-
让品牌有温度、有情感
专注品牌策划15年
2023AI最火的几个模型（2029模型）
发布时间：2023-03-13 00:56:36
稿源：
创意岭 阅读：
59
问大家
大家好！今天让创意岭的小编来大家介绍下关于2023AI最火的几个模型的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
ChatGPT国内免费在线使用，能给你生成想要的原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
你只需要给出你的关键词，它就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端，官网：https://ai.de1919.com
本文目录:
一、AI生成模型：超越数据观测与计算机模拟的第三条科学探索之路？
导语
最先进的人工智能算法已经开始在探测星系的演化、计算量子力学波函数、 探索 新的化合物等领域施展拳脚。那么，还有没有那种无法自动化而只能由科学家完成的工作？
如今的物理学和天文学实验会产生海量的数据，已经没有人或团队能够跟进所有的这些数据了。其中一些数据每天以TB级的规模增加，而且这个趋势不会减弱。在二十一世纪 20 年代中期射电望远镜 Square Kilometer Arra 将投入使用，它每年产生的数据量和整个互联网的数据量一样多。
面对数据洪流，许多科学家开始求助于人工智能。只需要少量的人工输入，人工智能系统（如神经网络）就能够在数据海洋中漫游，识别异常，挖掘出人类尚未发现的模式。
当然，利用计算机来辅助科学研究的 历史 可以追溯到约 75 年前，然而人类几千年前就在手工调查研究数据来寻找其中的有意义的模式。但是，近期一些科学家认为以机器学习、人工智能为代表的新技术能以一种全新的模式去进行科研工作。其中一种被称为生成模型的方法，能从对观测数据的诸多解释中找到最可信的理论，更为重要的是，该方法在研究中无需预先编入对于系统可能起作用的物理过程。其拥护者认为，生成模型的创新程度足可以被视为理解宇宙的潜在的“第三种方法”。
在传统上，我们是通过 观测 来了解自然的。回想一下，开普勒就是通过研究第谷的行星位置表，辨识潜在的行星运行模式，才得以推断出行星是沿椭圆轨道运行的。同样的，科学可通过 模拟 来获得进步。一位天文学家可能会模拟银河系及其邻近的仙女座星系的运动，并预测它们将在几十亿年后碰撞。观测和模拟都有助于科学家生成假设，然后用进一步的观测来检验假设，而生成模型不同于这两种方法。
瑞士联邦理工学院的天文物理学家 Kevin Schawinski 也是一位生成模型的积极支持者。他认为：“ 生成模型是介于观测和模拟之间的第三种方法， 这是解决问题的另一种方式。”
Kevin Schawinski 是一名天体物理学家，他经营着一家名为 Modulos 的人工智能公司，他认为一种名为生成模型的技术提供了第三种了解宇宙的方式。
一些科学家仅仅把生成模型及其它新技术当作传统科研中的工具，但是大多数研究者都认为 AI 的影响力巨大，并且在科学研究领域会发挥越来越大的作用。费米国家加速器实验室的天体物理学家 Brian Nord 使用人工神经网络来研究宇宙。他担心没有什么是不能通过自动化完成的事情，“这个推测倒是有点令人恐慌。”
来自“生成”的 探索
从研究生毕业时起，Schawinski 就因用数据驱动科学研究而闻名。在攻读博士学位期间，他面对的任务是，根据星系的外观数据对数千个星系进行分类。因为没有什么现成的软件能帮助他完成这项工作，他决定用众包的方式完成这项工作——于是，银河动物园（Galaxy Zoo）公民科学项目诞生了。
