近幾年隨著各行業(yè)對(duì)于自動(dòng)化需求的提高，為人工智能帶了了一次巨大的提升機(jī)會(huì)。隨著深度學(xué)習(xí)的開放，人工智能在幾年中快速發(fā)展，由尖端技術(shù)慢慢向著開始普及在各行業(yè)和家庭生活中。以下是國(guó)外一家專注于開源和堆棧技術(shù)新聞網(wǎng)站TheNewStark盤點(diǎn)的2022年值得人們期待的五個(gè)人工智能發(fā)展趨勢(shì)。

大型語(yǔ)言模型（LLMs），定義交互式人工智能的下一個(gè)浪潮

大型語(yǔ)言模型（LLMs）是在包含巨大數(shù)據(jù)量的大規(guī)模數(shù)據(jù)集上訓(xùn)練的。像是Google的BERT和OpenAI的GPT-2和GPT-3就是LLMs很好的例子。據(jù)了解，GPT-3中約有1750億個(gè)參數(shù)，在570千兆字節(jié)的文本上進(jìn)行訓(xùn)練。這些模型生成的東西可以從簡(jiǎn)單的文章到復(fù)雜的金融模型。

現(xiàn)如今，包括OpenAI、HuggingFace、Cohere、AI21Labs以及AI12在內(nèi)的人工智能初創(chuàng)公司，正在通過訓(xùn)練具有數(shù)十億參數(shù)的模型來推動(dòng)LLMs的發(fā)展。

在2022年，我們將看到大型語(yǔ)言模型成為下一代交互式人工智能工具的基礎(chǔ)模型。

多模態(tài)人工智能的崛起

首先，什么叫做模態(tài)（Modality）呢？

每一種信息的來源或者形式，都可以稱為一種模態(tài)。例如，人有觸覺，聽覺，視覺，嗅覺；信息的媒介，有語(yǔ)音、視頻、文字等；多種多樣的傳感器，如雷達(dá)、紅外、加速度計(jì)等。以上的每一種都可以稱為一種模態(tài)。

同時(shí)，模態(tài)也可以有非常廣泛的定義，比如我們可以把兩種不同的語(yǔ)言當(dāng)做是兩種模態(tài)，甚至在兩種不同情況下采集到的數(shù)據(jù)集，亦可認(rèn)為是兩種模態(tài)。

因此，多模態(tài)機(jī)器學(xué)習(xí)，英文全稱MultiModal Machine Learning(MMML)，旨在通過機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)處理和理解多源模態(tài)信息的能力。目前比較熱門的研究方向是圖像、視頻、音頻、語(yǔ)義之間的多模態(tài)學(xué)習(xí)。

多模態(tài)人工智能的最新例子是OpenAI的DALL-E，該模型使用藝術(shù)家薩爾瓦多-達(dá)利和皮克斯的瓦力的諧音來命名。它可以從文本描述中生成對(duì)應(yīng)圖像。例如，當(dāng)文本描述為"一個(gè)甜甜圈形狀的時(shí)鐘"被發(fā)送到該模型時(shí)，它就可以生成以下圖像。

NVIDIA的GauGAN2型號(hào)將根據(jù)簡(jiǎn)單的文本輸入生成照片般逼真的圖像。它將分割映射、內(nèi)繪畫和文本到圖像生成結(jié)合在一個(gè)模型中，使其成為創(chuàng)建具有文字和繪圖組合的照片級(jí)真實(shí)感藝術(shù)的強(qiáng)大工具。

簡(jiǎn)化和精簡(jiǎn)MLOps

機(jī)器學(xué)習(xí)操作（MLOps），是一個(gè)將機(jī)器學(xué)習(xí)投入到工業(yè)生產(chǎn)中的實(shí)踐，是機(jī)器學(xué)習(xí)和DevOPs在軟件領(lǐng)域交叉的產(chǎn)物，所以它在許多方面與2012年的DevOps相似。

在2012年DevOps上線的時(shí)候，許多企業(yè)就意識(shí)到了它的價(jià)值，但是他們?cè)趯?shí)施DevOps的時(shí)候很困難，工具鏈非常復(fù)雜，生態(tài)系統(tǒng)也不夠完善。而MLOps相比來說更加復(fù)雜，它的軟件包包括安裝、配置訓(xùn)練、推理基礎(chǔ)設(shè)施、配置特征存儲(chǔ)、配置模型注冊(cè)表、監(jiān)控模型的衰減以及檢測(cè)模型漂移等所有的相關(guān)內(nèi)容。

其龐大的軟件包也導(dǎo)致MLOps的部署比DevOps還困難。

MLOps是被納入基于云計(jì)算的ML平臺(tái)的概念之一，平臺(tái)包括如亞馬遜網(wǎng)絡(luò)服務(wù)的AmazonSageMaker, Azure ML, 以及谷歌的VertexAI。

