2022年已經過去，又到了一年一度展望未來發展的特別時期。依照慣例Ai時代前沿組織收集一波關于未來科技和趨勢的文章，以饗讀者。

近幾年來，人工智能一直在高速增長，似乎任何東西都難以阻止。隨著勢頭的增強，2023年人工智能將朝哪個方向發展？專家們有話說。

許多人工智能項目構思不周，導致最終失敗。Pecan AI聯合創始人兼首席執行官Zohar Bronfman表示，2023年，在評估人工智能的功效時，企業將更加警惕。

“2023年，企業領導人將比過去更加嚴格地評估潛在的數據科學項目。這些項目往往無法產生真正的影響，因為它們與業務需求不一致，或者因為它們從未投入生產。隨著數據科學所涉及的費用和時間承諾，領導者將更加仔細地審查擬議的工作，并尋求正確的計劃。” Bronfman說：“我們將繼續努力，以確保在短期內根據模型的輸出能夠促進業務改進行動，或者在資源浪費之前停止。”

2023年，對數據科學家的需求將繼續增加。Domino數據實驗室的首席執行官兼聯合創始人Nick Elprin預測，對GPU進行深度學習模型訓練的需求也將如此。

“人工智能的最大改進來源是在訓練系統中部署深度學習，尤其是Transformer模型，旨在模擬人類大腦神經元動作的任務。這些突破需要巨大的計算能力來分析大量結構化和非結構化數據集。與CPU不同，圖形處理單元（GPU）可以支持深度學習工作負載所需的并行處理。這意味著在2023年，隨著更多基于深度學習技術的應用程序涌現，從翻譯菜單到治療疾病，對GPU的需求將繼續飆升”。

支持這一觀點的是英偉達DGX系統副總裁Charlie Boyle，他希望明年能銷售更多的GPU。

“2023年，無法支持并行處理的低效、基于x86的傳統計算架構將被加速計算解決方案所取代，這些解決方案將提供構建語言模型、推薦引擎等所需的計算性能、規模和效率。在經濟逆風中，企業將尋求能夠實現目標的AI解決方案，同時簡化IT合作流程和提高效率。使用軟件在基礎設施中集成工作流的新平臺將實現計算性能突破，降低總體擁有成本，減少碳足跡，加快變革性人工智能項目的投資回報，取代更浪費、更陳舊的架構。”

你認為雇傭一名合格的數據科學家需要多久？有人開玩笑說就像發現一只獨角獸一樣困難。Kyndi創始人兼首席執行官Ryan Welsh認為2023年會是世界達到“數據科學家高峰”的一年。

“數據科學家和機器學習工程師的短缺一直是企業實現人工智能價值的瓶頸。結果發生了兩件事：越來越多的人追求數據科學學位和認證，增加了數據科學家的數量；以及供應商提出了新的方法，以盡量減少數據科學家在人工智能生產中的參與。這兩個趨勢同時干擾導致“數據科學家峰值”。因為隨著基礎模型的出現，公司可以在這些模型的基礎上構建自己的應用程序，而不是要求每個公司從頭開始訓練自己的模型。更少的定制模型訓練需要更少的數據科學家，同時更多的人正在畢業。在2023年，預計市場會做出相應反應，導致數據科學過度飽和”。

數據科學工具提供商Dataiku的負責人工智能主管Triveni Gandhi預測，有望看到合乎道德的人工智能繼續吸引企業的關注和資源。

“雖然我們在新聞中看到了一些公司削減道德人工智能崗位的新聞，但事實是，大多數公司將繼續投資于其道德人工智能團隊。這一資源對于人工智能的規模和運營至關重要，有助于公司確信其人工智能輸出符合其價值觀，并以穩健可靠的方式執行。此外，道德人工智能小組讓用戶相信他們正在與之互動的產品是經過考慮的，并滿足安全和信任方面的期望。對于任何一家公司來說，要想保持領先地位，必須建立一個合乎道德的人工智能團隊。”

深度學習的困境之一是預測模型的黑箱性質。圖形數據庫制造商Franz的首席執行官Jans Aasman表示，解決這一問題的一種方法是在2023年將人工智能與因果知識圖配對。

“未來幾年，因果人工智能將出現增長，首先是創建發現事件之間因果關系的知識圖。醫療保健、制藥、金融服務、制造業和供應鏈組織將把特定領域的知識圖與因果圖聯系起來，并進行模擬，以超越依賴歷史數據的基于相關性的機器學習。因果預測有可能通過使因果關系透明來提高人工智能的可解釋性”。

圖形數據庫制造商Neo4j的產品營銷高級主管Maya Natarajan也預見到圖形和AI的結合會取得明顯進展。

Natarajan表示：“企業將繼續尋找最佳方式，以利用知識圖來實現負責任的人工智能。通過利用知識圖提供的上下文，組織可以提高道德決策的準確性，通過保持數據流的來源來提高可解釋性，并通過開辟新的分析方法來幫助減輕偏見。”

明年人工智能將發現矢量數據庫更具魅力。Pinecone創始人兼首席執行官Edo Liberty就是這么認為的，Pinecone是矢量數據庫市場的早期領導者之一。

“隨著人工智能的不斷發展和越來越廣泛的應用，將相應地需要更先進和可擴展的基礎設施來支持其開發和部署。人工智能基礎設施投資的一個關鍵領域將是專門的數據基礎設施，如矢量數據庫，其設計用于存儲和處理現代ML模型生成的大量數據。Liberty表示：“這將加速人工智能系統的開發和部署，這些系統在許多領域將超過上一年的應用。”

近年來，公司不斷增加對人工智能的使用，取得了喜憂參半的成績。但SAS咨詢業務解決方案經理Kimberly Nevala預測，2023年，人工智能將進入“少就是多”的增長階段。

“隨著組織意識到“少即是多”，人工智能將激增，并悄悄地將重點從大規模創新作為目標變為應用于更廣泛的小決策點和行動，其集體影響大于各部分的總和。矛盾的是，作為組織和重要員工需要對這些技術有廣泛的認識，并能自如地使用。”

所以你已經在GPU上投入了大量資金來訓練你的神經網絡。你怎么處理它呢？SQream產品副總裁Matan Libis表示，總有一些SQL查詢需要額外的馬力。

“為AI/ML重復使用計算資源的能力對企業來說是一個激動人心的寶貴機會。重復使用不僅減少了AI所留下的碳足跡，而且更便宜的全球數據存儲解決方案的普遍增加也減少了對GPU硬件的依賴。此外當您不需要將數據從一個地方移動到另一個地方時，可以降低延遲。然而，一旦企業在一個地方準備數據，在另一個地方進行訓練，并將推理轉移到再一個地方，希望通過簡化流程，我們將看到AI/ML能力的準確性和速度都有巨大的提高。”

深度學習公司Deci的首席執行官兼聯合創始人Yonatan Geifman表示，云計算的高成本正在給每個人帶來壓力，但人工智能用戶可以通過優化模型來對抗成本攀升。

“一直在云環境中運行人工智能模型的企業正在看到高性能云處理可能會給他們帶來的財務損失。2023年，可能會看到更多公司尋求降低人工智能推理云成本。實現這一點的最有效方法之一是在保持其準確性的同時提高人工智能模型速度，減少在云上的處理時間，并有效地節省了資金。”

Evinced首席科學家Yossi Synett預測，2023年，我們將看到無需標記數據的自我監督機器學習技術取得更多突破。

“阻礙人工智能發展的一個因素是缺乏高質量的標簽數據。雖然我們今天已經看到了進展，但2023年仍將繼續增長。我們正在尋找越來越多的方法，使用自我監督學習對模型進行預訓練，然后根據特定任務對模型進行微調。這方面最好、最有效的例子是NLP（自然語言處理），其中稱為掩蔽語言建模（使模型預測句子中隱藏的單詞）和因果語言建模（讓模型預測句子中下一個單詞）的技術徹底改變了游戲規則。由于自我監督學習不需要標記數據，而微調需要的標記數據要少得多，這使得訓練復雜模型變得更加容易。可用于更好地選擇標簽示例，這進一步減少了AI項目的財務障礙。”

富國銀行（Wells Fargo）首席執行官兼集團首席信息官Chintan Mehta表示，要做好準備，讓人工智能在2023年達到更高的水平，采用新的用戶交互模式，更好地理解意圖。

“2023年及以后，人工智能的部署和信號感知將呈指數級加速。人工智能將戰勝偏見感知、判斷和法律解釋。行業將為打破偏見構建更多解決方案，以便人工智能在解釋其行動過程的同時為消費者提供解決方案。用戶界面將發生轉變。他們將超越基于應用的體驗從非視覺的輕擊/觸摸交互到向上下文傳遞視覺的動作調用以及基于語言和手勢的交互。為這些體驗提供動力所需的人工智能將大幅增加，超越僅僅理解語言，真正掌握每一次交互的隱藏意圖。人工智能將產生人工智能。”

德國IT公司GFT的美國首席執行官Marco Santos預測，2023年，我們將看到前所未有的人工智能和機器學習用例出現并最終成為主流。

“隨著公司擺脫傳統系統的限制，能夠將來自不同系統的大量數據集匯集在一起，我們將看到人工智能和機器學習前所未有的使用案例。例如，在汽車制造業，剛剛開始看到下一代制造業數據平臺的出現，或單一且統一的基于云的平臺制造商正在聚合其整個組織中的所有數據。一旦有了數據，他們就可以開始構建人工智能應用程序。”