Первоначально опубликовано на https://www.theaigroupie.com.
Отчет Стэнфордского университета об индексе ИИ, который публикуется уже третий раз в два года, стал именно этим: средством значимой индексации и отслеживания прогресса в области ИИ по целому ряду параметров: технические характеристики, экономическое воздействие, этика и т. д. 222 страницы. Чтобы избавить вас от необходимости читать это, вот мои пять основных выводов.
1. Беспрецедентный: единственное слово, описывающее скорость прогресса в производительности ИИ.
Существенный подъем эффективности основных методов — повышение их до коммерчески жизнеспособного уровня — происходит в течение нескольких лет (а в некоторых случаях и месяцев). Начинает казаться, что верный способ добиться прогресса в новой области — просто создать для нее эталон (оказывается, исследователи ИИ не менее конкурентоспособны, чем все остальные). Такая скорость прогресса в базовой технологии беспрецедентна и будет иметь всевозможные последствия (некоторые мысли по этому поводу см. здесь).
Несколько примеров (извините за размер шрифта, но линии тренда должны быть четкими!):
2. Период «любительского ИИ» закончился. ИИ становится стандартным инструментом корпоративного инструментария. ИИ-стартапов больше нет
На рисунке ниже показано внедрение ИИ в отрасли, при этом данные в целом глобальны по масштабу. В соответствии с выводами других недавних отчетов (например, только США Процветание в мире ИИ от KPMG), показатели внедрения ИИ в ведущих отраслях превышают или приближаются к 50%.
Есть несколько явных горячих точек внедрения по отраслям, которые, опять же, согласуются с результатами других опросов:
- Сервисные операции (включая бэк-офис) в ряде отраслей
- Разработка продуктов в сфере высоких технологий/телекоммуникаций
- Производство в автомобилестроении и сборке
- Риск в финансовых услугах
- Маркетинг и продажи в различных отраслях
Принимая во внимание растущую согласованность результатов опросов и географических регионов, можно понять, что использование ИИ (в самом широком смысле, включая старую добрую науку о данных) все чаще становится частью стандартного набора инструментов для повышения корпоративной эффективности.
По мере того, как корпорации лучше понимают и используют свои преимущества в области данных, распределения, финансирования и т. д. в отношении ИИ, неудивительно, что наряду с ростом корпоративного внедрения наблюдается быстрое сокращение числа недавно финансируемых стартапов ИИ. Доллары частных инвестиций продолжают искать продуктивные инвестиции в ИИ, но в меньшей степени на самых ранних этапах. Другой гвоздь в крышку гроба «джентльмена-предпринимателя» ИИ — это, конечно же, растущая стоимость самого ИИ (см. далее).
3. Первое воздействие: здравоохранение и биология демонстрируют возможности ИИ для науки, богатой данными.
Будет ли ИИ предлагать нам что-то еще, кроме (возможно) внутренних улучшений автоматизации плюс AdTech? Последний год подсказывает, что ответ, без сомнения, будет: конечно будет.
Широта применения ИИ в области здравоохранения и биологии была замечательной и теперь охватывает весь спектр от основных исследований биологии (например, Alphafold 2 Deepmind) до открытия лекарств, синтеза лекарств, оптимизации клинических испытаний, диагностики состояния, оптимизации лечения и ухода. обеспечение.
Сфера «Наркотики, рак, молекулярные исследования, открытие лекарств» привлекла 14 миллиардов долларов глобальных частных инвестиций в ИИ в 2020 году, 4.5. раз больше, чем в 2019 году.
4. Корпоративное участие в дальнейшем развитии ИИ будет иметь решающее значение. Анахронизм или нет, национальные чемпионы будут необходимы.
Если есть что-то, чему нас научил 2020 год, так это тому, что чем больше, тем лучше. Вопреки ожиданиям многих, языковая модель OpenAI GPT-3 продемонстрировала, что увеличение размера модели ИИ без каких-либо других изменений (например, размера набора данных) приводит к постоянному совершенствованию — и этому не видно конца. Facebook недавно продемонстрировал, что аналогичный принцип, вероятно, применим и к зрению. Поэтому неудивительно, что некоторые отраслевые обозреватели (например, ARK Investment Management, Nvidia) прогнозируют, что к 2025 году затраты на обучение модели составят около 1 миллиарда долларов. доступа к конкурентоспособным уровням вычислительных ресурсов и талантов ИИ. Крупнейшие корпорации будут все чаще — благодаря доступу к масштабным бизнес-кейсам, оправдывающим инвестиции, — играть решающую роль в развитии ИИ.
И прогресс связан не только с основными методами, но и с инженерной задачей минимизировать влияние на время вычислений и стоимость все больших наборов данных. За 18 месяцев с декабря 2018 г. по июль 2020 г. время обучения на стандартном наборе данных ImageNet для распознавания изображений размером 1 м сократилось с 6,2 минуты до 47 секунд. В отдельном тесте стоимость обучения современной системы распознавания изображений снизилась с 2000 долларов в конце 2017 года до 7 долларов к началу 2019 года.
Корпорации — это, пожалуй, единственные места, где можно накопить не только необходимую стоимость вычислений, но и научно-исследовательские иинженерные таланты — и то, и другое очень важно. Чтобы представить это в перспективе, без этой продолжающейся тенденции к эффективности затрат прогнозируемый 1 миллиард долларов на 2025 год был бы намного севернее ВВП каждой отдельной страны в мире.
США лидируют с отрывом от страны по показателям исследований, которые учитываются: влияние цитирования, взвешенное по области, и доля цитирований на конференциях по искусственному интеллекту. Возможно, он больше не публикует столько исследований, сколько Китай, но его исследования, похоже, имеют гораздо большее значение. Интересно — учитывая то, что я только что сказал о важности корпораций в лидерстве ИИ — различия в участии корпораций в исследованиях (см. три диаграммы ниже). Отсутствие в ЕС технологических гигантов может дорого обойтись в долгосрочной перспективе. По крайней мере, по этому показателю китайские технологические гиганты еще не полностью привержены гонке.
5. AI Frontierland: работа над видео все еще продолжается
ИИ, возможно, «сделал» изображения. Производительность многих задач распознавания/обнаружения изображений достигла предела. Следующим на очереди, конечно, видео, которое остается сложной задачей. Например, ActivityNet — это тест, используемый для понимания человеческой деятельности в видео. Перед моделями стоит задача локализовать действие во времени (определить, когда оно началось и когда остановилось) и идентифицировать действие. Производительность значительно улучшилась, но впереди еще долгий путь. Выяснилось, что чаепитие — самая трудная для машин локализация деятельности человека, за которой следуют курение сигарет и полировка мебели. Иди разберись.
Учитывая коммерческие выгоды, получаемые от распознавания изображений, открытие видео, конечно же, открывает огромные возможности, поэтому было бы целесообразно внимательно следить за развитием событий в этой области.
Для более подробного обзора ИИ перейдите на www.theaigroupie.com
Источник: Отчет об индексе искусственного интеллекта за 2021 г., Центр искусственного интеллекта, ориентированного на человека (HCAI), Стэнфордского университета
