趨向1：大型語言模型(LLMs)，定義了下一波交互AI。
AI語言模型建立在自然語言處理技術和算法的基礎上。例如，當某個句子是半部分時，該模型將根據以前記錄的事例，推斷該句子后面的幾個詞�？偠灾褪强偨Y文本信息，甚至從純文本生成視覺圖。
LLM(LLMs)訓練對象是對包含大量數據的大規模數據集。比如Google的BERT和OpenAI的GPT-2和GPT-3，都是LLMs的典型例子。GPT-3中大約有1750億個參數，它們用來訓練570兆字節的文本。從簡單的文章到復雜的財務模型，這些模型都能產生結果。如今，包括OpenAI、HuggingFace、Cohere、AI21Labs和AI12在內的人工智能創業公司都在為LLMs培養出數十億參數的模型。
一家名為Naver的韓國公司宣布，他們開發了最全面的基于人工智能的語言模型HyperCLOVA，一種類似GPT-3的韓語模式。不像上面提到的模式，華為的PanGu-Alpha和百度的Ernie3.0Titan都是經過電子書、百科全書和社交媒體的中文數據集培訓而成。
2022年，我們將看到大型語言模型成為下一代交互人工智能工具的基礎模型。
趨向2：多模式人工智能的興起。
模型(Modality)是德國理學家赫爾姆霍茨提出的一個生物學概念，也就是生物憑經驗接受信息的通道，例如，人類具有視覺、聽覺、觸覺、味覺和嗅覺模式。多模式是指各種感覺的融合，而多模式交互則是指人通過聲音、肢體語言、信息載體(文字、圖片、音頻、視頻)、環境等多個通道與計算機進行交流，充分模擬人與人之間的交互方式。
常規深度學習算法主要關注從單個數據源對模型進行訓練。比如，計算機視覺模型是對一組圖像進行訓練，NLP模型用于對文本內容進行訓練，語音處理包括生成聲學模型、喚醒詞檢測和噪聲消除。這類機器學習涉及單模式人工智能，并且結果全部映射為單個數據類型。同時，多模式人工智能是計算機視覺和交互人工智能智能模型的最終融合，它為計算器提供了更接近人類感知的場景。
最新的多模式人工智能的例子是OpenAI的DALL-E，它以藝術家Salvador-Dali和PicksWale的諧音命名�？筛鶕淖置枋霎a生相應的圖像。舉例來說，當將文字描述為“一個圓環形時鐘”發送給該模型時，它就能產生圖像。
多任務統一模型(MUM)是谷歌多模式人工智能的又一實例。該方法通過從75種不同語言提取的上下文信息，對搜索結果進行優先排序，以改善用戶的搜索體驗。MUM使用T5的文本到文本框架，比在BERT上流行的基于轉換器的自然語言處理模型要強1000倍。
通過簡單的文字輸入，英偉達的GauGAN2模型可以產生像照片一樣逼真的圖片。該方法將分割映射與單個模型相結合，實現內繪、文到圖的生成，使之成為一種功能強大的多模式工具，能夠通過文字和圖片的混合創造出真實的藝術。
不久的將來，我們將會看到計算機視覺、語言和語音模式的融合，它使人工智能更加豐富和真實。
趨向3：簡化和優化MLOps。
是一種將機器學習應用于工業生產的實踐，是機器學習和DevOPs在軟件領域結合起來的一種實踐，因此它在很多方面類似于2012DevOps。當DevOps于2012年面世時，很多企業已經認識到它的價值，但他們實施DevOps是一件難事，工具鏈十分復雜，生態系統也不完善。相對于MLOps而言，MLOps更復雜，它包含了安裝、配置培訓、推理架構、配置特征存儲器、配置模型注冊表、監視模型衰減、檢測模型漂移等相關內容。它巨大的軟件包也使得MLOps的部署比DevOps更加困難。
MLOps是加入基于云計算的ML平臺的一個概念，包括AmazonSageMaker、AzureML和谷歌的VertexAI。但是，這些功能并不能同時用于混合和邊緣計算這兩種環境。所以，監控邊緣計算的環境模型已經成為企業面臨的一大挑戰。當我們使用計算機視覺系統和交互人工智能系統時，建立用于監控邊緣計算的模型將變得更具挑戰性。
由于像Kubeflow和MLflow這樣的開放源碼項目逐漸成熟，MLOps實際上已經可以輕松獲取了。我們可能會發現，在未來幾年，跨越云計算和邊緣計算環境，采用了一種簡化的MLOps方法。
趨向4:AI驅動開發者生產率。
將來，人工智能幾乎將影響IT產業的方方面面，包括編程和開發。近幾年來，我們曾見過一些工具，如亞馬遜代碼大師，它可以在開發者編程時，為他們提供智能建議，從而提高代碼質量，并且識別應用程序中最重要的那一行代碼。最近， GithubCopilot第一次以“人工智能配對程序員”的身份幫助開發者寫出有效的代碼。Salesforce的研究小組還發布了CodeT5，一項開放源碼項目，可以幫助Apex開發者在AI驅動下編寫代碼。之前的Codata,Tabnine已經完全將智能代碼引入主流開發環境。Ponicode還是一種AI驅動的工具，它提供了功能創建、可視化和運行單元測試的快捷方式。
大規模語言模型(LLMs)的出現以及開放源碼更加廣泛的可獲得性，使得IDE廠商得以構建基于它的智能代碼生成與分析系統。
更進一步說，可以通過內嵌注解生成高質量、緊湊代碼的工具已經成為期待。他們甚至能把一種語言編寫的代碼翻譯成另一種語言，通過將傳統代碼轉換成現代語言，使應用程序現代化。
趨向五：云平臺垂直化AI新解決方案。
包括亞馬遜，谷歌和微軟在內的全球領先的人工智能供應商正在把研發成果商業化。它們通過自己的云平臺提供主機服務，并安裝了具有人工智能加速器和預訓模型的硬件設備。
亞馬遜連接和谷歌聯絡中心AI就是垂直整合的典型例子。這兩家公司都利用機器學習的能力來實現智能路由，由機器人驅動的客戶服務會話，以及自動為聯絡中心代理提供幫助。AWSPanorama可與已有IP攝像機相連，以執行基于計算機視覺的推理。用戶可以在他們的云平臺中使用新的模式。
然后把他們部署到全景設備的邊緣。AzurePercept也用類似的方法來提供邊緣計算視覺模型和交互人工智能。在Azure上，微軟建立了Percept，基于現有的物聯網，人工智能，邊緣計算服務。 注：尊重原創文章,轉載請注明出處和鏈接 http://www.dedgn.cn/news-id-19496.html 違者必究！部分文章來源于網絡由培訓無憂網編輯部人員整理發布,內容真實性請自行核實或聯系我們，了解更多相關資訊請關注人工智能頻道查看更多，了解相關專業課程信息您可在線咨詢也可免費申請試課。關注官方微信了解更多：150 3333 6050
