還有不到3天，2022年就要過(guò)去了。

辭舊迎新之際，吳恩達(dá)、Bengio等一眾AI大佬們?cè)贒eepLearning.ai聚在一起，展望了自己眼中的2023年。

作為DeepLearning.ai的創(chuàng)始人，吳恩達(dá)首先發(fā)表了歡迎致辭，并回憶起自己剛開(kāi)始搞研究的那段歲月 ，為這場(chǎng)多位大佬參與的討論開(kāi)了個(gè)好頭。

(資料圖片僅供參考)

親愛(ài)的朋友們：

當(dāng)我們進(jìn)入新的一年時(shí)，讓我們不要把2023年看作是一個(gè)單一的孤立年份，而是我們未來(lái)完成長(zhǎng)期目標(biāo)的年份中的第一年。有些結(jié)果需要很長(zhǎng)時(shí)間才能實(shí)現(xiàn)，但如果我們?cè)O(shè)想出一條道路，而不是簡(jiǎn)單地從一個(gè)里程碑到另一個(gè)里程碑，就能更有效地做到這一點(diǎn)。

我年輕的時(shí)候，幾乎沒(méi)有把短期行動(dòng)與長(zhǎng)期結(jié)果具體聯(lián)系起來(lái)。我總會(huì)專注于下一個(gè)目標(biāo)、項(xiàng)目或研究論文，說(shuō)是有一個(gè)模糊的10年目標(biāo)，但沒(méi)有一個(gè)明確的路徑來(lái)實(shí)現(xiàn)。

10年前，我一個(gè)星期就建立了我的第一個(gè)機(jī)器學(xué)習(xí)課程（經(jīng)常在凌晨2點(diǎn)進(jìn)行拍攝）。今年，我更新了機(jī)器學(xué)習(xí)專業(yè)的課程內(nèi)容，更好地規(guī)劃了整個(gè)課程（雖然有些拍攝仍然是在凌晨2點(diǎn)進(jìn)行的，但數(shù)量減少了?。?。

在以前的業(yè)務(wù)中，我傾向于打造一個(gè)產(chǎn)品，然后才考慮如何將其推向客戶。如今，即使在起步階段，我也更多地考慮客戶的需求。

朋友和導(dǎo)師的反饋可以幫助你塑造你的愿景。我成長(zhǎng)過(guò)程中的一大步，就是學(xué)會(huì)信任某些專家和導(dǎo)師的建議，并努力去理解。例如，我有朋友是全球地緣政治的專家，他們有時(shí)就會(huì)建議我在特定國(guó)家加大投資力度。

我自己是得不出這個(gè)結(jié)論的，因?yàn)槲覍?duì)這些國(guó)家并不了解。但我已經(jīng)學(xué)會(huì)了解釋我的長(zhǎng)期計(jì)劃，征求他們的反饋意見(jiàn)，并在他們給我指出不同的方向時(shí)認(rèn)真傾聽(tīng)。

現(xiàn)在，我的首要目標(biāo)之一是使人工智能創(chuàng)新的民主化。讓更多的人能夠建立定制化的人工智能系統(tǒng)，并從中收益。雖然實(shí)現(xiàn)這一目標(biāo)的道路漫長(zhǎng)而艱難，但我可以看到實(shí)現(xiàn)這一目標(biāo)的步驟，而朋友和導(dǎo)師的建議也極大地塑造了我的思維。

隨著2023年的到來(lái)，你能在多遠(yuǎn)的未來(lái)做出計(jì)劃？你想在某一主題上獲得專業(yè)知識(shí)，推動(dòng)你的職業(yè)生涯，還是解決技術(shù)問(wèn)題？通過(guò)路徑假設(shè)（即使是未經(jīng)測(cè)試的假設(shè)），征求反饋意見(jiàn)來(lái)加以測(cè)試和完善？

為2023年心懷夢(mèng)想吧。

新年快樂(lè)！

吳恩達(dá)

Yoshua Bengio：尋找具備理性的AI模型

過(guò)去，深度學(xué)習(xí)的進(jìn)展主要是「大力出奇跡」：采用最新的架構(gòu)，提升硬件，擴(kuò)大算力、數(shù)據(jù)和規(guī)模。我們是否已經(jīng)擁有了我們所需要的架構(gòu)，剩下的就是開(kāi)發(fā)更好的硬件和數(shù)據(jù)集，以便我們能夠繼續(xù)擴(kuò)大規(guī)模？現(xiàn)在還缺什么嗎？

