桑希尔:人工智能产业化转型面临着私营和公共部门之间知识和权力的日益失衡,而企业自然会优先考虑财务回报,而不是更广泛的社会利益。
文章来源于2022年4月11日 01:19 英国《金融时报》

作者是Sifted的创始人,这是一家由FT注资的网站,专注于欧洲初创企业 若把人工智能比作花生酱,那么它正迅速地从细腻变为松脆。 迄今为止,许多最知名的人工智能应用出现在游戏、图像识别和语言生成领域,这是我们每个人都能看出来的领域。谷歌(Google)旗下DeepMind开发的AlphaGo击败了古老的围棋的最强人类选手;生成式对抗网络创造了深度伪造(deepfake)的视频,将伯特•雷诺兹(Burt Reynolds)的脸替换成詹姆斯•邦德(James Bond)电影中肖恩•康纳利(Sean Connery)的脸;开放式人工智能的GPT-3程序能够模仿埃米莉•迪金森(Emily Dickinson)的风格写出仿佛出自一人之手的诗歌。 但是,人工智能正日益以许多更具体、更无形和更富有成效的形式应用于工业和硬科学领域。或许在大多数情况下,人工智能被更狭义地定义为机器学习(ML),但它已成为强大的技术工具,用于优化搜索引擎、加速药物发现、发明新材料、提高天气预测准确度,以及加深人类对数学、生物学、化学和物理学的理解。人工智能几乎渗透到经济和社会的方方面面,这将对我们所有人产生深刻的影响。 斯坦福大学(Stanford University)的一份新报告强调了人工智能的“产业化”,这种曾具有投机性的技术现在已经变得更负担得起、性能更高,更主流。根据斯坦福大学最新的人工智能指数,2021年全球对人工智能的私人投资同比增长了逾一倍,达到935亿美元。自2015年以来,人工智能的专利数量增加至30倍。虽然大宗商品、食品和能源价格一直以来都在飙升,但在过去五年里,一个机械臂的中位价格下降了46.2%。 人工智能最具前景的用途之一是加速其他领域的研究并推动创新。谷歌的DeepMind利用神经网络开发了AlphaGo,此外还将相似的机器学习技术应用于数学建模、蛋白质折叠、材料科学和核物理领域。它的最新应用是帮助控制聚变反应堆内的过热等离子体,也许有一天,这会为我们带来一种廉价的绿色能源来源。 DeepMind的研究主管普什米特•科利(Pushmeet Kohli)称:“机器学习技术绝对是研究的一大催化剂,它能让我们做到以前不可能完成的事情。”DeepMind举出了其AlphaFold蛋白质结构数据库的例子来说明这一点,逾190个国家的35万名用户访问过这个数据库。 此外,研究人员还将人工智能应用于量子计算,也许有一天会推动技术能力的进一步飞跃。QuantrolOx是一家英国-芬兰人工智能初创公司,该公司正在运用机器学习技术来“调整”量子比特,或称量子位元,从而使得初级阶段的量子计算机更加稳定。牛津大学(Oxford University)纳米材料荣誉教授、QuantrolOx公司联合创始人安德鲁•布里格斯(Andrew Briggs)预测,未来,机器学习系统将会在研究实验室得到广泛使用,就像如今的计算机一样无处不在。他称:“在我看来,没有哪个硬科学领域不能使用机器学习系统。” 然而,这种朝着人工智能转型的趋势有一个令人不安的问题——私营部门和公共部门的知识和权力日益失衡。在某些领域,私营部门的研究被反馈到科学界,比如AlphaFold。但是,私营企业,而非大学,日益成为了尖端人工智能研究的中心,并取得了几乎所有的好处。 近年来,科技公司一直在争相聘请各大学的人工智能专家,恨不得将整个学院一起收入囊中。斯坦福大学的研究发现,去年,在北美地区,私营部门雇佣了60%的新晋人工智能博士生,只有24%留在了学术界。10年前,这一比例还不相上下。这份斯坦福大学报告的共同作者杰克•克拉克(Jack Clark)表示:“在人工智能研究前沿领域中,由行业主导的比例要高得多。”他指出,这些科技公司优先考虑狭隘的财务回报,而不是更广泛的社会利益,这一点是自然而然的。 未来的希望是,人工智能产业化将刺激新一轮的创新和生产效率增长。而令人担忧的是,这将导致发展不均衡,大学、公民社会和政府缺乏必要的知识来跟上最新的技术突破。因此,我们需要保留学术界和公共部门的专业知识,开发能扩大获取人工智能的渠道的共同基础设施,如国家研究云(National Research Cloud)。无论是在能源、金融还是技术领域,不审查也不约束企业的力量从来就不是一个好主意。