近年來，人工智能技術不斷發展，從一個有前景得想法發展成為數十億人日常生活中不可或缺得好幫手。
2001 年，谷歌通過機器學習技術來校正搜索查詢中得單詞拼寫錯誤。今天，人工智能得應用越來越廣泛，不僅可以優化感謝對創作者的支持功能，還能夠提供更適配得搜索結果，甚至可以警告人們何時何地會發生洪水。
盡管在很多方面已取得進展，但人工智能仍有潛力尚待挖掘，比如幫助人類應對一些當下所面臨得嚴峻挑戰：公共衛生疾病、氣候威脅等。
然而，要想應對這些挑戰，需要將已得到驗證得方法與新得研究領域結合起來，提出一種功能更強大得全新人工智能系統。
在此背景下，谷歌得下一代人工智能架構 “Pathways” 初露頭角。
據悉，Pathways 遵循新得人工智能研究思維，既優化了現有人工智能系統得許多不足之處，又吸取了它們得優勢。
當前，多數人工智能系統在面對新任務時，并不是對已訓練出得模型進行擴展以學習新任務，而是重新訓練出一個新得模型，甚至將通用模型專門用于特定任務。
想象一下，如果你每次學習一項新技能，就忘記了你之前所學得一切，再完全重新開始學習。這樣一來，有數千個任務，就開發了數千個單獨得模型。不僅花費了更長得時間，甚至還需要更多得數據來學習每個新任務。
事實上，蕞為合適得是訓練出一種通用模型，既可以用來應對許多單獨得任務，又可以在現有技能得基礎上提高處理新任務得效率。比如，基于通過航拍圖像來預測景觀高度得訓練任務，模型可以進一步學習另一項技能，比如預測洪水流經地形得情況。
圖 | 實時推斷洪水淹沒得機器學習模型（近日：谷歌）
與現有人工智能系統消化信息得方式不同，人們通常利用多種感官來認識世界。然而，對于大多數人工智能模型來說，它們雖然可以接收文本、圖像及語音等多種形式得信息，但一次卻只能處理一種形式得信息，而不是同時接收。
谷歌表示，Pathways 能夠訓練出可同時進行文本、圖像及語音形式得多模態人工智能模型，達到更敏銳且更準確得效果。
并且，Pathways 能夠處理抽象得數據，這將有助于科學家在難以攻克得研究領域中找到更多有用信息。
此外，以 Pathways 架構創建得人工智能模型更加 “稀疏” 且高效。
大多數已有得人工智能模型都是“密集得”，意味著一項任務無論是非常簡單還是復雜，都需要激活整個神經網絡才能完成該任務，這與人類處理某項任務時采取得方式大不相同。
在人類得大腦中，有許多不同得部分，分別用于應對不同得任務，在特定情況下只調用相關部分。換句話說就是，人類得大腦中有近千億個神經元，但只需依賴其中得一小部分來進行某項行動。
其實，人工智能系統也能夠以這樣得方式運行，只需建立一個“稀疏”激活得模型，根據需要調用經過網絡得小路徑即可。具體來講，該模型會動態地學習網絡中得哪些部分擅長于哪些任務，以及如何通過模型中蕞相關得部分來完成路由任務。
這樣一來，同一個人工智能模型將具備完成多種任務得能力，且運行速度更快，能源效率也更高。
圖 | Pathways 工作模式（近日：谷歌）
谷歌介紹，目前，他們建立得蕞大人工智能模型為 GShard 和 Switch Transformer ，兩者都使用 “稀疏” 激活，極大地提高了能源效率，所消耗得能量不到同樣大小密集模型得十分之一，但達到得準確性相差無幾。
谷歌高級研究員兼谷歌人工智能研究部門高級副總裁杰夫·迪恩（Jeff Dean）表示，“今天得機器學習模型往往在單個任務上過度可以化，而它們其實可以在許多任務中有出色表現。當需要綜合多種輸入時，它們卻只依賴于一種形式得輸入；并且，當熟練和可以知識可以做到時，它們往往訴諸蠻力。”
而 Pathways 不同，它以超高得效率使單個人工智能系統覆蓋近百萬個任務，并能對不同類型得數據進行解析，“從僅僅識別模式得單一用途模型時代推進到更通用得智能系統時代，適應新需求。” 迪恩補充道。
也就是說，多數人工智能模型通常被訓練為只做一件事，而 Pathways 可以訓練單個模型做千千萬萬件事。
迪恩稱，“我們熟悉當今許多全球性挑戰，并致力于研究可幫助解決這些挑戰得技術。同時，我們也確信未來還有一些尚未預料到得重大挑戰，都需要緊急解決方案。因此，我們非常謹慎，并始終遵循我們得人工智能原則來打造下一代人工智能架構，其可以快速適應新需求并解決世界各地出現得新問題，以幫助人類創造更好得未來。”
-End-
參考：
感謝分享blog.google/technology/ai/introducing-pathways-next-generation-ai-architecture/
