AI潮向：计算机视觉进入成熟期，复合型AI与决策智能五年内将成主流

21世纪经济报道记者骆轶琪 广州报道

随着AI技术不断渗透具体场景并进行能力细化演进，一些新的AI 技术能力也开始受到关注并走向主流。

近日，Gartner发布《2022年人工智能技术成熟度曲线》报告提到，尽早采用复合型人工智能（AI）、决策智能等AI技术将给企业机构带来明显竞争优势，缓解AI模型脆弱性引发的问题，有助于捕捉业务背景信息，推动价值实现。

该机构指出，已进入生产成熟期的技术，其实际效益已得到证明和认可。随着越来越多的企业机构认为风险已下降至可接受程度，AI技术的采用开始进入快速增长阶段。

在随后的采访交流过程中，Gartner研究总监闫斌介绍道，今年发布的《成熟度曲线》中，很多技术出现了较大变化，比如计算机视觉技术相对已经步入成熟期，在具体的应用场景、工程实践等方面都已经相对成熟；但同时如自然语言处理（NLP）在人们的期望值中正缓慢下降，因为目前的技术程度还比较难做到理想状态下机器与人间进行智能交流的程度。

“当然我们看到另外的趋势，NLP技术被较多使用在‘AI增强’场景中，也就是机器通过自然语言处理，给人以更多推荐和辅助能力，这类场景下的效果还不错。”他续称。

两大未来主流技术


Gartner在着重提到了五大类正处在技术萌芽期或已经步入期望膨胀期的技术类型，诸如处在技术萌芽期值得关注的技术有因果AI、决策智能、复合型AI、生成式AI，已经进入期望膨胀期被重点关注的技术有基础模型、合成数据。此外还提出，复合型人工智能和决策智能将在不到5年时间内成为主流技术。



（Gartner发布的2022年人工智能技术成熟度曲线，图源：Gartner）

闫斌介绍道，正因当前的机器学习/深度学习技术多少遇到了一些瓶颈，因此复合型AI更强调结合机器学习的方式以及其他图技术、优化算法等能力，结合起来才能够帮助企业更好带来价值。

具体来说，AI存在两种风格，一类是“连接主义”派别，即通过大量数据进行机器学习；另一类是“符号主义”等派别，是基于一定规则下的理性推理分析，复合型AI就是将这两种路线进行结合，从而减少人工智能解决方案学习时所需的数据和能量，使抽象化机制发挥更大作用。

复合型AI被认为是推动决策智能兴起的核心因素。闫斌表示，决策智能对于企业应用来说分为不同层级，基础层是普通员工的执行操作，往上的层级开始需要结合机器的能力完成，到Tactical层级就需要管理层介入进行战略决策。“因此对企业来说，需要再造做决策的流程，通过数据并进行分析，帮助企业完善这个过程。”

不过正如深度学习依然被视为黑匣子，人脑的决策过程也并没有被完全解析，这导致目前理解框架下所收集到的数据还很表面，真正实现决策智能依然有较长的一段路要走。

闫斌指出，目前还没有被掌握的部分，可能包括经济因素、企业文化因素、心理学因素等各项综合，未来企业要重塑内部决策智能化的过程，就需要把这些决策条件更加显性化，还需要更多尝试来推进。



（决策产生的路径依然没有得到完全解释，正如图中水下的庞大冰山，导致决策智能依然有较长一段路要走。图源：Gartner）

在此过程中，因果AI也会与决策智能产生一定紧密联系，且因果AI也是近期被高度关注的一个技术方向。

具体来说，人工智能的最终价值在于提高人类的行动水平。机器学习方法根据统计关系进行预测，无论这些关系是否构成因果关系。当需要更规范地确定哪些最佳行动可促成特定结果时，因果AI就可以发挥重要作用。从而提高人工智能技术的自主性、可解释性、稳健性和效率。

数据与逻辑应更紧密


另一个近期受关注的技术就是生成式AI，如AI可以帮助生成很多有意思的图片或视频，且看起来也生成的是一个合乎逻辑的结果。当然这其中也存在局限，比如生成图片背后对于其逻辑的理解，可能未必完全符合常识。

合成数据受重视的一个主要原因还是在于数据缺乏，AI的生成背后需要巨大数据量，但这也意味着巨大的信息获取和标记成本负担。因此企业在面临数据量不够大，或者因考虑到隐私、数据安全等问题而获取的信息受限时，这一问题就可以通过合成数据来弥补，此外，合成数据在去除个人身份信息方面也有重要作用。

还有就是基础模型，这正成为自然语言处理领域的首选架构，同时这一架构还能支持计算机视觉、音频处理、软件工程、生物化学、金融和法律用例等。

当然在具体执行中，对于这种模型的应用处理，不同类型企业所执行的路线或许不同。

闫斌就发现，普通企业很少在生产环境中部署大模型，更多还是互联网公司，如谷歌和阿里。因为大模型背后需要非常庞大的数据集和庞大体量的模型，对于企业是否实用是一个核心议题。

“我们认为基础模型的未来潜能还很大，但肯定距离人们的预期和成熟度还有较大差距。当前深度学习或者机器学习依然属于一号系统，它背后的逻辑是基于一个庞大的语料库或者图片库进行预测和输出，但是怎么把更深层次的逻辑注入到深度学习中，其实是学界关注的一个重要话题。”他同时告诉21世纪经济报道记者，大模型背后最重要的就是数据本身，但目前的模型还没有一个绝大突破，更多还是有数据基础。“从国内厂商来看，BAT这些巨头的数据储备我认为挺强，阿里也做过多模态展示，效果还不错。”

当然综合来看，闫斌指出，这依然需要结合两方面能力，也即数据质量管理和逻辑推理模型完善。在数据方面，可以通过“小数据”的方式，将数据信息进行分层，如按照数据-信息-知识-智慧的思路，逐层完善信息模型；逻辑方面更加量化其评估条件。

更多内容请下载21财经APP