Genopfinde AI-forskning: tilgange i et virksomhedsdomineret landskab
Kort sagt
Artiklen af Togelius og Yannakakis giver værdifuld indsigt i de udfordringer, som AI-akademikere står over for i akademiske omgivelser.
Artiklen fremhæver knapheden på computerressourcer, virksomhedernes dominans og behovet for eksperimenter i mindre skala.
Forskere bør fokusere på at udnytte forudtrænede modeller, dybdegående analyse af eksisterende modeller, udforske forstærkningslæring (RL), undersøge minimalt belastede modeller, udforske uudnyttede eller forsømte områder og teste uventede metoder.
De foreslår også at navigere i etiske grænser, samarbejde med industriens interessenter og fremme samarbejder mellem universiteter.
Disse strategier tilbyder en køreplan for AI-akademikere til at navigere i disse udfordringer og fortsætte med at yde meningsfulde bidrag til feltet.
Det er afgørende at evaluere virkningen af AI på forskellige interessenter, herunder akademiske AI-forskere, da feltet er under hastig forandring. En nylig artikel af Togelius J. og Yannakakis GN med titlen "Vælg dit våben: Overlevelsesstrategier for deprimerede AI-akademikere” giver dybtgående indsigt i dette område.
Artiklens indhold udforsker de vanskeligheder, som dem, der beskæftiger sig med teoretisk, står over for AI forskning i akademiske rammer, på trods af titlens legende fortælleforslag. Undersøgelsens hovedideer og konklusioner vil blive kort opsummeret i denne gennemgang.
Del 1: De dilemmaer AI-akademikere står over for
1. Knapphed på computerressourcer:
Artiklen understreger den stigende forskel i computerressourcer, der er tilgængelige for AI-akademikere og deres modparter i virksomheders AI-afdelinger. For et årti siden var lokale beregningsopsætninger tilstrækkelige til at fremme AI-forskning i den akademiske verden. Imidlertid har det nutidige scenarie set et paradigmeskift. Væsentlige fremskridt inden for kunstig intelligens i dag er ofte afhængige af omfattende beregningskraft og en række omfattende eksperimenter. Desværre står mange akademiske forskere uden tilstrækkelig adgang til sådanne ressourcer.
2. Udfordringen med virksomhedsdominans:
Konkurrencebegrebet i den videnskabelige forskningsverden er blevet intensiveret. Ideelt set ville videnskabelige eksperimenter repræsentere samarbejdsbestræbelser med behørig anerkendelse til enhver bidragyder. Alligevel har virksomhedernes stigende indflydelse noget formørket denne samarbejdsånd. Når virksomheder kanaliserer betydelige investeringer til forskning i kunstig intelligens, har de en tendens til at dominere udviklingen af lovende ideer, og de sætter ofte de oprindelige akademiske bidragydere til side. Avisen drager en parallel mellem denne situation og fænomenet, hvor en mega-detailhandler som Walmart etablerer sig i nærheden af en lokal familiebutik og overskygger sin forretning.
De førnævnte udfordringer, som fremhævet af Togelius og Yannakakis, skildrer et bekymrende landskab for AI-akademikere. Betingelserne har ført til en vis grad af desillusion, hvilket påvirker moralen og produktiviteten hos forskere, der har dedikeret deres karriere til at fremme feltet.
Undersøgelsen identificerer ikke blot problemer; det giver også overlevelsesstrategier for dem i den akademiske verden, der føler hovedparten af disse udfordringer. En efterfølgende analyse nedenfor vil dykke dybere ned i de potentielle løsninger foreslået af forfatterne, med det formål at tilbyde AI-akademikere håndgribelige veje til at navigere i dette udviklende terræn.
Del 2: Strategier til at navigere i udfordringer
1. Vælg alternative publikationsveje:
Forskere rådes til at overveje at publicere i mindre højprofilerede tidsskrifter, fokusere på at forfine tekniske aspekter og udforske nichespørgsmål inden for bredere emner.
2. Prioritering af computerressourcer:
Der lægges vægt på at tildele en væsentlig del af forskningsbevillingerne til beregningsressourcer. Det bemærkes dog, at selv betydelige tilskud måske ikke er tilstrækkelige til at udføre avancerede eksperimenter på linje med virksomhedernes bestræbelser.
3. Fokus på eksperimenter i mindre skala:
Forskere kan koncentrere deres indsats om mere kortfattede problemer ved at bruge dem til at validere teoretiske fremskridt. Flere papirer, såsom dem af Shafiullah et al. (2022) , Pearce et al. (2023), med succes anvendt denne tilgang. Selvom disse metoder til at begynde med får begrænset opmærksomhed, kan deres relevans vokse, når de først er testet på større datasæt.
