人工智能的未来：影响未来10年的趋势
图灵在 1950 年对会思考机器的预测，为后来人工智能（AI）的发展奠定了哲学基础。20 世纪 80 年代和 21 世纪初，像Hinton和LeCun这样的神经网络领域先驱者，为生成式模型的发展铺平了道路。反过来，21 世纪 10 年代的深度学习热潮推动了自然语言处理（NLP）、图像与文本生成以及通过图像分割进行医学诊断等方面的重大进展，拓展了人工智能的能力。这些进展正汇聚于多模态人工智能领域，多模态人工智能似乎无所不能 —— 但就如同先前的进展催生了多模态人工智能一样，多模态人工智能又可能会带来什么呢？
自诞生以来，生成式人工智能（生成式 AI）一直在不断发展。我们已经看到，像 OpenAI 和 Meta 这样的研发机构已不再局限于大型模型，开始纳入规模更小、成本更低的模型，改进人工智能模型，使其能用更少的资源实现相同甚至更多的功能。随着像 ChatGPT 这样的模型变得更加智能，并且更能理解人类语言的细微差别，提示工程也在发生变化。随着大语言模型（LLM）接受更专业的信息训练，它们能够为特定行业提供深度专业知识，成为随时待命的智能助手，帮助完成各项任务。
人工智能并非昙花一现的技术，也不是一个阶段性的事物。超过 60 个国家已经制定了国家人工智能战略，以利用人工智能带来的好处，同时降低风险。这意味着要在研究与开发方面进行大量投资，审查并调整相关的政策标准和监管框架，还要确保这项技术不会严重破坏公平的劳动力市场以及国际合作。
如今，人类与机器之间的交流变得越来越容易，这使得人工智能的使用者能够以更高的熟练度完成更多任务。通过持续的探索和优化，人工智能预计将为全球经济增加 4.4 万亿美元的产值。
未来 10 年人工智能将如何发展？
从现在到 2034 年，人工智能将成为我们个人和商业生活许多方面的固定组成部分。生成式人工智能模型，如 GPT-4，在面向公众推出后的短时间内就显示出了巨大的潜力，但它们的局限性也广为人知。因此，人工智能的未来将呈现出两种趋势：一方面是转向用于实验的开源大规模模型，另一方面是开发更小、更高效的模型，以促进易用性并降低成本。
诸如 Llama 3.1（一个具有 4000 亿参数的开源人工智能模型）和出于研究目的发布的 Mistral Large 2 等项目，说明了在人工智能项目中促进社区协作同时保留商业权利的趋势。对更小模型日益增长的兴趣促使了诸如具有 110 亿参数的 mini GPT 4o - mini 等模型的诞生，它速度快且成本效益高。不久之后，将会出现适合嵌入智能手机等设备的模型，尤其是随着成本的持续下降。
这一趋势反映了从单纯的大型封闭模型向更易获取、更通用的人工智能解决方案的转变。虽然较小的模型具有经济性和高效性，但公众仍然对更强大的人工智能系统有需求，这表明在人工智能发展中可能会采取一种平衡的方法，试图同时兼顾可扩展性和可及性。这些新模型能用更少的资源提供更高的精度，使其成为需要定制内容创建或复杂问题解决能力的企业的理想选择。
人工智能已经影响了几项核心技术的发展。人工智能在推进计算机视觉方面起着关键作用，它能够实现更精确的图像和视频分析，这对于自动驾驶汽车和医学诊断等技术至关重要。在自然语言处理（NLP）方面，人工智能提高了机器理解和生成人类语言的能力，改善了通信接口，并使更复杂的翻译和情感分析工具成为可能。
人工智能通过处理和解释大量数据来预测趋势并为决策提供依据，从而增强了预测和大数据分析能力。在机器人领域，更自主、更具适应性的机器的发展简化了装配、勘探和服务交付等任务。此外，人工智能在物联网（IoT）上的创新增强了设备的连接性和智能性，催生了更智能的家庭、城市和工业系统。
2034 年的人工智能
以下是我们在未来十年可以看到的一些人工智能的进步：
1. 多模态现状
到 2034 年，新兴的多模态人工智能领域将得到全面的测试和完善。单模态人工智能专注于单一数据类型，如自然语言处理或计算机视觉。相比之下，多模态人工智能更类似于人类的交流方式，它能够理解视觉、语音、面部表情和语音语调等多种数据。这项技术将整合文本、语音、图像、视频和其他数据，在人类和计算机系统之间创建更直观的交互。它有可能为高级虚拟助手和聊天机器人提供动力，使其能够理解复杂的查询，并提供定制的文本、视觉辅助或视频教程作为回应。