从 2007 年开始，普通的电脑用户只要记录下他们推测的星系最佳归类，就能帮助到天文学家。通过多数票胜出来判定，通常能带来正确的分类结果。
这是一个成功的项目，但 Schawinski 也注意到， AI 让这个模式过时了——今天，一个具有机器学习和云计算背景的天才科学家只需要花费一个下午就能完成这个工作。
在 2016 年，Schawinski 把目光投向了生成模型，这个强大的新工具。本质上来说，生成模型是在求解，当给定条件 X 和观测结果 Y 时，概率 P(X,Y) 有多大。这个方法已经被证明是非常有效的。
生成模型中最为著名的就是生成对抗网络（GAN）。经过充分的训练后，GAN 模型能够修复损坏和像素缺失的图像，也能让模糊的图像变得清晰。该模型通过竞争（对抗）来学习推断缺失的信息，这个神经网络的一部分被称作生成模型（generator）：生成虚拟的数据；另一部分被称为判别模型（discriminator）：把生成出来的虚假数据和真是数据分割开来。两个部分交替训练，逐步优化（类似于博弈）。
或许，你已经看过最近流传甚广的GAN生成的假面孔。正如那个标题所言“这些人并不存在却又真实得吓人”。
上面看到的脸孔都不是真实的，上面的 A 列，和左侧的 B 列都是由生成对抗网络（GAN）使用真实的面部元素构建的。然后，GAN 将 A 中的面部的基本特征（性别，年龄和脸形）与 B 中的面部的精细特征（头发颜色、眼睛颜色）相结合，构建出了上图表格中的所有人脸图像。
潜在空间
概括地说，生成模型获得数据（大多数是图像），并把他们分解成抽象的基本要素——科学家将其称为数据的“潜在空间”。算法能控制潜在空间中的元素，以此来探究这些元素如何影响原始的数据。这个方法有助于揭示该系统运作的物理过程。
潜在空间是一个抽象的难以想象的概念。不过我们可以做一个类比：当你在试图确定一个人脸的性别时，你的大脑可能在做什么呢？也许会注意到人的发型、鼻子的形状，甚至在运用一些你无法用言语描述的判断模式。同样的，计算机程序也在数据中寻找显著的特征。即便计算机并非不知道什么是性别，什么是小胡子，但如果我们提供给机器学习系统的数据集标注了“男性”和“女性”，并且一部分人还有一个标签叫“小胡子”，计算机能快速地推断出其中的关联性。
生成模型与星系演化
12月发表在《天文学与天体物理学》（Astronomy & Astrophysics）上的一篇论文中，Schawinski 与他在苏黎世联邦理工学院的同事 Dennis Turp 和 Ce Zhang 使用生成模型来研究星系在演化过程中所经历的物理变化。
因为他们使用的软件与 GAN 相似，但其在对潜在空间处理的技术与 GAN 有所差异，所以从技术角度来说这不是 GAN。他们的模型创建了人工数据集，去测试假设的物理过程。比如说，他们想知道恒星形成的“淬熄”（形成速率快速下降）与星系环境密度的增加之间的关系。
对 Schawinski 来说，关键问题是仅从数据中能挖掘出多少和恒星与星系演变相关的信息。“让我们忘却所有的关于天体物理学的知识。仅依靠数据本身，我们能在多大程度上重新发现这些知识？”
首先，星系的图片被压缩至他们的潜在空间，然后 Schawinski 在这个空间中调整元素，使其能对应上星系的特定环境变化，比如周围物质的密度。这样就有了一个假设生成器。通过重构这个星系，让大量原本处于低密度环境中的星系处于高密度环境中以此来看看带来了什么不同。
这三位研究者注意到随着星系从低密度环境走向高密度环境，它们的颜色会变得更红，恒星也变得更加集中。Schawinski 指出这一点与现有的星系观测相吻合，问题是，为什么会这样？
Schawinski 说，后续的工作还没有实现自动化，“人类必须参与其中，那么，什么样的物理原理可以解释这种效应？”对于这个过程，可能有两种解释，一是在高密度环境中，星系更红是因为其中包含了更多的尘埃；或者是因为恒星的形成减少了（换句话说，恒星更老了）。