我認(rèn)為是缺的，我希望在未來(lái)的一年里能找到這些缺失的東西。

我一直在與神經(jīng)科學(xué)家和認(rèn)知神經(jīng)科學(xué)家合作，研究最先進(jìn)的系統(tǒng)和人類之間的差距。簡(jiǎn)單地?cái)U(kuò)大模型規(guī)模并不能填補(bǔ)這種差距。相反，在目前的模型中建立一種類似于人類的能力，來(lái)發(fā)現(xiàn)和推理高層次的概念和它們之間的關(guān)系，可能會(huì)讓差距變得更大。

考慮一下學(xué)習(xí)一項(xiàng)新任務(wù)所需的例子數(shù)量，即所謂的「樣本復(fù)雜度」。訓(xùn)練一個(gè)深度學(xué)習(xí)模型玩一個(gè)新的視頻游戲需要大量的游戲玩法，這些玩法對(duì)而人類而言，可以很快學(xué)會(huì)。但計(jì)算機(jī)需要考慮無(wú)數(shù)的可能性，來(lái)規(guī)劃一條從A到B的高效路線。而人類則不需要。

人類可以選擇正確的知識(shí)片段，并將這些片段貼合在一起，形成一套相關(guān)的解釋、答案或計(jì)劃。此外，給定一組變量，人類非常擅長(zhǎng)確定哪些是原因，哪些是結(jié)果。而目前的人工智能技術(shù)在這個(gè)能力上還無(wú)法接近人類水平。

通常情況下，AI系統(tǒng)對(duì)生成的答案和方案的正確性高度自信，即使實(shí)際上是錯(cuò)誤的。這個(gè)問(wèn)題在文本生成器或聊天機(jī)器人這樣的應(yīng)用中可能是一些很有意思的笑話，但換到自動(dòng)駕駛汽車或醫(yī)療診斷系統(tǒng)中，卻可能威脅到生命。

目前的AI系統(tǒng)的行事特征，部分原因是它們就是被設(shè)計(jì)成這樣的。比如，文本生成器的訓(xùn)練只是為了預(yù)測(cè)下一個(gè)單詞，而不是建立一個(gè)內(nèi)部數(shù)據(jù)結(jié)構(gòu)，也不必說(shuō)明所操作的概念以及它們之間的關(guān)系。

但我認(rèn)為，我們可以設(shè)計(jì)出能夠追蹤事情背后的意義，并對(duì)其進(jìn)行推理的AI系統(tǒng)，同時(shí)仍能發(fā)揮當(dāng)前深度學(xué)習(xí)方法的眾多優(yōu)勢(shì)。這樣就可以解決從過(guò)度的樣本復(fù)雜性到過(guò)度自信的不正確性等各種挑戰(zhàn)。

論文鏈接：?https://arxiv.org/pdf/2111.09266.pdf?

我對(duì)「生成流網(wǎng)絡(luò)」GFlowNets很感興趣，這是我們團(tuán)隊(duì)一年前開(kāi)始的一種訓(xùn)練深度網(wǎng)絡(luò)的新方法。這個(gè)想法的靈感來(lái)自于人類通過(guò)一連串步驟進(jìn)行推理的方式，在每一步加入新的相關(guān)信息。

這就像強(qiáng)化學(xué)習(xí)，因?yàn)槟Ｐ褪前错樞驅(qū)W習(xí)政策來(lái)解決問(wèn)題的。它也像生成式建模，因?yàn)樗梢詫?duì)解決方案進(jìn)行抽樣，以對(duì)應(yīng)于進(jìn)行概率推理。

如果你想到一個(gè)圖像的解釋，你的想法可以轉(zhuǎn)換成一個(gè)句子，但它不是句子本身。相反，它包含關(guān)于該句子中的概念的語(yǔ)義和關(guān)系信息。一般來(lái)說(shuō)，我們把這種語(yǔ)義內(nèi)容表示為一個(gè)圖，其中每個(gè)節(jié)點(diǎn)是一個(gè)概念或變量。

我不認(rèn)為這是唯一的解決方案，我期待著看到多種多樣的方法。通過(guò)多樣化的探索，我們將有更大的機(jī)會(huì)找到目前AI領(lǐng)域缺失的東西，，彌補(bǔ)當(dāng)前人類和人類水平的AI之間的差距。

