始在探測星系的演化、計算量子力學(xué)波函數(shù)、 探索 新的化合物等領(lǐng)域施展拳腳。那么，還有沒有那種無法自動化而只能由科學(xué)家完成的工作？

如今的物理學(xué)和天文學(xué)實驗會產(chǎn)生海量的數(shù)據(jù)，已經(jīng)沒有人或團隊能夠跟進所有的這些數(shù)據(jù)了。其中一些數(shù)據(jù)每天以TB級的規(guī)模增加，而且這個趨勢不會減弱。在二十一世紀(jì) 20 年代中期射電望遠(yuǎn)鏡 Square Kilometer Arra 將投入使用，它每年產(chǎn)生的數(shù)據(jù)量和整個互聯(lián)網(wǎng)的數(shù)據(jù)量一樣多。

面對數(shù)據(jù)洪流，許多科學(xué)家開始求助于人工智能。只需要少量的人工輸入，人工智能系統(tǒng)（如神經(jīng)網(wǎng)絡(luò)）就能夠在數(shù)據(jù)海洋中漫游，識別異常，挖掘出人類尚未發(fā)現(xiàn)的模式。

當(dāng)然，利用計算機來輔助科學(xué)研究的 歷史 可以追溯到約 75 年前，然而人類幾千年前就在手工調(diào)查研究數(shù)據(jù)來尋找其中的有意義的模式。但是，近期一些科學(xué)家認(rèn)為以機器學(xué)習(xí)、人工智能為代表的新技術(shù)能以一種全新的模式去進行科研工作。其中一種被稱為生成模型的方法，能從對觀測數(shù)據(jù)的諸多解釋中找到最可信的理論，更為重要的是，該方法在研究中無需預(yù)先編入對于系統(tǒng)可能起作用的物理過程。其擁護者認(rèn)為，生成模型的創(chuàng)新程度足可以被視為理解宇宙的潛在的“第三種方法”。

在傳統(tǒng)上，我們是通過 觀測 來了解自然的?；叵胍幌拢_普勒就是通過研究第谷的行星位置表，辨識潛在的行星運行模式，才得以推斷出行星是沿橢圓軌道運行的。同樣的，科學(xué)可通過 模擬 來獲得進步。一位天文學(xué)家可能會模擬銀河系及其鄰近的仙女座星系的運動，并預(yù)測它們將在幾十億年后碰撞。觀測和模擬都有助于科學(xué)家生成假設(shè)，然后用進一步的觀測來檢驗假設(shè)，而生成模型不同于這兩種方法。

瑞士聯(lián)邦理工學(xué)院的天文物理學(xué)家 Kevin Schawinski 也是一位生成模型的積極支持者。他認(rèn)為：“ 生成模型是介于觀測和模擬之間的第三種方法， 這是解決問題的另一種方式?！?/p>

Kevin Schawinski 是一名天體物理學(xué)家，他經(jīng)營著一家名為 Modulos 的人工智能公司，他認(rèn)為一種名為生成模型的技術(shù)提供了第三種了解宇宙的方式。

一些科學(xué)家僅僅把生成模型及其它新技術(shù)當(dāng)作傳統(tǒng)科研中的工具，但是大多數(shù)研究者都認(rèn)為 AI 的影響力巨大，并且在科學(xué)研究領(lǐng)域會發(fā)揮越來越大的作用。費米國家加速器實驗室的天體物理學(xué)家 Brian Nord 使用人工神經(jīng)網(wǎng)絡(luò)來研究宇宙。他擔(dān)心沒有什么是不能通過自動化完成的事情，“這個推測倒是有點令人恐慌?！?/p>

來自“生成”的 探索

從研究生畢業(yè)時起，Schawinski 就因用數(shù)據(jù)驅(qū)動科學(xué)研究而聞名。在攻讀博士學(xué)位期間，他面對的任務(wù)是，根據(jù)星系的外觀數(shù)據(jù)對數(shù)千個星系進行分類。因為沒有什么現(xiàn)成的軟件能幫助他完成這項工作，他決定用眾包的方式完成這項工作——于是，銀河動物園（Galaxy Zoo）公民科學(xué)項目誕生了。

從 2007 年開始，普通的電腦用戶只要記錄下他們推測的星系最佳歸類，就能幫助到天文學(xué)家。通過多數(shù)票勝出來判定，通常能帶來正確的分類結(jié)果。

這是一個成功的項目，但 Schawinski 也注意到， AI 讓這個模式過時了——今天，一個具有機器學(xué)習(xí)和云計算背景的天才科學(xué)家只需要花費一個下午就能完成這個工作。

