Återuppfinna AI-forskning: Tillvägagångssätt i ett företagsdominerat landskap
I korthet
Artikeln av Togelius och Yannakakis ger värdefulla insikter om de utmaningar som AI-akademiker står inför i akademiska miljöer.
Artikeln belyser bristen på datorresurser, företagsdominans och behovet av experiment i mindre skala.
Forskare bör fokusera på att utnyttja förtränade modeller, djupgående analys av befintliga modeller, utforska förstärkningsinlärning (RL), undersöka minimalt belastade modeller, utforska outnyttjade eller försummade områden och testa oväntade metoder.
De föreslår också att man navigerar i etiska gränser, samarbetar med industrins intressenter och främjar samarbeten mellan universitet.
Dessa strategier erbjuder en färdplan för AI-akademiker att navigera i dessa utmaningar och fortsätta att ge meningsfulla bidrag till området.
Det är viktigt att utvärdera effekten av AI på olika intressenter, inklusive akademiska AI-forskare, eftersom området genomgår en snabb omvandling. En färsk artikel av Togelius J. och Yannakakis GN med titeln "Välj ditt vapen: Överlevnadsstrategier för deprimerade AI-akademiker” ger en djupgående inblick i detta område.
Tidningens innehåll utforskar de svårigheter som de som ägnar sig åt teoretiskt arbete står inför AI-forskning i akademiska miljöer, trots titelns lekfulla berättande förslag. Studiens huvudidéer och slutsatser kommer att sammanfattas kort i denna översikt.
Del 1: Dilemman som AI-akademiker står inför
1. Brist på datorresurser:
Artikeln understryker den ökande skillnaden i datorresurser som är tillgängliga för AI-akademiker och deras motsvarigheter på företagens AI-avdelningar. För ett decennium sedan räckte lokala beräkningsinställningar för att främja AI-forskning i den akademiska världen. Det samtida scenariot har dock sett ett paradigmskifte. Betydande framsteg inom AI idag förlitar sig ofta på omfattande beräkningskraft och en serie utarbetade experiment. Tyvärr befinner sig många akademiska forskare utan tillräcklig tillgång till sådana resurser.
2. Utmaningen med företagsdominans:
Konkurrensbegreppet inom den vetenskapliga forskningsvärlden har intensifierats. Helst skulle vetenskapliga experiment representera samarbetssträvanden, med vederbörligt erkännande till varje bidragsgivare. Ändå har företagsvärldens ökande inflytande något överskuggat denna samarbetsanda. När företag kanaliserar betydande investeringar till AI-forskning, tenderar de att dominera utvecklingen av lovande idéer, och ofta åsidosätta de ursprungliga akademiska bidragsgivarna. Tidningen drar en parallell mellan denna situation och fenomenet där en megaåterförsäljare som Walmart etablerar sig nära en lokal familjebutik och överskuggar dess verksamhet.
De ovan nämnda utmaningarna, som lyfts fram av Togelius och Yannakakis, skildrar ett angeläget landskap för AI-akademiker. Förhållandena har lett till en viss grad av desillusion, vilket påverkar moralen och produktiviteten hos forskare som har ägnat sina karriärer åt att främja området.
Studien identifierar inte bara problem; den tillhandahåller också överlevnadsstrategier för dem i akademin som känner bördan av dessa utmaningar. En efterföljande analys nedan kommer att fördjupa sig djupare i de potentiella lösningar som föreslagits av författarna, i syfte att erbjuda AI-akademiker konkreta vägar för att navigera i denna utvecklande terräng.
Del 2: Strategier för att navigera utmaningar
1. Välj alternativa publiceringsvägar:
Forskare rekommenderas att överväga att publicera i mindre uppmärksammade tidskrifter, fokusera på att förfina tekniska aspekter och utforska nischfrågor inom bredare ämnen.
2. Prioritering av datorresurser:
Tonvikt läggs på att anslå en betydande del av forskningsanslagen till beräkningsresurser. Det bör dock noteras att även betydande bidrag kanske inte räcker för att genomföra avancerade experiment i nivå med företagens ansträngningar.
3. Fokusera på experiment i mindre skala:
Forskare kan koncentrera sina ansträngningar på mer kortfattade problem och använda dem för att validera teoretiska framsteg. Flera tidningar, som de av Shafiullah et al. (2022) och Pearce et al. (2023), framgångsrikt använt detta tillvägagångssätt. Även om dessa metoder initialt kan få begränsad uppmärksamhet, kan deras relevans växa när de testas på större datamängder.
