佐治亞理工學(xué)院交互式計算主任Ayanna Howard
作為 AI 工程師，我們擁有設(shè)計和搭建基于技術(shù)的解決方案的工具。但許多 AI 開發(fā)者不認(rèn)為解決潛在的負(fù)面影響也是自己的責(zé)任，因此我們也看到醫(yī)療服務(wù)、教育機(jī)會等方面的不平等現(xiàn)象。
在新的一年，我希望 AI 社區(qū)可以就如何構(gòu)建有道德的 AI 達(dá)成廣泛共識。
我們需要在基于其部署的背景來考慮我們的工作，并對可能造成的潛在危害負(fù)責(zé)，就像負(fù)責(zé)識別和修復(fù)代碼中的錯誤一樣。
這聽起來像一場巨變，但它可能很快發(fā)生。就像新冠大流行期間，很多公司都實施了以前他們認(rèn)為不可能的在家辦公制度。技術(shù)的一個特征是，當(dāng)頭部玩家改變時，其他人就會跟隨，以免失去競爭優(yōu)勢。只需要幾個領(lǐng)導(dǎo)者設(shè)定了新的方向，整個領(lǐng)域也會隨之變化。
斯坦福大學(xué)教授李飛飛：激活 AI 生態(tài)系統(tǒng)，扭轉(zhuǎn)頂級人才流向業(yè)界的趨勢
美國國家工程院院士、斯坦福大學(xué)教授、人工智能著名學(xué)者李飛飛
我希望 2021 年，美國政府能夠堅定承諾支持 AI 創(chuàng)新。
美國之所以在科技領(lǐng)域一直處于領(lǐng)先地位，是因為其創(chuàng)新生態(tài)系統(tǒng)充分利用了來自學(xué)界、政府和產(chǎn)業(yè)界的貢獻(xiàn)。但是，人工智能的出現(xiàn)使之向業(yè)界傾斜，這很大程度上是因為用于 AI 研發(fā)的三種最重要資源——算力、數(shù)據(jù)和人才，集中到了少數(shù)公司。例如，根據(jù) AI21 Labs 論文《THE COST OF TRAINING NLP MODELS》中的數(shù)據(jù)，為了訓(xùn)練大規(guī)模語言模型 GPT-3，OpenAI 聯(lián)合微軟可能花費了價值 500 萬至 1000 萬美元的資源。沒有一所美國大學(xué)可以進(jìn)行這種規(guī)模的計算。
大數(shù)據(jù)對推動人工智能的發(fā)展同樣至關(guān)重要。但如今，最豐富的數(shù)據(jù)庫卻掌握在大型公司的手中。缺乏足夠的算力和數(shù)據(jù)阻礙了學(xué)界研究者的科研，并加速了頂級 AI 人才從學(xué)界流向私有企業(yè)。
2020 年，美國政府為大學(xué)院校提供了一些新的支持，但這遠(yuǎn)遠(yuǎn)不夠。在我與哲學(xué)家 John Etchemendy 共同負(fù)責(zé)的斯坦福以人為本人工智能研究院（HAI），我們提出了一項國家研究云（National Research Cloud）計劃。該計劃將在未來十年每年投入 10 億至 100 億資金，為學(xué)界、政府和業(yè)界的合作注入新的活力。這項計劃將為學(xué)界研究者提供前沿研究所需的算力和數(shù)據(jù)，反過來也將吸引和留住新的教職人員和學(xué)生，有可能扭轉(zhuǎn)學(xué)界研究者流向業(yè)界的局面。
National Research Cloud 的進(jìn)展令人鼓舞，包括美國國家科學(xué)基金會和美國國立衛(wèi)生研究院在內(nèi)的多個機(jī)構(gòu)也發(fā)出了有關(guān)人工智能項目的呼吁，為相關(guān)提案提供支持。
AI 是一種工具，而且是一種功能強(qiáng)大的工具。但每個工具都是一把雙刃劍，其使用方式不可避免地反映出設(shè)計者、開發(fā)者和實施者的價值觀。確保 AI 安全、公平、保護(hù)個人隱私并造福全人類，仍然存在著許多挑戰(zhàn)。而激活 AI 研究生態(tài)系統(tǒng)是解決這些問題的重要部分。
Matthew Mattina：希望 TinyML 等微型 ML 技術(shù)和小型設(shè)備發(fā)揮更大作用
