「我认为元宇宙是数字经济的一种新形态 ， 需要强大的算力支撑 。 元宇宙进行的内容生产已经远远超过我们现在所理解的 ， 基于视频等媒介的互联网内容基础 ， 未来我们需要海量的计算力支持虚拟环境渲染 ， 产生的算力需求需要AI数据去加以支撑 ， 」高平表示 。 「对于2B企业而言 ， 可能会出现大量的 ， 基于元宇宙2B底座 ， 在这之上是开发者们构建的业务 ， 人们将会各自去发挥才能 ， 让元宇宙产业生态枝繁叶茂 。 」
开发者是一个身份 ， 有的开发者在高校从事算法研究 ， 有的开发者在企业从事AI应用的开发 ， 还有一些在跨界工作 ， 开发者的职业是多重多样的 。 在这场圆桌对话中 ， 几位嘉宾一起探讨了2022年AI开发的难点 。

文章图片

首先谈及AI算法研发相比于几年前是变简单了还是更难了 ， 几位嘉宾阐述了自己的观点 。
上海交通大学约翰·霍普克罗夫特计算机科学中心长聘教轨助理教授、博士生导师温颖从生态发展的角度阐述了AI算法研发难度的变化 。 他说：2015年深度学习已经崭露头角 ， 但当时还没有一个完善的工具去做研究 。 2015年底TensorFlow首次发布 ， 2016、2017年生态才逐渐成熟 。 如今大模型的驱动和新的算法让模型的门槛变得更高了 ， 需要很高的算力 。
东方理工高等研究院助理教授陈云天则表示AI算法的研发变得更简单了 ， 一方面是因为出现了更多的框架 ， 另一方面是当下良好的开源风气让计算机和其他学科的交叉领域有了更多进展 。
上海人工智能实验室通用视觉组计算机视觉研究员何逸楠也表示AI开发和几年前相比 ， 入门是更加容易了 ， 并且有更多的开发者在社区中贡献开源代码 ， 也有很多大厂开源的工具和平台 。 开发者现在要做的就是提升自己的知识能力 ， 解决更加上层的问题 。
那么在基础打好之后 ， 现阶段面临的更高级别的挑战有哪些呢？
何逸楠指出 ， 当下首先要面对的挑战是数据问题 ， 训练模型需要采集大量数据 ， 其次还要提升训练效率 。
陈云天也表示 ， 在小数据上做机器学习是一项挑战 ， 另外可解释性和知识嵌入也是需要解决的难题 。
温颖则提到 ， 强化学习虽然已在游戏方面取得了一些比较大的进展 ， 但它在现实应用场景中还没有完全体现出其作用 ， 想尝试把大模型用在强化学习中 。