在 2016 年，Schawinski 把目光投向了生成模型，這個強大的新工具。本質(zhì)上來說，生成模型是在求解，當(dāng)給定條件 X 和觀測結(jié)果 Y 時，概率 P(X,Y) 有多大。這個方法已經(jīng)被證明是非常有效的。

生成模型中最為著名的就是生成對抗網(wǎng)絡(luò)（GAN）。經(jīng)過充分的訓(xùn)練后，GAN 模型能夠修復(fù)損壞和像素缺失的圖像，也能讓模糊的圖像變得清晰。該模型通過競爭（對抗）來學(xué)習(xí)推斷缺失的信息，這個神經(jīng)網(wǎng)絡(luò)的一部分被稱作生成模型（generator）：生成虛擬的數(shù)據(jù)；另一部分被稱為判別模型（discriminator）：把生成出來的虛假數(shù)據(jù)和真是數(shù)據(jù)分割開來。兩個部分交替訓(xùn)練，逐步優(yōu)化（類似于博弈）。

或許，你已經(jīng)看過最近流傳甚廣的GAN生成的假面孔。正如那個標(biāo)題所言“這些人并不存在卻又真實得嚇人”。

上面看到的臉孔都不是真實的，上面的 A 列，和左側(cè)的 B 列都是由生成對抗網(wǎng)絡(luò)（GAN）使用真實的面部元素構(gòu)建的。然后，GAN 將 A 中的面部的基本特征（性別，年齡和臉形）與 B 中的面部的精細(xì)特征（頭發(fā)顏色、眼睛顏色）相結(jié)合，構(gòu)建出了上圖表格中的所有人臉圖像。

潛在空間

概括地說，生成模型獲得數(shù)據(jù)（大多數(shù)是圖像），并把他們分解成抽象的基本要素——科學(xué)家將其稱為數(shù)據(jù)的“潛在空間”。算法能控制潛在空間中的元素，以此來探究這些元素如何影響原始的數(shù)據(jù)。這個方法有助于揭示該系統(tǒng)運作的物理過程。

潛在空間是一個抽象的難以想象的概念。不過我們可以做一個類比：當(dāng)你在試圖確定一個人臉的性別時，你的大腦可能在做什么呢？也許會注意到人的發(fā)型、鼻子的形狀，甚至在運用一些你無法用言語描述的判斷模式。同樣的，計算機程序也在數(shù)據(jù)中尋找顯著的特征。即便計算機并非不知道什么是性別，什么是小胡子，但如果我們提供給機器學(xué)習(xí)系統(tǒng)的數(shù)據(jù)集標(biāo)注了“男性”和“女性”，并且一部分人還有一個標(biāo)簽叫“小胡子”，計算機能快速地推斷出其中的關(guān)聯(lián)性。

生成模型與星系演化

12月發(fā)表在《天文學(xué)與天體物理學(xué)》（Astronomy & Astrophysics）上的一篇論文中，Schawinski 與他在蘇黎世聯(lián)邦理工學(xué)院的同事 Dennis Turp 和 Ce Zhang 使用生成模型來研究星系在演化過程中所經(jīng)歷的物理變化。

因為他們使用的軟件與 GAN 相似，但其在對潛在空間處理的技術(shù)與 GAN 有所差異，所以從技術(shù)角度來說這不是 GAN。他們的模型創(chuàng)建了人工數(shù)據(jù)集，去測試假設(shè)的物理過程。比如說，他們想知道恒星形成的“淬熄”（形成速率快速下降）與星系環(huán)境密度的增加之間的關(guān)系。

對 Schawinski 來說，關(guān)鍵問題是僅從數(shù)據(jù)中能挖掘出多少和恒星與星系演變相關(guān)的信息。“讓我們忘卻所有的關(guān)于天體物理學(xué)的知識。僅依靠數(shù)據(jù)本身，我們能在多大程度上重新發(fā)現(xiàn)這些知識？”

首先，星系的圖片被壓縮至他們的潛在空間，然后 Schawinski 在這個空間中調(diào)整元素，使其能對應(yīng)上星系的特定環(huán)境變化，比如周圍物質(zhì)的密度。這樣就有了一個假設(shè)生成器。通過重構(gòu)這個星系，讓大量原本處于低密度環(huán)境中的星系處于高密度環(huán)境中以此來看看帶來了什么不同。

這三位研究者注意到隨著星系從低密度環(huán)境走向高密度環(huán)境，它們的顏色會變得更紅，恒星也變得更加集中。Schawinski 指出這一點與現(xiàn)有的星系觀測相吻合，問題是，為什么會這樣？

Schawinski 說，后續(xù)的工作還沒有實現(xiàn)自動化，“人類必須參與其中，那么，什么樣的物理原理可以解釋這種效應(yīng)？”對于這個過程，可能有兩種解釋，一是在高密度環(huán)境中，星系更紅是因為其中包含了更多的塵埃；或者是因為恒星的形成減少了（換句話說，恒星更老了）。

現(xiàn)在有了生成模型，這兩種思路都能接受檢驗。改變與與塵埃和恒星形成率相關(guān)的潛在空間元素，就能觀測這種改變對星系顏色的影響。Schawinski 說：“答案很顯然，星系更紅是因為恒星形成率在下降，而不是因為塵埃。因此，我們應(yīng)該采納這個解釋?！?/p>

利用生成模型，天體物理學(xué)家可以研究星系如何從低密度環(huán)境走向高密度環(huán)境，以及這些變化背后的物理原理。

生成模型相較于傳統(tǒng)方式的優(yōu)勢

這種方法與傳統(tǒng)的模擬方法相近，但與之有關(guān)鍵的差別。Schawinski 表示：“模擬本質(zhì)上是由假設(shè)驅(qū)動的。也就是說，我們自認(rèn)為已經(jīng)洞悉了觀測現(xiàn)象背后的物理法則。所以，我們把恒星形成規(guī)律、暗物質(zhì)行為的原理等等這些我們自認(rèn)為正確的假設(shè)放在一起，模擬運行。但是，模擬環(huán)境真的與實際情況吻合嗎？”。他用生成模型所做的事情與模擬完全相反，“我們不知道任何事情，不做任何假設(shè)，我們希望數(shù)據(jù)本身能告訴我們可能會發(fā)生什么。”

生成模型在這項研究中取得的成功并不意味著天文學(xué)家和研究者就是多余的。但這似乎提醒研究者們——僅僅掌握了大量數(shù)據(jù)的人工智能系統(tǒng)就能夠完成對天體物理學(xué)的學(xué)習(xí)。Schawinski 說：“這不是完全自動化的科學(xué)，但這意味著我們至少有能力去構(gòu)建部分工具，使科學(xué)過程自動化?！?/p>

雖然生成模型非常強大，但這是否真的代表了一種新的科學(xué)研究方法還有待商榷。

對于紐約大學(xué)和 Flatiron 研究所的宇宙學(xué)家 David Hogg 來說，這項技術(shù)令人印象深刻，但充其量也只是一種從數(shù)據(jù)中提取模式特征的復(fù)雜方法——這是天文學(xué)家?guī)讉€世紀(jì)以來都在做得事情。換而言之，這是觀測、分析的高級形式。

和 Schawinski 相同，Hogg 的工作也充分應(yīng)用人工智能；他一直在利用神經(jīng)網(wǎng)絡(luò)來對恒星進行基于光譜特征的分類，并使用數(shù)據(jù)啟動的模型來推斷恒星的其他物理屬性。但是他認(rèn)為他的工作和 Schawinski 的一樣，都是經(jīng)過檢驗的科學(xué)。Hogg 表示：“我不認(rèn)為這是第三種方法。只是我們這個社群在對數(shù)據(jù)處理的方法上更加復(fù)雜而已。特別的是，我們越來越善于將數(shù)據(jù)與數(shù)據(jù)進行比較。但是依我看來，我的工作仍然是在做觀測?！?/p>

人工智能：

勤奮而“難以捉摸”的科研助手

無論在概念上是否有創(chuàng)新性，人工智能和神經(jīng)網(wǎng)絡(luò)已經(jīng)顯然在當(dāng)代天文學(xué)和物理學(xué)研究中發(fā)揮了關(guān)鍵作用。在海德堡理論研究所工作的物理學(xué)家 Kai Polsterer 領(lǐng)導(dǎo)著一個天體信息學(xué)小組，這個小組主要關(guān)注以數(shù)據(jù)為中心的天體物理學(xué)研究新方法。從星系數(shù)據(jù)集中提取紅移信息曾經(jīng)是一項艱巨的任務(wù)，而現(xiàn)在他們小組使用機器學(xué)習(xí)算法就能解決這個問題。

Polsterer 認(rèn)為這些基于基于人工智能的新系統(tǒng)是“勤奮的助手”，可以連續(xù)處理數(shù)據(jù)數(shù)個小時而不抱怨單調(diào)無聊，不抱怨工作條件。這些系統(tǒng)可以完成所有枯燥乏味的繁重工作，研究者就能脫身去做“又酷又有趣的科學(xué)工作”。

Polsterer 警告說，這些系統(tǒng)并不是完美的，算法只能去做他們被訓(xùn)練過的事情，系統(tǒng)對輸入的數(shù)據(jù)是“無感覺的”。給 AI 系統(tǒng)一張星系圖片它可以估算其紅移和年齡，但是你給同一個系統(tǒng)一張自拍照或者一張臭魚爛蝦的照片，它也會照方抓藥估算出一個（錯誤的）年齡。Polsterer 認(rèn)為，人類科學(xué)家的監(jiān)督工作非常重要。工作還是要回到研究者身上，研究者才是要負(fù)責(zé)解釋這些現(xiàn)象的人。

就這一點而言，費米實驗室的 Nord 警告道，神經(jīng)網(wǎng)絡(luò)不僅要給出結(jié)果，也要給出相關(guān)的誤差線，如果在科學(xué)研究中，你做了一個測量但沒有報告相關(guān)的誤差估計，就沒有人會認(rèn)真對待這個結(jié)果。

就像許多的人工智能研究員一樣，Nord 也關(guān)注神經(jīng)網(wǎng)絡(luò)給出的結(jié)果的可解釋性，通常來說，一個 AI 系統(tǒng)在給出結(jié)果時無法明確地表示出這個結(jié)果是如何獲得的。

然而，并不是每個人都覺得結(jié)果不透明是一個必須關(guān)注的問題，法國CEA Saclay理論物理研究所的研究員 Lenka Zdeborová 指出，人類的直覺同樣難以捉摸，給你看一張貓的圖片，你能立刻認(rèn)出這是一只貓，但是你并不知道你是怎樣做到這一點的，從這個角度上來說，人的大腦就是個黑盒。

并不僅僅是天體物理學(xué)家和宇宙物理學(xué)家在向人工智能助力、數(shù)據(jù)驅(qū)動的科學(xué)研究發(fā)展。Perimeter 理論物理研究所和安大略滑鐵盧大學(xué)的量子物理學(xué)家 Roger Melko 已經(jīng)使用神經(jīng)網(wǎng)絡(luò)來解決該領(lǐng)域中的一些最棘手最重要的問題，例如多粒子系統(tǒng)的波函數(shù)的數(shù)學(xué)表示。

因為波函數(shù)的數(shù)學(xué)形式可能會隨著它所描述的系統(tǒng)中的粒子數(shù)量呈指數(shù)級增長，這被 Melko 稱為是“指數(shù)維度詛咒”，在這樣的工作中 AI 就是不可缺少的組成部分了。

這個困難類似于在國際象棋和圍棋中找到最好的走法：玩家會試圖多看一步，想想對手會出什么招，然后再選擇自己的最佳應(yīng)對策略。但是隨著思考步數(shù)的增加，復(fù)雜性也大為增加。

當(dāng)然， AI 已經(jīng)攻克了這兩個領(lǐng)域。 1997 年 5 月 11 日， 深藍(lán)計算機在國際象棋領(lǐng)域戰(zhàn)勝了人類；2017年4月10日 ，AlphaGo 戰(zhàn)勝了柯潔，AI 在圍棋領(lǐng)域戰(zhàn)勝了人類。Melko 認(rèn)為，量子物理學(xué)也面臨同樣的問題。

機器的思想

無論是 Schawinski 所聲稱的他找到的是科學(xué)研究的“第三方法”，還是如 Hogg 所說的這“僅僅是傳統(tǒng)上的觀測和數(shù)據(jù)分析”。我們可以明確的是， AI 正在改變科學(xué) 探索 的方式并且在加速科學(xué)發(fā)現(xiàn)，值得探討的是，這場 AI 革命在科學(xué)領(lǐng)域能走多遠(yuǎn)？

有時候，人們會對“人工智能科學(xué)家”的成就大肆褒獎。十年前，一個名叫亞當(dāng)?shù)?AI 機器人化學(xué)家研究了面包師傅的酵母的基因組，并找出了負(fù)責(zé)制造某種特定氨基酸的是哪些基因。（亞當(dāng)觀察缺少某些特定基因的酵母菌落，并與擁有這些基因的菌落的行為進行比較，由此找到差異完成研究。）

當(dāng)時Wired雜志的標(biāo)題是：機器人獨立完成科學(xué)發(fā)現(xiàn)。

最近，格拉斯哥大學(xué)的化學(xué)家 Lee Cronin 在使用機器人去隨機混合化學(xué)物質(zhì)，由此來觀測會形成什么樣的化合物，并通過質(zhì)譜儀、核磁共振機和紅外分光計實時監(jiān)控反應(yīng)，這個系統(tǒng)最終能學(xué)會預(yù)測哪些組合的化學(xué)反應(yīng)最為劇烈。Cronin 表示即使這個系統(tǒng)不能帶來新的發(fā)現(xiàn)，機器人系統(tǒng)也能讓化學(xué)家的研究效率提高 90%。

