Znovuobjevení výzkumu umělé inteligence: Přístupy v krajině ovládané podniky
Stručně
Článek Togeliuse a Yannakakise poskytuje cenné poznatky o výzvách, kterým čelí akademici AI v akademickém prostředí.
Článek zdůrazňuje nedostatek výpočetních zdrojů, dominanci společnosti a potřebu experimentů v menším měřítku.
Výzkumníci by se měli zaměřit na využití předtrénovaných modelů, hloubkovou analýzu stávajících modelů, prozkoumání učení se zesílením (RL), prozkoumání minimálně zatížených modelů, prozkoumání nevyužitých nebo zanedbaných oblastí a testování neočekávaných metod.
Navrhují také procházení etických hranic, spolupráci s průmyslovými zainteresovanými stranami a podporu meziuniverzitní spolupráce.
Tyto strategie nabízejí akademikům AI plán, jak se v těchto výzvách vypořádat a pokračovat ve smysluplném přispění do této oblasti.
Je životně důležité vyhodnotit dopad umělé inteligence na různé zúčastněné strany, včetně akademických výzkumníků umělé inteligence, protože tato oblast prochází rychlou transformací. Nedávný článek Togelius J. a Yannakakis GN s názvem „Vyberte si svou zbraň: Strategie přežití pro deprimované akademiky umělé inteligence“ poskytuje hluboký vhled do této oblasti.
Obsah příspěvku zkoumá obtíže, kterým čelí teoretici výzkum AI v akademickém prostředí, navzdory hravému narativnímu návrhu názvu. Hlavní myšlenky a závěry studie budou stručně shrnuty v tomto přehledu.
Část 1: Dilemata AI Academics Face
1. Nedostatek výpočetních zdrojů:
Článek zdůrazňuje rostoucí rozdíl ve výpočetních zdrojích dostupných pro akademiky AI a jejich protějšky ve firemních odděleních AI. Před deseti lety stačila místní výpočetní nastavení pro pokrok ve výzkumu umělé inteligence v akademické sféře. Současný scénář však zaznamenal změnu paradigmatu. Významný pokrok v AI dnes často závisí na rozsáhlém výpočetním výkonu a řadě propracovaných experimentů. Bohužel, mnoho akademických výzkumníků se ocitlo bez adekvátního přístupu k takovým zdrojům.
2. Výzva firemní dominance:
Pojem konkurence ve světě vědeckého výzkumu zesílil. V ideálním případě by vědecké experimenty představovaly společné úsilí s náležitým uznáním každému přispěvateli. Rostoucí vliv korporátní sféry však poněkud zastínil tohoto kooperativního ducha. Když korporace směřují značné investice do výzkumu umělé inteligence, mají tendenci ovládat vývoj slibných nápadů a často odsouvají původní akademické přispěvatele na vedlejší kolej. Článek kreslí paralelu mezi touto situací a fenoménem, kdy se megamaloobchodník jako Walmart usadí poblíž místního rodinného obchodu a zastíní tak svůj byznys.
Výše uvedené výzvy, jak zdůrazňují Togelius a Yannakakis, zobrazují situaci, která je pro akademiky umělé inteligence znepokojivá. Podmínky vedly k určitému stupni deziluze, což ovlivnilo morálku a produktivitu výzkumných pracovníků, kteří zasvětili svou kariéru rozvoji oboru.
Studie nejen identifikuje problémy; poskytuje také strategie přežití pro ty, kdo v akademické sféře pociťují tíhu těchto výzev. Následující analýza níže se ponoří hlouběji do potenciálních řešení navrhovaných autory s cílem nabídnout akademikům umělé inteligence hmatatelné cesty, jak se orientovat v tomto vyvíjejícím se terénu.
Část 2: Strategie pro navigaci ve výzvách
1. Volba alternativních publikačních cest:
Vědcům se doporučuje, aby zvážili publikování v méně významných časopisech se zaměřením na dolaďování technických aspektů a prozkoumávání specializovaných otázek v rámci širších témat.
2. Stanovení priorit výpočetních zdrojů:
Důraz je kladen na alokaci významné části výzkumných grantů na výpočetní zdroje. Je však třeba poznamenat, že ani značné granty nemusí stačit k provádění pokročilých experimentů na stejné úrovni jako podnikové snahy.
3. Zaměření na experimenty v menším měřítku:
Výzkumníci mohou zaměřit své úsilí na stručnější problémy a použít je k ověření teoretických pokroků. Několik papírů, jako jsou ty od Shafiullah a kol. (2022) a Pearce a kol. (2023), úspěšně použili tento přístup. Přestože těmto metodám může být zpočátku věnována omezená pozornost, jejich význam může vzrůst, jakmile budou testovány na větších souborech dat.
