Mencipta Semula Penyelidikan AI: Pendekatan dalam Landskap yang Didominasi Korporat
Secara ringkas
Artikel oleh Togelius dan Yannakakis memberikan pandangan berharga tentang cabaran yang dihadapi oleh ahli akademik AI dalam tetapan akademik.
Artikel itu menyerlahkan kekurangan sumber pengkomputeran, penguasaan korporat dan keperluan untuk eksperimen berskala lebih kecil.
Penyelidik harus menumpukan pada memanfaatkan model pralatihan, analisis mendalam model sedia ada, meneroka pembelajaran tetulang (RL), menyiasat model yang dimuatkan secara minimum, meneroka kawasan yang belum diterokai atau diabaikan, dan menguji kaedah yang tidak dijangka.
Mereka juga mencadangkan menavigasi sempadan etika, bekerjasama dengan pihak berkepentingan industri, dan mempromosikan kerjasama antara universiti.
Strategi ini menawarkan peta jalan untuk ahli akademik AI untuk mengharungi cabaran ini dan terus membuat sumbangan bermakna kepada bidang ini.
Adalah penting untuk menilai kesan AI ke atas pelbagai pihak berkepentingan, termasuk penyelidik AI akademik, kerana bidang tersebut sedang mengalami transformasi yang pantas. Artikel terbaru oleh Togelius J. dan Yannakakis GN bertajuk “Pilih Senjata Anda: Strategi Kelangsungan Hidup untuk Akademik AI Tertekan” memberikan pandangan yang mendalam tentang bidang ini.
Kandungan kertas kerja meneroka kesukaran yang dihadapi oleh mereka yang terlibat dalam teori penyelidikan AI dalam tetapan akademik, walaupun tajuknya adalah cadangan naratif yang menyeronokkan. Idea utama dan kesimpulan kajian akan diringkaskan secara ringkas dalam ulasan ini.
Bahagian 1: Dilema AI Academics Face
1. Kekurangan Sumber Pengkomputeran:
Artikel itu menekankan perbezaan yang semakin meningkat dalam sumber pengkomputeran yang tersedia untuk ahli akademik AI dan rakan sejawatan mereka dalam jabatan AI korporat. Sedekad yang lalu, persediaan pengiraan tempatan sudah memadai untuk memajukan penyelidikan AI dalam akademik. Bagaimanapun, senario kontemporari telah menyaksikan anjakan paradigma. Kemajuan yang ketara dalam AI hari ini sering bergantung pada kuasa pengiraan yang luas dan satu siri eksperimen yang terperinci. Malangnya, ramai penyelidik akademik mendapati diri mereka tidak mempunyai akses yang mencukupi kepada sumber tersebut.
2. Cabaran Penguasaan Korporat:
Konsep persaingan dalam dunia penyelidikan saintifik semakin rancak. Sebaik-baiknya, eksperimen saintifik akan mewakili usaha kolaboratif, dengan pengiktirafan sewajarnya kepada setiap penyumbang. Namun, pengaruh dunia korporat yang semakin meningkat telah melenyapkan semangat kerjasama ini. Apabila syarikat menyalurkan pelaburan yang besar ke dalam penyelidikan AI, mereka cenderung untuk mendominasi pembangunan idea yang menjanjikan, sering mengenepikan penyumbang akademik asal. Makalah itu menggambarkan persamaan antara situasi ini dan fenomena di mana peruncit mega seperti Walmart bertapak berhampiran kedai keluarga tempatan, membayangi perniagaannya.
Cabaran yang disebutkan di atas, seperti yang diserlahkan oleh Togelius dan Yannakakis, menggambarkan landskap yang membimbangkan untuk ahli akademik AI. Keadaan tersebut telah membawa kepada tahap kekecewaan tertentu, memberi kesan kepada semangat dan produktiviti penyelidik yang telah mendedikasikan kerjaya mereka untuk memajukan bidang tersebut.
Kajian ini bukan sahaja mengenal pasti masalah; ia juga menyediakan strategi kelangsungan hidup bagi mereka yang berada dalam akademik yang merasai bebanan cabaran ini. Analisis seterusnya di bawah akan menyelidiki dengan lebih mendalam tentang potensi penyelesaian yang dicadangkan oleh pengarang, yang bertujuan untuk menawarkan laluan ketara kepada akademik AI untuk mengemudi kawasan yang berkembang ini.
| Berkaitan: Mustafa Suleyman Mencadangkan Pendekatan ACI untuk Merapatkan Jurang Antara AI Lemah dan AGI |
Bahagian 2: Strategi Mengemudi Cabaran
1. Memilih untuk Jalan Penerbitan Alternatif:
Penyelidik dinasihatkan untuk mempertimbangkan untuk menerbitkan dalam jurnal yang kurang berprofil tinggi, menumpukan pada memperhalusi aspek teknikal dan meneroka soalan khusus dalam topik yang lebih luas.
2. Mengutamakan Sumber Pengkomputeran:
Penekanan diberikan pada memperuntukkan sebahagian besar geran penyelidikan untuk sumber pengiraan. Walau bagaimanapun, diambil perhatian bahawa walaupun geran yang besar mungkin tidak mencukupi untuk menjalankan eksperimen lanjutan setanding dengan usaha korporat.
3. Memfokuskan pada Eksperimen Berskala Lebih Kecil:
Penyelidik boleh memusatkan usaha mereka pada masalah yang lebih ringkas, menggunakannya untuk mengesahkan kemajuan teori. Beberapa kertas kerja, seperti yang oleh Shafiullah et al. (2022) and Pearce et al. (2023), berjaya menggunakan pendekatan ini. Walaupun kaedah ini pada mulanya mungkin mendapat perhatian terhad, kaitannya boleh berkembang sebaik sahaja diuji pada set data yang lebih besar.
4. Memanfaatkan Model Terlatih:
Daripada bermula dari awal, menggunakan pralatihan model boleh mempercepatkan proses penyelidikan, walaupun kadangkala ia mungkin mengehadkan kedalaman penemuan.
5. Analisis Mendalam Model Sedia Ada:
Penyelidik digalakkan untuk menyelidiki selok-belok model semasa dan bukannya menumpukan semata-mata untuk mencipta model baharu.
6. Meneroka Pembelajaran Pengukuhan (RL):
RL dicadangkan sebagai alat yang berharga, terutamanya kerana ia tidak terlalu bergantung pada set data yang luas. Walau bagaimanapun, adalah penting untuk mengimbangi cita-cita dengan kemungkinan.
7. Menyiasat Model Beban Minimum:
Makalah ini menyerlahkan kepentingan yang semakin meningkat dalam membuat kesimpulan menggunakan model yang dimuatkan secara minimum dan set data terhad, merujuk kaedah Bayesian sebagai contoh.
8. Meneroka Kawasan Yang Tidak Disentuh atau Diabaikan:
Penyelidik boleh menyelidiki subjek yang kini diabaikan oleh industri atau menghidupkan semula metodologi yang ditinggalkan sebelum ini. Pendekatan ini mungkin menawarkan tetingkap peluang sebelum menarik perhatian yang ketara.
9. Bereksperimen dengan Kaedah Tidak Dijangka:
Penyelidik digesa untuk mencabar status quo dengan menguji kaedah yang kelihatan berlawanan dengan intuisi.
10. Menavigasi Sempadan Etika:
Walaupun syarikat mungkin dihadkan oleh garis panduan etika dan pertimbangan reputasi, ahli akademik mempunyai lebih banyak kelonggaran. Penulis mencadangkan meneroka topik yang mungkin dianggap kontroversi tetapi menekankan kepentingan mematuhi peraturan undang-undang.
11. Bekerjasama dengan Industri:
Mewujudkan perkongsian dengan pihak berkepentingan industri boleh menyediakan pembiayaan dan berpotensi membawa kepada permulaan permulaan. Namun, adalah penting bagi penyelidikan untuk diselaraskan dengan aplikasi praktikal.
12. Mempromosikan Kerjasama Antara Universiti:
Membina jambatan antara universiti boleh memupuk persekitaran kolaboratif, walaupun faedah segera mungkin kelihatan sukar difahami.
Strategi yang digariskan oleh Togelius dan Yannakakis (2023) mewakili peta jalan untuk ahli akademik AI menavigasi cabaran semasa. Walaupun masa depan akademia AI masih tidak menentu, garis panduan ini menawarkan laluan untuk terus membuat sumbangan bermakna kepada bidang tersebut. Artikel seterusnya dalam siri ini akan menyelidiki lebih lanjut implikasi pengesyoran ini dan potensi kesan jangka panjangnya.
Baca lebih lanjut mengenai AI:
Penafian
Selaras dengan Garis panduan Projek Amanah, sila ambil perhatian bahawa maklumat yang diberikan pada halaman ini tidak bertujuan untuk menjadi dan tidak seharusnya ditafsirkan sebagai nasihat undang-undang, cukai, pelaburan, kewangan atau sebarang bentuk nasihat lain. Adalah penting untuk hanya melabur apa yang anda mampu kehilangan dan mendapatkan nasihat kewangan bebas jika anda mempunyai sebarang keraguan. Untuk maklumat lanjut, kami mencadangkan merujuk kepada terma dan syarat serta halaman bantuan dan sokongan yang disediakan oleh pengeluar atau pengiklan. MetaversePost komited kepada laporan yang tepat dan tidak berat sebelah, tetapi keadaan pasaran tertakluk kepada perubahan tanpa notis.
Tentang Pengarang
Damir ialah ketua pasukan, pengurus produk dan editor di Metaverse Post, meliputi topik seperti AI/ML, AGI, LLM, Metaverse dan Web3-bidang berkaitan. Artikelnya menarik khalayak besar lebih sejuta pengguna setiap bulan. Dia nampaknya seorang pakar dengan pengalaman 10 tahun dalam SEO dan pemasaran digital. Damir telah disebut dalam Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto dan penerbitan lain. Dia mengembara antara UAE, Turki, Rusia dan CIS sebagai nomad digital. Damir memperoleh ijazah sarjana muda dalam fizik, yang dia percaya telah memberikannya kemahiran berfikir kritis yang diperlukan untuk berjaya dalam landskap internet yang sentiasa berubah.
lebih banyak artikel
Damir ialah ketua pasukan, pengurus produk dan editor di Metaverse Post, meliputi topik seperti AI/ML, AGI, LLM, Metaverse dan Web3-bidang berkaitan. Artikelnya menarik khalayak besar lebih sejuta pengguna setiap bulan. Dia nampaknya seorang pakar dengan pengalaman 10 tahun dalam SEO dan pemasaran digital. Damir telah disebut dalam Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto dan penerbitan lain. Dia mengembara antara UAE, Turki, Rusia dan CIS sebagai nomad digital. Damir memperoleh ijazah sarjana muda dalam fizik, yang dia percaya telah memberikannya kemahiran berfikir kritis yang diperlukan untuk berjaya dalam landskap internet yang sentiasa berubah.