现在有了生成模型，这两种思路都能接受检验。改变与与尘埃和恒星形成率相关的潜在空间元素，就能观测这种改变对星系颜色的影响。Schawinski 说：“答案很显然，星系更红是因为恒星形成率在下降，而不是因为尘埃。因此，我们应该采纳这个解释。”
利用生成模型，天体物理学家可以研究星系如何从低密度环境走向高密度环境，以及这些变化背后的物理原理。
生成模型相较于传统方式的优势
这种方法与传统的模拟方法相近，但与之有关键的差别。Schawinski 表示：“模拟本质上是由假设驱动的。也就是说，我们自认为已经洞悉了观测现象背后的物理法则。所以，我们把恒星形成规律、暗物质行为的原理等等这些我们自认为正确的假设放在一起，模拟运行。但是，模拟环境真的与实际情况吻合吗？”。他用生成模型所做的事情与模拟完全相反，“我们不知道任何事情，不做任何假设，我们希望数据本身能告诉我们可能会发生什么。”
生成模型在这项研究中取得的成功并不意味着天文学家和研究者就是多余的。但这似乎提醒研究者们——仅仅掌握了大量数据的人工智能系统就能够完成对天体物理学的学习。Schawinski 说：“这不是完全自动化的科学，但这意味着我们至少有能力去构建部分工具，使科学过程自动化。”
虽然生成模型非常强大，但这是否真的代表了一种新的科学研究方法还有待商榷。
对于纽约大学和 Flatiron 研究所的宇宙学家 David Hogg 来说，这项技术令人印象深刻，但充其量也只是一种从数据中提取模式特征的复杂方法——这是天文学家几个世纪以来都在做得事情。换而言之，这是观测、分析的高级形式。
和 Schawinski 相同，Hogg 的工作也充分应用人工智能；他一直在利用神经网络来对恒星进行基于光谱特征的分类，并使用数据启动的模型来推断恒星的其他物理属性。但是他认为他的工作和 Schawinski 的一样，都是经过检验的科学。Hogg 表示：“我不认为这是第三种方法。只是我们这个社群在对数据处理的方法上更加复杂而已。特别的是，我们越来越善于将数据与数据进行比较。但是依我看来，我的工作仍然是在做观测。”
人工智能：
勤奋而“难以捉摸”的科研助手
无论在概念上是否有创新性，人工智能和神经网络已经显然在当代天文学和物理学研究中发挥了关键作用。在海德堡理论研究所工作的物理学家 Kai Polsterer 领导着一个天体信息学小组，这个小组主要关注以数据为中心的天体物理学研究新方法。从星系数据集中提取红移信息曾经是一项艰巨的任务，而现在他们小组使用机器学习算法就能解决这个问题。
Polsterer 认为这些基于基于人工智能的新系统是“勤奋的助手”，可以连续处理数据数个小时而不抱怨单调无聊，不抱怨工作条件。这些系统可以完成所有枯燥乏味的繁重工作，研究者就能脱身去做“又酷又有趣的科学工作”。
Polsterer 警告说，这些系统并不是完美的，算法只能去做他们被训练过的事情，系统对输入的数据是“无感觉的”。给 AI 系统一张星系图片它可以估算其红移和年龄，但是你给同一个系统一张自拍照或者一张臭鱼烂虾的照片，它也会照方抓药估算出一个（错误的）年龄。Polsterer 认为，人类科学家的监督工作非常重要。工作还是要回到研究者身上，研究者才是要负责解释这些现象的人。
就这一点而言，费米实验室的 Nord 警告道，神经网络不仅要给出结果，也要给出相关的误差线，如果在科学研究中，你做了一个测量但没有报告相关的误差估计，就没有人会认真对待这个结果。
就像许多的人工智能研究员一样，Nord 也关注神经网络给出的结果的可解释性，通常来说，一个 AI 系统在给出结果时无法明确地表示出这个结果是如何获得的。
