目前 AI 尚不具备真正意义上的无中生有能力。
虽然 AI 在某些方面表现出色,如 GPT-4 在美国医学执照考试中超过及格分数 20 分,但仍存在不足,未在任何方面做到非常出色。在医疗保健领域,AI 能辅助医生完成文档工作、初级医疗服务提供者进行分诊等,但要真正改变这些领域,还需创建像优秀医生和药物开发者那样学习的模型生态系统。
生成式 AI 是一种机器学习类别,能根据用户提示生成原始新内容,目前在文本和图像方面应用较成熟,在其他创意领域也有发展。AI 在游戏中并非新事物,但早期游戏中的计算机控制对手只是简单脚本程序,不能学习,如今因更快的微处理器和云技术,有了更多计算能力,可构建大型神经网络,能在复杂领域识别模式和表示。
关于人工智能是否无所不能,进行科学研究有多种不同的常见“工作流程”,包括预测、解释、创造等,不同工作流程的重点有所不同。
然而,尽管探索这些能力很令人愉悦——例如,GPT-4在美国医学执照考试中[超过](https://www.microsoft.com/en-us/research/publication/capabilities-of-gpt-4-on-medical-challenge-problems/)及格分数20分——但这样做的结果主要是强调了它们的不足。拥有读取、保留并根据需要重复所有这些数据的能力使得今天的AI在所有方面都很优秀,但没有在任何方面做得非常出色。毫无疑问,AI将不可逆转地改变我们如何预防和治疗疾病。医生将把文档工作交给AI书记员;初级医疗服务提供者将依赖聊天机器人进行分诊;几乎无穷无尽的预测蛋白结构库将极大地加速药物开发。然而,为了真正改变这些领域,我们应该投资于创建一个模型生态系统——比如说,“专家” AI——它们像我们今天最优秀的医生和药物开发者那样学习。
OK,so we’ve said what we mean by AI.So now what do we mean by science,and by “doing science”?Ultimately it’s all about taking things that are “out there in the world”(and usually the natural world)and having ways to connect or translate them to things we can think or reason about.But there are several,rather different,common “workflows” for actually doing science.Some center around prediction:given observed behavior,predict what will happen; find a model that we can explicitly state that says how a system will behave; given an existing theory,determine its specific implications.Other workflows are more about explanation:given a behavior,produce a human-understandable narrative for it; find analogies between different systems or models.And still other workflows are more about creating things:discover something that has particular properties; discover something “interesting”.好的,我们已经说了人工智能的含义。那么现在我们所说的科学和“做科学”是什么意思呢?最终,这一切都是为了获取“世界上”(通常是自然世界)的事物,并找到方法将它们连接或转化为我们可以思考或推理的事物。但实际上进行科学研究有几种截然不同的常见“工作流程”。有些以预测为中心:给定观察到的行为,预测将会发生什么;找到一个我们可以明确说明系统将如何运行的模型;给定现有理论,确定其具体含义。其他工作流程更多的是解释:给定一个行为,为其生成一个人类可以理解的叙述;寻找不同系统或模型之间的类比。
生成性AI是一种机器学习类别,计算机可以根据用户的提示生成原始的新内容。目前,文本和图像是这项技术的最成熟应用,但几乎在每一个创意领域都有工作在进行,从动画、音效、音乐,甚至到创造具有完整性格的虚拟角色。当然,AI在游戏中并不是什么新鲜事。即使是早期的游戏,如雅达利的Pong,也有计算机控制的对手来挑战玩家。然而,这些虚拟的敌人并不是我们今天所知道的AI。它们只是由游戏设计师制定的简单脚本程序。它们模拟了一个人工智能对手,但它们不能学习,它们的能力只取决于创建它们的程序员。现在与以前的不同之处在于,由于更快的微处理器和云技术,我们有了更多的计算能力。有了这种能力,我们可以构建大型的神经网络,这些网络可以在高度复杂的领域中识别模式和表示。这篇博文分为两部分:第一部分包括我们对游戏领域的生成性AI的观察和预测。第二部分是我们对该领域的市场地图,概述了各个细分市场并确定了每个市场的关键公司。