Tekoälytutkimuksen uudistaminen: Lähestymistapoja yritysten hallitsemassa maisemassa
Lyhyesti
Togeliuksen ja Yannakiksen artikkeli tarjoaa arvokkaita näkemyksiä tekoälyn tutkijoiden akateemisissa ympäristöissä kohtaamista haasteista.
Artikkelissa korostetaan laskentaresurssien niukkuutta, yritysten ylivaltaa ja pienempien kokeilujen tarvetta.
Tutkijoiden tulisi keskittyä hyödyntämään esikoulutettuja malleja, perusteellisesti analysoimaan olemassa olevia malleja, tutkimaan vahvistusta oppimista (RL), tutkimaan minimaalisesti kuormitettuja malleja, tutkimaan hyödyntämättömiä tai laiminlyötyjä alueita ja testaamaan odottamattomia menetelmiä.
He ehdottavat myös eettisten rajojen ylittämistä, yhteistyötä alan sidosryhmien kanssa ja yliopistojen välisen yhteistyön edistämistä.
Nämä strategiat tarjoavat etenemissuunnitelman tekoälyn tutkijoille, jotta he voivat navigoida näissä haasteissa ja jatkaa merkityksellistä panostusta alalla.
Tekoälyn vaikutusta eri sidosryhmiin, mukaan lukien akateemisiin tekoälytutkijoihin, on elintärkeää arvioida, sillä alalla tapahtuu nopeaa muutosta. Togelius J.:n ja Yannakakis GN:n tuore artikkeli otsikolla "Valitse aseesi: selviytymisstrategiat masentuneille tekoälytutkijoille” tarjoaa syvällisen näkemyksen tälle alueelle.
Paperin sisältö tutkii teoreettisen alan ammattilaisten kohtaamia vaikeuksia AI tutkimus akateemisissa ympäristöissä otsikon leikkisästä kertomusehdotuksesta huolimatta. Tutkimuksen keskeiset ajatukset ja johtopäätökset esitetään lyhyesti tässä katsauksessa.
Osa 1: Dilemmas AI Academics Face
1. Tietojenkäsittelyresurssien niukkuus:
Artikkelissa korostetaan kasvavaa eroa tekoälyn tutkijoiden ja heidän yritysten tekoälyosastojen kollegojensa käytettävissä olevien laskentaresurssien välillä. Kymmenen vuotta sitten paikalliset laskennalliset asetukset riittivät AI-tutkimuksen edistämiseen akateemisessa maailmassa. Nykyinen skenaario on kuitenkin nähnyt paradigman muutoksen. Tekoälyn merkittävät edistysaskeleet perustuvat nykyään usein laajaan laskentatehoon ja moniin monimutkaisiin kokeisiin. Valitettavasti monet akateemiset tutkijat joutuvat vailla riittävää pääsyä tällaisiin resursseihin.
2. Yritysten määräävän aseman haaste:
Kilpailun käsitys tieteellisen tutkimuksen maailmassa on kiristynyt. Ihannetapauksessa tieteelliset kokeet edustaisivat yhteistyöpyrkimyksiä, joista jokainen osallistuja saisi asianmukaisen tunnustuksen. Yritysmaailman kasvava vaikutusvalta on kuitenkin jossain määrin peittänyt tämän yhteistyöhengen. Kun yritykset kanavoivat huomattavia investointeja tekoälytutkimukseen, niillä on taipumus hallita lupaavien ideoiden kehittämistä ja jättää usein alkuperäiset akateemiset avustajat sivuun. Lehti vetää rinnakkaisuuden tämän tilanteen ja ilmiön välille, jossa Walmartin kaltainen megakauppias asettuu lähelle paikallista perhekauppaa, mikä varjostaa sen liiketoimintaa.
Edellä mainitut haasteet, kuten Togelius ja Yannakakis korostavat, kuvaavat huolestuttavaa maisemaa tekoälyn tutkijoille. Olosuhteet ovat johtaneet tiettyyn pettymykseen, mikä on vaikuttanut alan edistämiseen uransa omistaneiden tutkijoiden moraaliin ja tuottavuuteen.
