過去幾個月，對 AI 的炒作已經到了瘋狂的地步。像是特斯拉在一兩年內就要實現全自動駕駛了，AI 明年將會變得比人類更聰明了，到 2040 年會有十億台 AI 機器人取代人類工人了，這些還只是伊隆·馬斯克今年迄今為止對 AI 誇下的海口之一。整個 AI 圈都充斥著這樣的預測和承諾，給人感覺 AI 的發展已走上不可阻擋的指數軌跡曲線上，已經到了我們人類根本無法阻止的地步。但是事實並非如此。真要說，AI 正開始觸碰到收益遞減的發展天花板，進而令這些誇張的承諾變成一張廢紙。
要想理解這個問題，我們得先瞭解一點 AI 的基本工作原理。現代 AI 運用的是深度學習演算法與人工神經網路，借此來發現資料當中的趨勢。然後，AI 就可以根據這些資料推斷或沿著同一趨勢線生成新的資料。這首先需要「訓練」AI，將大量資料餵給它進行分析，讓它去發現這些趨勢。之後，你就可以拋問題給 AI 來獲得輸出。這個基本概念為電腦視覺、自動駕駛汽車、聊天機器人以及生成式 AI 提供了動力。這個解釋有點簡化了，但現在我們只需要瞭解這些就夠了。
過去幾年，AI 的能力有了顯著增強。這部分要歸功於有了更好的程式設計和演算法。但 90% 要歸功於用了更大的資料集對 AI 進行訓練。進而使得 AI 可以更準確地瞭解資料趨勢，進而更準確地生成結果。但有個問題：我們正目睹相對於所需的資料和算力，訓練 AI 帶來的回報正在急劇遞減。
我們先從資料講起。假設我們開發了一個簡單的電腦視覺 AI，它可以辨識出狗和貓，我們已經用 100 張狗和貓的圖像和影片對其進行了訓練，它可以在 60% 的時間內正確辨識這些動物。如果我們將訓練的圖像和影片數量增加一倍，達到 200 個，其辨識率就會提高，但只能略微提高到 65% 左右。如果我們再次將訓練圖像和影片增加一倍，達到 400 個，那麼其改進將更加微乎其微，只能達到 67.5% 左右。
這就是所謂的收益遞減。隨著訓練資料的增加，AI 的改進效果越來越小。這是因為 AI 已經學到了資料集中的大部分特徵和模式，再增加訓練資料對於進一步改善 AI 的能力已經幾乎沒有幫助。相反，繼續增加訓練資料只會導致資源的浪費。顯然，無論是資料還是算力，都不是無窮的。
同樣地，算力也有限。訓練一個複雜的 AI 模型需要龐大的計算資源，包括高性能的處理器和大量的記憶體。隨著模型的複雜度增加，需要的算力也會增加。然而，隨著算力的增加，AI 的改進效果也會達到飽和狀態。這是因為算力的提升對於進一步改善 AI 的能力效果越來越小。因此，無論是資料還是算力，都存在著遞減的回報。
這就是為什麼我們看到 AI 的發展正在遇到天花板。雖然 AI 的能力有了顯著提升，但這種提升是有限的。無論是增加訓練資料還是提升算力，都無法無限地改善 AI 的能力。因此，那些對 AI 發展的誇大承諾只是一張廢紙。
這也意味著 AI 的未來發展需要更多的創新和突破。我們需要開發更好的演算法和模型，以繼續推動 AI 的發展。同時，我們也需要更好地利用現有的資源，以提高 AI 的效能和效益。這需要整個 AI 圈的共同努力和持續創新。
總之，AI 的發展正在遇到收益遞減的天花板。無論是資料還是算力，都無法無限地改善 AI 的能力。因此，那些誇大的承諾只是一時的熱炒，並不能代表 AI 的真正發展趨勢。我們需要更多的創新和突破，以繼續推動 AI 的發展。
Share this content:
