人工智能(AI)和機器學習(ML)已從計算科學的后臺轉變?yōu)橹髁鲬谩馁徫锓绞降截泿攀袌鲆约搬t(yī)學研究，這些技術帶來的影響無處不在。

 

規(guī)模較大的模型已經(jīng)通過單獨模式的訓練。例如，GPT-3是全球首個用于自然語言處理(NLP)的1000億個參數(shù)模型。最近，一個訓練了上萬億個參數(shù)的模型(T5-XXL)也已經(jīng)推出。這些模型可以用來撰寫文章、分析文本、語言翻譯甚至創(chuàng)作詩歌。

 

與此同時，人們看到用于圖像識別和生成的模型得到了極大的改進，因為它們已經(jīng)采用更多的數(shù)據(jù)集進行了訓練。在不改變這些大型模型的情況下，將兩個或更多的人工智能模型結合起來可以產(chǎn)生巨大的力量，并且用戶可以負擔將這些大型模型組合在一起的費用。這將允許用戶使用人工智能來解釋文本并生成全新的圖像。

 

人們還將看到如何調整一種模型的架構來解決不同領域的問題。最有力的例子是在生物醫(yī)學研究中如何使用支持自然語言處理(NLP)模型的架構。在生物醫(yī)學領域，通常使用密碼序列，例如DNA或氨基酸。由于可以將代碼序列視為具有隱藏結構的一種語言，因此自然語言處理(NLP)模型中使用的架構也有可能用于理解和生成生物醫(yī)學領域的代碼序列。 2021年初的一個令人印象深刻的例子是，生物醫(yī)學研究人員使用語言模型架構來預測病毒突變并了解蛋白質的折疊，這是目前研發(fā)和生產(chǎn)某些疫苗的關鍵挑戰(zhàn)。

 

 

mRNA冠狀病毒疫情疫苗如今已經(jīng)開發(fā)了幾種，這要歸功于遺傳密碼測序的數(shù)字化工具和從遺傳密碼序列制備mRNA的轉錄工具。借助人工智能預測冠狀病毒的新突變，開發(fā)mRNA疫苗的過程將會更快。

 

機器學習和人工智能并不能取代臨床醫(yī)生和研究人員，但是可以使這些專業(yè)人員更快地工作并快速檢驗。他們不必等待細胞培養(yǎng)物在物理世界中的生長，而是可以使用這些模型來了解數(shù)字仿真中更快發(fā)生的事情。

 

人工智能也可用作診斷工具，現(xiàn)在也用于讀取X光片，也可以用來傾聽某人咳嗽的聲音，并確定是否可能感染冠狀病毒或其他疾病。

 

隨著越來越多的人佩戴能夠監(jiān)測心率、體溫、血壓和其他關鍵因素的設備，這些數(shù)據(jù)可以讓醫(yī)生更深入地了解患者的病情。由于醫(yī)生不再依賴患者的病歷，因此在進行診斷時也有助于提高準確性。

 

 

在過去的一年中，在線商務發(fā)展迅速，并且有望繼續(xù)增長。冠狀病毒疫情導致的封鎖已導致人們在網(wǎng)上花費更多的時間，不僅是購物，還包括在線會議、玩游戲、訪問社交媒體以及使用應用程序。而越來越多的數(shù)字旅行產(chǎn)生了更多的數(shù)據(jù)，可以用來了解用戶的行為。

 

但是，更多的數(shù)據(jù)也會帶來更大的復雜性。在以往，如果一家企業(yè)希望將產(chǎn)品盡可能推廣到更多受眾，通常通過電視或廣播發(fā)布廣告。如今，并沒有一種向客戶推廣的最有效的渠道。而在正確的時間通過正確的渠道找到正確的客戶對企業(yè)來說是很復雜的，但是采用人工智能技術可以克服這種復雜性。

 

