1.2重要的機(jī)器學(xué)習(xí)系統(tǒng)的發(fā)展趨勢

通用的機(jī)器學(xué)習(xí)系統(tǒng)

下面的數(shù)字報告了在Epoch數(shù)據(jù)集中包含的所有機(jī)器學(xué)習(xí)系統(tǒng)的趨勢。作為參考，這些系統(tǒng)在整個小節(jié)中被稱為重要的機(jī)器學(xué)習(xí)系統(tǒng)。

系統(tǒng)類型

在2022年發(fā)布的重要的人工智能機(jī)器學(xué)習(xí)系統(tǒng)中，最常見的系統(tǒng)類別是語言（圖1.2.1）。2022年發(fā)布了23個重要的人工智能語言系統(tǒng)，大約是第二常見的系統(tǒng)類型——多模態(tài)系統(tǒng)的6倍。

2022年按領(lǐng)域劃分的重要機(jī)器學(xué)習(xí)系統(tǒng)的數(shù)量

（資料來源： Epoch，2022年|圖表： 2023年人工智能指數(shù)報告）

圖1.2.1

行業(yè)分析

在工業(yè)界、學(xué)術(shù)界或非營利組織中，哪個部門發(fā)布了最多的重要的機(jī)器學(xué)習(xí)系統(tǒng)？直到2014年，大多數(shù)機(jī)器學(xué)習(xí)系統(tǒng)都是由學(xué)術(shù)界發(fā)布的。從那時起，行業(yè)就接管了公司（圖1.2.2）。2022年，有32個重要的工業(yè)機(jī)器學(xué)習(xí)系統(tǒng)，而學(xué)術(shù)界生產(chǎn)的只有3個。生產(chǎn)最先進(jìn)的人工智能系統(tǒng)越來越需要大量的數(shù)據(jù)、計算能力和資金；與非營利組織和學(xué)術(shù)界相比，行業(yè)參與者擁有更多的資源。

2002-22年重要機(jī)器學(xué)習(xí)系統(tǒng)的數(shù)量

（資料來源： Epoch，2022年|圖表： 2023年人工智能指數(shù)報告）

圖1.2.2

國家關(guān)系

為了描繪一幅人工智能不斷發(fā)展的地緣政治圖景，人工智能指數(shù)研究團(tuán)隊確定了為Epoch數(shù)據(jù)集中每個重要機(jī)器學(xué)習(xí)系統(tǒng)的開發(fā)做出貢獻(xiàn)的作者的國籍。

系統(tǒng)

圖1.2.3顯示了來自特定國家的研究人員的重要機(jī)器學(xué)習(xí)系統(tǒng)的總數(shù)。一名研究人員被認(rèn)為屬于其機(jī)構(gòu)的總部國家，例如大學(xué)或人工智能研究公司。2022年，美國生產(chǎn)了最多的重要機(jī)器學(xué)習(xí)系統(tǒng)，有16個，其次是英國(8)和中國(3)。此外，自2002年以來，就所生產(chǎn)的重要機(jī)器學(xué)習(xí)系統(tǒng)的總數(shù)而言，美國已經(jīng)超過了英國、歐盟以及中國（圖1.2.4）。圖1.2.5顯示了自2002年以來各國為全世界生產(chǎn)的重要機(jī)器學(xué)習(xí)系統(tǒng)的總數(shù)。

2022年按國家劃分的重要機(jī)器學(xué)習(xí)系統(tǒng)的數(shù)量

（資料來源： Epoch和AI指數(shù)，2022年|圖表： 2023年AI指數(shù)報告）

圖1.2.3

2002-2022按選擇的地理區(qū)域劃分的重要機(jī)器學(xué)習(xí)系統(tǒng)的數(shù)量

（資料來源： Epoch和AI指數(shù)，2022年|圖表： 2023年AI指數(shù)報告）

圖1.2.4

2002-22年按國家劃分的機(jī)器學(xué)習(xí)系統(tǒng)數(shù)量（總和）

（資料來源： Epoch和AI指數(shù)，2022年|圖表： 2023年AI指數(shù)報告）

圖1.2.5

歸屬

圖1.2.6到1.2.8查看按國家歸屬關(guān)系分類的幫助啟動重要機(jī)器學(xué)習(xí)系統(tǒng)的作者總數(shù)。就像總系統(tǒng)的情況一樣，在2022年，美國生產(chǎn)重要機(jī)器學(xué)習(xí)系統(tǒng)的作者數(shù)量最多，有285個，是英國的兩倍多，是中國的近6倍（圖1.2.6）。

