重塑人工智能研究:企业主导环境下的方法
简单来说
Togelius 和 Yannakakis 的文章为人工智能学者在学术环境中面临的挑战提供了宝贵的见解。
文章强调了计算资源的稀缺、企业的主导地位以及小规模实验的必要性。
研究人员应重点关注利用预训练模型、深入分析现有模型、探索强化学习(RL)、研究最小负载模型、探索未开发或被忽视的领域以及测试意想不到的方法。
他们还建议跨越道德界限,与行业利益相关者合作,并促进大学间合作。
这些策略为人工智能学者应对这些挑战并继续为该领域做出有意义的贡献提供了路线图。
由于该领域正在经历快速转型,评估人工智能对包括学术人工智能研究人员在内的各个利益相关者的影响至关重要。 Togelius J. 和 Yannakakis GN 最近发表的一篇文章,题为“选择你的武器:抑郁的人工智能学者的生存策略”提供了对该领域的深刻见解。
论文的内容探讨了从事理论研究的人所面临的困难。 人工智能研究 尽管标题带有有趣的叙事暗示,但在学术环境中。 本文将简要总结该研究的主要观点和结论。
第 1 部分:人工智能学者面临的困境
1. 计算资源稀缺:
这篇文章强调了人工智能学者和企业人工智能部门同行可用的计算资源之间日益扩大的差距。 十年前,本地计算设置足以推进学术界的人工智能研究。 然而,当代的情况已经发生了范式转变。 当今人工智能的重大进步通常依赖于广泛的计算能力和一系列精心设计的实验。 不幸的是,许多学术研究人员发现自己无法充分获得这些资源。
2.企业主导地位的挑战:
科研界的竞争观念愈演愈烈。 理想情况下,科学实验应该代表协作努力,并给予每个贡献者应有的认可。 然而,企业领域日益增长的影响力在某种程度上掩盖了这种合作精神。 当企业将大量投资投入人工智能研究时,它们往往会主导有前途的想法的开发,而往往会排挤最初的学术贡献者。 该论文将这种情况与沃尔玛这样的大型零售商在当地一家家庭商店附近建立自己的分支机构,从而使其业务蒙上阴影的现象进行了类比。
正如 Togelius 和 Yannakakis 所强调的,上述挑战描绘了人工智能学者令人担忧的前景。 这种情况导致了一定程度的幻灭,影响了致力于推动该领域发展的研究人员的士气和生产力。
该研究不仅发现问题,而且还发现问题。 它还为那些首当其冲地感受到这些挑战的学术界人士提供了生存策略。 下面的后续分析将更深入地探讨作者提出的潜在解决方案,旨在为人工智能学者提供切实可行的路径来驾驭这一不断发展的领域。
第 2 部分:应对挑战的策略
1. 选择其他出版途径:
建议研究人员考虑在知名度较低的期刊上发表文章,重点改进技术方面并探索更广泛主题中的利基问题。
2.计算资源的优先级:
重点是将很大一部分研究经费分配给计算资源。 然而,值得注意的是,即使是大量资助也可能不足以进行与企业努力相当的高级实验。
3. 专注于小规模实验:
研究人员可以将精力集中在更简洁的问题上,用它们来验证理论进展。 几篇论文,例如 沙菲乌拉等人。 (2022) 和 皮尔斯等人。 (2023),成功地采用了这种方法。 尽管这些方法最初可能受到的关注有限,但一旦在更大的数据集上进行测试,它们的相关性就会增加。
4. 利用预训练模型:
不是从头开始,而是使用预训练的 模型可以加快研究过程,尽管有时它可能会限制研究结果的深度。
5.现有模型的深入分析:
研究人员 鼓励深入研究当前模型的复杂性,而不是仅仅专注于创建新模型。
6. 探索 强化学习 (RL):
强化学习被认为是一种有价值的工具,特别是因为它并不严重依赖广泛的数据集。 然而,平衡雄心与可行性至关重要。
7. 研究最小负载模型:
本文以贝叶斯方法为例,强调了使用最小负载模型和有限数据集得出结论的重要性。
8. 探索未开发或被忽视的领域:
研究人员可以深入研究目前被行业忽视的主题或复兴以前放弃的方法。 这种方法可能会在引起广泛关注之前提供一个机会之窗。
9. 尝试意想不到的方法:
研究人员被促使通过测试看似违反直觉的方法来挑战现状。
10. 跨越道德界限:
虽然企业可能会受到道德准则和声誉考虑的限制,但学术界却有更多的回旋余地。 作者建议探索可能被认为有争议的话题,但强调遵守的重要性 法律规定.
11. 与业界合作:
与行业利益相关者建立合作伙伴关系可以提供资金,并有可能促进初创企业的成立。 然而,研究与实际应用保持一致至关重要。
12. 促进大学间合作:
在大学之间建立桥梁可以促进协作环境,尽管直接的好处可能看起来难以捉摸。
概述的策略 托格柳斯和亚纳卡基斯 (2023) 代表了人工智能学者应对当前挑战的路线图。 尽管人工智能学术界的未来仍不确定,但这些指南提供了继续为该领域做出有意义贡献的途径。 本系列的后续文章将进一步深入探讨这些建议的含义及其潜在的长期影响。
阅读有关人工智能的更多信息:
免责声明
在与行 信托项目指南,请注意,本页提供的信息无意且不应被解释为法律、税务、投资、财务或任何其他形式的建议。 重要的是,仅投资您可以承受损失的金额,并在有任何疑问时寻求独立的财务建议。 如需了解更多信息,我们建议您参阅条款和条件以及发行人或广告商提供的帮助和支持页面。 MetaversePost 致力于提供准确、公正的报告,但市场状况如有变更,恕不另行通知。
关于作者
Damir 是团队领导、产品经理和编辑 Metaverse Post,涵盖 AI/ML、AGI、LLM、Metaverse 等主题 Web3- 相关领域。 他的文章每月吸引超过一百万用户的大量读者。 他似乎是一位在 SEO 和数字营销方面拥有 10 年经验的专家。 达米尔曾在 Mashable、Wired、 Cointelegraph、《纽约客》、Inside.com、Entrepreneur、BeInCrypto 和其他出版物。 他作为数字游牧者往返于阿联酋、土耳其、俄罗斯和独联体国家之间。 达米尔获得了物理学学士学位,他认为这赋予了他在不断变化的互联网格局中取得成功所需的批判性思维技能。
更多文章Damir 是团队领导、产品经理和编辑 Metaverse Post,涵盖 AI/ML、AGI、LLM、Metaverse 等主题 Web3- 相关领域。 他的文章每月吸引超过一百万用户的大量读者。 他似乎是一位在 SEO 和数字营销方面拥有 10 年经验的专家。 达米尔曾在 Mashable、Wired、 Cointelegraph、《纽约客》、Inside.com、Entrepreneur、BeInCrypto 和其他出版物。 他作为数字游牧者往返于阿联酋、土耳其、俄罗斯和独联体国家之间。 达米尔获得了物理学学士学位,他认为这赋予了他在不断变化的互联网格局中取得成功所需的批判性思维技能。