Der aktuelle Stand der KI im Jahr 2021

Der aktuelle Stand der KI im Jahr 2021

Erstaunlich, vielen Dank an alle, die sich uns angeschlossen haben, und lasst uns anfangen. Heute bin ich aufgeregt, mit Nathan Benich über den Stand der KI zu sprechen. Nathan ist der Gründer und Generalpartner von Air Street Capital, einem Risikokapitalunternehmen, das in AI-First-Technologie- und Life-Science-Unternehmen in der Frühphase investiert. Außerdem ist Nathan Co-Autor des jährlichen "State of the AI" -Berichts und des Newsletters "Your Guide to AI". Nathan, was war deine Motivation, diesen Bericht zu erstellen und wie hast du angefangen?

Ja, vielen Dank, Elliot, dass du mich eingeladen hast. Wir freuen uns auf die Diskussion. Vor ein paar Jahren, Ian Horgarth und ich trafen uns in einem Café, und wir haben beide seit mehreren Jahren den Stand der KI beobachtet. Ian als Student für maschinelles Lernen vor einigen Jahren und dann durch seine unternehmerische Erfahrung bei Songkick und als Angel-Investor. Ich dagegen habe in meiner Graduiertenzeit in der Bioinformatik gearbeitet und ML-Techniken in der Genetikforschung eingesetzt, bevor ich in frühphasige Startups investierte. Wir haben uns gedacht, dass wir aufgrund unserer Schnittstellen mit kleinen Unternehmen, großen Unternehmen, Regierungspolitikern und Investoren in einer einzigartigen Position sind, um zu sehen, wohin sich maschinelles Lernen und KI entwickeln. Wir dachten, es wäre ein interessantes Projekt, die interessantesten Trends, wie eine Mixtape, zusammenzustellen und sie online als öffentliches Gut zugänglich zu machen. Es ist wirklich dazu da, die Unterhaltung über diese aufregende Technik und dieses aufregende Feld auf das nächste Level zu heben. Es gibt viel Lärm und Verwirrung, und wir möchten versuchen, ein klareres Verständnis zu schaffen.

Nun, du hast eine Reihe von Vorhersagen für die nächsten 12 Monate gemacht, darunter die Verwendung von Transformers zur Ersetzung vieler bestehender Netzwerke, Konsolidierung auf dem KI-Semiconductor-Markt und die Entwicklung neuer Frameworks wie Jax. Du hast auch einige Vorhersagen aus dem letzten Jahr überprüft. Was hat dich am meisten überrascht, wenn du auf die Vorhersagen aus dem letzten Jahr zurückblickst?

Ich denke, die größte Überraschung war, wie weit verbreitet der Einsatz von Transformers in Bereichen außerhalb des natürlichen Sprachverständnisses (NLP) wurde. Wir hatten vorhergesagt, dass sie in der Bildverarbeitung eingesetzt werden würden, und wir haben das mit dem Vision Transformer gesehen, der neue Benchmarks auf Imagenet setzt. Aber wir hatten nicht erwartet, dass sie auch in der Chemie, zum Beispiel bei der Vorhersage chemischer Reaktionen, oder in der Biologie bei der Arzneimittelentdeckung so weit verbreitet sein würden. Das war sicherlich eine große Überraschung.

Und welche Vorhersage für das kommende Jahr denkst du hat die größte Bedeutung oder wird den größten Einfluss auf den Stand der KI haben?

Ein großer Schwerpunkt in unserem Bericht ist die Betrachtung der Semiconductor-Supply-Chain und die Herausforderungen im Zusammenhang mit der Beschaffung von Materialien, der Verarbeitung dieser Materialien und den Maschinen, die kleine Muster auf Silizium ätzen. Es handelt sich um komplexe globale Lieferketten, die stark von der Globalisierung und Spezialisierung der einzelnen Länder profitiert haben. Wir erwarten, dass sich dieser Trend in den nächsten 12 Monaten beschleunigen wird, insbesondere aufgrund der Rückkehr zu einer stärkeren Inlandsproduktion und den damit verbundenen Spannungen auf globaler Ebene. Wir haben auch den Markttrend im Bereich der Halbleiterindustrie analysiert und erwarten, dass Unternehmen wie ASML, die extreme Ultraviolet-Lichtmaschinen herstellen, ein deutliches Wachstum verzeichnen werden, das durch diese geopolitischen Rückenwinde getrieben wird.

