DI tyrimų išradimas: požiūris į įmonių dominuojamą kraštovaizdį
Trumpai
Togelius ir Yannakakis straipsnis pateikia vertingų įžvalgų apie iššūkius, su kuriais susiduria dirbtinio intelekto akademikai akademinėje aplinkoje.
Straipsnyje pabrėžiamas skaičiavimo išteklių trūkumas, įmonių dominavimas ir mažesnio masto eksperimentų poreikis.
Tyrėjai turėtų sutelkti dėmesį į iš anksto parengtų modelių panaudojimą, nuodugnią esamų modelių analizę, sustiprinimo mokymosi (RL) tyrimą, minimaliai apkrautų modelių tyrimą, neišnaudotų ar apleistų sričių tyrinėjimą ir netikėtų metodų testavimą.
Jie taip pat siūlo pereiti prie etinių ribų, bendradarbiauti su pramonės suinteresuotosiomis šalimis ir skatinti universitetų bendradarbiavimą.
Šios strategijos suteikia AI akademikams planą, kaip įveikti šiuos iššūkius ir toliau reikšmingai prisidėti prie šios srities.
Labai svarbu įvertinti AI poveikį įvairioms suinteresuotosioms šalims, įskaitant akademinius DI tyrėjus, nes ši sritis sparčiai keičiasi. Neseniai pasirodė Togeliaus J. ir Yannakakio GN straipsnis „Pasirinkite savo ginklą: depresija sergančių AI akademikų išgyvenimo strategijos“ suteikia gilios įžvalgos apie šią sritį.
Straipsnio turinys nagrinėja sunkumus, su kuriais susiduria tie, kurie užsiima teorine veikla AI tyrimai akademinėje aplinkoje, nepaisant žaismingo pavadinimo pasakojimo pasiūlymo. Pagrindinės tyrimo idėjos ir išvados bus trumpai apibendrintos šioje apžvalgoje.
1 dalis: Dilemos AI Academics Face
1. Skaičiavimo išteklių trūkumas:
Straipsnyje pabrėžiamas didėjantis AI akademikams ir jų kolegoms įmonių AI padaliniuose prieinamų skaičiavimo išteklių skirtumai. Prieš dešimtmetį vietinių skaičiavimo sąrankų pakako AI moksliniams tyrimams akademinėje bendruomenėje tobulinti. Tačiau šiuolaikiniame scenarijuje įvyko paradigmos pasikeitimas. Didelė AI pažanga šiandien dažnai priklauso nuo didelės skaičiavimo galios ir daugybės sudėtingų eksperimentų. Deja, daugelis akademinių mokslininkų neturi tinkamos prieigos prie tokių išteklių.
2. Įmonės dominavimo iššūkis:
Konkurencijos samprata mokslinių tyrimų pasaulyje sustiprėjo. Idealiu atveju moksliniai eksperimentai būtų bendradarbiavimo pastangos, deramai pripažįstant kiekvieną prisidėjusį. Tačiau didėjanti įmonių sferos įtaka šiek tiek užtemdė šią bendradarbiavimo dvasią. Kai korporacijos nukreipia dideles investicijas į dirbtinio intelekto tyrimus, jos linkusios dominuoti kuriant perspektyvias idėjas, dažnai nustumdamos nuošalyje pradinius akademinius bendradarbius. Straipsnyje piešiama paralelė tarp šios situacijos ir reiškinio, kai toks didelis mažmenininkas, kaip „Walmart“, įsikuria šalia vietinės šeimos parduotuvės, užgoždamas savo verslą.
Minėti iššūkiai, kaip pabrėžė Togelius ir Yannakakis, vaizduoja susirūpinimą AI akademikams. Sąlygos lėmė tam tikrą nusivylimo laipsnį, paveikusios tyrėjų, kurie savo karjerą paskyrę šios srities plėtrai, moralei ir produktyvumui.
Tyrimas ne tik nustato problemas; jame taip pat pateikiamos išgyvenimo strategijos tiems, kurie akademinėje bendruomenėje jaučia didžiausią šių iššūkių naštą. Toliau pateiktoje analizėje bus išsamiau išnagrinėti galimi autorių pasiūlyti sprendimai, siekiant pasiūlyti AI akademikams apčiuopiamus kelius, kaip naršyti šioje besivystančioje vietovėje.
2 dalis. Iššūkių valdymo strategijos
1. Alternatyvių publikavimo būdų pasirinkimas:
Mokslininkams patariama apsvarstyti galimybę skelbti ne tokius aukšto lygio žurnalus, sutelkiant dėmesį į techninių aspektų tobulinimą ir platesnių temų nišinių klausimų tyrimą.
2. Suteikite pirmenybę skaičiavimo ištekliams:
Daug dėmesio skiriama tam, kad didelė mokslinių tyrimų dotacijų dalis būtų skirta skaičiavimo ištekliams. Tačiau pažymima, kad net didelių dotacijų gali nepakakti pažangiems eksperimentams, prilygstantiems įmonių pastangoms, atlikti.
3. Sutelkti dėmesį į mažesnio masto eksperimentus:
Tyrėjai gali sutelkti savo pastangas ties glaustesnėmis problemomis, panaudodami jas teorinei pažangai patvirtinti. Keletas dokumentų, pvz., pagal Shafiullah ir kt. (2022 m.) ir Pearce ir kt. (2023 m.), sėkmingai taikė šį metodą. Nors iš pradžių šiems metodams gali būti skiriamas ribotas dėmesys, jų svarba gali padidėti, kai jie bus išbandyti didesniuose duomenų rinkiniuose.
