當下社會投資風口,大致分為
人工智能、
區塊鏈和
物聯網。從上帝視角來看,這三種企業技術背后的驅動因素都是數據。所以人們更愿意相信,在互聯網時代,“數據就是新的石油。”
人工智能的發展痛點
“人工智能”一詞最初是在1956年DARTMOUTH學會上提出,主要包含三個核心部分:算法、算力及數據。
更通俗的解釋就是,如果把人工智能比作建造太空火箭,那么數據和算力就是燃料,算法就是發動機。
大數據時代的數據隔離
從數據的角度來看,人工智能就像一只需要非常龐大的數據來“飼養”的動物。
因為人工智能在構思機器學習方法,需要足夠多的數據來驗證和訓練,從而使數據的收集、共享、分析以及基于這些數據的決策自動化成為了可能。
但當下的很多數據大都掌握在中心化的企業手中,如Google、Facebook、BAT等。
一些AI發展所需的訓練數據,諸如:個人的消費記錄、醫療數據、教育數據、行為數據等,不僅不能隨意地被個人支配,且中心化嚴重,數據流通市場還未形成。
AI的高速發展,在造就了大數據的同時,也被大數據時代帶來的信息孤島所束縛。
計算量倍增的壓力
從人工智能發展的關鍵節點來看:1975年之后,學者開始著手研究BP(Back Propagation,后向傳播)算法。
1986年之后,研究上基本實現了BP網絡,同期計算機硬件能力快速提升;2006年之后,隨著移動互聯網發展,海量數據爆發,深度學習算法在語音和視覺識別上實現突破,人工智能商業化高速發展。
如同 OpenAI 最近的一份報告所述,自2012年以來,最大的AI培訓運行中使用的計算量呈指數增長,為3.5個月的倍增時間(相比之下,摩爾定律有 18個月的倍增期)。自2012年以來,該指標增長了300,000多個(18個月的倍增期僅增長了12倍)。
OpenAI 報告:人工智能與計算
這一時期,計算的改進是人工智能進步的關鍵原因。
然而如果繼續按照這種趨勢發展下去,許多配置就需要更新。也就是說,一個企業用于處理數據的 GPU 等各式各樣的芯片,每年可能需要提高差不多 5-10 倍的性能,才能勉強追上企業AI發展的步伐,而這些飛快的更新迭代也需要大量投入資金。
也就是說,傳統人工智能不僅在數據層面上面臨著被大型機構壟斷等困境,在算力層面上面臨著購置硬件資源導致的資金難題,在算法層面上面臨著算法運行不穩定等難題。
這些暫且還未提及數據來源、質量以及隱私等諸多亟待解決的問題。
版權申明:本內容來自于互聯網,屬第三方匯集推薦平臺。本文的版權歸原作者所有,文章言論不代表鏈門戶的觀點,鏈門戶不承擔任何法律責任。如有侵權請聯系QQ:3341927519進行反饋。