Преоткриване на AI изследвания: подходи в доминиран от корпорациите пейзаж
Накратко
Статията на Togelius и Yannakakis предоставя ценна представа за предизвикателствата, пред които са изправени преподавателите по ИИ в академичните среди.
Статията подчертава недостига на изчислителни ресурси, корпоративното господство и необходимостта от експерименти в по-малък мащаб.
Изследователите трябва да се съсредоточат върху използването на предварително обучени модели, задълбочен анализ на съществуващи модели, изследване на обучението с подсилване (RL), изследване на минимално натоварени модели, изследване на неизползвани или пренебрегвани области и тестване на неочаквани методи.
Те също така предлагат навигиране в етичните граници, сътрудничество със заинтересовани страни от индустрията и насърчаване на междууниверситетско сътрудничество.
Тези стратегии предлагат пътна карта за учените в областта на ИИ, за да се справят с тези предизвикателства и да продължат да дават значим принос в областта.
От жизненоважно значение е да се оцени въздействието на ИИ върху различни заинтересовани страни, включително академични изследователи на ИИ, тъй като областта претърпява бърза трансформация. Скорошна статия от Togelius J. и Yannakakis GN, озаглавена „Изберете своето оръжие: Стратегии за оцеляване за депресирани преподаватели по AI” предоставя задълбочен поглед върху тази област.
Съдържанието на статията изследва трудностите, пред които са изправени тези, които се занимават с теория AI изследвания в академична обстановка, въпреки игривото наративно внушение на заглавието. Основните идеи и заключения от изследването ще бъдат обобщени накратко в този преглед.
Част 1: Дилемите, пред които са изправени академиците с ИИ
1. Недостиг на изчислителни ресурси:
Статията подчертава нарастващото несъответствие в изчислителните ресурси, достъпни за преподавателите по ИИ и техните колеги в корпоративните отдели за ИИ. Преди десетилетие местните изчислителни настройки бяха достатъчни за напредък в изследванията на ИИ в академичните среди. Съвременният сценарий обаче претърпя промяна на парадигмата. Значителният напредък в ИИ днес често разчита на обширна изчислителна мощност и серия от сложни експерименти. За съжаление много академични изследователи се оказват без подходящ достъп до такива ресурси.
2. Предизвикателството на корпоративното господство:
Концепцията за конкуренцията в света на научните изследвания се засили. В идеалния случай научните експерименти биха представлявали съвместни начинания, с дължимото признание към всеки сътрудник. И все пак нарастващото влияние на корпоративната сфера донякъде засенчи този дух на сътрудничество. Когато корпорациите насочват значителни инвестиции в изследвания на ИИ, те са склонни да доминират в разработването на обещаващи идеи, често оставяйки настрана първоначалните академични сътрудници. Документът прави паралел между тази ситуация и явлението, при което мегатърговец на дребно като Walmart се установява близо до местен семеен магазин, засенчвайки бизнеса му.
Гореспоменатите предизвикателства, както се подчертава от Тогелиус и Янакакис, изобразяват тревожен пейзаж за академиците на ИИ. Условията доведоха до известна степен на разочарование, което повлия на морала и производителността на изследователите, посветили кариерата си на развитието на тази област.
Проучването не само идентифицира проблеми; също така предоставя стратегии за оцеляване за тези в академичните среди, които чувстват тежестта на тези предизвикателства. Последващият анализ по-долу ще се задълбочи в потенциалните решения, предложени от авторите, с цел да предложи на академиците на ИИ осезаеми пътища за навигация в този развиващ се терен.
Част 2: Стратегии за справяне с предизвикателствата
1. Избор на алтернативни пътища за публикуване:
Изследователите се съветват да обмислят публикуване в по-малко известни списания, като се фокусират върху усъвършенстването на техническите аспекти и изследването на нишови въпроси в рамките на по-широки теми.
2. Приоритетизиране на изчислителните ресурси:
Акцентът се поставя върху разпределянето на значителна част от безвъзмездните средства за научни изследвания за изчислителни ресурси. Отбелязва се обаче, че дори значителни субсидии може да не са достатъчни за провеждане на напреднали експерименти наравно с корпоративните начинания.
3. Фокусиране върху експерименти с по-малък мащаб:
Изследователите могат да съсредоточат усилията си върху по-кратки проблеми, като ги използват за валидиране на теоретичния напредък. Няколко статии, като тези на Шафиула и др. (2022) намлява Pearce и др. (2023), успешно използва този подход. Въпреки че тези методи може първоначално да получат ограничено внимание, тяхната уместност може да нарасне, след като бъдат тествани върху по-големи набори от данни.
