今年AI行业发展的5大趋势

趋向1：大型语言模型(LLMs)，定义了下一波交互AI。

AI语言模型建立在自然语言处理技术和算法的基础上。例如，当某个句子是半部分时，该模型将根据以前记录的事例，推断该句子后面的几个词。总而言之，就是总结文本信息，甚至从纯文本生成视觉图。

LLM(LLMs)训练对象是对包含大量数据的大规模数据集。比如Google的BERT和OpenAI的GPT-2和GPT-3，都是LLMs的典型例子。GPT-3中大约有1750亿个参数，它们用来训练570兆字节的文本。从简单的文章到复杂的财务模型，这些模型都能产生结果。如今，包括OpenAI、HuggingFace、Cohere、AI21Labs和AI12在内的人工智能创业公司都在为LLMs培养出数十亿参数的模型。

一家名为Naver的韩国公司宣布，他们开发了最全面的基于人工智能的语言模型HyperCLOVA，一种类似GPT-3的韩语模式。不像上面提到的模式，华为的PanGu-Alpha和百度的Ernie3.0Titan都是经过电子书、百科全书和社交媒体的中文数据集培训而成。

到2022年，我们将看到大型语言模型成为下一代交互人工智能工具的基础模型。

趋向2：多模式人工智能的兴起。

模型(Modality)是德国理学家赫尔姆霍茨提出的一个生物学概念，也就是生物凭经验接受信息的通道，例如，人类具有视觉、听觉、触觉、味觉和嗅觉模式。多模式是指各种感觉的融合，而多模式交互则是指人通过声音、肢体语言、信息载体(文字、图片、音频、视频)、环境等多个通道与计算机进行交流，充分模拟人与人之间的交互方式。

常规深度学习算法主要关注从单个数据源对模型进行训练。比如，计算机视觉模型是对一组图像进行训练，NLP模型用于对文本内容进行训练，语音处理包括生成声学模型、唤醒词检测和噪声消除。这类机器学习涉及单模式人工智能，并且结果全部映射为单个数据类型。同时，多模式人工智能是计算机视觉和交互人工智能智能模型的最终融合，它为计算器提供了更接近人类感知的场景。

最新的多模式人工智能的例子是OpenAI的DALL-E，它以艺术家Salvador-Dali和PicksWale的谐音命名。可根据文字描述产生相应的图像。举例来说，当将文字描述为“一个圆环形时钟”发送给该模型时，它就能产生图像。

多任务统一模型(MUM)是谷歌多模式人工智能的又一实例。该方法通过从75种不同语言提取的上下文信息，对搜索结果进行优先排序，以改善用户的搜索体验。MUM使用T5的文本到文本框架，比在BERT上流行的基于转换器的自然语言处理模型要强1000倍。

通过简单的文字输入，英伟达的GauGAN2模型可以产生像照片一样逼真的图片。该方法将分割映射与单个模型相结合，实现内绘、文到图的生成，使之成为一种功能强大的多模式工具，能够通过文字和图片的混合创造出真实的艺术。

不久的将来，我们将会看到计算机视觉、语言和语音模式的融合，它使人工智能更加丰富和真实。

潮流3：简化和优化MLOps。

是一种将机器学习应用于工业生产的实践，是机器学习和DevOPs在软件领域结合起来的一种实践，因此它在很多方面类似于2012DevOps。当DevOps于2012年面世时，很多企业已经认识到它的价值，但他们实施DevOps是一件难事，工具链十分复杂，生态系统也不完善。相对于MLOps而言，MLOps更复杂，它包含了安装、配置培训、推理架构、配置特征存储器、配置模型注册表、监视模型衰减、检测模型漂移等相关内容。它巨大的软件包也使得MLOps的部署比DevOps更加困难。

MLOps是加入基于云计算的ML平台的一个概念，包括AmazonSageMaker、AzureML和谷歌的VertexAI。但是，这些功能并不能同时用于混合和边缘计算这两种环境。所以，监控边缘计算的环境模型已经成为企业面临的一大挑战。当我们使用计算机视觉系统和交互人工智能系统时，建立用于监控边缘计算的模型将变得更具挑战性。

由于像Kubeflow和MLflow这样的开放源码项目逐渐成熟，MLOps实际上已经可以轻松获取了。我们可能会发现，在未来几年，跨越云计算和边缘计算环境，采用了一种简化的MLOps方法。

趋向4:AI驱动开发者生产率。

将来，人工智能几乎将影响IT产业的方方面面，包括编程和开发。近几年来，我们曾见过一些工具，如亚马逊代码大师，它可以在开发者编程时，为他们提供智能建议，从而提高代码质量，并且识别应用程序中最重要的那一行代码。最近，GithubCopilot第一次以“人工智能配对程序员”的身份帮助开发者写出有效的代码。Salesforce的研究小组还发布了CodeT5，一项开放源码项目，可以帮助Apex开发者在AI驱动下编写代码。之前的Codata,Tabnine已经完全将智能代码引入主流开发环境。Ponicode还是一种AI驱动的工具，它提供了功能创建、可视化和运行单元测试的快捷方式。

大规模语言模型(LLMs)的出现以及开放源码更加广泛的可获得性，使得IDE厂商得以构建基于它的智能代码生成与分析系统。

更进一步说，可以通过内嵌注解生成高质量、紧凑代码的工具已经成为期待。他们甚至能把一种语言编写的代码翻译成另一种语言，通过将传统代码转换成现代语言，使应用程序现代化。

潮流五：云平台垂直化AI新解决方案。

包括亚马逊，谷歌和微软在内的全球领先的人工智能供应商正在把研发成果商业化。它们通过自己的云平台提供主机服务，并安装了具有人工智能加速器和预训模型的硬件设备。

亚马逊连接和谷歌联络中心AI就是垂直整合的典型例子。这两家公司都利用机器学习的能力来实现智能路由，由机器人驱动的客户服务会话，以及自动为联络中心代理提供帮助。AWSPanorama可与已有IP摄像机相连，以执行基于计算机视觉的推理。用户可以在他们的云平台中使用新的模式。

然后把他们部署到全景设备的边缘。AzurePercept也用类似的方法来提供边缘计算视觉模型和交互人工智能。在Azure上，微软建立了Percept，基于现有的物联网，人工智能，边缘计算服务。