“AI adalah busur dan anak panah Zaman Neolitikum.” Kemampuan belajar yang dibentuk oleh AI bergantung pada skala parameter. GPT-2 memiliki sekitar 1,5 miliar parameter, sedangkan model terbesar GPT-3 memiliki 175 miliar parameter, meningkat dua kali lipat. Menurut spekulasi media namun belum terkonfirmasi, parameter GPT-4 bisa mencapai 100 triliun.
Tulisan ini terutama membahas: kemampuan dan konstruksi, peluang dan tantangan platform AI interaktif di era baru. Berbeda dari beberapa pandangan tradisional yang menganggap konstruksi kecerdasan buatan pada dasarnya adalah konstruksi perangkat keras, Yang Jihong, wakil direktur Pusat Media Baru Audiovisual Stasiun Radio dan Televisi Pusat China, memulai dari sudut pandang "manusia" dan menekankan bahwa "manusia", yaitu, pengguna, adalah pertempuran yang menentukan dalam pertempuran kecerdasan buatan.Sumber daya strategis dalam kampanye. Ia percaya bahwa "teknologi lunak" adalah "jalur emas" bagi inovasi teknologi untuk menyalip di tikungan dan berpindah jalur. Pahami dengan kuat "pemenang" dari "skenario penggunaan pengguna".
Diskusi singkat tentang hard power dan soft power platform AI interaktif
01 Kata Pengantar Satu-satunya hal yang konstan adalah perubahan
Inovasi tidak pernah berhenti, teknologi baru terus bermunculan, dan inovasi teknologi yang didorong oleh AI sangat mengubah cara kita hidup dan bekerja.
Jika mempopulerkan komputer, jaringan, dan Internet merupakan gelombang perubahan yang dibawa oleh komputer, maka invasi AI akan menjadi lebih kuat dan komprehensif. Industri dan pekerjaan tradisional terkena dampak dan ditumbangkan oleh teknologi kecerdasan buatan. Banyak pekerjaan tradisional tergantikan, sehingga memerlukan pembelajaran dan adaptasi terus-menerus terhadap teknologi dan model baru.
Ketika AI ada dalam artikel ini, saya mencoba mengedepankan perspektif baru dan membiarkan semua orang mengkaji kemampuan dan konstruksi, peluang dan tantangan platform AI interaktif di era baru. Berbeda dari beberapa pandangan tradisional yang menganggap konstruksi kecerdasan buatan terutama tentang konstruksi perangkat keras, saya mencoba mendekonstruksi kemampuan kecerdasan buatan yang selalu berubah dari dimensi yang lebih tinggi menggunakan hard power dan soft power. Dari perspektif "manusia", saya menekankan "manusia" Artinya, pengguna adalah sumber daya strategis dalam pertempuran menentukan melawan kecerdasan buatan.
02 “Kekuatan keras” dan “kekuatan lunak” dari platform AI interaktif
1. Kekuatan keras dalam AI interaktif
1.1 Perangkat keras komputer diwakili oleh CPU/GPU
Perangkat keras komputer adalah dasar dari AI. Pertama, perangkat keras komputer secara langsung menentukan kemampuan AI untuk menangani tugas komputasi yang kompleks. Memproses data dalam jumlah besar, menghitung dan melatih algoritme pembelajaran mendalam, dll., memerlukan daya komputasi yang cukup.Kinerja CPU/GPU secara langsung menentukan kecepatan komputasi dan efisiensi AI. Kedua, sebagai perangkat keras, CPU/GPU perlu mendukung lingkungan operasi perangkat lunak AI. AI melibatkan sejumlah besar tugas pemrosesan data dan komputasi, serta memerlukan lingkungan perangkat lunak khusus untuk mendukung pengoperasiannya. Selain itu, perangkat keras komputer juga perlu memiliki skalabilitas dan kemampuan program yang tinggi. Ada beragam skenario penerapan AI, dan solusi AI yang berbeda perlu disediakan untuk skenario dan aplikasi yang berbeda. Alokasi dinamis dan perluasan sumber daya dapat diwujudkan dengan cepat hanya jika perangkat keras komputer memiliki skalabilitas yang tinggi. Terakhir, perangkat keras komputer juga harus dapat diprogram sehingga pengembang dapat dengan cepat mengoptimalkan algoritma dan solusi. Gambar berikut menunjukkan komposisi perangkat keras dasar dan fungsi platform sistem AI:
2. "Soft power" adalah batu pemberat AI interaktif
2.1 Grafik pengetahuan membentuk pasar dasar AI
Grafik pengetahuan AI adalah basis pengetahuan terstruktur yang berisi berbagai domain pengetahuan dan digunakan untuk mendukung pembelajaran dan penalaran sistem kecerdasan buatan. Grafik pengetahuan terdiri dari entitas (seperti orang, tempat, peristiwa, dll.) dan hubungan di antara mereka. Ini dapat mencakup berbagai jenis pengetahuan, termasuk definisi, atribut, kategori, asosiasi, dll.
Konstruksi dan penggunaan grafik pengetahuan merupakan bagian penting dari teknologi AI. Hal ini dapat membantu sistem AI memperoleh, mengatur dan menyimpan pengetahuan dan informasi semantik di berbagai bidang, serta meningkatkan kemampuan kognitif dan kecerdasan sistem AI. Grafik pengetahuan dapat digunakan dalam banyak aspek seperti pemrosesan bahasa alami, sistem rekomendasi, sistem tanya jawab, dan pengambilan informasi.
Mengutip beberapa contoh umum, Grafik Pengetahuan Google, Ensiklopedia Baidu, dan Wikipedia semuanya adalah grafik pengetahuan.
2.2 Peningkatan kemampuan berkendara tingkat algoritma
2.2.1 Pentingnya algoritma
Algoritma adalah sarana penting untuk mencapai berbagai tugas AI. Desain dan peningkatan algoritme juga merupakan kunci untuk mendorong pengembangan dan kemajuan AI. Pentingnya algoritma tercermin dalam tiga aspek berikut:
① Mempengaruhi akurasi dan efisiensi model: Algoritma yang berbeda akan mempengaruhi akurasi dan efisiensi perhitungan model. Pemilihan algoritma yang tepat dapat meningkatkan akurasi model dan mengurangi waktu perhitungan.
② Memenuhi kebutuhan dan skenario yang berbeda: Skenario dan aplikasi yang berbeda memiliki kebutuhan yang berbeda, dan algoritma yang berbeda perlu dipilih untuk memenuhinya.
③ Memberikan dukungan keputusan: Menurut masalah dan data yang berbeda, algoritme dapat memberikan dukungan keputusan dan menganalisis serta memprediksi data secara efektif.
2.2.2 Algoritma umum
Ada banyak algoritma yang digunakan dalam AI untuk beradaptasi dengan skenario dan kebutuhan aplikasi yang berbeda. Ada empat kategori umum algoritma pembelajaran mesin, algoritma pembelajaran mendalam, algoritma pemrosesan bahasa alami, dan algoritma rekomendasi.
① Algoritma pembelajaran mesin:
(1) Algoritme pembelajaran yang diawasi: seperti regresi linier, regresi logistik, mesin vektor dukungan, pohon keputusan, hutan acak, dll.
(2) Algoritme pembelajaran tanpa pengawasan: seperti pengelompokan K-Means, pengelompokan hierarki, algoritma Ekspektasi–Maksimalisasi, dll.
② Algoritma pembelajaran mendalam:
(1) Convolutional Neural Network (CNN): Terutama digunakan dalam tugas pemrosesan gambar dan visi komputer.
(2) Recurrent Neural Network (RNN): Terutama digunakan dalam tugas serialisasi seperti pemrosesan bahasa alami dan pemrosesan ucapan.
(3) Generative Adversarial Network (GAN): Terutama digunakan untuk tugas-tugas seperti menghasilkan gambar dan teks.
(4) Jaringan transformator (Transformer): Ini terutama digunakan dalam tugas-tugas seperti terjemahan mesin dan peringkasan teks.
③ Algoritma pemrosesan bahasa alami:
(1) Ekstraksi kata kunci: seperti algoritma TF-IDF, algoritma TextRank, dll.
(2) Pengenalan entitas bernama: seperti model bidang acak bersyarat, dll.
(3) Algoritma analisis sintaksis: seperti model aturan, model transfer, dll.
(4) Algoritme analisis sentimen: seperti model kamus, model pembelajaran mesin, dll.
④ Algoritma yang disarankan:
(1) Rekomendasi berbasis konten: seperti algoritma TF-IDF, algoritma LDA, dll.
(2) Rekomendasi berdasarkan pemfilteran kolaboratif: seperti UserCF, ItemCF, algoritma LFM, dll.
(3) Rekomendasi pembelajaran mendalam: seperti DeepFM, Wide&Deep, DIN, BERT4Rec, dll.
Algoritma merupakan landasan kecerdasan buatan untuk mencapai berbagai tugas. Dengan perkembangan dan inovasi teknologi yang berkelanjutan, algoritma AI baru juga bermunculan. Kunci untuk meningkatkan kemampuan AI adalah memilih dan mencocokkan algoritma yang tepat untuk skenario yang tepat. Dari sudut pandang ini, kunci dari kecerdasan buatan masih tetap pada desain buatan.
