Nowa koncepcja badań nad sztuczną inteligencją: podejścia w środowisku zdominowanym przez korporacje
W skrócie
Artykuł Togeliusa i Yannakakisa dostarcza cennych informacji na temat wyzwań stojących przed naukowcami zajmującymi się sztuczną inteligencją w środowiskach akademickich.
Artykuł podkreśla niedostatek zasobów obliczeniowych, dominację korporacji i potrzebę eksperymentów na mniejszą skalę.
Badacze powinni skupić się na wykorzystaniu wstępnie wytrenowanych modeli, dogłębnej analizie istniejących modeli, badaniu uczenia się przez wzmacnianie (RL), badaniu modeli z minimalnym obciążeniem, eksplorowaniu niewykorzystanych lub zaniedbanych obszarów oraz testowaniu nieoczekiwanych metod.
Sugerują również pokonywanie granic etycznych, współpracę z zainteresowanymi stronami z branży i promowanie współpracy między uniwersytetami.
Strategie te stanowią mapę drogową dla naukowców zajmujących się sztuczną inteligencją, aby poradzić sobie z tymi wyzwaniami i nadal wnosić znaczący wkład w tę dziedzinę.
Niezwykle istotna jest ocena wpływu sztucznej inteligencji na różnych interesariuszy, w tym akademickich naukowców zajmujących się sztuczną inteligencją, ponieważ dziedzina ta przechodzi szybką transformację. Niedawny artykuł Togeliusa J. i Yannakakisa GN zatytułowany „Wybierz swoją broń: strategie przetrwania dla przygnębionych naukowców zajmujących się sztuczną inteligencją” zapewnia głęboki wgląd w tę dziedzinę.
Związane z: Zagadka gatunkowizmu: analiza ludzkiej inteligencji w odniesieniu do kotów i sztucznej inteligencji |
Treść artykułu bada trudności, z jakimi borykają się osoby zajmujące się teorią Badania AI w środowisku akademickim, pomimo zabawnej sugestii narracyjnej zawartej w tytule. Główne idee i wnioski z badania zostaną pokrótce podsumowane w tym przeglądzie.
Część 1: Dylematy, przed którymi stoją naukowcy zajmujący się sztuczną inteligencją
1. Niedobór zasobów komputerowych:
Artykuł podkreśla rosnącą dysproporcję w zasobach obliczeniowych dostępnych dla naukowców AI i ich odpowiedników w korporacyjnych działach AI. Dziesięć lat temu lokalne konfiguracje obliczeniowe wystarczały do rozwoju badań nad sztuczną inteligencją w środowisku akademickim. Jednak we współczesnym scenariuszu nastąpiła zmiana paradygmatu. Dzisiejsze znaczące postępy w sztucznej inteligencji często opierają się na dużej mocy obliczeniowej i serii skomplikowanych eksperymentów. Niestety, wielu badaczy akademickich nie ma odpowiedniego dostępu do takich zasobów.
2. Wyzwanie korporacyjnej dominacji:
Pojęcie konkurencji w świecie badań naukowych nasiliło się. W idealnej sytuacji eksperymenty naukowe stanowiłyby wspólne przedsięwzięcia, z należytym uznaniem dla każdego uczestnika. Jednak rosnący wpływ sfery korporacyjnej nieco przyćmił tego ducha współpracy. Kiedy korporacje kierują znaczne inwestycje w badania nad sztuczną inteligencją, mają tendencję do dominowania nad rozwojem obiecujących pomysłów, często spychając na bok oryginalnych autorów akademickich. W artykule przedstawiono paralelę między tą sytuacją a zjawiskiem, w którym mega-sprzedawca, taki jak Walmart, zakłada swoją działalność w pobliżu lokalnego sklepu rodzinnego, przyćmiewając swoją działalność.
Wspomniane wyzwania, jak podkreślili Togelius i Yannakakis, przedstawiają niepokojący krajobraz dla naukowców zajmujących się sztuczną inteligencją. Warunki doprowadziły do pewnego stopnia rozczarowania, wpływając na morale i produktywność naukowców, którzy poświęcili swoją karierę rozwojowi tej dziedziny.
Badanie nie tylko identyfikuje problemy; zapewnia również strategie przetrwania dla osób ze środowiska akademickiego, które odczuwają ciężar tych wyzwań. Kolejna analiza poniżej zagłębi się w potencjalne rozwiązania zaproponowane przez autorów, mając na celu zaoferowanie naukowcom zajmującym się sztuczną inteligencją namacalnych ścieżek poruszania się po tym ewoluującym terenie.
Związane z: Mustafa Suleyman proponuje podejście ACI do wypełnienia luki między słabą sztuczną inteligencją a AGI |
Część 2: Strategie radzenia sobie z wyzwaniami
1. Wybór alternatywnych ścieżek publikacji:
Naukowcom zaleca się rozważenie publikowania w mniej znanych czasopismach, koncentrując się na dopracowaniu aspektów technicznych i badaniu niszowych pytań w ramach szerszych tematów.
2. Priorytetyzacja zasobów obliczeniowych:
Nacisk kładzie się na przeznaczenie znacznej części grantów badawczych na zasoby obliczeniowe. Zauważa się jednak, że nawet znaczne dotacje mogą nie wystarczyć na przeprowadzenie zaawansowanych eksperymentów na równi z przedsięwzięciami korporacyjnymi.
3. Koncentrowanie się na eksperymentach na mniejszą skalę:
Naukowcy mogą skoncentrować swoje wysiłki na bardziej zwięzłych problemach, wykorzystując je do weryfikacji postępów teoretycznych. Kilka prac, jak np Shafiullah i in. (2022) i Pearce i in. (2023), z powodzeniem zastosował to podejście. Chociaż metody te mogą początkowo otrzymać ograniczoną uwagę, ich znaczenie może wzrosnąć po przetestowaniu na większych zbiorach danych.
