2023年人工智能（AI）面临的七大挑战

ntent="t" style="margin: 0px; padding: 0px; outline: 0px; max-width: 100%; font-family: system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; font-size: 17px; letter-spacing: 0.544px; text-align: center; white-space: normal; background-color: rgb(255, 255, 255); visibility: visible; box-sizing: border-box !important; overflow-wrap: break-word !important;">1.计算能力

这些高能耗算法所消耗的能量是大多数开发者望而却步的一个因素。机器学习和深度学习是这种人工智能的垫脚石，它们需要不断增加的内核和GPU来高效工作。我们有各种各样的想法和知识来实现深度学习框架，例如小行星跟踪、医疗卫生部署、宇宙天体跟踪等等。

它们需要超级计算机的计算能力，但是超级计算机并不便宜。虽然由于云计算和并行处理系统的可用性，开发人员可以更有效地开发人工智能系统，但这是有代价的。随着前所未有的数据量和快速增长的复杂算法的增加，不是每个人都能承受得起的。

ntent="t" style="margin: 0px; padding: 0px; outline: 0px; max-width: 100%; font-family: system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; font-size: 17px; letter-spacing: 0.544px; text-align: center; white-space: normal; background-color: rgb(255, 255, 255); visibility: visible; box-sizing: border-box !important; overflow-wrap: break-word !important;">2.信任赤字

ntent="t" style="margin: 0px; padding: 0px; outline: 0px; max-width: 100%; font-family: system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; font-size: 17px; letter-spacing: 0.544px; text-align: center; white-space: normal; background-color: rgb(255, 255, 255); visibility: visible; box-sizing: border-box !important; overflow-wrap: break-word !important;">

令人工智能担忧的一个最重要的因素是深度学习模型如何预测输出的未知性质。外行人很难理解一组特定的输入如何能为不同类型的问题设计出解决方案。

世界上许多人甚至不知道人工智能的用途或存在，以及它如何集成到他们与之交互的日常物品中，如智能手机、智能电视、银行，甚至汽车(在某种自动化水平上)。ntent="t" style="margin: 0px; padding: 0px; outline: 0px; max-width: 100%; font-family: system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; font-size: 17px; letter-spacing: 0.544px; text-align: center; white-space: normal; background-color: rgb(255, 255, 255); visibility: visible; box-sizing: border-box !important; overflow-wrap: break-word !important;">

ntent="t" style="margin: 0px; padding: 0px; outline: 0px; max-width: 100%; font-family: system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; font-size: 17px; letter-spacing: 0.544px; text-align: center; white-space: normal; background-color: rgb(255, 255, 255); visibility: visible; box-sizing: border-box !important; overflow-wrap: break-word !important;">3.有限的知识

虽然在市场上有许多地方我们可以使用人工智能作为传统系统的更好的替代方案。真正的问题是人工智能的知识。除了技术爱好者、大学生和研究人员，只有有限的几个人去意识到人工智能的潜力。

例如，有许多中小企业可以安排工作或学习创新方法来提高产量、管理资源、在线销售和管理产品、学习和理解消费者行为并有效和高效地对市场做出反应。他们也不知道谷歌云、亚马逊网络服务和其他科技行业的服务提供商。

这是人工智能领域最重要的挑战之一，这让公司和初创企业的人工智能服务研究人员一直处于紧张状态。这些公司可能吹嘘超过90%的准确性，但人类可以在所有这些场景中做得更好。例如，让我们的模型预测图像是狗还是猫。人类几乎每次都能预测出正确的输出，准确率高达99%以上。

深度学习模型要实现类似的性能，需要前所未有的微调、超参数优化、大型数据集、定义良好且准确的算法，以及强大的计算能力、对训练数据的不间断训练和对测试数据的测试。这听起来工作量很大，实际上比听起来要困难一百倍。

你可以避免做所有艰苦工作的一种方法是通过使用服务提供商，因为他们可以使用预训练的模型来训练特定的深度学习模型。它们在数百万张图像上接受训练，并进行微调以获得最大精度，但真正的问题是，它们继续显示错误，并真的很难达到人类水平的性能。

