摘要：過去一年，無論是在技術層面還是商業應用層面，機器學習和人工智能都有了巨大進展，那么到了 2023 年，又有哪些技術是最熱門的呢？
鏈接：https://serokell.io/blog/ai-ml-trends
作者 | Yulia Gavrilova
譯者 | 彎月 責編 | 鄭麗媛
出品 | CSDN（ID：CSDNnews）
機器學習和人工智能是推動不同行業重大創新的領域。
據預測，截止到 2023 年，人工智能市場總額將高達 5000 億美元，到 2030 年將達到 15971 億美元——這意味著，在不久的將來，機器學習技術仍將繼續處于高需求狀態。
然而，機器學習行業的發展速度非常快，新技術和科學研究又定義了新產品和服務的構建方式。截止到 2022 年底，從機器學習工程師到創業公司創始人，每個人都在關注來年最有前景的發展趨勢。如果你想了解明年最熱門的一些趨勢，不妨看看本文。
機器學習的技術發展趨勢
沒有人能準確預測明年需要什么樣的技術，因為每天都有創新技術出現。不過根據 2022 年的狀況，我們認為 2023 年最有前景的機器學習技術包括以下幾個方面。
1. 基礎模型
大型語言模型是一項重要創新，近來很受歡迎，在接下來的一段時間內仍然是關注的焦點。基礎模型是人工智能工具，經過大量數據訓練后，甚至不輸于常規神經網絡。
工程師們正在努力將機器的理解水平提升到新高度，它們不僅可以搜索模式，還可以積累知識。基礎模型對于內容生成和匯總、編碼和翻譯，以及客戶支持方面都有積極貢獻，其中最著名的基礎模型當屬 GPT-3 和 MidJourney。
基礎模型的一個驚人之處在于，它們可以快速擴展，并處理以前從未見過的數據，因此具有出色的生成能力。在這個領域，擁有領先解決方案的供應商是 NVIDIA 和 OpenAI。
2. 多模態機器學習
在涉及模型與現實世界交互的計算機視覺或自然語言處理等任務中，模型通常只能依賴一種類型的數據，比如圖像或文本。但在現實生活中，我們可以通過多種感官來感知周圍的世界，比如嗅覺、聽覺、觸感和味覺。
多模態機器學習建議通過多種方式（稱為模式）來體驗世界，從而構建更好的模型。AI 中的“多模式”一詞描述了機器學習模型的構建方式，這些模型可以像人類一樣通過多種模式感知事件。
3. Transformer
Transformer（轉換器）是一種人工智能架構，它使用編碼器和解碼器對輸入數據序列進行轉換，將其轉換為另一個序列。許多基礎模型都建立在 Transformer 之上，但其實 Transformer 也可用于許多其他應用——據報道，Transformer 正在席卷人工智能世界。
Transformer 又名 Seq2Seq 模型，廣泛用于翻譯及其他自然語言處理任務。由于 Transformer可以分析單詞序列，而不僅僅是單個單詞，因此它們呈現出的效果通常比普通人工神經網絡更好。
Transformer 模型不是簡單地讀取句子中的所有單詞并逐字翻譯，它們能夠評估序列中每個單詞的重要性，并分配相應的權重，然后再將語句轉換為另一種語言。一些技術上領先的解決方案可以幫助你構建 Transformer 管道，包括 Hugging Face 和 Amazon Comprehend 等。
4. 嵌入式機器學習
嵌入式機器學習是機器學習的一個子領域，目標是讓機器學習模型能夠在不同的設備上運行。
嵌入式機器學習多用于家用電器、智能手機和筆記本電腦、智能家居系統等。ABI Research 人工智能與機器學習首席分析師 Lian Jye Su 表示：
人工智能的激增和大眾化推動了物聯網（IoT）分析的發展。從物聯網設備收集數據，并用于訓練機器學習模型，從而為整個物聯網帶來有價值的新見解。這些應用程序需要依賴復雜的芯片組，因此是強大而又昂貴的解決方案。