Yoshua Bengio是蒙特利爾大學(xué)計(jì)算機(jī)科學(xué)教授和Mila-魁北克人工智能研究所的科學(xué)主任。他與Geoffrey Hinton和Yann LeCun一起獲得了2018年圖靈獎(jiǎng)，以表彰他對(duì)深度學(xué)習(xí)的突破性貢獻(xiàn)。

Alon Halevy：個(gè)人數(shù)據(jù)時(shí)間軸

Alon Halevy是一位以色列裔美國(guó)計(jì)算機(jī)科學(xué)家，也是數(shù)據(jù)集成領(lǐng)域的專家。他從2005年到2015年擔(dān)任谷歌的研究科學(xué)家，負(fù)責(zé)谷歌數(shù)據(jù)融合表。

他是ACM會(huì)員，并于2000年獲得美國(guó)總統(tǒng)獎(jiǎng) (PECASE)。他還是科技公司Nimble Technology（現(xiàn)為Actuate Corporation）和Transformic Inc.的創(chuàng)始人。

在對(duì)2023年的展望中，Halevy聚焦于個(gè)人數(shù)據(jù)時(shí)間軸（personal data timeline）的構(gòu)建。

公司和組織如何使用用戶數(shù)據(jù)？這一重要問(wèn)題在技術(shù)圈和政策界都受到了廣泛關(guān)注。

2023年，還有一個(gè)同樣重要、值得更多關(guān)注的問(wèn)題：作為個(gè)人，我們?nèi)绾卫蒙傻臄?shù)據(jù)來(lái)改善我們的健康，增加活力和生產(chǎn)力？

我們每天都在生成各種數(shù)據(jù)。照片捕捉我們的生活經(jīng)歷，手機(jī)記錄我們的鍛煉情況和位置，互聯(lián)網(wǎng)服務(wù)記錄我們的消費(fèi)和購(gòu)買內(nèi)容。

我們還會(huì)記錄各種愿望：想要前往的旅行和嘗試的餐廳、計(jì)劃欣賞的書籍和電影，以及想要進(jìn)行的社交活動(dòng)。

不久后，智能眼鏡將更細(xì)致地記錄我們的種種體驗(yàn)。然而，這些數(shù)據(jù)分散在許多應(yīng)用程序中。為了更好地總結(jié)過(guò)去的經(jīng)歷，我們需要每天從不同應(yīng)用中整理過(guò)去的記憶。

能不能把所有的信息都融合在一張個(gè)人時(shí)間表上，幫助我們朝著目標(biāo)、希望和夢(mèng)想前進(jìn)呢？事實(shí)上，很久之前就有人有這樣的想法。

早在1945年，美國(guó)科學(xué)家范內(nèi)瓦·布什（Vannevar Bush）就設(shè)計(jì)了一款產(chǎn)品，稱其為麥克斯儲(chǔ)存器（memex）。90年代，戈登·貝爾 (Gordon Bell) 和微軟研究院的同事構(gòu)建了MyLifeBits，可以儲(chǔ)存一個(gè)人一生中所有的信息。

但是，當(dāng)我們把所有數(shù)據(jù)都保存在一個(gè)地方，保護(hù)隱私，防止信息被濫用顯然是一個(gè)關(guān)鍵問(wèn)題。

目前，沒(méi)有一家公司可以擁有我們所有的數(shù)據(jù)，也沒(méi)有存儲(chǔ)我們的所有數(shù)據(jù)的授權(quán)。因此，需要通力合作，構(gòu)建支持個(gè)人時(shí)間線的技術(shù)，包括用于數(shù)據(jù)交換、加密存儲(chǔ)和安全處理的協(xié)議。

建立個(gè)人時(shí)間軸，有兩個(gè)技術(shù)挑戰(zhàn)亟待解決。

第一個(gè)挑戰(zhàn)關(guān)于系統(tǒng)的智能問(wèn)答。盡管我們?cè)诨谖谋竞投嗄B(tài)數(shù)據(jù)的問(wèn)答方面取得了重大進(jìn)展，然而在許多情況下，智能問(wèn)答要求我們明確推理答案集合。

這是數(shù)據(jù)庫(kù)系統(tǒng)的基礎(chǔ)。例如，要回答「我在東京參觀了哪些咖啡館？」或者「我在兩小時(shí)內(nèi)跑了多少次半程馬拉松？」，要求檢索集合作為中間答案。而在目前，自然語(yǔ)言處理中還無(wú)法完成這項(xiàng)任務(wù)。

