21世紀經濟報道記者駱轶琪 廣州報道
随着AI技術不斷滲透具體場景并進行能力細化演進，一些新的AI 技術能力也開始受到關注并走向主流。
近日，Gartner釋出《2022年人工智能技術成熟度曲線》報告提到，盡早采用複合型人工智能（AI）、決策智能等AI技術将給企業機構帶來明顯競争優勢，緩解AI模型脆弱性引發的問題，有助于捕捉業務背景資訊，推動價值實作。
該機構指出，已進入生産成熟期的技術，其實際效益已得到證明和認可。随着越來越多的企業機構認為風險已下降至可接受程度，AI技術的采用開始進入快速增長階段。
在随後的采訪交流過程中，Gartner研究總監闫斌介紹道，今年釋出的《成熟度曲線》中，很多技術出現了較大變化，比如計算機視覺技術相對已經步入成熟期，在具體的應用場景、工程實踐等方面都已經相對成熟；但同時如自然語言處理（NLP）在人們的期望值中正緩慢下降，因為目前的技術程度還比較難做到理想狀态下機器與人間進行智能交流的程度。
“當然我們看到另外的趨勢，NLP技術被較多使用在‘AI增強’場景中，也就是機器通過自然語言處理，給人以更多推薦和輔助能力，這類場景下的效果還不錯。”他續稱。
兩大未來主流技術
Gartner在着重提到了五大類正處在技術萌芽期或已經步入期望膨脹期的技術類型，諸如處在技術萌芽期值得關注的技術有因果AI、決策智能、複合型AI、生成式AI，已經進入期望膨脹期被重點關注的技術有基礎模型、合成資料。此外還提出，複合型人工智能和決策智能将在不到5年時間内成為主流技術。
（Gartner釋出的2022年人工智能技術成熟度曲線，圖源：Gartner）
闫斌介紹道，正因目前的機器學習/深度學習技術多少遇到了一些瓶頸，是以複合型AI更強調結合機器學習的方式以及其他圖技術、優化算法等能力，結合起來才能夠幫助企業更好帶來價值。
具體來說，AI存在兩種風格，一類是“連接配接主義”派别，即通過大量資料進行機器學習；另一類是“符号主義”等派别，是基于一定規則下的理性推理分析，複合型AI就是将這兩種路線進行結合，進而減少人工智能解決方案學習時所需的資料和能量，使抽象化機制發揮更大作用。
複合型AI被認為是推動決策智能興起的核心因素。闫斌表示，決策智能對于企業應用來說分為不同層級，基礎層是普通員工的執行操作，往上的層級開始需要結合機器的能力完成，到Tactical層級就需要管理層介入進行戰略決策。“是以對企業來說，需要再造做決策的流程，通過資料并進行分析，幫助企業完善這個過程。”
不過正如深度學習依然被視為黑匣子，人腦的決策過程也并沒有被完全解析，這導緻目前了解架構下所收集到的資料還很表面，真正實作決策智能依然有較長的一段路要走。
闫斌指出，目前還沒有被掌握的部分，可能包括經濟因素、企業文化因素、心理學因素等各項綜合，未來企業要重塑内部決策智能化的過程，就需要把這些決策條件更加顯性化，還需要更多嘗試來推進。
（決策産生的路徑依然沒有得到完全解釋，正如圖中水下的龐大冰山，導緻決策智能依然有較長一段路要走。圖源：Gartner）
在此過程中，因果AI也會與決策智能産生一定緊密聯系，且因果AI也是近期被高度關注的一個技術方向。
具體來說，人工智能的最終價值在于提高人類的行動水準。機器學習方法根據統計關系進行預測，無論這些關系是否構成因果關系。當需要更規範地确定哪些最佳行動可促成特定結果時，因果AI就可以發揮重要作用。進而提高人工智能技術的自主性、可解釋性、穩健性和效率。
資料與邏輯應更緊密
另一個近期受關注的技術就是生成式AI，如AI可以幫助生成很多有意思的圖檔或視訊，且看起來也生成的是一個合乎邏輯的結果。當然這其中也存在局限，比如生成圖檔背後對于其邏輯的了解，可能未必完全符合常識。
合成資料受重視的一個主要原因還是在于資料缺乏，AI的生成背後需要巨大資料量，但這也意味着巨大的資訊擷取和标記成本負擔。是以企業在面臨資料量不夠大，或者因考慮到隐私、資料安全等問題而擷取的資訊受限時，這一問題就可以通過合成資料來彌補，此外，合成資料在去除個人身份資訊方面也有重要作用。
還有就是基礎模型，這正成為自然語言處理領域的首選架構，同時這一架構還能支援計算機視覺、音頻處理、軟體工程、生物化學、金融和法律用例等。
當然在具體執行中，對于這種模型的應用處理，不同類型企業所執行的路線或許不同。
闫斌就發現，普通企業很少在生産環境中部署大模型，更多還是網際網路公司，如谷歌和阿裡。因為大模型背後需要非常龐大的資料集和龐大體量的模型，對于企業是否實用是一個核心議題。
“我們認為基礎模型的未來潛能還很大，但肯定距離人們的預期和成熟度還有較大差距。目前深度學習或者機器學習依然屬于一号系統，它背後的邏輯是基于一個龐大的語料庫或者圖檔庫進行預測和輸出，但是怎麼把更深層次的邏輯注入到深度學習中，其實是學界關注的一個重要話題。”他同時告訴21世紀經濟報道記者，大模型背後最重要的就是資料本身，但目前的模型還沒有一個絕大突破，更多還是有資料基礎。“從國内廠商來看，BAT這些巨頭的資料儲備我認為挺強，阿裡也做過多模态展示，效果還不錯。”
當然綜合來看，闫斌指出，這依然需要結合兩方面能力，也即資料品質管理和邏輯推理模型完善。在資料方面，可以通過“小資料”的方式，将資料資訊進行分層，如按照資料-資訊-知識-智慧的思路，逐層完善資訊模型；邏輯方面更加量化其評估條件。
更多内容請下載下傳21财經APP