Quatro principais direções de IA que precisam ser focadas em 2023

Quatro principais direções de IA que precisam ser focadas em 2023

Nos últimos 10 anos, a inteligência artificial passou de laboratórios para várias indústrias e tornou-se uma tecnologia comum aplicada em muitos campos. Segundo a IDC, o mercado global de IA atingirá US$ 432,8 bilhões em 2022, um aumento de quase 20%. A Precedence Research prevê que, até 2030, o mercado de inteligência artificial ultrapassará 15,7 trilhões de dólares americanos. Esse crescimento explosivo é baseado em custos menores para aquisição e armazenamento de dados e inovação em semicondutores.

Aqui estão quatro direções de IA que eu acho que precisam ser focadas em 2023. Espera-se que essas quatro direções promovam ainda mais o desenvolvimento da IA ​​este ano e ajudem a resolver alguns dos principais desafios enfrentados pelo setor.

Integração simplificada de componentes heterogêneos

Como realizar mais processamento de inteligência artificial em nós de borda é uma das direções importantes no campo de IA nos últimos anos. A boa notícia é que muitas inovações valiosas foram produzidas nessa direção. Este ano, essa direção ainda é a principal direção à qual devemos prestar atenção, mas o foco mudará para integração e implementação.

Para dispositivos de borda, os sistemas de IA precisam executar uma variedade de tarefas diferentes, que exigem não apenas diferentes tipos de poder de computação, mas também diferentes tipos de memória, conectividade e entradas de sensor. Como integrar de forma eficiente, econômica e estável esses componentes heterogêneos é um grande desafio. Este trabalho abrange outros campos da engenharia, como projeto mecânico, projeto óptico, projeto elétrico e projeto de semicondutores digitais e analógicos.

A integração do data center apresenta um conjunto de desafios diferente, mas muito diversificado. Para fornecer o desempenho de computação necessário para computação profunda, é necessário integrar vários núcleos em um chip. Esses componentes consistem principalmente em lógica digital densa, como o poder de computação subjacente necessário para acelerar grandes redes neurais.

Ferramenta de design de IA

À medida que a complexidade do chip e do processo continua a aumentar, a adoção de ferramentas de design de IA está crescendo exponencialmente. Em apenas um ano, o número de chips comerciais projetados para IA aumentou em pelo menos uma ordem de grandeza. À medida que as técnicas de design de IA aceleram e os conjuntos de dados de treinamento se tornam mais abrangentes, novas ferramentas darão às equipes de design ainda mais vantagens.

À medida que a tecnologia amadurece no próximo ano, os recursos de design orientados por IA permitirão avanços de produtividade no design de chips e ajudarão a criar designs mais complexos que atendam às demandas de energia, desempenho e área. Este ano, definitivamente haverá aplicativos baseados no aprendizado de reforço de IA para resolver vários desafios de design que entram no mercado e, mesmo que a tecnologia amadureça ainda mais no futuro, o design de inteligência artificial pode se tornar o principal mercado.

Gerar IA

Um dos aspectos mais desafiadores e demorados do desenvolvimento de um novo aplicativo de IA é o processo de modelá-lo, treiná-lo e otimizá-lo para executar uma tarefa específica. Isso levou a mais pesquisas sobre os chamados modelos básicos (também conhecidos como modelos grandes).

Um modelo básico é um modelo de IA projetado uma vez e depois treinado usando conjuntos de dados muito grandes para atingir vários objetivos. Uma vez treinado, o modelo pode ser adaptado para diversas aplicações, reduzindo o tempo gasto na concepção de novos modelos específicos para cada aplicação. O tamanho do modelo básico permite que os usuários implementem recursos totalmente novos que não eram possíveis antes.

O modelo subjacente também impulsiona o que era uma tecnologia de IA muito quente no ano passado - IA generativa. A IA generativa se concentra na criação de novos conteúdos, e seu núcleo essencial é o modelo básico, que pode treinar grandes quantidades de dados, incluindo texto, imagens, voz e até sinais 3D de sensores. Com base na entrada, o mesmo modelo base pode ser treinado para sintetizar novos conteúdos, como desenhar, compor música ou até mesmo criar chatbots. O ChatGPT , que se tornou popular no final do ano passado, é uma aplicação típica de modelos básicos e IA generativa.

A IA generativa tornará extremamente fácil a criação de novos conteúdos e tem um valor de aplicação extremamente alto. Com a maturidade da tecnologia e o ChatGPT detonando o mercado, acredita-se que a geração de IA crescerá de forma explosiva neste ano.

IA causal

Por fim, continuarei a prestar atenção à IA causal. Um dos dilemas do aprendizado profundo é a não interpretabilidade dos modelos, e uma maneira de resolver esse problema é introduzir a causalidade. Embora ainda em seus primórdios, a IA causal já é amplamente adotada em domínios específicos, como assistência médica, descoberta de medicamentos, serviços financeiros, manufatura e organizações da cadeia de suprimentos. Vá além do aprendizado de máquina baseado em correlação que depende de dados históricos, combinando gráficos de conhecimento com gráficos causais e realizando simulações. A previsão causal pode melhorar a explicabilidade da IA, tornando a causalidade transparente.

Por outro lado, um importante gargalo que impede o desenvolvimento da inteligência artificial é a falta de dados rotulados de alta qualidade. Embora tenhamos visto progresso hoje, ainda não será resolvido fundamentalmente em 2023. Atualmente, existem duas direções para resolver esse problema, uma é o aprendizado autossupervisionado (aprendizado autossupervisionado) e o outro é a IA causal. O aprendizado autossupervisionado usa algoritmos autossupervisionados para pré-treinar o modelo e, em seguida, ajustá-lo para uma tarefa específica; enquanto a IA causal não requer grandes amostras de dados. O melhor e mais eficaz exemplo disso é o NLP (Natural Language Processing), onde a tecnologia Masked Language Modeling (faz o modelo prever palavras ocultas em frases) e a tecnologia Causal Language Modeling (faz o modelo prever frases a próxima palavra) revolucionou os algoritmos tradicionais.
$$\ast \ast \ast$$
O texto acima é minha previsão sobre a tendência da tecnologia de IA em 2023 e também é o foco de minha atenção pessoal. Existem muitas direções da IA. Acredito que cada direção terá seu próprio progresso em 2023. Bem-vindo a deixar comentários e se comunicar comigo.

Por fim, desejo a todos o melhor no Ano do Coelho em 2023. A tecnologia "Coelho" está avançando aos trancos e barrancos, "Coelho" seja o número 1!