2. 人工智能的普及和更便捷的模型创建
受用户友好型平台的推动，人工智能将进一步融入个人和专业领域，这些平台允许非专家将人工智能用于商业、个人任务、研究和创意项目。这些平台类似于当今的网站构建器，将使企业家、教育工作者和小型企业能够开发定制的人工智能解决方案，而无需深厚的技术专业知识。
基于应用程序接口（API）的人工智能和微服务将使企业能够以模块化的方式将高级人工智能功能集成到其现有系统中。这种方法将加快定制应用程序的开发，而无需广泛的人工智能专业知识。
对于企业来说，更便捷的模型创建意味着更快的创新周期，为每个业务功能提供定制的人工智能工具。无代码和低代码平台将允许非技术用户通过使用拖放组件、即插即用模块或引导式工作流程来创建人工智能模型。由于这些平台中的许多都将基于大型语言模型（LLM），用户还可以使用提示来查询人工智能模型。
自动机器学习（Auto - ML）平台正在迅速改进，能够自动完成数据预处理、特征选择和超参数调整等任务。在未来十年，Auto - ML 将变得更加用户友好和易于使用，使人们能够在没有专业知识的情况下快速创建高性能的人工智能模型。基于云的人工智能服务也将为企业提供可定制、集成和按需扩展的预制人工智能模型。
对于爱好者来说，可获取的人工智能工具将促进新一轮的个人创新，使他们能够为个人项目或副业开发人工智能应用程序。
开源开发可以促进透明度，而谨慎的治理和道德准则可能有助于维持高安全标准并建立对人工智能驱动过程的信任。这种便捷获取的最终结果可能是一个完全由语音控制的多模态虚拟助手，能够根据需求创建视觉、文本、音频或视觉资产。
尽管非常具有推测性，但如果到 2034 年出现人工通用智能（AGI）系统，我们可能会看到人工智能系统的曙光，它们能够自主生成、管理和完善自己的训练数据集，无需人工干预即可实现自我改进和适应。
3. 幻觉保险
随着生成式人工智能在组织内变得更加集中，公司可能会开始提供 “人工智能幻觉保险”。尽管经过了广泛的训练，人工智能模型仍可能给出错误或误导性的结果。这些错误通常源于训练数据不足、错误的假设或训练数据中的偏差。
这种保险将保护金融机构、医疗行业、法律行业和其他行业免受意外的、不准确的或有害的人工智能输出的影响。保险公司可能会涵盖与这些错误相关的财务和声誉风险，就像他们处理金融欺诈和数据泄露一样。
4. 人工智能进入高层决策
人工智能决策和预测建模将发展到这样一个程度：人工智能系统将作为战略业务伙伴发挥作用，帮助高管做出明智的决策并自动化复杂的任务。这些人工智能系统将整合实时数据分析、情境感知和个性化见解，以提供与业务目标一致的定制化建议，如财务规划和客户拓展。
改进的自然语言处理使人工智能能够参与与管理层的对话，根据预测建模和情景规划提供建议。企业将依靠人工智能来模拟潜在结果、管理跨部门协作并根据持续学习改进策略。这些人工智能伙伴将使小型企业能够更快地扩大规模，并以类似于大型企业的效率运营。
5. 量子飞跃
量子人工智能利用量子位的独特特性，可能会突破经典人工智能的限制，解决由于计算限制而以前无法解决的问题。复杂的材料模拟、庞大的供应链优化和指数级增长的更大数据集可能会在实时情况下变得可行。这可能会改变科学研究领域，在物理学、生物学和气候科学中，人工智能将通过对传统计算机需要数千年才能处理的场景进行建模，推动发现的边界。
人工智能发展的一个主要障碍是训练大规模模型（如大型语言模型和神经网络）所涉及的巨大时间、精力和成本。当前的硬件要求已接近传统计算基础设施的极限，这就是为什么创新将集中在增强硬件或创建全新架构上。量子计算为人工智能创新提供了一条有希望的途径，因为它可能会大幅减少训练和运行大型人工智能模型所需的时间和资源。
6. 超越二进制
位网模型使用三进制参数，这是一种以 3 为基数的系统，用 3 个数字来表示信息。这种方法通过使人工智能能够更有效地处理信息来解决能源问题，它依赖多个状态而不是二进制数据（0 和 1）。这可能会导致计算速度更快，功耗更低。