4. Využití předtrénovaných modelů:
Místo toho, abyste začínali od nuly, použijte předem vyškolený modely mohou urychlit proces výzkumu, i když to může někdy omezit hloubku nálezů.
5. Hloubková analýza existujících modelů:
Výzkumníci jsou povzbuzováni k tomu, aby se ponořili do složitostí současných modelů spíše než se výhradně zaměřovali na vytváření nových.
6. Zkoumání Posílení učení (RL):
RL je navržen jako cenný nástroj, zejména proto, že se příliš nespoléhá na rozsáhlé soubory dat. Je však nezbytné vyvážit ambice a proveditelnost.
7. Zkoumání modelů s minimální zátěží:
Článek zdůrazňuje rostoucí význam vyvozování závěrů pomocí minimálně zatížených modelů a omezeného souboru dat, přičemž jako příklad odkazuje na Bayesovské metody.
8. Průzkum nevyužitých nebo zanedbaných oblastí:
Výzkumníci by se mohli ponořit do témat, která průmysl v současnosti přehlíží, nebo oživit dříve opuštěné metodiky. Tento přístup může nabídnout příležitost, než přitáhne významnou pozornost.
9. Experimentování s neočekávanými metodami:
Výzkumníci jsou vyzváni, aby zpochybnili status quo testováním metod, které se zdají kontraintuitivní.
10. Orientace v etických hranicích:
Zatímco korporace mohou být omezeny etickými pokyny a úvahami o dobré pověsti, akademici mají o něco větší volnost. Autoři navrhují prozkoumat témata, která mohou být považována za kontroverzní, ale zdůrazňují důležitost dodržování právní předpisy.
11. Spolupráce s průmyslem:
Navázání partnerství se zúčastněnými stranami z odvětví by mohlo poskytnout finanční prostředky a potenciálně vést ke vzniku začínajících podniků. Přesto je nezbytné, aby byl výzkum v souladu s praktickými aplikacemi.
12. Podpora meziuniverzitní spolupráce:
Budování mostů mezi univerzitami může podpořit prostředí pro spolupráci, i když bezprostřední přínosy se mohou zdát nepolapitelné.
Strategie nastíněné v Togelius a Yannakakis (2023) představují cestovní mapu pro akademiky umělé inteligence, kteří se orientují v aktuálních výzvách. I když budoucnost akademické sféry umělé inteligence zůstává nejistá, tyto pokyny nabízejí cesty, jak i nadále smysluplně přispívat do této oblasti. Následující články této série se budou dále ponořit do důsledků těchto doporučení a jejich potenciálního dlouhodobého dopadu.
Přečtěte si více o AI:
Odmítnutí odpovědnosti
V souladu s Pokyny k projektu Trust, prosím vezměte na vědomí, že informace uvedené na této stránce nejsou určeny a neměly by být vykládány jako právní, daňové, investiční, finanční nebo jakékoli jiné formy poradenství. Je důležité investovat jen to, co si můžete dovolit ztratit, a v případě pochybností vyhledat nezávislé finanční poradenství. Pro další informace doporučujeme nahlédnout do smluvních podmínek a také na stránky nápovědy a podpory poskytnuté vydavatelem nebo inzerentem. MetaversePost se zavázala poskytovat přesné a nezaujaté zprávy, ale podmínky na trhu se mohou bez upozornění změnit.
O autorovi
Damir je vedoucí týmu, produktový manažer a editor ve společnosti Metaverse Post, pokrývající témata jako AI/ML, AGI, LLM, Metaverse a Web3- související obory. Jeho články přitahují každý měsíc masivní publikum čítající více než milion uživatelů. Jeví se jako odborník s 10 lety zkušeností v oblasti SEO a digitálního marketingu. Damir byl zmíněn v Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto a další publikace. Jako digitální nomád cestuje mezi SAE, Tureckem, Ruskem a SNS. Damir získal bakalářský titul z fyziky, o kterém se domnívá, že mu dal dovednosti kritického myšlení potřebné k úspěchu v neustále se měnícím prostředí internetu.
Další články
Damir je vedoucí týmu, produktový manažer a editor ve společnosti Metaverse Post, pokrývající témata jako AI/ML, AGI, LLM, Metaverse a Web3- související obory. Jeho články přitahují každý měsíc masivní publikum čítající více než milion uživatelů. Jeví se jako odborník s 10 lety zkušeností v oblasti SEO a digitálního marketingu. Damir byl zmíněn v Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto a další publikace. Jako digitální nomád cestuje mezi SAE, Tureckem, Ruskem a SNS. Damir získal bakalářský titul z fyziky, o kterém se domnívá, že mu dal dovednosti kritického myšlení potřebné k úspěchu v neustále se měnícím prostředí internetu.
