近年來，人工智慧（AI）領域在『scaling up』的道路上取得了巨大的進展，主要是通過增加資料量、模型大小以及計算資源來提升AI模型的表現。然而，最近有一種新的scaling方法引起了廣泛關注，被稱為『inference-time search』。這種方法涉及生成多個答案並選擇最佳解，據稱能夠將舊模型的表現提升到超越新一代模型的水平。儘管這一方法看似有趣，專家們卻對其實用性提出了質疑，認為它的適用範圍有限，尤其是在複雜的語言互動中難以推動。
AI scaling方法的演進過程中，『pre-training』、『post-training』和『test-time』等概念深入人心。『pre-training』涉及使用龐大的資料庫和模型進行初步訓練，以獲得高度通用的基礎知識；『post-training』則是對已經訓練好的模型進行調整，以更好地適應特定任務；而『test-time』則在推斷階段動態分配更多計算資源，以加強模型的推理能力。這些方法雖然在各自領域中取得了成就，但專家們仍然認為，單純通過增加計算資源來提升AI性能的方式可能已經接近瓶頸。
多數AI研究人員認為，要真正實現人工一般智慧（AGI），光靠增加計算資源是不夠的。據近期一項調查顯示，超過76%的AI研究人員認為，通過當前的scaling方法難以達到AGI。這項調查引發了對AI發展路線的思考，許多專家呼籲進行更深入的研究和創新，以突破現有的技術瓶頸。
在亞洲地區，AI的投資正如火如荼地進行，許多公司將AI融入核心業務，並且在AI基礎設施和數據收集上進行大量投入。這種趨勢既帶來了機會，也面臨著挑戰，特別是在如何平衡投資與實際需求之間存在著矛盾。
綜上所述，AI的『inference-time search』等新型方法雖然激發了廣泛的興趣，但也面臨著實踐與發展的挑戰。未來AI的進步，可能需要更多的創新和多元化的策略，才能真正打破瓶頸，邁向更高的智能水準。
#AI未來發展 #人工智慧挑戰 #scaling方法進步 #科技投資趨勢
追蹤以下平台，獲得最新AI資訊：
Facebook: https://www.facebook.com/drjackeiwong/
Instagram: https://www.instagram.com/drjackeiwong/
Threads: https://www.threads.net/@drjackeiwong/
YouTube: https://www.youtube.com/@drjackeiwong/
Website: https://drjackeiwong.com/