去年，蘇黎世聯(lián)邦理工學(xué)院的另一組科學(xué)家們在訓(xùn)練神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中推導(dǎo)物理定律。他們的系統(tǒng)類似于“機器人開普勒”，利用從地球上觀測到的太陽和火星的位置信息，重新發(fā)現(xiàn)了日心說；并且通過觀測小球碰撞模型發(fā)現(xiàn)了動能守恒。因為物理定律通常會有多種表述形式，科學(xué)家們想知道這個系統(tǒng)能否提供種更簡潔的方法來思考已知的物理定律。

這些都是 AI 啟動、助力科學(xué) 探索 的例子。盡管在每一個例子中，這些新方法的革命性都會收到爭議。但在這個信息浩如煙海且高速增長的時代，最值得商榷的問題可能是：僅從數(shù)據(jù)中，我們能獲得多少信息？

在 《The Book of Why: The New Science of Cause and Effect》一書中，計算機科學(xué)家 Judea Pearl 和科學(xué)作家 Dana Mackenzie 斷言到：數(shù)據(jù)“愚蠢至極”。他們寫到： 關(guān)于因果性的問題“永遠(yuǎn)不能僅憑數(shù)據(jù)去尋找答案”。

“每當(dāng)你看到以無模型的方式分析數(shù)據(jù)的論文或研究時，你可以肯定的是這項研究成果僅僅是總結(jié)，或許做了轉(zhuǎn)述，但絕對不是在解釋數(shù)據(jù)。”Schawinski 對 Pearl 的觀點抱有同感，“只使用數(shù)據(jù)”這個想法有點類似于“稻草人”。他也從未生成以這樣的方式做因果推斷。他想說的是：“和我們通常的工作相比，我們可以用數(shù)據(jù)多做點事?！?/p>

另一個經(jīng)常聽到的觀點是： 科學(xué)需要創(chuàng)造力。

可是到目前為止，我們還不知道，如何將創(chuàng)造力編入計算機。（Cronin 的機器人化學(xué)家只是在簡單地嘗試科研工作，似乎不能算是特別有創(chuàng)造力）Polsterer 認(rèn)為：“創(chuàng)建一套理論，有理有據(jù)的理論，我認(rèn)為需要創(chuàng)造力，而創(chuàng)造力離不開人類?！?/p>

然而，創(chuàng)造力來自何方呢？Polsterer 懷疑這和 不喜歡無聊 有關(guān)，這恐怕是機器所沒有的體驗?！耙獡碛袆?chuàng)造力，你必須厭惡無聊，然而我認(rèn)為電腦就永遠(yuǎn)不會感受到無聊?！比欢?，“創(chuàng)造力”、“靈感”卻常常用來描述深藍(lán)、AlphaGo 這樣的 AI 程序。我們在描述機器的思想時的困難映射出我們在描述自己思維過程時的困難。

Schawinski 最近離開了學(xué)術(shù)界，去了私人企業(yè)。他現(xiàn)在經(jīng)營著一家名為 Modulos 的初創(chuàng)公司，該公司雇傭了許多聯(lián)邦理工學(xué)院的科學(xué)家。根據(jù)該公司的網(wǎng)站介紹，該公司位于“人工智能和機器學(xué)習(xí)這股風(fēng)潮的風(fēng)眼中”。無論當(dāng)前人工智能技術(shù)和成熟的人工智能之間存在多大的差距，他和其他專家都認(rèn)為機器已經(jīng)準(zhǔn)備好了去完成更多的科學(xué)家的工作。不過，AI 的局限性還有待考證。

Schawinski 暢想道：“在可以預(yù)見的未來，有沒有可能去制造出一臺能過發(fā)現(xiàn)物理定律、數(shù)學(xué)原理的機器，甚至超越當(dāng)今最聰明的人類的能力極限？科學(xué)的未來終將被人力所不能及的機器所掌握么？這是一個好問題，但我不知道答案?！?/p>

推薦閱讀

Nature機器智能：破解因果推斷難題

物理學(xué)家要失業(yè)？機器學(xué)習(xí)能自學(xué)量子力學(xué)！

做科研做到絕望是一種什么樣的體驗？

科研投入越來越多，重大成果的產(chǎn)出卻越來越少？

要不要加入我們？一起影響世界！

集智俱樂部QQ群｜877391004

商務(wù)合作及投稿轉(zhuǎn)載｜swarma@swarma.org

搜索公眾號：集智俱樂部

加入“沒有圍墻的研究所”

讓蘋果砸得更猛烈些吧！

二、余承東：AITO問界系列將從2023年一季度起升級鴻蒙OS 3.0系統(tǒng)

易車訊 在今日開幕的華為開發(fā)者大會2022主題演講上，華為常務(wù)董事、終端BG CEO、智能汽車解決方案BU CEO余承東表示：“從2023年一季度起，AITO問界全系車型將分批推送升級鴻蒙OS 3.0（HarmonyOS 3）系統(tǒng)。