從數(shù)據(jù)庫(kù)中汲取更多靈感，還需要讓系統(tǒng)能夠解釋答案的出處，并判斷答案是否正確完整。

構(gòu)建個(gè)人時(shí)間軸的第二個(gè)挑戰(zhàn)，是如何開(kāi)發(fā)個(gè)人數(shù)據(jù)軸分析技術(shù)，以改善用戶的生活質(zhì)量。

根據(jù)積極心理學(xué)，人們可以為自己創(chuàng)造積極的體驗(yàn)并養(yǎng)成更好的習(xí)慣，以實(shí)現(xiàn)更好的發(fā)展。一個(gè)可以訪問(wèn)我們生活點(diǎn)滴和目標(biāo)的AI智能體，可以及時(shí)提醒我們需要完成和避免的事情。

當(dāng)然，我們選擇做什么取決于我們自己，但我相信，一個(gè)能夠全面了解我們的日?；顒?dòng)，擁有更好的記憶力和計(jì)劃能力的人工智能會(huì)使每個(gè)人受益良多。

Douwe Kiela：少點(diǎn)炒作，多點(diǎn)謹(jǐn)慎

Douwe Kiela是斯坦福大學(xué)符號(hào)系統(tǒng)的兼職教授。在劍橋大學(xué)完成碩士和博士學(xué)位后，Kiela分別在IBM、微軟、Facebook AI擔(dān)任研究員，并擔(dān)任Hugging Face的研究主管。

在新年展望中，Kiela表達(dá)了他對(duì)人工智能系統(tǒng)發(fā)展的愿望。

今年，我們真正看到人工智能開(kāi)始成為主流。像Stable Diffusion和ChatGPT這樣的系統(tǒng)完全激發(fā)了公眾的想象力。

這是激動(dòng)人心的時(shí)刻，我們正處于偉大事物的風(fēng)口浪尖：毫不夸張地說(shuō)，這種能力的轉(zhuǎn)變會(huì)和工業(yè)革命一樣，產(chǎn)生顛覆性的影響。

但是在興奮之余，我們應(yīng)該警惕炒作，格外謹(jǐn)慎，以負(fù)責(zé)任的態(tài)度進(jìn)行研發(fā)。

對(duì)大型語(yǔ)言模型而言，不論這些系統(tǒng)是否真的「有意義」，外行人都會(huì)將它們擬人化，因?yàn)樗鼈冇心芰?zhí)行人類最具代表性的事情：產(chǎn)生語(yǔ)言。

但是，我們必須讓公眾了解這些人工智能系統(tǒng)的能力和局限性，因?yàn)楣姶蠖嗾J(rèn)為計(jì)算機(jī)還是那種老式的符號(hào)處理器，例如，它們擅長(zhǎng)數(shù)學(xué)但不擅長(zhǎng)藝術(shù)，而目前情況卻恰恰相反。

現(xiàn)代AI有項(xiàng)嚴(yán)重的缺陷，其系統(tǒng)很容易被無(wú)意誤用或有意濫用。它們不僅會(huì)產(chǎn)生錯(cuò)誤的信息，而且看起來(lái)非常自信，讓人信以為真。

這些AI系統(tǒng)對(duì)復(fù)雜的多模態(tài)人類世界缺乏足夠的理解，也不具備哲學(xué)家所說(shuō)的「大眾心理學(xué)」，即解釋和預(yù)測(cè)他人行為和心理狀態(tài)的能力。

目前，AI系統(tǒng)還是不可持續(xù)的資源密集型產(chǎn)品，我們對(duì)輸入的訓(xùn)練數(shù)據(jù)和輸出的模型之間的關(guān)系知之甚少。

同時(shí)，雖然模型擴(kuò)展可以極大提高有效性——例如，某些功能只有在模型達(dá)到一定規(guī)模時(shí)才會(huì)出現(xiàn)——但也有跡象表明，隨著這模型擴(kuò)展，更容易出現(xiàn)偏見(jiàn)，甚至是更不公平的系統(tǒng)。

因此，我對(duì)2023年的希望是，我們能改善這些問(wèn)題。對(duì)多模態(tài)、定位和交互的研究可以使系統(tǒng)更好地理解現(xiàn)實(shí)世界和人類行為，從而更好地理解人類。

