作者
Tim Mucci
IBM Writer
Gather
人工智能的未来
图灵在 20 世纪 50 年代对思考机器的预测为后来人工智能 (AI) 的发展奠定了哲学基础。20 世纪 80 年代和 21 世纪头 10 年，Hinton 和 LeCun 等神经网络先驱为生成式模型铺平了道路。反过来，21 世纪 10 年代的深度学习热潮又推动了自然语言处理 (NLP)、图像和文本生成以及通过图像分割进行医疗诊断等领域的重大进展，从而扩展了 AI 的能力。这些进步正在将多模态 AI 推向高潮，它似乎无所不能；但正如以前的进步带来了多模态一样，多模态 AI 又会带来什么呢？
自诞生以来，生成式 AI 一直在不断发展。我们已经看到 OpenAI 和 Meta 等公司的开发者从大型模型转向更小、更便宜的模型，改进 AI 模型以使用更少的资源完成相同或更多的工作。随着 ChatGPT 等模型变得更加智能并能够更好地理解人类语言的细微差别，提示工程正在发生变化。由于 LLM 接受了更具体信息的培训，他们可以为专门行业提供深厚的专业知识，成为随时准备帮助完成任务的代理。
AI 不是昙花一现的技术。它不是一个阶段。60 多个国家或地区已经制定了国家 AI 战略，以利用 AI 的优势，同时降低风险。这意味着要对研发进行大量投资，审查和调整相关政策标准和监管框架，并确保该技术不会破坏公平的劳动力市场和国际合作。
人类和机器的沟通变得越来越便捷，这使得 AI 用户能够以更熟练的方式完成更多工作。通过持续探索和优化，AI 预计将为全球经济增加 4.4 万亿美元的价值。
行业时事通讯
专家为您带来最新的 AI 趋势
获取有关最重要且最有趣的 AI 新闻的精选洞察分析。订阅我们的每周 Think 时事通讯。请参阅 IBM 隐私声明。
谢谢！您已订阅。
您的订阅将以英语提供。您会在每份时事通讯中找到一个取消订阅链接。您可以在此处管理您的订阅或取消订阅。有关更多信息，请参阅我们的 IBM 隐私声明。
未来 10 年 AI 如何继续发展
从现在到 2034 年，AI 将成为我们个人与商业生活方方面面的组成部分。GPT-4 等生成式 AI 模型在面向公众使用的短时间内就显示出了巨大的前景，但其局限性也已众所周知。AI 未来的定义将是转向用于实验的开源大规模模型，以及开发更小、更高效的 AI 模型，以提高易用性并降低成本。
Llama 3.1 具有 4,000 亿个参数的开源 AI 模型）和为研究目的而发布的 Mistral Large 2 等举措表明，在维护商业权利的同时，也存在于 AI 项目中促进社区协作的趋势。对较小模型的兴趣日益浓厚，导致了迷你 GPT 4o-mini 等 AI 模型的创建，此类模型快速且具有成本效益。用不了多久，就会有适合嵌入智能手机等设备的模型，尤其是在成本不断降低的情况下。
这一趋势反映了从单一的大型封闭模型向更易于访问和多功能的 AI 解决方案的转变。虽然小型模型带来了可负担性和效率，但公众对更强大的 AI 系统的需求仍然存在，这表明在 AI 开发中可能会采取一种平衡的方法，以尝试优先考虑可扩展性和可访问性。这些新模型以更少的资源提供更高的精度，使其成为需要定制内容创建或复杂问题解决能力的企业的理想选择。
AI 影响了多项核心技术的发展。AI 通过实现更准确的图像和视频分析，在推动计算机视觉方面发挥了关键作用，这对自动驾驶汽车和医疗诊断等技术至关重要。在自然语言处理 (NLP) 方面，AI 提高了机器理解和生成人类语言的能力，改善了通信接口，并使更复杂的翻译和情感分析工具成为可能。
AI 通过处理和解释海量数据来提高预测性分析和大数据分析能力，以便预测趋势并为决策提供信息。在机器人领域，更自主和适应性更强的机器的开发简化了装配、勘探和服务交付等任务。此外，AI 驱动的物联网 (IoT) 创新增强了设备的连接性和智能性，使家庭、城市和工业系统更加智能化。
2034 的 AI
以下是我们在十年后应该看到的一些 AI 进步：
多模态现状
刚刚起步的多模态 AI 领域将在 2034 年得到全面测试和完善。单模态 AI 侧重于单一数据类型，如 NLP 或计算机视觉。相比之下，多模态 AI 更类似于人类通过理解视觉、语音、面部表情和语调变化中的数据进行沟通的方式。这项技术将整合文本、语音、图像、视频和其他数据，从而在人与计算机系统之间创建更直观的交互它有可能为高级虚拟助理和聊天机器人提供支持，使其能够理解复杂的询问，并提供定制的文本、视觉辅助或视频教程作为回应。
AI 民主化和更容易的模型创建
