我們已經(jīng)揮別了2020年，迎來(lái)了2021年！我們前不久采訪了一些人工智能專家，了解了他們對(duì)于2021年人工智能領(lǐng)域主要發(fā)展趨勢(shì)的看法。

這些專家主要來(lái)自加拿大的蒙特利爾學(xué)習(xí)算法研究所（MILA）、美國(guó)信息技術(shù)研究及分析公司高德納（Gartner）、Facebook、亞馬遜旗下人工智能研發(fā)部門(mén)Alexa AI、美國(guó)國(guó)家航空航天局（NASA），以及許可式郵件營(yíng)銷(xiāo)服務(wù)商Mailchimp等組織和機(jī)構(gòu)。

[[377178]]

圖片來(lái)源：RE•WORK

美國(guó)信息技術(shù)研究及分析公司

高德納（Gartner）數(shù)據(jù)科學(xué)負(fù)責(zé)人

Andriy Burkov

在經(jīng)過(guò)有用戶參與的試驗(yàn)后，雖然一些公司可能會(huì)推出家庭和工作之間點(diǎn)對(duì)點(diǎn)的無(wú)人駕駛通勤服務(wù)，但完全自動(dòng)駕駛的汽車(chē)在2021年仍然是“準(zhǔn)備好了”的狀態(tài)。

另外，全自動(dòng)駕駛卡車(chē)將開(kāi)始在高速公路上完成從海岸一端至海岸另一端的長(zhǎng)距離行駛（整個(gè)過(guò)程可能需要借助人為的遠(yuǎn)程監(jiān)控），不過(guò)最后一公里的駕駛還是會(huì)由安全員直接操控。

基于Transformer的預(yù)訓(xùn)練模型，比如GPT-3，會(huì)更加擅長(zhǎng)假裝智能，這一點(diǎn)也會(huì)更加讓人不安，并且其假裝智能的程度，甚至?xí)屢恍┤苏J(rèn)為其已經(jīng)實(shí)現(xiàn)了智能。

美國(guó)國(guó)家航空航天局（NASA）機(jī)器學(xué)習(xí)負(fù)責(zé)人、

圖片分享網(wǎng)站Pinterest技術(shù)孵化負(fù)責(zé)人、

《云、移動(dòng)端和邊緣智能設(shè)備的實(shí)用深度學(xué)習(xí)》

一書(shū)作者

Anirudh Koul

2021年，我十分期待的有兩個(gè)方面的事物。一個(gè)是會(huì)變得更大的事物，一個(gè)是會(huì)變得更小的事物。預(yù)測(cè)未來(lái)的最佳辦法就是回首過(guò)去（也許可以在過(guò)去配置一個(gè)長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM）。

兩年之內(nèi)，我們的預(yù)訓(xùn)練模型就已經(jīng)從440MB大小的BERT轉(zhuǎn)變成了350GB大小的GPT-3。我們已經(jīng)能通過(guò)云端租用超級(jí)計(jì)算機(jī)，借助其285000個(gè)CPU核和10000個(gè)GPU（微軟為硅谷大亨聯(lián)合建立的人工智能非營(yíng)利組織OpenAI開(kāi)發(fā)的）的計(jì)算力。

我們已經(jīng)實(shí)現(xiàn)了在你口袋里的iPhone A14芯片中安裝118億個(gè)晶體管。我們已經(jīng)能夠在90秒內(nèi)訓(xùn)練ImageNet，而十年前，這一訓(xùn)練過(guò)程還需要花費(fèi)數(shù)月。

所以，我們可以預(yù)見(jiàn)，計(jì)算、模型和算法的力量會(huì)持續(xù)呈指數(shù)級(jí)別增長(zhǎng)，進(jìn)一步向眾人揭示人工智能的新奇魔力。

另一方面，我們現(xiàn)在可以實(shí)現(xiàn)BERT精準(zhǔn)度，但在使用FastFormers的基礎(chǔ)上，CPU推理速度提高了233倍。如今，我們通過(guò)NVIDIA Maxine傳輸視頻通話，只需要較之前五百分之一的帶寬。我們將訓(xùn)練AutoML模型的時(shí)間從GPU運(yùn)算時(shí)長(zhǎng)40000小時(shí) (2018年的MNasNet)減少到了3.75小時(shí)（2019年的Single-Path NAS）！

單一地關(guān)注模型修剪和模型量化，并不是我們對(duì)模型的研究主題，而研究主題是實(shí)踐者已經(jīng)寫(xiě)好的高效三行代碼（TensorFlow模型優(yōu)化工具箱）。

在2021年，關(guān)注小事物的樂(lè)趣會(huì)持續(xù)增長(zhǎng)，讓使用邊緣智能設(shè)備的用戶獲得基于強(qiáng)大模型的神奇體驗(yàn)。

情緒感知初創(chuàng)公司Affectiva

聯(lián)合創(chuàng)始人兼首席執(zhí)行官

Dr. Rana el Kaliouby

我們將看到情緒感知人工智能的新用例，以在新冠疫情大流行期間促進(jìn)在線協(xié)作和交流。

在新冠疫情期間，我們比以往更加依賴視頻會(huì)議。視頻會(huì)議將大家虛擬地連接起來(lái)，讓我們得以遠(yuǎn)程工作、在家學(xué)習(xí)并展開(kāi)社交生活。

然而，目前存在的一個(gè)較大問(wèn)題是：這些技術(shù)上，情緒感知是盲區(qū)。當(dāng)我們面對(duì)面交流時(shí)，我們能夠傳遞的信息不僅來(lái)自語(yǔ)言本身，我們還能用面部表情、語(yǔ)音語(yǔ)調(diào)以及肢體語(yǔ)言來(lái)表達(dá)自己。但這些技術(shù)的最初設(shè)計(jì)初衷，卻并不是來(lái)捕捉我們與周?chē)嘶?dòng)時(shí)的細(xì)微差別的。

我們也許可以借助人工智能，來(lái)在虛擬環(huán)境中保留我們?nèi)诵缘哪且幻妗＞唧w而言，能夠根據(jù)面部表情和聲音理解人類(lèi)細(xì)微情緒和復(fù)雜認(rèn)知狀態(tài)的情緒感知人工智能軟件，可以解決疫情期間已經(jīng)出現(xiàn)的一些技術(shù)短板，我們會(huì)看到各大公司將其運(yùn)用于新的用例，比如：

視頻會(huì)議和虛擬活動(dòng)——情緒感知人工智能能夠提供對(duì)人們?cè)谔摂M活動(dòng)或者會(huì)議中的情感解讀。它能為線上發(fā)言者提供真實(shí)的觀眾反饋，讓參與者有一種共同的體驗(yàn)，同時(shí)能幫助公司在這段緊張時(shí)期了解集體的參與度。

線上學(xué)習(xí)——情緒感知人工智能能夠提供學(xué)生對(duì)線上教育材料和教學(xué)的參與反饋。當(dāng)學(xué)生迷惑、緊張或者乏味時(shí)，系統(tǒng)就會(huì)發(fā)出信號(hào)。這在疫情期間尤為重要，畢竟有很多學(xué)生在網(wǎng)上學(xué)習(xí)時(shí)，都得了“Zoom疲勞癥”。

遠(yuǎn)程醫(yī)療——隨著遠(yuǎn)程就診逐漸替代面對(duì)面診斷，情緒感知人工智能能夠在患者和醫(yī)療提供者之間建立起更有意義的討論和信任。此外，對(duì)患者情緒健康的數(shù)據(jù)驅(qū)動(dòng)分析也提供了一種心理健康的量化測(cè)評(píng)方法，而不是讓患者用簡(jiǎn)單的1至10分來(lái)自我評(píng)估。

[[377179]]
蒙特利爾學(xué)習(xí)算法研究所（MILA）

博士研究員

Alexia Jolicoeur-Martineau

降噪得分與退火蘭格文采樣（DSM-ALS）和擴(kuò)散去噪的變種將開(kāi)始打破模型生成的記錄；它們將擊敗目前最頂尖的生成式對(duì)抗網(wǎng)絡(luò)（GANs）。