2.3 Skenario pelatihan mempengaruhi laju evolusi
2.3.1 Pentingnya pelatihan
Pelatihan adalah proses dimana model AI mempelajari dan memperoleh pengetahuan dan keterampilan, dan oleh karena itu sangat penting bagi kecerdasan buatan.
① Meningkatkan akurasi model: Melalui pemilihan kumpulan data yang wajar dan waktu pelatihan yang memadai, model AI dapat mempelajari pola dan fitur dalam data secara bertahap, sehingga meningkatkan akurasi dan presisi model.
② Mendukung kemampuan generalisasi model: Pelatihan memungkinkan model memiliki kemampuan generalisasi, yaitu dapat menangani sampel data baru di luar set pelatihan dan berfungsi dalam situasi lain.
③ Meningkatkan ketahanan model: pelatihan dapat membuat model AI memiliki kemampuan pemrosesan dan ketahanan yang lebih baik untuk beberapa data yang berisik, data palsu, dan data interferensi.
④ Perbarui dan ulangi model AI: Melalui pelatihan, model AI dapat terus diperbarui dan ditingkatkan untuk memenuhi persyaratan aplikasi sebenarnya.
⑤ Meningkatkan interpretasi model: Interpretabilitas model data AI sangat penting di banyak bidang. Melalui pelatihan, interpretasi dan transparansi model dapat ditingkatkan sehingga lebih mudah untuk dipahami dan digunakan.
2.3.2 Skenario pelatihan mempengaruhi laju evolusi
Menetapkan dan memilih skenario pelatihan sangat penting untuk performa dan kinerja model AI, yang secara langsung menentukan kualitas dan kegunaan model. Selama proses pelatihan, perlu dilakukan pra-pemrosesan data, pemilihan algoritme yang sesuai, optimalisasi hyperparameter algoritme, kontrol underfitting dan overfitting, dll., agar hasil pelatihan model AI lebih akurat dan andal. Tugas-tugas terpenting ini pada dasarnya bergantung pada partisipasi manual, yang juga mencerminkan status “rakyat” sebagai sumber daya strategis yang paling inti.
① Skenario pembelajaran yang diawasi: Dengan menyediakan kumpulan data berlabel kepada model, hal ini menunjukkan kategori atau nilai target mana yang termasuk dalam data tersebut.
② Skenario pembelajaran tanpa pengawasan: Kumpulan data pelatihan tidak memiliki label atau nilai target tertentu. Model perlu menemukan sendiri pola dan fitur dalam data berdasarkan karakteristik statistik kumpulan data untuk memproses dan mengklasifikasikan data.
③ Skenario pembelajaran semi-supervisi: Berisi data berlabel dan tidak berlabel, dan model perlu mempelajari cara mengklasifikasikan data tidak berlabel tersebut.
④ Skenario pembelajaran penguatan: Model terus berinteraksi dengan lingkungan, mengamati dan berinteraksi dengan lingkungan setiap saat, dan menyesuaikan strategi model berdasarkan informasi umpan balik.
⑤ Skenario pemrosesan bahasa alami: Kumpulan data pelatihan umumnya berupa data teks dalam jumlah besar, dan model perlu mempelajari cara memahami data teks dan hubungan antar teks.
⑥ Skenario visi komputer: Kumpulan data pelatihan biasanya berupa data gambar atau video, dan model perlu mempelajari cara memahami dan memproses data gambar ini untuk mencapai tugas seperti deteksi target dan pengenalan gambar.
03 "Skenario Penggunaan Pengguna" adalah sumber daya strategis yang langka
Pengguna terbatas, data tidak terbatas
Saat ini, terdapat keterbatasan dan keterbatasan tertentu dalam meningkatkan akurasi dan tingkat kecerdasan produk kecerdasan buatan dengan memperluas perangkat keras komputer dan memperluas database. Di satu sisi, perluasan perangkat keras komputer dan perluasan basis data memerlukan banyak masukan manusia, finansial, dan waktu, dan dengan perluasan skala sistem yang terus-menerus, permintaan akan sumber daya akan meningkat. Di sisi lain, perkembangan teknologi di bidang kecerdasan buatan saat ini masih menghadapi banyak faktor yang belum pasti, seperti efektivitas algoritma dan pengaruh pembelajaran mandiri. Faktor-faktor ini akan mempengaruhi ruang pengembangan produk kecerdasan buatan.
