คิดค้นการวิจัย AI ใหม่: แนวทางในภูมิทัศน์ที่ครอบงำโดยองค์กร
ในบทสรุป
บทความโดย Togelius และ Yannakakis ให้ข้อมูลเชิงลึกอันมีค่าเกี่ยวกับความท้าทายที่นักวิชาการด้าน AI เผชิญในสภาพแวดล้อมทางวิชาการ
บทความนี้เน้นย้ำถึงความขาดแคลนของทรัพยากรคอมพิวเตอร์ การครอบงำขององค์กร และความจำเป็นในการทดลองที่มีขนาดเล็กลง
นักวิจัยควรมุ่งเน้นไปที่การใช้ประโยชน์จากโมเดลที่ได้รับการฝึกอบรมล่วงหน้า การวิเคราะห์เชิงลึกของโมเดลที่มีอยู่ การสำรวจการเรียนรู้แบบเสริมกำลัง (RL) การตรวจสอบโมเดลที่โหลดน้อยที่สุด การสำรวจพื้นที่ที่ไม่ได้ใช้งานหรือถูกละเลย และทดสอบวิธีการที่ไม่คาดคิด
พวกเขายังแนะนำการใช้ขอบเขตทางจริยธรรม การร่วมมือกับผู้มีส่วนได้ส่วนเสียในอุตสาหกรรม และส่งเสริมความร่วมมือระหว่างมหาวิทยาลัย
กลยุทธ์เหล่านี้เป็นแผนงานสำหรับนักวิชาการด้าน AI ในการรับมือกับความท้าทายเหล่านี้และดำเนินการมีส่วนร่วมที่มีความหมายต่อสาขานี้ต่อไป
การประเมินผลกระทบของ AI ต่อผู้มีส่วนได้ส่วนเสียต่างๆ รวมถึงนักวิจัยด้าน AI นั้นมีความสำคัญ เนื่องจากสาขานี้กำลังอยู่ระหว่างการเปลี่ยนแปลงอย่างรวดเร็ว บทความล่าสุดโดย Togelius J. และ Yannakakis GN หัวข้อ “เลือกอาวุธของคุณ: กลยุทธ์การเอาชีวิตรอดสำหรับนักวิชาการ AI ที่หดหู่” ให้ข้อมูลเชิงลึกที่ลึกซึ้งเกี่ยวกับพื้นที่นี้
เนื้อหาของบทความนี้สำรวจความยากลำบากที่ผู้ที่เกี่ยวข้องกับทฤษฎีต้องเผชิญ การวิจัย AI ในสภาพแวดล้อมทางวิชาการ แม้ว่าชื่อเรื่องจะมีคำแนะนำในการเล่าเรื่องที่สนุกสนานก็ตาม แนวคิดหลักและข้อสรุปของการศึกษาจะสรุปโดยย่อในการทบทวนนี้
ส่วนที่ 1: ความท้าทายของนักวิชาการด้าน AI
1. ความขาดแคลนของทรัพยากรคอมพิวเตอร์:
บทความนี้เน้นย้ำถึงความเหลื่อมล้ำที่เพิ่มขึ้นในทรัพยากรคอมพิวเตอร์ที่มีให้สำหรับนักวิชาการด้าน AI และเพื่อนร่วมงานในแผนก AI ขององค์กร ทศวรรษที่ผ่านมา การตั้งค่าคอมพิวเตอร์ในพื้นที่เพียงพอสำหรับการพัฒนาการวิจัย AI ในวงวิชาการ อย่างไรก็ตาม สถานการณ์ร่วมสมัยมีการเปลี่ยนแปลงกระบวนทัศน์ ความก้าวหน้าที่สำคัญของ AI ในปัจจุบันมักอาศัยพลังการคำนวณที่กว้างขวางและชุดการทดลองที่ซับซ้อน น่าเสียดายที่นักวิจัยเชิงวิชาการจำนวนมากพบว่าตนเองไม่สามารถเข้าถึงแหล่งข้อมูลดังกล่าวได้อย่างเพียงพอ
2. ความท้าทายของการครอบงำองค์กร:
แนวคิดของการแข่งขันในโลกแห่งการวิจัยทางวิทยาศาสตร์ได้ทวีความรุนแรงขึ้น ตามหลักการแล้ว การทดลองทางวิทยาศาสตร์จะแสดงถึงความพยายามในการทำงานร่วมกัน โดยได้รับการยอมรับจากผู้มีส่วนร่วมทุกคน กระนั้น อิทธิพลที่เพิ่มขึ้นของขอบเขตองค์กรได้บดบังจิตวิญญาณแห่งความร่วมมือนี้ไปบางส่วน เมื่อบริษัทต่างๆ ลงทุนจำนวนมากในการวิจัย AI พวกเขามักจะครอบงำการพัฒนาแนวคิดที่มีแนวโน้ม โดยมักจะกีดกันผู้มีส่วนร่วมทางวิชาการดั้งเดิม บทความนี้แสดงให้เห็นเส้นขนานระหว่างสถานการณ์นี้กับปรากฏการณ์ที่ผู้ค้าปลีกรายใหญ่อย่าง Walmart ตั้งตัวใกล้กับร้านค้าของครอบครัวในพื้นที่ ซึ่งบดบังธุรกิจของตน
ความท้าทายดังกล่าวข้างต้นตามที่ Togelius และ Yannakakis เน้นย้ำ แสดงให้เห็นถึงภูมิทัศน์ที่เกี่ยวข้องกับนักวิชาการด้าน AI เงื่อนไขดังกล่าวได้นำไปสู่ความท้อแท้ในระดับหนึ่ง ส่งผลกระทบต่อขวัญและกำลังใจและผลผลิตของนักวิจัยที่อุทิศตนในอาชีพของตนเพื่อพัฒนาสาขานี้ต่อไป
การศึกษานี้ไม่เพียงแต่ระบุปัญหาเท่านั้น นอกจากนี้ยังมีกลยุทธ์การเอาชีวิตรอดสำหรับผู้ที่อยู่ในสถาบันการศึกษาที่รู้สึกถึงความท้าทายเหล่านี้ การวิเคราะห์ที่ตามมาด้านล่างจะเจาะลึกลงไปในโซลูชันที่เป็นไปได้ที่เสนอโดยผู้เขียน โดยมีเป้าหมายเพื่อเสนอเส้นทางที่จับต้องได้ให้กับนักวิชาการด้าน AI เพื่อสำรวจภูมิประเทศที่กำลังพัฒนานี้
ส่วนที่ 2: กลยุทธ์สำหรับการนำทางความท้าทาย
1. การเลือกช่องทางการเผยแพร่ทางเลือก:
นักวิจัยควรพิจารณาตีพิมพ์ในวารสารที่มีชื่อเสียงน้อยกว่า โดยมุ่งเน้นที่การปรับปรุงด้านเทคนิคและสำรวจคำถามเฉพาะในหัวข้อที่กว้างขึ้น
2. การจัดลำดับความสำคัญของทรัพยากรคอมพิวเตอร์:
ให้ความสำคัญกับการจัดสรรทุนวิจัยส่วนหนึ่งสำหรับทรัพยากรการคำนวณ อย่างไรก็ตาม มีข้อสังเกตว่าแม้แต่เงินช่วยเหลือจำนวนมากก็อาจไม่เพียงพอสำหรับการดำเนินการทดลองขั้นสูงที่ทัดเทียมกับความพยายามขององค์กร
3. มุ่งเน้นไปที่การทดลองที่มีขนาดเล็กลง:
นักวิจัยสามารถมุ่งความสนใจไปที่ปัญหาที่รัดกุมมากขึ้น โดยใช้เพื่อตรวจสอบความก้าวหน้าทางทฤษฎี เอกสารหลายฉบับเช่นของ ชาฟิอุลเลาะห์และคณะ (2022) และ เพียร์ซและคณะ (2023)ประสบความสำเร็จในการใช้แนวทางนี้ แม้ว่าวิธีการเหล่านี้ในตอนแรกอาจได้รับความสนใจอย่างจำกัด แต่ความเกี่ยวข้องสามารถเพิ่มขึ้นได้เมื่อทดสอบกับชุดข้อมูลที่ใหญ่ขึ้น
