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。下面我會解釋的。 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。
根據以上資訊，我們可以得出結論：AI的發展並非如炒作所說的那樣無可阻擋。雖然AI在過去幾年中取得了顯著的進展，但這主要歸功於更好的程式設計和演算法，以及更大的資料集。然而，相對於所需的資料和算力，訓練AI所帶來的回報正在急劇遞減。這意味著，隨著我們不斷增加訓練資料的數量，AI的改進效果將越來越微小。
這一點對於AI的應用有重要的意義。例如，在電腦視覺領域，如果我們想要開發一個能夠準確辨識各種物體的AI，我們需要大量的訓練資料。然而，隨著資料量的增加，我們所能獲得的改進效果將越來越小。這就意味著，為了取得更好的結果，我們需要更多的資料和更強大的算力，這將對AI的發展產生一定的限制。
除了資料量的問題，AI的發展還受到算力的限制。現代AI需要龐大的計算資源來訓練和運行。然而，隨著模型的規模和複雜度增加，所需的計算資源也將急劇增加。這對於大多數組織和個人來說是一個巨大的挑戰，因為他們可能無法負擔這樣的計算資源。這也意味著，AI的發展在某種程度上受到了算力的限制。
總的來說，AI的發展並非如炒作所說的那樣無可阻擋。雖然AI在過去幾年中取得了顯著的進展，但這主要是通過更好的程式設計和演算法，以及更大的資料集實現的。然而，相對於所需的資料和算力，訓練AI所帶來的回報正在急劇遞減。這意味著，為了取得更好的結果，我們需要更多的資料和更強大的算力，這將對AI的發展產生一定的限制。此外，AI的發展還受到算力的限制，因為現代AI需要龐大的計算資源來訓練和運行。因此，我們應該對AI的未來發展保持謹慎樂觀的態度，並意識到其發展存在一定的限制。
Share this content:
