本文的总结

• DeepMind的系统AlphaGo能够为职业围棋选手Lee Sedol带来最佳表现，其覆盖范围是游戏规则的改变者。
• DeepMind最近推出了一种新的“通才”AI模型，名为Gato。
• 在人工智能领域，我们可以预测会产生某些创新，无论是在视觉、自动驾驶汽车还是无人机方面，但我们必须认识到，人工智能最大的回报可能来自我们尚未跟踪的活动。

人工智能

让我们面对现实吧 - 我们喜欢令人兴奋的公告。当您可以预测即将到来的通用人工智能（AGI，artificial general intelligence）时，为什么要谈论给定人工智能（AI）系统的小型技术改进？然而，过分关注AGI可能会错过该领域的许多渐进式改进。这很像，仅仅关注汽车何时可以自己驾驶，可能会错过所有不断添加到汽车中的增量辅助驾驶功能。

DeepMind走在最前沿..但是

AlphaGo的报道，DeepMind能够最好地发挥职业围棋选手李世石（Lee Sedol）性能的系统，是游戏规则的改变者。现在有AlphaZero，AlphaFold等等。DeepMind在展示如何将AI应用于实际问题方面取得了令人难以置信的进展。例如，AlphaFold预测了给定蛋白质将如何折叠，并且通过准确准确地了解给定蛋白质的形状，在我们如何思考各种医学治疗方面释放了巨大的潜力。

使用mRNA的Covid-19疫苗主要基于靶向特定“刺突蛋白”的形状。整体蛋白质折叠问题是人类50多年来一直关注的问题。

然而，DeepMind最近提出了一种新的“通才”AI模型，名为Gato。可以这样想——AlphaGo特别关注围棋游戏，而AlphaFold专门关注蛋白质折叠——它们不是通才的AI应用程序。相比之下，Gato可以做到:

• 玩雅达利视频游戏
• 标题图片
• 聊天
• 用真正的机器人手臂堆叠积木

Gato总共可以完成604项任务。这与更专业的AI应用程序非常不同，后者使用特定数据进行训练以优化一项任务。

那么，AGI现在就在地平线上吗？

需要明确的是，完整的AGI是迄今为止实现的任何成就的重大飞跃。随着规模的增加，Gato使用的路径可能会导致比迄今为止所做的任何事情都更接近AGI。同样，仅靠增加规模也无济于事。AGI可能需要尚未确定的突破。

人们喜欢被炒作人工智能及其潜力。近年来，OpenAI开发GPT-34很大，图像生成器DALL-E也是如此。这些都是巨大的成就，但都没有导致技术表现出人类的理解水平，并且不知道其中任何一种使用的方法是否自然地在未来导致AGI。

如果我们不能说AGI什么时候会来，我们能说什么呢？

虽然像AGI这样的大规模突破可能很难（如果不是不可能的话）确定地预测，但对人工智能的广泛关注一直在经历令人难以置信的上升。最近发布的斯坦福人工智能指数报告非常有用，因为人们可以看到：

1. 涌入该领域的投资规模。从某种意义上说，投资在一定程度上衡量信心，因为必须有一种合理的信念，即生产活动将产生于所资助的努力。
2. AI活动的广度以及活动如何普遍显示改进的指标。

人工智能投资的增长

从图1来看，投资增长的进展是惊人的。我们认识到，这部分是由人工智能本身的兴奋和潜力以及一般环境驱动的。事实上，2020年和2021年展示了如此大的数字，这一事实必须受到这样一个事实的影响，即资本成本是最小的，而且金钱正在追逐令人兴奋的故事，未来潜在的利润也会消失。根据我们今天所知道的，很难预测2022年的数字超过2021年，但它仍然可能是一个强大的绝对金额。

考虑投资组成部分的演变也很有趣：

• 2014年的定义是公开发行，在其他年份，公开发行通常处于相对于总数的较小一端。
• 投资持续增长的主要驱动力是在私人方面，因此图1显然描绘了私人投资的周期性上升，我们认识到，在整个21世纪20年代，私人投资不一定会继续直线上升趋势。

图1：2013-2021年全球企业对人工智能的投资（按投资活动划分）

资金资助有哪些人工只能活动？

总投资金额是一回事，但考虑特定的活动领域更具体。图2在这方面很有帮助，提供了2021年相对于2020年的变化。

• 2021年，“数据管理，处理，云”，“金融科技”和“医疗和保健”一路领先，每个领域都突破100亿美元。
• 值得注意的是，在2020年（紫色）数据中，“医疗和保健”以约80亿美元领先。它使“数据管理，处理，云”和“金融科技”的相对同比增长更加明显。

图2：按重点领域划分的人工智能私人投资，2020年与2021年

人工智能在技术上是否在改进？

这是一个引人入胜的问题，其答案可能具有近乎无限的深度，并且可能在未来的无限多的学术论文中涵盖。我们在这里可以注意到的是，它涉及两个不同的努力：

1. 设计、编程或以其他方式创建特定的 AI 实现。
2. 找出测试它是否真正做它应该做的事情或随着时间的推移而改进的最佳方法。

我发现“语义分割”特别有趣。这听起来像是只有学者才会说的话，但它指的是在图片中看到一个人骑自行车的概念。您希望AI能够知道哪些像素是人，哪些像素是自行车。

如果你在想——谁在乎复杂的人工智能是否能在这样的图像中从自行车中辨别出这个人？——我承认它可能没有最高的应用价值。然而，想象一下医学成像设备上显示的内部器官 - 现在想想将健康组织与肿瘤或病变区分开来的价值。你能看到它能带来的价值吗？

斯坦福大学人工智能指数报告实际上分解了旨在衡量人工智能模型在以下领域的进展的具体测试：

• 计算机视觉
• 语言
• 演讲
• 建议
• 强化学习
• 硬件训练时间
• 机器人

其中许多领域正在接近可以被定义为“人类标准”的领域，但同样重要的是要注意，其中大多数领域只专注于它们所针对的一项特定任务。

结论：人工智能的实际应用还为时过早

对于某些大趋势，重要的是要谦卑地认识到我们不确定接下来会发生什么。在人工智能领域，我们可以预测某些创新，无论是在视觉、自动驾驶汽车还是无人机方面，但我们必须认识到，最大的回报可能来自我们尚未跟踪的活动。