2023AI最火的幾個(gè)模型（2029模型）

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

ChatGPT國(guó)內(nèi)免費(fèi)在線使用，能給你生成想要的原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)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(xiě)出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)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(cè)與計(jì)算機(jī)模擬的第三條科學(xué)探索之路？

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

• 3、AI模型如何進(jìn)行工程化？

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

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

導(dǎo)語(yǔ)

最先進(jìn)的人工智能算法已經(jīng)開(kāi)始在探測(cè)星系的演化、計(jì)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(méi)有那種無(wú)法自動(dòng)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(shí)驗(yàn)會(huì)產(chǎn)生海量的數(shù)據(jù)，已經(jīng)沒(méi)有人或團(tuán)隊(duì)能夠跟進(jìn)所有的這些數(shù)據(jù)了。其中一些數(shù)據(jù)每天以TB級(jí)的規(guī)模增加，而且這個(gè)趨勢(shì)不會(huì)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(gè)互聯(lián)網(wǎng)的數(shù)據(jù)量一樣多。

面對(duì)數(shù)據(jù)洪流，許多科學(xué)家開(kāi)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(shí)別異常，挖掘出人類尚未發(fā)現(xiàn)的模式。

當(dāng)然，利用計(jì)算機(jī)來(lái)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(lái)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(jī)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(jìn)行科研工作。其中一種被稱為生成模型的方法，能從對(duì)觀測(cè)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(wú)需預(yù)先編入對(duì)于系統(tǒng)可能起作用的物理過(guò)程。其擁護(hù)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(guò) 觀測(cè) 來(lái)了解自然的?；叵胍幌拢_(kāi)普勒就是通過(guò)研究第谷的行星位置表，辨識(shí)潛在的行星運(yùn)行模式，才得以推斷出行星是沿橢圓軌道運(yùn)行的。同樣的，科學(xué)可通過(guò) 模擬 來(lái)獲得進(jìn)步。一位天文學(xué)家可能會(huì)模擬銀河系及其鄰近的仙女座星系的運(yùn)動(dòng)，并預(yù)測(cè)它們將在幾十億年后碰撞。觀測(cè)和模擬都有助于科學(xué)家生成假設(shè)，然后用進(jìn)一步的觀測(cè)來(lái)檢驗(yàn)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(cè)和模擬之間的第三種方法， 這是解決問(wèn)題的另一種方式?！?/p>

Kevin Schawinski 是一名天體物理學(xué)家，他經(jīng)營(yíng)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(huì)發(fā)揮越來(lái)越大的作用。費(fèi)米國(guó)家加速器實(shí)驗(yàn)室的天體物理學(xué)家 Brian Nord 使用人工神經(jīng)網(wǎng)絡(luò)來(lái)研究宇宙。他擔(dān)心沒(méi)有什么是不能通過(guò)自動(dòng)化完成的事情，“這個(gè)推測(cè)倒是有點(diǎn)令人恐慌?！?/p>

來(lái)自“生成”的 探索

從研究生畢業(yè)時(shí)起，Schawinski 就因用數(shù)據(jù)驅(qū)動(dòng)科學(xué)研究而聞名。在攻讀博士學(xué)位期間，他面對(duì)的任務(wù)是，根據(jù)星系的外觀數(shù)據(jù)對(duì)數(shù)千個(gè)星系進(jìn)行分類。因?yàn)闆](méi)有什么現(xiàn)成的軟件能幫助他完成這項(xiàng)工作，他決定用眾包的方式完成這項(xiàng)工作——于是，銀河動(dòng)物園（Galaxy Zoo）公民科學(xué)項(xiàng)目誕生了。

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

這是一個(gè)成功的項(xiàng)目，但 Schawinski 也注意到， AI 讓這個(gè)模式過(guò)時(shí)了——今天，一個(gè)具有機(jī)器學(xué)習(xí)和云計(jì)算背景的天才科學(xué)家只需要花費(fèi)一個(gè)下午就能完成這個(gè)工作。

在 2016 年，Schawinski 把目光投向了生成模型，這個(gè)強(qiáng)大的新工具。本質(zhì)上來(lái)說(shuō)，生成模型是在求解，當(dāng)給定條件 X 和觀測(cè)結(jié)果 Y 時(shí)，概率 P(X,Y) 有多大。這個(gè)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(duì)抗網(wǎng)絡(luò)（GAN）。經(jīng)過(guò)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(guò)競(jìng)爭(zhēng)（對(duì)抗）來(lái)學(xué)習(xí)推斷缺失的信息，這個(gè)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(lái)的虛假數(shù)據(jù)和真是數(shù)據(jù)分割開(kāi)來(lái)。兩個(gè)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(guò)最近流傳甚廣的GAN生成的假面孔。正如那個(gè)標(biāo)題所言“這些人并不存在卻又真實(shí)得嚇人”。

