在过去的几年里,人工智能(AI)改变了我们所知道的世界;福布斯顾问最近的一项调查显示,56%的受访公司已经在客户服务中使用了人工智能,而51%的公司已经将人工智能技术用于欺诈管理和网络安全。
更有趣的是,我们现在看到人工智能与学术界和研究领域以知识为中心的努力相结合。阅读数百篇论文或进行几项医学试验而几乎没有确切结果的日子已经一去不复返了。随着人工智能的出现,研究人员和学者们所做的工作比以前少了。
但就像任何新生的创新一样,仍然存在一些障碍;在目前的状态下,人工智能大多是集中的,这带来了有偏见的研究结果的危险。训练和运行人工智能程序的计算成本也在飙升,这解释了为什么只有大型科技公司“七大巨头”能够跟上。
在本文的下一节中,我们将重点介绍人工智能如何与学术界和研究相结合,存在的障碍以及未来的发展趋势。这篇文章还将介绍去中心化人工智能解决方案的兴起,例如区块链构建的Aigarth,以及解决一些现有挑战的潜力。
如果你已经完成了一篇研究论文或任何形式的学术研究,你可能会理解这个过程有多紧张。但现在情况已不再完全如此,至少对于知道如何利用现有人工智能应用程序的精通人工智能的学者来说是这样。
已经推出了几个应用程序,使学术研究更加无缝。
数据分析和可视化:GPT-4等先进的人工智能模型已被证明与传统的机器学习模型相当,甚至更好。这种LLM模式彻底改变了研究人员和学术界处理大数据的方式,即使是那些数据科学知识最少的人也可以处理复杂的数据集,并有效地识别任何相关性。
文献综述:这个乏味的研究阶段是大多数人倾向于放弃的地方。如今,有Jenni、SciSpace和Elicit等人工智能应用程序,它们旨在利用自然语言处理(NLP)使这一过程变得更加容易。这些应用程序可以生成摘要、识别相关研究或生成初步框架来处理研究,而不是浏览大量论文。
医学研究:除了学术界,医学研究实验室也在利用人工智能的力量。人工智能被使用的一些关键领域包括临床试验、药物发现、诊断和精准医学。人工智能用于医学研究的一个很好的例子是流行病学,南加州大学维特比工程学院开发了一种可以减缓传染病传播的预测模型。
正如引言中提到的,当前的人工智能进步并非万无一失。为了让每个人都能适应整合人工智能创新,还有很多问题需要解决。一些相关的挑战包括缺乏明确的法规、人工智能培训中的隐私侵犯以及计算成本。
就上下文而言,收购Nvidia的A100将花费高达10000美元,这是目前用于人工神经网络(ANN)训练的最有效的GPU之一。或者,人们必须在AWS上以3.06美元或在谷歌上以1.14美元的价格租用这种硬件。
也可以说,鉴于训练数据是从集中式数据库中获得的,人工智能应用程序可能会在一定程度上存在偏见。这意味着,恶意方可以很容易地损害研究成果,而没有人能够对其进行审计,并最终推动其议程。
人工智能的未来是光明的;基本面持续改善,更多的资本正在进入这个新兴市场。
但更引人注目的是人工智能与区块链技术的交叉,这解决了当前的一些挑战,包括透明度和计算成本。Qubic L1区块链是一个利用区块链技术增强人工智能创新状态的项目的一个例子。
该第1层区块链是Aigarth软件的宿主;目前为数不多的朝着奇点发展的人工智能项目之一(自改进人工神经网络——ANN)。Aigarth的人工智能生态系统将利用Qubic的有用工作证明(uPoW)共识和区块链的公共账本产生的额外计算能力。这种去中心化的方法降低了训练人工神经网络的成本,同时也提高了人工智能训练的透明度。
通过这种整合,人工智能行业很可能会倾向于一个生态系统,在这个生态系统中,创新不局限于大型技术和OpenAI等早期进入者,目前就是这种情况。相反,区块链网络的去中心化和无许可性质为更具协作性的环境开辟了空间。这在研究领域尤为重要,研究领域长期以来一直是人类进步的重点支柱。
此外,去中心化网络降低了单点故障的风险,使恶意行为者更难操纵数据或算法。区块链提供的透明度也意味着可以更有效地审查和审计人工智能研究模型的开发和部署,促进道德实践和信任,这在学术界或任何其他形式的研究中都是至关重要的。
ChatGPT推出至今已经一年半了;最新统计数据显示,这款人工智能软件每月拥有近2亿用户。这一数字表明了世界采用人工智能的速度有多快,但同时也突显了集中化的风险。
从好的方面来看,人工智能创新不必孤立地发挥作用。将它们的变革力量与区块链等其他4IR技术相结合,可能是解锁更值得信赖和人工智能用例的急需策略。
