人工智能的发展历程历来被视为一场旨在实现通用人工智能（AGI）的竞赛——AGI 是一种能够在广泛的任务中执行类似人类推理的系统。然而，当前的趋势表明，人们越来越倾向于开发专门的人工智能模型，通常被称为“AI圆头党”，而不是追求雄心勃勃的 AGI 目标，即所谓的“AI骑士”。人工智能发展方式的这种转变将对效率、成本以及在各行业的实际应用产生重大影响。.

历史背景：通用人工智能与专业人工智能

几十年来，研究人员和科技远见者一直在追求通用人工智能（AGI），这是一种理论构想，即机器能够执行人类可以完成的任何智力任务。AGI 仍然是 OpenAI 和 DeepMind 等公司的长期目标，它需要庞大的计算资源、复杂的算法和海量的数据集来近似模拟人类认知。.

相比之下，专用人工智能（或称狭义人工智能）专注于优化特定领域的性能。这些模型在自然语言处理（NLP）、计算机视觉、欺诈检测和医疗诊断等特定应用领域表现出色。与需要广泛泛化能力的通用人工智能（AGI）不同，专用人工智能模型经过专门设计，能够高效、准确地执行预定义的任务。.

为什么专业化人工智能正在获得发展动力

人工智能向专业化方向发展的趋势是由以下几个关键因素驱动的：

1. 效率和成本效益

通用人工智能（AGI）的开发需要大量的计算能力和训练数据，这往往导致其成本极其高昂。而专用人工智能则更具成本效益，因为它专为特定任务而设计，训练和部署所需的资源更少。这使得专用人工智能对那些希望快速采用人工智能但又不想承担高昂成本的企业来说极具吸引力。.

2. 行业特定优化

各行各业的企业都在利用特定领域的AI模型来获得竞争优势。例如：

• 医疗保健：谷歌的 DeepMind AlphaFold 等人工智能成像模型可辅助蛋白质结构预测，从而加速药物发现。
• 金融：像 Visa 的人工智能安全系统这样的专门用于欺诈检测的人工智能模型，可以帮助精确识别欺诈交易。
• 零售业：人工智能驱动的推荐引擎（例如亚马逊和 Netflix 使用的引擎）通过预测消费者偏好来增强用户体验。

这些应用表明，狭义人工智能已经能够创造现实世界的价值，而通用人工智能（AGI）在很大程度上仍然停留在假设阶段。.

3. 可解释性和信任度

通用人工智能（AGI）面临的挑战之一是“黑箱”问题——复杂的决策过程缺乏透明度。然而，专门的人工智能模型更容易解释和改进，从而提高可解释性。这在医疗保健和金融等行业尤为重要，因为这些行业对监管合规性和问责制要求极高。.

4. 更快的部署和集成

开发通用人工智能（AGI）系统需要大量的训练和测试，才能应用于各个领域。相比之下，专用人工智能模型可以快速开发和部署，立即投入使用。人工智能即服务（AIaaS）平台的广泛应用进一步简化了特定任务人工智能与业务运营的集成。.

推动专业人工智能发展的关键技术进步

基于Transformer的模型

OpenAI 的 GPT-4 和 Google 的 Gemini 等 Transformer 架构的引入，彻底革新了专业化人工智能。这些模型可以针对特定领域的应用进行微调，使企业无需构建通用人工智能 (AGI) 即可利用强大的自然语言处理 (NLP) 能力。.

联邦学习

联邦学习使人工智能模型能够在分散的数据源上进行训练，同时保障隐私。这在数据安全至关重要的医疗保健和金融领域尤为重要。联邦学习无需单一的通用人工智能系统来管理所有数据，而是允许多个专业模型安全地协作。.

边缘人工智能

边缘计算的兴起使得专用人工智能模型能够在设备本地运行，而无需依赖集中式云处理。这使得人工智能应用在自动驾驶、物联网和实时分析等领域能够更快、更高效地运行。.

专业人工智能的挑战与局限性

尽管专业人工智能具有诸多优势，但也并非没有挑战：

• 泛化能力有限：专门的 AI 模型在其指定领域内表现非常出色，但当应用于训练范围之外的任务时则表现不佳。
• 维护和可扩展性：为不同任务开发多个 AI 模型需要不断更新和维护，这增加了运营复杂性。
• 偏见和伦理问题：由于专门的 AI 模型是在特定的数据集上训练的，因此它们可能会继承一些在更广泛的 AGI 模型中不存在的偏见。

未来：共存还是竞争？

尽管实现通用人工智能（AGI）是一个长期目标，但专用人工智能的切实优势使其成为目前企业更具吸引力的选择。未来或许不应将AGI与专用人工智能视为直接冲突，而应采取一种融合策略，即专用模型与更通用的人工智能系统协同工作。那些在密切关注AGI发展的同时，明智地将资源分配到专用人工智能领域的企业，将能够更好地把握人工智能领域不断变化的动态机遇。.

另请阅读： 为什么人工智能不需要机器学习，但机器学习却离不开人工智能

这意味着什么

领域特定人工智能模型（即为特定任务量身定制的人工智能模型）的出现正在改变人工智能行业的格局。尽管实现通用人工智能（AGI）仍然是长远目标，但专注型人工智能在各个领域都展现出更高的效率、成本效益和实用性。企业和研究人员需要适应这种转变，利用专业化人工智能促进创新，同时保持对通用人工智能未来发展的开放态度。.