人工智能与边缘人工智能的潜在作用

人工智能与边缘人工智能的潜在作用

农业投资及其挑战

多任务的需要

目前，目前，人工智能被训练成在一组明确定义的输入下产生单一产出。为了使AI能够完成多任务，它需要能够调整经过训练的模型，以便在给定不同但相关的数据集时产生相似的或预期的输出。这就需要转移学习，这包括将训练实例、特征表示、参数和关系知识从现有的经过训练的AI模型转移到一个新的模型来处理目标任务。这样的过程对AGI的准确性和可靠性有很大的影响，如果采用次优的话。

自我优化能力

AGI还需要有自我管理资源需求的能力。在某些自动机器学习场景中，在诸如内存管理、功耗、甚至模型选择和超参数调整等领域，AGI预计会更高效。这将需要AGI也识别其系统中的错误。虽然像强化学习这样的技术可以用来奖励正确的行为并惩罚错误的决策，但是这样的优化模型还处于早期阶段。

处理不完全信息的能力

在数据不完整的情况下，AGI需要做出决定，而且往往正在进行中。这就要求AGI是启发式的，在某些情况下是创造性的。根据AGI是如何设计的，AGI的性能将因缺乏数据而受到影响。相比之下，狭义人工智能在部署到商业环境之前，要经过培训和彻底测试，以确保其可靠性和准确性。这不是AGI可以期待的奢侈品。

需要更强大的人工智能软件和硬件

微软正与OpenAI合作，成为最强大的硬件-软件供应商联盟之一，以解决AGI的问题。然而，AGI可能需要更强大的硬件来处理自然概率计算，例如量子计算和神经形态芯片组。

尽管如此，所有这些缺点显然并没有阻止微软在AGI上与OpenAI合作。近年来，微软投入了大量资源，以Cortana的形式开发其人工智能能力。正如ABI洞察中提到的重新审视人机交互——微软展示了Cortana通过实时吸收和呈现上下文信息来进行自然对话的能力，这得益于Microsoft Build在2019年收购了NLP启动语义机。这是合理的期待，微软正寻求在科塔纳创建一个AGI。

边缘在AGI中的潜在作用

尽管所有这些发展都发生在云环境中，但ABI Research认为，边缘是可以发挥作用的。不可否认，处于边缘的AGI将扮演一个非常不同的角色。与其解决气候变化和个性化医疗挑战，EDGE AGI可能成为公共安全领域的智能移动机器人，也可能成为黑暗工厂或仓库的中心大脑。

必须指出的是，许多创新和新兴的人工智能技术目前正在边缘的狭义人工智能上进行试验和测试，通常是在数据连通性差、数据有限、对高移动性和低延迟的需求的环境中。这些模型包括移动机器人的定位和导航模型、智能家庭网关上的家庭连接应用程序、工厂现场服务器的制造操作优化和预测维护模型。终端设备收集并驻留在网关和现场服务器中的丰富数据对于开发AGI非常有用。与人类一样，AGI基于实时从多个来源收集的数据做出决策，因此需要包含专用于EDGE的窄AI模型的特征和特性。

此外，EDGE AI硬件也随着时间的推移而变得更加强大。随着对低延迟和本地化人工智能处理能力的需求，对于基于边缘的AGI的需求将始终存在，无论是在设备、网关或现场服务器上。联合或分布式学习可以为AGI提供增量升级。尽管如此，这些发展仍处于初级阶段，甚至在边缘设备中，因此他们需要一段时间才能进入AGI。