4. การใช้ประโยชน์จากแบบจำลองที่ได้รับการฝึกอบรมมาแล้ว:
แทนที่จะเริ่มจากศูนย์ ใช้ pretrained แบบจำลองสามารถเร่งกระบวนการวิจัยได้แม้ว่าบางครั้งอาจจำกัดความลึกของการค้นพบ
5. การวิเคราะห์เชิงลึกของโมเดลที่มีอยู่:
นักวิจัย ได้รับการสนับสนุนให้เจาะลึกถึงความซับซ้อนของโมเดลปัจจุบันแทนที่จะมุ่งเน้นไปที่การสร้างโมเดลใหม่เพียงอย่างเดียว
6. สำรวจ การเรียนรู้เสริมแรง (RL):
RL ถูกเสนอให้เป็นเครื่องมือที่มีค่า โดยเฉพาะอย่างยิ่งเนื่องจากไม่ต้องพึ่งพาชุดข้อมูลที่กว้างขวางมากนัก อย่างไรก็ตาม สิ่งสำคัญคือต้องสร้างสมดุลระหว่างความทะเยอทะยานกับความเป็นไปได้
7. การตรวจสอบโมเดลที่โหลดน้อยที่สุด:
เอกสารนี้เน้นความสำคัญที่เพิ่มขึ้นของการสรุปผลโดยใช้แบบจำลองที่โหลดน้อยที่สุดและชุดข้อมูลที่จำกัด โดยอ้างอิงถึงวิธีการแบบเบย์เป็นตัวอย่าง
8. การสำรวจพื้นที่ที่ไม่ได้ใช้ประโยชน์หรือถูกทอดทิ้ง:
นักวิจัยสามารถเจาะลึกในเรื่องที่อุตสาหกรรมมองข้ามในปัจจุบันหรือรื้อฟื้นวิธีการที่ถูกละทิ้งไปก่อนหน้านี้ วิธีการนี้อาจเสนอหน้าต่างแห่งโอกาสก่อนที่จะดึงดูดความสนใจอย่างมีนัยสำคัญ
9. การทดลองด้วยวิธีที่ไม่คาดคิด:
นักวิจัยได้รับการกระตุ้นเตือนให้ท้าทายสภาพที่เป็นอยู่ด้วยวิธีการทดสอบที่ดูเหมือนขัดกับสัญชาตญาณ
10. การนำทางขอบเขตทางจริยธรรม:
แม้ว่าบริษัทอาจถูกจำกัดด้วยหลักเกณฑ์ด้านจริยธรรมและการพิจารณาชื่อเสียง แต่นักวิชาการก็มีทางเลี่ยงมากกว่านั้นเล็กน้อย ผู้เขียนแนะนำให้สำรวจหัวข้อที่อาจถือเป็นความขัดแย้ง แต่เน้นย้ำถึงความสำคัญของการปฏิบัติตาม ข้อบังคับทางกฎหมาย.
11. การร่วมมือกับอุตสาหกรรม:
การสร้างความร่วมมือกับผู้มีส่วนได้ส่วนเสียในอุตสาหกรรมสามารถจัดหาเงินทุนและอาจนำไปสู่การเริ่มต้นของการเริ่มต้น ถึงกระนั้นก็จำเป็นสำหรับการวิจัยเพื่อให้สอดคล้องกับการใช้งานจริง
12. การส่งเสริมความร่วมมือระหว่างมหาวิทยาลัย:
การสร้างสะพานเชื่อมระหว่างมหาวิทยาลัยสามารถส่งเสริมสภาพแวดล้อมการทำงานร่วมกัน แม้ว่าผลประโยชน์ที่เกิดขึ้นทันทีอาจดูยากเย็น
กลยุทธ์ที่นำเสนอโดย Togelius และ Yannakakis (2023) เป็นตัวแทนของแผนงานสำหรับนักวิชาการด้าน AI ในการรับมือกับความท้าทายในปัจจุบัน แม้ว่าอนาคตของสถาบันการศึกษาด้าน AI จะยังไม่แน่นอน แต่แนวทางเหล่านี้ก็เสนอเส้นทางสู่การสร้างผลงานที่มีความหมายในสาขานี้ต่อไป บทความต่อๆ ไปในชุดนี้จะเจาะลึกเพิ่มเติมถึงความหมายของคำแนะนำเหล่านี้และผลกระทบที่อาจเกิดขึ้นในระยะยาว