我們還將看到生成式模型的新指標(biāo)，因?yàn)楝F(xiàn)在的指標(biāo)IS（inception score）和FID（Frechet Inception Distance score）將會(huì)使值接近完美，但仍未實(shí)現(xiàn)真實(shí)感圖形。

人工智能機(jī)構(gòu)Got-It AI

首席科學(xué)家兼對(duì)話式AI負(fù)責(zé)人

Chandra Khatri

無(wú)代碼的人工智能平臺(tái)、產(chǎn)品和初創(chuàng)企業(yè)開(kāi)始激增：在過(guò)去幾年里，人們創(chuàng)建了很多強(qiáng)大的深度學(xué)習(xí)和人工智能工具，比如PyTorch和Tensorflow。工程師們現(xiàn)在準(zhǔn)備在現(xiàn)有工具之上構(gòu)建無(wú)代碼的人工智能平臺(tái)和產(chǎn)品層，用戶只需要簡(jiǎn)單地提供其數(shù)據(jù)，并且通過(guò)配置或者用戶界面列出或選擇模型。

我們不僅可以訓(xùn)練和服務(wù)模型，而且還可以通過(guò)REST API暴露給應(yīng)用程序。

Got-It AI開(kāi)發(fā)的無(wú)代碼、自我發(fā)掘、自我訓(xùn)練以及自我管理的平臺(tái)，就在朝著大眾化對(duì)話式人工智能的方向發(fā)展。微軟前不久推出的一款名叫“Lobe”的應(yīng)用程序，可以讓所有人都能訓(xùn)練人工智能模型，其也是在朝著大眾化對(duì)話式人工智能的方向發(fā)展。

人工智能促進(jìn)可持續(xù)發(fā)展：我們正在經(jīng)歷一個(gè)大流行病（包括非典病毒、H1N1病毒和新冠病毒）變得更加普遍的階段，氣候變化也造成了大量森林火災(zāi)和物種滅絕，洪水和干旱等問(wèn)題也變得越來(lái)越普遍。

我們將看到，越來(lái)越多的初創(chuàng)企業(yè)，以及由大公司或組織資助的計(jì)劃，它們利用人工智能來(lái)實(shí)現(xiàn)可持續(xù)發(fā)展。我們已經(jīng)看到了一些綠色科技初創(chuàng)公司，比如斯洛伐克的可再生能源公司Fuergy和加拿大乘車(chē)共享平臺(tái)Facedrive，我們還可能會(huì)看到，人工智能初創(chuàng)公司利用預(yù)測(cè)模型來(lái)應(yīng)對(duì)氣候變化、大流行的預(yù)測(cè)和緩解，以及城市交通問(wèn)題等等。

蒙特利爾人工智能倫理研究所（MAIEI）

創(chuàng)始人兼首席研究員、

微軟公司機(jī)器學(xué)習(xí)工程師兼

創(chuàng)新技術(shù)合作事業(yè)部（CSE）

首席人工智能委員會(huì)成員

Abhishek Gupta

我的預(yù)測(cè)（以及我真誠(chéng)的希望）是，倫理、安全以及包容會(huì)成為在人工智能領(lǐng)域工作的每一個(gè)人日常工作中遵循的原則。更重要的是，我預(yù)測(cè)一些像差別隱私這樣的概念將更加主流，并且會(huì)很好地融入到日常實(shí)踐中。

隨著新的組織開(kāi)始意識(shí)到利用人工智能完成工作的價(jià)值，我還預(yù)測(cè)，在應(yīng)用人工智能的傳統(tǒng)領(lǐng)域之外的地方，也將開(kāi)始出現(xiàn)大量的能力建設(shè)工作。

隨著人工智能工具變得更加易于使用，公民數(shù)據(jù)科學(xué)家的概念會(huì)獲得更多的關(guān)注，人工智能技術(shù)也將會(huì)作為一種新穎的方式，用于解決那些對(duì)人類(lèi)社會(huì)具有重要意義的問(wèn)題。

