基于模型的以数据为中心的人工智能：弥合学术理想与工业实用主义之间的鸿沟

本文深入探讨了数据在学术和工业领域中的不同角色，强调了以数据为中心的人工智能与模型无关的人工智能方法之间的分歧。我们认为，以数据为中心的人工智能侧重于高质量数据对模型性能的首要地位，而模型无关的人工智能则优先考虑算法灵活性，往往以牺牲数据质量为代价。这种区别表明，学术界的数据质量标准通常无法满足工业应用的严格要求，导致在现实环境中部署学术模型时存在潜在陷阱。通过全面分析，我们解决了这些差异，既提出了它们带来的挑战，也提出了弥合差距的策略。此外，我们提出了一种新的范式：基于模型的以数据为中心的人工智能，旨在通过将模型考量整合到数据优化过程中来调和这些差异。这种方法强调了数据需求演变的必要性，这些需求对学术研究和工业部署的细微差别都很敏感。通过探索这些差异，我们旨在促进对数据在人工智能发展中作用的更细致理解，并鼓励学术和工业标准的融合，以增强人工智能在现实世界中的适用性。