图灵汇官网

在过去一年中，无论是技术层面还是商业应用，机器学习和人工智能都取得了显著进步。那么，2023年会有哪些炙手可热的技术呢？

预计到2023年，人工智能市场的总值将达到5000亿美元，到2030年更将飙升至15971亿美元。这表明机器学习技术在未来一段时间内仍将保持高需求。

然而，机器学习行业的快速发展导致了新技术和研究的不断涌现，这些技术重新定义了产品和服务的开发方式。截至2022年底，从机器学习工程师到初创公司的创始人，所有人都在关注来年的主要发展趋势。如果你想了解2023年最热门的趋势，不妨参考以下内容。

机器学习的技术发展趋势

1. 基础模型

大型语言模型是近年来的一大创新，并且在未来一段时间内仍是关注的重点。基础模型是一种人工智能工具，经过大量数据训练后，其性能甚至不逊色于常规神经网络。

工程师们正致力于提升机器的理解能力，使它们不仅能搜索模式，还能积累知识。基础模型在内容生成、编码、翻译及客户服务等方面均有积极贡献，其中最著名的模型包括GPT-3和MidJourney。这些模型的一个优势是它们可以快速扩展，处理前所未见的数据，从而展现出卓越的生成能力。在这一领域领先的供应商有NVIDIA和OpenAI。

2. 多模态机器学习

在涉及模型与现实世界交互的任务中，如计算机视觉或自然语言处理，模型通常只能依赖单一类型的数据，例如图像或文本。然而，在现实生活中，我们可以通过多种感官来感知世界，例如嗅觉、听觉、触感和味觉。

多模态机器学习建议通过多种方式（称为模式）来体验世界，从而构建更好的模型。AI中的“多模态”指的是机器学习模型的构建方式，这些模型能够像人类一样通过多种模式感知事件。

为了构建多模态机器学习，可以结合不同类型的信息并用于训练模型。例如，图像和音频与文本标签的结合，可以使识别更加容易。虽然多模态机器学习是一个较新的领域，但很多人认为它是实现通用人工智能的关键，预计2023年将进一步发展。

3. Transformer

Transformer是一种人工智能架构，通过编码器和解码器将输入数据序列转换为另一序列。许多基础模型都建立在Transformer之上，但Transformer也可以应用于许多其他领域。据报道，Transformer正在改变人工智能世界的格局。

Transformer，也被称为Seq2Seq模型，广泛应用于翻译和其他自然语言处理任务。由于Transformer可以分析单词序列而非单个单词，因此它们的表现通常优于普通人工神经网络。

Transformer模型不仅会逐字翻译句子，还会评估序列中每个单词的重要性，并为其分配相应权重，然后将语句转换为另一种语言。一些技术领先的解决方案可以帮助你构建Transformer管道，例如Hugging Face和Amazon Comprehend等。

4. 嵌入式机器学习

嵌入式机器学习是机器学习的一个子领域，目标是让机器学习模型能够在各种设备上运行。

嵌入式机器学习多用于家用电器、智能手机和笔记本电脑、智能家居系统等。ABI Research的人工智能与机器学习首席分析师Lian Jye Su表示：“人工智能的激增和大众化推动了物联网（IoT）分析的发展。从物联网设备收集数据，并用于训练机器学习模型，从而为整个物联网带来有价值的新见解。这些应用程序需要依赖复杂的芯片组，因此是强大而又昂贵的解决方案。”

嵌入式机器学习系统的日益普及是芯片组制造业的主要驱动力之一。十年前，根据摩尔定律，芯片组上的晶体管数量每两年翻一番，我们可以根据此定律预测计算能力的增长。但实际上在过去几年中，我们看到了每年40%到60%的飞跃。而这种趋势在未来几年仍将持续。随着物联网技术和机器人技术的广泛应用，嵌入式系统变得越来越重要。嵌入式机器学习面临的独特挑战可能在2023年无法完全解决，因为解决这些问题需要在节省资源的同时，最大限度地优化并提高效率。

5. 低代码和无代码解决方案

机器学习和人工智能已渗透到各个领域，即使是非技术人员也能使用的机器学习解决方案被视为保持整个组织效率的关键。与其投入大量时间和成本来学习编程，不如选择零或接近零编程技能的应用——但这并不是无代码解决方案唯一要解决的问题。

Gartner发现，市场对高质量解决方案的需求超过了交付的能力：“市场需求的增长速度至少比交付这些解决方案的IT能力快5倍”。无代码和低代码解决方案可以帮助弥合这一差距并满足需求。同样，低代码解决方案可以让技术团队更快地提出假设，并进行测试，从而减少交付时间和降低开发成本。如果是在10年前，构建一款应用程序或启动一个网站需要整个团队的努力，但如今只需要一个人即可完成，而且速度很快。

此外，82%的组织都面临着吸引和留住软件工程师的困难，他们表示愿意在无代码和低代码技术的帮助下构建和维护应用程序。尽管近年来市场上涌现了许多低代码和无代码解决方案，但总体看来这些解决方案在质量上仍远不如常规开发。

最后值得一提的是，随着训练机器学习模型（尤其在大型组织中运行的实时机器学习）所需的计算能力迅速增加，云计算仍然是创新背后的重要技术。据统计，全球约有60%的企业数据存储在云端，而这个数字还有可能增长。2023年我们将看到，为了满足机器学习行业不断增长的需求，云安全性与弹性的投资增加。

2023年机器学习的热门技术领域

除了以上提到的技术，Gartner还预测未来7到8年内机器学习应用最多的技术领域包括：

• 创造性人工智能：用于生成文本、代码、图像和视频的AI在2022年获得了广泛普及。2023年，使用生成式人工智能为时尚、创意和营销提供产品和服务的需求将持续高涨。
• 分布式企业管理：随着远程办公成为常态，各个公司必然需要寻找新的方法来管理员工团队并保持效率。
• 自动化：从安全到银行业，许多行业都迫切需要能够承担越来越复杂任务并适应快速变化条件的自主软件系统。
• 网络安全：随着生活各个领域的数字化程度提高，以及保护敏感信息的必要性，网络安全变得越来越重要。

总结

2023年，机器学习仍将是一个充满希望且快速发展的领域。许多有趣的创新都将纷纷呈现。大型语言模型、多模态机器学习、Transformer、嵌入式机器学习以及无代码和低代码解决方案将是备受瞩目的新兴技术。此外，在一些技术领域，2023年机器学习的应用也将继续增长，包括创造性人工智能、自主系统、分布式企业管理以及网络安全。Gartner预测，2023年机器学习将继续渗透到更多业务领域，帮助各个组织提高效率和工作安全性。