4. Използване на предварително обучени модели:
Вместо да започвате от нулата, като използвате предварително обучени моделите могат да ускорят процеса на изследване, въпреки че понякога може да ограничи дълбочината на откритията.
5. Задълбочен анализ на съществуващите модели:
Изследователи се насърчават да се задълбочават в тънкостите на текущите модели, вместо да се фокусират изключително върху създаването на нови.
6. Проучване Укрепване на обучението (RL):
RL се предлага като ценен инструмент, особено след като не разчита в голяма степен на обширни набори от данни. Важно е обаче да балансирате амбицията с осъществимостта.
7. Проучване на минимално заредени модели:
Документът подчертава нарастващото значение на правенето на заключения с помощта на минимално натоварени модели и ограничен набор от данни, позовавайки се на байесови методи като пример.
8. Проучване на неизползвани или пренебрегвани области:
Изследователите биха могли да се задълбочат в теми, които в момента се пренебрегват от индустрията, или да съживят изоставени преди това методологии. Този подход може да предложи прозорец на възможност, преди да привлече значително внимание.
9. Експериментиране с неочаквани методи:
Изследователите са подтикнати да оспорят статуквото чрез тестване на методи, които изглеждат неинтуитивни.
10. Навигиране в етичните граници:
Докато корпорациите могат да бъдат ограничени от етични насоки и съображения за репутация, академичните среди имат малко повече свобода на действие. Авторите предлагат да се изследват теми, които може да се считат за противоречиви, но подчертават важността на спазването на законови разпоредби.
11. Сътрудничество с индустрията:
Установяването на партньорства със заинтересовани страни от индустрията може да осигури финансиране и потенциално да доведе до създаването на стартиращи фирми. И все пак е от съществено значение изследването да се приведе в съответствие с практическите приложения.
12. Насърчаване на междууниверситетското сътрудничество:
Изграждането на мостове между университетите може да насърчи среда за сътрудничество, въпреки че непосредствените ползи може да изглеждат неуловими.
Стратегиите, очертани от Тогелиус и Янакакис (2023) представляват пътна карта за академиците на ИИ, които се ориентират в настоящите предизвикателства. Въпреки че бъдещето на академичните среди на ИИ остава несигурно, тези насоки предлагат пътища за продължаване на значителния принос в областта. Следващите статии от тази серия ще разгледат допълнително последиците от тези препоръки и тяхното потенциално дългосрочно въздействие.
Прочетете повече за AI:
Отказ от отговорност
В съответствие с Доверете се насоките на проекта, моля, имайте предвид, че предоставената на тази страница информация не е предназначена да бъде и не трябва да се тълкува като правен, данъчен, инвестиционен, финансов или каквато и да е друга форма на съвет. Важно е да инвестирате само това, което можете да си позволите да загубите, и да потърсите независим финансов съвет, ако имате някакви съмнения. За допълнителна информация предлагаме да се обърнете към правилата и условията, както и към страниците за помощ и поддръжка, предоставени от издателя или рекламодателя. MetaversePost се ангажира с точно, безпристрастно отчитане, но пазарните условия подлежат на промяна без предизвестие.
За автора
Дамир е ръководител на екип, продуктов мениджър и редактор в Metaverse Post, обхващащи теми като AI/ML, AGI, LLMs, Metaverse и Web3- свързани полета. Статиите му привличат огромна аудитория от над милион потребители всеки месец. Изглежда, че е експерт с 10 години опит в SEO и дигитален маркетинг. Дамир е споменат в Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto и други публикации. Той пътува между ОАЕ, Турция, Русия и ОНД като дигитален номад. Дамир получава бакалавърска степен по физика, която според него му е дала уменията за критично мислене, необходими за успех в непрекъснато променящия се пейзаж на интернет.
Още статии
Дамир е ръководител на екип, продуктов мениджър и редактор в Metaverse Post, обхващащи теми като AI/ML, AGI, LLMs, Metaverse и Web3- свързани полета. Статиите му привличат огромна аудитория от над милион потребители всеки месец. Изглежда, че е експерт с 10 години опит в SEO и дигитален маркетинг. Дамир е споменат в Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto и други публикации. Той пътува между ОАЕ, Турция, Русия и ОНД като дигитален номад. Дамир получава бакалавърска степен по физика, която според него му е дала уменията за критично мислене, необходими за успех в непрекъснато променящия се пейзаж на интернет.