然而，并不是每个人都觉得结果不透明是一个必须关注的问题，法国CEA Saclay理论物理研究所的研究员 Lenka Zdeborová 指出，人类的直觉同样难以捉摸，给你看一张猫的图片，你能立刻认出这是一只猫，但是你并不知道你是怎样做到这一点的，从这个角度上来说，人的大脑就是个黑盒。
并不仅仅是天体物理学家和宇宙物理学家在向人工智能助力、数据驱动的科学研究发展。Perimeter 理论物理研究所和安大略滑铁卢大学的量子物理学家 Roger Melko 已经使用神经网络来解决该领域中的一些最棘手最重要的问题，例如多粒子系统的波函数的数学表示。
因为波函数的数学形式可能会随着它所描述的系统中的粒子数量呈指数级增长，这被 Melko 称为是“指数维度诅咒”，在这样的工作中 AI 就是不可缺少的组成部分了。
这个困难类似于在国际象棋和围棋中找到最好的走法：玩家会试图多看一步，想想对手会出什么招，然后再选择自己的最佳应对策略。但是随着思考步数的增加，复杂性也大为增加。
当然， AI 已经攻克了这两个领域。 1997 年 5 月 11 日， 深蓝计算机在国际象棋领域战胜了人类；2017年4月10日 ，AlphaGo 战胜了柯洁，AI 在围棋领域战胜了人类。Melko 认为，量子物理学也面临同样的问题。
机器的思想
无论是 Schawinski 所声称的他找到的是科学研究的“第三方法”，还是如 Hogg 所说的这“仅仅是传统上的观测和数据分析”。我们可以明确的是， AI 正在改变科学 探索 的方式并且在加速科学发现，值得探讨的是，这场 AI 革命在科学领域能走多远？
有时候，人们会对“人工智能科学家”的成就大肆褒奖。十年前，一个名叫亚当的 AI 机器人化学家研究了面包师傅的酵母的基因组，并找出了负责制造某种特定氨基酸的是哪些基因。（亚当观察缺少某些特定基因的酵母菌落，并与拥有这些基因的菌落的行为进行比较，由此找到差异完成研究。）
当时Wired杂志的标题是：机器人独立完成科学发现。
最近，格拉斯哥大学的化学家 Lee Cronin 在使用机器人去随机混合化学物质，由此来观测会形成什么样的化合物，并通过质谱仪、核磁共振机和红外分光计实时监控反应，这个系统最终能学会预测哪些组合的化学反应最为剧烈。Cronin 表示即使这个系统不能带来新的发现，机器人系统也能让化学家的研究效率提高 90%。
去年，苏黎世联邦理工学院的另一组科学家们在训练神经网络从数据中推导物理定律。他们的系统类似于“机器人开普勒”，利用从地球上观测到的太阳和火星的位置信息，重新发现了日心说；并且通过观测小球碰撞模型发现了动能守恒。因为物理定律通常会有多种表述形式，科学家们想知道这个系统能否提供种更简洁的方法来思考已知的物理定律。
这些都是 AI 启动、助力科学 探索 的例子。尽管在每一个例子中，这些新方法的革命性都会收到争议。但在这个信息浩如烟海且高速增长的时代，最值得商榷的问题可能是：仅从数据中，我们能获得多少信息？
在 《The Book of Why: The New Science of Cause and Effect》一书中，计算机科学家 Judea Pearl 和科学作家 Dana Mackenzie 断言到：数据“愚蠢至极”。他们写到： 关于因果性的问题“永远不能仅凭数据去寻找答案”。
“每当你看到以无模型的方式分析数据的论文或研究时，你可以肯定的是这项研究成果仅仅是总结，或许做了转述，但绝对不是在解释数据。”Schawinski 对 Pearl 的观点抱有同感，“只使用数据”这个想法有点类似于“稻草人”。他也从未生成以这样的方式做因果推断。他想说的是：“和我们通常的工作相比，我们可以用数据多做点事。”
另一个经常听到的观点是： 科学需要创造力。
