"الذكاء الاصطناعي هو القوس والسهم في العصر الحجري الحديث." تعتمد القدرة على التعلم التي يشكلها الذكاء الاصطناعي على نطاق المعلمات. يحتوي GPT-2 على حوالي 1.5 مليار معلمة، في حين أن النموذج الأكبر لـ GPT-3 يحتوي على 175 مليار معلمة، أي بزيادة قدرها ضعفين. وفقًا لتكهنات وسائل الإعلام ولكن لم يتم تأكيد الأخبار بعد، قد تصل معلمات GPT-4 إلى 100 تريليون.
تتناول هذه المقالة بشكل رئيسي: القدرات والبناء والفرص والتحديات لمنصة الذكاء الاصطناعي التفاعلية في العصر الجديد. يختلف يانغ جي هونغ، نائب مدير مركز الإعلام السمعي البصري الجديد التابع لمحطة الإذاعة والتلفزيون المركزية الصينية، عن بعض وجهات النظر التقليدية القائلة بأن بناء الذكاء الاصطناعي هو في الأساس بناء الأجهزة، ويبدأ من منظور "الناس" ويؤكد على أن "الناس"، أي أن المستخدمين هم المعركة الحاسمة في معركة الذكاء الاصطناعي المورد الاستراتيجي في الحملة. وتعتقد أن "التكنولوجيا الناعمة" هي "المسار الذهبي" للتجاوز في المنعطفات وتغيير المسارات للابتكار العلمي والتكنولوجي. فهم بقوة "سيناريو استخدام المستخدم" باعتباره "الفائز".
مناقشة مختصرة حول القوة الصارمة والقوة الناعمة لمنصات الذكاء الاصطناعي التفاعلية
01 مقدمة الثابت الوحيد هو التغيير
الابتكار لا يتوقف أبدًا، وتستمر التقنيات الجديدة في الظهور، كما أن الابتكار التكنولوجي الذي يقوده الذكاء الاصطناعي يغير بشكل عميق الطريقة التي نعيش بها ونعمل بها.
إذا كان تعميم أجهزة الكمبيوتر والشبكات والإنترنت بمثابة موجة من التغيير أحدثتها أجهزة الكمبيوتر، فإن غزو الذكاء الاصطناعي سيكون أكثر قوة وشمولاً. تتأثر الصناعات والمهن التقليدية وتدمرها تكنولوجيا الذكاء الاصطناعي، ويتم استبدال العديد من الوظائف التقليدية، مما يتطلب التعلم المستمر والتكيف مع التقنيات الجديدة والنماذج الجديدة.
عندما أتحدث عن الذكاء الاصطناعي في هذه المقالة، أحاول طرح منظور جديد والسماح للجميع بفحص القدرات والبناء والفرص والتحديات لمنصة الذكاء الاصطناعي التفاعلية في العصر الجديد. على عكس بعض وجهات النظر التقليدية التي ترى أن بناء الذكاء الاصطناعي يتعلق بشكل أساسي ببناء الأجهزة، أحاول تفكيك قدرات الذكاء الاصطناعي المتغيرة باستمرار من بُعد أعلى باستخدام القوة الصارمة والقوة الناعمة. ومن منظور "الناس"، أؤكد على "الناس". بمعنى آخر، المستخدمون هم الموارد الإستراتيجية في المعركة الحاسمة ضد الذكاء الاصطناعي.
1.1 أجهزة الكمبيوتر ممثلة بوحدة المعالجة المركزية/وحدة معالجة الرسومات
أجهزة الكمبيوتر هي أساس الذكاء الاصطناعي. أولًا وقبل كل شيء، تحدد أجهزة الكمبيوتر بشكل مباشر قدرة الذكاء الاصطناعي على التعامل مع مهام الحوسبة المعقدة. تتطلب معالجة كميات كبيرة من البيانات وحساب وتدريب خوارزميات التعلم العميق وما إلى ذلك قوة حاسوبية كافية، ويحدد أداء وحدة المعالجة المركزية/وحدة معالجة الرسومات بشكل مباشر سرعة الحوسبة وكفاءة الذكاء الاصطناعي. ثانيًا، تحتاج وحدة المعالجة المركزية/وحدة معالجة الرسومات كأجهزة إلى دعم بيئة تشغيل برامج الذكاء الاصطناعي. يتضمن الذكاء الاصطناعي عددًا كبيرًا من مهام معالجة البيانات والحوسبة، ويتطلب بيئة برمجية خاصة لدعم التشغيل. بالإضافة إلى ذلك، يجب أن تكون أجهزة الكمبيوتر أيضًا قابلة للتطوير والبرمجة بدرجة كبيرة. تنتشر سيناريوهات تطبيقات الذكاء الاصطناعي على نطاق واسع، ويجب توفير حلول مختلفة للذكاء الاصطناعي لسيناريوهات وتطبيقات مختلفة. فقط عندما تتمتع أجهزة الكمبيوتر بقدرة عالية على التوسع، يمكن تحقيق التخصيص الديناميكي وتوسيع الموارد بسرعة. وأخيرًا، يجب أن تكون أجهزة الكمبيوتر قابلة للبرمجة حتى يتمكن المطورون من تحسين الخوارزميات والحلول بسرعة. يوضح الشكل التالي تكوين الأجهزة الأساسية ووظائف النظام الأساسي لنظام الذكاء الاصطناعي:
2. "القوة الناعمة" هي ثقل الذكاء الاصطناعي التفاعلي
2.1 يشكل الرسم البياني المعرفي السوق الأساسي للذكاء الاصطناعي
الرسم البياني المعرفي للذكاء الاصطناعي عبارة عن قاعدة معرفية منظمة تحتوي على مجموعة واسعة من المعرفة بالمجال وتستخدم لدعم التعلم والتفكير في أنظمة الذكاء الاصطناعي. يتكون الرسم البياني المعرفي من الكيانات (مثل الأشخاص والأماكن والأحداث وما إلى ذلك) والعلاقات بينها. ويمكن أن تشمل أنواعًا مختلفة من المعرفة، بما في ذلك التعريفات والصفات والفئات والارتباطات وما إلى ذلك.
