2023 年，人工智能市场总额将高达 5000 亿美元，到 2030 年将达到 15971 亿美元——这意味着，在不久的将来，机器学习技术仍将继续处于高需求状态。

然而，机器学习行业的发展速度非常快，新技术和科学研究又定义了新产品和服务的构建方式。截止到 2022 年底，从机器学习工程师到创业公司创始人，每个人都在关注来年最有前景的发展趋势。如果你想了解明年最热门的一些趋势，不妨看看本文。

机器学习的技术发展趋势

没有人能准确预测明年需要什么样的技术，因为每天都有创新技术出现。不过根据 2022 年的状况，我们认为 2023 年最有前景的机器学习技术包括以下几个方面。

1. 基础模型

大型语言模型是一项重要创新，近来很受欢迎，在接下来的一段时间内仍然是关注的焦点。基础模型是人工智能工具，经过大量数据训练后，甚至不输于常规神经网络。

工程师们正在努力将机器的理解水平提升到新高度，它们不仅可以搜索模式，还可以积累知识。基础模型对于内容生成和汇总、编码和翻译，以及客户支持方面都有积极贡献，其中最著名的基础模型当属 GPT-3 和 MidJourney。

基础模型的一个惊人之处在于，它们可以快速扩展，并处理以前从未见过的数据，因此具有出色的生成能力。在这个领域，拥有领先解决方案的供应商是 NVIDIA 和 OpenAI。

2. 多模态机器学习

在涉及模型与现实世界交互的计算机视觉或自然语言处理等任务中，模型通常只能依赖一种类型的数据，比如图像或文本。但在现实生活中，我们可以通过多种感官来感知周围的世界，比如嗅觉、听觉、触感和味觉。

多模态机器学习建议通过多种方式（称为模式）来体验世界，从而构建更好的模型。AI 中的“多模式”一词描述了机器学习模型的构建方式，这些模型可以像人类一样通过多种模式感知事件。

为了构建多模态机器学习，我们可以组合不同类型的信息，并使用它们来训练模型。例如，图像和音频与文本标签的结合，可以使其更易于识别。虽然多模态机器学习是一个年轻的领域，但许多人认为这是实现通用人工智能的关键，2023 年有待进一步开发和推进。

3. Transformer

Transformer（转换器）是一种人工智能架构，它使用编码器和解码器对输入数据序列进行转换，将其转换为另一个序列。许多基础模型都建立在 Transformer 之上，但其实 Transformer 也可用于许多其他应用——据报道，Transformer 正在席卷人工智能世界。

Transformer 又名 Seq2Seq 模型，广泛用于翻译及其他自然语言处理任务。由于 Transformer 可以分析单词序列，而不仅仅是单个单词，因此它们呈现出的效果通常比普通人工神经网络更好。

Transformer 模型不是简单地读取句子中的所有单词并逐字翻译，它们能够评估序列中每个单词的重要性，并分配相应的权重，然后再将语句转换为另一种语言。一些技术上领先的解决方案可以帮助你构建 Transformer 管道，包括 Hugging Face 和 Amazon Comprehend 等。

4. 嵌入式机器学习

嵌入式机器学习是机器学习的一个子领域，目标是让机器学习模型能够在不同的设备上运行。

嵌入式机器学习多用于家用电器、智能手机和笔记本电脑、智能家居系统等。ABI Research 人工智能与机器学习首席分析师 Lian Jye Su 表示：

人工智能的激增和大众化推动了物联网（IoT）分析的发展。从物联网设备收集数据，并用于训练机器学习模型，从而为整个物联网带来有价值的新见解。这些应用程序需要依赖复杂的芯片组，因此是强大而又昂贵的解决方案。

嵌入式机器学习系统的日益普及是芯片组制造业的主要驱动力之一。十年前，根据摩尔定律，芯片组上的晶体管数量每两年会翻一番，我们可以根据此定律预测计算能力的增长。但实际上在过去几年中，我们看到了每年 40～60% 的飞跃。而这种趋势在未来几年仍将持续。

随着物联网技术和机器人技术的广泛普及，嵌入式系统变得越来越重要。嵌入式机器学习面临着其独特的挑战，这些挑战也许无法在 2023 年得到解决，因为解决这些问题需要在节省资源的同时，最大程度地优化并提高效率。

5. 低代码和无代码解决方案

机器学习和人工智能已经渗透到各个领域，即便是非技术人员也能使用的机器学习解决方案被视为保持整个组织效率的关键。与其投入大量时间、精力和成本来学习编程，不如选择零或接近零编程技能的应用——但这并不是无代码解决方案唯一要解决的问题。

Gartner 发现，市场对高质量解决方案的需求超过了交付的能力：“市场需求的增长速度至少比交付这些解决方案的 IT 能力快 5 倍”。无代码和低代码解决方案可以帮助弥合这一差距并满足需求。同样，低代码解决方案可以让技术团队更快地提出假设，并进行测试，从而减少交付时间并降低开发成本。如果是在 10 年前，构建一款应用程序或启动一个网站需要整个团队的努力，但如今只需要一个人即可完成，而且速度很快。

此外，82% 的组织都面临着吸引和留住软件工程师的困难，他们表示愿意在无代码和低代码技术的帮助下构建和维护应用程序。

尽管近年来市场上涌现了许多低代码和无代码解决方案，但总体看来这些解决方案在质量上仍远不如常规开发。

最后值得一提的是，随着训练机器学习模型（尤其在大型组织中运行的实时机器学习）所需的计算能力迅速增加，云计算仍然是创新背后的重要技术。据统计，全球约有 60% 的企业数据存储在云端，而这个数字还有可能增长。2023 年我们将看到，为了满足机器学习行业不断增长的需求，云安全性与弹性方面的投资增加。