人工智能：在虚幻的承诺与真实的乌托邦之间

‍

人工智能经历了许多令人兴奋和失望的周期。如今，由于基于 Transformer 架构的大型语言模型 (LLM) 的发展，我们正处于上升阶段。这种架构特别适合 GPU，可以利用海量数据和计算能力来训练拥有数十亿参数的模型。最重要的结果是为计算机创建了一个新的用户界面：人类语言。

正如图形用户界面在 20 世纪 80 年代让数百万用户可以使用个人电脑一样，新的自然语言界面在去年也让全球数亿用户可以使用人工智能。

‍

真正民主化的神话

‍

尽管表面上很容易获得，但 SaaS 解决方案所承诺的 "民主化 "仍然是不完善和片面的，会造成新形式的不平等。

‍

人工智能仍然需要特定的技能：

- 人工智能扫盲和了解系统的局限性

- 批判性评估产出的能力

- 业务流程整合技能

‍

人工智能效应与边界悖论

约翰-麦卡锡（John McCarthy）在 20 世纪 50 年代创造了人工智能一词，但他自己却抱怨说："一旦人工智能发挥作用，就再也没有人叫它人工智能了"。这种现象被称为 "人工智能效应"，至今仍在影响着我们。

‍

在人工智能的发展史上，成功的例子比比皆是，但一旦它们变得足够可靠，就不再被认为 "智能 "到足以获得这个令人向往的称号。

‍

曾经被认为是最前沿的人工智能技术，如今却被视为理所当然的例子：

‍

- 现在每部智能手机都内置了机器视觉功能

- 语音识别，现在只需 "听写

- 语言翻译和情感分析推荐系统（Netflix、亚马逊）和路线优化（谷歌地图）

这是一种更广泛现象的一部分，我们可以称之为 "前沿悖论"。

‍

当我们把人类掌握的技术以外的领域归于人类时，这个领域永远是不明确的。智能不是我们可以捕捉的东西，而是一个不断接近的地平线，我们将其转化为有用的工具。

‍

‍

人工智能和信息超载

‍

生成式人工智能的普及大大降低了生产和传播信息的成本，这对公民参与的目标产生了矛盾的影响。

‍

合成内容的危机

生成式人工智能与社交媒体的结合创造了

- 认知负担过重，原有偏见被放大

- 社会两极分化加剧

- 易于操纵舆论

- 伪造内容泛滥

‍

黑箱 "问题

‍

简化的界面掩盖了人工智能的工作原理：对自动决策过程缺乏了解难以识别算法偏差

‍

底层模型的定制化程度有限以人为主导的自动化智能的重要性人工智能只能帮助我们实现 90% 的目标。

‍

机器擅长分析大量数据，但在处理边缘情况时却举步维艰。可以训练算法来处理更多的例外情况，但超过一定程度后，所需的资源就会超过效益。人类是精确的思考者，会将原则应用于边缘情况，而机器是近似者，会根据先前的情况做出决定。

‍

从炒作到失望：人工智能周期

正如 Gartner 在技术炒作周期中所描述的那样，狂热之后必然是失望--"幻灭谷"。

‍

计算机科学先驱、图灵奖获得者艾伦-凯（Alan Kay）说过："只有对那些在技术发明之前就出生的人来说，技术才是技术"。机器学习专业人士都是科学家和工程师，但他们的努力总是像魔法一样--直到有一天，他们却不是魔法。

‍

同质化和竞争优势的丧失广泛采用相同的预建 SaaS 解决方案会导致：趋同于类似的业务流程通过人工智能实现差异化的困难创新受限于平台能力数据持久性及其风险

‍

随着生成式人工智能平台的普及：数据在数字基础设施中长期存在 数据点可在不同情况下重复使用

当后代人工智能接受合成内容的训练时，就会形成一个危险的循环。

‍

新的数字鸿沟

‍

人工智能市场分为

- 商品化人工智能：标准化解决方案可供多方使用

- 先进的专有人工智能：由少数大型机构开发的最先进功能

‍

需要更准确的词汇

部分问题在于 "人工智能 "的定义本身。

‍

如果我们对这个词进行递归分解，就会发现定义的每个分支都是指 "人类 "或 "人"。因此，根据定义，我们认为人工智能是对人类的模仿，但一旦某种能力稳固地进入机器领域，我们就会失去人类的参照点，不再将其视为人工智能。

‍

更有用的做法是，将重点放在可以投入使用的具体技术上，例如用于语言模型的转换器或用于图像生成的扩散技术。这使我们评估企业的能力更加明确、具体和真实。

‍

结论：从前沿到技术

‍

前沿悖论意味着人工智能的发展速度如此之快，以至于很快它就会仅仅成为技术，而新的前沿将成为人工智能。成为'技术'应该被看作是对以前处于最前沿的想法的认可。

更多信息： https://www.sequoiacap.com/article/ai-paradox-perspective/

‍

无障碍人工智能的真正承诺并不仅仅是提供技术，而是创建一个生态系统，在这个生态系统中，创新、控制和利益得到真正的分配。

我们必须认识到获取信息与信息过载和操纵风险之间的矛盾。

‍

只有在人工智能中保持浓厚的人类元素，并采用更精确的语言，我们才能实现人工智能作为真正分布式包容和创新力量的潜力。