企业与学术界的竞赛：人工智能研究的未来

随着人工智能（AI）的重要性日益增加，关于其研究和开发策略的新模式正在形成。传统上，学术界的重点在于基础研究和教育，而工业界则专注于应用研究和商业化。然而，近年来，商业部门在人工智能投资和研究中的主导地位引发了有关权力平衡的问题。 先进的人工智能系统需要大量的数据、计算能力和财务资源，而这些在工业界的规模远大于学术界和非营利研究机构。因此，最初在2000年代初期扎根于学术界的人工智能研究，正逐渐转向工业界。 根据斯坦福大学2021年的一份报告，由于企业提供了负担得起的云计算、开源库和预训练模型，学术研究人员越来越多地被激励去追求其工作的商业应用。此趋势引起了人们的担忧，即应用研究可能会扼杀长期创新或偏离企业利益，同时加速现实问题的解决。 2023年发表在《科学》杂志上的一篇文章指出，与二十年前只有20%的情况相比，如今企业吸引了70%的顶尖人工智能博士人才。学术界的人工智能研究人员数量已停滞不前，而自2006年以来，工业界的参与度增加了八倍。工业模型的平均规模现在是学术模型的29倍，这显示了其在计算能力上的优势。 2021年，美国政府机构为学术人工智能研究提供了15亿美元的资金支持，而谷歌在一年内就为一个单一项目投入了相同的资金。目前，96%的最大人工智能模型是在工业界开发的，领先的基准测试有91%由工业界主导。自2000年以来，与工业合作的研究论文发表数量几乎翻了一番。 然而，学术界的研究人员越来越能够在现实环境中应用他们的发明，这预示着另一个变化。一个成功的例子是由学术界开发的语言学习应用程序Duolingo。 麻省理工学院的一位著名教授Frédo Durand认为，学术界仍然可以是创新的主要推动力。他提到了25年前计算机图形学的发展历程，当时工业界开发了学术界无法企及的视觉技术。学术界没有模仿工业界，而是专注于看似离奇的想法，如先进的光线模拟和用于动画的机器学习，这些最终成为现代渲染和图形硬件的基础。 Durand认为，这种方法为人工智能研究提供了宝贵的经验。他强调了采用非传统方法、开放分享工作成果以及保持对该领域的热情的重要性。他也认识到科学研究面临的挑战，并提出了增加政府资助、共享研究基础设施以及保持顶尖人才在学术界等策略。尽管人工智能被工业界所主导，但与学术界的协作伙伴关系可能会带来更好的结果。无论如何，人工智能将继续成为一个热点话题。