两类AI：前沿向左，应用向右

18 May 2022

当今的AI领域存在两种主流的发展导向。

1 应用型AI（Applied AI）：目标是发布具有现实影响力的产品

它在本质上是一种新的数据分析和查询方法。

就像数据库和SQL曾经给供应链、经营分析等商业场景带来了巨大变革，如今的所有企业都离不开各种数据库一样，此种AI类似一种更高效的SQL语言，可以：

• 对已有数据的已提出问题给出更好的结果，改进路线、投资组合等，如何实现进一步的优化？

• 对已有的数据提出新的问题，那些「异常」代表了什么，有哪些潜在机会？

• 开辟了新的可供分析的数据，从过去的结构化数据扩展到了音频、图像或视频等非结构化数据，计算机对其的「感知」越来越好，但也不再那么前沿，机器感知现实世界可以解决什么实际问题？

随着产业智能化的推进，应用型AI已经迅速扩展到各个领域。

「未来已来，只是分布不均」。

当前，科技企业更多将AI落地于商业化前景较好的领域。

与场景相结合，加强技术的可及性和易用性，是其中的关键。

2 前沿型AI（Frontier AI）：目标是通过AI开拓新的领域与可能性

技术前沿是不断演进的，且变化得很快，如今我们早已不再对计算机单一的听说读写能力超越人类而感到惊叹。

GPT-3（语言模型/基础模型）、AlphaFold 2（蛋白质折叠/AI for Science）、DALL·E 2（文字生成图像/创意）等真正的前沿AI拓展了AI领域以及其他领域的可能性。（我看到它们的第一反应都是「哇塞」，你呢？）

正如DeepMind曾表示「其目标始终是构建最终能够解决现实世界中重要问题的通用学习系统……AI有望成为加速科学发现本身的强大工具。」蛋白质折叠、可控核聚变等的突破，体现了DeepMind选择「可突破的重大科学问题」的眼光相当敏锐，并带动「AI for Science」成为当前科技创新的一大热点领域。

但过多关于前沿技术，也有不利影响：

忽视AI的技术扩散，会吸走房间里面的氧气。从社会价值来讲，AI应该关注向最普通但收益最广人群的应用，并且多数时候这些场景都不需要应用到最前沿的AI。因此，目标使更多企业和群体的需求得到广泛关注，让每个人都能享受到数字技术的便利的「普惠AI」也成为当前科技创新的一个热词。特别面向是老人儿童等「弱势群体」，以及不同时期的「非常规群体」。

声称AI的超强表现，带来不切实际的期望。AI科学家Ken Church近期曾撰文对「追逐SOTA」（SOTA-Chasing）这一AI科研现状提出批评，强调竞争Benchmark排行榜分散了人们对该领域更重要机遇的注意力，并阻碍了跨学科合作。更危险的是「AI吹嘘」（Make-believe AI），目标是通过发布声称SOTA成果的论文和PR稿，让投资者、公众、学者相信你所做的事情很重要，让投资者、公众、学者相信你所做的事情很重要，这会造成一种有害的激励，不仅损害自身的职业生涯，也会将AI研究导向歧途，甚至导致又一个「AI寒冬」。

3 两者并非非黑即白，需保持合理的研发投入结构

应用型AI vs 前沿型AI，两者都有吹嘘自身前沿性的激励倾向，这一点不得不防。

几项建议：

• 从国家和行业的角度，需要加强自上而下的科研议题设定能力，也需要通过AI政策和法规等加以引导，如可借助AI治理工作进行推动。真正重要的前沿领域如AGI/AGI Safety，应保持一定的投入强度，避免被忽视。
• 从科技公司的角度，需要明确自身对AI发展的定位，两类AI都有价值，但需要做得扎实。技术向长尾的扩散，同样可能产生令人感到「哇塞」的应用，这种惊艳并非来自前沿技术，而是创意+知识+技术的结合。
• 从AI使用者和创业者的角度，虽然公众的注意力多数时候都被前沿型AI所吸引，但是我们更需要主动思考：现有的AI能为更多人带来什么？

最后我想问：对于虚拟人、L4自动驾驶、元宇宙，你会如何分类？