嵌入式機器學習系統的日益普及是芯片組制造業的主要驅動力之一。十年前，根據摩爾定律，芯片組上的晶體管數量每兩年會翻一番，我們可以根據此定律預測計算能力的增長。但實際上在過去幾年中，我們看到了每年 40～60% 的飛躍。而這種趨勢在未來幾年仍將持續。
隨著物聯網技術和機器人技術的廣泛普及，嵌入式系統變得越來越重要。嵌入式機器學習面臨著其獨特的挑戰，這些挑戰也許無法在 2023 年得到解決，因為解決這些問題需要在節省資源的同時，最大程度地優化并提高效率。
5. 低代碼和無代碼解決方案
機器學習和人工智能已經滲透到各個領域，即便是非技術人員也能使用的機器學習解決方案被視為保持整個組織效率的關鍵。與其投入大量時間、精力和成本來學習編程，不如選擇零或接近零編程技能的應用——但這并不是無代碼解決方案唯一要解決的問題。
Gartner 發現，市場對高質量解決方案的需求超過了交付的能力：“市場需求的增長速度至少比交付這些解決方案的 IT 能力快 5 倍”。無代碼和低代碼解決方案可以幫助彌合這一差距并滿足需求。同樣，低代碼解決方案可以讓技術團隊更快地提出假設，并進行測試，從而減少交付時間并降低開發成本。如果是在 10 年前，構建一款應用程序或啟動一個網站需要整個團隊的努力，但如今只需要一個人即可完成，而且速度很快。
此外，82% 的組織都面臨著吸引和留住軟件工程師的困難，他們表示愿意在無代碼和低代碼技術的幫助下構建和維護應用程序。
盡管近年來市場上涌現了許多低代碼和無代碼解決方案，但總體看來這些解決方案在質量上仍遠不如常規開發。
最后值得一提的是，隨著訓練機器學習模型（尤其在大型組織中運行的實時機器學習）所需的計算能力迅速增加，云計算仍然是創新背后的重要技術。據統計，全球約有 60% 的企業數據存儲在云端，而這個數字還有可能增長。2023 年我們將看到，為了滿足機器學習行業不斷增長的需求，云安全性與彈性方面的投資增加。
2023 年機器學習的熱門技術領域
除此之外，Gartner 也發表了未來 7～8 年內機器學習應用最多的技術領域，主要包括：
- 創造性人工智能。用于生成文本、代碼甚至是圖像和視頻的 AI 在 2022 年獲得了廣泛的普及，特別是在 MidJourney、DALLE-2、Stable Diffusion 最尖端的圖像生成網絡，以及 Open AI 的新型 text-davinci-003 等發布以后。2023 年，使用生成式人工智能為時尚、創意和營銷提供產品和服務的需求將持續高漲。
- 分布式企業管理。隨著遠程辦公成為一種常態，各個公司必然會尋找新的方法來管理員工團隊并保持效率。根據 Gartner 預測，機器學習將幫助分布式公司發展壯大并增加收入。
- 自動化。從安全到銀行業，許多行業都迫切需要能夠承擔越來越復雜的任務并適應快速條件變化的自主軟件系統。提供更智能的自動化創新將在 2023 年出現。
- 網絡安全。隨著生活各個領域數字化程度的提高，以及保護敏感信息的必要性，網絡安全變得越來越重要。機器學習和 AI 在保護私人數據以及保護組織方面起著至關重要的作用。
總結
2023 年，機器學習仍將是一個充滿希望且快速發展的領域，許多有趣的創新都將紛紛呈現。在不久的將來，大型語言模型、多模態機器學習、 Transformer、嵌入式機器學習以及無代碼和低代碼解決方案將是備受矚目的新興技術。
此外，在一些技術領域， 2023 年機器學習的應用也將繼續增長，包括創造性人工智能、自主系統、分布式企業管理以及網絡安全。Gartner 預測， 2023 年 機器學習將繼續滲透到更多業務領域，幫助各個組織提高效率和工作安全性。
