课程: 生成式 AI vs. 传统 AI

免费学习该课程！

今天就开通帐号，24,000 门业界名师课程任您挑！

专业知识的死亡螺旋

专业知识的死亡螺旋

课程: 生成式 AI vs. 传统 AI

开始一个月试用 购买团队方案

专业知识的死亡螺旋

“

2016 年， 著名的 AI 先驱杰弗里·辛顿表示， 学校不需要再培养放射科医生了。 他说在未来五年内， AI 算法就能取代放射科医生的工作。 但实际情况比这要更复杂。 确实， 现有超过 200 种的 AI 算法， 能像放射科医生一样读 X 光片。 但是在 2022 年， 放射科医生仍然短缺。 一方面， AI 增加了放射科医生的工作机会， 但另一方面， 很多医学院校却停止培养放射科医生了， 导致人才短缺。 很多放射科医生，在没有 AI 之前， 就开始了职业生涯。 因此，每年退休的放射科医生比入职的多， 还带走了他们几十年的经验。 这可能导致生成式 AI 系统中， 基础模型数据的同质化。 在某种意义上， 这个模型只能代表某一时刻的固定知识状态， 不会反映之后更新的知识。 所以可以这么想： 假如杰弗里·辛顿是对的， 机器开始读所有人的 X 光片。 这个系统使用之前放射科医生几十年的经验 来训练自己。 所以，它包含了所有医生， 到这个时间点的所有经验。 但由于医学院不培养放射科医生了， 谁来给这些系统持续提供知识呢？ 虽然计算机系统 在不断提升 X 光片的分辨率， 但系统所依赖的放射科数据， 则是几十年前的了。 这会引发专业知识的死亡螺旋。 系统使用人类专家创造的数据来训练自己， 之后取代未来的专家， 因此，没有新的专家来更新系统。 与生成式 AI 艺术品 给插画师带来的挑战类似， 这些系统从现有艺术家那里学习， 随后又取代他们。 所以未来就没有艺术家继续更新系统了。 这个结果与放射科医生的境遇一样。 新系统能提高生产力，导致需求增加。 但是，专家短缺无法满足增加的需求。 所以，如果你公司使用生成式 AI 系统， 那就应该谨慎地将这些系统投入生产。 很多公司都在努力提高生产力。 所以， 如果有一个系统能胜任十几个人的工作， 那大多数公司会选择系统。 但如果这些公司只关注短期生产力， 就埋下了员工专业知识减退的隐患。 如果一个公司没有专家， 那他们的生成式 AI 系统， 将永远无法提升。 它们会停留在早前专家的知识水平上。 就像是冷冻了某个时间点的员工知识， 然后仅仅用这些 来做出公司现在和未来的所有决策。 这意味着如果技术进步或者新技术出现， 这个公司将无法学习和成长。 对很多科技公司来说，这就是麻烦的源头。 所以，应该把专家看成是珍贵的资源。…

内容