研究對(duì)齊、歸因和不確定性可以使AI系統(tǒng)更安全，更不容易產(chǎn)生幻覺(jué)，并構(gòu)建更加準(zhǔn)確的獎(jiǎng)勵(lì)模型。以數(shù)據(jù)為中心的人工智能有望展示更高效的縮放法則，更有效地將數(shù)據(jù)轉(zhuǎn)化為穩(wěn)健和公平的模型。

論文鏈接：https://arxiv.org/pdf/2007.14435.pdf

最后，我們應(yīng)該更加關(guān)注人工智能持續(xù)的評(píng)估危機(jī)。我們需要對(duì)數(shù)據(jù)和模型進(jìn)行更精細(xì)、更全面的測(cè)量，以確保我們能夠描述我們的進(jìn)步和局限性，并從生態(tài)有效性（例如，AI系統(tǒng)在真實(shí)世界的應(yīng)用案例）的角度出發(fā)，理解我們從人工智能發(fā)展中真正想要獲得的東西。

Been Kim：用科學(xué)研究解釋模型

Been Kim是來(lái)自Google Brain的一名科學(xué)家，畢業(yè)于麻省理工大學(xué)，他的研究領(lǐng)域是交互式機(jī)器學(xué)習(xí)。

對(duì)于過(guò)去這一年里AI所展現(xiàn)的創(chuàng)造力以及取得的諸多成就，她在激動(dòng)興奮之余，也提出了自己對(duì)未來(lái)AI研究的一些看法。

對(duì)于AI來(lái)說(shuō)，這是一個(gè)激動(dòng)人心的時(shí)刻，在生成藝術(shù)和許多其他應(yīng)用程序方面取得了令人著迷的進(jìn)步，

雖然這些方向令人興奮，但我認(rèn)為我們需要從事不那么浮躁的工作，不光是AI能創(chuàng)造出更多東西，或是能設(shè)計(jì)出多大的模型：

回歸基礎(chǔ)并將研究人工智能模型作為科學(xué)探究的目標(biāo)。

為什么要這么做？

可解釋性領(lǐng)域旨在創(chuàng)建工具來(lái)為復(fù)雜模型的輸出生成解釋，幫助我們探尋AI與人類的關(guān)系。

例如一種工具采用圖像和分類模型，并以加權(quán)像素的形式生成解釋。像素的權(quán)重越高，它就越重要。例如，它的值對(duì)輸出的影響越大，它可能就越重要，但如何定義重要性因工具而異。

雖然生成AI取得了一些成功，但事實(shí)證明許多工具的運(yùn)行方式出乎我們的意料。

例如未經(jīng)訓(xùn)練的模型的解釋在數(shù)量和質(zhì)量上與訓(xùn)練模型的解釋無(wú)法區(qū)分，盡管產(chǎn)生相同的輸出，但解釋通常會(huì)隨著輸入的微小變化而改變。

此外，模型的輸出與工具的解釋之間沒(méi)有太多因果關(guān)系。其他工作表明，對(duì)模型輸出的良好解釋不一定會(huì)對(duì)人們使用模型的方式產(chǎn)生積極影響。

期望和結(jié)果之間的這種不匹配意味著什么，我們應(yīng)該怎么做？它表明我們需要檢查我們?nèi)绾螛?gòu)建這些工具。

目前我們采用以工程為中心的方法：反復(fù)試驗(yàn)。我們基于直覺(jué)構(gòu)建工具（例如我們?yōu)槊總€(gè)像素塊而不是單個(gè)像素生成權(quán)重，解釋會(huì)更直觀）。

論文鏈接：https://arxiv.org/pdf/1811.12231.pdf

圖賓根大學(xué)的一個(gè)團(tuán)隊(duì)發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)看到的紋理（如大象的皮膚）比形狀（大象的輪廓）更多，即使我們?cè)诮忉寛D像時(shí)看到了大象的輪廓可能是以集體高亮像素的形式。

這項(xiàng)研究告訴我們，模型可能看到的不是形狀，而是紋理，這稱為歸納偏差——由于其架構(gòu)或我們優(yōu)化它的方式而導(dǎo)致的特定類別模型的趨勢(shì)。

揭示這種傾向可以幫助我們了解模型，就像揭示人類的傾向可以用來(lái)理解人類的行為（例如不公平的決定）一樣。

這種常用于理解人類的方法也可以幫助我們理解模型。對(duì)于模型，由于其內(nèi)部結(jié)構(gòu)的構(gòu)建方式，我們還有一種工具：理論分析。