4. Udnyttelse af forudtrænede modeller:
I stedet for at starte fra bunden, ved hjælp af fortrænede modeller kan fremskynde forskningsprocessen, selvom det nogle gange kan begrænse dybden af fund.
5. Dybdegående analyse af eksisterende modeller:
Forskere opfordres til at dykke ned i de nuværende modellers forviklinger i stedet for udelukkende at fokusere på at skabe nye.
6. Udforskning Forstærkningslæring (RL):
RL foreslås som et værdifuldt værktøj, især da det ikke er stærkt afhængigt af omfattende datasæt. Det er dog vigtigt at balancere ambition med gennemførlighed.
7. Undersøgelse af minimalt belastede modeller:
Papiret fremhæver den stigende betydning af at drage konklusioner ved hjælp af minimalt indlæste modeller og et begrænset datasæt, idet der refereres til Bayesianske metoder som et eksempel.
8. Udforskning af uudnyttede eller forsømte områder:
Forskere kunne dykke ned i emner, der i øjeblikket overses af industrien eller genoplive tidligere forladte metoder. Denne tilgang kan tilbyde et vindue af muligheder, før den tiltrækker væsentlig opmærksomhed.
9. Eksperimenter med uventede metoder:
Forskere bliver tilskyndet til at udfordre status quo ved at teste metoder, der virker kontraintuitive.
10. Navigering af etiske grænser:
Mens virksomheder kan være begrænset af etiske retningslinjer og overvejelser om omdømme, har akademikere lidt mere spillerum. Forfatterne foreslår at udforske emner, der kan anses for kontroversielle, men understreger vigtigheden af at overholde lovbestemmelser.
11. Samarbejde med industrien:
Etablering af partnerskaber med industriens interessenter kan give finansiering og potentielt føre til starten af nystartede virksomheder. Alligevel er det vigtigt, at forskningen stemmer overens med praktiske anvendelser.
12. Fremme af samarbejder mellem universiteter:
At bygge broer mellem universiteter kan fremme et samarbejdsmiljø, selvom de umiddelbare fordele kan virke undvigende.
Strategierne skitseret af Togelius og Yannakakis (2023) repræsentere en køreplan for AI-akademikere, der navigerer i de aktuelle udfordringer. Mens fremtiden for AI-akademiet stadig er usikker, tilbyder disse retningslinjer veje til fortsat at yde meningsfulde bidrag til feltet. De efterfølgende artikler i denne serie vil dykke yderligere ned i konsekvenserne af disse anbefalinger og deres potentielle langsigtede virkning.
Læs mere om AI:
Ansvarsfraskrivelse
I tråd med den Trust Project retningslinjer, bemærk venligst, at oplysningerne på denne side ikke er beregnet til at være og ikke skal fortolkes som juridiske, skattemæssige, investeringsmæssige, finansielle eller nogen anden form for rådgivning. Det er vigtigt kun at investere, hvad du har råd til at tabe, og at søge uafhængig finansiel rådgivning, hvis du er i tvivl. For yderligere information foreslår vi at henvise til vilkårene og betingelserne samt hjælpe- og supportsiderne fra udstederen eller annoncøren. MetaversePost er forpligtet til nøjagtig, objektiv rapportering, men markedsforholdene kan ændres uden varsel.
Om forfatteren
Damir er teamleder, produktchef og redaktør på Metaverse Post, der dækker emner som AI/ML, AGI, LLM'er, Metaverse og Web3-relaterede felter. Hans artikler tiltrækker et massivt publikum på over en million brugere hver måned. Han ser ud til at være en ekspert med 10 års erfaring i SEO og digital markedsføring. Damir er blevet nævnt i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto og andre publikationer. Han rejser mellem UAE, Tyrkiet, Rusland og SNG som en digital nomade. Damir tog en bachelorgrad i fysik, som han mener har givet ham de kritiske tænkningskompetencer, der er nødvendige for at få succes i internettets evigt skiftende landskab.
Flere artikler
Damir er teamleder, produktchef og redaktør på Metaverse Post, der dækker emner som AI/ML, AGI, LLM'er, Metaverse og Web3-relaterede felter. Hans artikler tiltrækker et massivt publikum på over en million brugere hver måned. Han ser ud til at være en ekspert med 10 års erfaring i SEO og digital markedsføring. Damir er blevet nævnt i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto og andre publikationer. Han rejser mellem UAE, Tyrkiet, Rusland og SNG som en digital nomade. Damir tog en bachelorgrad i fysik, som han mener har givet ham de kritiske tænkningskompetencer, der er nødvendige for at få succes i internettets evigt skiftende landskab.
