Shift 在 AI 领域主要有两层含义:一是统计学与机器学习中的分布偏移(distribution shift),指训练数据与实际数据分布不一致的问题,是模型上线后性能衰退的核心原因之一;二是指 AI 带来的工作方式与行业格局的转变(paradigm shift)。近期的报道显示,这两个层面的讨论同时升温,分布偏移的数学刻画在快速推进,而企业组织如何应对 AI 带来的运营转变也成为实际案例。
分布偏移(Covariate Shift)研究的近期进展
AI 带来的组织与工作方式 Shift
当前焦点与观察点
目前关于 shift 的争议集中在两点:其一,协变量偏移下的理论结果虽然更严格,但现实场景往往是概念偏移(概念本身变化)与协变量偏移叠加,纯统计方法能否覆盖仍存疑;其二,组织层面的转变证据仍以个案为主,Kast 的营收数字缺少同行对照,尚难判断是普遍规律还是幸存者案例。值得观察的信号包括:偏移检测是否能进入主流 MLOps 流程,以及更多公司是否会公开 AI 化前后的人员与营收对比数据。