成长型思维在 AI 发展中扮演什么角色？

人工智能开发领域的创新方式越来越依赖于成长型思维。成长型思维在决定 AI 开发领域的创新进程方面变得越来越重要。在充分实现人工智能潜力的追求中，致力于接受困难和培养学习机会与技术水平同样重要。

培养面向 AI 开发的成长型态度

在追求人工智能进步的过程中，建立努力似乎主要受建立成长型思维的动机驱动。与认为知识和能力不变且固定的固定型思维不同，通过工作和奉献，知识和能力可以得到提高。

基于斯坦福心理学家卡罗尔·德韦克（Carol Dweck）的研究，这种思维方式强调接受努力和将挑战视为个人成长机会的重要性。建立重视持续学习和适应的文化是组织帮助 AI 系统在变化环境中取得成功的一种方式。

公司开始越来越意识到早期部署和现实世界测试在 AI 中的革命性力量。AI 系统从接触各种数据源和现实世界环境中受益，就像儿童通过实践经验学习一样。企业应该在实际应用中利用 AI，而不是将数据保密。这将提供有益的反馈，并通过新数据改进算法。学习是迭代性的，涉及成功和错误。这与 AI 系统随时间推移发展和变得更强大的过程类似。

一个很好的例子是特斯拉。当有人驾驶车辆时，特斯拉会在后台更新其自动驾驶软件。该程序将其决策——如方向盘倾斜的方向——与驾驶员的决策进行比较。任何显著的偏离或异常选择都会被检查，如有必要，AI 将重新训练。

为了保护消费者和维护声誉，安全协议对于 AI 开发也至关重要。在实际世界实施之前，全规模 AI 系统可以在模拟器环境中进行全面且安全地评估，例如现实世界的实践。

拥抱技术娴熟的方法进行 AI 开发

儿童不是通过教学视频学习走路，而是学习站立并迈出第一步。他们也从每次痛苦的跌倒中学到重要的教训，最终，奇迹发生了。对于 AI 来说，同样的推理也适用。 

许多企业，如IBM，认为在部署算法之前，应收集海量数据以改进算法。这是一个愚蠢的决定。在现实世界中利用人工智能，而不是将其隔离在受控环境中，有助于产生更多数据，进而用于指导未来的发展。

虽然早期部署伴随着更高的固有风险，但它也开启了一个持续的反馈循环，允许新数据被添加到算法中。此外，数据必须来自常规场景以及不常见或具有挑战性的场景，这两者结合才能实现全面的人工智能开发。

如上所述，培养成长型思维，并更进一步，企业可以创建模拟环境，以促进更快的开发周期并生成合成数据。例如，特斯拉利用其车队的数据来喂养模拟器，从而模拟复杂的交通场景，以创建新的人工智能训练数据。 

采用上述持续学习技术并拥有成长型思维的组织更有可能开发出适合快速变化世界的 AI 解决方案。通过向算法提供持续的数据流和反馈，组织可以保持其产品和服务的敏捷性、安全性和相关性。