4. Iš anksto apmokytų modelių panaudojimas:
Užuot pradėję nuo nulio, naudokite iš anksto apmokytus modeliai gali pagreitinti tyrimo procesą, nors kartais tai gali apriboti radinių gylį.
5. Išsami esamų modelių analizė:
mokslininkai skatinami gilintis į dabartinių modelių subtilybes, o ne vien tik kurti naujus.
6. Tyrinėti Stiprinimo mokymasis (RL):
RL siūloma kaip vertinga priemonė, ypač todėl, kad ji nėra labai priklausoma nuo didelių duomenų rinkinių. Tačiau labai svarbu suderinti ambicijas ir galimybes.
7. Minimaliai apkrautų modelių tyrimas:
Straipsnyje pabrėžiama didėjanti išvadų, naudojant minimaliai įkeltus modelius ir ribotą duomenų rinkinį, svarba, kaip pavyzdį pateikiant Bajeso metodus.
8. Neišnaudotų arba apleistų vietovių tyrinėjimas:
Tyrėjai galėtų įsigilinti į dalykus, kurių pramonė šiuo metu nepastebi, arba atgaivinti anksčiau apleistas metodikas. Šis požiūris gali pasiūlyti galimybių langą prieš atkreipiant dėmesį.
9. Eksperimentavimas su netikėtais metodais:
Tyrėjai raginami mesti iššūkį status quo išbandant metodus, kurie atrodo priešingi.
10. Perėjimas prie etinių ribų:
Nors korporacijas gali apriboti etikos gairės ir reputacijos sumetimai, akademikai turi šiek tiek daugiau veiksmų laisvės. Autoriai siūlo tyrinėti temas, kurios gali būti laikomos prieštaringomis, tačiau pabrėžia, kad svarbu laikytis teisinius reglamentus.
11. Bendradarbiavimas su pramonės atstovais:
Užmezgus partnerystes su pramonės suinteresuotosiomis šalimis, būtų galima gauti finansavimą ir galbūt paskatinti naujų įmonių steigimą. Tačiau labai svarbu, kad tyrimai atitiktų praktinius pritaikymus.
12. Universitetų bendradarbiavimo skatinimas:
Tiltų tiesimas tarp universitetų gali paskatinti bendradarbiavimo aplinką, nors tiesioginė nauda gali pasirodyti menka.
Apibūdintos strategijos Togelius ir Yannakakis (2023) yra planas AI akademikams, sprendžiantiems dabartinius iššūkius. Nors AI akademinės bendruomenės ateitis tebėra neaiški, šios gairės siūlo būdus, kaip ir toliau reikšmingai prisidėti prie šios srities. Tolesniuose šios serijos straipsniuose bus toliau nagrinėjama šių rekomendacijų pasekmė ir galimas ilgalaikis jų poveikis.
Skaitykite daugiau apie AI:
Atsakomybės neigimas
Remdamasi tuo, Pasitikėjimo projekto gairės, atkreipkite dėmesį, kad šiame puslapyje pateikta informacija nėra skirta ir neturėtų būti aiškinama kaip teisinė, mokesčių, investicinė, finansinė ar bet kokia kita konsultacija. Svarbu investuoti tik tai, ką galite sau leisti prarasti, ir, jei turite kokių nors abejonių, kreiptis į nepriklausomą finansinę konsultaciją. Norėdami gauti daugiau informacijos, siūlome peržiūrėti taisykles ir nuostatas bei pagalbos ir palaikymo puslapius, kuriuos pateikia išdavėjas arba reklamuotojas. MetaversePost yra įsipareigojusi teikti tikslias, nešališkas ataskaitas, tačiau rinkos sąlygos gali keistis be įspėjimo.
Apie autorių
Damiras yra komandos vadovas, produktų vadovas ir redaktorius Metaverse Post, apimantis tokias temas kaip AI/ML, AGI, LLM, Metaverse ir Web3– susijusiose srityse. Jo straipsniai kas mėnesį pritraukia didžiulę daugiau nei milijono vartotojų auditoriją. Atrodo, kad jis yra ekspertas, turintis 10 metų SEO ir skaitmeninės rinkodaros patirtį. Damiras buvo paminėtas Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto ir kiti leidiniai. Jis keliauja tarp JAE, Turkijos, Rusijos ir NVS kaip skaitmeninis klajoklis. Damiras įgijo fizikos bakalauro laipsnį, kuris, jo manymu, suteikė jam kritinio mąstymo įgūdžių, reikalingų sėkmingam nuolat besikeičiančiame interneto peizaže.
Daugiau straipsnių
Damiras yra komandos vadovas, produktų vadovas ir redaktorius Metaverse Post, apimantis tokias temas kaip AI/ML, AGI, LLM, Metaverse ir Web3– susijusiose srityse. Jo straipsniai kas mėnesį pritraukia didžiulę daugiau nei milijono vartotojų auditoriją. Atrodo, kad jis yra ekspertas, turintis 10 metų SEO ir skaitmeninės rinkodaros patirtį. Damiras buvo paminėtas Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto ir kiti leidiniai. Jis keliauja tarp JAE, Turkijos, Rusijos ir NVS kaip skaitmeninis klajoklis. Damiras įgijo fizikos bakalauro laipsnį, kuris, jo manymu, suteikė jam kritinio mąstymo įgūdžių, reikalingų sėkmingam nuolat besikeičiančiame interneto peizaže.