由 Y Combinator 支持的初创公司和其他公司正在投资专门为位网模型定制的硅硬件，这可能会极大地加快人工智能的训练时间并降低运营成本。这一趋势表明，未来的人工智能系统将结合量子计算、位网模型和专用硬件来克服计算限制。
7. 监管与人工智能伦理
为了使人工智能的普及成为现实，人工智能监管和道德标准必须大幅提高。在诸如《欧盟人工智能法案》等框架的推动下，一个关键的发展将是建立严格的风险管理系统，将人工智能分为不同的风险等级，并对高风险人工智能实施更严格的要求。人工智能模型，特别是生成式和大规模的模型，可能需要符合透明度、稳健性和网络安全标准。这些框架很可能会在全球范围内扩展，效仿为医疗保健、金融和关键基础设施部门制定标准的《欧盟人工智能法案》。
伦理考量将塑造监管，包括禁止那些构成不可接受风险的系统，如社会评分和公共场所的远程生物识别。人工智能系统将被要求包括人工监督，保护基本权利，解决偏见和公平等问题，并保证负责任的部署。
8. 智能代理型人工智能
能够主动预测需求并自主决策的人工智能很可能会成为个人和商业生活的核心部分。智能代理型人工智能是指由独立运行的专门代理组成的系统，每个代理处理特定的任务。这些代理与数据、系统和人员交互，以完成多步骤的工作流程，使企业能够自动化复杂的过程，如客户支持或网络诊断。与单一的大型语言模型不同，智能代理型人工智能能够适应实时环境，使用更简单的决策算法和反馈循环来学习和改进。
智能代理型人工智能的一个关键优势是它在大型语言模型（处理一般任务）和特定领域代理（提供深度专业知识）之间进行了分工。这种分工有助于减轻大型语言模型的局限性。例如，在一家电信公司中，大型语言模型可能会对客户咨询进行分类，而专门的代理则会实时检索账户信息、诊断问题并制定解决方案。
到 2034 年，这些智能代理型人工智能系统可能会成为管理从业务工作流程到智能家居等一切事务的核心。它们自主预测需求、做出决策并从环境中学习的能力可能会使它们更高效、更具成本效益，补充大型语言模型的一般能力，并提高人工智能在各个行业的可及性。
9. 数据使用
随着人类生成的数据变得稀缺，企业已经开始转向合成数据，即模拟现实世界模式的人工数据集，它没有同样的资源限制或伦理问题。这种方法将成为训练人工智能的标准，在提高模型准确性的同时促进数据多样性。人工智能训练数据将包括卫星图像、生物识别数据、音频记录和物联网传感器数据。
定制模型的兴起将是人工智能的一个关键趋势，各组织将使用专有数据集来训练适合其特定需求的人工智能。这些为内容生成、客户交互和流程优化而设计的模型，通过与组织的独特数据和环境紧密结合，能够优于通用的大型语言模型。公司将投资于数据质量保证，以确保真实数据和合成数据都符合高可靠性、准确性和多样性标准，维持人工智能的性能和道德稳健性。
“影子人工智能”（员工使用未经授权的人工智能工具）的挑战将促使组织实施更严格的数据治理，确保只有经过批准的人工智能系统才能访问敏感的专有数据。
10. 大胆的设想
随着人工智能的不断发展，一些雄心勃勃的 “大胆设想” 正在涌现，以解决当前的局限性并推动人工智能所能达到的边界。其中一个设想是后摩尔计算，随着图形处理单元（GPU）和张量处理单元（TPU）接近其物理和实际极限，它旨在超越传统的冯・诺依曼架构。
随着人工智能模型变得越来越复杂和数据密集型，需要新的计算范例。神经形态计算的创新处于这一转变的前沿，它模仿人脑的神经结构。此外，光计算（使用光而不是电信号来处理信息）为提高计算效率和可扩展性提供了有希望的途径。
另一个重要的设想是分布式人工智能物联网（即联邦式人工智能）的发展，它设想了一种分布式和去中心化的人工智能基础设施。与依赖庞大的数据中心的传统集中式人工智能模型不同，联邦式人工智能在多个设备和地点运行，在本地处理数据以增强隐私并减少延迟。
通过使智能手机、物联网设备和边缘计算节点能够在不传输原始数据的情况下进行协作和共享见解，联邦式人工智能促进了一个更安全、更具可扩展性的人工智能生态系统。当前的研究重点是开发高效的算法和协议，以实现分布式模型之间的无缝协作，在促进实时学习的同时保持高数据完整性和隐私标准。
