2022年已經過去，又到了一年一度展望未來發展的特別時期。依照慣例Ai時代前沿組織收集一波關於未來科技和趨勢的文章，以颯讀者。
近年來，人工智慧一直在快速成長，似乎任何東西都難以阻止。隨著勢頭的增強，2023年人工智慧將朝哪個方向發展？專家們有話說。
許多人工智慧專案構思不周，導致最終失敗。 Pecan AI聯合創辦人兼執行長Zohar Bronfman表示，2023年，在評估人工智慧的功效時，企業將更加警惕。
「2023年，企業領導人將比過去更嚴格地評估潛在的資料科學專案。這些專案往往無法產生真正的影響，因為它們與業務需求不一致，或因為它們從未投入生產。隨著數據科學所涉及的費用和時間承諾，領導者將更加仔細地審查擬議的工作，並尋求正確的計劃。」 Bronfman 說：「我們將繼續努力，以確保在短期內根據模型的輸出能夠促進業務改進行動，或在資源浪費之前停止。」
2023年，對資料科學家的需求將持續增加。 Domino資料實驗室的執行長兼共同創辦人Nick Elprin預測，對GPU進行深度學習模型訓練的需求也將如此。
「人工智慧的最大改進來源是在訓練系統中部署深度學習，尤其是Transformer模型，旨在模擬人類大腦神經元動作的任務。這些突破需要巨大的運算能力來分析大量結構化和非結構化資料集。與CPU不同，圖形處理單元（GPU）可以支援深度學習工作負載所需的平行處理。這意味著在2023年，隨著更多基於深度學習技術的應用程式湧現，從翻譯菜單到治療疾病，對GPU的需求將繼續飆升」。
支持這個觀點的是英偉達DGX系統副總裁Charlie Boyle，他希望明年能銷售更多的GPU。
「2023年，無法支援平行處理的低效率、基於x86的傳統運算架構將被加速運算解決方案所取代，這些解決方案將提供建構語言模型、推薦引擎等所需的運算效能、規模和效率。在經濟逆風中，企業將尋求能夠實現目標的AI解決方案，同時簡化IT合作流程和提高效率。使用軟體在基礎設施中整合工作流程的新平台將實現運算效能突破，降低整體擁有成本，減少碳足跡，加快變革性人工智慧專案的投資回報，取代更浪費、更陳舊的架構。」
你認為僱用合格的資料科學家需要多久？有人開玩笑說就像發現獨角獸一樣困難。 Kyndi創辦人兼執行長Ryan Welsh認為2023年會是世界達到「資料科學家高峰」的一年。
「資料科學家和機器學習工程師的短缺一直是企業實現人工智慧價值的瓶頸。結果發生了兩件事：越來越多的人追求資料科學學位和認證，增加了資料科學家的數量；以及供應商提出了新的方法，以盡量減少資料科學家在人工智慧生產中的參與。這兩個趨勢同時幹擾導致「資料科學家高峰」。因為隨著基礎模型的出現，公司可以在這些模型的基礎上構建自己的應用程序，而不是要求每個公司從頭開始訓練自己的模型。更少的定制模型訓練需要更少的數據科學家，同時更多的人正在畢業。在2023年，預計市場會做出相應反應，導致數據科學過度飽和」。
資料科學工具供應商Dataiku的負責人工智慧主管Triveni Gandhi預測，有望看到合乎道德的人工智慧持續吸引企業的注意和資源。
「雖然我們在新聞中看到了一些公司削減道德人工智慧職位的新聞，但事實是，大多數公司將繼續投資於其道德人工智慧團隊。這一資源對於人工智慧的規模和營運至關重要，有助於公司確信其人工智慧輸出符合其價值觀，並以穩健可靠的方式執行。此外，道德人工智慧小組讓用戶相信他們正在與之互動的產品是經過考慮的，並滿足安全和信任方面的期望。對於任何一家公司來說，要保持領先地位，必須建立一個合乎道德的人工智慧團隊。」
深度學習的困境之一是預測模型的黑箱性質。圖形資料庫製造商Franz的執行長Jans Aasman表示，解決這個問題的一種方法是在2023年將人工智慧與因果知識圖配對。
「未來幾年，因果人工智慧將出現成長，首先是創建發現事件之間因果關係的知識圖。醫療保健、製藥、金融服務、製造業和供應鏈組織將把特定領域的知識圖與因果圖聯繫起來，並進行模擬，以超越依賴歷史數據的基於相關性的機器學習。因果預測有可能透過使因果關係透明來提高人工智慧的可解釋性」。
圖形資料庫製造商Neo4j的產品行銷高級主管Maya Natarajan也預見到圖形和AI的結合會取得明顯進展。
Natarajan表示：「企業將繼續尋找最佳方式，以利用知識圖來實現負責任的人工智慧。透過利用知識圖提供的上下文，組織可以提高道德決策的準確性，透過保持數據流的來源來提高可解釋性，並透過開闢新的分析方法來幫助減輕偏見。」