4. Utnyttja förtränade modeller:
Istället för att börja om från början, använda förtränade modeller kan påskynda forskningsprocessen, även om det ibland kan begränsa djupet av fynden.
5. Fördjupad analys av befintliga modeller:
Forskare uppmuntras att fördjupa sig i krångligheterna med nuvarande modeller snarare än att enbart fokusera på att skapa nya.
6. Utforska Förstärkningslärande (RL):
RL föreslås som ett värdefullt verktyg, särskilt eftersom det inte är mycket beroende av omfattande datamängder. Det är dock viktigt att balansera ambition med genomförbarhet.
7. Undersöker minimalt belastade modeller:
Uppsatsen belyser den ökande betydelsen av att dra slutsatser med minimalt laddade modeller och en begränsad datauppsättning, med hänvisning till Bayesianska metoder som ett exempel.
8. Utforska outnyttjade eller försummade områden:
Forskare kan fördjupa sig i ämnen som för närvarande förbises av industrin eller återuppliva tidigare övergivna metoder. Detta tillvägagångssätt kan erbjuda ett fönster av möjligheter innan det drar till sig betydande uppmärksamhet.
9. Experimentera med oväntade metoder:
Forskare uppmanas att utmana status quo genom att testa metoder som verkar kontraintuitiva.
10. Navigera i etiska gränser:
Även om företag kan begränsas av etiska riktlinjer och anseende, har akademiker något större spelrum. Författarna föreslår att man utforskar ämnen som kan anses vara kontroversiella men som understryker vikten av att följa lagaregler.
11. Samarbeta med branschen:
Att etablera partnerskap med industrins intressenter kan ge finansiering och potentiellt leda till att nystartade företag startas. Ändå är det viktigt att forskningen överensstämmer med praktiska tillämpningar.
12. Främja samarbete mellan universitet:
Att bygga broar mellan universitet kan främja en samarbetsmiljö, även om de omedelbara fördelarna kan verka svårfångade.
Strategierna som beskrivs av Togelius och Yannakakis (2023) representerar en färdplan för AI-akademiker som navigerar i de aktuella utmaningarna. Även om framtiden för AI-akademin fortfarande är osäker, erbjuder dessa riktlinjer vägar för att fortsätta göra meningsfulla bidrag till området. De efterföljande artiklarna i denna serie kommer att fördjupa sig i konsekvenserna av dessa rekommendationer och deras potentiella långsiktiga inverkan.
Läs mer om AI:
Villkor
I linje med den Riktlinjer för Trust Project, vänligen notera att informationen på den här sidan inte är avsedd att vara och inte ska tolkas som juridisk, skattemässig, investerings-, finansiell eller någon annan form av rådgivning. Det är viktigt att bara investera det du har råd att förlora och att söka oberoende finansiell rådgivning om du har några tvivel. För ytterligare information föreslår vi att du hänvisar till villkoren samt hjälp- och supportsidorna som tillhandahålls av utfärdaren eller annonsören. MetaversePost är engagerad i korrekt, opartisk rapportering, men marknadsförhållandena kan ändras utan föregående meddelande.
Om författaren
Damir är teamledare, produktchef och redaktör på Metaverse Post, som täcker ämnen som AI/ML, AGI, LLMs, Metaverse och Web3-relaterade områden. Hans artiklar lockar en massiv publik på över en miljon användare varje månad. Han verkar vara en expert med 10 års erfarenhet av SEO och digital marknadsföring. Damir har nämnts i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto och andra publikationer. Han reser mellan Förenade Arabemiraten, Turkiet, Ryssland och OSS som en digital nomad. Damir tog en kandidatexamen i fysik, som han tror har gett honom de kritiska tänkande färdigheter som behövs för att bli framgångsrik i det ständigt föränderliga landskapet på internet.
fler artiklar
Damir är teamledare, produktchef och redaktör på Metaverse Post, som täcker ämnen som AI/ML, AGI, LLMs, Metaverse och Web3-relaterade områden. Hans artiklar lockar en massiv publik på över en miljon användare varje månad. Han verkar vara en expert med 10 års erfarenhet av SEO och digital marknadsföring. Damir har nämnts i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto och andra publikationer. Han reser mellan Förenade Arabemiraten, Turkiet, Ryssland och OSS som en digital nomad. Damir tog en kandidatexamen i fysik, som han tror har gett honom de kritiska tänkande färdigheter som behövs för att bli framgångsrik i det ständigt föränderliga landskapet på internet.