4. Wykorzystanie wstępnie wytrenowanych modeli:
Zamiast zaczynać od zera, użyj wstępnie przeszkolonych Modele mogą przyspieszyć proces badawczy, chociaż czasami może to ograniczać głębokość ustaleń.
5. Dogłębna analiza istniejących modeli:
Badacze są zachęcani do zagłębiania się w zawiłości obecnych modeli, zamiast skupiania się wyłącznie na tworzeniu nowych.
6. Odkrywanie Uczenie się ze wzmocnieniem (RL):
RL jest proponowany jako cenne narzędzie, zwłaszcza że nie opiera się w dużym stopniu na obszernych zbiorach danych. Konieczne jest jednak zrównoważenie ambicji z wykonalnością.
7. Badanie modeli z minimalnym obciążeniem:
Artykuł podkreśla rosnące znaczenie wyciągania wniosków przy użyciu minimalnie obciążonych modeli i ograniczonego zbioru danych, odwołując się jako przykład do metod bayesowskich.
8. Eksploracja niewykorzystanych lub zaniedbanych obszarów:
Badacze mogliby zagłębić się w tematy obecnie pomijane przez branżę lub ożywić wcześniej porzucone metodologie. Takie podejście może dać szansę przed zwróceniem większej uwagi.
9. Eksperymentowanie z nieoczekiwanymi metodami:
Naukowcy są zachęcani do kwestionowania status quo poprzez testowanie metod, które wydają się sprzeczne z intuicją.
10. Poruszanie się po granicach etycznych:
Podczas gdy korporacje mogą podlegać ograniczeniom ze względu na wytyczne etyczne i względy reputacyjne, naukowcy mają nieco większą swobodę. Autorzy sugerują zbadanie tematów, które można uznać za kontrowersyjne, ale podkreślają znaczenie przestrzegania regulacje prawne.
11. Współpraca z przemysłem:
Nawiązywanie partnerstw z zainteresowanymi stronami z branży mogłoby zapewnić finansowanie i potencjalnie doprowadzić do powstania start-upów. Jednak istotne jest, aby badania były zgodne z praktycznymi zastosowaniami.
12. Promowanie współpracy międzyuczelnianej:
Budowanie mostów między uniwersytetami może sprzyjać środowisku współpracy, chociaż bezpośrednie korzyści mogą wydawać się nieuchwytne.
Strategie nakreślone przez Togelius i Yannakakis (2023) stanowią mapę drogową dla naukowców zajmujących się sztuczną inteligencją, którzy radzą sobie z obecnymi wyzwaniami. Podczas gdy przyszłość środowiska akademickiego zajmującego się sztuczną inteligencją pozostaje niepewna, niniejsze wytyczne oferują ścieżki dalszego wnoszenia znaczącego wkładu w tę dziedzinę. Kolejne artykuły z tej serii będą bardziej szczegółowo omawiać implikacje tych zaleceń i ich potencjalny długoterminowy wpływ.
Przeczytaj więcej o sztucznej inteligencji:
Odpowiedzialność
Zgodnie z Zaufaj wytycznym projektu, należy pamiętać, że informacje zawarte na tej stronie nie mają na celu i nie powinny być interpretowane jako porady prawne, podatkowe, inwestycyjne, finansowe lub jakiekolwiek inne formy porad. Ważne jest, aby inwestować tylko tyle, na utratę czego możesz sobie pozwolić, a w przypadku jakichkolwiek wątpliwości zasięgnąć niezależnej porady finansowej. Aby uzyskać więcej informacji, sugerujemy zapoznać się z warunkami oraz stronami pomocy i wsparcia udostępnianymi przez wydawcę lub reklamodawcę. MetaversePost zobowiązuje się do sporządzania dokładnych i bezstronnych raportów, jednakże warunki rynkowe mogą ulec zmianie bez powiadomienia.
O autorze
Damir jest liderem zespołu, menedżerem produktu i redaktorem w Metaverse Post, obejmujący takie tematy, jak AI/ML, AGI, LLM, Metaverse i Web3-pokrewne pola. Jego artykuły przyciągają każdego miesiąca ogromną publiczność, liczącą ponad milion użytkowników. Wydaje się być ekspertem z 10-letnim doświadczeniem w SEO i marketingu cyfrowym. Damir został wspomniany w Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i inne publikacje. Jako cyfrowy koczownik podróżuje między ZEA, Turcją, Rosją i WNP. Damir uzyskał tytuł licencjata z fizyki, co jego zdaniem dało mu umiejętności krytycznego myślenia potrzebne do odniesienia sukcesu w ciągle zmieniającym się środowisku internetowym.
Więcej artykułówDamir jest liderem zespołu, menedżerem produktu i redaktorem w Metaverse Post, obejmujący takie tematy, jak AI/ML, AGI, LLM, Metaverse i Web3-pokrewne pola. Jego artykuły przyciągają każdego miesiąca ogromną publiczność, liczącą ponad milion użytkowników. Wydaje się być ekspertem z 10-letnim doświadczeniem w SEO i marketingu cyfrowym. Damir został wspomniany w Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i inne publikacje. Jako cyfrowy koczownik podróżuje między ZEA, Turcją, Rosją i WNP. Damir uzyskał tytuł licencjata z fizyki, co jego zdaniem dało mu umiejętności krytycznego myślenia potrzebne do odniesienia sukcesu w ciągle zmieniającym się środowisku internetowym.