Arm 機(jī)器學(xué)習(xí)研究實驗室的杰出工程師和高級總監(jiān) Matthew Mattina
以標(biāo)準(zhǔn) 2 號鉛筆的筆尖為例，想象一下在筆尖區(qū)域每秒執(zhí)行萬億次以上的乘法運(yùn)算。這項任務(wù)可以使用現(xiàn)在的 7nm 半導(dǎo)體技術(shù)來完成。在小型、低成本的電池供電設(shè)備上結(jié)合這種強(qiáng)大的計算能力和深度神經(jīng)網(wǎng)絡(luò)將有助于解決從 Covid-19 到阿爾茨海默病的種種挑戰(zhàn)。
AlphaGo、Alexa、GPT-3 和 AlphaFold 等杰出系統(tǒng)背后的神經(jīng)網(wǎng)絡(luò)需要這種計算能力才能充分發(fā)揮魔力。這些系統(tǒng)通常運(yùn)行在數(shù)據(jù)中心服務(wù)器、GPU 和大規(guī)模電源上，但很快它們將可以在耗電量比節(jié)日燈串上單個 LED 燈泡還要少的設(shè)備上運(yùn)行。
一種叫作 TinyML 的機(jī)器學(xué)習(xí)技術(shù)正將這些大型的、側(cè)重數(shù)學(xué)的神經(jīng)網(wǎng)絡(luò)應(yīng)用在傳感器、可穿戴設(shè)備和手機(jī)上。神經(jīng)網(wǎng)絡(luò)嚴(yán)重依賴乘法，而新興硬件使用低精度數(shù)字（8 位或更少）來執(zhí)行乘法運(yùn)算。與通常的 32 位單精度浮點乘法器相比，芯片設(shè)計者可以在更小的面積和功率范圍內(nèi)構(gòu)建更多的乘法器。研究表明，在很多現(xiàn)實案例中，在神經(jīng)網(wǎng)絡(luò)中使用低精度數(shù)字幾乎不會對準(zhǔn)確率產(chǎn)生影響。這種方法可以在最需要的地方提供超高效的神經(jīng)網(wǎng)絡(luò)推斷。
舉例而言，在應(yīng)對 Covid-19 大流行的過程中，檢測和確認(rèn)感染者成為主要障礙。最近的研究表明，基于數(shù)千個「強(qiáng)制咳嗽」音頻片段訓(xùn)練的神經(jīng)網(wǎng)絡(luò)集合或許能夠檢測出咳嗽者是否感染 Covid-19，即使他 / 她并沒有出現(xiàn)癥狀。該案例中使用的神經(jīng)網(wǎng)絡(luò)具有非常高的計算成本，需要每秒數(shù)萬億次的乘法運(yùn)算。而 TinyML 可以運(yùn)行此類咳嗽分析神經(jīng)網(wǎng)絡(luò)。
對于即將來臨的 2021 年，我希望由小型設(shè)備上運(yùn)行的大規(guī)模神經(jīng)網(wǎng)絡(luò)賦能的復(fù)雜醫(yī)療應(yīng)用可以開創(chuàng)一個新的個性化醫(yī)療時代，從而改善數(shù)十億人的生活。
沈向洋博士：期待 AI 幫助人類進(jìn)行藝術(shù)創(chuàng)作
美國工程院外籍院士、小冰公司董事長、清華大學(xué)雙聘教授沈向洋
2021 年，我希望 AI 社區(qū)創(chuàng)造更多工具，幫助人類解放創(chuàng)造力。AI 將幫助全球各地的人們以其獨特的方式溝通、表達(dá)情緒。
我們已經(jīng)創(chuàng)造出擅長邏輯任務(wù)的機(jī)器，它們能執(zhí)行大規(guī)模計算，且速度遠(yuǎn)超人類。這一成就在近期月球探測任務(wù)中得到了極大體現(xiàn)。在日常生活中，我們使用 Microsoft Word 和 Excel 等工具來提升生產(chǎn)效率。但是，在另一些任務(wù)中人類仍占絕對優(yōu)勢，尤其是藝術(shù)領(lǐng)域。
人類左腦負(fù)責(zé)邏輯，右腦負(fù)責(zé)創(chuàng)造性和想象力，二者相互補(bǔ)充。創(chuàng)造性的右腦為許多日?；狱c燃火花，我們使用語言來彼此交流，表達(dá)抽象的概念和情緒。我們同樣用藝術(shù)的手法表達(dá)自己，創(chuàng)造出音樂、畫作、舞蹈和設(shè)計。
