Переосмысление исследований в области искусственного интеллекта: подходы в условиях корпоративного доминирования
Коротко
Статья Тогелиуса и Яннакакиса дает ценную информацию о проблемах, с которыми сталкиваются ученые в области ИИ в академических условиях.
В статье подчеркивается нехватка вычислительных ресурсов, корпоративное доминирование и необходимость экспериментов меньшего масштаба.
Исследователи должны сосредоточиться на использовании предварительно обученных моделей, углубленном анализе существующих моделей, изучении обучения с подкреплением (RL), исследовании моделей с минимальной нагрузкой, изучении неиспользованных или игнорируемых областей и тестировании неожиданных методов.
Они также предлагают преодолевать этические границы, сотрудничать с заинтересованными сторонами в отрасли и продвигать межуниверситетское сотрудничество.
Эти стратегии предлагают ученым, занимающимся искусственным интеллектом, дорожную карту, позволяющую преодолевать эти трудности и продолжать вносить значимый вклад в эту область.
Крайне важно оценить влияние ИИ на различные заинтересованные стороны, включая академических исследователей ИИ, поскольку эта область претерпевает быстрые изменения. Недавняя статья Тогелиуса Дж. и Яннакакиса Г.Н. под названием «Выбери свое оружие: стратегии выживания для академиков искусственного интеллекта в депрессии” обеспечивает глубокое понимание этой области.
Похожие страницы:: Загадка видизма: анализ человеческого интеллекта по отношению к кошкам и ИИ |
Содержание статьи исследует трудности, с которыми сталкиваются те, кто занимается теоретическим Исследования ИИ в академической среде, несмотря на игривое повествовательное предложение названия. Основные идеи и выводы исследования будут кратко изложены в данном обзоре.
Часть 1. Дилеммы, с которыми сталкиваются ученые в области искусственного интеллекта
1. Дефицит вычислительных ресурсов:
В статье подчеркивается растущее неравенство в вычислительных ресурсах, доступных ученым в области искусственного интеллекта и их коллегам в корпоративных отделах искусственного интеллекта. Десять лет назад локальных вычислительных установок было достаточно для продвижения исследований ИИ в научных кругах. Однако в современном сценарии произошел сдвиг парадигмы. Значительные достижения в области искусственного интеллекта сегодня часто зависят от большой вычислительной мощности и серии сложных экспериментов. К сожалению, многие академические исследователи не имеют адекватного доступа к таким ресурсам.
2. Проблема корпоративного доминирования:
Понятие конкуренции в мире научных исследований усилилось. В идеале научные эксперименты должны представлять собой совместные усилия с должным признанием каждого участника. Тем не менее, растущее влияние корпоративной сферы несколько затмило этот дух сотрудничества. Когда корпорации направляют значительные инвестиции в исследования ИИ, они, как правило, доминируют в разработке многообещающих идей, часто оттесняя на второй план первоначальных академических участников. В документе проводится параллель между этой ситуацией и явлением, когда мега-ритейлер, такой как Walmart, обосновывается рядом с местным семейным магазином, затмевая его бизнес.
Вышеупомянутые проблемы, как подчеркивают Тогелиус и Яннакакис, представляют собой тревожный ландшафт для ученых в области ИИ. Эти условия привели к определенной степени разочарования, что сказалось на моральном духе и продуктивности исследователей, посвятивших свою карьеру развитию этой области.
Исследование не просто выявляет проблемы; он также предлагает стратегии выживания для тех, кто в академических кругах чувствует на себе всю тяжесть этих проблем. Последующий анализ, приведенный ниже, позволит глубже изучить потенциальные решения, предложенные авторами, с целью предложить ученым, занимающимся искусственным интеллектом, реальные пути для навигации в этой развивающейся области.
Похожие страницы:: Мустафа Сулейман предлагает подход ACI к преодолению разрыва между слабым ИИ и ОИИ |
Часть 2: Стратегии решения проблем
1. Выбор альтернативных способов публикации:
Исследователям рекомендуется рассмотреть возможность публикации в менее авторитетных журналах, сосредоточив внимание на уточнении технических аспектов и изучении нишевых вопросов в рамках более широких тем.
2. Приоритизация вычислительных ресурсов:
Акцент делается на выделении значительной части исследовательских грантов на вычислительные ресурсы. Однако отмечается, что даже значительных грантов может оказаться недостаточно для проведения передовых экспериментов наравне с корпоративными усилиями.
3. Сосредоточение внимания на экспериментах меньшего масштаба:
Исследователи могут сосредоточить свои усилия на более кратких проблемах, используя их для проверки теоретических достижений. Несколько работ, например, тех, Шафиулла и др. (2022) и Пирс и др. (2023), успешно применил этот подход. Хотя этим методам изначально может быть уделено ограниченное внимание, их актуальность может возрасти после проверки на больших наборах данных.