明年人工智慧將發現向量資料庫更具魅力。 Pinecone創辦人兼執行長Edo Liberty就是這麼認為的，Pinecone是向量資料庫市場的早期領導者之一。
「隨著人工智慧的不斷發展和越來越廣泛的應用，將相應地需要更先進和可擴展的基礎設施來支援其開發和部署。人工智慧基礎設施投資的關鍵領域將是專門的資料基礎設施，如向量資料庫，其設計用於儲存和處理現代ML模型產生的大量資料。Liberty表示：「這將加速人工智慧系統的開發和部署，這些系統在許多領域將超過上一年的應用。 」
近年來，公司不斷增加對人工智慧的使用，取得了喜憂參半的成績。但SAS諮詢業務解決方案經理Kimberly Nevala預測，2023年，人工智慧將進入「少就是多」的成長階段。
“隨著組織意識到“少即是多”，人工智慧將激增，並悄悄地將重點從大規模創新作為目標變為應用於更廣泛的小決策點和行動，其集體影響大於各部分的總和。矛盾的是，作為組織和重要員工需要對這些技術有廣泛的認識，並能自如地使用。 」
所以你已經在GPU上投入了大量資金來訓練你的神經網路。你怎麼處理它呢？SQream產品副總裁Matan Libis表示，總有一些SQL查詢需要額外的馬力。
「為AI/ML重複使用運算資源的能力對企業來說是一個令人興奮的寶貴機會。重複使用不僅減少了AI留下的碳足跡，而且更便宜的全球資料儲存解決方案的普遍增加也減少了對GPU硬體的依賴。此外當您不需要將資料從一個地方移動到另一個地方時，可以降低延遲。然而，一旦企業在一個地方準備數據，在另一個地方進行訓練，並將推理轉移到再一個地方，希望透過簡化流程，我們將看到AI/ML能力的準確性和速度都有巨大的提高。 」
深度學習公司Deci的執行長兼聯合創始人Yonatan Geifman表示，雲端運算的高成本正在給每個人帶來壓力，但人工智慧用戶可以透過優化模型來對抗成本攀升。
「一直在雲端環境中運行人工智慧模式的企業正在看到高效能雲端處理可能會給他們帶來的財務損失。 2023年，可能會看到更多公司尋求降低人工智慧推理雲端成本。實現這一點的最有效方法之一是在保持其準確性的同時提高人工智慧模型速度，減少在雲端上的處理時間，並有效地節省了資金。 」
Evinced首席科學家Yossi Synett預測，2023年，我們將看到無需標記資料的自我監督機器學習技術取得更多突破。
「阻礙人工智慧發展的一個因素是缺乏高品質的標籤數據。雖然我們今天已經看到了進展，但2023年仍將繼續成長。我們正在尋找越來越多的方法，使用自我監督學習對模型進行預訓練，然後根據特定任務對模型進行微調。這方面最好、最有效的例子是NLP（自然語言處理），其中稱為掩蔽語言建模（使模型預測句子中隱藏的單字）和因果語言建模（讓模型預測句子中下一個單字）的技術徹底改變了遊戲規則。由於自我監督學習不需要標記數據，而微調需要的標記數據要少得多，這使得訓練複雜模型變得更加容易。可用於更好地選擇標籤示例，這進一步減少了AI項目的財務障礙。」
富國銀行（Wells Fargo）首席執行官兼集團首席資訊長Chintan Mehta表示，要做好準備，讓人工智慧在2023年達到更高的水平，採用新的使用者互動模式，更能理解意圖。
「2023年及以後，人工智慧的部署和訊號感知將呈指數級加速。人工智慧將克服偏見感知、判斷和法律解釋。產業將為打破偏見建構更多解決方案，以便人工智慧在解釋其行動過程的同時為消費者提供解決方案。使用者介面將發生轉變。他們將超越基於應用的體驗從非視覺的輕擊/觸摸互動到向上下文傳遞視覺的動作調用以及基於語言和手勢的互動。為這些體驗提供動力所需的人工智慧將大幅增加，超越僅僅理解語言，真正掌握每一次互動的隱藏意圖。人工智慧將產生人工智慧。」
德國IT公司GFT的美國執行長Marco Santos預測，2023年，我們將看到前所未有的人工智慧和機器學習用例出現並最終成為主流。
「隨著公司擺脫傳統系統的限制，能夠將來自不同系統的大量資料集匯集在一起，我們將看到人工智慧和機器學習前所未有的使用案例。例如，在汽車製造業，剛開始看到下一代製造業數據平台的出現，或單一且統一的基於雲端的平台製造商正在聚合其整個組織中的所有數據。一旦有了數據，他們就可以開始建立人工智慧應用程式。”
以上是2023展望：預測人工智慧的未來大事的詳細內容。更多資訊請關注PHP中文網其他相關文章！
