COVID-19 大流行加速了 2021 年人工智能或机器学习的采用。企业对自动化的需求以及人工智能硬件和软件的进步正在将应用人工智能变为现实。 以下是 2022 年的五种人工智能趋势： 趋势 1：大型语言模型 (LLM) 定义下一波对话式 AI 语言模型是基于自然语言处理技术和算法来确定给定单词序列在句子中出现的概率，这些模型可以预测句子中的下一个单词，总结文本信息，甚至可以从纯文本创建可视化图表。 大型语言模型 (LLM) 在包含大量数据的海量数据集上进行训练。Google 的BERT和 OpenAI 的GPT-2和GPT-3是 LLM 的一些例子。众所周知，GPT-3 在 570 GB 的文本上训练了 1750 亿个参数。这些模型可以生成从简单的论文到复杂的金融模型的任何东西。 包括OpenAI、Hugging Face、Cohere、AI21 Labs在内的AI 初创公司正在通过训练具有数十亿参数的模型来突破 LLM 的界限。 华为的PanGu-Alpha和百度的Ernie 3.0 Titan接受了包括电子书、百科全书和社交媒体在内的 TB 级中文数据集的训练。 2022 年，我们将看到大型语言模型成为下一代对话式 AI 工具的基础。 趋势二：多模态人工智能的兴起 深度学习算法传统上专注于从一种数据源训练模型。例如， 这种类型的机器学习与单模态 AI 相关联，其中结果被映射到数据类型的单一来源——图像、文本、语音。 多模态 AI 是计算机视觉和对话式 AI 模型的终极融合，可提供更接近人类感知的强大场景。它将视觉和语音模式结合起来，将人工智能推理提升到一个新的水平。 多模式 AI 的最新示例是来自 OpenAI 的DALL-E，它可以从文本描述中生成图像。 谷歌的多任务统一模型 ( MUM ) 是多模式 AI 的另一个例子。它承诺通过基于从 75 种不同语言中挖掘的上下文信息对结果进行优先排序，从而增强用户的搜索体验。MUM 使用 T5 文本到文本框架，比 BERT（流行的基于转换器的自然语言处理模型）强大 1000 倍。 NVIDIA 的GauGAN2模型将根据简单的文本输入生成照片般逼真的图像。 趋势 3：简化和流线型 MLOps 机器学习操作 (MLOps) 或将机器学习应用于工业生产的实践非常复杂！ MLOps 是已纳入基于云的 ML 平台的概念之一，例如Amazon Web Services的Amazon SageMaker、Azure ML和Google Vertex AI。但是，这些功能不能用于混合和边缘计算环境。因此，边缘的监控模型被证明是企业面临的重大挑战。在处理计算机视觉系统和对话式 AI 系统时，边缘监控模型变得更具挑战性。 由于Kubeflow和MLflow等开源项目的成熟，MLOps 变得相当容易获得。未来几年，将出现一种流线型和简化的 MLOps 方法，涵盖云和边缘计算环境。 趋势 4：AI 驱动的低代码开发 人工智能将影响 IT 的编程和开发。 大型语言模型 (LLM) 的兴起和更广泛的开源代码可用性使 IDE 供应商能够构建智能代码生成和分析。 望未来，期待看到可以从内联注释生成高质量和紧凑代码的工具。他们甚至能够将用一种语言编写的代码翻译成另一种语言，通过将遗留代码转换为现代语言来实现应用程序现代化。 趋势五：新型垂直化人工智能解决方案 Amazon Connect和Google Contact Center AI是垂直整合的经典例子。两者都利用机器学习功能来执行智能路由、由机器人驱动的对话以及对联络中心代理的自动协助。 这些服务是为零售和制造垂直行业高度定制的。