可是到目前为止，我们还不知道，如何将创造力编入计算机。（Cronin 的机器人化学家只是在简单地尝试科研工作，似乎不能算是特别有创造力）Polsterer 认为：“创建一套理论，有理有据的理论，我认为需要创造力，而创造力离不开人类。”
然而，创造力来自何方呢？Polsterer 怀疑这和 不喜欢无聊 有关，这恐怕是机器所没有的体验。“要拥有创造力，你必须厌恶无聊，然而我认为电脑就永远不会感受到无聊。”然而，“创造力”、“灵感”却常常用来描述深蓝、AlphaGo 这样的 AI 程序。我们在描述机器的思想时的困难映射出我们在描述自己思维过程时的困难。
Schawinski 最近离开了学术界，去了私人企业。他现在经营着一家名为 Modulos 的初创公司，该公司雇佣了许多联邦理工学院的科学家。根据该公司的网站介绍，该公司位于“人工智能和机器学习这股风潮的风眼中”。无论当前人工智能技术和成熟的人工智能之间存在多大的差距，他和其他专家都认为机器已经准备好了去完成更多的科学家的工作。不过，AI 的局限性还有待考证。
Schawinski 畅想道：“在可以预见的未来，有没有可能去制造出一台能过发现物理定律、数学原理的机器，甚至超越当今最聪明的人类的能力极限？科学的未来终将被人力所不能及的机器所掌握么？这是一个好问题，但我不知道答案。”
推荐阅读
Nature机器智能：破解因果推断难题
物理学家要失业？机器学习能自学量子力学！
做科研做到绝望是一种什么样的体验？
科研投入越来越多，重大成果的产出却越来越少？
要不要加入我们？一起影响世界！
集智俱乐部QQ群｜877391004
商务合作及投稿转载｜swarma@swarma.org
搜索公众号：集智俱乐部
加入“没有围墙的研究所”
让苹果砸得更猛烈些吧！
二、余承东：AITO问界系列将从2023年一季度起升级鸿蒙OS 3.0系统
易车讯 在今日开幕的华为开发者大会2022主题演讲上，华为常务董事、终端BG CEO、智能汽车解决方案BU CEO余承东表示：“从2023年一季度起，AITO问界全系车型将分批推送升级鸿蒙OS 3.0（HarmonyOS 3）系统。
官方表示，目前搭载鸿蒙OS的华为终端已超3.2亿，同比增长113%；鸿蒙智联设备超2.5亿，同比增长212%。另外，鸿蒙生态步入快车道，拥有200万+开发者，鸿蒙智联伙伴2200+，鸿蒙OS原子化服务50000+。
据了解，鸿蒙座舱背靠强大的HarmonyOS生态，由华为鸿蒙技术团队负责开发，拥有与华为手机、平板等设备一致的流畅特性。从产品功能定义、软件交互逻辑甚至图标渲染这些细节都体现出华为对用户体验的关注。
根据余承东披露的内容来看，鸿蒙座舱进一步强化了主动服务和智能体验的优势。新增的原子化服务将全场景智能服务融入万能卡片中，无需安装即可使用，用户不需要通过一层层菜单去寻找想要的功能，系统会根据用户用车习惯和出行场景主动推送，一键即可触达。车机的交互逻辑对手机用户也更友好，相较于其他车机五花八门的UX设计可以轻松上手，常用的动态信息、便捷的服务卡片、常驻工具栏都保证用户可以快速找到想要的功能。手表、手机甚至PC等设备可以同时与车机互联，跨设备连接能力更进一步。
华为自研的智能语音助手小艺也继续进化，可见即可说功能支持第三方APP，体验更便捷；支持5项指令连续说及多轮对话，做最懂你的出行管家；甚至在常用常新的加持下，后续还能将爱人的声音录入，用ta的声音进行交互。此外，小艺的语义模型小型化让CPU负载降低20%，任务处理更加丝滑高效。