Tutkimus ei pelkästään tunnista ongelmia; se tarjoaa myös selviytymisstrategioita niille akateemisissa yrityksissä, jotka tuntevat näiden haasteiden rasituksen. Alla olevassa myöhemmässä analyysissä tarkastellaan syvemmälle tekijöiden ehdottamia mahdollisia ratkaisuja, joiden tavoitteena on tarjota tekoälytutkijoille konkreettisia polkuja navigointiin tässä kehittyvässä maastossa.
| liittyvä: Mustafa Suleyman ehdottaa ACI-lähestymistapaa heikon tekoälyn ja AGI:n välisen kuilun kuromiseen |
Osa 2: Strategiat haasteiden ratkaisemiseksi
1. Vaihtoehtoisten julkaisujen valitseminen:
Tutkijoita kehotetaan harkitsemaan julkaisemista vähemmän korkean profiilin lehdissä, keskittyen teknisten näkökohtien jalostukseen ja laajempien aiheiden niche-kysymysten tutkimiseen.
2. Tietojenkäsittelyresurssien priorisointi:
Merkittävä osa tutkimusapurahoista painotetaan kohdentamista laskennallisiin resursseihin. On kuitenkin huomattava, että edes merkittävät apurahat eivät välttämättä riitä pitkälle kehitettyjen kokeilujen suorittamiseen yritysten pyrkimysten tasolla.
3. Keskittyminen pienimuotoisiin kokeisiin:
Tutkijat voivat keskittää ponnistelunsa ytimekkäämpiin ongelmiin ja käyttää niitä teoreettisen edistyksen vahvistamiseen. Useita papereita, kuten kirjoittajan Shafiullah et ai. (2022) ja Pearce et ai. (2023), käytti menestyksekkäästi tätä lähestymistapaa. Vaikka näihin menetelmiin saatetaan aluksi saada vähän huomiota, niiden merkitys voi kasvaa, kun niitä testataan suuremmilla tietokokonaisuuksilla.
4. Valmiiksi koulutettujen mallien hyödyntäminen:
Sen sijaan, että aloittaisit alusta, käytä esikoulutettua mallit voivat nopeuttaa tutkimusprosessia, vaikka se saattaa joskus rajoittaa löydösten syvyyttä.
5. Olemassa olevien mallien syvällinen analyysi:
Tutkijat kannustetaan syventymään nykyisten mallien monimutkaisuuteen sen sijaan, että keskittyisivät pelkästään uusien luomiseen.
6. Tutkiminen Vahvistusoppiminen (RL):
RL:ää ehdotetaan arvokkaaksi työkaluksi, varsinkin kun se ei ole vahvasti riippuvainen laajoista tietokokonaisuuksista. On kuitenkin tärkeää tasapainottaa kunnianhimo ja toteutettavuus.
7. Vähiten ladattujen mallien tutkiminen:
Artikkelissa korostetaan johtopäätösten tekemisen kasvavaa merkitystä käyttämällä minimaalisesti ladattuja malleja ja rajoitettua datajoukkoa ja viitataan esimerkkinä Bayesin menetelmiin.
8. Käyttämättömien tai laiminlyötyjen alueiden tutkiminen:
Tutkijat voisivat sukeltaa aiheisiin, jotka tällä hetkellä alan huomiotta jättävät, tai elvyttää aiemmin hylättyjä menetelmiä. Tämä lähestymistapa voi tarjota mahdollisuuden ennen kuin kiinnittää huomiota.
9. Kokeilu odottamattomilla menetelmillä:
Tutkijoita kehotetaan haastamaan status quo testaamalla menetelmiä, jotka vaikuttavat ristiriitaisilta.
10. Eettisten rajojen navigointi:
Vaikka eettiset suuntaviivat ja mainenäkökohdat saattavat rajoittaa yrityksiä, akateemikot ovat hieman enemmän liikkumavaraa. Kirjoittajat ehdottavat, että tutkitaan aiheita, joita voidaan pitää kiistanalaisina, mutta he korostavat, että on tärkeää noudattaa säädöksiä.
