人工智能和机器学习的世界发展非常迅速。事实上，速度如此之快，以至于仅仅在十年前，AlexNet 模型在 ImageNet 竞争中占据主导地位，并开启了让深度学习成为真正的技术运动的进程，这真是太了不起了。今天，在多年关于游戏的头条新闻之后，我们看到了适用于现实世界的不断增加的创新。
仅在过去几年中，GPT-3 和 AlphaFold 等 AI/ML 模型就提供了催生新产品和新公司的能力，并扩展了我们对计算机能做什么的理解。
考虑到这一点，我们认为我们将在今年上半年重新审视我们在未来的 AI/ML 覆盖范围，并在此期间赶上一些（但肯定不是全部）主要行业发展。正如您将看到的，大型语言模型、生成模型和基础模型的某种组合是关注的主要来源，我们只是在了解它们可以做什么以及大型研究之外的世界如何实验室可以利用他们的力量。
未来重点：如何利用 AI/ML 的进步
如何在您的初创公司中使用大规模 AI 模型（如 GPT-3）作者 Elliot Turner / Hyperia
Niko Grupen / Cornell 的AlphaFold、GPT-3 和如何使用 AI 增强智能
Niko Grupen / Cornell 的 AlphaFold、GPT-3 和如何使用 AI 增强智能 (Pt. 2)
Data50： Jennifer Li、Sarah Wang 和Jamie Sullivan的世界顶级数据初创公司/ a16z
现代数据基础设施的新兴架构作者： Matt Bornstein、Jennifer Li 和 Martin Casado / a16z
深度学习十年：人工智能创业经验如何演变与 Richard Socher (Q&A) / you.com
构建可靠 AI 模型的 7 种技术，Beena Ammanath （书摘） /德勤
Daphne Koller (Q&A) / Insitro 的下一个 AlphaFold 我们需要的两件事
行业焦点：图像、文字和更多编码
使用 AlphaCode / Deepmind进行竞争性编程
教 AI 实时翻译 100 多种口语和书面语言/ Meta AI
Pathways 语言模型 (PaLM)：扩展到 5400 亿个参数以实现突破性性能/ Google 研究
DALL-E 2 / OpenAI
Imagen：文本到图像的扩散模型/谷歌研究
这些类型的进步，以及对如何利用它们的加深理解，是我们致力于扩大对 AI/ML 的覆盖范围的原因，特别是我们将如何看待它在未来的现实环境中的应用几年。从生物技术到电视，我们正准备认真地重新构想什么是可能的，以及软件如何帮助人类实现他们最疯狂的想法。如果您正在 AI/ML 领域从事一些令人兴奋和新颖的工作，并想分享您对我们前进方向的看法，请向我们发送推销。
到目前为止的 AI 年：海量模型及其使用方法一文首次出现在Future上。
原文： https://future.com/the-year-in-ai-so-far-massive-models-and-how-to-use-them/