优质边坡防护网：企业人工智能实验室转向商业研究凸显了基础科学投资的必要性

优质边坡防护网：企业人工智能实验室转向商业研究 凸显了基础科学投资的必要性

谷歌母公司Alphabet上周成立了一家名为同构实验室的子公司，专注于人工智能驱动的药物发现。根据一篇博客文章，在DeepMind联合创始人戴密斯·哈萨比斯的领导下，同构将使用AI来识别研究人员迄今为止未能找到的疾病治疗方法。

哈萨比斯写道:“同构实验室是一家商业企业，其使命是使用人工智能优先的方法从头开始重新想象整个药物发现过程。”“[最终，我们希望]模拟并理解生命的一些基本机制...生物学和信息科学之间可能有一个共同的基础设施——两者之间的同构映射——这就是公司的名字。”

同构的推出凸显了企业支持的AI实验室所面临的压力，他们希望进行商业研究，而不是理论应用。在亏损近20亿英镑(27亿美元)后，DeepMind在2020年首次盈利，营收8.26亿英镑(11.2亿美元)，达到4380万英镑(5914万美元)。尽管该实验室仍在从事《星际争霸2》和《围棋》中能够击败冠军的系统等知名项目，但近年来DeepMind已经将注意力转向天气预报、材料建模、原子能计算、应用推荐和数据中心冷却等更为实用的领域。优化。

由于优先级的变化导致了Alphabet内部报道的权力斗争，DeepMind最初的任务是开发通用人工智能(AGI)或能够以开源方式处理任何任务的AI。

越来越商业化的不只是DeepMind。GPT-3背后的公司OpenAI成立于2016年，是一家非营利组织，但在2019年，它转变为“利润上限”结构，以吸引新的投资者。这个策略奏效了。大约一年前，微软宣布向OpenAI投资10亿美元，共同开发微软Azure云平台的新技术。作为交换，OpenAI同意将其部分知识产权授权给微软，然后该公司将其打包出售给合作伙伴，并在OpenAI致力于开发下一代计算硬件时，在Azure上训练和运行AI模型。

当然，接受人工智能这个可能更赚钱的研究方向也不一定是坏事。与DeepMind同构的AlphaFold 2系统用于预测蛋白质的形状。科罗拉多大学博尔德分校和加州大学旧金山分校的研究人员正在使用该系统研究新型冠状病毒(也称为冠状病毒疾病)的抗生素耐药性和生物学。然而，当利润成为第一要务时，重要的基础工作可能会被搁置一旁。

“科技行业正在危及自身的未来和人工智能的进步，”企业应用和服务编排平台SnapLogic的首席执行官在最近的一篇文章中写道。“除了培养未来的人才，[中心等。]大学也开展了企业通常不愿意承担的那种蓝天研究，因为财务回报尚不明确。”

例如，微软和英伟达上个月宣布，他们已经训练了他们声称是迄今为止最强大的语言模型之一。但是建造它并不便宜。将专家的成本定在几百万美元，这比大多数创业公司、政府、非营利组织和大学的计算预算都要多。虽然基本的机器学习操作的成本在过去几年中一直在下降，但下降的速度不足以弥补差异——而且训练前的网络修剪等技术也远不是一门已解决的科学。

“我认为最好的类比是一些石油丰富的国家可以建造非常高的摩天大楼，”加州大学洛杉矶分校计算机科学助理教授盖伊·范·登布鲁克在此前接受VentureBeat采访时说。“当然，建造这些东西需要大量的资金和工程努力。而且你确实得到了建造高层建筑的“最先进的技术”。但科学本身并没有进步……我相信学术界和其他公司会很乐意在下游任务中使用这些[模型]，但我不认为它们会从根本上改变人工智能的进步。”

另一个企业野心失控的例子是，谷歌在去年1月发布了一个人工智能模型，该模型由超过9万张乳房x光片进行训练。该公司表示，该模型取得了比人类放射科医生更好的结果。谷歌声称，该算法可以比以前的工作识别出更多的假阴性——看起来正常但包含乳腺癌的图像——但一些临床医生、数据科学家和工程师不同意这种说法。在《自然》杂志发表的反驳文章中，合著者表示，谷歌研究中方法和代码的缺乏“削弱了其科学价值”。

学术投资

一篇论文发现，从2008年和2009年到2018年和2019年，AI研究中与公司的联系(无论是资本还是隶属关系)翻了一番，达到79%。从2006年到2014年，AI出版物中有附属作者的比例从大约0%增加到40%，反映出从学术界到企业的研究人员越来越多。

解决办法可能在于增加对大学和其他风险偏好更高的机构的投资。最近，美国政府通过国家科学基金会(NSF)资助了11个新的国家人工智能(AI)研究机构，并正在朝着这一目标前进。NSF将为包括AI机器学习基础研究所和AI人工智能与基础交互研究所在内的计划拨款超过2.2亿美元，这些计划将研究神经架构优化等人工智能理论挑战，并结合劳动力发展、数字学习、外联和知识转移计划，开发集成物理规律的人工智能。

这并不是说学术过程本身没有缺陷。精英大学的计算能力非常集中；AI研究还存在可重复性的问题，一些研究人员认为不断推动进步可能弊大于利。2018年的一项元分析强调了机器学习学术界出现的令人不安的趋势，包括未能确定经验收益的来源，以及使用令人困惑或印象深刻的数学来代替澄清。

尽管如此，无论取得了什么样的成就，更加重视基础和基础的人工智能研究，可能会带来理论上的突破，从而显著推动最先进的技术。此外，它还可以促进善良、正义和宽容等价值观，而这些价值观往往在严格的商业动机下被忽视。版权声明:本文内容由网民自发贡献，文中观点仅代表作者本人。本文(http://www.chuangzai.com)仅提供信息存储空服务，不拥有所有权并承担相关法律责任。如果您发现本网站涉嫌抄袭侵权/非法内容，请发送电子邮件至[email protected]举报。一经核实，本网站将被立即删除。