AI 領(lǐng)域的近期進(jìn)展，尤其是生成對抗網(wǎng)絡(luò)和語言模型（如 GPT-3）等深度學(xué)習(xí)技術(shù)，使得從頭開始合成逼真圖像和合理文本成為可能。小冰聊天機(jī)器人已經(jīng)在作詩、繪畫和音樂方面展現(xiàn)出了類似人類的性能。例如小冰幫助微信用戶寫詩，一周內(nèi)作詩數(shù)量超過中國歷史上所有的詩作！
繪畫、音樂、詩或舞蹈等藝術(shù)領(lǐng)域的頂尖人士必須經(jīng)過多年的訓(xùn)練。有句話說，要想成為某個領(lǐng)域的專家，需要經(jīng)過一萬小時的錘煉。類似小冰的工具可以大幅降低時間投入，使每個人都能獲得更復(fù)雜、更有創(chuàng)造力和想象力的表達(dá)方式。
我期望，2021 年能看到更多 AI 創(chuàng)造工具，幫助人們表達(dá)自己的藝術(shù)想法和靈感。AI 已經(jīng)證明它能夠幫助提升生產(chǎn)效率，那么現(xiàn)在讓我們期待 AI 幫助人類解放創(chuàng)造力吧。
OpenAI 聯(lián)合創(chuàng)始人 Ilya Sutskever：期待語言和視覺的融合
OpenAI聯(lián)合創(chuàng)始人、首席科學(xué)家Ilya Sutskever
過去一年，通用模型首次產(chǎn)生了經(jīng)濟(jì)價值。GPT-3 的出世表明大型語言模型具備令人驚嘆的語言能力，并且能夠執(zhí)行大量有用的任務(wù)。我期望接下來誕生的模型能夠更強(qiáng)，2021 年的最佳模型或?qū)⒆?2020 年的最佳模型相形遜色，同時也將解鎖今天難以想象的許多應(yīng)用。
2021 年，語言模型將開始了解視覺世界。文本本身可以表達(dá)關(guān)于世界的大量信息，但它并不完備，因為我們也生活在視覺世界中。下一代 AI 模型將能夠編輯文本輸入并生成圖像，我們也希望它們能夠借由其見過的圖像而更好地理解文本。
聯(lián)合處理文本和圖像的能力將使模型變得更聰明。人類接觸的不僅是閱讀到的內(nèi)容，還有看到和聽到的內(nèi)容。如果模型可以處理類似的數(shù)據(jù)，那么它們就能以類似人類的方式學(xué)習(xí)概念。這個靈感尚未得到證實，我希望 2021 年能夠看到這方面的進(jìn)展。
模型更加聰明的同時，我們也要保證其安全性。GPT-3 能夠處理多項任務(wù)，但它并不像我們認(rèn)為的那樣可靠。我們希望給模型一項任務(wù)后，模型能夠返回?zé)o需更改或確認(rèn)的輸出。在 OpenAI，我們提出了一種新方法：基于人類反饋的強(qiáng)化學(xué)習(xí)。該方法允許人類裁判利用強(qiáng)化信號用我們想要的方式指導(dǎo)模型的行為，這樣我們就可以強(qiáng)化期望的行為，抑制不想要的行為。
GPT-3 等系統(tǒng)被動地吸收信息。它們吸收數(shù)據(jù)并內(nèi)化其相關(guān)性，當(dāng)訓(xùn)練數(shù)據(jù)集包含我們不希望模型模仿的行為樣本時，這是個大問題。而使用基于人類反饋的強(qiáng)化學(xué)習(xí)后，我們可以讓語言模型展示出多種行為，人類裁判就這一行為是否符合期望給出反饋。我們發(fā)現(xiàn) GPT-3 語言模型能夠快速從這些反饋中學(xué)習(xí)，這樣我們就可以利用相對少的人類交互快速精確地調(diào)整模型行為。
讓語言模型處理文本和圖像這兩種數(shù)據(jù)模態(tài)，并通過與人類的交互進(jìn)行訓(xùn)練后，我們看到了一條路徑，使模型變得更強(qiáng)大、更值得信任，因而對更多人具備更大用途。這條路徑將在 2021 年提供更多令人振奮的發(fā)展前景。
原文鏈接：https://blog.deeplearning.ai/blog/the-batch-new-year-wishes-from-fei-fei-li-harry-shum-ayanna-howard-ilya-sutskever-matthew-mattina
