Methods-贸泽技术与解决方案杂志，及时了解技术创新与工程设计方面的重要资讯。
Issue link: https://trendsintech.mouser.com/i/1540278
AI：无处不在 LLM之外还有哪些AI？ 作者：Becks Simpson，贸泽电子专稿 人工智能（AI）似乎无处不在。无论公 司规模大小，它都会突然出现在网站的 搜索栏上。在撰写电子邮件或者在共享 文档中编写技术说明时，它也会突然出 现："想要AI来帮你吗？"每天，都会有 新的AI解决方案出现，为用户提供"用 数据聊天"或者"用文档聊天"的功能。 在过去几年间，AI经历了令人兴奋的 创新和普及周期，但随着现代大语言 模型（LLM）的出现，将AI融入到每个 产品并将其作为解决企业问题的全面 方案的竞赛变得更加激烈。大多数AI 驱动的新功能都在某种程度上涉及 这些LLM，它们在从生成内容到总结 内容的各种书面任务中都提供了令人 印象深刻的功能。随着AI逐渐渗透到 法律、会计和软件工程等越来越精细 复杂的领域，人们可能会认为所有问 题都可以用这种AI来解决；然而，事 实并非如此。大量的使用案例和后续 分析表明，尽管LLM驱动的生成式AI 被炒得火热，但它并不是万能的。本 文将探讨从计算机视觉和时间序列分 析，到传统的机器学习（ML）和强化学 习（RL）等AI应用，从而阐明AI的世界 远比LLM更广阔，而且很多情况下都能 找到比LLM更好的工具来完成工作。 LLM无所不能？言过其实 LLM是AI领域功能最强大、影响最广泛 的形式之一，现阶段的炒作会让企业相 信它可以成功地应用到所有的企业用 例中。然而，这种想法是错误的。首先， 并非所有问题都是基于语言的。LLM 通常依赖的一个先决条件，是输入数 据和所需的输出都基于文本，包括文 档、描述、指令、摘要等。然而，有些 数据纯粹是结构化的数字形式，数量 巨大，而且随着时间推移会呈现出错 综复杂的基本模式（例如，涵盖多年 交易、数值和消费金额的银行数据）。 其他用例则需要将图像作为输入，如卫 星数据或医学扫描数据。虽然有些LLM 具备多模态功能，但它们并不能很好地 泛化到这些更复杂或定制的图像需求。 其他应用，如预测性维护，可能会以录 音或其他传感器数据（包括时间序列 和多模态数据）的形式进行输入，基于 语言的生成式AI很可能完全帮不上忙。 其次，并非所有问题的解决方案都是 生成式的。有些解决方案需要的恰恰 是回归或分类。虽然它们之间存在一 些重叠 例如，在给定（范围足够小 的）样本集的情况下，生成式AI可以 根据要求进行分类，或者以类似回归 的方式生成一个数字，但这些AI很可 能并没有接触过这些模式，因而无法 产生正确的输出。有时，问题是特定于 某个数据集的，只有通过检查（也就 是学习）整个数据集才能得到答案。 最后，生成式AI有时会矫枉过正。许 多问题都有经过验证的数学或统计 学解决方案，并不需要动用生成式 AI。例如，物流配送中的调度和路线 选择等应用就可以利用已有的路径 优化算法。这些算法通常更容易实 现，也更适合特定问题，因而更加准 确，无需深度学习及其相关开销。 如果不用LLM， 那还有什么可以用？ 当我们都在关注基于语言的生成式AI 时，可能会忽略一个事实：世界上还 存在其他同样令人惊叹的AI形式。在 计算机视觉应用以及时间序列分析 和RL方面，已经开发出与LLM具有相 似复杂性和能力的深度学习模型。此 外，传统的基于统计的ML在许多企 业用例中仍然发挥着突出的作用。 计算机视觉 计算机视觉是AI的一个关键分支，它 5 |