上面看到的臉孔都不是真實(shí)的，上面的 A 列，和左側(cè)的 B 列都是由生成對(duì)抗網(wǎng)絡(luò)（GAN）使用真實(shí)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(shuō)，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(lái)探究這些元素如何影響原始的數(shù)據(jù)。這個(gè)方法有助于揭示該系統(tǒng)運(yùn)作的物理過(guò)程。

潛在空間是一個(gè)抽象的難以想象的概念。不過(guò)我們可以做一個(gè)類比：當(dāng)你在試圖確定一個(gè)人臉的性別時(shí)，你的大腦可能在做什么呢？也許會(huì)注意到人的發(fā)型、鼻子的形狀，甚至在運(yùn)用一些你無(wú)法用言語(yǔ)描述的判斷模式。同樣的，計(jì)算機(jī)程序也在數(shù)據(jù)中尋找顯著的特征。即便計(jì)算機(jī)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(jī)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(gè)標(biāo)簽叫“小胡子”，計(jì)算機(jī)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(lái)研究星系在演化過(guò)程中所經(jīng)歷的物理變化。

因?yàn)樗麄兪褂玫能浖c GAN 相似，但其在對(duì)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(lái)說(shuō)這不是 GAN。他們的模型創(chuàng)建了人工數(shù)據(jù)集，去測(cè)試假設(shè)的物理過(guò)程。比如說(shuō)，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(duì) Schawinski 來(lái)說(shuō)，關(guān)鍵問(wèn)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(shí)。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(shí)？”

首先，星系的圖片被壓縮至他們的潛在空間，然后 Schawinski 在這個(gè)空間中調(diào)整元素，使其能對(duì)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(gè)假設(shè)生成器。通過(guò)重構(gòu)這個(gè)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(lái)看看帶來(lái)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(huì)變得更紅，恒星也變得更加集中。Schawinski 指出這一點(diǎn)與現(xiàn)有的星系觀測(cè)相吻合，問(wèn)題是，為什么會(huì)這樣？

Schawinski 說(shuō)，后續(xù)的工作還沒(méi)有實(shí)現(xiàn)自動(dòng)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(duì)于這個(gè)過(guò)程，可能有兩種解釋，一是在高密度環(huán)境中，星系更紅是因?yàn)槠渲邪烁嗟膲m埃；或者是因?yàn)楹阈堑男纬蓽p少了（換句話說(shuō)，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(yàn)。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(cè)這種改變對(duì)星系顏色的影響。Schawinski 說(shuō)：“答案很顯然，星系更紅是因?yàn)楹阈切纬陕试谙陆?，而不是因?yàn)閴m埃。因此，我們應(yīng)該采納這個(gè)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(shì)

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(dòng)的。也就是說(shuō)，我們自認(rèn)為已經(jīng)洞悉了觀測(cè)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(yùn)行。但是，模擬環(huán)境真的與實(shí)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(huì)發(fā)生什么?！?/p>

生成模型在這項(xiàng)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(duì)天體物理學(xué)的學(xué)習(xí)。Schawinski 說(shuō)：“這不是完全自動(dòng)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(guò)程自動(dòng)化?！?/p>

雖然生成模型非常強(qiáng)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(duì)于紐約大學(xué)和 Flatiron 研究所的宇宙學(xué)家 David Hogg 來(lái)說(shuō)，這項(xiàng)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€(gè)世紀(jì)以來(lái)都在做得事情。換而言之，這是觀測(cè)、分析的高級(jí)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(lái)對(duì)恒星進(jìn)行基于光譜特征的分類，并使用數(shù)據(jù)啟動(dòng)的模型來(lái)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(guò)檢驗(yàn)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(gè)社群在對(duì)數(shù)據(jù)處理的方法上更加復(fù)雜而已。特別的是，我們?cè)絹?lái)越善于將數(shù)據(jù)與數(shù)據(jù)進(jìn)行比較。但是依我看來(lái)，我的工作仍然是在做觀測(cè)。”