Dibandingkan dengan data tak terbatas, persaingan untuk mendapatkan sumber daya pengguna adalah sebuah permainan yang tidak menguntungkan (zero-sum game). Jika suatu produk kecerdasan buatan memiliki banyak pengguna dan sering digunakan, maka produk kecerdasan buatan tersebut dapat ditingkatkan melalui pemantauan dan analisis data penggunaan pengguna, peningkatan sistem produk secara terus-menerus, dan peningkatan nilai guna.
Semakin banyak pengguna menciptakan platform yang lebih canggih; platform yang lebih canggih menciptakan pengalaman yang lebih baik; pengalaman yang lebih baik akan menarik lebih banyak pengguna.
Perbedaan kemampuan platform AI di bawah ideologi berbeda di masa depan pada dasarnya ditentukan oleh perbedaan jumlah pengguna dan frekuensi penggunaan. Untuk mendapatkan lebih banyak pengguna dan penggunaan yang sering, perlu untuk terus meningkatkan dan mengoptimalkan antarmuka pengguna produk, fungsi, kualitas layanan, pemasaran, dll., untuk terus memenuhi kebutuhan pengguna dan meningkatkan pengalaman pengguna, serta untuk memenangkan kepercayaan dan loyalitas pengguna .
"Matthew Effect" mengkanibalisasi paus
Matthew Effect mengacu pada fenomena bahwa dalam kondisi tertentu, talenta-talenta luar biasa terus didukung, sehingga mengakibatkan kesenjangan antar talenta semakin besar.
Dalam proses pengembangan kecerdasan buatan, seringkali lebih mudah bagi teknologi maju atau perusahaan maju untuk memperoleh sejumlah pengguna dan pangsa pasar pertama, sehingga menghasilkan lebih banyak investasi dan keuntungan yang lebih baik. Fenomena ini akan semakin memperkuat posisi terdepan industri ini.
Di sisi lain, perkembangan teknologi AI juga membutuhkan talenta profesional dalam jumlah besar. Perusahaan dan platform terkemuka memiliki sumber daya untuk terus menginvestasikan lebih banyak dana dan sumber daya guna mendapatkan keunggulan talenta, sehingga membuat perusahaan yang terlambat benar-benar kehilangan kemampuan untuk mengejar ketertinggalan.
Yang terpenting adalah platform terdepan akan memberikan pengalaman pengguna yang lebih baik.Saat ini, efek Matthew di pasar AI ke C telah disorot. Dari sudut pandang psikologi pengguna, pengguna yang terbiasa menggunakan satu produk AI perlu belajar kembali dan beradaptasi ketika beralih ke produk lain yang sejenis, yang akan menghabiskan banyak waktu dan tenaga. Dari perspektif skala data, akumulasi data pengguna dalam jumlah besar sangat penting bagi efek penggunaan dan analisis produk. Mempertahankan data pengguna adalah kunci untuk membangun produk tersebut, dan produk baru memiliki kelemahan yang melekat. "Efek roda gila" alami dari sistem AI semakin memperkuat presentasi "Efek Matthew" dalam pengalaman pengguna.
##04 Epilog
Pernyataan yang menarik: AI adalah busur dan anak panah Zaman Neolitikum.
Kemampuan belajar yang dibentuk oleh AI bergantung pada skala parameter. Berdasarkan pengalaman akademis, kemampuan pembelajaran deep neural network berkorelasi positif dengan skala parameter model, yaitu semakin banyak parameter model maka semakin kuat kemampuan pembelajarannya. GPT-2 memiliki sekitar 1,5 miliar parameter, sedangkan model terbesar GPT-3 memiliki 175 miliar parameter, meningkat dua kali lipat. Menurut spekulasi media namun belum terkonfirmasi beritanya, parameter GPT-4 bisa mencapai 100 triliun.
Beberapa pakar di industri percaya bahwa teknologi keras menyediakan komponen utama dan antarmuka perangkat keras untuk pengembangan "teknologi lunak" dan berinovasi sesuai kebutuhan rantai pasokan "teknologi lunak". "Teknologi lunak" adalah "jalur emas" bagi inovasi ilmu pengetahuan dan teknologi untuk menyalip di tikungan dan berpindah jalur.
CCTV telah menemukan kombinasi yang efektif: pertama, menyaring kebutuhan pengguna ke dalam serangkaian arahan pemberdayaan AI seperti bantuan medis, bantuan pertanian, bantuan kecantikan, dan bantuan pelajar, dan kemudian mengangkat stasiun secara keseluruhan melalui pencocokan semantik pencarian fuzzy. sumber daya membangun model penggunaan frekuensi tinggi dalam berbagai skenario aplikasi, membentuk pembelajaran mandiri "soft power" yang terorganisir secara mandiri seperti basis pengetahuan dan algoritme, yang memaksa pembangunan hard power seperti daya komputasi GPU dan bandwidth CDN. Pahami dengan kuat "pemenang" dari "skenario penggunaan pengguna".