Interessant. Und persönlich, auf welches Ereignis freust du dich am meisten, das im kommenden Jahr eintreten könnte?

Als Wissenschafts-Nerd freue ich mich besonders darauf, dass noch grundlegendere wissenschaftliche Probleme mit maschinellem Lernen gelöst werden. Wir haben in unserem Bericht die Vorhersage getroffen, dass DeepMind im Bereich der physikalischen Wissenschaften einen weiteren Durchbruch erzielen wird. Ich bin gespannt, wie sich maschinelles Lernen in Bereichen wie Raumfahrt und Quantenphysik weiterentwickeln wird.

Das klingt wirklich aufregend. Und zum Thema Computer Vision für AR/VR. Wir haben letztes Jahr vorhergesagt, dass Facebook einen bedeutenden Durchbruch in der 3D Computer Vision erreichen wird, aber das ist nicht wirklich passiert. Was sagt das über den Stand der Computer Vision für AR/VR aus? War diese Vorhersage spezifisch auf Facebook bezogen oder handelt es sich um ein allgemeines Problem?

Ja, du hast recht. Es hat sich herausgestellt, dass unsere Vorhersage in Bezug auf Facebook nicht eingetreten ist. Es scheint jedoch, dass die Gaming-Unternehmen wie Niantic mit ihrem Pokémon Go die Computer Vision für AR/VR am weitesten vorangetrieben haben. Sie arbeiten an der Verarbeitung von 3D-Punktewolken und der Berechnung der Tiefe, um 3D-Charaktere für die Spieler besser darstellen zu können. Aber mit Meta's Investitionen in den Metaverse-Bereich und ihren Teams, die an Brillen und ähnlichen Produkten arbeiten, scheint es, dass nun die richtige Motivation vorhanden ist, um diese Probleme anzugehen.

Das klingt vielversprechend. Und warum ist Computer Vision für AR/VR so herausfordernd? Gibt es etwas Intrinsisches an dem Problem?

Es gibt sicherlich einige Herausforderungen. Zum einen ist die Welt eine sich ständig verändernde und äußerst komplexe Umgebung, die schwer darzustellen ist. Außerdem haben wir möglicherweise nicht die besten Trainingsdatensätze für solche Probleme. Das Training von Modellen, um aus Videos intuitive Physik zu lernen, ist nach wie vor sehr schwierig. Darüber hinaus konkurrieren solche Anwendungen mit der menschlichen Wahrnehmung. Wenn die virtuelle Darstellung nicht nahezu perfekt ist, bemerken Menschen sofort subtile Unterschiede zur Realität. Es sind also sowohl technische als auch wahrnehmungsbezogene Herausforderungen, die die Arbeit in diesem Bereich erschweren.

Vielen Dank. Das war wirklich interessant. Ich denke, ich habe viel gelernt über KI und wie du die Probleme angehst. Gibt es noch etwas, das du den Zuhörern mitgeben möchtest?

Ja, ich möchte betonen, dass die Anwendung von KI in der Biologie ein sehr vielversprechender Bereich ist. Es bietet eine große Chance, medizinische Innovationen voranzutreiben und wirklich einen positiven Einfluss auf die Gesellschaft zu haben. Ich denke, dass dies ein Bereich ist, in dem Softwareentwickler und KI-Forscher wirklich einen Unterschied machen können. Es gibt eine enorme Vielfalt an Anwendungen, von der Datenanalyse bis hin zur Experimentenplanung, und maschinelles Lernen kann dabei helfen, diese Probleme effektiver anzugehen.

Vielen Dank, Nathan. Ich schätze deine Zeit und dein Wissen wirklich. Es war sehr aufschlussreich, mit dir zu sprechen.

Es war mir ein Vergnügen. Danke dir. Hab einen großartigen Tag und Pass auf dich auf. Tschüss!