Science：AI竞赛，学界正在输给业界( 二 ) _业界

因此，通过在领先的研究机构发表文章、建立最先进的 AI 模型以及超越关键基准三个方面衡量，分析表明，业界在 AI 产出方面的地位越来越突出。
业界的压倒性优势带来隐患
业界对 AI 的投资不断增加，可能通过技术的商业化为社会带来巨大利益。公司可以创造更好的产品，使消费者受益——机器翻译有利于国际贸易，并能简化流程降低成本。业界对 AI 的投资还产生了对整个社区有价值的工具。例如，学界广泛使用的和，促进深度学习模型高效训练的硬件如 TPU，以及可公开访问的预训练模型——Meta 的 OPT 模型。
与此同时，AI 在业界中的集中也令人担忧，业界的商业动机促使他们关注以盈利为导向的话题。如果所有的前沿模型都来自业界，就会出现不存在具有公共意识的替代品的情况。换句话来说，“优先部门的 AI 研究人员倾向于专注于数据要求高和计算密集的深度学习方法”是以“涉及其他 AI 方法的研究、考虑 AI 的社会和伦理影响的研究以及在健康等领域的应用”为代价的。

文章插图
AI 的发展轨迹如何？谁来控制它？AI 会替代人类吗并引发不平等吗？一些研究人员担心，“我们可能正走向社会次优轨迹，它更侧重于替代人类劳动，而不是增强人类能力。”一些人展开想象：业界和学界可能会形成与其他学科类似的分工：基础研究主要由大学完成，而应用研究和开发则主要由业界完成。
然而，在 AI 领域，产学的明确分工并不存在。业界所使用的应用模型往往是那些突破基础研究边界的模型。例如，是由谷歌大脑研究人员于 2017 年开发的一种深度学习架构，使得基础研究向前迈出重要一步，并且几乎立即应用于业界使用。尽管这意味着学术工作可以直接惠及业界，但是应用工作的业界主导权也赋予了它决定基础研究方向的权力。
鉴于 AI 工具可以在整个社会中得到广泛的应用，这种情况将使少数技术公司在社会发展方向拥有巨大的权力。对于世界上许多人来说，这种担忧进一步加剧，因为这些组织对他们来说是“外国公司” 。例如，生命未来研究所认为，“欧洲公司没有开发通用 AI 系统，而且由于他们与美国和中国公司相比在竞争上处于相对劣势，不太可能很快开始开发” 。
学界重塑 AI 前沿的可行之路
通过对业界AI 的审查或外部监督，监管可能是解决方案。例如，2018 年，学者 Joy和Gebru 记录了商业人脸识别系统中的性别和种族偏见。然而，如果学界不能接触到业界的 AI 系统，或者没有资源来开发竞争模型，他们解释业界模型或提供公共利益的替代方案的能力将受到限制。
这既是因为学界无法建立尖端性能所需的大型模型，也是因为 AI 系统的一些有用的能力似乎是“涌现”的——系统只有在特别大的时候才能获得这些能力。模型的一些负面特征似乎也随着规模的增加而扩大。例如，AI 生成的语言中的毒性以及刻板印象。在任何一种情况下，没有足够资源的学者都无法对这些重要领域做出有意义的贡献。
在全球范围内，这种对学界在 AI 研究中的资源劣势的担忧正在被认识到，并开始出现政策应对措施。在美国，NAIRR 工作组提议创建公共研究云和公共数据集。在加拿大，国家高级研究计算平台一直在为该国的学界服务，自从近十年前启动以来，一直被超额使用。
对许多国家来说，这类投资所需的规模可能令人望而生畏。在这种情况下，决策者面临的关键问题将是，他们是否能够与志同道合的合作者一起筹集足够的资源，以达到创建反映自己优先事项的 AI 系统所需的规模。