Menariknya, saat ini arahan teknis GPT sudah jelas dan tidak ada kendala teknis yang tidak dapat diatasi. Kami menggunakan semangat "jangka panjang" yang merupakan keahlian terbaik orang Tiongkok, dan kami dapat menembakkan busur dan anak panah "Neolitik" ini sejauh mungkin.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Opini | “Skenario penggunaan pengguna” adalah kunci pengembangan platform AI
Asli: Yang Jihong
**Sumber:**Kuda hitam AI
Pengantar AI Kuda Hitam 👉
“AI adalah busur dan anak panah Zaman Neolitikum.” Kemampuan belajar yang dibentuk oleh AI bergantung pada skala parameter. GPT-2 memiliki sekitar 1,5 miliar parameter, sedangkan model terbesar GPT-3 memiliki 175 miliar parameter, meningkat dua kali lipat. Menurut spekulasi media namun belum terkonfirmasi, parameter GPT-4 bisa mencapai 100 triliun.
Tulisan ini terutama membahas: kemampuan dan konstruksi, peluang dan tantangan platform AI interaktif di era baru. Berbeda dari beberapa pandangan tradisional yang menganggap konstruksi kecerdasan buatan pada dasarnya adalah konstruksi perangkat keras, Yang Jihong, wakil direktur Pusat Media Baru Audiovisual Stasiun Radio dan Televisi Pusat China, memulai dari sudut pandang "manusia" dan menekankan bahwa "manusia", yaitu, pengguna, adalah pertempuran yang menentukan dalam pertempuran kecerdasan buatan.Sumber daya strategis dalam kampanye. Ia percaya bahwa "teknologi lunak" adalah "jalur emas" bagi inovasi teknologi untuk menyalip di tikungan dan berpindah jalur. Pahami dengan kuat "pemenang" dari "skenario penggunaan pengguna".
Diskusi singkat tentang hard power dan soft power platform AI interaktif
01 Kata Pengantar Satu-satunya hal yang konstan adalah perubahan
Inovasi tidak pernah berhenti, teknologi baru terus bermunculan, dan inovasi teknologi yang didorong oleh AI sangat mengubah cara kita hidup dan bekerja.
Jika mempopulerkan komputer, jaringan, dan Internet merupakan gelombang perubahan yang dibawa oleh komputer, maka invasi AI akan menjadi lebih kuat dan komprehensif. Industri dan pekerjaan tradisional terkena dampak dan ditumbangkan oleh teknologi kecerdasan buatan. Banyak pekerjaan tradisional tergantikan, sehingga memerlukan pembelajaran dan adaptasi terus-menerus terhadap teknologi dan model baru.
Ketika AI ada dalam artikel ini, saya mencoba mengedepankan perspektif baru dan membiarkan semua orang mengkaji kemampuan dan konstruksi, peluang dan tantangan platform AI interaktif di era baru. Berbeda dari beberapa pandangan tradisional yang menganggap konstruksi kecerdasan buatan terutama tentang konstruksi perangkat keras, saya mencoba mendekonstruksi kemampuan kecerdasan buatan yang selalu berubah dari dimensi yang lebih tinggi menggunakan hard power dan soft power. Dari perspektif "manusia", saya menekankan "manusia" Artinya, pengguna adalah sumber daya strategis dalam pertempuran menentukan melawan kecerdasan buatan.
02 “Kekuatan keras” dan “kekuatan lunak” dari platform AI interaktif
1. Kekuatan keras dalam AI interaktif
1.1 Perangkat keras komputer diwakili oleh CPU/GPU
Perangkat keras komputer adalah dasar dari AI. Pertama, perangkat keras komputer secara langsung menentukan kemampuan AI untuk menangani tugas komputasi yang kompleks. Memproses data dalam jumlah besar, menghitung dan melatih algoritme pembelajaran mendalam, dll., memerlukan daya komputasi yang cukup.Kinerja CPU/GPU secara langsung menentukan kecepatan komputasi dan efisiensi AI. Kedua, sebagai perangkat keras, CPU/GPU perlu mendukung lingkungan operasi perangkat lunak AI. AI melibatkan sejumlah besar tugas pemrosesan data dan komputasi, serta memerlukan lingkungan perangkat lunak khusus untuk mendukung pengoperasiannya. Selain itu, perangkat keras komputer juga perlu memiliki skalabilitas dan kemampuan program yang tinggi. Ada beragam skenario penerapan AI, dan solusi AI yang berbeda perlu disediakan untuk skenario dan aplikasi yang berbeda. Alokasi dinamis dan perluasan sumber daya dapat diwujudkan dengan cepat hanya jika perangkat keras komputer memiliki skalabilitas yang tinggi. Terakhir, perangkat keras komputer juga harus dapat diprogram sehingga pengembang dapat dengan cepat mengoptimalkan algoritma dan solusi. Gambar berikut menunjukkan komposisi perangkat keras dasar dan fungsi platform sistem AI:
2.1 Grafik pengetahuan membentuk pasar dasar AI
Grafik pengetahuan AI adalah basis pengetahuan terstruktur yang berisi berbagai domain pengetahuan dan digunakan untuk mendukung pembelajaran dan penalaran sistem kecerdasan buatan. Grafik pengetahuan terdiri dari entitas (seperti orang, tempat, peristiwa, dll.) dan hubungan di antara mereka. Ini dapat mencakup berbagai jenis pengetahuan, termasuk definisi, atribut, kategori, asosiasi, dll.
