AI将对健身行业有哪些改变

鉴于人工智能依赖的神经网络基础，这些专家AI可能通过元学习（或学会学习）比我们预期的更快地获得知识，并带着我们人类一同进步。AI的性质让我们可以做一些我们无法对人做的事情；即将他们一部分一部分地拆解，并研究每一个小部分。通过构建系统以深入探索专家AI的内部工作机制，我们将创造一个学习的飞轮。最终，专家AI可能超越领域专家的角色，成为下一代专家——无论是人类还是AI——的教师。

开发这些具有潜在空间层次结构的堆叠AI模型——复杂数据的简化地图，以帮助AI模型理解模式和关系——将反映对每个基本元素的理解或预测能力。我相信，这最初可能会平行于人类教育和教育范例，但随着时间的推移，它可能会专门发展，以在AI学习中培养新型的专业知识。这些堆叠模型可能会以与人脑皮层类似的方式发展。但是，与人类拥有视觉皮层和运动皮层不同，AI可能会拥有生物皮层和药物设计皮层——在这两种情况下，都是针对特定任务专门设计的神经架构。具有讽刺意味的是，创建专门从事诸如医疗保健这样的特定领域的AI可能比创建更接近HAL 9000的东西——具有跨领域的典型人类水平知识——更容易。实际上，我们更需要特定领域的专家AI，而不是一个能做任何普通人能做的事情的全能AI。我预计不仅会创造一个专家AI，而且会创造许多专家AI，它们在编码、数据和测试方面采用多样化的方法，以便在需要时这些模型可以提供第二个（或第三个、第四个）意见。同时，我们必须将AI从其在线基础上摘下，并将其投入到原子的世界中。我们应该让我们最熟练的人类专家配备可穿戴设备，以收集微妙的、现实世界的互动，供AI学习，就像我们即将崭露头角的学术和行业明星一样。解决健康和医学领域最复杂和不确定的问题在位元的世界中根本不存在。必须让这些专家AI接触到顶级从业人员的多样化视角，以避免复制危险的偏见。但AI的黑盒性远不如大众想象中的那么强；我们今天依赖的人类决策，正如我以前[指出的](https://www.nytimes.com/2018/01/25/opinion/artificial-intelligence-black-box.html)，可以说更加不透明。我们不能因为对传播人类偏见的恐惧而限制我们探索AI如何帮助我们民主化我们的人类专家知识的意愿，而这些专家是不幸地无法扩展的。

更多资金，更多问题：预计明年会有团队花费超过10亿美元来训练单个大型模型。生成式AI的热潮不会消退，只会变得更加“奢华”。?计算压力的挑战：政府和大型科技公司将继续承受计算需求的压力，这些需求已经逼近电网的极限。这就像一个健身网红的体重增长超过了突破了牛顿定理、超过了人类健身房的承重能力——总有一天，天花板可能会真的塌下来。?AI介入选举：虽然预期的AI对选举和就业的影响尚未成真，但这并不意味着我们可以掉以轻心。但请记住，AI的影响就像潘多拉魔盒：一旦打开，将会在接下来的几年里、几十年甚至百年亦或是人类此后的历史中都无处不在。而众所周知，诚如百年前的黑格尔所预言的那样，我们人类啊！从历史中获得唯一的教训就是……我们没有从历史中获得任何教训！?总而言之，言而总之，人工智能领域依然是一个充满惊喜、伦理挑战和很多真金白银的奇妙世界。在这个舞台上，OpenAI、Meta和来自东方的神秘力量等各方势力竞相角逐，2024年的AI领域更像是一场激动人心的UFC（无限制综合格斗冠军赛）比赛而非平静的学术研讨会。所以，请准备好你的爆米花和GPU吧——新的一年里，AI将继续突破界限、挑战极限，甚至可能重新定义一些我们熟悉的词汇！