4. Использование предварительно обученных моделей:
Вместо того, чтобы начинать с нуля, используя предварительно обученный модели могут ускорить процесс исследования, хотя иногда это может ограничивать глубину выводов.
5. Углубленный анализ существующих моделей:
Исследователи рекомендуется вникать в тонкости существующих моделей, а не сосредотачиваться исключительно на создании новых.
6. Изучение Усиление обучения (РЛ):
RL предлагается как ценный инструмент, особенно потому, что он не сильно зависит от обширных наборов данных. Однако важно сбалансировать амбиции с осуществимостью.
7. Исследование моделей с минимальной нагрузкой:
В документе подчеркивается растущее значение выводов с использованием минимально загруженных моделей и ограниченного набора данных, на примере байесовских методов.
8. Изучение неиспользованных или забытых областей:
Исследователи могут углубиться в темы, которые в настоящее время упускаются из виду в отрасли, или возродить ранее заброшенные методологии. Этот подход может предоставить окно возможностей, прежде чем привлекать значительное внимание.
9. Эксперименты с неожиданными методами:
Исследователям предлагается бросить вызов статус-кво, тестируя методы, которые кажутся нелогичными.
10. Навигация по этическим границам:
В то время как корпорации могут быть ограничены этическими принципами и соображениями репутации, у ученых немного больше свободы действий. Авторы предлагают изучить темы, которые могут показаться спорными, но подчеркивают важность соблюдения правовые нормы.
11. Сотрудничество с промышленностью:
Установление партнерских отношений с заинтересованными сторонами в отрасли может обеспечить финансирование и потенциально привести к созданию стартапов. Тем не менее, важно, чтобы исследования согласовывались с практическими приложениями.
12. Содействие межуниверситетскому сотрудничеству:
Наведение мостов между университетами может способствовать созданию атмосферы сотрудничества, хотя немедленные выгоды могут показаться недостижимыми.
Стратегии, изложенные Тогелиус и Яннакакис (2023) представляет собой дорожную карту для ученых, занимающихся ИИ, в решении текущих задач. Хотя будущее научных кругов в области искусственного интеллекта остается неопределенным, эти рекомендации предлагают пути для дальнейшего внесения значимого вклада в эту область. В последующих статьях этой серии будут более подробно рассмотрены последствия этих рекомендаций и их потенциальное долгосрочное влияние.
Подробнее об ИИ:
Отказ от ответственности
В соответствии с Руководство трастового проектаОбратите внимание, что информация, представленная на этой странице, не предназначена и не должна интерпретироваться как юридическая, налоговая, инвестиционная, финансовая или любая другая форма консультации. Важно инвестировать только то, что вы можете позволить себе потерять, и обращаться за независимой финансовой консультацией, если у вас есть какие-либо сомнения. Для получения дополнительной информации мы предлагаем обратиться к положениям и условиям, а также к страницам справки и поддержки, предоставленным эмитентом или рекламодателем. MetaversePost стремится предоставлять точную и объективную отчетность, однако рыночные условия могут быть изменены без предварительного уведомления.
Об авторе
Дамир — руководитель группы, менеджер по продукту и редактор в Metaverse Post, охватывающие такие темы, как AI/ML, AGI, LLM, Metaverse и Web3-связанные поля. Его статьи ежемесячно привлекают огромную аудиторию, насчитывающую более миллиона пользователей. Похоже, он эксперт с 10-летним опытом работы в области SEO и цифрового маркетинга. Дамир упоминается в Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto и другие издания. Он путешествует между ОАЭ, Турцией, Россией и СНГ в качестве цифрового кочевника. Дамир получил степень бакалавра в области физики, что, по его мнению, дало ему навыки критического мышления, необходимые для достижения успеха в постоянно меняющемся мире Интернета.
Другие статьиДамир — руководитель группы, менеджер по продукту и редактор в Metaverse Post, охватывающие такие темы, как AI/ML, AGI, LLM, Metaverse и Web3-связанные поля. Его статьи ежемесячно привлекают огромную аудиторию, насчитывающую более миллиона пользователей. Похоже, он эксперт с 10-летним опытом работы в области SEO и цифрового маркетинга. Дамир упоминается в Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto и другие издания. Он путешествует между ОАЭ, Турцией, Россией и СНГ в качестве цифрового кочевника. Дамир получил степень бакалавра в области физики, что, по его мнению, дало ему навыки критического мышления, необходимые для достижения успеха в постоянно меняющемся мире Интернета.