وضعیت هوش مصنوعی در ۲۰۲۲
گزارش StateofAI چند روز پیش برای ۲۰۲۲ منتشر شد
. قبلا در این پست
t.me/nlp_stuff/259 گزارش ۲۰۲۱ اش رو بررسی کرده بودیم. امسال هم این گزارش در چهار بخش آکادمیک، صنعت، سیاست و ایمن هوش مصنوعی رو بررسی کردند و در نهایت هم پیشبینی از رخدادهای سال آینده دادند. چند نکته به نظرمون جالب اومدند که گفتیم با شما هم به اشتراک بگذاریم:
- اول از همه این که هوش مصنوعی در ۲۰۲۲ تونست در کاربردهای علمی مختلف از طراحی انزیم بازیافت پلاستک گرفته تا اثبات قضایای علوم پایه با موفقیت به کار گرفته بشه. این نشون دهنده اینه که پتانسیل زیادی در انواع رشتههای دیگه برای استفاده از هوش مصنوعی وجود داره.
- با گذشت ۵ سال از انتشار مقاله ترنسفورمر، این مدل همچنان آخرین آپدیت معماری هوش مصنوعی محسوب میشه. افزونههای بسیاری بر ترنسفورمر در این پنج سال مطرح شده اند و مخصوصا سعی کردهاند پیچیدگی مرتبه دو اش نسبت به ورودی رو کاهش بدن اما در نهایت برد همچنان با ترنسفورمر خالیه.
- استفاده از مدلهای زبانی در زمینه های دیگه مثل حل مسائل ریاضی یا دسترسی دادن مدلهای زبانی به استفاده از اینترنت (
t.me/nlp_stuff/260) یا حتی کمک به رباتها، همچنان مورد توجه جامعه هوش مصنوعی هست.
- قطعا امسال سال مدلهای diffusion بود. سال گذشته این موقع این مدلها تونسته بودند GANها رو تنها در چند بنچمارک شکست بدن. اما در کمتر از یک سال اکنون هایپترین مساله حوزه هوش مصنوعی هستند و تو کاربردهای مختلف نظیر تولید تصویر و فیلم و صوت و حتی مولکول ازشون استفاده میشه. مخصوصا در زمینه تولید تصویر، امسال مدلهای زیادی در این باره مثل Dall-E2 و Imagen و Glide منتشر شدند و امسال سال باز شدن قفل مساله تولید تصویر بود. این رشد منجر به تولد آزمایشگاههای جدید تخصصی برای این مساله نظیر Midjouney و StableDiffusion شد(
t.me/nlp_stuff/300). رقابت بر سر مدلهای تولیدکننده فیلم هم ظاهرا تازه شروع شده.
- ترنسفورمرها هم در یادگیری تقویتی و هم در حوزههای مدلهای مولتی مودال (مثل مدل گاتو) به کار گرفته شدند. به نظر این روند به این سمت میره که در نهایت یک مدل ترنسفورمری بزرگ برای انجام هر کاری رو در آینده خواهیم دید.
- تسک NeRF از نوزده مقاله در سال ۲۰۱۹ به بالای هزار مقاله در سال ۲۰۲۲ رسیده (
t.me/nlp_stuff/225) که در نوع خودش جالب محسوب میشه.
- اکثر مقالههای چینی بر روی حوزههای نظارتی و مراقبتی مثل تشخیص شی و چهره و مسیریابی اشیا متمرکز شده اند. در حالی که تمرکز جامعه هوش مصنوعی آمریکا بر روی مسائل متنی و صوتی هست. همچنین به صورت کلی تعداد مقالات آمریکاییها بیشتره ولی سرعت رشد تعداد مقالات چینیها بالاست. البته اگر مقالات چینی زبان رو هم به این مقایسه اضافه کنیم چینی ها حدود ۵ برابر آمریکاییها مقاله دارند :)
- همچنان مونوپلی عرصه GPU دست Nvidia است. به طوری که میزان سود سالانه nvidia بیشتر از میزان ارزشگذاری سه استارتاپ بزرگ در این زمینه است.
- امسال بسیاری از افراد هستههای فنی شرکتهای بزرگ نظیر گوگل و متا و اوپنایآی این شرکتها رو ترک کردن و به سراغ استارتاپهای خودشون در زمینه هوش رفتند. برای مثال آقای Vaswani نویسنده مقاله ترنسفورمر که به adept پیوسته (اینجا یک محصول این شرکت رو معرفی کرده بودیم
t.me/nlp_stuff/303)
- هوش مصنوعی هم از مشکلات اقتصادی امسال دنیا بی آسیب نموند و میزان سرمایهگذاری در استارتاپهای هوش مصنوعی نسبت به سال پیش ۳۶ درصد کاهش رو تجربه کرد. میزان این رقم کاهش برای همه استارتاپها ۲۴ درصد بوده.
- آمریکا همچنان بیشترین استارتاپهای هوش مصنوعی یونیکورن رو داره (استارتاپهایی با بیش از یک میلیارد دلار ارزش) این رقم برای امریکا و چین و انگلیس به ترتیب ۲۹۲ و ۶۹ و ۲۴ هست. نکته جالب توجه قرار گیری اسرائیلیها در رده چهارم لیست با ۱۴ یونیکورن و ۵۳ میلیارد دلار ارزشه در حالی که جمعیتش به ده میلیون هم نمیرسه. wordtune یکی از نمونه استارتاپهای مشهور اسراییلی هست.
- در حوزه آموزش مدلهای بزرگ، آکادمی در رقابت با صنعت رقابت رو وا داده و نرخ مشارکت آکادمی از شصت درصد در سال ۲۰۱۰ به حدود صفر درصد در اکنون رسیده! و به صورت کلی پژوهش از انحصار آکادمی دراومده و یک جوری حالت غیرمتمرکز پیدا کرده.
- شرکتهای حوزه دفاعی در حال به کار بستن هوش مصنوعی در محصولات و تجهیزات خودشون هستند. این علاقه یکطرفه نیست و شرکت های بزرگی نظیر آمازون و مایکروسافت و گوگل هم در تلاش برای عادی سازی استفاده از هوش مصنوعی در صنایع دفاعی هستند.
در نهایت هم چند تا پیشبینی برای سال آینده داشتند که جالبترینهاشون یک مدل ۱۰ میلیارد پارامتر مولتیمودال-یادگیری تقویتی از دیپمایند و ظهور ابزارهای مولد صوتی است.
این گزارش خوب رو از دست ندید.
لینک گزارش:
Stateof.ai#read@nlp_stuff