11. Yhteistyö teollisuuden kanssa:
Kumppanuuksien solmiminen alan sidosryhmien kanssa voisi tarjota rahoitusta ja mahdollisesti johtaa uusien yritysten perustamiseen. Silti on välttämätöntä, että tutkimus mukautuu käytännön sovelluksiin.
12. Yliopistojen välisen yhteistyön edistäminen:
Yliopistojen välisten siltojen rakentaminen voi edistää yhteistyöympäristöä, vaikka välittömät hyödyt saattavat tuntua vaikealta.
Strategiat hahmotellut Togelius ja Yannakakis (2023) edustavat etenemissuunnitelmaa tekoälytutkijoille, jotka navigoivat nykyisissä haasteissa. Vaikka AI-akatemian tulevaisuus on edelleen epävarma, nämä ohjeet tarjoavat väyliä jatkaa merkityksellistä panosta alalle. Tämän sarjan myöhemmissä artikkeleissa käsitellään tarkemmin näiden suositusten vaikutuksia ja niiden mahdollisia pitkän aikavälin vaikutuksia.
Lue lisää tekoälystä:
Vastuun kieltäminen
Mukaisesti Luottamusprojektin ohjeetHuomaa, että tällä sivulla annettuja tietoja ei ole tarkoitettu eikä niitä tule tulkita oikeudellisiksi, verotukselliseksi, sijoitus-, rahoitus- tai minkään muun muodon neuvoiksi. On tärkeää sijoittaa vain sen verran, mitä sinulla on varaa menettää, ja pyytää riippumatonta talousneuvontaa, jos sinulla on epäilyksiä. Lisätietoja saat käyttöehdoista sekä myöntäjän tai mainostajan tarjoamista ohje- ja tukisivuista. MetaversePost on sitoutunut tarkkaan, puolueettomaan raportointiin, mutta markkinaolosuhteet voivat muuttua ilman erillistä ilmoitusta.
Author
Damir on tiimin johtaja, tuotepäällikkö ja toimittaja osoitteessa Metaverse Post, kattaa aiheita, kuten AI/ML, AGI, LLMs, Metaverse ja Web3- liittyvät kentät. Hänen artikkelinsa houkuttelevat yli miljoonan käyttäjän massiivisen yleisön joka kuukausi. Hän näyttää olevan asiantuntija, jolla on 10 vuoden kokemus hakukoneoptimoinnista ja digitaalisesta markkinoinnista. Damir on mainittu Mashablessa, Wiredissä, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto ja muut julkaisut. Hän matkustaa Arabiemiirikuntien, Turkin, Venäjän ja IVY-maiden välillä digitaalisena nomadina. Damir suoritti kandidaatin tutkinnon fysiikasta, jonka hän uskoo antaneen hänelle kriittisen ajattelun taidot menestyäkseen jatkuvasti muuttuvassa internetin maisemassa.
lisää artikkeleita
Damir on tiimin johtaja, tuotepäällikkö ja toimittaja osoitteessa Metaverse Post, kattaa aiheita, kuten AI/ML, AGI, LLMs, Metaverse ja Web3- liittyvät kentät. Hänen artikkelinsa houkuttelevat yli miljoonan käyttäjän massiivisen yleisön joka kuukausi. Hän näyttää olevan asiantuntija, jolla on 10 vuoden kokemus hakukoneoptimoinnista ja digitaalisesta markkinoinnista. Damir on mainittu Mashablessa, Wiredissä, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto ja muut julkaisut. Hän matkustaa Arabiemiirikuntien, Turkin, Venäjän ja IVY-maiden välillä digitaalisena nomadina. Damir suoritti kandidaatin tutkinnon fysiikasta, jonka hän uskoo antaneen hänelle kriittisen ajattelun taidot menestyäkseen jatkuvasti muuttuvassa internetin maisemassa.
