AI pētniecības no jauna: pieejas korporatīvās ainavās
Īsumā
Togelius un Yannaakis raksts sniedz vērtīgu ieskatu izaicinājumos, ar kuriem saskaras AI akadēmiķi akadēmiskajā vidē.
Rakstā ir uzsvērts skaitļošanas resursu trūkums, uzņēmumu dominēšana un nepieciešamība pēc mazāka mēroga eksperimentiem.
Pētniekiem jākoncentrējas uz iepriekš apmācītu modeļu izmantošanu, esošo modeļu padziļinātu analīzi, pastiprināšanas mācīšanās (RL) izpēti, minimāli noslogotu modeļu izpēti, neizmantotu vai novārtā atstātu apgabalu izpēti un neparedzētu metožu testēšanu.
Viņi arī iesaka pārvarēt ētiskās robežas, sadarboties ar nozares ieinteresētajām personām un veicināt starpuniversitāšu sadarbību.
Šīs stratēģijas piedāvā ceļvedi AI akadēmiķiem, lai pārvarētu šīs problēmas un turpinātu sniegt nozīmīgu ieguldījumu šajā jomā.
Ir ļoti svarīgi novērtēt AI ietekmi uz dažādām ieinteresētajām personām, tostarp akadēmiskajiem AI pētniekiem, jo šī joma strauji mainās. Nesenais Togelius J. un Yannanakis GN raksts ar nosaukumu "Izvēlieties savu ieroci: izdzīvošanas stratēģijas nomāktiem AI akadēmiķiem” sniedz dziļu ieskatu šajā jomā.
Darba saturs pēta grūtības, ar kurām saskaras tie, kas nodarbojas ar teorētisko AI pētījumi akadēmiskā vidē, neskatoties uz nosaukuma rotaļīgo stāstījuma ieteikumu. Galvenās pētījuma idejas un secinājumi tiks īsi apkopoti šajā pārskatā.
1. daļa: AI akadēmiķu dilemmas
1. Datorresursu trūkums:
Rakstā ir uzsvērta pieaugošā atšķirība skaitļošanas resursos, kas pieejami AI akadēmiķiem un viņu kolēģiem korporatīvajās AI nodaļās. Pirms desmit gadiem ar vietējiem skaitļošanas iestatījumiem pietika, lai veicinātu AI pētījumus akadēmiskajās aprindās. Tomēr mūsdienu scenārijā ir notikušas paradigmas maiņas. Ievērojami sasniegumi AI mūsdienās bieži vien ir atkarīgi no plašas skaitļošanas jaudas un virkni sarežģītu eksperimentu. Diemžēl daudzi akadēmiskie pētnieki nonāk bez atbilstošas piekļuves šādiem resursiem.
2. Korporatīvās dominēšanas izaicinājums:
Konkurences koncepcija zinātniskās pētniecības pasaulē ir saasinājusies. Ideālā gadījumā zinātniskie eksperimenti atspoguļotu sadarbības centienus, ar pienācīgu atzinību katram līdzstrādniekam. Tomēr korporatīvās jomas pieaugošā ietekme ir nedaudz aptumšojusi šo sadarbības garu. Kad korporācijas novirza ievērojamus ieguldījumus AI pētniecībā, tām ir tendence dominēt daudzsološu ideju izstrādē, bieži vien atstājot malā sākotnējos akadēmiskos līdzstrādniekus. Rakstā tiek vilkta paralēle starp šo situāciju un parādību, kad tāds mega mazumtirgotājs kā Walmart izveidojas netālu no vietējā ģimenes veikala, aizēnot savu biznesu.
Iepriekš minētie izaicinājumi, kā to uzsvēra Togelius un Yannakakis, attēlo AI akadēmiķu satraucošu ainavu. Apstākļi ir izraisījuši zināmu vilšanos, ietekmējot to pētnieku morāli un produktivitāti, kuri ir veltījuši savu karjeru nozares attīstībai.
Pētījums ne tikai identificē problēmas; tas arī nodrošina izdzīvošanas stratēģijas tiem akadēmiskajiem darbiniekiem, kuri izjūt šo izaicinājumu smagumu. Turpmākajā analīzē tiks padziļināti izpētīti potenciālie autoru piedāvātie risinājumi, lai piedāvātu AI akadēmiķiem taustāmus ceļus, kā pārvietoties šajā mainīgajā reljefā.
2. daļa: stratēģijas izaicinājumu pārvarēšanai
1. Alternatīvu publicēšanas veidu izvēle:
Pētniekiem ieteicams apsvērt publicēšanu mazāk augsta līmeņa žurnālos, koncentrējoties uz tehnisko aspektu uzlabošanu un nišas jautājumu izpēti plašākās tēmās.
2. Prioritātes noteikšana skaitļošanas resursiem:
Uzsvars tiek likts uz ievērojamas pētniecības grantu daļas piešķiršanu skaitļošanas resursiem. Tomēr tiek atzīmēts, ka pat ar ievērojamām dotācijām var nepietikt, lai veiktu progresīvus eksperimentus, kas ir līdzvērtīgi korporatīvajiem centieniem.
3. Koncentrēšanās uz mazāka mēroga eksperimentiem:
Pētnieki var koncentrēt savus centienus uz precīzākām problēmām, izmantojot tās, lai apstiprinātu teorētiskos sasniegumus. Vairāki dokumenti, piemēram, ar Shafiullah et al. (2022) un Pearce et al. (2023), veiksmīgi izmantoja šo pieeju. Lai gan sākotnēji šīm metodēm var tikt pievērsta ierobežota uzmanība, to nozīme var pieaugt, kad tās tiek pārbaudītas lielākās datu kopās.