يعد إنشاء الرسوم البيانية المعرفية واستخدامها جزءًا مهمًا من تكنولوجيا الذكاء الاصطناعي. يمكن أن يساعد أنظمة الذكاء الاصطناعي في اكتساب وتنظيم وتخزين المعرفة والمعلومات الدلالية في مختلف المجالات، وتحسين القدرة المعرفية والذكاء لأنظمة الذكاء الاصطناعي. يمكن تطبيق الرسوم البيانية المعرفية على العديد من الجوانب مثل معالجة اللغة الطبيعية، وأنظمة التوصية، وأنظمة الإجابة على الأسئلة، واسترجاع المعلومات.
ولإعطاء بعض الأمثلة المألوفة، فإن Google Knowledge Graph وBaidu Encyclopedia وWikipedia كلها رسوم بيانية معرفية.
2.2 ترقية قدرة القيادة على مستوى الخوارزمية
2.2.1 أهمية الخوارزميات
تعد الخوارزميات وسيلة مهمة لتحقيق مهام الذكاء الاصطناعي المختلفة. يعد تصميم الخوارزميات وتحسينها أيضًا أمرًا أساسيًا لتعزيز تطوير الذكاء الاصطناعي وتقدمه. تنعكس أهمية الخوارزميات في الجوانب الثلاثة التالية:
① تؤثر على دقة النموذج وكفاءته: ستؤثر الخوارزميات المختلفة على دقة النموذج وكفاءة الحساب. يمكن أن يؤدي اختيار الخوارزمية المناسبة إلى تحسين دقة النموذج وتقليل وقت الحساب.
② تلبية الاحتياجات والسيناريوهات المختلفة: للسيناريوهات والتطبيقات المختلفة احتياجات مختلفة، ويجب تحديد خوارزميات مختلفة لتلبيتها.
③ توفير دعم القرار: وفقًا للمشكلات والبيانات المختلفة، يمكن للخوارزمية توفير دعم القرار وتحليل البيانات والتنبؤ بها بشكل فعال.
2.2.2 الخوارزميات الشائعة
هناك العديد من الخوارزميات المستخدمة في الذكاء الاصطناعي للتكيف مع سيناريوهات واحتياجات التطبيقات المختلفة. هناك أربع فئات شائعة: خوارزميات التعلم الآلي، وخوارزميات التعلم العميق، وخوارزميات معالجة اللغة الطبيعية، وخوارزميات التوصية.
① خوارزمية التعلم الآلي:
(1) خوارزميات التعلم الخاضعة للإشراف: مثل الانحدار الخطي، والانحدار اللوجستي، وآلات المتجهات الداعمة، وأشجار القرار، والغابات العشوائية، وما إلى ذلك.
(2) خوارزميات التعلم غير الخاضعة للرقابة: مثل تجميع K-Means، والتجميع الهرمي، وخوارزمية التوقع والتعظيم، وما إلى ذلك.
② خوارزمية التعلم العميق:
(1) الشبكة العصبية التلافيفية (CNN): تستخدم بشكل رئيسي في معالجة الصور ومهام رؤية الكمبيوتر.
(2) الشبكة العصبية المتكررة (RNN): تستخدم بشكل أساسي في مهام التسلسل مثل معالجة اللغة الطبيعية ومعالجة الكلام.
(3) شبكة الخصومة التوليدية (GAN): تستخدم بشكل أساسي لمهام مثل إنشاء الصور والنصوص.
(4) شبكة المحولات (Transformer): تستخدم بشكل أساسي في مهام مثل الترجمة الآلية وتلخيص النص.
③ خوارزمية معالجة اللغة الطبيعية:
(1) استخراج الكلمات الرئيسية: مثل خوارزمية TF-IDF، وخوارزمية TextRank، وما إلى ذلك.
(2) التعرف على الكيان المسمى: مثل نموذج الحقل العشوائي المشروط، وما إلى ذلك.
(3) خوارزميات التحليل النحوي: مثل نماذج القواعد، ونماذج النقل، وغيرها.
(4) خوارزميات تحليل المشاعر: مثل نماذج القاموس، ونماذج التعلم الآلي، وغيرها.
④ خوارزمية التوصية:
(1) التوصية المستندة إلى المحتوى: مثل خوارزمية TF-IDF، وخوارزمية LDA، وما إلى ذلك.
(2) توصية تعتمد على التصفية التعاونية: مثل خوارزمية UserCF، وItemCF، وLFM، وما إلى ذلك.
(3) توصيات التعلم العميق: مثل DeepFM، وWide&Deep، وDIN، وBERT4Rec، وما إلى ذلك.
الخوارزميات هي حجر الزاوية في الذكاء الاصطناعي لتحقيق المهام المختلفة. ومع التطوير المستمر والابتكار التكنولوجي، تظهر أيضًا خوارزميات الذكاء الاصطناعي الجديدة. المفتاح لتحسين قدرات الذكاء الاصطناعي هو اختيار الخوارزمية المناسبة للمشهد المناسب. ومن وجهة النظر هذه، فإن مفتاح الذكاء الاصطناعي لا يزال يكمن في التصميم الاصطناعي.