人工智能：

勤奮而“難以捉摸”的科研助手

無(wú)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(gè)天體信息學(xué)小組，這個(gè)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(xiàng)艱巨的任務(wù)，而現(xiàn)在他們小組使用機(jī)器學(xué)習(xí)算法就能解決這個(gè)問(wèn)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(gè)小時(shí)而不抱怨單調(diào)無(wú)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(shuō)，這些系統(tǒng)并不是完美的，算法只能去做他們被訓(xùn)練過(guò)的事情，系統(tǒng)對(duì)輸入的數(shù)據(jù)是“無(wú)感覺(jué)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(gè)系統(tǒng)一張自拍照或者一張臭魚(yú)爛蝦的照片，它也會(huì)照方抓藥估算出一個(gè)（錯(cuò)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(diǎn)而言，費(fèi)米實(shí)驗(yàn)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(gè)測(cè)量但沒(méi)有報(bào)告相關(guān)的誤差估計(jì)，就沒(méi)有人會(huì)認(rèn)真對(duì)待這個(gè)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(lái)說(shuō)，一個(gè) AI 系統(tǒng)在給出結(jié)果時(shí)無(wú)法明確地表示出這個(gè)結(jié)果是如何獲得的。

然而，并不是每個(gè)人都覺(jué)得結(jié)果不透明是一個(gè)必須關(guān)注的問(wèn)題，法國(guó)CEA Saclay理論物理研究所的研究員 Lenka Zdeborová 指出，人類的直覺(jué)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(diǎn)的，從這個(gè)角度上來(lái)說(shuō)，人的大腦就是個(gè)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(dòng)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(lái)解決該領(lǐng)域中的一些最棘手最重要的問(wèn)題，例如多粒子系統(tǒng)的波函數(shù)的數(shù)學(xué)表示。

因?yàn)椴ê瘮?shù)的數(shù)學(xué)形式可能會(huì)隨著它所描述的系統(tǒng)中的粒子數(shù)量呈指數(shù)級(jí)增長(zhǎng)，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(gè)困難類似于在國(guó)際象棋和圍棋中找到最好的走法：玩家會(huì)試圖多看一步，想想對(duì)手會(huì)出什么招，然后再選擇自己的最佳應(yīng)對(duì)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(gè)領(lǐng)域。 1997 年 5 月 11 日， 深藍(lán)計(jì)算機(jī)在國(guó)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(wèn)題。

機(jī)器的思想

無(wú)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(shuō)的這“僅僅是傳統(tǒng)上的觀測(cè)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(chǎng) AI 革命在科學(xué)領(lǐng)域能走多遠(yuǎn)？

有時(shí)候，人們會(huì)對(duì)“人工智能科學(xué)家”的成就大肆褒獎(jiǎng)。十年前，一個(gè)名叫亞當(dāng)?shù)?AI 機(jī)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(jìn)行比較，由此找到差異完成研究。）

當(dāng)時(shí)Wired雜志的標(biāo)題是：機(jī)器人獨(dú)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(jī)器人去隨機(jī)混合化學(xué)物質(zhì)，由此來(lái)觀測(cè)會(huì)形成什么樣的化合物，并通過(guò)質(zhì)譜儀、核磁共振機(jī)和紅外分光計(jì)實(shí)時(shí)監(jiān)控反應(yīng)，這個(gè)系統(tǒng)最終能學(xué)會(huì)預(yù)測(cè)哪些組合的化學(xué)反應(yīng)最為劇烈。Cronin 表示即使這個(gè)系統(tǒng)不能帶來(lái)新的發(fā)現(xiàn)，機(jī)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?cè)谟?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(jī)器人開(kāi)普勒”，利用從地球上觀測(cè)到的太陽(yáng)和火星的位置信息，重新發(fā)現(xiàn)了日心說(shuō)；并且通過(guò)觀測(cè)小球碰撞模型發(fā)現(xiàn)了動(dòng)能守恒。因?yàn)槲锢矶赏ǔ?huì)有多種表述形式，科學(xué)家們想知道這個(gè)系統(tǒng)能否提供種更簡(jiǎn)潔的方法來(lái)思考已知的物理定律。

