跳出思维定势，推动人工智能创新

对于我们许多在人工智能领域进行创新的人来说，我们正在未知领域工作。考虑到人工智能公司如何快速开发新技术，人们可能会认为幕后付出的努力是理所当然的。但是在像XR这样的领域，任务是模糊现实和数字世界之间的界限——目前没有太多的历史数据或研究可以依靠；所以我们需要跳出思维定势。

虽然依赖传统的机器学习智慧和经过验证的实践是最方便的，但在新兴领域中，这通常是不可能的（或不是完整的解决方案）。为了解决以前从未解决过的问题，需要以新的方式来解决它们。

这是一个挑战，迫使你记住为什么你最初进入工程、数据科学或产品开发领域：对发现的热情。我每天在Ultraleap的工作中都体验到这一点，我们开发的软件可以在混合现实环境中跟踪和响应人类手的运动。我们曾经认为自己知道的关于训练机器学习模型的所有知识，在我们的工作中都被颠覆了，因为人类的手——以及它遇到的物体和环境——是极其不可预测的。

以下是我和我的团队采取的几种方法，以重新构想实验和数据科学，带来直观的交互到数字世界，这种交互是准确的，感觉就像在现实世界中一样。

在既定规则内创新

在一个新兴领域中创新，你经常面临着看似相互矛盾的约束。我的团队的任务是捕捉手和手指运动的细微差别，以及手和手指如何与周围的世界相互作用。这些都被打包成手部跟踪模型，这些模型仍然可以适应XR硬件的约束计算。这意味着我们的模型——虽然复杂和先进——必须占用显著更少的存储空间，并消耗显著更少的能量（大约1/100,000），比主导头条的巨型LLM。它为我们带来了一个令人兴奋的挑战，需要无情的实验和评估我们的模型在其实际应用中的表现。

但无数的测试和实验都是值得的：创建一个强大的模型，它仍然可以在低推理成本、功耗和延迟下提供服务，这是一项可以应用于边缘计算甚至超出XR领域的奇迹。

我们在实验中遇到的约束也会影响其他行业。一些企业将由于应用领域的细微差别而面临独特的挑战，而其他企业可能由于处于大型科技公司尚未涉足的利基市场而拥有有限的数据。

虽然一种通用解决方案可能适用于某些任务，但许多应用领域需要解决特定于其任务的真正具有挑战性的问题。例如，汽车装配线实施机器学习模型以进行缺陷检查。这些模型必须处理需要识别汽车表面的小缺陷的高分辨率图像。在这种情况下，应用程序需要高性能，但要解决的问题是如何实现低帧率但高分辨率的模型。

评估模型架构以推动创新

一个好的数据集是任何成功的人工智能突破的驱动力。但是什么使得一个数据集对于特定的目标来说是“好的”呢？当你正在解决以前从未解决过的问题时，你如何相信现有的数据仍然相关？我们不能假设某些机器学习任务的良好指标可以转化为另一个特定业务任务的性能。这就是我们被要求违背常见的机器学习“真理”，而是积极探索我们如何标记、清理和应用模拟和真实世界的数据。

由于我们的领域天生具有挑战性，需要手动质量保证——由人工完成。我们不仅仅看数据的质量指标，我们迭代数据集和数据源，并根据它们在现实世界中产生的模型的质量进行评估。当我们重新评估我们如何对数据进行评分和分类时，我们经常发现我们可能以前忽略的数据集或趋势。现在，凭借这些数据集和无数次实验，向我们展示了哪些数据不应依赖，我们已经解锁了以前缺失的新途径。

Ultraleap的最新手部跟踪平台Hyperion就是一个很好的例子。我们的数据集的进步帮助我们开发出更复杂的手部跟踪，可以准确跟踪微手势以及手部运动，即使用户正在持有物体。

 向后迈出一小步，向前迈出一大步

虽然创新似乎永远不会放慢脚步，但我们可以。我们从事实验、学习、开发，当我们花时间这样做时，我们经常创造出比按照常规和匆忙推出下一个技术创新更有价值的东西。没有替代品可以取代当我们探索数据注释、质疑数据源和重新定义质量指标本身时发生的突破。并且我们唯一可以做到这一点的方式就是在实际应用领域中实验，衡量模型的性能以完成任务。与其把不寻常的要求和约束视为限制，我们可以把这些挑战转化为创新和最终的竞争优势的机会。并且我们唯一可以做到这一点的方式就是在实际应用领域中实验，衡量模型的性能以完成任务。与其把不寻常的要求和约束视为限制，我们可以把这些挑战转化为创新和最终的竞争优势的机会。