อ่านเพิ่มเติมเกี่ยวกับ AI:
ข้อจำกัดความรับผิดชอบ
สอดคล้องกับ แนวทางโครงการที่เชื่อถือได้โปรดทราบว่าข้อมูลที่ให้ไว้ในหน้านี้ไม่ได้มีจุดมุ่งหมายและไม่ควรตีความว่าเป็นคำแนะนำทางกฎหมาย ภาษี การลงทุน การเงิน หรือรูปแบบอื่นใด สิ่งสำคัญคือต้องลงทุนเฉพาะในสิ่งที่คุณสามารถที่จะสูญเสียได้ และขอคำแนะนำทางการเงินที่เป็นอิสระหากคุณมีข้อสงสัยใดๆ สำหรับข้อมูลเพิ่มเติม เราขอแนะนำให้อ้างอิงข้อกำหนดและเงื่อนไขตลอดจนหน้าช่วยเหลือและสนับสนุนที่ผู้ออกหรือผู้ลงโฆษณาให้ไว้ MetaversePost มุ่งมั่นที่จะรายงานที่ถูกต้องและเป็นกลาง แต่สภาวะตลาดอาจมีการเปลี่ยนแปลงได้โดยไม่ต้องแจ้งให้ทราบล่วงหน้า
เกี่ยวกับผู้เขียน
Damir เป็นหัวหน้าทีม ผู้จัดการผลิตภัณฑ์ และบรรณาธิการที่ Metaverse Postซึ่งครอบคลุมหัวข้อต่างๆ เช่น AI/ML, AGI, LLMs, Metaverse และ Web3- สาขาที่เกี่ยวข้อง บทความของเขาดึงดูดผู้ชมจำนวนมากกว่าล้านคนทุกเดือน ดูเหมือนว่าเขาจะเป็นผู้เชี่ยวชาญที่มีประสบการณ์ 10 ปีในด้าน SEO และการตลาดดิจิทัล Damir ได้รับการกล่าวถึงใน Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto และสิ่งพิมพ์อื่น ๆ เขาเดินทางไปมาระหว่างสหรัฐอาหรับเอมิเรตส์ ตุรกี รัสเซีย และ CIS ในฐานะคนเร่ร่อนทางดิจิทัล Damir สำเร็จการศึกษาระดับปริญญาตรีสาขาฟิสิกส์ ซึ่งเขาเชื่อว่าทำให้เขามีทักษะการคิดเชิงวิพากษ์ที่จำเป็นต่อการประสบความสำเร็จในภูมิทัศน์ที่เปลี่ยนแปลงตลอดเวลาของอินเทอร์เน็ต
บทความอื่น ๆ
Damir เป็นหัวหน้าทีม ผู้จัดการผลิตภัณฑ์ และบรรณาธิการที่ Metaverse Postซึ่งครอบคลุมหัวข้อต่างๆ เช่น AI/ML, AGI, LLMs, Metaverse และ Web3- สาขาที่เกี่ยวข้อง บทความของเขาดึงดูดผู้ชมจำนวนมากกว่าล้านคนทุกเดือน ดูเหมือนว่าเขาจะเป็นผู้เชี่ยวชาญที่มีประสบการณ์ 10 ปีในด้าน SEO และการตลาดดิจิทัล Damir ได้รับการกล่าวถึงใน Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto และสิ่งพิมพ์อื่น ๆ เขาเดินทางไปมาระหว่างสหรัฐอาหรับเอมิเรตส์ ตุรกี รัสเซีย และ CIS ในฐานะคนเร่ร่อนทางดิจิทัล Damir สำเร็จการศึกษาระดับปริญญาตรีสาขาฟิสิกส์ ซึ่งเขาเชื่อว่าทำให้เขามีทักษะการคิดเชิงวิพากษ์ที่จำเป็นต่อการประสบความสำเร็จในภูมิทัศน์ที่เปลี่ยนแปลงตลอดเวลาของอินเทอร์เน็ต