在用户友好型平台的推动下，AI 将进一步融入个人和专业领域，让非专家也能将商用 AI 用于业务、个人任务、研究和创意项目。这些平台类似于今天的网站构建器，将使企业家、教育工作者和小型企业能够开发定制的 AI 解决方案，而无需深厚的技术专业知识。
API 驱动的 AI 和微服务将使企业能够以模块化的方式将高级 AI 功能集成到现有系统中。这种方法将加快定制应用程序的开发，而无需大量的 AI 专业知识。
对于企业来说，更轻松的模型创建意味着更快的创新周期，以及为每个业务职能提供定制 AI 工具。无代码和低代码平台将支持非技术用户通过使用拖放组件、即插即用模块或引导式工作流程来创建 AI 模型。由于许多此类平台都是基于 LLM 的，因此用户还可以使用提示查询 AI 模型。
自动机器学习平台正在迅速改进，可以自动执行数据预处理、特征选择和超参数调整等任务。在未来十年中，自动机器学习将变得更加用户友好和易于访问，使人们能够在没有专业知识的情况下快速创建高性能的 AI 模型。基于云的 AI 服务还将为企业提供预构建的 AI 模型，并可根据需要进行定制、集成和扩展。
对于业余爱好者来说，易于访问的 AI 工具将促成新一轮的个人创新浪潮，使他们能够为个人项目或副业开发 AI 应用程序。
开源开发可以提高透明度，而谨慎的治理和道德准则可能有助于维持高安全标准并建立对 AI 驱动流程的信任。这种易于访问的最终形式可能是完全语音控制的多模式虚拟助理，能够按需创建视觉、文本、音频或视觉资产。
尽管仅仅是推测，但如果到 2034 年出现通用人工智能 (AGI) 系统，我们可能会看到这样的 AI 系统的曙光：能够自主生成、策划自己的训练数据集，从而在没有人工干预的情况下实现自我改进和适应。
幻觉保险
随着生成式 AI 在组织内部变得更加集中，公司可能会开始提供“AI 幻觉保险”。尽管进行了大量训练，但 AI 模型仍可能提供不正确或误导性的结果。这些错误通常源于训练数据不足、错误的假设或训练数据中的偏差。
这样的保险可以保护金融机构、医疗行业、法律行业和其他行业免受意外、不准确或有害的 AI 输出的影响。保险公司可能会承保与这些错误相关的财务和声誉风险，类似于处理金融欺诈和数据泄露的方式。
高级管理层中的 AI
AI 决策和预测建模将发展到 AI 系统充当战略业务合作伙伴的地步，帮助高管做出明智的决策并自动执行复杂的任务。这些 AI 系统将整合实时数据分析、情境感知和个性化洞察分析，提供符合业务目标的量身定制的建议，例如财务规划和客户推广。
改进的 NLP 让 AI 能够参与与领导层的对话，根据预测建模和场景规划提供建议。企业将依靠 AI 来模拟潜在结果、管理跨部门协作，并在持续学习的基础上完善战略。这些 AI 合作伙伴将使小型企业能够更快地扩展规模，并以与大企业相似的效率运营。
量子技术的重大进步
量子 AI，使用量子比特的独特属性，可能通过解决以前由于计算限制而无法解决的问题来打破传统 AI 的局限性。复杂材料模拟、大规模供应链的优化和指数级增长的大型数据集可能变得实时可行。这可能会改变科学研究领域，AI 将通过模拟传统计算机需要数千年才能处理的场景来突破物理学、生物学和气候科学的探索边界。
I 发展的一个主要障碍是训练大型模型（例如大型语言模型 (LLM) 和神经网络）需要耗费大量时间、精力和成本。当前的硬件要求已接近传统计算基础设施的极限，这就是为什么创新将专注于增强硬件或创建全新的架构。量子计算为 AI 创新提供了一条有希望的途径，因为它可能会大大减少培训和运行大型 AI 模型所需的时间和资源。
超越二进制
Bitnet 模型使用三元参数，这是一种以 3 为基数的系统，用 3 个数字来表示信息。此方法支持 AI 依赖多个状态而非二进制数据（0 和 1）更有效地处理信息，从而解决了能源问题。这可能会加快计算速度，同时降低功耗。
Y Combinator 支持的初创公司和其他公司正在投资为 bitnet 模型量身定制的专用硅硬件，这可能会大大加快 AI 训练时间并降低运营成本。这一趋势表明，未来的 AI 系统将结合量子计算、bitnet 模型和专用硬件来克服计算限制。
法规和 AI 伦理
要实现 AI 的普及，AI 法规和道德标准必须取得重大进展。在欧盟 AI 法案框架的推动下，关键的发展将是建立严格的风险管理系统，将 AI 分为不同的风险等级，并对高风险的 AI 提出更严格的要求。AI 模型，尤其是生成式模型和大型模型，可能需要满足透明度、稳健性和网络安全标准。继为医疗保健、金融和关键基础设施领域制定标准的《欧盟 AI 法案》之后，这些框架可能会在全球范围内扩展。