2022年，按國家劃分的重要機(jī)器學(xué)習(xí)系統(tǒng)的作者數(shù)量

圖1.2.6

2002-22年按選擇的地理區(qū)域劃分的重要機(jī)器學(xué)習(xí)系統(tǒng)的作者數(shù)量

圖1.2.7

2002-22年按國家劃分的機(jī)器學(xué)習(xí)系統(tǒng)作者數(shù)量（總和）

圖1.2.8

參數(shù)趨勢

參數(shù)是由機(jī)器學(xué)習(xí)模型在訓(xùn)練過程中學(xué)習(xí)到的數(shù)值。機(jī)器學(xué)習(xí)模型中的參數(shù)值決定了模型如何解釋輸入數(shù)據(jù)并做出預(yù)測。調(diào)整參數(shù)是確保機(jī)器學(xué)習(xí)系統(tǒng)的性能得到優(yōu)化的一個必要步驟。圖1.2.9按部門突出顯示了Epoch數(shù)據(jù)集中包含的機(jī)器學(xué)習(xí)系統(tǒng)的參數(shù)數(shù)量。隨著時間的推移，參數(shù)的數(shù)量一直在穩(wěn)步增加，自2010年代初以來，這個增長尤為急劇。人工智能系統(tǒng)正在迅速增加其參數(shù)的事實反映了它們被要求執(zhí)行的任務(wù)的復(fù)雜性增加，數(shù)據(jù)的可用性增加，底層硬件的進(jìn)步，最重要的是，更大的模型的性能演示。

1950-22年按部門劃分的重要機(jī)器學(xué)習(xí)系統(tǒng)的參數(shù)數(shù)量

圖1.2.9

圖1.2.10按領(lǐng)域展示了機(jī)器學(xué)習(xí)系統(tǒng)的參數(shù)。近年來，參數(shù)豐富的系統(tǒng)數(shù)量不斷增加。

1950-22年重要的機(jī)器學(xué)習(xí)系統(tǒng)按領(lǐng)域劃分的參數(shù)數(shù)

圖1.2.10

計算趨勢

人工智能系統(tǒng)的計算能力，或稱“計算能力”，是指訓(xùn)練和運(yùn)行機(jī)器學(xué)習(xí)系統(tǒng)所需的計算資源量。通常，一個系統(tǒng)越復(fù)雜，所訓(xùn)練它的數(shù)據(jù)集越大，所需的計算量就越大。在過去的五年里，重要的人工智能機(jī)器學(xué)習(xí)系統(tǒng)使用的計算量呈指數(shù)級增長（圖1.2.11）。對人工智能計算需求的增長有幾個重要的影響。例如，更密集型計算的模型往往對環(huán)境的影響更大，而工業(yè)參與者往往比大學(xué)等其他模型更容易獲得計算資源。

1950-22年重要機(jī)器學(xué)習(xí)系統(tǒng)的分部門訓(xùn)練計算（FLOP）

圖1.2.11

自2010年以來，在所有的機(jī)器學(xué)習(xí)系統(tǒng)中，語言模型需要的計算資源越來越多。

1950-22年重要機(jī)器學(xué)習(xí)系統(tǒng)的分域訓(xùn)練計算（FLOP）

圖1.2.12

大型語言和多模態(tài)模型

大型語言和多模態(tài)模型，有時被稱為基礎(chǔ)模型，是一種新興的、日益流行的人工智能模型，它對大量數(shù)據(jù)進(jìn)行訓(xùn)練，并適應(yīng)各種下游應(yīng)用程序。像ChatGPT、DALL-E 2和MakeA-Video這樣的大型語言和多模態(tài)模型-Video模型已經(jīng)展示了令人印象深刻的能力，并開始在現(xiàn)實世界中廣泛應(yīng)用。今年，人工智能指數(shù)對負(fù)責(zé)發(fā)布新的大型語言和多模態(tài)模型的作者的國家隸屬關(guān)系進(jìn)行了分析。10這些研究人員中的大多數(shù)來自美國的研究機(jī)構(gòu)（54.2%）（圖1.2.13）。2022年，來自加拿大、德國和印度的研究人員首次為大型語言和多模式模型的發(fā)展做出了貢獻(xiàn)。

