Uber在過去五年里花了25億美元,但現(xiàn)在離自動駕駛汽車的交付仍很遙遠(yuǎn)。
今年全球公司在人工智能系統(tǒng)(AI)上的支出將超500億美元,是個創(chuàng)紀(jì)錄的投資,但絕大多數(shù)公司可能不會從中獲得太多回報。
《麻省理工學(xué)院Sloan管理評論》及波士頓咨詢集團(tuán)(英文縮寫為BCG)最近對3,000多位公司經(jīng)理的人工智能支出進(jìn)行了一項調(diào)查并發(fā)布報告稱,到目前為止,只有10%的公司從人工智能投資獲得重大財務(wù)收益。
這項研究的負(fù)責(zé)人BCG北美人工智能業(yè)務(wù)聯(lián)席主管Shervin Khodabandeh表示,人工智能技術(shù)的收益并未跟上采用步伐。Khodabandeh稱,“我們見到更多的人工智能活動,更多的活動也意味著在技術(shù)和數(shù)據(jù)科學(xué)的投資更多。但其影響力并沒有真正改變。”
該研究報告里的結(jié)果應(yīng)該會引起有些企業(yè)的擔(dān)心,這些企業(yè)在AI項目不斷以驚人的速度投入資金,希望能將人工智能工具用于各種領(lǐng)域,例如管理合同、家庭助理和自動駕駛汽車。IDC數(shù)據(jù)顯示,今年全球人工智能系統(tǒng)的投資預(yù)計將超過500億美元。IDC還預(yù)測,到2024年,人工智能系統(tǒng)投資額將達(dá)到1100億美元。
盡管投入了數(shù)十億美元,失敗的AI項目卻成了不斷增加的因素。例如,IBM的Watson技術(shù)吸引了不少風(fēng)險投資,一個腫瘤學(xué)項目就募得6200萬美元,但項目的系統(tǒng)在癌癥治療上卻因提出不當(dāng)?shù)慕ㄗh曾被嘲諷。IBM后來降低了旗下Watson技術(shù)的優(yōu)先級。亞馬遜AI也由于出現(xiàn)歧視女性的偏見而擱置了AI招聘工具。一些較小的企業(yè)發(fā)現(xiàn),構(gòu)建人工智能技術(shù)比表面上看起來要更難一些,一些應(yīng)該由AI驅(qū)動的虛擬助手和會議調(diào)度程序最終要依賴幕后的人工操作。
Khodabandeh表示,公司要交付達(dá)到預(yù)期結(jié)果的AI項目碰到困難,因為他們在科技和數(shù)據(jù)科學(xué)家方面的花費太多,但卻沒有在業(yè)務(wù)流程上做出改動致使業(yè)務(wù)從AI中受益。Khodabandeh這一結(jié)論與6月份發(fā)表的《哈佛商業(yè)評論》報告相仿。
再來看看以打車為服務(wù)的Uber公司。Uber工程師上個月得出結(jié)論,旗下的自動駕駛汽車行駛不出半英里就會遇到問題。根據(jù)The Information網(wǎng)站一份報告(https://www.theinformation.com/articles/infighting-busywork-missed-warnings-how-uber-wasted-2-5-billion-on-self-driving-cars)的資料,該項目的人工智能“連搞定簡單的路線和簡單的操作都吃力得緊”。根據(jù)一份內(nèi)部備忘錄資料,失敗的部分原因:內(nèi)部各種想法在如何實施人工智能技術(shù)方面沒法達(dá)成一致。
不過由于AI在節(jié)省和改善大規(guī)模業(yè)務(wù)上存在的潛力,一眾公司也不太可能很快停止對該技術(shù)的投資。BCG和麻省理工學(xué)院的研究人員發(fā)現(xiàn),57%的公司表示已部署或試用了自己的AI項目,高于2018年的44%。
Khodabandeh表示,要想從這些項目獲得回報,更多的AI采用者需要重新考慮如何在自己的業(yè)務(wù)中整合人工智能技術(shù)。他表示,“顯然有很多炒作。有些炒作來自數(shù)據(jù)。”
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。