20世紀50年代出現的計算熱潮,“人工智能”一詞誕生(1956年);20世紀80年代出現了神經網絡和個人計算革命的突破,使計算得以廣泛使用,人工智能再次出現。但在這兩個時刻,人工智能從未到達人類的期望。隨后對該技術的失望和幻滅導致了研究資金的停滯和人工智能技術的發展下降。結果是“AI之冬”的開始。
如今,像ChatGPT和Bard這樣的生成式人工智能解決方案既令人興奮又印象深刻。它們能夠接收巨大的數據集,并建立復雜的相關性,只需一個簡單的提示即可生成內容。這些方法所實現的巨大進步表明,人工智能領域正處于復興的邊緣。
問題是,ChatGPT和Bard都無法檢查他們答案的準確性,聽起來正確和實際表現良好之間存在巨大差異。因此,聊天機器人實際上對解決業務問題的作用并沒有想象中那么大。
為了避免重演歷史,使人工智能再次停滯,重要的是要承認生成式人工智能的真正局限性,并通過開發和加強其他關鍵人工智能技術來解決這些局限性。
生成式人工智能的工作原理
生成式人工智能使用大型語言模型,這是在大量文本上訓練的神經網絡。他們的力量來自于在這些海量數據集上建立相關性的能力。一旦人工智能根據足夠的數據進行了訓練,如果給出一個簡短的提示,它就可以回憶起以前看到的文本的風格,并生成具有類似設計的內容。
雖然這些人工智能所展示的技術實力與上世紀90年代網絡瀏覽器的發展一樣令人興奮,但對于如何推動這一領域的發展,人們有不同的看法。一些人認為,只要有足夠的數據,生成式人工智能就可以解決任何問題;他們走向人工智能復興的道路只需要在更多的數據上訓練生成模型。但這從根本上忽略了一個事實,即生成式人工智能根本無法解決所有問題。
了解生成式人工智能當前的局限性
盡管人們對ChatGPT和Bard很感興趣,但用戶/學者都表示,聽起來正確和真正表現良好之間存在巨大的差異。生成式人工智能正在為聽起來令人印象深刻的提示提供答案,但它們并不一定準確。這是因為他們并不是為了理解自己的答案是否正確而設計的,而且在很多問題中,準確性至關重要。問題是,傳統生成式人工智能是使用大量未經驗證的數據在通用模型上進行訓練的,它們無法利用企業的內部數據。盡管內部數據對于解決一些最緊迫的問題是必要的,但由于敏感的客戶數據不會在互聯網上公開,生成式人工智能不太可能很快獲得訪問權限,也不是為了從較小的“企業規模”數據中學習而構建的。
ChatGPT局限性的另一個例子涉及因果關系的概念。例如,如果一個人憑直覺問了一個問題,比如“如果下雨,草會濕嗎?”,這個人會理解是雨導致草濕的。然而,ChatGPT并沒有被編程為具有因果關系感,以理解支撐因果邏輯感的知識層次。ChatGPT的另一個經常被忽視的局限性涉及支持它所需的計算成本。每一代后續生成的人工智能都需要大幅增加計算成本,因為它需要獲取越來越多的信息來改進其相關方法,這使得它對大多數組織來說過于昂貴。
另類技術助力人工智能復興
為了讓人工智能在解決一系列問題方面真正強大,其他技術需要與生成式人工智能同時發展。將各種現代技術相結合,可以使其能力得到提高,并引導人工智能走向復興。其中包括:
因果人工智能,旨在確定因果關系和控制其他變量。標準的行業慣例是使用A/B測試來確定什么樣的干預措施——例如,“我應該向客戶提供多大的促銷折扣?”——并確定個別客戶行為不同的原因。使用許多不同的同時變量進行大規模的A/B測試是很棘手的,這就是可以利用因果人工智能的力量的地方。
在線學習是人工智能的一個技術術語,它根據條件、預測和準確性不斷更新自己。當前生成式人工智能無法根據反饋實時更新自身。以疫情為例。消費者習慣發生了巨大變化,再多的歷史數據也無法預測買家行為會如何變化,以及組織需要如何調整。歸根結底,任何值得一試的人工智能都需要足夠靈活,能夠實時“實地”學習,并根據實際情況提供答案來解決相關問題。
有了這些技術的結合,人工智能可以解決無數不同類別的問題。值得注意的是,盡管人工智能通常與海量數據集合作,但專注某些領域的人工智能可以在單個數據點和有限數據集(如單個企業的交易)的規模上進行決策,對于不同行業來說價值更大。更重要的是,這可能是世界一直在等待的真正人工智能復興的開始。