中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

本篇文章是來自三位大佬級人物的翻譯作品，從一個大模型是否會吃掉整個AI生態的問題出發，用Workflow（工作流）和Value（價值）這兩個衡量標準來預測未來AI生態格局。希望能夠給大家帶來啟發。

今天看到了一篇不錯的文章《Does One Large Model Rule Them All? Predictions on the Future AI Ecosystem》，這篇文章的三位作者都是大佬級的人物，分別是谷歌前CEO Eric Schmidt、Databricks的首席科學家同時也是斯坦福教授的Matei Zaharia和Samaya AI創始人Maithra Raghu。這篇文章從一個大模型是否會吃掉整個AI生態的問題出發，用Workflow（工作流）和Value（價值）這兩個衡量標準來預測未來AI生態格局。以下是這篇文章的翻譯，基本都由GPT-4完成，希望給大家有所啟發和思考。

導語

過去的10年里，人工智能不斷取得進展，每一波新的發展都帶來了令人興奮的新功能和應用。最大的一波無疑是最近出現的單一通用人工智能模型，例如大型語言模型（LLMs），它們可以用于執行多種多樣的任務，從代碼生成、圖像理解到科學推理等。

這些任務的執行質量之高，以至于一整代新的技術應用正在被定義和開發。盡管考慮到潛在的影響，這令人興奮不已，但這種飛速的成功確實讓我們對未來的人工智能生態系統產生了一個深度的不安問題：

未來的人工智能領域是否會被單一通用AI模型所主導？

具體來說，未來的人工智能領域是否會：

1. 由少數（<5）公司擁有的大型通用AI模型主導？
2. 這些通用AI模型是否會成為驅動所有重要技術AI進步和產品的關鍵組件？

隨著類似ChatGPT和GPT-4等模型的發布，這些模型已經改變了我們對AI能做什么的理解，以及開發這類模型的成本不斷上升，這已經成為一種普遍的觀點。

然而，我們持相反的看法！

1. 將會有很多公司為AI生態系統的發展做出貢獻。
2. 并且，許多具有高實用性的AI系統將出現，它們將不同于（單一）通用AI模型。
3. 這些AI系統在結構上將非常復雜，由多個AI模型、API等驅動，并將推動新的技術AI發展。
4. 針對明確定義的、高價值的工作流程，主要將由專用AI系統而非通用AI模型來解決。

我們可以用以下示意圖來說明我們對AI生態系統的預測：

假設我們將所有適用于基于AI的解決方案的工作流程按照“價值”降序排列。價值可以是潛在收入，也可以是對用戶的實用性。會有少量非常高價值的工作流程，例如一個龐大的市場或者擁有大量用戶且明確可通過AI解決的痛點。這將衍生出一長串繁雜但價值較低的工作流程，代表了許多AI可以協助的定制預測任務。

高價值工作流程的例子有哪些？雖然還很早，但我們已經看到了編碼助手、視覺內容創作、搜索和寫作助手等方面的令人興奮的發展。

那么，低價值工作流程的重尾部分呢？這些將是不太明確的定制需求，源于特定的情境。例如，通過分類對客服機器人的請求進行分級處理。

我們預測，在圖表的左上角（高價值工作流程）將由專業化AI系統主導，隨著我們沿著藍色曲線下降至較低價值的工作流程，通用AI模型將成為主導方法。

乍一看，這個畫面似乎違反直覺。一些最先進的AI能力似乎來自通用模型。那么為什么這些模型不主導高價值工作流程呢？但是，通過思考生態系統可能的演變，有一些重要因素支持這個觀點，我們將在下面詳細展開。

01. 專業化對于質量至關重要

高價值工作流程需要高質量，并獎勵任何質量的提升。應用于高價值工作流程的AI解決方案會不斷調整以提高質量。由于工作流程特定的問題導致質量差距，這種調整將導致專業化。

專業化可以簡單地通過針對特定工作流程的數據進行調優，或者（更可能）開發多個專業化的AI組件。

我們可以通過考慮當前用于自動駕駛汽車的AI系統來具體說明。這些系統有多個AI組件，從規劃組件到檢測組件，以及數據標注和生成組件。將這個專業化的AI系統用類似GPT-4的通用AI模型替換，將導致質量急劇下降。

但是，更先進的通用AI模型，如GPT-(4+n)，能否戰略性地執行此工作流程？

我們可以進行一個思維實驗來展示這可能如何發展：

• 假設GPT-(4+n)發布，具有非常有用的功能，包括自動駕駛。
• 我們無法立即替換整個現有系統。
• 因此，我們確定GPT-(4+n)最有用的功能，并考慮將其作為另一個組件添加進來，可能是通過API調用。
• 然后對這個新系統進行測試，不可避免地會發現質量差距。
• 有壓力要解決這些差距，由于它們來自特定的工作流程（自動駕駛），因此會開發特定于工作流程的解決方案。
• 最終結果可能是用一個新的、專門的AI組件完全替換API調用，或者與其他專門的組件一起增強。

雖然這個思維實驗可能不完全準確，但它說明了我們可能從通用AI模型開始，然后大量地專門化它以提高質量。

總之：

1. 高價值工作流程的質量很重要
2. 專業化有助于提高質量。

02. 充分利用用戶反饋

與質量考慮密切相關的是用戶反饋的作用。有明確證據表明，在高質量的人類“使用”數據（例如偏好、指令、提示和響應等）上進行仔細調整，對于推動通用AI模型的能力至關重要。

在大模型中，諸如RLHF（從人類反饋中學習強化學習）和監督學習在類似人類的指令/偏好數據上已經在獲取高質量生成和指令執行行為方面發揮了關鍵作用。這在ChatGPT中得到了顯著證明，現在正在推動許多大模型的發展。

同樣，我們期望用戶反饋在推動特定工作流程的AI能力方面發揮關鍵作用。但是，有效地整合這些反饋需要對AI系統進行細粒度的控制。我們不僅要仔細調整基礎模型以適應用戶反饋（由于成本和有限訪問權限，通用AI模型難以實現），而且可能需要調整整個AI系統的結構，例如定義數據、AI模型和工具之間的互動。

為通用AI模型設置這種細粒度控制在工程（多樣化的微調方法、API調用、處理不同的AI組件）、成本（大型模型調整昂貴）和安全性（參數泄露、數據共享）方面具有挑戰性。

總之，實現用戶反饋所需的細粒度控制更容易在專門的AI系統中實現。

03. 專有數據和專有知識

許多高價值、領域特定的工作流程依賴于豐富的專有數據集。針對這些工作流程的最佳AI解決方案需要在這些數據上進行訓練。然而，擁有這些數據集的實體將專注于保護其數據壁壘，不太可能允許第三方進行AI訓練的非聯合訪問。因此，這些實體將在內部或通過特定合作伙伴建立專門針對這些工作流程的AI系統。這些系統將與通用AI模型不同。

與此相關的是，許多領域還使用專有知識——僅由少數人類專家了解的“商業秘密”。例如，臺積電（TSMC）用于尖端芯片制造的技術，或頂級對沖基金使用的定量算法。利用這種專有知識的AI解決方案將再次在內部建立，專門針對這些工作流程。

這些是許多先前技術周期發生的“建設與購買”計算的例子，同樣也會在這個波浪中重現。

04. AI模型的商品化

與開發昂貴的專有模型（如GPT-4）的努力同時進行的是構建和發布AI模型，然后迅速優化。這些是基于成本的效用和效率之間激烈競爭的例子。

效率是指在保持效用的同時，快速降低新AI技術的成本。這是由于以下幾個關鍵屬性：

• AI領域深厚的合作、發表研究和開源傳統，使技術見解的知識傳播迅速。
• 受歡迎的AI模型的計算成本迅速降低，原因是硬件、基礎設施和培訓方法更優越。
• 收集、整理和開源數據集的努力有助于民主化模型構建并提高質量。

對于我們目前最強大的模型，效率似乎最可能在競賽中獲勝，從而導致這些模型的商品化。

05. 通用AI模型的未來？

但是，這是否意味著所有大型通用AI模型都將被商品化？

這取決于另一個競爭者，基于成本的效用。如果AI模型有用但成本也很高，那么效率過程就需要更長的時間——前期成本越高，降低成本所需的時間就越長。

• 如果成本保持在今天的范圍內，那么我們很可能會看到完全的商品化。
• 如果成本增加了一個數量級，但效用呈遞減趨勢，那么我們同樣會看到商品化。
• 如果成本增加了一個數量級，并且效用成比例增加，那么很可能會有少量非常高成本的通用AI模型，而不是商品化。

哪種情況最有可能發生？

很難確切預測。未來的AI模型肯定有用更大量/類型的數據和增加計算的空間。如果效用也繼續增加，我們將擁有少量昂貴的通用AI模型，用于處理大量多樣化、難以定義的工作流程，如上圖所示——這對AI來說就像云對計算所做的那樣。

總結

盡管經歷了長達十年的AI進步浪潮，AI的未來仍然比過去更多姿多彩！我們預計一個豐富的生態系統將出現，其中包括各種高價值、專業化的AI系統，由不同的AI組件驅動，以及少量通用AI模型，支持大量多樣化的AI工作流程。

參考材料

[1]https://maithraraghu.com/blog/2023/does-one-model-rule-them-all/