2.3 تؤثر سيناريوهات التدريب على معدل التطور
2.3.1 أهمية التدريب
التدريب هو العملية التي يتعلم من خلالها نموذج الذكاء الاصطناعي المعرفة والمهارات ويكتسبها، وبالتالي فهو أمر بالغ الأهمية للذكاء الاصطناعي.
① تحسين دقة النموذج: من خلال الاختيار المعقول لمجموعة البيانات وأوقات التدريب الكافية، يمكن لنموذج الذكاء الاصطناعي أن يتعلم تدريجيًا الأنماط والميزات الموجودة في البيانات، وبالتالي تحسين دقة النموذج وإحكامه.
② دعم قدرة النموذج على التعميم: يتيح التدريب للنموذج القدرة على التعميم، أي أنه يمكنه التعامل مع عينات البيانات الجديدة خارج مجموعة التدريب ولعب دور في مواقف أخرى.
③ تحسين قوة النموذج: يمكن للتدريب أن يجعل نموذج الذكاء الاصطناعي يتمتع بقدرات معالجة أفضل وقوة لبعض البيانات المزعجة والبيانات المزورة وبيانات التداخل.
④ تحديث نموذج الذكاء الاصطناعي وتكراره: من خلال التدريب، يمكن تحديث نموذج الذكاء الاصطناعي وتحسينه باستمرار لتلبية احتياجات التطبيق الفعلية.
⑤ تحسين إمكانية تفسير النماذج: تعد إمكانية تفسير نماذج بيانات الذكاء الاصطناعي مهمة جدًا في العديد من المجالات. ومن خلال التدريب، يمكن تحسين قابلية تفسير النموذج وشفافيته، مما يسهل فهمه واستخدامه.
2.3.2 سيناريوهات التدريب تؤثر على معدل التطور
يعد إعداد واختيار سيناريوهات التدريب أمرًا بالغ الأهمية لأداء وأداء نموذج الذكاء الاصطناعي، والذي يحدد بشكل مباشر جودة النموذج وسهولة استخدامه. أثناء عملية التدريب، من الضروري معالجة البيانات مسبقًا، واختيار الخوارزمية المناسبة، وتحسين المعلمات الفائقة للخوارزمية، والتحكم في التجهيز الزائد والتجهيز الزائد، وما إلى ذلك، وذلك لجعل نتائج تدريب نموذج الذكاء الاصطناعي أكثر دقة وموثوقية. تعتمد هذه المهام الأكثر أهمية بشكل أساسي على المشاركة اليدوية، والتي تعكس أيضًا مكانة "الأشخاص" باعتبارهم المورد الاستراتيجي الأكثر أهمية.
① سيناريو التعلم الخاضع للإشراف: من خلال توفير مجموعة بيانات مصنفة للنموذج، قم بالإشارة إلى الفئة أو القيمة المستهدفة التي تنتمي إليها البيانات، وما إلى ذلك.
② سيناريو التعلم غير الخاضع للرقابة: لا تحتوي مجموعة بيانات التدريب على تسميات محددة أو قيم مستهدفة، ويحتاج النموذج إلى اكتشاف الأنماط والميزات في البيانات بمفرده بناءً على الخصائص الإحصائية لمجموعة البيانات لمعالجة البيانات وتصنيفها.
③ سيناريو التعلم شبه الخاضع للإشراف: يحتوي على بيانات مصنفة وغير مصنفة، ويحتاج النموذج إلى تعلم كيفية تصنيف هذه البيانات غير المسماة.
④ سيناريو التعلم المعزز: يتفاعل النموذج بشكل مستمر مع البيئة، ويلاحظ البيئة ويتفاعل معها في كل لحظة، ويضبط استراتيجية النموذج بناءً على معلومات التعليقات.
⑤ سيناريو معالجة اللغة الطبيعية: تتكون مجموعة بيانات التدريب عمومًا من كمية كبيرة من البيانات النصية، ويحتاج النموذج إلى تعلم كيفية فهم بيانات النص والعلاقة بين النصوص.
⑥ سيناريوهات رؤية الكمبيوتر: عادةً ما تكون مجموعة بيانات التدريب عبارة عن بيانات صورة أو فيديو، ويحتاج النموذج إلى تعلم كيفية فهم ومعالجة بيانات الصورة هذه لتحقيق مهام مثل اكتشاف الهدف والتعرف على الصور.
03 "سيناريو استخدام المستخدم" هو مورد استراتيجي نادر
عدد محدود من المستخدمين، بيانات غير محدودة
في الوقت الحاضر، هناك بعض القيود والقيود لتحسين مستوى الدقة والذكاء لمنتجات الذكاء الاصطناعي من خلال توسيع أجهزة الكمبيوتر وتوسيع قواعد البيانات. فمن ناحية، يتطلب توسيع أجهزة الكمبيوتر وتوسيع قاعدة البيانات الكثير من المدخلات البشرية والمالية والوقتية، ومع التوسع المستمر في نطاق النظام، سيزداد الطلب على الموارد. ومن ناحية أخرى، فإن التطور التكنولوجي الحالي في مجال الذكاء الاصطناعي لا يزال يواجه العديد من العوامل غير المؤكدة، مثل فعالية الخوارزميات وتأثير التعلم الذاتي. ستؤثر هذه العوامل على مساحة تطوير منتجات الذكاء الاصطناعي.