2019-22年按國家選擇大型語言和多模態(tài)模型（占總數(shù)的%）的作者

圖1.2.13

圖1.2.14提供了自GPT-2以來發(fā)布的大型語言和多模態(tài)模型的時間軸視圖，以及產(chǎn)生這些模型的研究人員的國家附屬機(jī)構(gòu)。2022年發(fā)布的一些著名的美國大型語言和多模態(tài)模型包括OpenAI的DALL-E 2和谷歌的PaLM（540B）。2022年發(fā)布的唯一一種中國大型語言和多模式模式是GLM-130B，這是清華大學(xué)的研究人員創(chuàng)建的一種令人印象深刻的雙語（英語和中文）模式。同樣于2022年底推出的布魯姆計劃，由于它是1000多名國際研究人員合作的結(jié)果，因此被列為不確定計劃。

選擇大型語言和多語言模式模型發(fā)布的時間軸和國家歸屬

圖1.2.14

參數(shù)計數(shù)

隨著時間的推移，新發(fā)布的大型語言和多模態(tài)模型的參數(shù)數(shù)量大幅增加。例如，GPT-2是2019年發(fā)布的第一個大型語言和多模式模型，它只有15億個參數(shù)。由谷歌于2022年推出的PaLM擁有5400億美元，是GPT-2的近360倍。在大型語言和多模態(tài)模型中，參數(shù)的中位數(shù)隨著時間的推移呈指數(shù)級增長（圖1.2.15）。

2019-22年選擇大型語言和多模態(tài)模型的參數(shù)數(shù)

圖1.2.15

培訓(xùn)計算

大型語言和多模態(tài)模型的訓(xùn)練計算量也在穩(wěn)步增加（圖1.2.16）。用于訓(xùn)練Minerva（540B）的計算量大約是OpenAI的GPT-3（2022年6月發(fā)布）的9倍，是GPT-2（2019年2月發(fā)布）的1839倍。Minerva是谷歌于2022年6月發(fā)布的一個大型語言和多模模型，在定量推理問題上表現(xiàn)出了令人印象深刻的能力。

2019-22年選擇大型語言和多模態(tài)模型的訓(xùn)練計算（FLOP）

圖1.2.16

訓(xùn)練費(fèi)用

圍繞大型語言和多模態(tài)模型的話語的一個特殊主題與它們的假設(shè)成本有關(guān)。盡管人工智能公司很少公開談?wù)撚?xùn)練成本，但人們普遍猜測，這些模型的訓(xùn)練成本為數(shù)百萬美元，而且隨著規(guī)模的擴(kuò)大，成本將變得越來越昂貴。本小節(jié)介紹了一種新的分析，其中人工智能索引研究團(tuán)隊對各種大型語言和多模態(tài)模型的訓(xùn)練成本進(jìn)行了估計（圖1.2.17）。這些估計是基于模型的作者所披露的硬件和訓(xùn)練時間。在沒有透露訓(xùn)練時間的情況下，我們根據(jù)硬件速度、訓(xùn)練計算和硬件利用率效率進(jìn)行計算。考慮到估計值的可能可變性，我們用中、高或低的標(biāo)簽來限定每個估計值：中估計值被認(rèn)為是中級估計值，高被認(rèn)為是高估估計值，低被認(rèn)為是低估估計值。在某些情況下，沒有足夠的數(shù)據(jù)來估計特定的大型語言和多模態(tài)模型的訓(xùn)練成本，因此這些模型在我們的分析中被省略了。

選擇大型語言和多模態(tài)模型的估計訓(xùn)練成本

圖1.2.17

大型語言和多模態(tài)模型的成本與其規(guī)模之間也有明顯的關(guān)系。如圖1.2.18和1.2.19所示，具有更多參數(shù)的大型語言和多模態(tài)模型以及使用大量計算的訓(xùn)練往往更昂貴。

選擇大型語言和多模態(tài)模型的估計訓(xùn)練成本和參數(shù)數(shù)

圖1.2.18

選擇大型語言和多模態(tài)模型的估計訓(xùn)練成本及訓(xùn)練計算（FLOP）

圖1.2.19

人工智能會議是研究人員分享其工作、與同行和合作者建立聯(lián)系的關(guān)鍵場所。出席會議表明了人們對一個科學(xué)領(lǐng)域的更廣泛的工業(yè)和學(xué)術(shù)興趣。在過去的20年里，人工智能會議的規(guī)模、數(shù)量和聲望都有所增長。本節(jié)介紹了參加主要人工智能會議的趨勢數(shù)據(jù)。