道德方面的考虑将影响法规的制定，包括禁止那些会带来不可接受的风险的系统，例如公共场所的社交评分和远程生物识别。AI 系统必须纳入人类监督，保护基本权利，解决偏见和公平性等问题，并保证负责任的部署。
AI，agentic AI
主动预测需求并自主决策的 AI 可能会成为个人和商业生活的核心部分。agentic AI 是指由独立运行的专门代理组成的系统，每个代理都处理特定的任务。这些代理与数据、系统和人员交互以完成多步骤工作流程，使企业能够自动执行复杂流程，例如客户支持或网络诊断。与单体式大型语言模型 (LLM) 不同，agentic AI 能适应实时环境，使用更简单的决策算法和反馈循环来学习和改进。
agentic AI 的一个关键优势在于它在处理一般任务的 LLM 与提供深厚专业知识的特定领域代理之间进行分工。这种划分有助于化解 LLM 的限制。例如，在电信公司，LLM 可能会对客户查询进行分类，而专门的代理则实时检索帐户信息、诊断问题并制定解决方案。
到 2034 年，这些agentic AI 系统可能会成为从业务工作流到智能家居等一切内容的管理核心。它们自主预测需求、做出决策以及从环境中学习的能力可能会使其更具效率和成本效益，从而补充了 LLM 的一般功能，并提高了 AI 在各行业的可及性。
数据使用
随着人类生成的数据变得稀缺，企业已经在转向合成数据，即模仿现实世界模式的人工数据集，且免去了人类生成数据的资源限制或道德问题。这种方法将成为训练 AI 的标准方法，在提高模型准确性的同时，还能促进数据多元。AI 训练数据将包括卫星图像、生物特征识别数据、音频日志和 IoT 传感器数据。
定制模型的兴起将成为 AI 的一个关键趋势，因为各企业会使用专有数据集来培训适合自身特定需求的 AI。这些模型专为内容生成、客户交互和流程优化而设计，通过与组织的独特数据和上下文密切结合，其表现优于通用 LLM。企业将投资于数据质量保证，使真实数据和合成数据都符合可靠性、准确性和多样性的高标准，同时保持 AI 性能和道德可靠性。
“影子 AI”（员工使用的未经授权的 AI 工具）带来的挑战将推动组织实施更严格的数据治理，确保只有经批准的 AI 系统才能访问敏感的专有数据。
“登月”
随着 AI 的不断发展，一些雄心勃勃的“登月”想法正在涌现，以解决当前的局限性并拓展 AI 所能实现结果的边界。其中一个“登月”计划就是后摩尔计算1，其目标是在 GPU 和 TPU 接近其物理和实际极限时超越传统的冯·诺依曼架构。
随着 AI 模型变得日益复杂和更加数据密集，需要新的计算范式。模拟人脑神经结构的神经形态计算2的创新处于这一转变的最前沿。此外，光计算3（使用光而不是电信号来处理信息）为提高计算效率和可扩展性提供了有希望的途径。
另一个重要的"登月计划"是开发分布式 AI 互联网4，即联合式 AI，设想建立一个分布式和分散式的 AI 基础设施。与依赖庞大数据中心的传统集中式 AI 模型不同，联合式 AI 跨多个设备和地点运行，在本地处理数据，以提高隐私性并减少延迟。
联合 AI 使智能手机、IoT 小工具和边缘计算节点能够在不传输原始数据的情况下进行协作，并分享洞察分析，从而形成一个更安全、可扩展的 AI 生态系统。目前的研究重点是开发高效的算法和协议来实现分布式模型之间的无缝协作，促进实时学习，同时保持高数据完整性和隐私标准。
另一个关键的实验领域解决了转换器架构的注意力机制的固有局限性5。转换器依赖于带有上下文窗口的注意力机制来处理输入数据的相关部分，例如对话中的先前词元。但是，随着上下文窗口扩展以包含更多历史数据，计算复杂性呈二次方增加，使其效率低下且成本高昂。
为了克服这一挑战，研究人员正在探索各种方法，例如将注意力机制线性化，或引入更高效的窗口技术，使转换器能够处理更大的上下文窗口，而不会导致计算资源呈指数级增长。这一进步将使 AI 模型能够更好地理解和融入过去广泛的互动，从而做出更加连贯和与上下文相关的反应。
想象一下，在 2034 年开始新的一天。一个语音控制的智能助手，连接到您生活的方方面面，根据每个人的喜好，为您提供一周的家庭膳食计划。它还会通知您储藏室的当前状况，并在必要时为您订购日用品。您的虚拟司机会根据交通和天气情况实时调整安排，为您导航最有效的上班路线，让您的通勤变得自动化。
在工作中，AI 合作伙伴会筛选日常任务，提供可操作的洞察分析，帮助您完成日常任务，并充当动态、主动的知识数据库。在个人层面上，AI 嵌入式科技可以制作定制娱乐节目，生成合乎您口味的故事、音乐或视觉艺术。如果您想学一些东西，AI 可以根据您的学习风格提供量身定制的，集文本、图像和语音于一体的视频教程。