然而，它所擁有的這些能力卻不能用于混合和邊緣計(jì)算這兩個(gè)環(huán)境。因此，監(jiān)測(cè)邊緣計(jì)算的環(huán)境模型被證明是企業(yè)要面臨的一個(gè)重大挑戰(zhàn)。

在處理計(jì)算機(jī)視覺系統(tǒng)和交互式人工智能系統(tǒng)時(shí)，創(chuàng)建一個(gè)為其服務(wù)的監(jiān)測(cè)邊緣計(jì)算的模型就變得更加具有挑戰(zhàn)性。

隨著Kubeflow和MLflow等開源項(xiàng)目的逐漸成熟，MLOps其實(shí)已經(jīng)很容易就能獲取到。在未來幾年我們或許可以看到一個(gè)精簡(jiǎn)和簡(jiǎn)化的MLOps方法橫跨云領(lǐng)域和邊緣計(jì)算環(huán)境。

AI驅(qū)動(dòng)的開發(fā)者生產(chǎn)力

在未來，人工智能幾乎會(huì)影響到IT行業(yè)的每個(gè)方面，包括編程和開發(fā)。在過去的幾年里，我們已經(jīng)看到了諸如亞馬遜代碼大師這樣的工具，該產(chǎn)品會(huì)在開發(fā)者編程時(shí)，為其提供智能建議，以提高代碼質(zhì)量，并識(shí)別出應(yīng)用程序中最重要的代碼行。

就在最近，GithubCopilot作為一個(gè) "人工智能配對(duì)程序員"首次亮相，協(xié)助開發(fā)人員編寫高效的代碼。而Salesforce的研究團(tuán)隊(duì)也推出了CodeT5，這是一個(gè)開源項(xiàng)目，將幫助Apex開發(fā)人員進(jìn)行由人工智能驅(qū)動(dòng)的編碼。

Tabnine，即以前的Codata，將智能代碼完全帶到了主流開發(fā)環(huán)境。Ponicode也是一個(gè)AI驅(qū)動(dòng)的工具，可以提供函數(shù)創(chuàng)建、可視化和運(yùn)行單元測(cè)試的快捷方式。

型語(yǔ)言模型（LLMs）的興起和開源代碼更廣泛的可用性，使IDE供應(yīng)商能夠再其基礎(chǔ)上建立智能代碼生成和分析系統(tǒng)。

展望未來，人們期望看到能夠從內(nèi)聯(lián)注釋中生成高質(zhì)量和緊湊代碼的工具。它們甚至能夠從一種語(yǔ)言編寫的代碼翻譯成另一種語(yǔ)言，通過將傳統(tǒng)代碼轉(zhuǎn)換為現(xiàn)代語(yǔ)言來實(shí)現(xiàn)應(yīng)用程序的現(xiàn)代化。

云平臺(tái)新的垂直化人工智能解決方案

世界領(lǐng)先的人工智能供應(yīng)商，包括亞馬遜、谷歌和微軟，都正專注于將研究和開發(fā)工作商業(yè)化。他們通過旗下的云平臺(tái)提供托管服務(wù)，并建立硬件設(shè)備，配備人工智能加速器和針對(duì)特定場(chǎng)景的預(yù)訓(xùn)練模型。

亞馬遜連接和谷歌聯(lián)絡(luò)中心AI是垂直整合的典型例子。兩者都利用機(jī)器學(xué)習(xí)能力來執(zhí)行智能路由，由機(jī)器人驅(qū)動(dòng)的客服對(duì)話，以及對(duì)聯(lián)絡(luò)中心代理商的自動(dòng)協(xié)助。

AWSPanorama可以連接到現(xiàn)有的IP攝像機(jī)，以此來執(zhí)行基于計(jì)算機(jī)視覺的推理?？蛻艨梢栽谄湓破脚_(tái)訓(xùn)練新的模型，并將它們部署在全景設(shè)備的邊緣。

AzurePercept采用了類似的方法，在邊緣提供計(jì)算機(jī)視覺模型和交互式人工智能。微軟基于Azure上現(xiàn)有的物聯(lián)網(wǎng)、人工智能和邊緣計(jì)算服務(wù)建立了Percept。

最后，亞馬遜Lookoutfor Equipment和谷歌CloudVisual InspectionAI等服務(wù)，利用基于云的人工智能平臺(tái)，對(duì)設(shè)備進(jìn)行預(yù)測(cè)性維護(hù)和產(chǎn)品的異常檢測(cè)。這些服務(wù)是專為零售和制造業(yè)定制的。

在2022年，我們將看到人工智能平臺(tái)和云供應(yīng)商利用前沿研究技術(shù)和現(xiàn)有的管理服務(wù)，提供針對(duì)特定的例子和場(chǎng)景的解決方案。

參考鏈接：5AI Trends to Watch out for in 2022 – The New Stack

更多新鮮有趣的計(jì)算機(jī)相關(guān)指示、新聞，記得關(guān)注盛圖科技哦