最后，像信息污染這樣的問(wèn)題將會(huì)加劇，我相信這會(huì)開(kāi)創(chuàng)一個(gè)知識(shí)建設(shè)的時(shí)代，各組織和團(tuán)體會(huì)努力提高人們的認(rèn)識(shí)，使大眾具備更好地駕馭環(huán)境的技能。

[[377180]]
亞馬遜旗下人工智能研發(fā)部門(mén)Alexa AI

首席研究科學(xué)家

Shalini Ghosh

隨著人們開(kāi)始在家庭和工作環(huán)境中接觸越來(lái)越多的人工智能設(shè)備，這些設(shè)備能幫助用戶完成的任務(wù)數(shù)量也將會(huì)進(jìn)一步增長(zhǎng)。比如說(shuō)，智能助手可以幫助用戶完成租借電影或者線上訂餐這樣的任務(wù)，智能監(jiān)控可以通過(guò)異常事件檢測(cè)來(lái)保障居家安全。

許多任務(wù)都將是多模態(tài)的，并涉及到視頻、音頻、語(yǔ)音和文本數(shù)據(jù)的處理和分析。

因此，在2021年，人們將繼續(xù)保持對(duì)多模態(tài)人工智能的興趣，就像我們?cè)?020年已經(jīng)看見(jiàn)的那樣。

除此之外，許多高級(jí)任務(wù)的帶標(biāo)簽訓(xùn)練數(shù)據(jù)十分匱乏，這會(huì)促使人們進(jìn)一步研究稀疏數(shù)據(jù)環(huán)境中的學(xué)習(xí)技術(shù)，比如，小樣本學(xué)習(xí)和自我監(jiān)督學(xué)習(xí)。

最后，由于許多人工智能任務(wù)會(huì)在用戶設(shè)備上運(yùn)行，我們將看到更多對(duì)設(shè)備內(nèi)置機(jī)器學(xué)習(xí)（以及更廣范圍的資源受限的機(jī)器學(xué)習(xí)）感興趣的研究。

許可式郵件營(yíng)銷(xiāo)服務(wù)商Mailchimp

數(shù)據(jù)科學(xué)家

Muhammed Ahmed

更多地使用零樣本標(biāo)注！近年來(lái)，我們已經(jīng)徹底研究了大量預(yù)先訓(xùn)練的自然語(yǔ)言處理（NLP）模型的益處。許多最近的研究都喜歡把零樣本（ZS）學(xué)習(xí)器當(dāng)作開(kāi)箱即用的分類(lèi)器來(lái)使用。

在2021年，我預(yù)計(jì)能看到更多的人使用零樣本學(xué)習(xí)來(lái)標(biāo)注數(shù)據(jù)集，并且訓(xùn)練出開(kāi)箱即用的分類(lèi)器。相比于零樣本分類(lèi)，零樣本標(biāo)注的優(yōu)點(diǎn)包括：

·免費(fèi)標(biāo)注：不需要昂貴的標(biāo)注器（比如Amazon mechanical turk）就可以管理數(shù)據(jù)集

· 標(biāo)注引導(dǎo)：將一個(gè)開(kāi)放式的標(biāo)注任務(wù)轉(zhuǎn)變?yōu)橐粋€(gè)簡(jiǎn)單的真/假標(biāo)注

· 隱私保護(hù)標(biāo)注：在標(biāo)注敏感數(shù)據(jù)時(shí)十分有用（比如醫(yī)療保健和遺傳數(shù)據(jù)）

· 通過(guò)多個(gè)來(lái)源獲取零樣本標(biāo)記示例，并隨之引發(fā)的訓(xùn)練集樣例多樣性

· 未來(lái)待開(kāi)發(fā)的訓(xùn)練新分類(lèi)器的能力

· 推理速度加快（在某些諸如多類(lèi)，零樣本, 以及自然語(yǔ)言推斷（NLI）的情景下）

全棧數(shù)據(jù)科學(xué)家的增長(zhǎng)

對(duì)于許多機(jī)器學(xué)習(xí)任務(wù)來(lái)說(shuō)，未來(lái)的工程和建模都不再是難事。這主要是因?yàn)闄C(jī)器學(xué)習(xí)領(lǐng)域在過(guò)去幾年來(lái)取得的巨大進(jìn)步。

對(duì)于自然語(yǔ)言理解和生成而言，我們知道使用transformer。對(duì)于計(jì)算機(jī)視覺(jué)而言，我們知道使用CNN。對(duì)于列表類(lèi)型數(shù)據(jù)來(lái)說(shuō)，我們知道使用樹(shù)方法，這些樹(shù)方法往往會(huì)使用bagging或者boosting等算法。這節(jié)省了很多過(guò)去花費(fèi)在讓我們能夠解決并實(shí)驗(yàn)出能夠快速訓(xùn)練最頂尖模型的時(shí)間。

對(duì)于許多數(shù)據(jù)科學(xué)團(tuán)隊(duì)來(lái)說(shuō)，新的痛點(diǎn)是部署模型并編寫(xiě)生產(chǎn)就緒代碼，這要求開(kāi)發(fā)者擁有軟件工程和MLOps技能。

在2021年，我預(yù)計(jì)對(duì)機(jī)器學(xué)習(xí)工程師和全棧數(shù)據(jù)科學(xué)家的需求會(huì)更大。

[[377181]]

數(shù)據(jù)管理平臺(tái)益博睿（Aperture Data）

創(chuàng)始人兼首席執(zhí)行官

Vishakha Gupta

隨著機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)領(lǐng)域的日漸成熟，機(jī)器學(xué)習(xí)行業(yè)正在從提高模型在特定數(shù)據(jù)集上的性能和準(zhǔn)確率，發(fā)展到解決MLOps挑戰(zhàn)。

隨著當(dāng)前機(jī)器學(xué)習(xí)工具和平臺(tái)將細(xì)節(jié)抽象出來(lái)，我相信未來(lái)的重點(diǎn)會(huì)更多地放在減少?gòu)?fù)雜度、提高生產(chǎn)率和在實(shí)時(shí)公司數(shù)據(jù)上演示成果（在一定的延遲和空間占用下）等方面，而不是證明可行性。

通過(guò)機(jī)器學(xué)習(xí)從數(shù)據(jù)中獲得商業(yè)價(jià)值包含多個(gè)步驟，這個(gè)過(guò)程目前仍然需要用多個(gè)孤立的解決方案來(lái)解決。當(dāng)這些解決方案集成時(shí)，系統(tǒng)效率就會(huì)降低。

假設(shè)這些不同步驟的每一步都和數(shù)據(jù)進(jìn)行交互，并且提供一種統(tǒng)一而有效的方式來(lái)和數(shù)據(jù)進(jìn)行交互，那么，無(wú)論是哪個(gè)階段，都可以降低機(jī)器學(xué)習(xí)管道在擴(kuò)展時(shí)的復(fù)雜性。

我的研究主要集中在智能數(shù)據(jù)管理領(lǐng)域。我預(yù)測(cè)，在2021年，我們會(huì)越來(lái)越重視基礎(chǔ)設(shè)施，它們能夠在邊緣設(shè)備和云端實(shí)現(xiàn)更簡(jiǎn)單、更可擴(kuò)展的機(jī)器學(xué)習(xí)部署，并且把解決方案的時(shí)間，以及在真實(shí)世界數(shù)據(jù)上安全運(yùn)行大量訓(xùn)練和驗(yàn)證任務(wù)的能力作為主要指標(biāo)。與此同時(shí)，能源效率則將作為一個(gè)次要指標(biāo)，不過(guò)它會(huì)變得越來(lái)越重要。

2021年中，另一個(gè)值得重視的領(lǐng)域是，驗(yàn)證模型在更具有代表性的數(shù)據(jù)集上工作情況的工具。一些研究小組已經(jīng)確定了模型在現(xiàn)實(shí)世界中的圖像捕獲上是如何受影響的、文本數(shù)據(jù)如何令人困擾，以及訓(xùn)練集數(shù)據(jù)本身又是如何不具有代表性的。