Mengutip beberapa contoh umum, Grafik Pengetahuan Google, Ensiklopedia Baidu, dan Wikipedia semuanya adalah grafik pengetahuan.
2.2 Peningkatan kemampuan berkendara tingkat algoritma
2.2.1 Pentingnya algoritma
Algoritma adalah sarana penting untuk mencapai berbagai tugas AI. Desain dan peningkatan algoritme juga merupakan kunci untuk mendorong pengembangan dan kemajuan AI. Pentingnya algoritma tercermin dalam tiga aspek berikut:
① Mempengaruhi akurasi dan efisiensi model: Algoritma yang berbeda akan mempengaruhi akurasi dan efisiensi perhitungan model. Pemilihan algoritma yang tepat dapat meningkatkan akurasi model dan mengurangi waktu perhitungan.
② Memenuhi kebutuhan dan skenario yang berbeda: Skenario dan aplikasi yang berbeda memiliki kebutuhan yang berbeda, dan algoritma yang berbeda perlu dipilih untuk memenuhinya.
③ Memberikan dukungan keputusan: Menurut masalah dan data yang berbeda, algoritme dapat memberikan dukungan keputusan dan menganalisis serta memprediksi data secara efektif.
2.2.2 Algoritma umum
Ada banyak algoritma yang digunakan dalam AI untuk beradaptasi dengan skenario dan kebutuhan aplikasi yang berbeda. Ada empat kategori umum algoritma pembelajaran mesin, algoritma pembelajaran mendalam, algoritma pemrosesan bahasa alami, dan algoritma rekomendasi.
(1) Algoritme pembelajaran yang diawasi: seperti regresi linier, regresi logistik, mesin vektor dukungan, pohon keputusan, hutan acak, dll.
(2) Algoritme pembelajaran tanpa pengawasan: seperti pengelompokan K-Means, pengelompokan hierarki, algoritma Ekspektasi–Maksimalisasi, dll.
② Algoritma pembelajaran mendalam:
(1) Convolutional Neural Network (CNN): Terutama digunakan dalam tugas pemrosesan gambar dan visi komputer.
(2) Recurrent Neural Network (RNN): Terutama digunakan dalam tugas serialisasi seperti pemrosesan bahasa alami dan pemrosesan ucapan.
(3) Generative Adversarial Network (GAN): Terutama digunakan untuk tugas-tugas seperti menghasilkan gambar dan teks.
(4) Jaringan transformator (Transformer): Ini terutama digunakan dalam tugas-tugas seperti terjemahan mesin dan peringkasan teks.
③ Algoritma pemrosesan bahasa alami:
(1) Ekstraksi kata kunci: seperti algoritma TF-IDF, algoritma TextRank, dll.
(2) Pengenalan entitas bernama: seperti model bidang acak bersyarat, dll.
(3) Algoritma analisis sintaksis: seperti model aturan, model transfer, dll.
(4) Algoritme analisis sentimen: seperti model kamus, model pembelajaran mesin, dll.
④ Algoritma yang disarankan:
(1) Rekomendasi berbasis konten: seperti algoritma TF-IDF, algoritma LDA, dll.
(2) Rekomendasi berdasarkan pemfilteran kolaboratif: seperti UserCF, ItemCF, algoritma LFM, dll.
(3) Rekomendasi pembelajaran mendalam: seperti DeepFM, Wide&Deep, DIN, BERT4Rec, dll.