可以預期的是，人工智能越來越多地被用來產(chǎn)生洞察力，不僅可以幫助營銷人員尋找到正確的客戶，還可以訪問經(jīng)常被遺忘的客戶。此外，人工智能將用于為這些客戶動態(tài)生成創(chuàng)造性內容，從而提高參與度。它還為營銷人員提供了一種方法，可以有效地以過去認為不可能達到的速度和規(guī)模創(chuàng)建和測試不同的內容。

 

 

此外，人工智能在金融領域的主要應用出現(xiàn)在高頻交易中，在這種交易中，機器之間的交易比人類要快得多。而在傳統(tǒng)金融和加密貨幣領域，這種情況將會持續(xù)下去，人們采用不同的人工智能系統(tǒng)。投資者一直在使用人工智能進行長期預測，這需要能夠理解投資者長期目標的系統(tǒng)。這些通常以收入和利潤等衡量指標為中心。但是事實證明，使用加密貨幣更具挑戰(zhàn)性。

 

盡管高頻交易策略很重要，但要預測另一個因素則更具挑戰(zhàn)性。人們在加密貨幣市場中看到的很多活動都是由“人類的瘋狂”驅動的。人們期望未來的人工智能模型會不斷發(fā)展，并通過密切監(jiān)視媒體和社交網(wǎng)絡的趨勢來更好地預測這種行為。

 

 

課程和教科書通常是為廣大學生服務的。這些都是為了提高學生的各種能力而設計的內容。但是，Ken Robinson等專家指出，“生產(chǎn)線”的教育模式并未考慮到學生的個人能力和需求。

 

因此，人們看到人工智能正在被用來革新課程創(chuàng)建和交付方式。它可以用來為學生提供更多個性化的課程或個人問題集。與其讓每個學生都解決同樣的問題，不如讓他們解決自己的特定問題。

 

例如，某名小學生的數(shù)學在計算方面的分數(shù)可能很高，但是三角形方面有所欠缺。這名學生可以將更多的時間花在三角形上，當學生完成課程時，人工智能系統(tǒng)可以監(jiān)視其進度并進行自我修改，以滿足該學生的特定需求。

 

現(xiàn)在網(wǎng)上有大量資料和文章，因此作弊和抄襲已經(jīng)成為一個巨大的問題。雖然檢測剽竊很容易，因為采用人工智能可以檢測直接抄襲和類似的文本，例如只有幾個單詞或時態(tài)被改變，但還有其他挑戰(zhàn)。例如，學生可以從某一種語言中獲得內容并將其翻譯成另一種語言。這樣使其內容很難檢測，但是采用人工智能技術正在解決這個問題。

 

同樣，也正在開發(fā)圖像判讀人工智能系統(tǒng)，以查找美術系學生抄襲或模仿設計的實例。

 

 

工廠和農(nóng)場也在以創(chuàng)新的方式使用數(shù)據(jù)。然而，它們不同于其他人工智能應用程序，因為它們不關注最終用戶。與其相反，他們專注于產(chǎn)品和機器。這需要在傳感器、機器人和自動化方面進行投資，并優(yōu)化運營。

 

人們在這一領域看到的最大進展是對不同領域之間的發(fā)現(xiàn)進行了概括。例如，如果使用人工智能技術來提高蘋果的產(chǎn)量，是否可以將這些人工智能模型用于種植其他水果，例如香蕉或桃子?

 

同樣，如果一家工廠正在生產(chǎn)液晶面板，并且已經(jīng)找到了提高其良品率的方法，那么這些工具和經(jīng)驗教訓是否可以應用于其他制造過程和工廠?

 

也許人們可以用一個詞語來概括對2021年及以后的人工智能最大的預測：杠桿。使用現(xiàn)有的人工智能模型架構，結合成熟的模型，找到將現(xiàn)有模型推廣到其他應用場景的方法，而企業(yè)需要不斷提高人工智能的能力，同時加快跨多個領域的數(shù)字化轉型。

 

版權聲明：本文為企業(yè)網(wǎng)D1Net編譯，轉載需注明出處為：企業(yè)網(wǎng)D1Net，如果不注明出處，企業(yè)網(wǎng)D1Net將保留追究其法律責任的權利。