另一个关键的实验领域是解决转换器架构的注意力机制的内在局限性。转换器依赖带有上下文窗口的注意力机制来处理输入数据的相关部分，例如对话中的前一个标记。然而，随着上下文窗口的扩大以包含更多的历史数据，计算复杂性会呈二次方增加，使其效率低下且成本高昂。
为了克服这一挑战，研究人员正在探索诸如将注意力机制线性化或引入更有效的窗口技术等方法，使转换器能够处理更大的上下文窗口，而无需计算资源呈指数级增长。这一进展将使人工智能模型能够更好地理解和整合广泛的过去交互，从而产生更连贯、更符合上下文的响应。
想象一下 2034 年你的一天。一个语音控制的智能助手与你生活的方方面面相连，它会根据每个人的喜好为你提供本周的家庭用餐计划，并向你通报食品储藏室的当前状况，必要时还会订购食品杂货。你的通勤将变得自动化，你的虚拟司机将根据交通和天气实时导航出最有效的上班路线。
在工作中，一个人工智能伙伴会筛选日常任务，并为你提供可行的见解，帮助你处理日常任务，并充当一个动态的、主动的知识数据库。在个人层面上，嵌入人工智能的技术可以制作定制的娱乐内容，生成符合你喜好的故事、音乐或视觉艺术。如果你想学习什么，人工智能可以根据你的学习风格提供视频教程，整合文本、图像和语音。
人工智能带来的社会演变
随着人工智能的广泛应用和技术的发展，它对全球运营的影响将是巨大的。以下是先进的人工智能技术的一些主要影响：
1. 气候问题。人工智能在气候行动中将扮演双重角色，既会导致能源需求上升，又可作为缓解气候变化的工具。训练和部署大型人工智能模型所需的计算资源会显著增加能源消耗，如果能源来源不可持续，还会加剧碳排放。另一方面，人工智能可以通过优化各行业的能源使用、改进气候建模和预测以及为可再生能源、碳捕获和环境监测提供创新解决方案来加强气候行动倡议。
2. 自动化程度提高。在制造业中，人工智能驱动的机器人可以精确地执行复杂的装配任务，提高生产率并减少缺陷。在医疗保健领域，自动化诊断工具有助于医生更准确、更迅速地识别疾病。在金融、物流和客户体验方面，人工智能驱动的流程自动化和机器学习可以简化运营、降低成本并提高服务质量。通过处理重复性任务，人工智能让人类工作者能够专注于战略和创造性的工作，促进创新和提高生产力。
3. 就业变动。人工智能驱动的自动化的兴起将不可避免地导致工作岗位的变动，特别是在那些严重依赖重复性和体力劳动的行业。随着机器和算法接管这些职能，数据输入、装配线工作和日常客户服务等岗位可能会大幅减少。然而，它也将在人工智能开发、数据分析和网络安全方面创造机会。对人工智能维护、监督和道德治理技能的需求将会增加，为劳动力再培训提供了途径。
4. 深度伪造和错误信息。生成式人工智能使制作深度伪造（逼真但虚假的音频、视频和图像）变得更容易，这些深度伪造被用于传播虚假信息和操纵公众舆论。这对信息完整性和媒体信任构成了挑战。解决这个问题需要先进的检测工具、公众教育，可能还需要法律措施来追究恶意深度伪造创作者的责任。
5. 情感和社会学影响。人们会将人工智能拟人化，形成情感依恋和复杂的社会动态，就像 ELIZA 效应和其他人工智能伙伴所表现的那样。在未来十年，这些关系可能会变得更加深刻，引发心理和伦理问题。社会必须促进与日益像人类的机器进行健康的互动，并帮助个人区分真正的人类互动和人工智能驱动的互动。
6. 数据短缺。随着人工智能生成的内容在互联网上占据主导地位，人类生成的数据可用性降低。研究人员预测，到 2026 年，用于训练大型人工智能模型的公共数据可能会耗尽。为了解决这个问题，人工智能社区正在探索合成数据生成和新的数据来源，如物联网设备和模拟，以实现人工智能训练输入的多样化。这些策略对于维持人工智能的进步以及确保模型在日益数据饱和的数字环境中保持性能至关重要。
随着人工智能的不断进步，重点转向更具成本效益的模型，这些模型能够为个人和企业提供定制解决方案，信任和安全必须始终是最重要的。
本文转载自 人工智能的未来：影响未来10年的趋势- 雪兽软件
更多精彩推荐请访问 雪兽软件
页:
[1]