官方表示，目前搭載鴻蒙OS的華為終端已超3.2億，同比增長113%；鴻蒙智聯(lián)設(shè)備超2.5億，同比增長212%。另外，鴻蒙生態(tài)步入快車道，擁有200萬+開發(fā)者，鴻蒙智聯(lián)伙伴2200+，鴻蒙OS原子化服務(wù)50000+。

據(jù)了解，鴻蒙座艙背靠強大的HarmonyOS生態(tài)，由華為鴻蒙技術(shù)團隊負(fù)責(zé)開發(fā)，擁有與華為手機、平板等設(shè)備一致的流暢特性。從產(chǎn)品功能定義、軟件交互邏輯甚至圖標(biāo)渲染這些細(xì)節(jié)都體現(xiàn)出華為對用戶體驗的關(guān)注。

根據(jù)余承東披露的內(nèi)容來看，鴻蒙座艙進一步強化了主動服務(wù)和智能體驗的優(yōu)勢。新增的原子化服務(wù)將全場景智能服務(wù)融入萬能卡片中，無需安裝即可使用，用戶不需要通過一層層菜單去尋找想要的功能，系統(tǒng)會根據(jù)用戶用車習(xí)慣和出行場景主動推送，一鍵即可觸達(dá)。車機的交互邏輯對手機用戶也更友好，相較于其他車機五花八門的UX設(shè)計可以輕松上手，常用的動態(tài)信息、便捷的服務(wù)卡片、常駐工具欄都保證用戶可以快速找到想要的功能。手表、手機甚至PC等設(shè)備可以同時與車機互聯(lián)，跨設(shè)備連接能力更進一步。

華為自研的智能語音助手小藝也繼續(xù)進化，可見即可說功能支持第三方APP，體驗更便捷；支持5項指令連續(xù)說及多輪對話，做最懂你的出行管家；甚至在常用常新的加持下，后續(xù)還能將愛人的聲音錄入，用ta的聲音進行交互。此外，小藝的語義模型小型化讓CPU負(fù)載降低20%，任務(wù)處理更加絲滑高效。

 

Petal Maps導(dǎo)航則重新定義了導(dǎo)航，不僅僅是地圖和路線規(guī)劃的優(yōu)化，還徹底打通了車與人及公共服務(wù)之間的信息流。導(dǎo)航路線可以在手機和車機之間自動流轉(zhuǎn)，還會根據(jù)車輛狀態(tài)自動顯示車輛可達(dá)里程，在續(xù)航不足時及時顯示附近的充電樁和加油站；在進入服務(wù)區(qū)后再次回到車內(nèi)，導(dǎo)航將繼續(xù)原來的路線規(guī)劃，無需重新規(guī)劃。在AITO用戶中，使用Petal Maps導(dǎo)航的用戶比例達(dá)到93.1%，遙遙領(lǐng)先所有車機系統(tǒng)。

根據(jù)易車App“熱度榜”數(shù)據(jù)，問界M5和問界M7的日均關(guān)注度分別為4.04和3.14萬，在同級別競品中分別排名第1和第3位，如需更多數(shù)據(jù)，請到易車App查看。

三、AI模型如何進行工程化？

如今，AI模型百花齊放，在業(yè)務(wù)場景中的使用是越來越多，那AI模型是如何集成到系統(tǒng)中的呢？這幾年的集成方式又有何變化呢？

在一些早期系統(tǒng)中，模型比較簡單，這時，真正在線上系統(tǒng)部署模型時，模型只是以算法的形式出現(xiàn)，模型參數(shù)作為算法所需要的“數(shù)據(jù)”，存儲在內(nèi)存或分布式緩存（如Redis）中。模型在推理運算時，從緩存中取出參數(shù)，再結(jié)合特征，完成模型預(yù)測推理運算。

這樣的一些集成方式，多見于一些早期的推薦系統(tǒng)，模型也相對比較簡單，如LR、FM、FFM等。這種方式將算法與參數(shù)分離，使其可以各自演化、迭代。如模型參數(shù)更新時，只需要更新緩存數(shù)據(jù)，系統(tǒng)可能并不需要上線。一定程度上的滿足了工程上的需要。

但隨著模型越來越復(fù)雜，以Redis緩存模型為代表的方式，逐漸不符合現(xiàn)代模型的需要。以PMML、sklearn為代表的模型框架的方式出現(xiàn)了。模型框架本身提供了多種模型的實現(xiàn)方式，

并提供了推理接口。業(yè)務(wù)系統(tǒng)集成時，將模型框架集成到系統(tǒng)當(dāng)中。這時模型一般是以文件的形式存在。也可以滿足一定程度上單獨演化的需要。