بالمقارنة مع البيانات غير المحدودة، فإن المنافسة على موارد المستخدم هي لعبة محصلتها صفر. إذا كان منتج الذكاء الاصطناعي يحتوي على عدد كبير من المستخدمين ويتم استخدامه بشكل متكرر، فيمكنه تحقيق الترقية الذكية لمنتج الذكاء الاصطناعي من خلال مراقبة وتحليل بيانات استخدام المستخدم، والتحسين المستمر لنظام المنتج، وزيادة قيمة الاستخدام.
يقوم المزيد من المستخدمين بإنشاء نظام أساسي أكثر تقدمًا؛ والنظام الأساسي الأكثر تقدمًا يخلق تجربة أفضل؛ والتجربة الأفضل تجذب المزيد من المستخدمين.
يتم تحديد الاختلافات في قدرات منصات الذكاء الاصطناعي في ظل الأيديولوجيات المختلفة في المستقبل بشكل أساسي من خلال الاختلافات في عدد المستخدمين وتكرار الاستخدام. للحصول على المزيد من المستخدمين والاستخدام المتكرر، من الضروري التحسين المستمر وتحسين واجهة مستخدم المنتج والوظائف وجودة الخدمة والترويج للسوق وما إلى ذلك، وتلبية احتياجات المستخدم باستمرار وتحسين تجربة المستخدم، وكسب ثقة المستخدمين وولاءهم.
"تأثير ماثيو" يلتهم لحوم البشر
ويشير تأثير ماثيو إلى الظاهرة المتمثلة في أنه في ظل ظروف معينة، يتم دعم المواهب المتميزة بشكل مستمر، مما يؤدي إلى اتساع الفجوة بين المواهب.
في عملية تطوير الذكاء الاصطناعي، غالبًا ما يكون من الأسهل على التقنيات المتقدمة أو المؤسسات المتقدمة الحصول على الدفعة الأولى من المستخدمين وحصة السوق، مما سيؤدي إلى المزيد من الاستثمار وعوائد أفضل. وهذه الظاهرة سوف تزيد من تعزيز المكانة الرائدة في هذه الصناعة.
ومن ناحية أخرى، يتطلب تطوير تكنولوجيا الذكاء الاصطناعي أيضًا عددًا كبيرًا من المواهب المهنية. تمتلك الشركات والمنصات الرائدة الموارد اللازمة لمواصلة استثمار المزيد من الأموال والموارد لاكتساب مزايا المواهب، مما يجعل المتأخرين يفقدون تمامًا قدرتهم على اللحاق بالركب.
الشيء الأكثر أهمية هو أن المنصة الرائدة ستوفر تجربة مستخدم أفضل، وفي الوقت الحاضر، تم تسليط الضوء على تأثير ماثيو في سوق الذكاء الاصطناعي إلى C. من منظور سيكولوجية المستخدم، يحتاج المستخدمون الذين اعتادوا على استخدام أحد منتجات الذكاء الاصطناعي إلى إعادة التعلم والتكيف عند التحول إلى منتج آخر من نفس النوع، الأمر الذي سيستهلك الكثير من الوقت والطاقة. من منظور حجم البيانات، فإن تراكم كمية كبيرة من بيانات المستخدم له أهمية كبيرة لتأثير استخدام المنتجات وتحليلها. والاحتفاظ ببيانات المستخدم هو المفتاح لإنشاء مثل هذه المنتجات، والمنتجات الجديدة لها عيوب متأصلة. يعمل "تأثير دولاب الموازنة" الطبيعي لنظام الذكاء الاصطناعي على تضخيم عرض "تأثير ماثيو" في تجربة المستخدم.
##04 الخاتمة
بيان مثير للاهتمام: الذكاء الاصطناعي هو القوس والسهم في العصر الحجري الحديث.
تعتمد القدرة على التعلم التي يشكلها الذكاء الاصطناعي على حجم المعلمات. وفقًا للخبرة الأكاديمية، ترتبط القدرة على التعلم للشبكات العصبية العميقة بشكل إيجابي مع مقياس معلمات النموذج، أي أنه كلما زاد عدد معلمات النموذج، أصبحت القدرة على التعلم أقوى. يحتوي GPT-2 على حوالي 1.5 مليار معلمة، في حين أن النموذج الأكبر لـ GPT-3 يحتوي على 175 مليار معلمة، أي بزيادة قدرها ضعفين. وفقًا لتكهنات وسائل الإعلام ولكن الأخبار غير المؤكدة، قد تصل معلمات GPT-4 إلى نطاق 100 تريليون.
يعتقد بعض الخبراء في الصناعة أن التكنولوجيا الصلبة توفر المكونات الأساسية وواجهات الأجهزة لتطوير "التكنولوجيا الناعمة" وتبتكر حول احتياجات سلسلة توريد "التكنولوجيا الناعمة". "التكنولوجيا الناعمة" هي "المسار الذهبي" للتجاوز على المنحنيات وتغيير المسارات للابتكار التكنولوجي.
لقد توصلت CCTV إلى مزيج فعال: أولاً، تعمل على تحسين احتياجات المستخدم إلى سلسلة من اتجاهات تمكين الذكاء الاصطناعي مثل المساعدة الطبية، والمساعدة الزراعية، والمساعدة في التجميل، ومساعدة الطلاب، ثم ترفع المحطة الشاملة من خلال المطابقة الدلالية للبحث الغامض. تقوم الموارد ببناء نماذج استخدام عالية التردد في سيناريوهات التطبيقات المختلفة، وتشكيل التعلم الذاتي المنظم ذاتيًا لـ "القوة الناعمة" مثل قواعد المعرفة والخوارزميات، والتي تفرض بناء القوة الصلبة مثل قوة حوسبة GPU وعرض النطاق الترددي CDN. فهم بقوة "سيناريو استخدام المستخدم" باعتباره "الفائز".
الأمر المثير هو أن الاتجاه الفني لـ GPT أصبح الآن واضحًا، ولا توجد عقبات فنية لا يمكن التغلب عليها. وبوسعنا أن نستخدم روح "المدى الطويل" التي يجيدها الصينيون في إطلاق القوس والسهم في "العصر الحجري الحديث" على نحو أكثر دقة وأبعد مسافة.
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
رأي | "سيناريوهات استخدام المستخدم" هي المفتاح لتطوير منصات الذكاء الاصطناعي
** الأصل: يانغ جي هونغ **
** المصدر: ** AI Dark Horse
دليل الحصان الاسود AI 👉
"الذكاء الاصطناعي هو القوس والسهم في العصر الحجري الحديث." تعتمد القدرة على التعلم التي يشكلها الذكاء الاصطناعي على نطاق المعلمات. يحتوي GPT-2 على حوالي 1.5 مليار معلمة، في حين أن النموذج الأكبر لـ GPT-3 يحتوي على 175 مليار معلمة، أي بزيادة قدرها ضعفين. وفقًا لتكهنات وسائل الإعلام ولكن لم يتم تأكيد الأخبار بعد، قد تصل معلمات GPT-4 إلى 100 تريليون.
تتناول هذه المقالة بشكل رئيسي: القدرات والبناء والفرص والتحديات لمنصة الذكاء الاصطناعي التفاعلية في العصر الجديد. يختلف يانغ جي هونغ، نائب مدير مركز الإعلام السمعي البصري الجديد التابع لمحطة الإذاعة والتلفزيون المركزية الصينية، عن بعض وجهات النظر التقليدية القائلة بأن بناء الذكاء الاصطناعي هو في الأساس بناء الأجهزة، ويبدأ من منظور "الناس" ويؤكد على أن "الناس"، أي أن المستخدمين هم المعركة الحاسمة في معركة الذكاء الاصطناعي المورد الاستراتيجي في الحملة. وتعتقد أن "التكنولوجيا الناعمة" هي "المسار الذهبي" للتجاوز في المنعطفات وتغيير المسارات للابتكار العلمي والتكنولوجي. فهم بقوة "سيناريو استخدام المستخدم" باعتباره "الفائز".
مناقشة مختصرة حول القوة الصارمة والقوة الناعمة لمنصات الذكاء الاصطناعي التفاعلية
01 مقدمة الثابت الوحيد هو التغيير
الابتكار لا يتوقف أبدًا، وتستمر التقنيات الجديدة في الظهور، كما أن الابتكار التكنولوجي الذي يقوده الذكاء الاصطناعي يغير بشكل عميق الطريقة التي نعيش بها ونعمل بها.
إذا كان تعميم أجهزة الكمبيوتر والشبكات والإنترنت بمثابة موجة من التغيير أحدثتها أجهزة الكمبيوتر، فإن غزو الذكاء الاصطناعي سيكون أكثر قوة وشمولاً. تتأثر الصناعات والمهن التقليدية وتدمرها تكنولوجيا الذكاء الاصطناعي، ويتم استبدال العديد من الوظائف التقليدية، مما يتطلب التعلم المستمر والتكيف مع التقنيات الجديدة والنماذج الجديدة.
عندما أتحدث عن الذكاء الاصطناعي في هذه المقالة، أحاول طرح منظور جديد والسماح للجميع بفحص القدرات والبناء والفرص والتحديات لمنصة الذكاء الاصطناعي التفاعلية في العصر الجديد. على عكس بعض وجهات النظر التقليدية التي ترى أن بناء الذكاء الاصطناعي يتعلق بشكل أساسي ببناء الأجهزة، أحاول تفكيك قدرات الذكاء الاصطناعي المتغيرة باستمرار من بُعد أعلى باستخدام القوة الصارمة والقوة الناعمة. ومن منظور "الناس"، أؤكد على "الناس". بمعنى آخر، المستخدمون هم الموارد الإستراتيجية في المعركة الحاسمة ضد الذكاء الاصطناعي.
