模型之外的挑战 AI发展的最大障碍 (模型之外的挑战是什么)

AI 应用的新格局：超越技术，拥抱应用生态 随着生成式AI 领域的发展，ChatGPT 的发布和后续 O3 模型的出现，标志着 AI 应用进入了一个新的阶段。这一阶段的核心不再仅仅局限于模型的性能，而是如何让先进的模型发挥其效力，并将其与现实世界的应用场景相结合。 AI 和人的关系：应用塑形的原点 北京大学国家发展研究院侯宏教授提出了一个思考框架：关注知识创造和流转。这是因为在知识创造过程中，人与机器的角色边界最终将成为应用边界的一个决定因素。 横向上，人机边界决定了应用的形态和深度，即以何种方式为个人和企业提供智能，例如辅佐性的 Copilot 或完全自主的 Autopilot。纵向上，数据的可获取范围决定了角色的功能边界，即提供何种服务，例如教育、法律或其他领域。 数据可获取性：应用功能边界的决定因素 数据的可获取性决定了应用的功能边界。其关键在于利益各相关方的协调性和数据的长期成本。 利益协调性：持续的数据流对于 AI 模型的改进至关重要。在缺乏利益各方协调的情况下，数据可能无法持续获取，从而限制模型的性能提升。 数据成本：确保长期高精度数据的成本至关重要。数据失真或错误将损害 AI 模型的效能，导致最终产品功能受限。 数据通路的通用性：实现 AI 能力的全面发挥 AI 大模型的核心特征之一是其能力的通用性。实际应用中的感知反馈通路往往缺乏通用性，导致 AI 模型无法充分发挥其潜力。 解决这一问题需要提高数据通路的通用性，允许 AI 模型在各种场景中灵活操作。这将衍生出类似硬件抽象层（HAL）和技能商店之类的技术，建立一个灵活且动态的应用生态系统。 AI 应用的系统性：走向全面覆盖 AI 应用不可能是小而美的，因为数据的边界决定了应用的边界。受限于数据范围的应用很容易被更大范围的应用或底层的大模型吸收，只有极短的优势窗口期。 随着数据通路的通用性成为关键，AI 应用将倾向于系统化发展。这将导致硬件抽象层等中间技术的出现，以及调度器之类的内核机制，以管理和协调系统内的各种功能。 AI 的自适应性：应对复杂多变的应用场景 未来几乎所有的 AI 应用都需要具备自适应能力。随着大量全场景数据的积累，AI 模型的进化将分为两种模式： 端到端模型：模型直接从数据中学习，随着数据的不断积累而不断改进。 分离内核：海量数据和长时间分析可以推导出更好的解决方案，系统内核将分为快思考和慢思考两部分，分别负责实时响应和长期优化。 结论 AI 应用的新格局超越了技术本身，强调了与现实世界的融合、生态系统的构建和持续的适应性。通过解决 AI 和人的关系、数据可获取性、通用性、系统性以及自适应性等关键问题，我们将释放 AI 的全部潜力，为个人、企业和社会创造前所未有的价值。