Récemment, la réunion thématique du Forum mondial de la science, de la technologie et du développement 2024 « L'innovation dans la gouvernance de l'intelligence artificielle construit une fondation internationale de confiance pour cultiver un écosystème de gouvernance scientifique et technologique » s'est tenue à Pékin, Qiao Hong, président de l'Organisation mondiale de coopération en matière de robots. L'académicien de l'Académie chinoise des sciences a publié le Top Ten Frontier Technology Trend Outlook 2024 de l'intelligence artificielle (Intelligence artificielle).
"Ils regorgent de possibilités et de potentiel infinis. Ils apporteront non seulement un style de vie plus pratique et plus efficace, mais favoriseront également l'innovation et le développement dans tous les domaines de la vie.", a déclaré Qiao Hong, espérant que cette version puisse guider tout le monde à réfléchir à " comment saisir l'orientation du développement de l'intelligence artificielle, comment promouvoir l'innovation technologique et la modernisation industrielle, et comment assurer le développement durable de la technologie de l'intelligence artificielle.
Ces dix tendances technologiques de pointe sont :
Technologie commune de l'IA
1. Petites données et données de haute qualité
Une grande quantité de données invalides consomme non seulement des ressources informatiques, mais pose également des défis pour la formation fiable des modèles. Dans ce contexte, la valeur des petites données et des données de haute qualité est de plus en plus importante. Les petites données accordent davantage d'attention à l'exactitude et à la pertinence des données, réduisant essentiellement la dépendance et l'incertitude des algorithmes d'intelligence artificielle à l'égard des données et améliorant la fiabilité du réseau. La création d’ensembles de données diversifiés peut non seulement soutenir le développement de l’IA selon différentes voies techniques sur une base théorique, mais également offrir de nouvelles possibilités pour résoudre le problème des goulots d’étranglement de l’intelligence artificielle générale.
2. Alignement homme-machine
Ce n'est que lorsque les résultats de l'IA sont conformes aux valeurs humaines que nous pouvons garantir que les capacités et le comportement du modèle d'IA sont conformes aux intentions humaines. S'appuyer uniquement sur des données et des algorithmes ne suffit pas pour parvenir à un alignement homme-machine, ce qui signifie que lors de la conception d'un mécanisme de récompense, vous devez non seulement considérer l'efficience, l'efficacité et l'efficience de la tâche, mais également si le comportement est conforme à l'éthique humaine. normes.
3. Limites d’utilisation de l’IA et modèle de supervision éthique
À l’heure actuelle, les questions de conformité, de sécurité et d’éthique des systèmes d’IA sont devenues de plus en plus importantes, et il est particulièrement nécessaire d’établir un cadre modèle de supervision de l’IA. Son objectif principal est de garantir que tous les systèmes d'IA suivent les principes établis lors du développement et de l'utilisation en formulant des normes et des spécifications claires, réduisant ainsi le risque de surutilisation de l'IA sans système défini.
4. Modèle d'interprétabilité
Dans le but de garantir l'efficacité, l'amélioration de l'explicabilité contribuera à réduire la consommation de ressources publiques, à renforcer la confiance des utilisateurs dans les systèmes d'IA et à promouvoir son application dans des domaines clés. Par exemple, dans le domaine médical et de la santé, un système de diagnostic par IA hautement interprétable peut permettre aux médecins de comprendre plus facilement les fondements de leur jugement et de réduire les examens et procédures de traitement inutiles.
Modèles pré-entraînés à grande échelle
5.La loi d’échelle
Des modèles de pré-formation à grande échelle basés sur des paramètres massifs et des données de formation peuvent améliorer efficacement l'interaction homme-machine et les capacités de raisonnement, ainsi que la diversité et la richesse des tâches pouvant être accomplies. À l’heure actuelle, la loi d’échelle est toujours valable, non seulement reflétée dans les modèles de langage, mais également vérifiée dans de nombreux domaines tels que le traitement d’images et la reconnaissance vocale.
6. Grand modèle entièrement modal
Le grand modèle entièrement modal peut traiter et comprendre divers types d'entrées de données telles que du texte, des images, de l'audio, des tableaux de données, etc., et générer divers types de sorties en fonction des exigences de la tâche. Par exemple, l’introduction de la modalité de données de nuages de points 3D, généralement utilisée pour capturer des informations spatiales tridimensionnelles, est particulièrement importante pour la navigation des robots et l’évitement d’obstacles.
7. Recherche scientifique basée sur l'IA
Utiliser de grands modèles, des technologies génératives, etc. pour améliorer l'efficacité et la précision de la proposition d'hypothèses, de la conception expérimentale, de l'analyse des données et d'autres étapes de la recherche scientifique. Les scientifiques peuvent utiliser la technologie de l’IA pour la surveillance et l’ajustement expérimentaux en temps réel, un retour rapide sur les résultats expérimentaux et une optimisation dynamique des conceptions et hypothèses expérimentales.
intelligence incarnée
8. Modèle de cervelet incorporé
Les grands modèles traditionnels peuvent aider les robots dans des tâches de réponse à canal lent telles que la prise de décision, le démantèlement de tâches et la compréhension du bon sens, mais ils ne sont pas adaptés aux tâches de réponse à canal rapide telles que la planification et le contrôle des robots avec un temps réel élevé et un niveau élevé. stabilité. L'intelligence incarnée (une autre extension de l'intelligence artificielle dans le monde physique, fait généralement référence à un système intelligent capable de percevoir, de comprendre et d'interagir avec le monde physique). Le modèle cérébelleux peut utiliser des méthodes d'apprentissage intégrées telles que le vote multimodèle, combinées à des méthodes d'apprentissage intégrées. la sélection de la structure de l'ontologie du robot et des caractéristiques environnementales. Des algorithmes de contrôle de modèle raisonnables garantissent que les robots peuvent effectuer des actions de contrôle planifiées hautement dynamiques, à haute fréquence et robustes dans le cadre de la compréhension de leurs propres contraintes d'ontologie, ce qui rend les robots intelligents plus capables de répondre aux exigences précises. besoins d'exploitation et de contrôle en temps réel du monde réel.
9. Système d'intelligence artificielle physique
Le système d'intelligence artificielle physique confère à l'intelligence incarnée des objets physiques dans le monde physique, permettant aux équipements traditionnels de dépasser leurs limitations fonctionnelles d'origine et d'atteindre un niveau plus élevé de fonctionnement intelligent. Les robots humanoïdes sont la forme ultime de systèmes d'intelligence artificielle physique. Ils ont non seulement des capacités de perception et de compréhension multimodales, peuvent naturellement interagir avec les humains, mais peuvent également prendre des décisions et agir de manière autonome dans des environnements complexes, et devraient être appliqués à un plus grand nombre de personnes. tâches complexes à l'avenir.
intelligence artificielle générative
10. Simulateur mondial
Le simulateur de monde peut offrir une expérience immersive de haute simulation et offrir aux utilisateurs un monde de jeu plus riche et plus diversifié. Il peut être utilisé dans l'éducation, le divertissement et dans d'autres domaines, et peut également créer davantage de scènes super numériques. Dans le domaine de la robotique, cette technologie peut également être utilisée pour créer des ensembles de données multimodales et standardisées sur le comportement des robots à grande échelle, améliorant ainsi les capacités de conception d'ontologies de robots, de formation par simulation et de migration d'algorithmes.