我相信，接下來(lái)將會(huì)出現(xiàn)更多標(biāo)準(zhǔn)化指標(biāo)和中立的第三方驗(yàn)證工具或者服務(wù)來(lái)評(píng)測(cè)模型的準(zhǔn)確率。這些工具或者服務(wù)最終會(huì)將解決方案的操作指標(biāo)和性能指標(biāo)納入其中，從而給出一個(gè)整體得分表。

加拿大科技健康公司W(wǎng)interLight Labs

機(jī)器學(xué)習(xí)負(fù)責(zé)人

Jekaterina Novikova

2020年對(duì)很多人來(lái)說(shuō)都是特殊的一年，并且也沒(méi)有太多正能量。由于新冠疫情的暴發(fā)、健康風(fēng)險(xiǎn)增加、全球范圍內(nèi)前所未有的流動(dòng)性和旅游限制，以及因新冠疫情所導(dǎo)致的其他種種后果，我們的日常生活發(fā)生了很大改變。

我認(rèn)為這樣的背景加速了人工智能在幾個(gè)領(lǐng)域的應(yīng)用，并將在2021年形成一些主要轉(zhuǎn)變。

首先，人工智能解決方案將更廣泛地應(yīng)用在健康醫(yī)療領(lǐng)域，特別是在心理健康領(lǐng)域。受抑郁、焦慮和壓力等問(wèn)題困擾的人數(shù)急劇上漲，基于人工智能的工具和解決方案剛好可以并且能夠應(yīng)對(duì)這一危機(jī)。

其次，在新冠疫情遲遲得不到完全控制的情況下，由于各種追蹤應(yīng)用程序的應(yīng)用，以及類(lèi)似的基于人工智能的解決方案的出現(xiàn)，個(gè)人隱私問(wèn)題也顯得尤為突出。

很顯然，這些產(chǎn)品非常有用，并且能夠幫助實(shí)施必要的社會(huì)控制、預(yù)測(cè)疫情暴發(fā)和追蹤感染。不過(guò)，由于人工智能引發(fā)的潛在、負(fù)面的隱私影響，將在2021年成為一個(gè)嚴(yán)重的問(wèn)題。

[[377182]]

教育科技創(chuàng)企SureStart

創(chuàng)始人兼首席執(zhí)行官

Taniya Mishra

我們將看到更多的人工智能產(chǎn)品關(guān)注人和整個(gè)社會(huì)。在包括人工智能和技術(shù)在內(nèi)的所有商業(yè)領(lǐng)域，多元、平等以及包容（Diversity, Equality & Inclusion，DEI）的問(wèn)題被再次喚醒，這是一個(gè)不會(huì)消失的新興趨勢(shì)。

具體而言，忽略了DEI這三方面的人工智能公司會(huì)承擔(dān)影響其底線的商業(yè)風(fēng)險(xiǎn)。如果人工智能不能為其所有的目標(biāo)市場(chǎng)或者用戶服務(wù)，那這些公司實(shí)際上就沒(méi)有讓其工作價(jià)值實(shí)現(xiàn)最大化。

已經(jīng)有許多公司通過(guò)數(shù)據(jù)和算法偏差的技術(shù)評(píng)估，來(lái)關(guān)注和解決人工智能多元和倫理的問(wèn)題，這也是非常重要的。然而，如果要真正解決這一問(wèn)題，并且考慮到有關(guān)種族公平和正義的話題，我相信，我們會(huì)將更多的關(guān)注放在人、社會(huì)和構(gòu)建人工智能的團(tuán)隊(duì)身上。

我們都見(jiàn)過(guò)，自上而下的DEI計(jì)劃經(jīng)常失敗，這通常是因?yàn)閭€(gè)體員工不理解怎樣在日常決策中實(shí)例化，或者說(shuō)，他們沒(méi)有跟這些決策建立情感聯(lián)系。

所以，在2021年，我們會(huì)看到人工智能公司采取自下而上的DEI方法，拓展公司員工，特別是技術(shù)人員的視野，從而讓他們進(jìn)一步了解“誰(shuí)”是工程師，“誰(shuí)”是科學(xué)家，以及“誰(shuí)”是技術(shù)專家。