Algoritma merupakan landasan kecerdasan buatan untuk mencapai berbagai tugas. Dengan perkembangan dan inovasi teknologi yang berkelanjutan, algoritma AI baru juga bermunculan. Kunci untuk meningkatkan kemampuan AI adalah memilih dan mencocokkan algoritma yang tepat untuk skenario yang tepat. Dari sudut pandang ini, kunci dari kecerdasan buatan masih tetap pada desain buatan.
2.3 Skenario pelatihan mempengaruhi laju evolusi
2.3.1 Pentingnya pelatihan
Pelatihan adalah proses dimana model AI mempelajari dan memperoleh pengetahuan dan keterampilan, dan oleh karena itu sangat penting bagi kecerdasan buatan.
① Meningkatkan akurasi model: Melalui pemilihan kumpulan data yang wajar dan waktu pelatihan yang memadai, model AI dapat mempelajari pola dan fitur dalam data secara bertahap, sehingga meningkatkan akurasi dan presisi model.
② Mendukung kemampuan generalisasi model: Pelatihan memungkinkan model memiliki kemampuan generalisasi, yaitu dapat menangani sampel data baru di luar set pelatihan dan berfungsi dalam situasi lain.
③ Meningkatkan ketahanan model: pelatihan dapat membuat model AI memiliki kemampuan pemrosesan dan ketahanan yang lebih baik untuk beberapa data yang berisik, data palsu, dan data interferensi.
④ Perbarui dan ulangi model AI: Melalui pelatihan, model AI dapat terus diperbarui dan ditingkatkan untuk memenuhi persyaratan aplikasi sebenarnya.
⑤ Meningkatkan interpretasi model: Interpretabilitas model data AI sangat penting di banyak bidang. Melalui pelatihan, interpretasi dan transparansi model dapat ditingkatkan sehingga lebih mudah untuk dipahami dan digunakan.
2.3.2 Skenario pelatihan mempengaruhi laju evolusi
Menetapkan dan memilih skenario pelatihan sangat penting untuk performa dan kinerja model AI, yang secara langsung menentukan kualitas dan kegunaan model. Selama proses pelatihan, perlu dilakukan pra-pemrosesan data, pemilihan algoritme yang sesuai, optimalisasi hyperparameter algoritme, kontrol underfitting dan overfitting, dll., agar hasil pelatihan model AI lebih akurat dan andal. Tugas-tugas terpenting ini pada dasarnya bergantung pada partisipasi manual, yang juga mencerminkan status “rakyat” sebagai sumber daya strategis yang paling inti.
① Skenario pembelajaran yang diawasi: Dengan menyediakan kumpulan data berlabel kepada model, hal ini menunjukkan kategori atau nilai target mana yang termasuk dalam data tersebut.
② Skenario pembelajaran tanpa pengawasan: Kumpulan data pelatihan tidak memiliki label atau nilai target tertentu. Model perlu menemukan sendiri pola dan fitur dalam data berdasarkan karakteristik statistik kumpulan data untuk memproses dan mengklasifikasikan data.
③ Skenario pembelajaran semi-supervisi: Berisi data berlabel dan tidak berlabel, dan model perlu mempelajari cara mengklasifikasikan data tidak berlabel tersebut.
④ Skenario pembelajaran penguatan: Model terus berinteraksi dengan lingkungan, mengamati dan berinteraksi dengan lingkungan setiap saat, dan menyesuaikan strategi model berdasarkan informasi umpan balik.
⑤ Skenario pemrosesan bahasa alami: Kumpulan data pelatihan umumnya berupa data teks dalam jumlah besar, dan model perlu mempelajari cara memahami data teks dan hubungan antar teks.
⑥ Skenario visi komputer: Kumpulan data pelatihan biasanya berupa data gambar atau video, dan model perlu mempelajari cara memahami dan memproses data gambar ini untuk mencapai tugas seperti deteksi target dan pengenalan gambar.
03 "Skenario Penggunaan Pengguna" adalah sumber daya strategis yang langka
Saat ini, terdapat keterbatasan dan keterbatasan tertentu dalam meningkatkan akurasi dan tingkat kecerdasan produk kecerdasan buatan dengan memperluas perangkat keras komputer dan memperluas database. Di satu sisi, perluasan perangkat keras komputer dan perluasan basis data memerlukan banyak masukan manusia, finansial, dan waktu, dan dengan perluasan skala sistem yang terus-menerus, permintaan akan sumber daya akan meningkat. Di sisi lain, perkembangan teknologi di bidang kecerdasan buatan saat ini masih menghadapi banyak faktor yang belum pasti, seperti efektivitas algoritma dan pengaruh pembelajaran mandiri. Faktor-faktor ini akan mempengaruhi ruang pengembangan produk kecerdasan buatan.
