新的机器学习模型每小时都会出现,但这种快节奏也有缺点;假设驱动的开发可以帮助缓解这些问题。
我们生活在人工智能时代!每天都有许多新的人工智能工具和机器学习模型被创建、训练、发布,并且经常进行广告宣传。以 Hugging Face 为例,我们看到今天(2023 年 11 月 6 日)有近 400,000 个可用模型,而 2022 年 11 月约有 84,000 个可用模型(见图 1)。短短一年内,型号数量大幅增加了约 470%。请记住,Hugging Face 并不是唯一的 ML 模型平台。另外,许多模型甚至不是开源的。因此,可以肯定地说,可用 ML 模型的实际数量要高得多。
真的需要如此大量的模型膨胀吗?
人工智能令人兴奋不已,这首先是好事。人工智能有潜力找到解决方案,或者至少缓解气候变化或流行病等一些最严峻的全球挑战。此外,人工智能可以使日常任务更加高效,从而改善我们的工作与生活平衡。因此,研究和开发人工智能并将机器学习模型提供给社区是正确且必要的步骤!然而,鉴于人工智能社区的发展速度和兴奋程度,我想知道:真的需要如此大规模的模型膨胀吗?最终谁将从中受益?

对于给定主题的“兴奋”和“炒作”的常见缺点之一是,派生的动机和工作不是专门针对某个目标,而是更加肤浅和广泛。人工智能的上述潜在好处并不是来自于拥有大量肤浅的模型,而是来自于解决难题的专门模型。
除此之外,当前模型开发、部署和广告的速度还带来了一些我们可能已经遇到过的缺点。解决这些问题对于确保未来获得最佳结果非常重要。当前人工智能发展速度的一些潜在缺点:
免责声明
本文内容(图片、文章)翻译/转载自国内外资讯/自媒体平台。文中内容不代表本站立场,如有侵权或其它,请联系 admin@eiefun.com,我们会第一时间配合删除。