過去10年，人工智能從實驗室走向各行各業(yè)，成為一種普遍技術(shù)應(yīng)用于眾多領(lǐng)域。

根據(jù)IDC的數(shù)據(jù)，2022年全球AI市場規(guī)模達到4328億美元，增長近20%。而PrecedenceResearch預(yù)計，到2030年，人工智能市場將突破15.7萬億美元。這種爆炸性增長建立在數(shù)據(jù)獲取與存儲成本降低和半導(dǎo)體創(chuàng)新的基礎(chǔ)上。

以下是2023年可以重點關(guān)注的四大AI方向，這四個方向有望在今年進一步推動AI的發(fā)展，并幫助解決行業(yè)面臨的一些核心挑戰(zhàn)。

如何在邊緣節(jié)點上執(zhí)行更多人工智能處理是近幾年AI領(lǐng)域努力的重要方向之一?？上驳氖沁@一方向上已經(jīng)產(chǎn)出了很多有價值的創(chuàng)新，今年這個方向依然是需要關(guān)注的重點方向，只不過關(guān)注重點會轉(zhuǎn)向集成和落地。

對于邊緣設(shè)備，人工智能系統(tǒng)需要執(zhí)行各種不同的任務(wù)，這不僅需要不同類型的算力，還需要不同類型內(nèi)存、連接和傳感器輸入。如何將這些異構(gòu)組件高效、節(jié)能、穩(wěn)定地集成起來是一項巨大的挑戰(zhàn)。這項工作涉及其他工程領(lǐng)域，如機械設(shè)計、光學(xué)設(shè)計、電氣設(shè)計以及數(shù)字和模擬半導(dǎo)體設(shè)計。

數(shù)據(jù)中心的集成帶來了一系列不同但非常多樣化的挑戰(zhàn)。為了提供深度計算所需的算力性能，需要將多個核集成到一個芯片上。這些組件主要由密集的數(shù)字邏輯組成，如加速大型神經(jīng)網(wǎng)絡(luò)所需的基礎(chǔ)算力。

隨著芯片和制程復(fù)雜性的不斷增加，人工智能設(shè)計工具的采用呈指數(shù)級增長。在短短一年間，人工智能設(shè)計的商用芯片數(shù)量至少增加了一個數(shù)量級。隨著人工智能設(shè)計技術(shù)的加速發(fā)展，訓(xùn)練數(shù)據(jù)集變得更加全面，新型工具將帶給設(shè)計團隊更多優(yōu)勢。

隨著該技術(shù)在未來一年的成熟，由人工智能驅(qū)動的設(shè)計能力將在芯片設(shè)計領(lǐng)域?qū)崿F(xiàn)生產(chǎn)力突破，并幫助創(chuàng)建更復(fù)雜的設(shè)計，以滿足功率、性能和面積上的需求。

預(yù)計今年會有基于AI強化學(xué)習(xí)用于解決各種設(shè)計挑戰(zhàn)的應(yīng)用進入市場，甚至隨著技術(shù)在未來進一步成熟，人工智能設(shè)計可能會成為市場主流。

開發(fā)新的人工智能應(yīng)用程序最具挑戰(zhàn)性也是最耗時的工作之一是建模，然后對其進行訓(xùn)練和優(yōu)化以執(zhí)行特定任務(wù)的過程。這催生了對所謂基礎(chǔ)模型（也叫大模型）的更多研究。

基礎(chǔ)模型是一種人工智能模型，只需設(shè)計一次，然后使用非常大的數(shù)據(jù)集進行訓(xùn)練，以實現(xiàn)各種目標。一旦訓(xùn)練完成，該模型可以適應(yīng)許多不同的應(yīng)用，從而減少專門為每個應(yīng)用程序設(shè)計新模型的時間。基礎(chǔ)模型的巨大規(guī)模允許用戶實現(xiàn)以前無法實現(xiàn)的全新功能。

基礎(chǔ)模型還推動了去年非常熱門的AI技術(shù)——生成AI。生成AI專注于創(chuàng)造新的內(nèi)容，其本質(zhì)核心是基礎(chǔ)模型，能夠訓(xùn)練非常龐大的數(shù)據(jù)，包括文本、圖像、語音，甚至是來自傳感器的3D信號。

根據(jù)輸入，可以訓(xùn)練相同的基礎(chǔ)模型來合成新內(nèi)容，例如繪畫、創(chuàng)作音樂，甚至創(chuàng)建聊天機器人。去年年底大火的ChatGPT就是基礎(chǔ)模型和生成AI的典型應(yīng)用。

生成AI將使創(chuàng)建新內(nèi)容變得極其容易，具有極高的應(yīng)用價值。隨著技術(shù)的成熟，加上ChatGPT引爆市場，相信在今年生成AI會爆發(fā)式成長。

最后，因果AI。深度學(xué)習(xí)的困境之一是模型的不可解釋性，解決這一問題的一種方法是引入因果關(guān)系。盡管因果AI目前還處于早期，但已經(jīng)在醫(yī)療健康、藥品研發(fā)、金融服務(wù)、制造業(yè)和供應(yīng)鏈組織等特定領(lǐng)域廣泛采用。

通過將知識圖與因果圖相結(jié)合，并進行模擬，從而超越依賴歷史數(shù)據(jù)的基于相關(guān)性的機器學(xué)習(xí)。因果預(yù)測可以通過使因果關(guān)系透明來提高人工智能的解釋能力。

另一方面，阻礙人工智能發(fā)展的一個重要瓶頸是缺乏高質(zhì)量的標簽數(shù)據(jù)。雖然我們今天已經(jīng)看到了進展，但2023年仍將不會得到根本性解決。

解決這一問題目前有2個方向，一是自監(jiān)督學(xué)習(xí)（self-supervisedlearning），二是因果AI。

自監(jiān)督學(xué)習(xí)使用自監(jiān)督算法對模型進行預(yù)訓(xùn)練，然后根據(jù)特定任務(wù)對模型進行微調(diào)；而因果AI不需要大數(shù)據(jù)樣本。這方面最好、最有效的例子是NLP（自然語言處理），其中掩蔽語言建模（MaskedLanguageModeling，使模型預(yù)測句子中隱藏的單詞）和因果語言建模（CausalLanguageModeling，讓模型預(yù)測句子中下一個單詞）技術(shù)徹底改變了傳統(tǒng)算法。

審核編輯 ：李倩