Dibandingkan dengan data tak terbatas, persaingan untuk mendapatkan sumber daya pengguna adalah sebuah permainan yang tidak menguntungkan (zero-sum game). Jika suatu produk kecerdasan buatan memiliki banyak pengguna dan sering digunakan, maka produk kecerdasan buatan tersebut dapat ditingkatkan melalui pemantauan dan analisis data penggunaan pengguna, peningkatan sistem produk secara terus-menerus, dan peningkatan nilai guna.
Semakin banyak pengguna menciptakan platform yang lebih canggih; platform yang lebih canggih menciptakan pengalaman yang lebih baik; pengalaman yang lebih baik akan menarik lebih banyak pengguna.
Matthew Effect mengacu pada fenomena bahwa dalam kondisi tertentu, talenta-talenta luar biasa terus didukung, sehingga mengakibatkan kesenjangan antar talenta semakin besar.
Dalam proses pengembangan kecerdasan buatan, seringkali lebih mudah bagi teknologi maju atau perusahaan maju untuk memperoleh sejumlah pengguna dan pangsa pasar pertama, sehingga menghasilkan lebih banyak investasi dan keuntungan yang lebih baik. Fenomena ini akan semakin memperkuat posisi terdepan industri ini.
Di sisi lain, perkembangan teknologi AI juga membutuhkan talenta profesional dalam jumlah besar. Perusahaan dan platform terkemuka memiliki sumber daya untuk terus menginvestasikan lebih banyak dana dan sumber daya guna mendapatkan keunggulan talenta, sehingga membuat perusahaan yang terlambat benar-benar kehilangan kemampuan untuk mengejar ketertinggalan.
Yang terpenting adalah platform terdepan akan memberikan pengalaman pengguna yang lebih baik.Saat ini, efek Matthew di pasar AI ke C telah disorot. Dari sudut pandang psikologi pengguna, pengguna yang terbiasa menggunakan satu produk AI perlu belajar kembali dan beradaptasi ketika beralih ke produk lain yang sejenis, yang akan menghabiskan banyak waktu dan tenaga. Dari perspektif skala data, akumulasi data pengguna dalam jumlah besar sangat penting bagi efek penggunaan dan analisis produk. Mempertahankan data pengguna adalah kunci untuk membangun produk tersebut, dan produk baru memiliki kelemahan yang melekat. "Efek roda gila" alami dari sistem AI semakin memperkuat presentasi "Efek Matthew" dalam pengalaman pengguna.
##04 Epilog
Pernyataan yang menarik: AI adalah busur dan anak panah Zaman Neolitikum.
Kemampuan belajar yang dibentuk oleh AI bergantung pada skala parameter. Berdasarkan pengalaman akademis, kemampuan pembelajaran deep neural network berkorelasi positif dengan skala parameter model, yaitu semakin banyak parameter model maka semakin kuat kemampuan pembelajarannya. GPT-2 memiliki sekitar 1,5 miliar parameter, sedangkan model terbesar GPT-3 memiliki 175 miliar parameter, meningkat dua kali lipat. Menurut spekulasi media namun belum terkonfirmasi beritanya, parameter GPT-4 bisa mencapai 100 triliun.
Beberapa pakar di industri percaya bahwa teknologi keras menyediakan komponen utama dan antarmuka perangkat keras untuk pengembangan "teknologi lunak" dan berinovasi sesuai kebutuhan rantai pasokan "teknologi lunak". "Teknologi lunak" adalah "jalur emas" bagi inovasi ilmu pengetahuan dan teknologi untuk menyalip di tikungan dan berpindah jalur.
CCTV telah menemukan kombinasi yang efektif: pertama, menyaring kebutuhan pengguna ke dalam serangkaian arahan pemberdayaan AI seperti bantuan medis, bantuan pertanian, bantuan kecantikan, dan bantuan pelajar, dan kemudian mengangkat stasiun secara keseluruhan melalui pencocokan semantik pencarian fuzzy. sumber daya membangun model penggunaan frekuensi tinggi dalam berbagai skenario aplikasi, membentuk pembelajaran mandiri "soft power" yang terorganisir secara mandiri seperti basis pengetahuan dan algoritme, yang memaksa pembangunan hard power seperti daya komputasi GPU dan bandwidth CDN. Pahami dengan kuat "pemenang" dari "skenario penggunaan pengguna".
Menariknya, saat ini arahan teknis GPT sudah jelas dan tidak ada kendala teknis yang tidak dapat diatasi. Kami menggunakan semangat "jangka panjang" yang merupakan keahlian terbaik orang Tiongkok, dan kami dapat menembakkan busur dan anak panah "Neolitik" ini sejauh mungkin.