历史上，人工智能的演变被视为旨在实现人工智能（AGI）的竞争，该竞争可以在各种任务中执行类似人类的推理。然而，当前的趋势表明，人们对专门的AI模型的倾向越来越倾向，通常称为“ AI圆头”，而不是追求AGI的雄心勃勃的目标，被称为“ AI Cavaliers”。 AI开发方法的这种变化对各个行业的效率，成本和实际应用产生了重要的后果。

历史背景：Agi vs.专业AI

几十年来，研究人员和技术远见卓识一直追求AGI，这是一种理论结构，机器具有执行人类所能执行任何智力任务的能力。对于OpenAI和DeepMind等公司来说，AGI仍然是一个长期目标，需要巨大的计算资源，复杂的算法和庞大的数据集，以近似人类认知。

相比之下，专业的AI或狭窄的AI专注于在特定领域的优化性能。这些模型在有针对性的应用中表现出色，例如自然语言处理（NLP），计算机视觉，欺诈检测和医学诊断。与需要广泛的概括能力的AGI不同，专门的AI模型是针对以高效率和准确性执行预定义任务的。

为什么专门的AI获得动力

向专业AI的转变是由几个关键因素驱动的：

1。效率和成本效益

AGI开发需要广泛的计算能力和培训数据，通常使其过高的昂贵。另一方面，专门的AI更具成本效益，因为它是为特定任务而设计的，需要更少的资源来培训和部署。这使其对寻求快速采用AI采用的企业有吸引力，而不会产生高昂的成本。

2。特定于行业的优化

跨部门的企业正在利用特定领域的AI模型来获得竞争优势。例如：

• 医疗保健：AI驱动的成像模型，例如Google的DeepMind AlphaFold辅助蛋白质结构预测，加速了药物发现。
• 金融：专门从事欺诈检测的AI模型，例如Visa的AI驱动安全系统，有助于确定精确的欺诈交易。
• 零售：AI驱动的推荐引擎（例如亚马逊和Netflix使用的引擎）通过预测消费者的偏好来增强用户体验。

这些应用说明了AI已经提供了现实世界的价值的狭窄程度，而AGI仍然在很大程度上假设。

3。解释性和信任

AGI面临的挑战之一是“黑匣子”问题 - 复杂的决策过程缺乏透明度。但是，专门的AI模型更容易解释和完善，从而可以更好地解释。这在监管合规性和责任制至关重要的医疗保健和金融行业中尤为重要。

4。更快的部署和集成

开发通用AGI系统需要进行广泛的培训和测试，然后才能在各个领域应用。相反，可以快速开发并部署专门的AI模型供立即使用。广泛采用AI-AS-AS-Service（AIAAS）平台已进一步简化了特定于任务的AI在业务运营中的集成。

关键技术进步推动专门的AI

基于变压器的模型

诸如OpenAI的GPT-4和Google的双子座等变压器架构的引入彻底改变了AI的AI。这些模型可以针对特定领域的应用进行微调，从而使企业能够在没有构建AGI的情况下利用强大的NLP功能。

联合学习

联合学习使AI模型可以在保持隐私的同时对分散的数据源进行培训。这在数据安全至关重要的医疗保健和金融中特别有用。联邦学习无需单个AGI系统来管理所有内容，而是允许多个专业模型安全地协作。

边缘AI

边缘计算的崛起使专业的AI模型授权在设备上本地运行，而不是依靠集中式的云处理。这导致在自动驾驶，物联网和实时分析等领域中更快，更高效的AI应用程序。

专业AI的挑战和局限性

尽管它具有优势，但专业的AI并非没有挑战：

• 有限的概括：专门的AI模型在其指定领域内表现出色，但是当应用于训练范围之外的任务时挣扎。
• 维护和可扩展性：为不同任务开发多个AI模型需要持续的更新和维护，从而提高操作复杂性。
• 偏见和道德问题：由于在特定数据集上对专业的AI模型进行了培训，因此它们可以继承更广泛的AGI模型中可能不存在的偏见。

未来：共存还是竞争？

尽管实现AGI是一个长期的愿望，但专门AI的切实优势使其成为目前公司更具吸引力的选择。未来不是将其作为AGI和狭窄的AI之间的直接冲突，而是涉及一项联合策略，其中专业模型与更广泛的AI系统一起进行了协作。在监视AGI的发展的同时，明智地将资源分配给专业AI的企业将处于最佳位置，以利用不断变化的AI景观动态。

另请阅读：为什么AI不需要ML，但是没有AI，ML无法生存

这意味着什么

特定于域特异性AI圆头的出现（用于目标任务设计的AI模型）正在改变AI行业的景观。尽管实现AGI仍然是长期目标，但专注的AI表明各个部门的效率，成本效益和实际使用。公司和研究人员需要适应这一转变，利用专门的AI来促进创新，同时还可以接受AGI的未来进步。