2023年人工智能（AI）七大挑战

远望智库研究员 亿竹 编译

人工智能对人类生活和经济的影响是惊人的。到2030年，人工智能将为世界经济增加约15.7万亿美元。客观地说，这大约是当今中印经济产出的总和。随着公司的预测AI自2000年以来，人工智能初创企业的数量已经增加了14倍。人工智能的应用范围可以从跟踪太空中的小行星和其他宇宙天体到预测地球上的疾病，探索新的和创新的方法来遏制危机和工业设计。

我们将解决以下人工智能问题，以及如何解决它们。

1.计算能力

这些高能耗算法消耗的能量是大多数开发者望而却步的因素。机器学习和深度学习是人工智能的垫脚石，它们需要不断增加的核心和核心GPU高效工作。我们有各种各样的想法和知识来实现深度学习框架，如小行星跟踪、医疗卫生部署、宇宙天体跟踪等。

它们需要超级计算机的计算能力，但超级计算机并不便宜。虽然开发人员可以更有效地开发人工智能系统，但由于云计算和并行处理系统的可用性。并非每个人都能承受前所未有的数据量和复杂算法的快速增长。

2.信任赤字

最重要的因素之一是如何预测深度学习模型输出的未知性质。外行人很难理解一组特定的输入如何为不同类型的问题设计解决方案。

世界上许多人甚至不知道人工智能的用途或存在，以及它们如何集成到日常用品中，如智能手机、智能电视、银行，甚至汽车（在一定程度上）。

3.知识有限

虽然市场上有很多地方我们可以用人工智能作为传统系统的更好替代品。真正的问题是人工智能知识。除了技术爱好者、大学生和研究人员，只有少数人意识到人工智能的潜力。

例如，许多中小企业可以安排工作或学习创新方法来提高产量、管理资源、在线销售和管理产品、学习和理解消费者行为，有效有效地响应市场。他们也不知道谷歌云、亚马逊网络服务和其他科技行业的服务提供商。

4.人类认知水平

这是人工智能领域最重要的挑战之一，使得公司和初创企业的人工智能服务研究人员一直处于紧张状态。这些公司可能会吹嘘90%以上的准确性，但人类在所有这些场景中都能做得更好。例如，让我们的模型预测图像是狗还是猫。人类几乎每次都能预测正确的输出，准确率超过99%。

为了实现类似的性能，深度学习模型需要前所未有的微调、超参数优化、大数据集、良好准确的算法定义、强大的计算能力、不断的训练和测试数据。听起来工作量很大，实际上比听起来困难100倍。

一种避免所有艰苦工作的方法是使用服务提供商，因为他们可以使用预训练模型来训练特定的深度学习模型。他们接受数百万张图像的训练，并进行微调以获得最大的精度，但真正的问题是，他们继续犯错误，真的很难达到人类水平。

5.数据隐私和安全

基于所有深度和机器学习模型的主要因素是训练其数据和资源的可用性。我们有数据，但这些数据可能被用于不良目的，因为它们是由世界上数百万用户生成的。

例如，让我们假设一个医疗服务提供商为一个城市的100万人提供服务。由于网络攻击，所有100万用户的个人数据都落入了黑暗网络中的每个人手中。这些数据包括疾病、健康问题、病史等。更糟糕的是，我们现在正在处理行星大小的数据。从四面八方涌入这么多信息，肯定会有一些数据泄露。

一些公司已经开始创新地绕过这些障碍。它在智能设备上训练数据，因此不会将数据发送回服务器，只有训练模型才会发送回组织。

6.偏见问题

人工智能系统的质量实际上取决于它们训练的数据量。因此，获取好数据的能力是未来人工智能系统的好解决方案。但实际上，组织收集的日常数据很差，毫无意义。

它们有偏见，只是基于宗教、种族、性别、社区和其他种族的偏见，以某种方式定义了有限数量共同利益的人的性质和规范。只有定义一些能有效跟踪这些问题的算法，才能带来真正的变化。

7.数据稀缺

谷歌，脸书（Facebook）与苹果等大公司面临不道德使用用户数据的指控，印度等许多xx都在严格使用它们IT限制数据流量的规则。因此，这些公司现在面临着利用本地数据为世界开发应用程序的问题，这将导致偏见。

数据是AI训练机器学习和预测一个非常重要的方面。尽管数据稀缺，但一些公司正试图创新新方法，并专注于创建人工智能模型，但这些模型仍能给出准确的结果。有偏见的信息，整个系统可能会有缺陷。

未来几年人工智能如何改善业务？

像苹果和谷歌这样的大公司已经投入巨资开发人工智能。除此之外，人工智能在制造、教育、零售、医疗卫生等其他领域也经常使用不足。

所有这些业务每天都会产生大量的数据，但人工智能很少用于分析大量的数据集，并从这些数据的模式和特征中得出结论。主要问题是，为什么这个问题如此突出？缺乏接触、理解和能力是原因。我们已经了解了人工智能的主要问题。我们需要知道什么能弥合这些人工智能问题和企业盈利能力之间的差距。

人工智能最大的问题之一是，大多数企业无法获得所需的复杂而昂贵的处理资源。此外，他们缺乏有效利用这些资源所需的昂贵而稀缺的人工智能专业知识。

截至2022年，37%的企业已经采用了人工智能服务，并将继续这样做。到2025年，人工智能行业每年将赚1260亿美元。到2030年，人工智能将成为15.7万亿美元的产业，到2024年，AI投资约5000亿美元。

有三种方法可以帮助扩大业务规模，克服上述人工智能问题：

(1)利用现有的人工智能技术

企业不再需要从一开始就训练自己的人工智能，因为云上已经完成了太多的人工智能工作，这是很常见的，与人工智能不同AI旧模型的问题。他们可以从其他公司完成的劳动中获利。他们可以从其他公司完成的劳动中获利。他们可以适应已经工作的人工智能技术，以满足自己的需求。但如果没有用户友好直观的界面，他们就做不到这一点。

(2)定期更新人工智能技术

人工智能使持续学习和提高成为可能。这就是为什么它成为才的原因。如果你是特斯拉车主，你一定知道这一点，因为一个新的软件更新总是可用的。这是因为路上有数百万辆特斯拉，所有这些特斯拉都在收集每天用来增强每辆车的数据。所有的应用领域和行业都需要这种学习和知识共享。不断改进技术将有助于提高您的业务能力，这是前所未有的，也有助于克服人工智能问题。

(3)使用最新技术

即使AI当时是开创性的，最近使用的人工智能方法不再有效。有几个老型号的人工智能AI问题。新的、改进的人工智能模型和神经网络总是在开发中，类似于人们如何在尝试学习新事物的同时获得能力，并在生活中成长和增加新的人才；然而，为了使人工智能用户受益，需要能够执行人工智能和非人工智能算法的新处理器设计和编程模型。一个更有用、更经济、更可行的人工智能解决方案的新时代。我们很快就能超越目前对功率、复杂性和成本的限制。

结论

虽然人工智能的这些挑战对人类来说似乎非常令人沮丧和毁灭性，但我们可以通过人们的集体努力有效地实现这些变化。据微软介绍，下一代工程师在有机会与未来的组织合作之前，必须提高自己在这些前沿新技术方面的技能。

编译自

Top7 Challenges in Artificial Intelligence in 2023 https://www.upgrad.com/blog/top-challenges-in-artificial-intelligence/