2023 年，人工智能市場總額將高達 5000 億美元，到 2030 年將達到 15971 億美元——這意味著，在不久的將來，機器學習技術(shù)仍將繼續(xù)處于高需求狀態(tài)。

然而，機器學習行業(yè)的發(fā)展速度非常快，新技術(shù)和科學研究又定義了新產(chǎn)品和服務(wù)的構(gòu)建方式。截止到 2022 年底，從機器學習工程師到創(chuàng)業(yè)公司創(chuàng)始人，每個人都在關(guān)注來年*有前景的發(fā)展趨勢。如果你想了解明年*熱門的一些趨勢，不妨看看本文。

機器學習的技術(shù)發(fā)展趨勢

沒有人能準確預(yù)測明年需要什么樣的技術(shù)，因為每天都有創(chuàng)新技術(shù)出現(xiàn)。不過根據(jù) 2022 年的狀況，我們認為 2023 年*有前景的機器學習技術(shù)包括以下幾個方面。

1. 基礎(chǔ)模型

大型語言模型是一項重要創(chuàng)新，近來很受歡迎，在接下來的一段時間內(nèi)仍然是關(guān)注的焦點。基礎(chǔ)模型是人工智能工具，經(jīng)過大量數(shù)據(jù)訓練后，甚至不輸于常規(guī)神經(jīng)網(wǎng)絡(luò)。

工程師們正在努力將機器的理解水平提升到新高度，它們不僅可以搜索模式，還可以積累知識。基礎(chǔ)模型對于內(nèi)容生成和匯總、編碼和翻譯，以及客戶支持方面都有積*貢獻，其中***的基礎(chǔ)模型當屬 GPT-3 和 MidJourney。

基礎(chǔ)模型的一個驚人之處在于，它們可以快速擴展，并處理以前從未見過的數(shù)據(jù)，因此具有出色的生成能力。在這個領(lǐng)域，擁有**解決方案的供應(yīng)商是 NVIDIA 和 OpenAI。

2. 多模態(tài)機器學習

在涉及模型與現(xiàn)實世界交互的計算機視覺或自然語言處理等任務(wù)中，模型通常只能依賴一種類型的數(shù)據(jù)，比如圖像或文本。但在現(xiàn)實生活中，我們可以通過多種感官來感知周圍的世界，比如嗅覺、聽覺、觸感和味覺。

多模態(tài)機器學習建議通過多種方式（稱為模式）來體驗世界，從而構(gòu)建更好的模型。AI 中的“多模式”一詞描述了機器學習模型的構(gòu)建方式，這些模型可以像人類一樣通過多種模式感知事件。

為了構(gòu)建多模態(tài)機器學習，我們可以組合不同類型的信息，并使用它們來訓練模型。例如，圖像和音頻與文本標簽的結(jié)合，可以使其更易于識別。雖然多模態(tài)機器學習是一個年輕的領(lǐng)域，但許多人認為這是實現(xiàn)通用人工智能的關(guān)鍵，2023 年有待進一步開發(fā)和推進。

3. Transformer

Transformer（轉(zhuǎn)換器）是一種人工智能架構(gòu)，它使用編碼器和解碼器對輸入數(shù)據(jù)序列進行轉(zhuǎn)換，將其轉(zhuǎn)換為另一個序列。許多基礎(chǔ)模型都建立在 Transformer 之上，但其實 Transformer 也可用于許多其他應(yīng)用——據(jù)報道，Transformer 正在席卷人工智能世界。

Transformer 又名 Seq2Seq 模型，廣泛用于翻譯及其他自然語言處理任務(wù)。由于 Transformer 可以分析單詞序列，而不僅僅是單個單詞，因此它們呈現(xiàn)出的效果通常比普通人工神經(jīng)網(wǎng)絡(luò)更好。

Transformer 模型不是簡單地讀取句子中的所有單詞并逐字翻譯，它們能夠評估序列中每個單詞的重要性，并分配相應(yīng)的權(quán)重，然后再將語句轉(zhuǎn)換為另一種語言。一些技術(shù)上**的解決方案可以幫助你構(gòu)建 Transformer 管道，包括 Hugging Face 和 Amazon Comprehend 等。

4. 嵌入式機器學習

嵌入式機器學習是機器學習的一個子領(lǐng)域，目標是讓機器學習模型能夠在不同的設(shè)備上運行。

嵌入式機器學習多用于家用電器、智能手機和筆記本電腦、智能家居系統(tǒng)等。ABI Research 人工智能與機器學習首席分析師 Lian Jye Su 表示：

人工智能的激增和大眾化推動了物聯(lián)網(wǎng)（IoT）分析的發(fā)展。從物聯(lián)網(wǎng)設(shè)備收集數(shù)據(jù)，并用于訓練機器學習模型，從而為整個物聯(lián)網(wǎng)帶來有價值的新見解。這些應(yīng)用程序需要依賴復雜的芯片組，因此是強大而又昂貴的解決方案。

嵌入式機器學習系統(tǒng)的日益普及是芯片組制造業(yè)的主要驅(qū)動力之一。十年前，根據(jù)摩爾定律，芯片組上的晶體管數(shù)量每兩年會翻一番，我們可以根據(jù)此定律預(yù)測計算能力的增長。但實際上在過去幾年中，我們看到了每年 40～60% 的飛躍。而這種趨勢在未來幾年仍將持續(xù)。

隨著物聯(lián)網(wǎng)技術(shù)和機器人技術(shù)的廣泛普及，嵌入式系統(tǒng)變得越來越重要。嵌入式機器學習面臨著其獨特的挑戰(zhàn)，這些挑戰(zhàn)也許無法在 2023 年得到解決，因為解決這些問題需要在節(jié)省資源的同時，*大程度地優(yōu)化并提高效率。

5. 低代碼和無代碼解決方案

機器學習和人工智能已經(jīng)滲透到各個領(lǐng)域，即便是非技術(shù)人員也能使用的機器學習解決方案被視為保持整個組織效率的關(guān)鍵。與其投入大量時間、精力和成本來學習編程，不如選擇零或接近零編程技能的應(yīng)用——但這并不是無代碼解決方案*一要解決的問題。

Gartner 發(fā)現(xiàn)，市場對高質(zhì)量解決方案的需求超過了交付的能力：“市場需求的增長速度至少比交付這些解決方案的 IT 能力快 5 倍”。無代碼和低代碼解決方案可以幫助彌合這一差距并滿足需求。同樣，低代碼解決方案可以讓技術(shù)團隊更快地提出假設(shè)，并進行測試，從而減少交付時間并降低開發(fā)成本。如果是在 10 年前，構(gòu)建一款應(yīng)用程序或啟動一個網(wǎng)站需要整個團隊的努力，但如今只需要一個人即可完成，而且速度很快。

此外，82% 的組織都面臨著吸引和留住軟件工程師的困難，他們表示愿意在無代碼和低代碼技術(shù)的幫助下構(gòu)建和維護應(yīng)用程序。

盡管近年來市場上涌現(xiàn)了許多低代碼和無代碼解決方案，但總體看來這些解決方案在質(zhì)量上仍遠不如常規(guī)開發(fā)。

*后值得一提的是，隨著訓練機器學習模型（尤其在大型組織中運行的實時機器學習）所需的計算能力迅速增加，云計算仍然是創(chuàng)新背后的重要技術(shù)。據(jù)統(tǒng)計，全球約有 60% 的企業(yè)數(shù)據(jù)存儲在云端，而這個數(shù)字還有可能增長。2023 年我們將看到，為了滿足機器學習行業(yè)不斷增長的需求，云安全性與彈性方面的投資增加。