但上述方式也有其問題，一方面模型以文件的形式集成到系統(tǒng)內(nèi)，更新不方便。另一方面，模型的更新速度一般都比較快，一旦模型更新（結(jié)構(gòu)或參數(shù)），系統(tǒng)就需要上線，非常不方便。

于是第三種方式出現(xiàn)了，即模型服務(wù)的方式。這種方式，模型以分布式API服務(wù)的形式，集成到系統(tǒng)中（如tensorflow-serving），模型的升級演化，不會影響業(yè)務(wù)系統(tǒng)的使用，非常方便。

但這種方式也有其問題，因為并不是所有的模型都是基于tensorflow開發(fā)的，隨著pytorch的市場份額越來越高，其他框架的模型也越來越占主導(dǎo)地位。有的甚至都不一定都是基于python語言的。而且tensorflow的分布式擴展能力比較差，一旦流量上升后，難以支撐業(yè)務(wù)發(fā)展。

近幾年，隨著容器化和云計算技術(shù)的發(fā)展，新時代的云技術(shù)模型服務(wù)出現(xiàn)了。這種技術(shù)以AI模型市場（aimodelmarket.cn）為代表，以容器作為系統(tǒng)交割的基本單位，模型服務(wù)在容器中，方便擴展。模型的升級演化和業(yè)務(wù)系統(tǒng)分離，互不影響，同時又是跨語言的。而且得益于云計算技術(shù)，服務(wù)的擴展能力幾乎是無限的。這就給業(yè)務(wù)系統(tǒng)的穩(wěn)定性提供了極大的保障。

展望未來，我們希望隨著像AI模型市場（aimodelmarket.cn）這樣的服務(wù)的發(fā)展，越來越多的模型服務(wù)被開發(fā)出來，并實現(xiàn)服務(wù)商和業(yè)務(wù)方的分離，將極大的提高生產(chǎn)力。

四、《2022人工智能指數(shù)報告》有哪些適用申請CS-AI方向博士的啟示？

人工智能發(fā)展至今60余年，已成為新一輪 科技 革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)。近日，國際數(shù)據(jù)公司(IDC)發(fā)布的《全球人工智能市場半年報告》預(yù)測，2022年，包括軟件、硬件和服務(wù)在內(nèi)的全球人工智能市場的總收入將增長19.6%，達(dá)到4330億美元，并將在2023年突破5000億美元的大關(guān)。

人工智能作為計算機專業(yè)的一個分支一直是熱門的研究方向， 計算機專業(yè)也是博士申請的熱門專業(yè) 。

不過，我們一般遇到的想申請計算機博士的學(xué)生，10個當(dāng)中幾乎9個的畫風(fēng)都是類似這樣的：

“老師，我感興趣的方向是AI/Machine Learning。”

“老師，我想研究computer vision?！?

“那具體一點的細(xì)分或者主題有嗎？”

“沒有，只要是這些我都可以?！?

......

拜托，同學(xué)們，你們的臺詞能不能有點深度？

想想看，AI、ML這樣的方向熱得幾乎核爆炸了，優(yōu)秀的申請人每年都洶涌至全球各大頂級CS院系，陣勢好比上班高峰期廣州地鐵三號線的人流，你們不該首先想想你 怎么在研究方向上突圍而出嗎？動輒就是這些又籠統(tǒng)又巨熱門的方向，你們靠什么亮點來吸引導(dǎo)師？

突然被問?。縼?，跟著啟德全球博士申請中心，我們一起來看看由斯坦福大學(xué)Human-Centered Artificial Intelligence Institute最新發(fā)布的2022年人工智能指數(shù)報告（AI Index Report）有哪些適用于申請CS-AI方向博士的啟示。

AI研究趨勢和特點

首先，這份報告總結(jié)起來就是AI研究已經(jīng)、并且、將要、變得更加：

通用化

該報告指出， 去年性能最佳的AI系統(tǒng)每10個當(dāng)中有9個都是使用額外訓(xùn)練數(shù)據(jù)集訓(xùn)練的。 這點充分體現(xiàn)出數(shù)據(jù)對AI的重要性，但同時也體現(xiàn)出數(shù)據(jù)對AI性能的制約。因此，如果數(shù)據(jù)不足，AI就必須以更加優(yōu)秀的算法來實現(xiàn)。

同時，過去兩年， AI系統(tǒng)在更為通用化的強化學(xué)習(xí)任務(wù)當(dāng)中性能提升了129% ，對應(yīng)用環(huán)境具有更強的適應(yīng)力，能夠幫助機器進行實現(xiàn)更加廣泛的思考。

另外， AI的性能提升也特別體現(xiàn)在訓(xùn)練成本變得更低 ——從2018年起，訓(xùn)練一個圖像分類系統(tǒng)的成本累計降低了63.6%，而訓(xùn)練時間則減少了94.4%。

