生成式人工智能泡沫將于2024年破滅

生成式人工智能泡沫將于2024年破滅

由于法律挑戰(zhàn)、技術(shù)限制以及概念框架根本性轉(zhuǎn)變的需要，生成式人工智能泡沫將在2024年破滅。

像ChatGPT這樣的項目因其改變?nèi)祟惿罡鱾€方面的潛力而聞名，但由于預期的破壞似乎難以捉摸，因此面臨著審查。

隨著技術(shù)行業(yè)尋求克服眾多挑戰(zhàn)，有必要進行重新調(diào)整，從過度炒作轉(zhuǎn)向?qū)嶋H功效，確保以道德考慮為核心的生成式人工智能的可持續(xù)發(fā)展。

生成人工智能的承諾與現(xiàn)實之間的差異

雖然生成式人工智能（GenAI）合成大量數(shù)據(jù)并在科學、經(jīng)濟和社會服務領(lǐng)域帶來突破的潛力受到吹捧，但觀察到的結(jié)果卻被商業(yè)過度炒作。

圖片來源：McKinsey

深度造假、虛假信息和表面互動的盛行，引發(fā)了人們對生成式人工智能對這些領(lǐng)域的實際影響的質(zhì)疑。

生成式人工智能需要范式轉(zhuǎn)變

當我們展望2024年時，有一個令人信服的論點認為，GenAI的概念基礎(chǔ)將發(fā)生范式轉(zhuǎn)變。

模仿人類智能(包括身體、大腦、行為和商業(yè))的概念假設(shè)存在缺陷，這阻礙了生成式人工智能的真正潛力。從模仿向理解和利用“世界知識”過渡的呼吁變得勢在必行。

生成式人工智能依賴死記硬背和模式匹配，缺乏真正的智能、學習、類比或演繹，限制了其能力。

呼吁超越數(shù)學歸納和統(tǒng)計推斷，對于真正的進步至關(guān)重要。

像ChatGPT這樣的生成式人工智能系統(tǒng)，在未經(jīng)許可的材料上進行訓練，在尋找原始來源材料方面面臨著嚴峻的挑戰(zhàn)。潛在的訴訟，和解金額從數(shù)百萬美元到數(shù)十億美元不等，對GenAI的可持續(xù)性構(gòu)成了威脅。

圖片來源：Medium

這種有缺陷的商業(yè)模式，再加上訴訟所涉及的法律費用，給(Microsoft或Google等大型技術(shù)企業(yè)造成了難以維持的局面。ChatGPT API的定價模式，盡管有預期的代幣利潤，但引發(fā)了對GenAI領(lǐng)域經(jīng)濟可行性的擔憂。

從詞嵌入到世界嵌入的轉(zhuǎn)變引入了跨人工智能的概念，其中實體嵌入（EE）發(fā)揮著至關(guān)重要的作用。EE代表分類或序數(shù)變量，增強了人工智能與世界有效交互的能力，超越了以代幣為中心的表示。

世界嵌入使AI/ML/LLM模型能夠更有效地與世界交互，了解標記之間的語義和句法關(guān)系。世界知識的整合，對于生成可理解的內(nèi)容很有幫助。

生成式人工智能并不完美

GenAI的承諾面臨著現(xiàn)實的考驗，促使人們重新評估其基本概念和業(yè)務戰(zhàn)略。當我們進入2024年時，對世界嵌入的范式轉(zhuǎn)變和對世界復雜性的更深入理解的呼吁，成為生成式人工智能可持續(xù)發(fā)展的關(guān)鍵一步。從過度宣傳到實際效果的過程需要重新調(diào)整，包括真正的創(chuàng)新和道德考慮。

圖片來源：Everest Group

雖然生成式人工智能取得了顯著的進步，但重要的是要承認其并不完美。盡管其功能強大，但該技術(shù)仍存在固有的局限性和挑戰(zhàn)。需要考慮的一些關(guān)鍵方面包括：

1.偏見和公平問題

生成式人工智能模型可能會無意中延續(xù)其訓練數(shù)據(jù)中存在的偏見。如果訓練數(shù)據(jù)反映了社會偏見，人工智能可能會產(chǎn)生有偏見或不公平的結(jié)果，引發(fā)道德?lián)鷳n。

2.缺乏常識

生成式人工智能可能會與常識推理發(fā)生沖突，導致輸出缺乏上下文或連貫性。這種限制可能會影響該技術(shù)在復雜的現(xiàn)實場景中的實際適用性。

3.情境理解薄弱

理解情境仍然是生成式人工智能的一個挑戰(zhàn)。該技術(shù)可能會生成情境不合適的內(nèi)容或誤解細微的信息，從而影響其輸出的準確性。

4.道德問題

生成式人工智能的道德使用帶來了挑戰(zhàn)，特別是在該技術(shù)可被利用來創(chuàng)建深度偽造或誤導性內(nèi)容的情況下。在創(chuàng)新和負責任的使用之間取得平衡是一個持續(xù)關(guān)注的問題。

5.對訓練數(shù)據(jù)的依賴

訓練數(shù)據(jù)的質(zhì)量和代表性顯著影響生成式人工智能的性能。訓練數(shù)據(jù)不充分或有偏差可能會導致結(jié)果不理想，并限制模型在不同場景中泛化的能力。

6.缺乏可解釋性

許多生成式人工智能模型都以黑匣子的方式運行，因此很難理解其輸出背后的基本原理?？山忉屝詥栴}阻礙了透明度，并可能在某些監(jiān)管或安全關(guān)鍵領(lǐng)域帶來挑戰(zhàn)。

7.對抗性攻擊的脆弱性

生成式人工智能模型可能容易受到對抗性攻擊，其中惡意輸入旨在誤導模型。防范此類攻擊需要不斷研究和開發(fā)安全措施。

8.訓練數(shù)據(jù)過度擬合

生成式人工智能模型可能會過度擬合訓練數(shù)據(jù)中的特定模式，從而限制其適應新的或未見過的場景的能力。這種過度擬合可能會導致輸出非常模仿訓練數(shù)據(jù)，但可能缺乏泛化性。

認識到這些缺陷對于負責任地部署和管理生成式人工智能技術(shù)至關(guān)重要。持續(xù)的研究和開發(fā)工作，對于應對這些挑戰(zhàn)并增強生成式人工智能在各種應用中的穩(wěn)健性、公平性和道德使用至關(guān)重要。

相關(guān)推薦：

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。