|
|
到目前为止，每个人可能都使用过像 ChatGPT 这样的生成式 AI 工具来创建应用程序、撰写提案或撰写已推迟的员工绩效评估。 即使没有，如果你至少问过 LLM（大型语言模型）这个那个，你也会对生成式 AI 工具模仿人类并显示结果的能力印象深刻。
ⓒ 盖蒂图片银行
同时，他也一定清楚地认识到它并不完美。 事实上，尽 拉脱维亚电话号码列表 管 ChatGPT 和 GitHub Co-Pilot 等生成式人工智能工具前景广阔，但它们仍然需要熟练的人工干预来创建驱动工具并审查输出的提示。 这种情况暂时不会改变。
事实上，生成式人工智能的巨大价值在于它强调了人工智能的重要性，而不是其参加测试或编写法律文档或软件应用程序代码的能力。 一旦有关生成式人工智能的所有炒作不可避免地消散，最终剩下的就是增加对深度学习和机器学习的投资。 这仍将是生成式人工智能的最大成就。
给生成式人工智能普适主义者的一封信
人们很难不对生成式人工智能感到兴奋。 从软件开发人员的角度来看，生成式人工智能有望消除各种苦差事和单调，让您能够专注于更有价值的编码。 大多数开发人员仍在轻微尝试 AWS CodeWhisperer 等生成式 AI 编码工具，但像 Datasette 创始人 Simon Willison 一样，他们进行了更深入的挖掘，并发现“生产力的大幅提高以及各种大型项目的潜力。”
威利森在生成式人工智能方面取得巨大成果的主要原因是经验。 使用 GitHub CoPilot 这样的工具，Willison 可以生成他需要的 80% 的代码，并且他知道在哪里可以使用该工具的输出以及在哪里编写剩余的 20% 的代码。 与 Willison 相比，大多数开发人员缺乏经验和专业知识，因此对使用生成式 AI 所获得的效果的期望可能会低于 Willison。
随着人工智能的每一波浪潮，我们都会经历类似的炒作周期。 每一次，你都需要学习如何区分现实的希望和夸张的希望。 让我们以机器学习为例。 当机器学习首次出现时，数据科学家将其应用于一切，甚至可以使用更简单的工具完成的任务。
然而，数据科学家诺亚·劳伦特（Noah Laurent）认为，“机器学习是最佳解决方案的业务问题很少，大多数业务问题都可以通过良好的数据和对数据含义的充分理解来解决。” 换句话说，无论开发算法来查找 PB 级数据中的模式看起来多么酷，简单的数学或 SQL 查询通常都是更明智的方法。
同样，Diffblue 首席执行官 Matthew Lodge 最近表示，生成式 AI 并不适合解决广泛的问题，而强化学习更有可能取得成功的结果。“对于各种任务，从玩游戏到编写代码，他认为，“强化学习模型运行速度快、成本低，比使用数千亿参数的法学硕士更好。” Rosie 并不认为生成式人工智能有些夸张。 争论的焦点是，生成式人工智能应该被认为是解决计算机科学中一些但不是全部问题的有用工具。
生成人工智能经济的部分效应
如果我们退一步看看人工智能，生成式人工智能正在对媒体炒作和企业投资产生巨大影响，但正如 NVIDIA 工程师 Amol Wah 指出的那样，它只是整个人工智能领域的一小部分。 “人工智能”是最广泛地表达人类与机器之间交互的术语。 正如 Wa 所解释的那样，人工智能是“一个模仿人类行为的技术领域，它使机器能够在没有关于预期结果的明确指导的情况下学习和执行任务。”
生成式人工智能符合这个描述吗？ 当然如此。 但首先是机器学习，它是人工智能的一个子集，指的是从数据中学习并根据该数据进行预测的算法。 然后是深度学习，它是机器学习的一个子集，它使用神经网络层来训练计算机更像人类一样思考。 最后，生成式人工智能是深度学习的一个子集，它更进一步，根据输入生成新内容。
看看 Nvidia 由于生成式人工智能而迅速增加的数据中心支出，或者生成式人工智能对云计算服务 Vercel 采用的影响，很容易认为生成式人工智能是终极人工智能。 当然，生成式人工智能目前正处于流行的顶峰，但这种流行可能只是一次性的事情。 几乎可以肯定它会过去。
这并不是说生成式人工智能会像 Web3（有人还记得吗？）或区块链（抱歉，如果它带回不好的回忆）一样逐渐变得默默无闻。 在更广阔的AI环境下，我们将能够更现实地判断哪些领域适合生成式AI，哪些领域不适合。
当然，你也可以听到 Massimo Le Perret 对生成式 AI 对计算产生的“结构性”影响的热情赞扬。 Perret 表示：“目前我们只看到了生成式 AI 功能的冰山一角。在生成式 AI 的驱动下，未来专家的工作速度将提高 10 倍，非专家的工作速度将提高 10 倍。” ” “我们将能够以使用当今界面无法想象的方式访问 IT。”
|
|
|
|
|
|
|
|
|
|
发表于 2023-9-17 16:26:52