02"القوة الصارمة" و"القوة الناعمة" لمنصات الذكاء الاصطناعي التفاعلية
1. القوة الصلبة في الذكاء الاصطناعي التفاعلي
1.1 أجهزة الكمبيوتر ممثلة بوحدة المعالجة المركزية/وحدة معالجة الرسومات
أجهزة الكمبيوتر هي أساس الذكاء الاصطناعي. أولًا وقبل كل شيء، تحدد أجهزة الكمبيوتر بشكل مباشر قدرة الذكاء الاصطناعي على التعامل مع مهام الحوسبة المعقدة. تتطلب معالجة كميات كبيرة من البيانات وحساب وتدريب خوارزميات التعلم العميق وما إلى ذلك قوة حاسوبية كافية، ويحدد أداء وحدة المعالجة المركزية/وحدة معالجة الرسومات بشكل مباشر سرعة الحوسبة وكفاءة الذكاء الاصطناعي. ثانيًا، تحتاج وحدة المعالجة المركزية/وحدة معالجة الرسومات كأجهزة إلى دعم بيئة تشغيل برامج الذكاء الاصطناعي. يتضمن الذكاء الاصطناعي عددًا كبيرًا من مهام معالجة البيانات والحوسبة، ويتطلب بيئة برمجية خاصة لدعم التشغيل. بالإضافة إلى ذلك، يجب أن تكون أجهزة الكمبيوتر أيضًا قابلة للتطوير والبرمجة بدرجة كبيرة. تنتشر سيناريوهات تطبيقات الذكاء الاصطناعي على نطاق واسع، ويجب توفير حلول مختلفة للذكاء الاصطناعي لسيناريوهات وتطبيقات مختلفة. فقط عندما تتمتع أجهزة الكمبيوتر بقدرة عالية على التوسع، يمكن تحقيق التخصيص الديناميكي وتوسيع الموارد بسرعة. وأخيرًا، يجب أن تكون أجهزة الكمبيوتر قابلة للبرمجة حتى يتمكن المطورون من تحسين الخوارزميات والحلول بسرعة. يوضح الشكل التالي تكوين الأجهزة الأساسية ووظائف النظام الأساسي لنظام الذكاء الاصطناعي:
2.1 يشكل الرسم البياني المعرفي السوق الأساسي للذكاء الاصطناعي
الرسم البياني المعرفي للذكاء الاصطناعي عبارة عن قاعدة معرفية منظمة تحتوي على مجموعة واسعة من المعرفة بالمجال وتستخدم لدعم التعلم والتفكير في أنظمة الذكاء الاصطناعي. يتكون الرسم البياني المعرفي من الكيانات (مثل الأشخاص والأماكن والأحداث وما إلى ذلك) والعلاقات بينها. ويمكن أن تشمل أنواعًا مختلفة من المعرفة، بما في ذلك التعريفات والصفات والفئات والارتباطات وما إلى ذلك.
ولإعطاء بعض الأمثلة المألوفة، فإن Google Knowledge Graph وBaidu Encyclopedia وWikipedia كلها رسوم بيانية معرفية.
2.2 ترقية قدرة القيادة على مستوى الخوارزمية
2.2.1 أهمية الخوارزميات
تعد الخوارزميات وسيلة مهمة لتحقيق مهام الذكاء الاصطناعي المختلفة. يعد تصميم الخوارزميات وتحسينها أيضًا أمرًا أساسيًا لتعزيز تطوير الذكاء الاصطناعي وتقدمه. تنعكس أهمية الخوارزميات في الجوانب الثلاثة التالية:
① تؤثر على دقة النموذج وكفاءته: ستؤثر الخوارزميات المختلفة على دقة النموذج وكفاءة الحساب. يمكن أن يؤدي اختيار الخوارزمية المناسبة إلى تحسين دقة النموذج وتقليل وقت الحساب.
② تلبية الاحتياجات والسيناريوهات المختلفة: للسيناريوهات والتطبيقات المختلفة احتياجات مختلفة، ويجب تحديد خوارزميات مختلفة لتلبيتها.
③ توفير دعم القرار: وفقًا للمشكلات والبيانات المختلفة، يمكن للخوارزمية توفير دعم القرار وتحليل البيانات والتنبؤ بها بشكل فعال.
2.2.2 الخوارزميات الشائعة
هناك العديد من الخوارزميات المستخدمة في الذكاء الاصطناعي للتكيف مع سيناريوهات واحتياجات التطبيقات المختلفة. هناك أربع فئات شائعة: خوارزميات التعلم الآلي، وخوارزميات التعلم العميق، وخوارزميات معالجة اللغة الطبيعية، وخوارزميات التوصية.
(1) خوارزميات التعلم الخاضعة للإشراف: مثل الانحدار الخطي، والانحدار اللوجستي، وآلات المتجهات الداعمة، وأشجار القرار، والغابات العشوائية، وما إلى ذلك.
(2) خوارزميات التعلم غير الخاضعة للرقابة: مثل تجميع K-Means، والتجميع الهرمي، وخوارزمية التوقع والتعظيم، وما إلى ذلك.
② خوارزمية التعلم العميق:
(1) الشبكة العصبية التلافيفية (CNN): تستخدم بشكل رئيسي في معالجة الصور ومهام رؤية الكمبيوتر.
(2) الشبكة العصبية المتكررة (RNN): تستخدم بشكل أساسي في مهام التسلسل مثل معالجة اللغة الطبيعية ومعالجة الكلام.
(3) شبكة الخصومة التوليدية (GAN): تستخدم بشكل أساسي لمهام مثل إنشاء الصور والنصوص.
(4) شبكة المحولات (Transformer): تستخدم بشكل أساسي في مهام مثل الترجمة الآلية وتلخيص النص.
③ خوارزمية معالجة اللغة الطبيعية:
(1) استخراج الكلمات الرئيسية: مثل خوارزمية TF-IDF، وخوارزمية TextRank، وما إلى ذلك.
(2) التعرف على الكيان المسمى: مثل نموذج الحقل العشوائي المشروط، وما إلى ذلك.
(3) خوارزميات التحليل النحوي: مثل نماذج القواعد، ونماذج النقل، وغيرها.
(4) خوارزميات تحليل المشاعر: مثل نماذج القاموس، ونماذج التعلم الآلي، وغيرها.
④ خوارزمية التوصية:
(1) التوصية المستندة إلى المحتوى: مثل خوارزمية TF-IDF، وخوارزمية LDA، وما إلى ذلك.
(2) توصية تعتمد على التصفية التعاونية: مثل خوارزمية UserCF، وItemCF، وLFM، وما إلى ذلك.
(3) توصيات التعلم العميق: مثل DeepFM، وWide&Deep، وDIN، وBERT4Rec، وما إلى ذلك.
الخوارزميات هي حجر الزاوية في الذكاء الاصطناعي لتحقيق المهام المختلفة. ومع التطوير المستمر والابتكار التكنولوجي، تظهر أيضًا خوارزميات الذكاء الاصطناعي الجديدة. المفتاح لتحسين قدرات الذكاء الاصطناعي هو اختيار الخوارزمية المناسبة للمشهد المناسب. ومن وجهة النظر هذه، فإن مفتاح الذكاء الاصطناعي لا يزال يكمن في التصميم الاصطناعي.
2.3 تؤثر سيناريوهات التدريب على معدل التطور
2.3.1 أهمية التدريب
التدريب هو العملية التي يتعلم من خلالها نموذج الذكاء الاصطناعي المعرفة والمهارات ويكتسبها، وبالتالي فهو أمر بالغ الأهمية للذكاء الاصطناعي.
① تحسين دقة النموذج: من خلال الاختيار المعقول لمجموعة البيانات وأوقات التدريب الكافية، يمكن لنموذج الذكاء الاصطناعي أن يتعلم تدريجيًا الأنماط والميزات الموجودة في البيانات، وبالتالي تحسين دقة النموذج وإحكامه.
② دعم قدرة النموذج على التعميم: يتيح التدريب للنموذج القدرة على التعميم، أي أنه يمكنه التعامل مع عينات البيانات الجديدة خارج مجموعة التدريب ولعب دور في مواقف أخرى.
③ تحسين قوة النموذج: يمكن للتدريب أن يجعل نموذج الذكاء الاصطناعي يتمتع بقدرات معالجة أفضل وقوة لبعض البيانات المزعجة والبيانات المزورة وبيانات التداخل.
④ تحديث نموذج الذكاء الاصطناعي وتكراره: من خلال التدريب، يمكن تحديث نموذج الذكاء الاصطناعي وتحسينه باستمرار لتلبية احتياجات التطبيق الفعلية.
⑤ تحسين إمكانية تفسير النماذج: تعد إمكانية تفسير نماذج بيانات الذكاء الاصطناعي مهمة جدًا في العديد من المجالات. ومن خلال التدريب، يمكن تحسين قابلية تفسير النموذج وشفافيته، مما يسهل فهمه واستخدامه.
2.3.2 سيناريوهات التدريب تؤثر على معدل التطور
يعد إعداد واختيار سيناريوهات التدريب أمرًا بالغ الأهمية لأداء وأداء نموذج الذكاء الاصطناعي، والذي يحدد بشكل مباشر جودة النموذج وسهولة استخدامه. أثناء عملية التدريب، من الضروري معالجة البيانات مسبقًا، واختيار الخوارزمية المناسبة، وتحسين المعلمات الفائقة للخوارزمية، والتحكم في التجهيز الزائد والتجهيز الزائد، وما إلى ذلك، وذلك لجعل نتائج تدريب نموذج الذكاء الاصطناعي أكثر دقة وموثوقية. تعتمد هذه المهام الأكثر أهمية بشكل أساسي على المشاركة اليدوية، والتي تعكس أيضًا مكانة "الأشخاص" باعتبارهم المورد الاستراتيجي الأكثر أهمية.
① سيناريو التعلم الخاضع للإشراف: من خلال توفير مجموعة بيانات مصنفة للنموذج، قم بالإشارة إلى الفئة أو القيمة المستهدفة التي تنتمي إليها البيانات، وما إلى ذلك.
② سيناريو التعلم غير الخاضع للرقابة: لا تحتوي مجموعة بيانات التدريب على تسميات محددة أو قيم مستهدفة، ويحتاج النموذج إلى اكتشاف الأنماط والميزات في البيانات بمفرده بناءً على الخصائص الإحصائية لمجموعة البيانات لمعالجة البيانات وتصنيفها.
③ سيناريو التعلم شبه الخاضع للإشراف: يحتوي على بيانات مصنفة وغير مصنفة، ويحتاج النموذج إلى تعلم كيفية تصنيف هذه البيانات غير المسماة.
④ سيناريو التعلم المعزز: يتفاعل النموذج بشكل مستمر مع البيئة، ويلاحظ البيئة ويتفاعل معها في كل لحظة، ويضبط استراتيجية النموذج بناءً على معلومات التعليقات.
⑤ سيناريو معالجة اللغة الطبيعية: تتكون مجموعة بيانات التدريب عمومًا من كمية كبيرة من البيانات النصية، ويحتاج النموذج إلى تعلم كيفية فهم بيانات النص والعلاقة بين النصوص.
⑥ سيناريوهات رؤية الكمبيوتر: عادةً ما تكون مجموعة بيانات التدريب عبارة عن بيانات صورة أو فيديو، ويحتاج النموذج إلى تعلم كيفية فهم ومعالجة بيانات الصورة هذه لتحقيق مهام مثل اكتشاف الهدف والتعرف على الصور.
03 "سيناريو استخدام المستخدم" هو مورد استراتيجي نادر
في الوقت الحاضر، هناك بعض القيود والقيود لتحسين مستوى الدقة والذكاء لمنتجات الذكاء الاصطناعي من خلال توسيع أجهزة الكمبيوتر وتوسيع قواعد البيانات. فمن ناحية، يتطلب توسيع أجهزة الكمبيوتر وتوسيع قاعدة البيانات الكثير من المدخلات البشرية والمالية والوقتية، ومع التوسع المستمر في نطاق النظام، سيزداد الطلب على الموارد. ومن ناحية أخرى، فإن التطور التكنولوجي الحالي في مجال الذكاء الاصطناعي لا يزال يواجه العديد من العوامل غير المؤكدة، مثل فعالية الخوارزميات وتأثير التعلم الذاتي. ستؤثر هذه العوامل على مساحة تطوير منتجات الذكاء الاصطناعي.
