人工智能缩放策略：质疑传统的情报方法|企业家
作者：Howie Jones
对人工智能发展策略的最新分析表明，关于AI进步的传统观念可能存在缺陷。专家们越来越挑战这样的观念，即所有扩展方法在AI开发中都会产生相等的结果，尤其是质疑更长的推理链和增加计算能力是否必然会转化为更高的智能。
AI研究社区长期以来一直在某些假设上进行有关如何改善机器智能的假设。但是，新的观点表明，随着该领域的继续成熟，这些假设值得仔细检查。
重新思考AI中的链条推理
一个关键发现挑战了以下信念：更长的推理链（AI系统通过多个逻辑步骤来得出结论）自动表明更先进的智能。虽然分步推理可以帮助AI系统解决复杂的问题，但这些链的长度不一定与AI思维的质量或复杂性相关。
一些具有较短，更有效推理模式的AI系统实际上可以通过快速识别最佳解决方案而不是通过不必要的步骤来表现出更大的智能。这表明推理的质量和效率可能比涉及的大量步骤更重要。
计算能力的限制
另一个重要的见解问题“更多地计算等于统治整个行业的更好的AI”方法。尽管计算资源对于最近的AI突破至关重要，但专家现在建议，在AI问题上仅仅抛出更多的处理能力可能会产生减少的回报。
批评指出了以计算为中心的几个局限性：
- 增加能耗和环境影响
- 资源较少的研究人员的可访问性有限
- 掩盖基本算法效率低下的潜力
取而代之的是，研究人员开始专注于开发更有效的算法和培训方法，这些算法和培训方法可以以较少的计算能力获得可比或优越的结果。
高级AI的替代途径
随着现场重新考虑的传统缩放策略，几种替代方法引起了人们的关注：
数据质量超过数量：而不是简单地增加数据集大小，专注于策划高质量的培训数据可能会导致更有能力的系统。
建筑创新：新颖的神经网络设计可能取得更好的结果，而不是简单地扩展现有的体系结构。
专业培训技术：诸如转移学习和少数学习学习之类的方法可以减少对大量计算资源的需求，同时提高AI功能。
这些发现表明，AI研究界可能需要多样化其进步方法，而不是主要依靠现有方法扩展。
对AI扩展的不断发展的理解挑战研究人员对我们如何衡量和发展机器智能进行更批判地思考。随着田地的成熟，考虑到大小和计算能力以外的多个因素的细微差别方法可能会在创建真正智能的系统方面更有成果。
这种思维的转变可能会对AI研究的未来方向产生重大影响，这可能会使先进的AI开发更容易访问，同时减少环境影响。这也可能导致更紧密地模仿人类智力的系统，这些系统通常依赖于有效的推理而不是蛮力计算。
帖子人工智能缩放策略：质疑传统的情报方法首先出现日历。
关于《人工智能缩放策略：质疑传统的情报方法|企业家》的评论
暂无评论