基于這三點，未來優(yōu)秀的AI務(wù)必需要繼續(xù)減少對數(shù)據(jù)集的依賴、提供邏輯更加嚴(yán)密、同時泛化（generalization）能力更佳的算法和模型、并且變得更加普及。因此，那些兼具 強大數(shù)理邏輯背景和硬核工程技能 的同學(xué)會更能夠在申請CS-AI博士的時候取得優(yōu)勢，并且潛在導(dǎo)師會更加青睞能夠提出算法導(dǎo)向研究方向的申請人。

應(yīng)用化

同時， “數(shù)據(jù)管理、數(shù)據(jù)處理與數(shù)據(jù)云 （Data Management, Processing, and Cloud）” 是去年獲得最大金額投資的私營AI產(chǎn)業(yè)領(lǐng)域 ——比2020年增長了2.6倍，緊隨其后的產(chǎn)業(yè)領(lǐng)域則分別是“醫(yī)療”（Medical and Healthcare）和“金融 科技 ”（Fintech）。

事實上， 大數(shù)據(jù)、醫(yī)療和金融 科技 也是出現(xiàn)頻率極高的AI博士招生的應(yīng)用領(lǐng)域 ，啟德教育全球博士申請中心2022年秋季錄取AI相關(guān)的成功案例就覆蓋了這三大領(lǐng)域，而 有意向申請CS-AI博士的同學(xué)也應(yīng)該多考慮基于這三個領(lǐng)域構(gòu)思自己的研究計劃。

學(xué)科交叉化

另外，我們震驚地發(fā)現(xiàn)，在多模態(tài)語言-視覺模型取得越來越好的對象識別與分類效果的同時， 這些模型的輸出結(jié)果具有嚴(yán)重的 社會 成見和偏見 ，譬如黑人被使用這些模型的AI系統(tǒng)識別為非人類對象的幾率是其他人種的2倍。

CS-AI博士申請激烈

除了上述三大我們總結(jié)的AI研究趨勢和特點，該報告還有以下兩個重要信息值得想要申請CS-AI博士的同學(xué)參考：

1） AI的研發(fā)活動側(cè)重點非常多樣化，同時覆蓋地域非常廣泛 。各個國家和地區(qū)都有不同的研發(fā)活動，高校和企業(yè)自然會不斷爭取吸引人才。而且去年對AI方向招聘增幅最多的國家和地區(qū)分別是新西蘭、中國香港、愛爾蘭、盧森堡和瑞典。因此，有意申請CS-AI博士的同學(xué)，理應(yīng)進行全球化的申請布局，毋須局限在某些國家和地區(qū)。

2） 2020年，每5名CS博士畢業(yè)生當(dāng)中就有1名的研究方向是人工智能或者機器學(xué)習(xí)，可以反應(yīng)出CS-AI博士申請的激烈程度 ，因此，任何有志于做AI博士研究的同學(xué)都可以充分考慮其他同樣涉及AI的專業(yè)（電子工程、機械工程、工業(yè)工程、環(huán)境工程、地球與行星科學(xué)等），毋須死磕CS這一個專業(yè)。

AI是學(xué)界與業(yè)界聯(lián)系非常緊密的一個領(lǐng)域，了解行業(yè)情況，肯定會對大家的申博計劃有不少的幫助。所以，想申請CS（或者相關(guān)領(lǐng)域）的博士并研究AI的同學(xué) ，你決定好適合自己的細(xì)分方向和設(shè)定研究主題了嗎？

還沒頭緒？沒關(guān)系！來找咱們博士中心??！輔導(dǎo)大家設(shè)計研究方向，這是我們的專長。不過，同學(xué)們可能會有疑問：你們怎么幫助我們來設(shè)計研究方向？

Don't worry，我們有一整套的方法來做到這點。這一套方法里面很重要的一個思路就是： 我們會把握學(xué)界和業(yè)界的動態(tài)，分析趨勢，從而提供建議。

已經(jīng)摩拳擦掌躍躍欲試的同學(xué)，咱們?nèi)虿┦可暾堉行牡饶銇砹茫?

以上就是關(guān)于2023AI最火的幾個模型相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

聚創(chuàng)聯(lián)盟2023（聚創(chuàng)聯(lián)盟百度百科）

中糧集團招聘官網(wǎng)2023（中糧集團招聘官網(wǎng)2023春招）

工作室設(shè)計說明200字（工作室設(shè)計說明200字范文）

東營室外景觀設(shè)計公司（東營室外景觀設(shè)計公司有哪些）

ai電銷機器人代理行業(yè)（ai電銷機器人代理行業(yè)現(xiàn)狀）