4. Iepriekš apmācītu modeļu izmantošana:
Tā vietā, lai sāktu no nulles, izmantojiet iepriekš apmācītus modeļi var paātrināt izpētes procesu, lai gan dažreiz tas var ierobežot atradumu dziļumu.
5. Esošo modeļu padziļināta analīze.
pētnieki tiek mudināti iedziļināties pašreizējo modeļu sarežģītībā, nevis koncentrēties tikai uz jaunu modeļu izveidi.
6. Izpēte Pastiprināšanas mācības (RL):
RL tiek piedāvāts kā vērtīgs rīks, jo īpaši tāpēc, ka tas nav ļoti atkarīgs no plašām datu kopām. Tomēr ir svarīgi līdzsvarot ambīcijas ar iespējamību.
7. Minimāli noslogotu modeļu izpēte:
Rakstā ir uzsvērta pieaugošā nozīme secinājumu izdarīšanai, izmantojot minimāli ielādētus modeļus un ierobežotu datu kopu, kā piemēru minot Bajesa metodes.
8. Neizmantoto vai novārtā atstāto apgabalu izpēte:
Pētnieki varētu iedziļināties tēmās, kuras nozare pašlaik neievēro, vai atdzīvināt iepriekš pamestas metodoloģijas. Šī pieeja var piedāvāt iespēju, pirms pievērst ievērojamu uzmanību.
9. Eksperimentēšana ar neparedzētām metodēm:
Pētnieki tiek mudināti apstrīdēt status quo, pārbaudot metodes, kas šķiet pretrunīgas.
10. Navigācija ētikas robežās:
Lai gan korporācijas var ierobežot ētikas vadlīnijas un reputācijas apsvērumi, akadēmiķiem ir nedaudz lielāka rīcības brīvība. Autori iesaka izpētīt tēmas, kuras varētu uzskatīt par pretrunīgām, taču uzsver, cik svarīgi ir ievērot tiesību akti.
11. Sadarbība ar nozari:
Partnerību nodibināšana ar nozares ieinteresētajām personām varētu nodrošināt finansējumu un, iespējams, novest pie jaunuzņēmumu dibināšanas. Tomēr ir svarīgi, lai pētījumi būtu saskaņoti ar praktiskiem lietojumiem.
12. Starpaugstskolu sadarbības veicināšana:
Tiltu veidošana starp universitātēm var veicināt sadarbības vidi, lai gan tiešās priekšrocības var šķist nenotveramas.
Stratēģijas, kuras izklāstīja Togelius un Yanakakis (2023) ir ceļvedis AI akadēmiķiem, kas orientējas pašreizējos izaicinājumos. Lai gan AI akadēmisko aprindu nākotne joprojām ir neskaidra, šīs vadlīnijas piedāvā veidus, kā turpināt sniegt nozīmīgu ieguldījumu šajā jomā. Turpmākajos šīs sērijas rakstos tiks sīkāk aplūkota šo ieteikumu ietekme un to iespējamā ilgtermiņa ietekme.
Lasiet vairāk par AI:
Atbildības noraidīšana
Atbilstīgi Uzticības projekta vadlīnijas, lūdzu, ņemiet vērā, ka šajā lapā sniegtā informācija nav paredzēta un to nedrīkst interpretēt kā juridisku, nodokļu, ieguldījumu, finanšu vai jebkāda cita veida padomu. Ir svarīgi ieguldīt tikai to, ko varat atļauties zaudēt, un meklēt neatkarīgu finanšu padomu, ja jums ir šaubas. Lai iegūtu papildinformāciju, iesakām skatīt pakalpojumu sniegšanas noteikumus, kā arī palīdzības un atbalsta lapas, ko nodrošina izdevējs vai reklāmdevējs. MetaversePost ir apņēmies sniegt precīzus, objektīvus pārskatus, taču tirgus apstākļi var tikt mainīti bez iepriekšēja brīdinājuma.
Par Autors
Damirs ir komandas vadītājs, produktu vadītājs un redaktors Metaverse Post, kas aptver tādas tēmas kā AI/ML, AGI, LLM, Metaverse un Web3- saistītie lauki. Viņa raksti katru mēnesi piesaista lielu auditoriju, kas pārsniedz miljonu lietotāju. Šķiet, ka viņš ir eksperts ar 10 gadu pieredzi SEO un digitālā mārketinga jomā. Damirs ir minēts Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto un citas publikācijas. Viņš ceļo starp AAE, Turciju, Krieviju un NVS kā digitālais nomads. Damirs ir ieguvis bakalaura grādu fizikā, kas, viņaprāt, ir devis viņam kritiskās domāšanas prasmes, kas nepieciešamas, lai gūtu panākumus nepārtraukti mainīgajā interneta vidē.
Vairāk rakstus
Damirs ir komandas vadītājs, produktu vadītājs un redaktors Metaverse Post, kas aptver tādas tēmas kā AI/ML, AGI, LLM, Metaverse un Web3- saistītie lauki. Viņa raksti katru mēnesi piesaista lielu auditoriju, kas pārsniedz miljonu lietotāju. Šķiet, ka viņš ir eksperts ar 10 gadu pieredzi SEO un digitālā mārketinga jomā. Damirs ir minēts Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto un citas publikācijas. Viņš ceļo starp AAE, Turciju, Krieviju un NVS kā digitālais nomads. Damirs ir ieguvis bakalaura grādu fizikā, kas, viņaprāt, ir devis viņam kritiskās domāšanas prasmes, kas nepieciešamas, lai gūtu panākumus nepārtraukti mainīgajā interneta vidē.