這個(gè)方向的工作已經(jīng)在模型、優(yōu)化器和損失函數(shù)的行為方面產(chǎn)生了令人興奮的理論結(jié)果。有些利用統(tǒng)計(jì)學(xué)、物理學(xué)、動(dòng)力系統(tǒng)或信號(hào)處理中的經(jīng)典工具，許多來(lái)自不同領(lǐng)域的工具在人工智能的研究中還有待探索。

追求科學(xué)并不意味著我們應(yīng)該停止實(shí)踐：科學(xué)使我們能夠根據(jù)原理和知識(shí)構(gòu)建工具，而實(shí)踐則將理念變?yōu)楝F(xiàn)實(shí)。

論文鏈接：https://hal.inria.fr/inria-00112631/document

實(shí)踐也可以啟發(fā)科學(xué)：在實(shí)踐中行之有效的東西可以為科學(xué)結(jié)構(gòu)化的模型結(jié)構(gòu)提供參考，就如同2012年的高性能卷積網(wǎng)絡(luò)激發(fā)了許多分析為什么卷積有助于泛化的理論論文一樣。

Reza Zadeh：讓ML模型主動(dòng)學(xué)習(xí)

Reza Zadeh是計(jì)算機(jī)視覺(jué)公司Matroid 的創(chuàng)始人兼CEO，畢業(yè)于斯坦福大學(xué)，他的研究領(lǐng)域是機(jī)器學(xué)習(xí)、分布式計(jì)算和離散應(yīng)用數(shù)學(xué)，同時(shí)也是 Databricks 的早期成員。

他認(rèn)為，在即將到來(lái)的2023將會(huì)是主動(dòng)學(xué)習(xí)騰飛的一年。

隨著我們進(jìn)入新一年，人們希望生成AI的爆炸式增長(zhǎng)將在主動(dòng)學(xué)習(xí)（Active Learning）方面帶來(lái)重大進(jìn)展。

這種技術(shù)使ML系統(tǒng)能夠生成自己的訓(xùn)練示例并對(duì)它們進(jìn)行標(biāo)記，而在大多數(shù)其他形式的機(jī)器學(xué)習(xí)中，算法被賦予一組固定的示例，并且通常只能從這些示例中學(xué)習(xí)。

那么主動(dòng)學(xué)習(xí)可以給機(jī)器學(xué)習(xí)系統(tǒng)帶來(lái)什么呢？

適應(yīng)不斷變化的條件從更少的標(biāo)簽中學(xué)習(xí)讓人們了解最有價(jià)值/最困難的實(shí)例實(shí)現(xiàn)更高的性能

主動(dòng)學(xué)習(xí)的理念已經(jīng)存在了幾十年，但從未真正流行起來(lái)。以前，算法很難生成供人類評(píng)估并可推進(jìn)學(xué)習(xí)算法的圖像或句子。

但隨著圖像和文本生成AI的大火，主動(dòng)學(xué)習(xí)有望取得重大突破?，F(xiàn)在當(dāng)學(xué)習(xí)算法不確定其編碼空間的某些部分的正確標(biāo)簽時(shí)，它可以主動(dòng)從該部分生成數(shù)據(jù)以獲取輸入。

主動(dòng)學(xué)習(xí)有可能徹底改變機(jī)器學(xué)習(xí)的方式，因?yàn)樗试S系統(tǒng)隨著時(shí)間的推移不斷改進(jìn)和適應(yīng)。

主動(dòng)學(xué)習(xí)系統(tǒng)不依賴于一組固定的標(biāo)記數(shù)據(jù)，而是可以尋找新的信息和示例，以幫助它更好地理解它試圖解決的問(wèn)題。

這可以帶來(lái)更準(zhǔn)確和有效的機(jī)器學(xué)習(xí)模型，并且減少對(duì)大量標(biāo)記數(shù)據(jù)的需求。

我對(duì)主動(dòng)學(xué)習(xí)在生成AI的最新進(jìn)展之上充滿期待。進(jìn)入新的一年，我們很可能會(huì)看到更多實(shí)施主動(dòng)學(xué)習(xí)技術(shù)的機(jī)器學(xué)習(xí)系統(tǒng)，2023 年可能是主動(dòng)學(xué)習(xí)真正騰飛的一年。

關(guān)鍵詞： 主動(dòng)學(xué)習(xí) 機(jī)器學(xué)習(xí) 人工智能 我們需要 的創(chuàng)始人