這些都是 AI 啟動(dòng)、助力科學(xué) 探索 的例子。盡管在每一個(gè)例子中，這些新方法的革命性都會(huì)收到爭(zhēng)議。但在這個(gè)信息浩如煙海且高速增長(zhǎng)的時(shí)代，最值得商榷的問(wèn)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(shū)中，計(jì)算機(jī)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(xiě)到： 關(guān)于因果性的問(wèn)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(wú)模型的方式分析數(shù)據(jù)的論文或研究時(shí)，你可以肯定的是這項(xiàng)研究成果僅僅是總結(jié)，或許做了轉(zhuǎn)述，但絕對(duì)不是在解釋數(shù)據(jù)。”Schawinski 對(duì) Pearl 的觀點(diǎn)抱有同感，“只使用數(shù)據(jù)”這個(gè)想法有點(diǎn)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(shuō)的是：“和我們通常的工作相比，我們可以用數(shù)據(jù)多做點(diǎn)事?！?/p>

另一個(gè)經(jīng)常聽(tīng)到的觀點(diǎn)是： 科學(xué)需要?jiǎng)?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(jì)算機(jī)。（Cronin 的機(jī)器人化學(xué)家只是在簡(jiǎn)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?jiǎng)?chuàng)造力，而創(chuàng)造力離不開(kāi)人類?！?/p>

然而，創(chuàng)造力來(lái)自何方呢？Polsterer 懷疑這和 不喜歡無(wú)聊 有關(guān)，這恐怕是機(jī)器所沒(méi)有的體驗(yàn)。“要擁有創(chuàng)造力，你必須厭惡無(wú)聊，然而我認(rèn)為電腦就永遠(yuǎn)不會(huì)感受到無(wú)聊?！比欢?，“創(chuàng)造力”、“靈感”卻常常用來(lái)描述深藍(lán)、AlphaGo 這樣的 AI 程序。我們?cè)诿枋鰴C(jī)器的思想時(shí)的困難映射出我們?cè)诿枋鲎约核季S過(guò)程時(shí)的困難。

Schawinski 最近離開(kāi)了學(xué)術(shù)界，去了私人企業(yè)。他現(xiàn)在經(jīng)營(yíng)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(jī)器學(xué)習(xí)這股風(fēng)潮的風(fēng)眼中”。無(wú)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(jī)器已經(jīng)準(zhǔn)備好了去完成更多的科學(xué)家的工作。不過(guò)，AI 的局限性還有待考證。

Schawinski 暢想道：“在可以預(yù)見(jiàn)的未來(lái)，有沒(méi)有可能去制造出一臺(tái)能過(guò)發(fā)現(xiàn)物理定律、數(shù)學(xué)原理的機(jī)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(lái)終將被人力所不能及的機(jī)器所掌握么？這是一個(gè)好問(wèn)題，但我不知道答案?！?/p>

推薦閱讀

Nature機(jī)器智能：破解因果推斷難題

物理學(xué)家要失業(yè)？機(jī)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(yàn)？

科研投入越來(lái)越多，重大成果的產(chǎn)出卻越來(lái)越少？

要不要加入我們？一起影響世界！

集智俱樂(lè)部QQ群｜877391004

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

搜索公眾號(hào)：集智俱樂(lè)部

加入“沒(méi)有圍墻的研究所”

讓蘋(píng)果砸得更猛烈些吧！

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

易車訊 在今日開(kāi)幕的華為開(kāi)發(fā)者大會(huì)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(wèn)界全系車型將分批推送升級(jí)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(zhǎng)113%；鴻蒙智聯(lián)設(shè)備超2.5億，同比增長(zhǎng)212%。另外，鴻蒙生態(tài)步入快車道，擁有200萬(wàn)+開(kāi)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(qiáng)大的HarmonyOS生態(tài)，由華為鴻蒙技術(shù)團(tuán)隊(duì)負(fù)責(zé)開(kāi)發(fā)，擁有與華為手機(jī)、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(duì)用戶體驗(yàn)的關(guān)注。

根據(jù)余承東披露的內(nèi)容來(lái)看，鴻蒙座艙進(jìn)一步強(qiáng)化了主動(dòng)服務(wù)和智能體驗(yàn)的優(yōu)勢(shì)。新增的原子化服務(wù)將全場(chǎng)景智能服務(wù)融入萬(wàn)能卡片中，無(wú)需安裝即可使用，用戶不需要通過(guò)一層層菜單去尋找想要的功能，系統(tǒng)會(huì)根據(jù)用戶用車習(xí)慣和出行場(chǎng)景主動(dòng)推送，一鍵即可觸達(dá)。車機(jī)的交互邏輯對(duì)手機(jī)用戶也更友好，相較于其他車機(jī)五花八門(mén)的UX設(shè)計(jì)可以輕松上手，常用的動(dòng)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(jī)甚至PC等設(shè)備可以同時(shí)與車機(jī)互聯(lián)，跨設(shè)備連接能力更進(jìn)一步。