所有深度和机器学习模型所基于的主要因素是训练它们的数据和资源的可用性。我们有数据，但由于这些数据是由全球数百万用户生成的，因此这些数据有可能被用于不良目的。

例如，让我们假设一家医疗服务提供商为一个城市的100万人提供服务，由于网络攻击，所有100万用户的个人数据都落入了黑暗网络中的每个人手中。这些数据包括关于疾病、健康问题、病史等等的数据。更糟糕的是，我们现在正在处理行星大小的数据。这么多信息从四面八方涌入，肯定会有一些数据泄露的情况。

一些公司已经开始创新性地绕过这些障碍。它在智能设备上训练数据，因此不会将数据发送回服务器，只有经过训练的模型会发送回组织。

人工智能系统的好坏实际上取决于它们接受训练的数据量。因此，获得好数据的能力是未来好的人工智能系统的解决方案。但是在现实中，组织收集的日常数据是贫乏的，没有任何意义。

它们是有偏见的，只是基于宗教、种族、性别、社区和其他种族偏见，以某种方式定义了有限数量的具有共同利益的人的性质和规范。只有定义一些能够有效跟踪这些问题的算法，才能带来真正的改变。

随着谷歌、脸书（Facebook）和苹果等大公司面临不道德使用用户数据的指控，印度等许多国家都在使用严格的IT规则来限制数据流动。因此，这些公司现在面临着使用本地数据为世界开发应用程序的问题，这将导致偏见。

数据是AI非常重要的一个方面，带标签的数据用于训练机器进行学习和预测。一些公司正在尝试创新新的方法，并专注于创建人工智能模型，尽管数据稀缺，但这些模型仍可以给出准确的结果。有了有偏见的信息，整个系统可能会变得有缺陷。

像苹果和谷歌这样的大公司已经投入巨资开发人工智能。除了这些业务，人工智能在其他领域也经常使用不足，包括制造、教育、零售和医疗卫生等行业。

所有这些业务每天都产生大量数据，但人工智能很少用于分析海量数据集，并从这些数据的模式和特征中得出结论。主要问题是，为什么这个问题如此突出？缺乏接触、理解和能力是原因。我们已经了解了人工智能的主要问题。我们需要了解什么可以弥合这些人工智能问题和企业盈利能力之间的差距。

人工智能最大的问题之一是，大多数企业无法获得所需的复杂而昂贵的处理资源。此外，他们缺乏有效利用这些资源所需的昂贵而稀缺的人工智能专业知识。

截至2022年，37%的企业已经采用了人工智能服务，并将继续这样做。根据一项研究，到2025年，人工智能行业每年将赚1260亿美元。根据福布斯的数据，到2030年，人工智能将成为15.7万亿美元的产业，到2024年，AI投资将达到约5000亿美元。

人工智能可以帮助扩大业务规模和克服上述人工智能问题的3种方式是：

（1）利用现有的人工智能技术

企业不再需要从一开始就训练他们的人工智能，因为已经有太多的人工智能工作在云上完成，这是普遍可用的，不像人工智能中存在AI问题的旧模型。他们可以从其他公司已经完成的劳动中获利。他们能够适应已经工作的人工智能技术，以满足自己的需求。但是如果没有用户友好的、直观的界面，他们就无法做到这一点。

（2）定期更新人工智能技术

人工智能使不断学习和提高成为可能。这是它成为技术天才的原因。如果你是特斯拉车主，你肯定知道这一点，因为一个新鲜的软件更新总是可用的。这是因为目前道路上有数百万辆特斯拉，所有这些特斯拉都在收集数据，这些数据每天都被用来增强每辆汽车。对于人工智能，所有应用领域和行业都需要这种学习和知识共享。不断改进技术将有助于提升你的业务能力，这是前所未有的，也有助于克服人工智能问题。

（3）利用最新的技术

即使AI在当时是开创性的，最近使用的人工智能方法也不再有效。老型号的人工智能有几个AI问题。新的、改进的人工智能模型和神经网络总是在开发中，类似于人们如何在试图学习新东西的同时获得能力，并在一生中不断成长和增加新的才能；然而，为了让人工智能用户从中受益，需要能够执行人工智能和非人工智能算法的新处理器设计和编程模型。一个更加有用和经济可行的人工智能解决方案的新时代将开始在广泛的用例和部门中出现。我们很快就能超越当前对功率、复杂性和费用的限制。

虽然人工智能的这些挑战对人类来说似乎非常令人沮丧和具有毁灭性，但通过人们的集体努力，我们可以非常有效地实现这些变化。根据微软的说法，下一代工程师必须提高自己在这些前沿新技术方面的技能，才有机会与未来的组织合作。