Petal Maps导航则重新定义了导航，不仅仅是地图和路线规划的优化，还彻底打通了车与人及公共服务之间的信息流。导航路线可以在手机和车机之间自动流转，还会根据车辆状态自动显示车辆可达里程，在续航不足时及时显示附近的充电桩和加油站；在进入服务区后再次回到车内，导航将继续原来的路线规划，无需重新规划。在AITO用户中，使用Petal Maps导航的用户比例达到93.1%，遥遥领先所有车机系统。
根据易车App“热度榜”数据，问界M5和问界M7的日均关注度分别为4.04和3.14万，在同级别竞品中分别排名第1和第3位，如需更多数据，请到易车App查看。
三、AI模型如何进行工程化？
如今，AI模型百花齐放，在业务场景中的使用是越来越多，那AI模型是如何集成到系统中的呢？这几年的集成方式又有何变化呢？
在一些早期系统中，模型比较简单，这时，真正在线上系统部署模型时，模型只是以算法的形式出现，模型参数作为算法所需要的“数据”，存储在内存或分布式缓存（如Redis）中。模型在推理运算时，从缓存中取出参数，再结合特征，完成模型预测推理运算。
这样的一些集成方式，多见于一些早期的推荐系统，模型也相对比较简单，如LR、FM、FFM等。这种方式将算法与参数分离，使其可以各自演化、迭代。如模型参数更新时，只需要更新缓存数据，系统可能并不需要上线。一定程度上的满足了工程上的需要。
但随着模型越来越复杂，以Redis缓存模型为代表的方式，逐渐不符合现代模型的需要。以PMML、sklearn为代表的模型框架的方式出现了。模型框架本身提供了多种模型的实现方式，
并提供了推理接口。业务系统集成时，将模型框架集成到系统当中。这时模型一般是以文件的形式存在。也可以满足一定程度上单独演化的需要。
但上述方式也有其问题，一方面模型以文件的形式集成到系统内，更新不方便。另一方面，模型的更新速度一般都比较快，一旦模型更新（结构或参数），系统就需要上线，非常不方便。
于是第三种方式出现了，即模型服务的方式。这种方式，模型以分布式API服务的形式，集成到系统中（如tensorflow-serving），模型的升级演化，不会影响业务系统的使用，非常方便。
但这种方式也有其问题，因为并不是所有的模型都是基于tensorflow开发的，随着pytorch的市场份额越来越高，其他框架的模型也越来越占主导地位。有的甚至都不一定都是基于python语言的。而且tensorflow的分布式扩展能力比较差，一旦流量上升后，难以支撑业务发展。
近几年，随着容器化和云计算技术的发展，新时代的云技术模型服务出现了。这种技术以AI模型市场（aimodelmarket.cn）为代表，以容器作为系统交割的基本单位，模型服务在容器中，方便扩展。模型的升级演化和业务系统分离，互不影响，同时又是跨语言的。而且得益于云计算技术，服务的扩展能力几乎是无限的。这就给业务系统的稳定性提供了极大的保障。
展望未来，我们希望随着像AI模型市场（aimodelmarket.cn）这样的服务的发展，越来越多的模型服务被开发出来，并实现服务商和业务方的分离，将极大的提高生产力。
四、《2022人工智能指数报告》有哪些适用申请CS-AI方向博士的启示？
人工智能发展至今60余年，已成为新一轮 科技 革命和产业变革的战略性技术。近日，国际数据公司(IDC)发布的《全球人工智能市场半年报告》预测，2022年，包括软件、硬件和服务在内的全球人工智能市场的总收入将增长19.6%，达到4330亿美元，并将在2023年突破5000亿美元的大关。
人工智能作为计算机专业的一个分支一直是热门的研究方向， 计算机专业也是博士申请的热门专业 。
不过，我们一般遇到的想申请计算机博士的学生，10个当中几乎9个的画风都是类似这样的：
“老师，我感兴趣的方向是AI/Machine Learning。”
“老师，我想研究computer vision。”
“那具体一点的细分或者主题有吗？”
“没有，只要是这些我都可以。”
......