華為自研的智能語(yǔ)音助手小藝也繼續(xù)進(jìn)化，可見(jiàn)即可說(shuō)功能支持第三方APP，體驗(yàn)更便捷；支持5項(xiàng)指令連續(xù)說(shuō)及多輪對(duì)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(ài)人的聲音錄入，用ta的聲音進(jìn)行交互。此外，小藝的語(yǔ)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(jī)和車機(jī)之間自動(dòng)流轉(zhuǎn)，還會(huì)根據(jù)車輛狀態(tài)自動(dòng)顯示車輛可達(dá)里程，在續(xù)航不足時(shí)及時(shí)顯示附近的充電樁和加油站；在進(jìn)入服務(wù)區(qū)后再次回到車內(nèi)，導(dǎo)航將繼續(xù)原來(lái)的路線規(guī)劃，無(wú)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(jī)系統(tǒng)。

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

三、AI模型如何進(jìn)行工程化？

如今，AI模型百花齊放，在業(yè)務(wù)場(chǎng)景中的使用是越來(lái)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(jiǎn)單，這時(shí)，真正在線上系統(tǒng)部署模型時(shí)，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(chǔ)在內(nèi)存或分布式緩存（如Redis）中。模型在推理運(yùn)算時(shí)，從緩存中取出參數(shù)，再結(jié)合特征，完成模型預(yù)測(cè)推理運(yùn)算。

這樣的一些集成方式，多見(jiàn)于一些早期的推薦系統(tǒng)，模型也相對(duì)比較簡(jiǎn)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(shí)，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(lái)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(shí)現(xiàn)方式，

并提供了推理接口。業(yè)務(wù)系統(tǒng)集成時(shí)，將模型框架集成到系統(tǒng)當(dāng)中。這時(shí)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(dú)演化的需要。

但上述方式也有其問(wèn)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(jí)演化，不會(huì)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(wèn)題，因?yàn)椴⒉皇撬械哪Ｐ投际腔趖ensorflow開(kāi)發(fā)的，隨著pytorch的市場(chǎng)份額越來(lái)越高，其他框架的模型也越來(lái)越占主導(dǎo)地位。有的甚至都不一定都是基于python語(yǔ)言的。而且tensorflow的分布式擴(kuò)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(jì)算技術(shù)的發(fā)展，新時(shí)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(chǎng)（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(kuò)展。模型的升級(jí)演化和業(yè)務(wù)系統(tǒng)分離，互不影響，同時(shí)又是跨語(yǔ)言的。而且得益于云計(jì)算技術(shù)，服務(wù)的擴(kuò)展能力幾乎是無(wú)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(lái)，我們希望隨著像AI模型市場(chǎng)（aimodelmarket.cn）這樣的服務(wù)的發(fā)展，越來(lái)越多的模型服務(wù)被開(kāi)發(fā)出來(lái)，并實(shí)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(bào)告》有哪些適用申請(qǐng)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(guó)際數(shù)據(jù)公司(IDC)發(fā)布的《全球人工智能市場(chǎng)半年報(bào)告》預(yù)測(cè)，2022年，包括軟件、硬件和服務(wù)在內(nèi)的全球人工智能市場(chǎng)的總收入將增長(zhǎng)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(jì)算機(jī)專業(yè)的一個(gè)分支一直是熱門(mén)的研究方向， 計(jì)算機(jī)專業(yè)也是博士申請(qǐng)的熱門(mén)專業(yè) 。

不過(guò)，我們一般遇到的想申請(qǐng)計(jì)算機(jī)博士的學(xué)生，10個(gè)當(dāng)中幾乎9個(gè)的畫(huà)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(diǎn)的細(xì)分或者主題有嗎？”

“沒(méi)有，只要是這些我都可以。”

......