此外，人工智能也不再是一門(mén)單純的技術(shù)學(xué)科，我們需要用多學(xué)科的方法來(lái)理解其對(duì)人類(lèi)的影響。對(duì)此已經(jīng)展開(kāi)深入思考的公司，將開(kāi)始搭建專門(mén)的團(tuán)隊(duì)，團(tuán)隊(duì)成員不僅僅包括技術(shù)人才，而且還包括經(jīng)過(guò)專業(yè)訓(xùn)練的倫理學(xué)家、社會(huì)學(xué)家和人類(lèi)學(xué)家，他們往往能夠站在超越產(chǎn)品技術(shù)和規(guī)格角度上，來(lái)思考技術(shù)所產(chǎn)生的影響。

人工智能產(chǎn)業(yè)使用數(shù)據(jù)的方法將不得不改變，這樣才能恢復(fù)對(duì)科學(xué)和技術(shù)的信心。許多年來(lái)，許多公司都在爭(zhēng)先恐后地發(fā)展成為創(chuàng)新驅(qū)動(dòng)型企業(yè)（innovation driven enterprises, IDE）。但如今，大家的全新關(guān)注點(diǎn)，已經(jīng)變成了發(fā)展成為數(shù)據(jù)驅(qū)動(dòng)型企業(yè)（data driven enterprises, DDE）。

對(duì)于人工智能公司而言，DDE顯得尤為重要。畢竟，人工智能系統(tǒng)需要大量數(shù)據(jù)來(lái)訓(xùn)練、測(cè)試以及驗(yàn)證算法。

然而，當(dāng)收集、存儲(chǔ)和使用這些數(shù)據(jù)，或者利用這些數(shù)據(jù)建立遵守倫理的人工智能時(shí)，大量的數(shù)據(jù)也帶來(lái)了大量的責(zé)任。

由于越來(lái)越多的消費(fèi)者希望參與到他們的數(shù)據(jù)如何使用以及由誰(shuí)使用的決策之中，因此，市場(chǎng)也會(huì)受到這些倫理挑戰(zhàn)的驅(qū)動(dòng)。個(gè)人數(shù)據(jù)的訪問(wèn)控制權(quán)將掌握在用戶手中，而不是技術(shù)開(kāi)發(fā)人員或者科技企業(yè)的所有者手中。

人工智能公司需要牢記這一點(diǎn)，并想辦法讓數(shù)據(jù)收集、存儲(chǔ)和使用更加透明；同時(shí)，也需要注意如何使用這些數(shù)據(jù)，以確保人工智能系統(tǒng)的公平與公正。

這就要求人工智能公司在測(cè)試和驗(yàn)證算法時(shí)建立約束條件，不僅要檢查整體準(zhǔn)確率，還需要特別地檢查它在不同人口群體中（比如白人男性與黑人女性）的泛化程度。只有這樣，組織才能在人工智能部署到產(chǎn)品中之前，識(shí)別出特殊的偏差領(lǐng)域，并解決這一問(wèn)題。

深度學(xué)習(xí)創(chuàng)企DeepCube

聯(lián)合創(chuàng)始人兼首席技術(shù)官

Dr. Eli David

我們看到一個(gè)明顯的趨勢(shì)，就是頂尖的深度學(xué)習(xí)模型正在變得越來(lái)越大。

在2019年，最大的深度學(xué)習(xí)模型有大約10億個(gè)參數(shù)（權(quán)重）。到了2020年，最大的深度學(xué)習(xí)模型已經(jīng)超過(guò)了1000億個(gè)參數(shù)，一年就增長(zhǎng)了超過(guò)100倍！

這些更大的模型，由于提高了準(zhǔn)確率，因此也更有優(yōu)勢(shì)。但是，其計(jì)算和內(nèi)存需求也在以同樣的速率增長(zhǎng)。因此，能夠顯著減小這些模型大小、并提高其速率的解決方案，將會(huì)在部署上變得越來(lái)越重要。