بالمقارنة مع البيانات غير المحدودة، فإن المنافسة على موارد المستخدم هي لعبة محصلتها صفر. إذا كان منتج الذكاء الاصطناعي يحتوي على عدد كبير من المستخدمين ويتم استخدامه بشكل متكرر، فيمكنه تحقيق الترقية الذكية لمنتج الذكاء الاصطناعي من خلال مراقبة وتحليل بيانات استخدام المستخدم، والتحسين المستمر لنظام المنتج، وزيادة قيمة الاستخدام.
يقوم المزيد من المستخدمين بإنشاء نظام أساسي أكثر تقدمًا؛ والنظام الأساسي الأكثر تقدمًا يخلق تجربة أفضل؛ والتجربة الأفضل تجذب المزيد من المستخدمين.
ويشير تأثير ماثيو إلى الظاهرة المتمثلة في أنه في ظل ظروف معينة، يتم دعم المواهب المتميزة بشكل مستمر، مما يؤدي إلى اتساع الفجوة بين المواهب.
في عملية تطوير الذكاء الاصطناعي، غالبًا ما يكون من الأسهل على التقنيات المتقدمة أو المؤسسات المتقدمة الحصول على الدفعة الأولى من المستخدمين وحصة السوق، مما سيؤدي إلى المزيد من الاستثمار وعوائد أفضل. وهذه الظاهرة سوف تزيد من تعزيز المكانة الرائدة في هذه الصناعة.
ومن ناحية أخرى، يتطلب تطوير تكنولوجيا الذكاء الاصطناعي أيضًا عددًا كبيرًا من المواهب المهنية. تمتلك الشركات والمنصات الرائدة الموارد اللازمة لمواصلة استثمار المزيد من الأموال والموارد لاكتساب مزايا المواهب، مما يجعل المتأخرين يفقدون تمامًا قدرتهم على اللحاق بالركب.
الشيء الأكثر أهمية هو أن المنصة الرائدة ستوفر تجربة مستخدم أفضل، وفي الوقت الحاضر، تم تسليط الضوء على تأثير ماثيو في سوق الذكاء الاصطناعي إلى C. من منظور سيكولوجية المستخدم، يحتاج المستخدمون الذين اعتادوا على استخدام أحد منتجات الذكاء الاصطناعي إلى إعادة التعلم والتكيف عند التحول إلى منتج آخر من نفس النوع، الأمر الذي سيستهلك الكثير من الوقت والطاقة. من منظور حجم البيانات، فإن تراكم كمية كبيرة من بيانات المستخدم له أهمية كبيرة لتأثير استخدام المنتجات وتحليلها. والاحتفاظ ببيانات المستخدم هو المفتاح لإنشاء مثل هذه المنتجات، والمنتجات الجديدة لها عيوب متأصلة. يعمل "تأثير دولاب الموازنة" الطبيعي لنظام الذكاء الاصطناعي على تضخيم عرض "تأثير ماثيو" في تجربة المستخدم.
##04 الخاتمة
بيان مثير للاهتمام: الذكاء الاصطناعي هو القوس والسهم في العصر الحجري الحديث.
تعتمد القدرة على التعلم التي يشكلها الذكاء الاصطناعي على حجم المعلمات. وفقًا للخبرة الأكاديمية، ترتبط القدرة على التعلم للشبكات العصبية العميقة بشكل إيجابي مع مقياس معلمات النموذج، أي أنه كلما زاد عدد معلمات النموذج، أصبحت القدرة على التعلم أقوى. يحتوي GPT-2 على حوالي 1.5 مليار معلمة، في حين أن النموذج الأكبر لـ GPT-3 يحتوي على 175 مليار معلمة، أي بزيادة قدرها ضعفين. وفقًا لتكهنات وسائل الإعلام ولكن الأخبار غير المؤكدة، قد تصل معلمات GPT-4 إلى نطاق 100 تريليون.
يعتقد بعض الخبراء في الصناعة أن التكنولوجيا الصلبة توفر المكونات الأساسية وواجهات الأجهزة لتطوير "التكنولوجيا الناعمة" وتبتكر حول احتياجات سلسلة توريد "التكنولوجيا الناعمة". "التكنولوجيا الناعمة" هي "المسار الذهبي" للتجاوز على المنحنيات وتغيير المسارات للابتكار التكنولوجي.
لقد توصلت CCTV إلى مزيج فعال: أولاً، تعمل على تحسين احتياجات المستخدم إلى سلسلة من اتجاهات تمكين الذكاء الاصطناعي مثل المساعدة الطبية، والمساعدة الزراعية، والمساعدة في التجميل، ومساعدة الطلاب، ثم ترفع المحطة الشاملة من خلال المطابقة الدلالية للبحث الغامض. تقوم الموارد ببناء نماذج استخدام عالية التردد في سيناريوهات التطبيقات المختلفة، وتشكيل التعلم الذاتي المنظم ذاتيًا لـ "القوة الناعمة" مثل قواعد المعرفة والخوارزميات، والتي تفرض بناء القوة الصلبة مثل قوة حوسبة GPU وعرض النطاق الترددي CDN. فهم بقوة "سيناريو استخدام المستخدم" باعتباره "الفائز".
الأمر المثير هو أن الاتجاه الفني لـ GPT أصبح الآن واضحًا، ولا توجد عقبات فنية لا يمكن التغلب عليها. وبوسعنا أن نستخدم روح "المدى الطويل" التي يجيدها الصينيون في إطلاق القوس والسهم في "العصر الحجري الحديث" على نحو أكثر دقة وأبعد مسافة.