拜托，同學(xué)們，你們的臺(tái)詞能不能有點(diǎn)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(qǐng)人每年都洶涌至全球各大頂級(jí)CS院系，陣勢(shì)好比上班高峰期廣州地鐵三號(hào)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(dòng)輒就是這些又籠統(tǒng)又巨熱門(mén)的方向，你們靠什么亮點(diǎn)來(lái)吸引導(dǎo)師？

突然被問(wèn)住？來(lái)，跟著啟德全球博士申請(qǐng)中心，我們一起來(lái)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(bào)告（AI Index Report）有哪些適用于申請(qǐng)CS-AI方向博士的啟示。

AI研究趨勢(shì)和特點(diǎn)

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

通用化

該報(bào)告指出， 去年性能最佳的AI系統(tǒng)每10個(gè)當(dāng)中有9個(gè)都是使用額外訓(xùn)練數(shù)據(jù)集訓(xùn)練的。 這點(diǎn)充分體現(xiàn)出數(shù)據(jù)對(duì)AI的重要性，但同時(shí)也體現(xiàn)出數(shù)據(jù)對(duì)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(lái)實(shí)現(xiàn)。

同時(shí)，過(guò)去兩年， AI系統(tǒng)在更為通用化的強(qiáng)化學(xué)習(xí)任務(wù)當(dāng)中性能提升了129% ，對(duì)應(yīng)用環(huán)境具有更強(qiáng)的適應(yīng)力，能夠幫助機(jī)器進(jìn)行實(shí)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(gè)圖像分類系統(tǒng)的成本累計(jì)降低了63.6%，而訓(xùn)練時(shí)間則減少了94.4%。

基于這三點(diǎn)，未來(lái)優(yōu)秀的AI務(wù)必需要繼續(xù)減少對(duì)數(shù)據(jù)集的依賴、提供邏輯更加嚴(yán)密、同時(shí)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(qiáng)大數(shù)理邏輯背景和硬核工程技能 的同學(xué)會(huì)更能夠在申請(qǐng)CS-AI博士的時(shí)候取得優(yōu)勢(shì)，并且潛在導(dǎo)師會(huì)更加青睞能夠提出算法導(dǎo)向研究方向的申請(qǐng)人。

應(yīng)用化

同時(shí)， “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(yíng)AI產(chǎn)業(yè)領(lǐng)域 ——比2020年增長(zhǎng)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(shí)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(qǐng)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(qǐng)CS-AI博士的同學(xué)也應(yīng)該多考慮基于這三個(gè)領(lǐng)域構(gòu)思自己的研究計(jì)劃。

學(xué)科交叉化

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

CS-AI博士申請(qǐng)激烈

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

1） AI的研發(fā)活動(dòng)側(cè)重點(diǎn)非常多樣化，同時(shí)覆蓋地域非常廣泛 。各個(gè)國(guó)家和地區(qū)都有不同的研發(fā)活動(dòng)，高校和企業(yè)自然會(huì)不斷爭(zhēng)取吸引人才。而且去年對(duì)AI方向招聘增幅最多的國(guó)家和地區(qū)分別是新西蘭、中國(guó)香港、愛(ài)爾蘭、盧森堡和瑞典。因此，有意申請(qǐng)CS-AI博士的同學(xué)，理應(yīng)進(jìn)行全球化的申請(qǐng)布局，毋須局限在某些國(guó)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(jī)器學(xué)習(xí)，可以反應(yīng)出CS-AI博士申請(qǐng)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(jī)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(gè)專業(yè)。

AI是學(xué)界與業(yè)界聯(lián)系非常緊密的一個(gè)領(lǐng)域，了解行業(yè)情況，肯定會(huì)對(duì)大家的申博計(jì)劃有不少的幫助。所以，想申請(qǐng)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(méi)頭緒？沒(méi)關(guān)系！來(lái)找咱們博士中心?。≥o導(dǎo)大家設(shè)計(jì)研究方向，這是我們的專長(zhǎng)。不過(guò)，同學(xué)們可能會(huì)有疑問(wèn)：你們?cè)趺磶椭覀儊?lái)設(shè)計(jì)研究方向？

Don't worry，我們有一整套的方法來(lái)做到這點(diǎn)。這一套方法里面很重要的一個(gè)思路就是： 我們會(huì)把握學(xué)界和業(yè)界的動(dòng)態(tài)，分析趨勢(shì)，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?qǐng)中心等你來(lái)撩！

以上就是關(guān)于2023AI最火的幾個(gè)模型相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)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(tuán)招聘官網(wǎng)2023（中糧集團(tuán)招聘官網(wǎng)2023春招）

工作室設(shè)計(jì)說(shuō)明200字（工作室設(shè)計(jì)說(shuō)明200字范文）

東營(yíng)室外景觀設(shè)計(jì)公司（東營(yíng)室外景觀設(shè)計(jì)公司有哪些）

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