新火种AI|比尔盖茨表态:生成式AI已成过去接下来是可解释AI的天下
作者：小岩
编辑：彩云
根据财联社消息，11月28日，比尔·盖茨针对AI未来的发展趋势发表了自己的看法。他认为，当下生成式AI的发展已经达到了极限，很难再有突破性的进展。下一个AI发展的赛道，很可能是可解释AI。比尔.盖茨预测，未来10年（2030年-2039年），AI领域的主角将成为可解释AI。
大部分人预判：GPT-5将明显优于GPT-4，成为生成式AI领域天花板。
尽管OpenAI还没有对外界公布GPT-5的确切上线时间，甚至还曾遭到马斯克等人的反对，被其“联名上书”，认为“GPT -5不应该问世”。但有一点毋庸置疑，如今的大模型GPT-4已经达到了行业领先的水准，众人难望其项背。而它距离上一代的GPT-3.5上线，只经历了很短的时间，所以，我们有理由相信，一旦GPT-5成功面世，它的优势将明显大于GPT。这也是比尔.盖茨认为生成式AI再难有突破的重要原因。
当然不可否认，生成式AI公司在最近取得了飞速发展。根据PitchBook为彭博社收集的数据，仅第3季度，全球AI公司的融资价值同比增长27 %，达到179亿美元。这表明了投资者对于AI技术，特别是当下发展正夯的生成式AI，持有相信和乐观态度。而且，这种“一片向好”的态势不光出现在国际上，中国自己的生成式AI行业也在这一年得到了迅速发展，这其中涵盖了语言模型，图像生成，文学创作，音乐创作，游戏开发等多个领域。
随着大模型在AI领域取得了重大突破，未来算力将变得更加廉价，也会在多个领域取得显著成果，从而推动国内的产业升级和创新发展。当然，在这个过程中，大型模型会逐渐减少，应用则会愈发增多。
不过，各大企业在享受AI飞速发展的红利的同时，也不得不面对激烈的市场竞争。为了在市场上分得一杯羹，各企业倾向通过横向并购的方式来扩大市场份额，从而提升地位。而AI大模型的研发，数据收集，数据验证也需要有大量的资金来做支撑。此时，就要考验企业是否具有“钞能力”了。
可解释AI即将登场！它为何有可能引领下一个AI风潮？
那么，为什么可解释AI会备受比尔.盖茨的推崇？
在人类历史上，技术进步，生产关系逻辑，伦理法规的发展是动态演进的。当一种新的技术在实验室获得突破后，它所能带来的价值生产方式势必会对商品形态和生产关系等带来冲击。当新技术带来的价值被认可，商业逻辑会逐步形成，同时适配全新的伦理法规。
近10年来，借由算力与数据规模的性价比突破临界点，以深度神经网络为代表的联结主义模型架构及统计学习范式（简称深度学习）在特征表征能力上取得了跨越级别的突破，大大推动了人工智能的发展，在很多场景中达到令人难以置信的效果（譬如人脸识别准确率达到97 %以上；谷歌智能语音助手的回答正确率高达90 %以上等，都是典型案例） 。
不过，当学习不断深入，问题也随之产生。当“深度学习商业化运用”触及到某些对技术敏感，或者与人的生存和安全关系紧密的领域时，诸如自动驾驶，金融，医疗和司法等高风险应用场景，原有的商业逻辑在进行技术更替的过程中就会遇到阻力，从而导致商业化速度的减缓甚至失败。
究其原因，是因为这些敏感领域会涉及到社会道德和伦理法规的问题。对于这些，我们人类可以在第一时间给予清晰的分辨，溯源和问责。可这些深度学习的商业体，从本质上说，就是一个黑盒，无法从模型的结构或权重中获取模型行为的任何信息，从而导致AI在业务应用中遇到技术和结构上的困难。
让我们举2个例子来进行一下说明。譬如在金融风控的场景里，通过深度学习，模型识别出来小部分用户有欺诈嫌疑，但是业务部门不敢直接使用这个结果进行处理。因为整个业务部门都不知道结果是如何得来的，并且无法判断得出的结果是否正确，整个过程也都缺乏明确的证据。再比如说在医疗使用场景里，深度学习模型根据患者的检测数据，判断患者有肺结核。但是医生不知道诊断结果是怎么来的，不敢直接采用，只能根据自己的经验，仔细查看相关检测数据，给出自己的判断。
由此可见，“黑盒”的形态会严重影响模型在实际场景的应用和推广。要解决模型的这些问题，就需要打开黑盒模型，透明化模型构建过程和推理机理，而可解释AI就是实现模型透明化的有效技术。
可解释AI：一套面向机器学习（主要是深度神经网络）技术合集。
所谓可解释AI，英文是explainable AI(XAI)。目前，无论学术界还是工业界，对于可解释AI都没有一个统一的定义。我们在这里为大家介绍3个广为流行的解释。
第一个解释，是希望寻求对模型工作机理的直接理解，打破人工智能的黑盒子。第二个解释，是为AI算法所做出的决策提供人类可读的以及可理解的解释。第三个解释，是确保人类可以轻松理解和信任人工智能代理做出的决策的一组方法。
由此可见，对于黑盒模型的理解，是可解释AI的关键。
MindSpore团队根据自身的实践经验和理解，将可解释AI定义为：一套面向机器学习（主要是深度神经网络）的技术合集，包括可视化，数据挖掘，逻辑推理，知识图谱等。
有了可解释AI的介入，用户就可以知道AI系统为什么要这样做，也知道AI系统为什么不这样做；可以知道AI系统什么时候可以成功，什么时候失败；可以知道什么时候可以信任AI系统；更可以知道AI系统为什么做错了。
目前，OpenAI的产品还没有办法实现完全盈利。本身ChatGPT并不做商业用途，而且在运营过程中，需要应对各项成本支出（培训，微调，人员工资等），再加上GPT-5的训练时间极有可能拉长，OpenAI未来要面临的挑战异常严峻。
此时，如果能跳脱出生成式AI的圈子，另辟蹊径，进入下一个发展阶段，未尝不是一个适合的出路。