AI 带来的社会进化
随着 AI 采用的普及和科技的发展，其对全球社会运转的影响将是巨大的。以下是先进 AI 技术的一些主要影响：
气候问题
AI 将在气候行动中发挥双重作用：一方面有助于满足不断增长的能源需求，另一方面可作为缓解气候变化的工具。如果能源不可持续，训练和部署大型 AI 模型所需的计算资源会显着增加能源消耗，从而加剧碳排放。此外，AI 也可以通过优化各个部门的能源使用，改进气候建模和预测，以及为可再生能源、碳捕获和环境监测提供创新解决方案来加强气候举措。
改进自动化
在制造业中，人工智能驱动式机器人可以精确地执行复杂的装配任务，提高生产率并减少缺陷。在医疗保健领域，自动诊断工具帮助医生更准确、更快速地识别疾病。金融、物流和客户体验领域的 AI 驱动的流程自动化和机器学习可以简化运营、降低成本并提高服务质量。通过处理重复性任务，AI 使人类能够专注于战略和创造性工作，促进创新和生产力。
工作中断
AI 驱动型自动化的兴起将不可避免地导致工作岗位流失，尤其是在严重依赖重复性和手动任务的行业中。随着机器和算法接管这些功能，数据输入、装配线工作和日常客户服务等角色可能会显著减少。然而，它也将在 AI 开发、数据分析和网络安全方面创造机会。对 AI 维护、监督和道德治理技能的需求将增长，为员工队伍再培训提供途径。
深度伪造和错误信息
生成式 AI 使创建用于传播虚假信息和操纵公众观点的深度伪造（逼真但虚假的音频、视频和图像）内容变得更加容易。这给信息完整性和媒体信任带来了挑战。要解决这个问题，需要先进的检测工具、公众教育，可能还需要采取法律措施，以追究恶意深度伪造制造者的责任。
情感与社会学影响
人们将 AI 拟人化，形成情感依附和复杂的社会动态，正如 ELIZA Effect6 和其他 AI 伙伴一样。在接下来的十年里，这些关系可能会变得更加深刻，从而引发心理和伦理问题。社会必须促进人与日益拟人化的机器的健康互动，并帮助个人区分真正的人类互动和 AI 驱动的互动。
数据耗尽
随着 AI 生成的内容在互联网中占据主导地位（据估计约占在线资料的 50%），人类生成数据的可用性降低了。研究人员预测，到 2026 年，用于训练大型 AI 模型的公共数据可能会耗尽。为了解决这个问题，AI 社区正在探索合成数据生成和新型数据源（例如 IoT 设备和模拟），以使 AI 训练输入多样化。这些战略对于维持 AI 进步并确保模型在数据日益饱和的数字环境中保持能力至关重要。
随着 AI 继续进步，人们的注意力已经转向更具成本效益的模型，为个人和企业提供量身定制的解决方案，因此信任和安全必须依然至关重要。
IBM 的 watsonx.ai 是一个 AI 产品组合，用于开发、部署和管理 AI 解决方案，这些解决方案符合当前追求更安全、更易访问和多功能的 AI 工具的发展趋势。
watsonx.ai 将先进的 AI 功能与支持各行业的企业所需的灵活性相结合，帮助确保他们利用 AI 的力量产生实际影响，而不仅仅是为了顺应潮流。通过优先考虑用户友好性和效率，watsonx.ai 有望成为那些希望在未来十年使用 AI 的人不可或缺的资产。
脚注
Quantum and Post-Moore’s Law Computing，research.ibm.com，2021 年 12 月 31 日Opportunities for neuromorphic computing algorithms and applications，nature.com，2022 年 1 月 31 日AI Needs Enormous Computing Power. Could Light-Based Chips Help?，quantamagazine.org，2024 年 5 月 20 日Navigating the nexus of AI and IoT，sciencedirect.com，2024 年 10 月SLAB: Efficient Transformers with Simplified Linear Attention and Progressive Re-parameterized Batch Normalization，arxiv.org，2024 年 6 月 17 日What is the Eliza Effect?，builtin.com，2023 年 7 月 14 日