拜托，同学们，你们的台词能不能有点深度？
想想看，AI、ML这样的方向热得几乎核爆炸了，优秀的申请人每年都汹涌至全球各大顶级CS院系，阵势好比上班高峰期广州地铁三号线的人流，你们不该首先想想你 怎么在研究方向上突围而出吗？动辄就是这些又笼统又巨热门的方向，你们靠什么亮点来吸引导师？
突然被问住？来，跟着启德全球博士申请中心，我们一起来看看由斯坦福大学Human-Centered Artificial Intelligence Institute最新发布的2022年人工智能指数报告（AI Index Report）有哪些适用于申请CS-AI方向博士的启示。
AI研究趋势和特点
首先，这份报告总结起来就是AI研究已经、并且、将要、变得更加：
通用化
该报告指出， 去年性能最佳的AI系统每10个当中有9个都是使用额外训练数据集训练的。 这点充分体现出数据对AI的重要性，但同时也体现出数据对AI性能的制约。因此，如果数据不足，AI就必须以更加优秀的算法来实现。
同时，过去两年， AI系统在更为通用化的强化学习任务当中性能提升了129% ，对应用环境具有更强的适应力，能够帮助机器进行实现更加广泛的思考。
另外， AI的性能提升也特别体现在训练成本变得更低 ——从2018年起，训练一个图像分类系统的成本累计降低了63.6%，而训练时间则减少了94.4%。
基于这三点，未来优秀的AI务必需要继续减少对数据集的依赖、提供逻辑更加严密、同时泛化（generalization）能力更佳的算法和模型、并且变得更加普及。因此，那些兼具 强大数理逻辑背景和硬核工程技能 的同学会更能够在申请CS-AI博士的时候取得优势，并且潜在导师会更加青睐能够提出算法导向研究方向的申请人。
应用化
同时， “数据管理、数据处理与数据云 （Data Management, Processing, and Cloud）” 是去年获得最大金额投资的私营AI产业领域 ——比2020年增长了2.6倍，紧随其后的产业领域则分别是“医疗”（Medical and Healthcare）和“金融 科技 ”（Fintech）。
事实上， 大数据、医疗和金融 科技 也是出现频率极高的AI博士招生的应用领域 ，启德教育全球博士申请中心2022年秋季录取AI相关的成功案例就覆盖了这三大领域，而 有意向申请CS-AI博士的同学也应该多考虑基于这三个领域构思自己的研究计划。
学科交叉化
另外，我们震惊地发现，在多模态语言-视觉模型取得越来越好的对象识别与分类效果的同时， 这些模型的输出结果具有严重的 社会 成见和偏见 ，譬如黑人被使用这些模型的AI系统识别为非人类对象的几率是其他人种的2倍。
CS-AI博士申请激烈
除了上述三大我们总结的AI研究趋势和特点，该报告还有以下两个重要信息值得想要申请CS-AI博士的同学参考：
1） AI的研发活动侧重点非常多样化，同时覆盖地域非常广泛 。各个国家和地区都有不同的研发活动，高校和企业自然会不断争取吸引人才。而且去年对AI方向招聘增幅最多的国家和地区分别是新西兰、中国香港、爱尔兰、卢森堡和瑞典。因此，有意申请CS-AI博士的同学，理应进行全球化的申请布局，毋须局限在某些国家和地区。
2） 2020年，每5名CS博士毕业生当中就有1名的研究方向是人工智能或者机器学习，可以反应出CS-AI博士申请的激烈程度 ，因此，任何有志于做AI博士研究的同学都可以充分考虑其他同样涉及AI的专业（电子工程、机械工程、工业工程、环境工程、地球与行星科学等），毋须死磕CS这一个专业。
AI是学界与业界联系非常紧密的一个领域，了解行业情况，肯定会对大家的申博计划有不少的帮助。所以，想申请CS（或者相关领域）的博士并研究AI的同学 ，你决定好适合自己的细分方向和设定研究主题了吗？
还没头绪？没关系！来找咱们博士中心啊！辅导大家设计研究方向，这是我们的专长。不过，同学们可能会有疑问：你们怎么帮助我们来设计研究方向？
Don't worry，我们有一整套的方法来做到这点。这一套方法里面很重要的一个思路就是： 我们会把握学界和业界的动态，分析趋势，从而提供建议。
已经摩拳擦掌跃跃欲试的同学，咱们全球博士申请中心等你来撩！
以上就是关于2023AI最火的几个模型相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
赣公网安备 50019002502384号
